A Hugging Face anunciou o lançamento de dois novos pacotes focados nas plataformas da Apple: o AnySpeechRecognizer e o AnyDecisionModel. O objetivo é expandir o ecossistema iniciado com o AnyLanguageModel 1.0, trazendo modelos abertos de machine learning diretamente para dispositivos com iOS e macOS. Ambas as bibliotecas funcionam integradas às APIs em linguagem Swift e permitem que desenvolvedores façam o download e a execução de modelos locais hospedados no Hugging Face Hub.
A iniciativa parte do princípio de que modelos de linguagem genéricos nem sempre são as melhores opções para todas as tarefas. Em um fluxo de atendimento ao cliente, por exemplo, primeiro é necessário transcrever a fala do usuário para depois decidir para qual setor direcioná-lo. Embora um modelo de linguagem consiga realizar ambas as etapas, utilizar arquiteturas especializadas para cada função resulta em processos mais rápidos, precisos e de menor custo computacional.
Reconhecimento de voz personalizável no AnySpeechRecognizer
O AnySpeechRecognizer foi projetado para espelhar a estrutura do SpeechAnalyzer, a API de conversão de fala em texto apresentada pela Apple no macOS 26 e iOS 26. A ferramenta permite que desenvolvedores mantenham as chamadas nativas de código em Swift, como SpeechTranscriber e SpeechDetector, alterando apenas o mecanismo de reconhecimento de fundo. Por padrão, a biblioteca utiliza o próprio framework da Apple, mas facilita a substituição por modelos abertos convertidos para Core ML.
Entre as opções suportadas está o Parakeet v3, um modelo de 0,6 bilhão de parâmetros criado pela NVIDIA que reconhece 25 idiomas europeus e identifica automaticamente a língua falada. O pacote também inclui o Parakeet Ultra, uma versão ajustada pela Moondream que apresentou maior precisão em testes, e o Parakeet Unified, voltado exclusivamente para o inglês. Esses modelos rodam em um runtime Core ML próprio, suportando arquivos gravados ou áudio ao vivo, além de entregarem a minutagem exata das palavras e índices de confiança.
Outra adição é o Qwen3-ASR, desenvolvido pela Alibaba nas opções de 0,6 bilhão e 1,7 bilhão de parâmetros. Voltado para o processamento via GPU, ele suporta 30 idiomas e 22 dialetos chineses, como mandarim e cantonês. Por processar segmentos de áudio de até 40 segundos e entregar apenas um resultado final por trecho, o Qwen3-ASR é mais indicado para a transcrição de arquivos completos. Todos esses arquivos ficam armazenados no cache padrão do Hugging Face, permitindo o compartilhamento entre aplicativos e ferramentas em Python no Mac.
Tomada de decisões sem geração de texto com o AnyDecisionModel
O segundo pacote apresentado é o AnyDecisionModel, criado para responder a perguntas de sim ou não, múltipla escolha e escalas de avaliação. Em vez de gerar texto como um modelo de linguagem tradicional, o framework calcula as respostas diretamente a partir das probabilidades derivadas do modelo, fornecendo retornos tipados e previsíveis.
O AnyDecisionModel permite calibrar e checar probabilidades antes da tomada de decisão. A execução local pode ser feita por meio de runtimes como MLX, Core AI e llama.cpp, além de aceitar conexão com modelos de decisão externos via Jev ou Ollama. A estrutura também utiliza o recurso de diarização de locutores, auxiliando no rastreamento de quem está falando em cada momento da gravação.
As conversões de modelos para o formato Core ML publicadas no Hub mantêm a verificação de código e os arquivos originais mapeados. O download dos recursos só ocorre quando solicitado pela aplicação, variando entre 600 MB para os modelos Parakeet e até 2,4 GB para as versões maiores do Qwen3-ASR.
O que isso muda para você
Para desenvolvedores e engenheiros de software no Brasil que constroem soluções para o ecossistema Apple, esses pacotes oferecem uma alternativa direta ao uso de APIs pagas de nuvem. A possibilidade de executar transcrição de fala com o Parakeet ou Qwen3-ASR e tomar decisões automatizadas no próprio aparelho reduz drasticamente a latência e elimina custos recorrentes de inferência em servidores externos.
Além disso, o processamento 100% no dispositivo traz um ganho substancial em privacidade e conformidade com a Lei Geral de Proteção de Dados (LGPD). Aplicações de saúde, finanças ou atendimento ao cliente podem transcrever áudios sensíveis e direcionar chamadas sem que o dado bruto saia do celular ou do Mac do usuário final.
Como próximo passo prático, você pode explorar os repositórios convertidos para Core ML no Hugging Face Hub e testar a substituição do framework Speech da Apple em um projeto Swift existente. Avaliar a redução no tempo de resposta e o impacto no consumo de memória ajudará a definir se a migração para modelos abertos locais faz sentido para o seu aplicativo.
