無料のAI文字起こしをオフラインで使えないか、と探している人に関係する発表です。2026年10月29日、Hugging Faceのブログで、Appleの端末向けに音声認識と判断を扱う2つのSwiftパッケージ「AnySpeechRecognizer」と「AnyDecisionModel」が発表されました。どちらもHugging Face Hubからオープンなモデルをダウンロードし、端末の上で動かせます。
要点
- 2026年10月29日にAnySpeechRecognizerとAnyDecisionModelの2つのパッケージが発表された
- AnySpeechRecognizerはAppleの音声認識APIの形を保ったまま、NVIDIAのParakeetやAlibabaのQwen3-ASRをCore MLでローカルに動かせる
- Qwen3-ASRは30言語と22の中国語方言を認識し、Parakeetが対応しない日本語を含む
- 誰がいつ話したかを分ける話者分離が加わり、最大4人の話者を追跡する
- Parakeetは1時間の音声をファイルから約20〜40秒で処理する(M4 Max Mac Studio・macOS 27.0.1での計測)
何が発表されたか
macOS 26とiOS 26では、Appleの音声認識API「SpeechAnalyzer」が導入されました。SpeechTranscriberやSpeechDetectorといったモジュールをアナライザーに追加し、ファイルや音声バッファのストリームを渡すと、結果が順に届く仕組みです。ただし、その裏側で動くエンジンはAppleのものだけでした。
AnySpeechRecognizerは、このAPIの形を保ったままエンジンを選べるようにするパッケージです。SpeechAnalyzer、SpeechTranscriber、DictationTranscriber、SpeechDetector、AssetInventoryをミラーし、既定のエンジンはAppleのSpeechフレームワークになっています。共通のAPIを使っているコードなら、importの書き換えだけで済みます。
選べるモデルは複数あります。Parakeet v3はNVIDIAのParakeet TDT 0.6B v3で、25のヨーロッパ言語を認識し、どの言語かを自分で判定します。Parakeet UltraはMoondreamがv3を追加学習したもので、提供元の計測のほとんどでより正確でした。Parakeet UnifiedはNVIDIAの英語専用モデルです。3つのParakeetはパッケージ独自のCore MLランタイムで動き、ファイル入力とライブ入力、暫定結果、単語ごとの時刻と確信度に対応します。
Qwen3-ASRはAlibabaの音声モデルで、0.6Bと1.7Bのサイズがあります。30言語と22の中国語方言を認識し、Parakeetが対応しない北京語・広東語・日本語・韓国語を含みます。一方で、最長40秒の区切りごとに最終結果を1つ返すだけで、暫定結果や単語ごとの時刻・確信度はありません。GPUで動作しParakeetより遅いため、ライブよりもファイルの文字起こしに向いています。
話者分離(誰がいつ話したかを分けること)では、SpeakerDiarizerがNVIDIAのStreaming SortformerをCore ML上で動かし、AppleまたはParakeetの文字起こしと同じ時間軸で結果を返します。最大4人の話者を、声が重なっているときでも追跡します。既定はSortformer v2で、NVIDIAが会議のデータを多く使って学習したv2.1も選べます。
精度は、パッケージ付属のコマンドラインツールhearを使い、macOS 27.0.1のM4 Max Mac Studioで計測されています。3〜8分のLibriSpeechの音声でのファイル入力の単語誤り率は次のとおりです。
| 文字起こし | test-clean | test-other |
|---|---|---|
| Parakeet v3 | 1.55% | 2.78% |
| Parakeet Unified | 1.43% | 2.19% |
| Appleの文字起こし | 2.12% | 3.97% |
速度は、Parakeetが1時間の音声をファイルから約20〜40秒、ライブで約1.5〜2.5分で処理し、Core MLがモデルをコンパイルしたあとのメモリは約100MBです。Qwen3-ASRはこれよりずっと遅く、数ギガバイトのメモリを必要とします。
もう一方のAnyDecisionModelは、はい・いいえ、選択肢、評価段階の質問に、型のついた結果と確率で答えるパッケージです。文章を生成させて読み取るのではなく、モデルの確率から答えを導きます。
個人の仕事や学びにどう使えるか
ひとつ目は会議メモです。営業や企画の仕事で録音した打ち合わせをファイルとして渡し、話者分離と組み合わせれば、発言者ごとに並んだ文字起こしを手元で作れます。ダウンロードはアプリが求めたときだけ行われ、モデルは端末の上で動きます。
ふたつ目は学習の復習です。セミナーや講義の録音を聞き直す代わりに、テキストとして読み返す使い方が考えられます。日本語の音声を扱いたい場合はQwen3-ASRが候補になりますが、ファイル向きで速度も遅いため、長い録音は時間に余裕をもって回すのが現実的です。
みっつ目は人事・労務や情シスのように、聞き取り内容を外に出したくない場面です。モデルをHugging Face Hubから取得したあとは端末上で動くため、社内の運用ルールに合わせやすい構成を検討できます。ダウンロードしたファイルは標準のHugging Faceキャッシュに置かれ、同じMacのPythonなど他のHugging Faceツールと共有されます。
会社・チームで使うときのポイント
導入前に確認したいのは、端末の条件と保存容量です。Parakeetは1つあたり約600MB、ライブ用のエンコーダが約590MB、Qwen3-ASRは0.9〜2.4GB、Sortformerは約250MBのダウンロードが必要です。公開されている数値は1台のマシンといくつかのデータセットによるもので、提供元も自分のハードウェアと音声で測るよう勧めているため、まず手元の録音で試してから配布範囲を決めるのが安全です。法人でまとめて導入したり研修を組んだりするなら、導入社数No.1(東京商工リサーチ・2026年3月末時点)の法人向けAIリスキリングサービスを手がける株式会社デジライズに相談できます。
使う前の注意点
これはアプリにそのまま入っている機能ではなく、開発者が自分のアプリやコマンドラインから使うパッケージです。どちらもSwift 6.2以降と、macOS 26またはiOS 26以降を必要とし、ParakeetとSortformerのランタイム、MLXバックエンドはApple siliconが必要です。付属のhearはローカルのファイルを文字起こしして話者を付け、結果を評価できますが、すべてのコマンドで--backend apple、--backend parakeet、--backend qwenのいずれかを指定し、先にhear prepareで必要なアセットを入れておく必要があります。
精度の面では、人が同時に話すAMIの録音で、試されたすべてのエンジンの単語誤り率が23%を超えたと書かれています。会議の音声はそのまま鵜呑みにせず、重要な箇所は音声で確かめる前提で使うのが無難です。計測はmacOS 27でのみ行われ、iPhoneでは試されていない点も押さえておきたいところです。また現時点では、AnyDecisionModelのCoreAI traitとAnySpeechRecognizerを組み合わせて使うことはできません。
モデルのライセンスはリポジトリごとに示されており、NVIDIA Open Model Licenseのように条件が異なるものも含まれます。業務で使うなら、導入前に公式のドキュメントやモデルカードで最新の提供範囲とライセンスを確かめてください。
まとめ
AnySpeechRecognizerは、Appleの音声認識APIの形を保ったまま、ParakeetやQwen3-ASRを端末上で動かし、話者分離まで扱えるようにするパッケージです。まずは手元の録音を1本流して、速度と誤りの度合いを自分の環境で確かめるところから始めるとよいでしょう。AIの使いどころを体系的に学びたい方は、990本以上の動画があるデジライズAIスクールのコース一覧から「IT・デジタルのAI活用全体図」などをのぞいてみてください。
出典
この記事は、各社の公式の発表をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。
