AnySpeechRecognizer и AnyDecisionModel: отворени модели за реч и решения на Apple платформи
Hugging Face · четвъртък, 29 октомври, 02:00 · 1 мин четене
Нов Swift пакет дава избор на модел за разпознаване на реч и за вземане на решения, като модели от H
Езиковите модели могат много, но са само малка част от това, което машинното обучение прави. Ако клиент се обади в поддръжката, първо трябва да се разпознае какво казва, а после да се реши към кого да се насочи.
Пакетът AnySpeechRecognizer разширява API-то SpeechAnalyzer на Apple, което е налично от macOS 26 и iOS 26. Разработчикът импортира пакета и може да избере друг двигател за разпознаване вместо този на Apple. Един от добавените модели е Parakeet v3 на NVIDIA, който разпознава 25 европейски езика и сам определя кой език се чува.
Пакетът добавя и Qwen3-ASR от Alibaba в размери 0,6B и 1,7B, който разпознава 30 езика и 22 китайски диалекта. Той определя езика автоматично или може да се зададе ръчно. Моделите са конвертирани в Core ML и публикувани в Hugging Face, а свалянето става само когато приложението поиска.
Добавена е и функция за разделяне по говорители, която показва кой какво е казал в разговор. Тя работи с Streaming Sortformer на NVIDIA и поддържа до четирима говорители. На Mac Studio с M4 Max Parakeet преписва час аудио за около 20 до 40 секунди от файл.


