公開：2026年10月30日, 最終更新：2026年10月30日
Hugging Faceは2026年10月29日、Apple Platforms向けのオープンモデルパッケージ「AnySpeechRecognizer」と「AnyDecisionModel」を発表した。NVIDIAやAlibabaの音声認識モデルをCore ML上でオンデバイス動作させるとともに、確率ベースの意思決定機能をSwift APIから利用できるようにする。
30秒サマリー
- AnySpeechRecognizerはAppleの新音声APIを拡張し、NVIDIAのParakeetやAlibabaのQwen3-ASRをCore MLでオンデバイス実行できる
- AnyDecisionModelはテキストや状態に対してYes/No・多肢選択・評価スケールの問いを確率付きで返すSwift APIを提供する
- 両パッケージはHugging Face Hubからオープンモデルをダウンロードしてデバイス上で実行でき、既存のSwift APIと互換性を保つ設計
AnyDecisionModel・AnySpeechRecognizerの発表内容
Hugging Faceは2026年10月29日付けの公式ブログで、Apple Platforms向け2つのSwiftパッケージを発表した。
AnySpeechRecognizerは、macOS 26・iOS 26で導入されたAppleの新しい音声テキスト変換API「SpeechAnalyzer」と同一インターフェースを持ちつつ、認識エンジンを差し替えられる設計となっている。対応エンジンはApple標準のほか、NVIDIAのParakeet（v3・Ultra・Unified）とAlibabaのQwen3-ASR（0.6B・1.7B）で、いずれもCore MLに変換されHugging Face Hubで公開されている。Parakeet v3は25のヨーロッパ言語を自動判別し、Qwen3-ASRは30言語・22の中国語方言（広東語・日本語・韓国語を含む）に対応する。加えて、Apple標準APIが未対応の話者分離（スピーカーダイアライゼーション）機能を提供し、NVIDIAのStreaming Sortformerをサイドカーとして実行することで最大4話者を追跡できる。
M4 Max Mac Studio・macOS 27.0.1での計測では、Parakeet v3のファイル入力時のWord Error Rate（WER）はLibriSpeechのtest-cleanで1.55%、test-otherで2.78%だった。Appleの標準トランスクライバーはそれぞれ2.12%・3.97%だった。ParakeetはCore MLモデルコンパイル後に約100MBのメモリで動作し、1時間の音声をファイルから約20〜40秒で書き起こせるとしている。Qwen3-ASRはGPUを使用し数GBのメモリを要するため、ライブ入力よりもファイル書き起こしに適するとブログは述べている。
AnyDecisionModelは、言語モデルにテキストを生成させる代わりに、モデルの確率分布から直接答えを導出する。Yes/No確率（Double型）・多肢選択（選択肢ごとの確率と信頼度を含むChoice型）・評価スケール（Score型）の3種類の問いをサポートし、Swiftの型システムと統合されている。バックエンドとしてMLX・Core AI・llama.cppのオンデバイス実行と、JevおよびOllamaのホスト型決定モデルを選択できる。デモアプリ「Emoji Magnet」では343個の絵文字に対しYes/No問いを並列実行し、Jevホストバックエンドで全343問を約0.5秒、M4 Max上のMLXバックエンドで全パスに約10秒かかるとしている。
「AnySpeechRecognizer」と「AnyDecisionModel」の主な仕様・数値
- AnySpeechRecognizer対応エンジン：Apple標準、Parakeet v3・Ultra・Unified、Qwen3-ASR 0.6B・1.7B
- Parakeet対応言語数：25のヨーロッパ言語（自動判別）
- Qwen3-ASR対応言語数：30言語・22の中国語方言（広東語・日本語・韓国語を含む）
- Parakeet WER（test-clean／ファイル）：v3: 1.55%、Ultra: 1.66%、Unified: 1.43%
- Apple標準WER（test-clean／ファイル）：2.12%
- Parakeet動作時メモリ：約100MB（Core MLモデルコンパイル後）
- モデルダウンロードサイズ：Parakeet: 約600MB＋ライブエンコーダー約590MB、Qwen3-ASR: 0.9〜2.4GB、Sortformer: 約250MB
- AnyDecisionModel対応バックエンド：MLX、Core AI、llama.cpp（オンデバイス）、Jev、Ollama（ホスト型）
出典: Hugging Face Blog（公式ブログ）
なぜ重要か（編集部の分析）
編集部の見方では、本発表の核心は「LLMに何でも任せる」設計からの脱却にある。音声認識と意思決定という頻出タスクを専用モデルで処理することで、LLM呼び出しコストと遅延を削減できる可能性がある。特にAnyDecisionModelの「テキスト生成ではなく確率分布から答える」アプローチは、出力のブレが問題になりやすいルーティング・分類ユースケースにおいて再現性と速度の両面で優位性を持つと考えられる。SwiftのネイティブAPIとして提供される点も、iOSアプリ開発者が既存コードベースに最小限の変更で組み込める設計として注目される。
日本企業への示唆（編集部の分析）
編集部の見方では、日本企業にとって直接的に関係するのはQwen3-ASRの日本語・韓国語・広東語対応だ。多言語コールセンター向けの通話録音の自動書き起こしや、会議録の話者分離をオンデバイスで処理できれば、音声データをクラウドに送る必要がなくなり、情報管理リスクの低減につながる。また、AnyDecisionModelが示す「確率付き分類」のアプローチは、チケットルーティングや問い合わせ優先度判定などの業務自動化において、LLMの出力パース失敗リスクを減らす実装パターンとして検討に値する。ただし、現時点でのテストはmacOS 27のみであり、iPhoneでの動作検証は今後の課題と原文は明記している。
背景・経緯
原文によれば、同じ著者が以前にAnyLanguageModel 1.0を公開しており、SwiftからローカルおよびホストのLLMを統一APIで扱う取り組みを続けてきた。今回の発表はその延長として、言語モデル以外の機械学習タスク（音声認識・意思決定）にも同様のSwift APIラッパーを提供するものと位置づけられている。AnyLanguageModelおよびswift-huggingfaceはすでに1.x系リリースに到達しているとブログは述べている。
「AnySpeechRecognizer」と「AnyDecisionModel」についてよくある質問
Q. AnyDecisionModelはどのように意思決定の答えを導くのか？
A. AnyDecisionModelは言語モデルにテキストを生成させるのではなく、各選択肢に対応する1トークンのラベルの確率をモデルの1回のフォワードパスから読み取ることで答えを導く。結果はDouble・Choice・Score型として返され、選択肢ごとの確率と信頼度も含まれる。
Q. AnySpeechRecognizerでQwen3-ASRを使う場合、日本語は認識できるか？
A. 原文によれば、Qwen3-ASRは30言語と22の中国語方言に対応しており、日本語もその対象に含まれると明記されている。言語は自動検出のほか、ロケール識別子で指定することもできる。
Q. AnySpeechRecognizerのモデルはどこからダウンロードされ、どこに保存されるか？
A. モデルはHugging Face Hubからダウンロードされ、標準のHugging Faceキャッシュに保存される。原文では、サンドボックス外のMacアプリであればPythonや他のHugging Faceツールとキャッシュを共有できると説明されている。
