مدل‌های جدید Hugging Face برای شناسایی گفتار و تصمیم‌گیری

مدل‌های جدید معرفی‌شده توسط Hugging Face تحت عناوین AnySpeechRecognizer و AnyDecisionModel، به‌طور خاص برای پلتفرم‌های اپل طراحی شده‌اند و به توسعه‌دهندگان این امکان را می‌دهند که از قابلیت‌های پیشرفته‌ی شناسایی گفتار و تصمیم‌گیری استفاده کنند. این دو بسته به‌طور مستقل از یکدیگر عمل می‌کنند و می‌توانند به‌راحتی در برنامه‌های مختلف ادغام شوند.

AnySpeechRecognizer این بسته به‌طور خاص برای پیاده‌سازی API جدید گفتار به متن اپل طراحی شده است و به توسعه‌دهندگان این امکان را می‌دهد که از موتورهای شناسایی مختلفی مانند Parakeet از NVIDIA و Qwen3-ASR از Alibaba استفاده کنند. با افزودن قابلیت شناسایی گوینده (speaker diarization)، این مدل می‌تواند تشخیص دهد که کدام گوینده در یک مکالمه خاص صحبت می‌کند. این ویژگی به‌ویژه در محیط‌های چندنفره و جلسات آنلاین کاربردی است.

توسعه‌دهندگان می‌توانند با تغییر ساده‌ی کد، موتور شناسایی را از اپل به موتورهای دیگر تغییر دهند، بدون اینکه نیاز به تغییرات عمده‌ای در ساختار کد داشته باشند. به‌عنوان مثال، با تغییر نحوه‌ی ایجاد ترنسکرایبر، می‌توان به‌راحتی از Parakeet به Qwen3-ASR منتقل شد.

AnyDecisionModel این مدل به‌منظور پاسخ‌گویی به سوالات بله یا خیر، سوالات چندگزینه‌ای و مقیاس‌های ارزیابی طراحی شده است و نتایج را به‌صورت تایپ‌شده و با احتمال‌های مربوطه ارائه می‌دهد. این مدل به‌جای تولید متن، از احتمال‌های مدل برای ارائه پاسخ‌ها استفاده می‌کند و می‌تواند بر روی دستگاه کاربر با استفاده از MLX یا Core AI اجرا شود.

هر دو بسته می‌توانند مدل‌های باز را از Hugging Face Hub دانلود کرده و به‌صورت محلی اجرا کنند. این قابلیت به توسعه‌دهندگان این امکان را می‌دهد که از منابع و مدل‌های متنوعی بهره‌برداری کنند و در عین حال هزینه‌های مرتبط با پردازش ابری را کاهش دهند.

این برای مخاطبِ حرفه‌ای یعنی چه؟ توسعه‌دهندگان و پژوهشگران در حوزه‌ی هوش مصنوعی و یادگیری ماشین می‌توانند با استفاده از این مدل‌ها، به‌ویژه در پروژه‌های مرتبط با شناسایی گفتار و تصمیم‌گیری، به‌راحتی و با هزینه‌ی کمتر، قابلیت‌های پیشرفته‌تری را در برنامه‌های خود پیاده‌سازی کنند. این امر می‌تواند به بهبود تجربه‌ی کاربری و افزایش دقت در پردازش اطلاعات کمک کند.