AnySpeechRecognizer
تعلن Hugging Face عن حزمتين من Swift، AnyDecisionModel و AnySpeechRecognizer، اللتين توسعان نطاق التعرف الصوتي واتخاذ القرار بناءً على النهج المقدم مسبقًا لنماذج اللغة مع AnyLanguageModel. تحتفظ الحزمتان بواجهات برمجة تطبيقات Swift مألوفة وتتيحان للمطور اختيار النموذج الذي ينفذ كل مهمة، بما في ذلك النماذج المفتوحة التي يتم تنزيلها من مركز Hugging Face وتشغيلها على الجهاز.
تقدم أبل منذ macOS 26 و iOS 26 واجهة برمجة تطبيقات تحليل الكلام SpeechAnalyzer. يضيف المطور إليها وحدات مثل SpeechTranscriber أو SpeechDetector، ويوفر ملفًا أو تدفقًا صوتيًا، ثم يقرأ النتائج أثناء تدفقها. ومع ذلك، فإن المحرك الذي يدير هذه الواجهة هو محرك أبل حصريًا. يحتفظ AnySpeechRecognizer بالواجهة ويسمح بتغيير المحرك: وفقًا للمصدر، يكفي تعديل الاستيراد إذا كان الكود يستخدم فقط واجهة برمجة التطبيقات المشتركة، وتغيير إنشاء المحول فقط لاستخدام Parakeet.
يتم تقديم عدة محركات. Parakeet v3 من NVIDIA، يتعرف على 25 لغة أوروبية ويكتشف اللغة المسموعة تلقائيًا. Parakeet Ultra، وهو نوع من Moondream، كان « أكثر دقة في معظم قياساتنا »، وفقًا للمنشور. Parakeet Unified، أيضًا من NVIDIA، يعالج الإنجليزية فقط. Qwen3-ASR من Alibaba، متوفر بحجمين 0.6B و 1.7B ويغطي 30 لغة و22 لهجة صينية، بما في ذلك الكانتونية واليابانية والكورية. ينتج نتيجة نهائية لكل مقطع مدته 40 ثانية كحد أقصى، دون نتائج مؤقتة، ويعمل على وحدة معالجة الرسومات. وهو أبطأ من Parakeet وأكثر ملاءمة لتحويل الملفات منه للبث المباشر.
تضيف الحزمة أيضًا تحديد هوية المتحدثين، أي التعرف على من يتحدث في كل لحظة. تعتمد وحدة SpeakerDiarizer على Streaming Sortformer من NVIDIA ويمكنها تتبع ما يصل إلى أربعة متحدثين، حتى عندما يتحدثون في وقت واحد. لا يوفر إطار عمل Speech من أبل وحدة مكافئة.
تم إجراء القياسات على جهاز Mac Studio M4 Max مع نظام macOS 27.0.1، على ملفات LibriSpeech مدتها من 3 إلى 8 دقائق. وصل معدل خطأ الكلمات إلى 1.55% على test-clean و 2.78% على test-other لـ Parakeet v3 في الملفات، مقابل 2.12% و 3.97% لمحول أبل في الملفات. وفقًا للمنشور، يحول Parakeet ساعة من الصوت في 20 إلى 40 ثانية من ملف، ويستهلك حوالي 100 ميجابايت من الذاكرة. على تسجيلات AMI، حيث يتحدث الأشخاص فوق بعضهم البعض، تجاوز كل محرك تم اختباره نسبة خطأ في الكلمات تبلغ 23%. هذه الأرقام تأتي من جهاز واحد وبعض مجموعات البيانات، ولم يتم اختبار الحزمة إلا على macOS 27، وليس على iPhone.
AnyDecisionModel
يجيب AnyDecisionModel على أسئلة مغلقة: نعم أو لا، اختيار متعدد، مقياس تقييم. الإجابات مُنَوعَة ومصحوبة باحتمالات. بدلاً من جعل نموذج لغة يولد نصًا، تحسب الحزمة كل إجابة من احتمالات النموذج، مما يتجنب تحليل نص حر. في مثال المنشور، يعمل نموذج Qwen3-4B على جهاز Mac عبر الواجهة الخلفية MLX، وتعيد ثلاث أسئلة حول تذكرة دعم احتمالًا، واختيارًا مُنَوعًا، ودرجة تقييم على التوالي.
مع الواجهات الخلفية المحلية، يقرأ النموذج احتمال كل إجابة ممكنة، ممثلة برمز واحد فقط، أي وحدة نصية. يوضح المنشور أن الاحتمالات الأولية لنماذج اللغة غالبًا ما تكون حاسمة جدًا وأن المعايرة ممكنة. للحد من التحيز المرتبط بموقع خيار في قائمة، تقوم خيار rotationDebiasing بطرح السؤال مرة واحدة لكل تبديل في الخيارات وتقوم بمتوسط الاحتمالات، على حساب تقييم إضافي لكل تبديل.
التطبيق التوضيحي Emoji Magnet، المتوفر في مستودع AnyDecisionModel-Examples، يقوم بتصفية 343 رمزًا تعبيريًا من جملة مكتوبة. لكل رمز تعبيري، يجيب النموذج على سؤال بنعم أو لا. مع الواجهة الخلفية Jev، المستضافة من قبل TypeSafe، تذهب الـ 343 سؤالًا في طلب واحد وتستقر الرموز التعبيرية في حوالي نصف ثانية. محليًا، مع Qwen3 4B والواجهة الخلفية MLX، تستغرق مجموعة من 16 سؤالًا حوالي 0.45 ثانية على جهاز M4 Max، وتستغرق دورة كاملة حوالي 10 ثوانٍ.
تحتوي الحزمة على ست واجهات خلفية، بما في ذلك llama.cpp و Ollama و Core AI. تتطلب الحزمتان Swift 6.2 أو أحدث بالإضافة إلى macOS 26 أو iOS 26. مرحب بقضايا وطلبات السحب على كلا المستودعين.
