# AnySpeechRecognizer：功能、模型與使用指南

作者：Schnalz.net · 2026年10月29日

https://schnalz.net/zh-HK/ai-guides/anyspeechrecognizer-features-models-and-how-to-use-it

> AnySpeechRecognizer 是一個開源 Swift 套件，利用 Core ML 將第三方語音識別模型和說話者分頁功能帶到 Apple 平台。它對標 Apple 的 Speech 框架，並讓開發者自由換用 NVIDIA Parakeet 和阿里巴巴 Qwen3-ASR 等模型。

## 重點

- 其實現了 Apple 的 SpeechAnalyzer API，同時支援 Core ML 本地開源模型。
- 支援的語音引擎包括 NVIDIA Parakeet 系列與阿里巴巴 Qwen3-ASR。
- 內建說話者分頁功能，使用 NVIDIA Streaming Sortformer 追蹤最多四位說話者。
- 模型可直接從 Hugging Face Hub 下載至本地標準快取區。

## 什麼是 AnySpeechRecognizer？

AnySpeechRecognizer 是由 Hugging Face 開發的 Swift 套件，其實現了 Apple 的語音轉文字 API，同時允許開發者選擇其他的識別引擎。它對標 macOS 26 和 iOS 26 中引入的 SpeechAnalyzer 框架，可以使用 Apple 的預設引擎或運行在 Core ML 上的本地模型。

該套件還引入了說話者分頁（speaker diarization）功能，能追蹤誰在何時說話。透過在裝置上運行開源模型，它讓開發者無需將資料傳送到外部雲端服務即可轉錄音訊。

**AnySpeechRecognizer 一覽**

- **開發者**：Hugging Face
- **目標平台**：macOS 26+、iOS 26+
- **語音模型**：Apple Speech、NVIDIA Parakeet、阿里巴巴 Qwen3-ASR
- **說話者分頁模型**：NVIDIA Streaming Sortformer (v2, v2.1)
- **運行時引擎**：Core ML 與 GPU
- **套件語言**：Swift

## 支援的語音識別模型

AnySpeechRecognizer 支援多個已轉換為 Core ML 格式並託管於 Hugging Face Hub 的開源語音轉文字模型。開發者可根據語言需求、時延需求以及可用儲存空間來選擇模型。

NVIDIA Parakeet v3 支援 25 種歐洲語言，具備自動語言檢測、即時臨時結果、詞級時間戳和詞級信心分數。Moondream 對 Parakeet Ultra 變體進行了後訓練以獲得更高準確率，而 Parakeet Unified EN 則僅針對英文。Parakeet 模型下載大小約為 600 MB，另外可選配 590 MB 的串流編碼器。

阿里巴巴 Qwen3-ASR 提供 0.6B 和 1.7B 參數版本，需要 0.9 GB 至 2.4 GB 的儲存空間。它支援 30 種語言和 22 種中文方言，包括粵語、普通話、日文和韓文，但它在 GPU 上運行，以長達 40 秒的片段區塊處理檔案，不支援詞級時間戳或即時串流臨時結果。

**AnySpeechRecognizer 支援的模型比較**

| 模型 | 規模 | 語言覆蓋範圍 | 即時串流功能 | 下載大小 |
| --- | --- | --- | --- | --- |
| Parakeet TDT v3 | 0.6B | 25 種歐洲語言 | 詞級時間戳、信心分數、臨時結果 | ~600 MB（+590 MB 即時編碼器） |
| Parakeet Ultra | 0.6B | 25 種歐洲語言 | 詞級時間戳、信心分數、臨時結果 | ~600 MB（+590 MB 即時編碼器） |
| Parakeet Unified EN | 0.6B | 僅限英文 | 詞級時間戳、信心分數、臨時結果 | ~600 MB（+590 MB 即時編碼器） |
| Qwen3-ASR | 0.6B, 1.7B | 30 種語言及 22 種中文方言 | 每 40 秒片段輸出單一最終結果 | 0.9 GB 至 2.4 GB |
| Streaming Sortformer | 未說明 | 未說明 | 最多支援 4 位同時說話者 | ~250 MB |

## 使用 Sortformer 進行說話者分頁

AnySpeechRecognizer 為 Apple 的 API 補充了說話者分頁功能，這是預設 Speech 框架所欠缺的能力。它整合了 NVIDIA 的 Streaming Sortformer 模型，以檢測對話期間是誰在說話。

