Hugging Face installe des modèles de voix ouverts sur iPhone et Mac

Hugging Face, la plateforme où se partagent des modèles d’IA ouverts, publie deux outils pour les appareils Apple. L’un transcrit la voix, l’autre répond à des questions fermées, tous deux sur l’iPhone ou le Mac, sans passer par un service en ligne. Reste à savoir si cette IA installée dans la poche peut vraiment se passer du cloud, c’est-à-dire des serveurs distants d’OpenAI, de Google et des autres.

Deux tâches simples, deux modèles spécialisés

Ce qui est en jeu : faut-il un grand modèle de langage, du type ChatGPT, pour tout faire ? Hugging Face répond que non. Dans son billet, l’entreprise prend l’exemple d’un client qui appelle un service d’assistance. Il faut d’abord comprendre ce qu’il dit (reconnaissance vocale), puis décider vers qui l’orienter. On pourrait confier les deux étapes à un modèle de langage, mais des modèles conçus pour chaque tâche sont, selon Hugging Face, meilleurs, plus rapides et moins chers.

Les deux outils sont des « paquets » de code destinés aux développeurs Swift, le langage de programmation d’Apple.

• AnySpeechRecognizer reprend SpeechAnalyzer, l’interface de transcription vocale introduite par Apple avec macOS 26 et iOS 26, mais laisse choisir le moteur de reconnaissance.
• AnyDecisionModel répond par oui ou non, par choix multiple ou par note sur une échelle. Il ne rédige pas de texte : il tire sa réponse des probabilités que le modèle attribue à chaque option, et renvoie un résultat structuré accompagné de ces probabilités. Il fonctionne avec un modèle sur l’appareil, via les moteurs d’exécution MLX, Core AI ou llama.cpp, ou avec un modèle de décision hébergé par Jev ou Ollama.

En clair : le premier convertit la parole en texte, le second range une demande dans une case, avec un degré de confiance.

Un même code, plusieurs moteurs de voix

Ce qui est en jeu : la liberté de ne pas dépendre d’un seul fournisseur. Le billet note que l’interface d’Apple est bien conçue, mais que son seul moteur est celui d’Apple. AnySpeechRecognizer garde la même interface et garde le moteur d’Apple par défaut. Pour ce moteur, changer une ligne d’import suffit ; pour un autre, il faut modifier la création du transcripteur.

Les moteurs proposés sont les suivants :

• Parakeet v3, de NVIDIA, reconnaît 25 langues européennes et devine laquelle il entend. Le billet ne détaille pas la liste : le français est à vérifier avant tout projet.
• Parakeet Ultra, une version retravaillée par Moondream, a été plus précise dans la plupart des mesures de Hugging Face.
• Parakeet Unified ne comprend que l’anglais.
• Qwen3-ASR, d’Alibaba, couvre 30 langues et 22 dialectes chinois, dont le mandarin, le cantonais, le japonais et le coréen. Il est plus lent, ne donne pas de résultats provisoires et convient mieux aux fichiers qu’au direct.

Le paquet ajoute aussi la « diarisation », c’est-à-dire l’attribution de chaque mot à son locuteur. Elle suit jusqu’à quatre personnes, même quand elles parlent en même temps, et s’appuie sur le modèle Sortformer de NVIDIA. Apple n’offre pas cette fonction dans son interface.

Un détail mérite l’attention : des modèles d’un laboratoire américain (NVIDIA) et d’un groupe chinois (Alibaba) deviennent des options sur les appareils d’Apple, grâce à un acteur tiers.

Sur l’appareil : ce que cela change pour les données

Ce qui est en jeu : où passent vos enregistrements. Hugging Face présente des modèles « ouverts » : ils sont publiés sur le Hub, la bibliothèque en ligne de la plateforme, et l’on peut les télécharger et les exécuter chez soi. Chaque dépôt indique son modèle d’origine et une empreinte de contrôle pour chaque fichier, et le paquet le fige sur une version précise. On peut donc savoir ce que l’on installe. Les fichiers vont dans le dossier habituel de Hugging Face, partagé avec d’autres outils comme Python.

Le téléchargement n’a lieu que si l’application le demande. Il est lourd : environ 600 Mo par modèle Parakeet, 0,9 à 2,4 Go pour Qwen3-ASR et 250 Mo pour la diarisation.

Si la transcription tourne sur l’appareil, l’audio n’a pas besoin de partir vers un serveur. C’est une conséquence logique, mais le billet ne développe pas le sujet de la confidentialité ni ne fournit d’audit. Deux nuances : AnyDecisionModel peut aussi s’appuyer sur un modèle de décision hébergé par Jev ou Ollama, et ce choix revient au développeur de l’application, pas à l’utilisateur. Le local n’est donc pas automatique.

La dépendance ne disparaît pas non plus : Apple reste la plateforme, et Hugging Face devient le point de passage pour télécharger les modèles. L’IA ouverte déplace la dépendance plus qu’elle ne l’efface.

Ce que le billet chiffre, et ce qu’il ne dit pas

Ce qui est en jeu : savoir si cela fonctionne sur l’appareil que vous possédez. Hugging Face a mesuré son paquet sur un Mac Studio M4 Max sous macOS 27.0.1, une machine haut de gamme. Parakeet transcrit une heure d’audio en 20 à 40 secondes à partir d’un fichier, et en 1,5 à 2,5 minutes en direct, avec environ 100 Mo de mémoire une fois le modèle compilé. Qwen3-ASR est bien plus lent et réclame quelques gigaoctets. Sur les réunions de l’ensemble de test AMI, où l’on parle en même temps, tous les moteurs ont dépassé 23 % d’erreurs sur les mots, soit près d’un mot sur quatre.

Un encodeur de 8 secondes pour le direct réduit d’environ un tiers le temps d’analyse, au prix d’un taux d’erreur un peu plus élevé.

Ce que l’on ne trouve pas, à notre lecture du billet : des mesures sur iPhone, la précision en français et la liste des appareils compatibles. Le billet ne précise pas non plus les licences d’utilisation de chaque modèle ; « ouvert » ne dit pas toujours la même chose d’un modèle à l’autre, et il faut les vérifier avant un usage commercial. Enfin, ces chiffres sont ceux de Hugging Face, sans vérification indépendante.

Usages possibles pour un indépendant ou une PME

Ce qui est en jeu : de vrais gains de temps sans envoyer ses données à un tiers. Un indépendant ou une PME ne va pas installer ces paquets lui-même, car ils s’adressent à des développeurs. Mais ils pourraient alimenter des applications de dictée, de transcription d’entretiens ou de comptes rendus. La diarisation servirait à repérer qui a parlé dans un rendez-vous à deux ou trois voix. AnyDecisionModel pourrait trier des demandes entrantes (urgent ou non, devis ou réclamation) en donnant une probabilité, sans rédiger de texte.

On peut le vérifier concrètement. Quand une application de transcription annonce un traitement « local », demandez quel modèle elle utilise, où il tourne et si elle contacte un serveur. Le billet décrit des briques techniques ; leur promesse de confidentialité ne vaudra que par les choix des applications construites dessus.

Sources

• Introducing AnySpeechRecognizer and AnyDecisionModel: Open Models for Speech and Decisions on Apple Platforms (Hugging Face)