Часовой аудиофайл — всего 20–40 секунд обработки. Такую скорость показала модель NVIDIA Parakeet на Mac Studio M4 Max в испытаниях разработчика Mattt.
29 октября он представил AnySpeechRecognizer — открытую библиотеку для программистов, которая позволяет подключать к приложениям Apple разные нейросети распознавания речи.
Вместо штатной модели Apple разработчик может выбрать NVIDIA Parakeet или Alibaba Qwen3-ASR. Обе работают непосредственно на устройстве, без обязательной отправки записей в облако. При этом программный интерфейс остаётся похожим на стандартный Apple Speech API.
Parakeet v3 поддерживает 25 европейских языков, а Qwen3-ASR — 30 языков и 22 китайских диалекта. Последняя работает медленнее, зато предлагает более широкий выбор языков.
AnySpeechRecognizer умеет также разделять реплики четырёх собеседников. Для этого используется NVIDIA Sortformer, которая работает совместно с распознавателем Apple или Parakeet. На выходе можно получить стенограмму с указанием, кто и когда говорил.
Со сложными разговорами пока получается хуже. В испытаниях на записях совещаний, где люди перебивают друг друга, все проверенные распознаватели ошибались более чем в 23% слов.
Вместе с речевой библиотекой Mattt выпустил AnyDecisionModel — инструмент для другой задачи.
Допустим, клиент написал в поддержку о двойном списании денег. Вместо того чтобы просить языковую модель сочинить ответ, программа может поручить ей определить срочность обращения, выбрать нужный отдел и оценить вероятность каждого решения.
Такие задачи можно выполнять локально через MLX, Core AI или llama.cpp. Есть также подключения к Ollama и внешним сервисам.
Оба Swift-пакета бесплатно опубликованы на GitHub. Это библиотеки для разработчиков, а не готовые приложения для расшифровки записей. Для работы требуется Swift 6.2 и совместимая система Apple.
Основные испытания автор проводил на macOS 27. Работу AnySpeechRecognizer на iPhone он пока не проверял.