該分頁器可同時追蹤最多四位不同的說話者，即使他們的聲音重疊亦然。名為 SpeakerTimeline 的組件會將分頁器的輸出與轉錄器的詞級時間戳對齊，使應用程式能夠顯示按說話者輪次分段的格式化逐字稿。

該套件預設使用 Sortformer v2，並提供 Sortformer v2.1 作為可選項。Hugging Face 指出，Sortformer v2.1 在額外的會議音訊上進行過訓練，在會議測試中展現出更高的準確率。

## 如何設定與使用 AnySpeechRecognizer

AnySpeechRecognizer 旨在作為 Swift 中 Apple SpeechAnalyzer 框架的直接替代方案。開發者可透過更新框架匯入並初始化自訂模型設定，來替換 Apple 的原生引擎。

1. 將 AnySpeechRecognizer 套件新增至你的 Swift 專案中，並在原始碼檔案中匯入 Speech 和 AnySpeechRecognizer。
2. 使用你選擇的模型設定初始化 SpeechTranscriber，例如 ParakeetSpeechModel(variant: .v3) 或 QwenSpeechModel。
3. （可選）使用 SortformerDiarizationModel() 初始化 SpeakerDiarizer 以追蹤說話者輪次。
4. 傳入你的模組並呼叫 AssetInventory.assetInstallationRequest，然後等待 downloadAndInstall() 從 Hugging Face Hub 下載 Core ML 模型權重。
5. 使用你的轉錄器和分頁器模組初始化 SpeechAnalyzer，然後傳入音訊檔案或即時音訊串流緩衝區以接收轉錄序列。

> **貼士**：在 App Store 沙盒之外運行的 Mac 應用程式會將下載的權重儲存在標準 Hugging Face 快取資料夾中，從而允許與本地 Python 腳本直接共用模型。

## 限制與系統需求

AnySpeechRecognizer 需要支援 SpeechAnalyzer 的 Apple 作業系統版本，具體為 macOS 26 或 iOS 26 及更高版本。該套件由 Hugging Face 在搭載 M4 Max 的 Mac Studio 上使用 macOS 27.0.1 進行了基準測試。

硬體需求因模型而異。Qwen3-ASR 在 GPU 上執行，速度明顯慢於 Parakeet，因此在實時麥克風轉錄中的實用性較低。它亦缺乏對部分臨時結果、詞級時間戳和信心分數的支援。

Parakeet 提供更快的處理速度，但需要額外的 8 秒即時編碼器模組來降低即時延遲。Hugging Face 報告指出，雖然此即時編碼器將分析時間縮短了約三分之一，但會導致詞錯率（WER）略為上升。

## 常見問題

### 什麼是 AnySpeechRecognizer？

AnySpeechRecognizer 是由 Hugging Face 開發的開源 Swift 函式庫。其實現了 Apple 的 SpeechAnalyzer API，同時允許開發者在裝置上運行 Parakeet 和 Qwen3-ASR 等開源 Core ML 模型。

### AnySpeechRecognizer 支援哪些語言？

語言支援取決於所選的引擎。NVIDIA Parakeet 支援 25 種歐洲語言，而阿里巴巴 Qwen3-ASR 支援 30 種語言及 22 種中文方言，包括粵語、普通話、日文和韓文。

### AnySpeechRecognizer 是否包含說話者分頁功能？

是的，AnySpeechRecognizer 包含由 NVIDIA Streaming Sortformer 驅動的 SpeakerDiarizer 模組。它可以在與逐字稿相同的時間軸上同時區分和追蹤最多四位說話者。

### 我可以向 AnySpeechRecognizer 新增自訂語音模型嗎？

是的，開發者可以將自訂語音引擎連接至 AnySpeechRecognizer。該套件透過實現用於設定的 SpeechRecognitionModel 協定和用於對話執行的 SpeechRecognitionExecutor 協定來實現此功能。

### AnySpeechRecognizer 的模型檔案儲存在哪裡？

AnySpeechRecognizer 的模型資產會根據需要從 Hugging Face Hub 儲存庫下載。在沒有應用程式沙盒限制的 macOS 上，檔案會儲存在標準 Hugging Face 快取目錄中。

## 資料來源

- [Hugging Face：Introducing AnySpeechRecognizer and AnyDecisionModel: Open Models for Speech and Decisions on Apple Platforms](https://huggingface.co/blog/anydecisionmodel)