SpeechAnalyzer

La documentación de Apple describe SpeechAnalyzer como el objeto que analiza el audio hablado y gestiona la sesión de análisis. El analizador en sí no transcribe. Contiene módulos, y cada módulo hace un tipo de análisis. Apple dice que muchos casos de uso solo necesitan el módulo SpeechTranscriber, que convierte la voz en texto.

La API está pensada para la concurrencia de Swift. Una app le pasa el audio como una secuencia asíncrona y lee los resultados de otra secuencia asíncrona, así que la entrada, la salida y el control de la sesión están desacoplados. Un analizador solo puede analizar una secuencia de entrada a la vez.

• SpeechAnalyzer: contiene los módulos, acepta la entrada de audio y controla el análisis en su conjunto.
• SpeechTranscriber: un módulo de transcripción que Apple describe como adecuado para la conversación normal y para usos generales.
• DictationTranscriber: un módulo de transcripción parecido a las funciones de dictado del sistema y compatible con dispositivos más antiguos.
• SpeechDetector: un módulo de detección de actividad de voz que puede condicionar la transcripción a que haya voz, para ahorrar energía.
• AssetInventory: instala y controla los recursos de modelo que necesitan los módulos.

SFSpeechRecognizer es la API de voz anterior, disponible desde iOS 10 y macOS 10.15. En su sesión de la WWDC25, Apple dijo que esa clase daba acceso al modelo de voz a texto que hace funcionar Siri, que iba bien para el dictado de textos cortos y que podía usar los servidores de Apple en dispositivos con recursos limitados. La documentación de Apple sobre ella sigue describiendo el reconocimiento de voz como un servicio basado en la red con límites de uso.

Apple dice que el nuevo modelo de SpeechTranscriber es más rápido y más flexible que el disponible a través de SFSpeechRecognizer, y que va bien para audio largo y lejano, como clases, reuniones y conversaciones. La página de referencia de Apple no marca SFSpeechRecognizer como obsoleta, así que las apps existentes siguen funcionando.

• Dónde funciona: Apple dice que la transcripción con la nueva API se hace por completo en el dispositivo. SFSpeechRecognizer puede necesitar conexión a internet para algunos idiomas.
• Duración del audio: Apple pide a los desarrolladores que cuenten con un límite de un minuto de audio con SFSpeechRecognizer. El nuevo modelo está pensado para audio largo.
• Mantener el audio en local: con SFSpeechRecognizer, el desarrollador tiene que activar requiresOnDeviceRecognition, y Apple advierte de que las solicitudes en el dispositivo no serán tan precisas.
• Idiomas: Apple dice que la clase antigua dependía de que el usuario añadiera los idiomas. La nueva API permite que la propia app solicite el modelo de un idioma.
• Resultados: la nueva API puede dar resultados provisionales rápidos que luego se sustituyen por resultados definitivos.

SpeechTranscriber usa el nuevo modelo de voz a texto de Apple. Apple dice que está disponible en todas las plataformas salvo watchOS, con ciertos requisitos de hardware, y que admite un conjunto de idiomas al que se irán sumando más. Se espera que la app compruebe si el dispositivo actual lo admite antes de usarlo.

DictationTranscriber es la alternativa para un idioma o un dispositivo no compatible. La documentación de Apple dice que usa los mismos modelos de voz a texto que las funciones de dictado del sistema, o que SFSpeechRecognizer cuando está configurado para funcionar en el dispositivo. No admite los idiomas que SFSpeechRecognizer solo admite con acceso a la red. Apple añade que, a diferencia de la clase antigua, el usuario no tiene que ir a Ajustes y activar Siri o el dictado del teclado para un idioma.

La página de referencia de Apple da una secuencia general para analizar archivos y flujos de audio. Los pasos siguientes siguen esa secuencia para un desarrollador que crea una app para Mac en Swift con macOS 26 o posterior.

1. 01 Crea y configura los módulos que necesites, por ejemplo un SpeechTranscriber para una configuración regional.
2. 02 Asegúrate de que los recursos necesarios están instalados o ya presentes, con AssetInventory.
3. 03 Crea una secuencia de entrada que lleve el audio hablado, desde un archivo o desde un dispositivo de captura como un micrófono.
4. 04 Crea el analizador con los módulos y la secuencia de entrada.
5. 05 Envía el audio y empieza el análisis.
6. 06 Lee los resultados del módulo a medida que llegan y actúa en consecuencia.
7. 07 Termina el análisis cuando acabes, para que los flujos de resultados se cierren.

Los modelos no vienen incluidos en la app. Apple describe los recursos como modelos de aprendizaje automático que se descargan de los servidores de Apple y que gestiona el sistema. En la sesión de la WWDC25, Apple dice que el modelo se guarda en el almacenamiento del sistema, no aumenta el tamaño de descarga ni de almacenamiento de la app y se ejecuta fuera del espacio de memoria de la app.

Una vez descargado un recurso, el sistema lo conserva, lo actualiza automáticamente y lo comparte con otras apps. Cada app tiene un número limitado de reservas de configuración regional.

1. 01 Crea los módulos del analizador con las configuraciones que vayas a usar.
2. 02 Asigna las reservas de recursos de tu app a esas configuraciones regionales. AssetInventory lo hace automáticamente si hace falta, o puedes reservar una configuración regional a mano.
3. 03 Solicita la instalación de los recursos para esos módulos y llama a su método de descarga e instalación.
4. 04 Espera a que termine la descarga. Puede terminar al instante si los recursos venían preinstalados o si otra app ya los descargó.
5. 05 Cuando tu app ya no necesite una configuración regional, libera la reserva para que el sistema pueda eliminar los recursos más adelante.

La sesión de la WWDC25 de Apple indica que la transcripción se hace por completo en el dispositivo, pero que hay que descargar los modelos. La descarga viene de los servidores de Apple, y después el audio que una app transcribe con SpeechTranscriber se procesa en el dispositivo. Lo que la app haga luego con el texto resultante depende de ella, así que su propia política de privacidad sigue aplicándose.

La documentación de Apple incluye SpeechAnalyzer y SpeechTranscriber en iOS 26, iPadOS 26, Mac Catalyst 26, macOS 26, tvOS 26 y visionOS 26. DictationTranscriber aparece para las mismas plataformas excepto tvOS. En un Mac, las apps que han pedido acceso al reconocimiento de voz aparecen en Ajustes del Sistema, Privacidad y seguridad, Reconocimiento de voz.

SpeechAnalyzer es una forma de que una app para Mac transcriba en local. Los modelos abiertos como Whisper y Parakeet son otra, y es la propia app la que los incluye o los descarga, en lugar de gestionarlos el sistema.