音声認識と意思決定を端末で選べるApple向けオープンモデル基盤

音声認識と判断を、用途に合わせて選ぶ

Hugging Faceは、Appleプラットフォーム向けのSwiftパッケージ「AnySpeechRecognizer」と「AnyDecisionModel」を発表しました。特定のAIモデルに固定せず、用途に応じてモデルを選べるようにする取り組みです。文章の作成や要約に強い大規模言語モデルだけでなく、音声を文字にする処理や、質問への分類・判定には、それぞれに適したモデルがあります。必要な処理に専用モデルを使うことで、速度や費用、実行環境を調整しやすくなります。

Appleの音声APIを保ちながら、認識エンジンを変更

AnySpeechRecognizerは、macOS 26とiOS 26で導入されたAppleの音声認識API「SpeechAnalyzer」に似たSwift APIを提供します。既存のApple製エンジンを使うほか、NVIDIAのParakeetやAlibabaのQwen3-ASRを選択でき、いずれもCore ML形式のモデルを端末上で動かせます。Core MLはApple製端末で機械学習モデルを実行するための仕組みです。Parakeetは欧州の25言語に対応し、ライブ入力や単語ごとの時間情報も扱えます。Qwen3-ASRは日本語を含む30言語などに対応しますが、記事によると処理は遅めで、ファイルの文字起こしに向いています。

会話で「誰がいつ話したか」を追う話者ダイアライゼーションも追加されました。NVIDIAのSortformerを使い、重なって話す場合も含めて最大4人を識別し、単語を話者ごとに整理できます。Apple標準の音声APIにない機能を補えるため、会議録やインタビューの文字起こしを扱うアプリで活用が考えられます。

精度の数値は、利用条件と合わせて見る

記事の測定では、M4 Max搭載Mac StudioでParakeetを使い、LibriSpeechの音声を文字起こしした場合、単語誤り率はモデルや入力方法によって約1.4〜4.7%でした。単語誤り率は、正解の文章と比べてどの程度誤りがあるかを示す指標です。Parakeetは音声ファイルなら1時間分を約20〜40秒で処理した一方、ライブ入力では約1.5〜2.5分かかるとされています。ただし、これは特定の機器とデータセットでの測定です。複数人が重なる会議音声では、試したすべてのエンジンで誤り率が23%を超えており、数値をそのまま実利用の品質とみなすことはできません。

分類や判定も、生成文ではなく確率から

AnyDecisionModelは、「はい・いいえ」「選択肢から回答」「段階評価」といった判断を、型のある結果と確率で返します。文章を生成してから判定するのではなく、モデルの出力確率から答えを得る設計です。端末上ではMLX、Core AI、llama.cppを使うほか、JevやOllamaの判断モデルも選択できます。問い合わせの振り分けや入力内容の分類など、決まった形式の答えが必要な場面に利用できそうです。公開モデルはHugging Face Hubから必要に応じてダウンロードできますが、モデルによって容量やライセンスが異なるため、アプリへの組み込み前に確認が必要です。まず試すなら、短い音声ファイルを用意し、ParakeetとApple標準エンジンの結果・処理時間を同じ端末で比べると、用途に合う選択肢を見極めやすくなります。


参考リンク
Hugging Face:Introducing AnySpeechRecognizer and AnyDecisionModel: Open Models for Speech and Decisions on Apple Platforms

本記事はAIが生成し、自動公開しています。内容の正確性には努めていますが、重要な判断の際は必ず一次情報をご確認ください。