Parakeet transcribe una hora de audio en un Mac en 20 a 40 segundos. Hugging Face lo ha colado bajo la API de Apple

Hugging Face ha publicado dos paquetes de código abierto para Swift que ejecutan modelos de IA directamente en dispositivos Apple. Para quien desarrolla apps, la noticia es sencilla: cambia un import y el reconocimiento de voz funciona con otro modelo, sin enviar audio a la nube.

La interfaz de Apple se queda y el modelo de debajo se puede cambiar

macOS 26 e iOS 26 estrenaron SpeechAnalyzer, la nueva API de Apple para pasar voz a texto. El único motor detrás, sin embargo, es el de Apple. AnySpeechRecognizer mantiene la misma interfaz. Basta con cambiar import Speech por import AnySpeechRecognizer y elegir otro modelo: Parakeet de NVIDIA, su versión reentrenada Parakeet Ultra de Moondream o Qwen3-ASR de Alibaba. Los autores los han convertido todos a Core ML.

Parakeet v3 reconoce 25 idiomas europeos, entre ellos el checo y el polaco, y detecta el idioma por su cuenta. Qwen3-ASR, en tamaños de 0,6B y 1,7B, cubre 30 idiomas y 22 dialectos chinos, como el japonés o el cantonés. El paquete añade además diarización de hablantes con el modelo Sortformer de NVIDIA, algo que la API de Apple no ofrece. Sigue hasta a cuatro personas, incluso cuando se pisan al hablar.

El segundo paquete, AnyDecisionModel, resuelve otra tarea. Ante una pregunta de sí o no, una elección entre opciones o una escala, devuelve un resultado tipado y la probabilidad de cada respuesta. Lee la respuesta directamente de las probabilidades del modelo y no genera texto. Funciona en local con MLX, Core AI o llama.cpp, o a través de Ollama o del servicio alojado Jev.

La transcripción de reuniones y el reparto de tickets pueden quedarse en el ordenador

Los autores midieron en un Mac Studio con chip M4 Max. Según ellos, Parakeet transcribe una hora de audio desde archivo en 20 a 40 segundos y en directo en 1,5 a 2,5 minutos, con unos 100 MB de memoria. En LibriSpeech test-clean, Parakeet v3 tuvo una tasa de error del 1,55 % de las palabras y el transcriptor integrado de Apple, del 2,12 %.

Las empresas que no pueden enviar grabaciones de llamadas a la nube de otro encuentran aquí una vía práctica. Una línea de atención, las notas de una reunión o un dictado pueden funcionar dentro de la app con el audio sin salir del dispositivo. AnyDecisionModel añade el segundo paso. En lugar de analizar el texto de un modelo de lenguaje, la app recibe un número. Con él se pueden fijar reglas sencillas, como enviar a una persona los tickets dudosos.

En las reuniones se pierde más del 23 % de las palabras y las licencias cambian de un modelo a otro

En grabaciones de reuniones del conjunto AMI, donde la gente se pisa al hablar, todos los modelos probados superaron una tasa de error del 23 %. Los propios autores reconocen que midieron en una sola máquina y con pocos conjuntos de datos. Por ahora solo han probado en macOS 27, no en un iPhone. AnySpeechRecognizer va por la versión 0.1.0, así que es una publicación temprana.

Ojo también con las licencias. Parakeet v3 y Qwen3-ASR usan CC BY 4.0 y Apache 2.0. Parakeet Unified y Sortformer v2.1, en cambio, están bajo la NVIDIA Open Model License, así que hay que leer las condiciones. En AnyDecisionModel los autores advierten que las probabilidades en bruto de los modelos de lenguaje suelen pecar de exceso de confianza. El valor de confidence indica cuánto se concentra la probabilidad en una respuesta. No dice si la respuesta es correcta. Por eso la calibración hay que ajustarla con datos propios.

Lo decidirán una prueba en iPhone y los modelos con cabeza de decisión entrenada

Los autores quieren añadir más motores, entre ellos Core AI en macOS 27 e iOS 27. Solo las mediciones en un teléfono dirán si la transcripción local cabe en la batería y la memoria de un móvil. Qwen3-ASR necesita varios gigabytes de memoria y descarga entre 0,9 y 2,4 GB.

En el terreno de las decisiones conviene seguir los modelos con una cabeza de decisión entrenada, como Clef de Cloudflare. La variante Clef-Flash tiene 9B parámetros y en 4 bits ocupa 6,2 GB de descarga. Si este tipo de modelos cuaja, las apps dejarán de interrogar a un chatbot. Preguntarán a un clasificador capaz de admitir que no está seguro.

El veredicto de Lilith

Hugging Face le ha dejado a Apple el volante y el salpicadero, ha cambiado solo el motor y ha añadido una taquígrafa que distingue cuatro voces. En una reunión donde todos se pisan, todavía se le escapa casi una cuarta parte de las palabras, así que el acta, de momento, la firma una persona.