開発者MatttがAppleプラットフォーム向けのパッケージを紹介しました。複数の音声モデルを選び、生成文の解析に頼らず確率を伴う選択結果を取得できます。 Apple自身の新製品発表ではありません。対応言語、ライブ処理、端末性能で条件が異なり、公開された速度の検証はMac上に限られています。 Swiftのアプリから専用モデルを選ぶ Hugging Faceの公式ブログは10月29日、開発者MatttによるAnySpeechRecognizerとAnyDecisionModelを紹介しました。音声を認識する処理と、選択肢から判断する処理をSwiftのAPIで扱います。両者はHubから公開モデルを取得し、端末上で動かせます。文章生成モデルへすべてを任せず、用途に合う処理を選ぶ考え方です。Appleのプラットフォーム向けですが、Apple自身が新しい製品を発表した記事ではありません。作者が開発したパッケージと変換済みモデルの説明です。音声は既存のSpeechのAPIに近い操作を採用し、利用する認識器を選べるようにしています。端末上での利用でも、モデルごとの条件を確認する必要があります。 音声の言語と処理方式には違いがある 音声認識にはParakeetやQwen3-ASRなどを用います。Parakeetの対象は欧州の言語が中心で、日本語はQwen3-ASR側の対応言語に含まれます。Qwen3-ASRはファイルの処理に向く一方、途中の結果や単語ごとの時刻などに制約があります。話者を分ける機能にはSortformerを使い、最大4人を追跡します。判断用のAnyDecisionModelは、二択、複数選択、段階評価を型と確率を伴う結果で返します。自由な文章を生成して後から解釈する方法と異なり、候補ごとの確率を利用できます。原文の速度と誤り率の測定は、M4 MaxのMac Studioと限られたデータによるものです。iPhoneではまだ試していないと明記しています。アプリの開発者には、目的の端末、言語、音声環境で測ることが判断材料になります。会議の重なった発話では、すべての認識器に難しさが残ると報告しています。 端末内処理でも配布と評価の設計が必要 端末内で動くことは外部への送信を減らす選択肢になりますが、利用するアプリ全体が何を保存するかは別の確認点です。モデルの取得には容量が必要で、初回の準備時間や端末のメモリーも使います。モデルごとにライセンスが異なるため、配布時の条件を一律に扱わないことが論点になります。また、選択肢の確率が得られても、それが業務上の正しさをそのまま保証するわけではありません。自社の入力で判断を確認し、曖昧な場合に人へ返す基準を設ける方法が考えられます。音声の誤認識が、そのまま後段の振り分けへ影響する可能性もあります。段階ごとに評価すれば、認識器と判断モデルのどちらを調整するかを考えやすくなります。作者の公開した再現手順を参考に、実際の音声とハードウェアで測定し、必要な機能が揃うか確かめることが重要だと見られます。