Hugging Face、アップル製品で動く音声文字起こしと自動判定の新ツール公開

米Hugging Faceは2026年10月29日、Appleプラットフォーム上でオープンな機械学習モデルを実行するためのSwiftパッケージ「AnySpeechRecognizer」および「AnyDecisionModel」を発表した。同社が提供してきた「AnyLanguageModel」と同様のアプローチを音声認識と意思決定の領域へ拡張し、開発者が使い慣れたSwiftのAPIを通じて端末ローカルやホスト型のモデルを柔軟に選択できるようにした。

「AnySpeechRecognizer」は、macOS 26やiOS 26で導入されたAppleの音声認識API「SpeechAnalyzer」のインターフェースを踏襲しながら、実行エンジンを自由に切り替えられる仕組みを提供する。デフォルトのApple製フレームワークに加え、NVIDIAの「Parakeet TDT 0.6B v3」やアリババの「Qwen3-ASR」（0.6Bおよび1.7B）をCore ML経由で端末上で直接動かすことが可能だ。Parakeetは25のヨーロッパ言語を自動判別し、1時間の音声ファイルを約20秒から40秒、ライブ入力なら約1.5分から2.5分で文字起こしする。一方のQwen3-ASRは日本語や韓国語、中国語の22方言を含む30言語に対応し、最大40秒の区間ごとに処理を行う。さらに、Appleの標準フレームワークにはない話者分離機能として、NVIDIAの「Streaming Sortformer」を組み込むモジュールも備え、発話の重複がある場合でも最大4人の話者を識別して時間軸に沿った書き起こしができる。

一方の「AnyDecisionModel」は、問い合わせの緊急度判定や担当部署の振り分け、感情スコアの測定といった意思決定タスクに特化したツールだ。一般的な大規模言語モデルに文章を出力させて解析する従来手法とは異なり、モデル内部の確率分布から直接、真偽値（Double）や選択肢（Choice）、評価尺度（Score）を型安全に出力する。端末上の実行環境としてMLXやCore AI、llama.cppに対応するほか、外部サービスとしてJevやOllamaもサポートする。文章生成を行わない決定ヘッドを備えたCloudflareの「Clef-Flash」（9Bモデル、4ビット版で約6.2GB）などのモデルも扱える。

両パッケージはモデルのダウンロードをアプリからの要求時にのみ行い、Parakeetは本体約600MB（ライブ用エンコーダ約590MB）、Qwen3-ASRは0.9GB〜2.4GB、Sortformerは約250MBを消費する。利用にはSwift 6.2以降およびmacOS 26またはiOS 26以降が必要で、ローカル実行ランタイムはApple Siliconを対象とする。同社は今後、macOS 27やiOS 27におけるCore AI対応など、さらに多くの実行エンジンの拡充を進める方針だ。