Локальная транскрипция речи в iOS: WhisperKit против SFSpeechRecognizer и SpeechAnalyzer#

Когда я проектировал слой распознавания речи для Lanternly — дневника, который я сейчас разрабатываю, — требование было простым и одновременно жёстким: голосовая заметка превращается в текст прямо на телефоне, и ни один байт аудио не имеет права уйти на сервер. Дневник — это одна из самых личных категорий данных, которые вообще существуют, и «мы всё шифруем на сервере» здесь не звучит убедительно ни для меня, ни для пользователя. Единственный честный ответ — не иметь сервера для этой операции вовсе.

За последние пару лет на iOS появилось три реалистичных способа сделать это: старый добрый SFSpeechRecognizer с флагом on-device, стороннее ядро WhisperKit от Argmax поверх моделей Whisper, и совсем свежий SpeechAnalyzer из iOS 26. В этой статье — без маркетинга, с цифрами и кодом — разбираю, чем они отличаются и как я выбирал между ними.

Зачем вообще нужна локальная транскрипция#

Облачная транскрипция — это самый простой путь: закинул аудио в API, получил текст, следующая строка кода. Но у него есть цена, которую разработчики любят замалчивать. Во-первых, приватность: голос попадает на чужой сервер, и что бы ни было написано в политике конфиденциальности провайдера, юридически и технически это уже не «только на вашем устройстве». Во-вторых, зависимость от сети: диктофонная заметка в метро без связи просто не транскрибируется. В-третьих, стоимость — каждая минута аудио через облачный API это счёт, который растёт вместе с базой пользователей.

Для приложения вроде дневника первый пункт не обсуждается вообще — это не техническое предпочтение, а условие существования продукта. Поэтому вопрос был не «локально или в облако», а «какой именно локальный движок».

Три движка на столе#

SFSpeechRecognizer — часть фреймворка Speech, доступная с iOS 10. У него есть флаг requiresOnDeviceRecognition, который заставляет распознавание работать полностью на устройстве, без обращения к серверам Apple. Модель уже встроена в систему для поддерживаемых языков — разработчику не нужно ничего скачивать.

WhisperKit — открытый Swift-пакет от Argmax, который переносит модели OpenAI Whisper на Core ML и Apple Neural Engine. В 2026 году Argmax объединили WhisperKit с SpeakerKit (диаризация) и TTSKit в единый open-source SDK, но ядро транскрипции осталось тем же: вы сами выбираете и скачиваете модель нужного размера, а WhisperKit исполняет её локально с оптимизацией под ANE.

SpeechAnalyzer / SpeechTranscriber — новый модульный API из Speech framework, появившийся в iOS 26. Это не косметическое обновление SFSpeechRecognizer, а другая архитектура: асинхронный API на AsyncSequence, отдельные модули SpeechTranscriber (длинная речь), DictationTranscriber (короткие фразы, аналог старого recognizer) и SpeechDetector (детекция голосовой активности).

WhisperKit: что под капотом#

WhisperKit не тренирует свою модель — он берёт готовые веса Whisper (tiny, base, small, medium, large-v3 и компактный large-v3-turbo) и конвертирует их в Core ML, распределяя вычисления между CPU, GPU и Neural Engine. Разница в весе моделей огромна: tiny занимает около 40 МБ и подходит скорее для отладки, large-v3 — это уже около 1.5 ГБ. Практический компромисс, который обычно используют в проде на iPhone 13 и новее, — large-v3-turbo: почти точность полного large-v3 при примерно пятикратном выигрыше в скорости и размере около 600 МБ на диске.

Ключевое инженерное преимущество WhisperKit — не сама модель Whisper (она открыта и её мог бы подключить кто угодно), а именно ANE-оптимизация: по независимым бенчмаркам она даёт дополнительное ускорение в 1.3–1.8 раза поверх обычного запуска через Metal, особенно заметное на чипах линейки M3/M4. На iPhone 13 и новее это позволяет стримить транскрипцию в реальном времени, а не ждать окончания записи.

Главный козырь Whisper как модели — мультиязычность из коробки: она обучена на 99 языках одновременно, включая русский, и умеет естественно обрабатывать переключение языка внутри одной фразы («встреча была на русском, но полтора термина по-английски» — для Whisper это норма, а не край возможностей).

SpeechAnalyzer: новый козырь Apple#

SpeechAnalyzer — не просто ещё один API, а ответ Apple на то, что универсальные модели вроде Whisper обгоняли системный recognizer по качеству. И ответ получился сильным: на чистом срезе датасета LibriSpeech SpeechAnalyzer показывает WER (word error rate, долю ошибочно распознанных слов) около 2.12%, на зашумлённом — около 4.56%. Для сравнения, Whisper Small на том же чистом срезе показывает около 3.74% — то есть на английском языке новый системный движок Apple объективно обходит открытую модель сопоставимого размера.

Но у этой победы есть важное ограничение, которое стоит проговорить честно: на момент выхода iOS 26 набор поддерживаемых языков SpeechTranscriber покрывает в основном языки, в которых Apple уже давно инвестировала в Siri, — английский, испанский, французский, немецкий, итальянский, португальский, китайский, японский, корейский. Русского языка в этом списке нет. Для приложения, где транскрипция должна работать на русском (как в Lanternly), это снимает SpeechAnalyzer с рассмотрения сразу — какой бы впечатляющей ни была точность на английском.

Ещё одна архитектурная деталь: языковые модели SpeechAnalyzer не зашиваются в бинарь вашего приложения, а управляются системой через AssetInventory и подтягиваются по запросу — это снижает размер вашего app bundle, но добавляет зависимость от того, что нужный языковой ассет вообще существует и доступен на устройстве пользователя.

Честное сравнение#

Таблица ниже — не «какой движок лучше», а какой движок лучше для какой задачи. Все три имеют право на жизнь в разных сценариях.

Практика: как это выглядит в коде#

Ниже — базовый каркас интеграции WhisperKit: инициализация, подбор модели под память устройства, транскрипция уже записанного файла и стриминг во время записи. Это иллюстративный, но рабочий по духу код — именно та точка, куда я закладывал возможность переключения движка в Lanternly, не трогая вызывающий код выше.

import WhisperKit
 
final class LocalTranscriber {
    private var pipeline: WhisperKit?
 
    /// Initializes WhisperKit, downloading and warming up the model
    func setUp() async throws {
        let config = WhisperKitConfig(
            model: "large-v3-turbo",   // compact yet accurate option
            downloadBase: nil,         // model is pulled from the Hugging Face Hub
            verbose: false,
            logLevel: .none,
            prewarm: true,             // warm up the Neural Engine ahead of time
            load: true
        )
        pipeline = try await WhisperKit(config)
    }
}

extension LocalTranscriber {
    /// Picks a model based on the device's available memory
    static func recommendedModel() -> String {
        let physicalMemory = ProcessInfo.processInfo.physicalMemory
        let memoryGB = Double(physicalMemory) / 1_073_741_824
 
        switch memoryGB {
        case ..<4:
            return "tiny"            // ~40 MB, for older devices
        case 4..<6:
            return "base"            // ~150 MB, speed/accuracy balance
        case 6..<8:
            return "small"           // ~500 MB
        default:
            return "large-v3-turbo"  // ~600 MB, best balance on the Neural Engine
        }
    }
}

extension LocalTranscriber {
    /// Transcribes an already-recorded audio file (m4a/wav) entirely on-device
    func transcribe(fileAt url: URL) async throws -> String {
        guard let pipeline else {
            throw TranscriptionError.notReady
        }
 
        let options = DecodingOptions(
            language: "ru",           // a hint to the model, not a hard constraint
            temperature: 0.0,
            withoutTimestamps: true
        )
 
        let results = try await pipeline.transcribe(
            audioPath: url.path,
            decodeOptions: options
        )
 
        return results?.text ?? ""
    }
}
 
enum TranscriptionError: Error {
    case notReady
}

extension LocalTranscriber {
    /// Streaming transcription while a voice note is being recorded
    func startStreaming(onPartialResult: @escaping (String) -> Void) async throws {
        guard let pipeline else {
            throw TranscriptionError.notReady
        }
 
        let streamer = AudioStreamTranscriber(
            audioEncoder: pipeline.audioEncoder,
            featureExtractor: pipeline.featureExtractor,
            segmentSeeker: pipeline.segmentSeeker,
            textDecoder: pipeline.textDecoder,
            tokenizer: pipeline.tokenizer!,
            audioProcessor: pipeline.audioProcessor,
            decodingOptions: DecodingOptions(language: "ru")
        ) { _, result in
            onPartialResult(result.text)
        }
 
        try await streamer.startStreamTranscription()
    }
}

Что выбрал бы я#

Если бы русский язык не был обязателен, а минимальной версией был iOS 26, я бы без колебаний взял SpeechAnalyzer — точность выше, модель не раздувает бинарь, а API спроектирован современно, под структурированную конкурентность Swift. Но реальность большинства продуктов — это поддержка русского языка и минимальной версии iOS ниже 26, а значит, выбор идёт между SFSpeechRecognizer и WhisperKit.

SFSpeechRecognizer с requiresOnDeviceRecognition — это честный и почти бесплатный по весу вариант: он уже в системе, не требует загрузки моделей и прекрасно работает как базовый уровень. Именно на нём сегодня стоит транскрипция в Lanternly — я сознательно спроектировал интерфейс так, чтобы движок можно было подменить одной точкой в коде, без изменений выше по стеку. WhisperKit — следующий шаг, когда нужна более высокая устойчивость к шуму, акценту и смешанной речи, а несколько сотен мегабайт на модель — приемлемая цена за это качество.

Чек-лист перед выбором движка#

• Нужен ли обязательно офлайн-режим без какого-либо запроса к серверу — если да, любые «облачные с кэшем» варианты сразу отпадают
• Поддерживается ли ваш основной язык в SpeechAnalyzer на целевой минимальной версии iOS
• Готовы ли вы к дополнительным 150–600 МБ в приложении ради модели WhisperKit
• Нужен ли code-switching (смешение языков в одной фразе) — тогда однозначно WhisperKit
• Достаточно ли встроенной точности SFSpeechRecognizer для вашего сценария, или клиенты жалуются на распознавание

Заключение#

Универсального ответа «какой движок лучше» не существует — есть три честные точки на кривой компромисса между точностью, весом и языковым покрытием. SpeechAnalyzer выигрывает по чистой точности там, где хватает поддерживаемых языков. WhisperKit остаётся самым гибким выбором для мультиязычных и акцентированных сценариев ценой веса модели. А SFSpeechRecognizer — рабочая лошадка, которая почти ничего не стоит и часто оказывается достаточной. Проектируя такой слой, самое важное решение — не выбор конкретного движка, а архитектура, которая позволяет заменить его позже без переписывания приложения.