SpeechAnalyzer

A documentação da Apple descreve o SpeechAnalyzer como o objeto que analisa o áudio falado e gerencia a sessão de análise. O analisador em si não transcreve. Ele contém módulos, e cada módulo faz um tipo de análise. A Apple diz que muitos casos de uso só precisam do módulo SpeechTranscriber, que faz a conversão de fala em texto.

A API foi escrita para a concorrência do Swift. Um app envia o áudio como uma sequência assíncrona e lê os resultados de outra sequência assíncrona, então entrada, saída e controle da sessão ficam desacoplados. Um analisador só consegue analisar uma sequência de entrada por vez.

• SpeechAnalyzer: contém os módulos, aceita a entrada de áudio e controla a análise como um todo.
• SpeechTranscriber: um módulo de transcrição que a Apple descreve como adequado para conversas normais e uso geral.
• DictationTranscriber: um módulo de transcrição parecido com os recursos de ditado do sistema e compatível com dispositivos mais antigos.
• SpeechDetector: um módulo de detecção de atividade de voz que pode condicionar a transcrição à presença de fala para economizar energia.
• AssetInventory: instala e acompanha os recursos de modelo de que os módulos precisam.

O SFSpeechRecognizer é a API de fala mais antiga, disponível desde o iOS 10 e o macOS 10.15. Na sessão da WWDC25, a Apple disse que essa classe dava acesso ao modelo de conversão de fala em texto por trás da Siri, funcionava bem para ditados curtos e podia usar servidores da Apple em dispositivos com poucos recursos. A documentação da Apple para ela ainda descreve o reconhecimento de fala como um serviço baseado em rede, com limites de uso.

A Apple diz que o novo modelo por trás do SpeechTranscriber é mais rápido e mais flexível que o disponível pelo SFSpeechRecognizer, e bom para áudio longo e distante, como aulas, reuniões e conversas. A página de referência da Apple não marca o SFSpeechRecognizer como obsoleto, então os apps existentes continuam funcionando.

• Onde roda: a Apple diz que a transcrição com a nova API é feita inteiramente no dispositivo. O SFSpeechRecognizer pode exigir conexão com a internet para alguns idiomas.
• Duração do áudio: a Apple orienta os desenvolvedores a contar com um limite de um minuto de áudio no SFSpeechRecognizer. O novo modelo foi feito para áudios longos.
• Manter o áudio no dispositivo: com o SFSpeechRecognizer, o desenvolvedor precisa definir requiresOnDeviceRecognition, e a Apple avisa que as solicitações no dispositivo não serão tão precisas.
• Idiomas: a Apple diz que a classe antiga dependia de o usuário adicionar os idiomas. A nova API permite que o próprio app solicite o modelo de um idioma.
• Resultados: a nova API pode entregar resultados provisórios rápidos, que depois são substituídos pelos definitivos.

O SpeechTranscriber usa o novo modelo de conversão de fala em texto da Apple. A Apple diz que ele está disponível em todas as plataformas, exceto o watchOS, com alguns requisitos de hardware, e que é compatível com um conjunto de idiomas, com mais por vir. O app deve verificar se o dispositivo atual é compatível antes de usá-lo.

O DictationTranscriber é a alternativa para um idioma ou dispositivo sem suporte. A documentação da Apple diz que ele usa os mesmos modelos de conversão de fala em texto dos recursos de ditado do sistema, ou do SFSpeechRecognizer quando configurado para funcionar no dispositivo. Ele não é compatível com os idiomas que o SFSpeechRecognizer só suporta por acesso à rede. A Apple acrescenta que, ao contrário da classe antiga, o usuário não precisa entrar em Ajustes e ativar a Siri ou o ditado do teclado para um idioma.

A página de referência da Apple traz uma sequência geral para analisar arquivos e fluxos de áudio. Os passos abaixo seguem essa sequência para quem desenvolve um app para Mac em Swift no macOS 26 ou posterior.

1. 01 Crie e configure os módulos de que você precisa, por exemplo um SpeechTranscriber para uma localidade.
2. 02 Garanta que os recursos necessários estejam instalados ou já presentes, usando o AssetInventory.
3. 03 Crie uma sequência de entrada que vai levar o áudio falado, de um arquivo ou de um dispositivo de captura, como um microfone.
4. 04 Crie o analisador com os módulos e a sequência de entrada.
5. 05 Forneça o áudio e inicie a análise.
6. 06 Leia os resultados do módulo à medida que chegam e aja com base neles.
7. 07 Finalize a análise quando terminar, para que os fluxos de resultados se encerrem.

Os modelos não vêm incluídos no app. A Apple descreve os recursos como modelos de aprendizado de máquina baixados dos servidores da Apple e gerenciados pelo sistema. Na sessão da WWDC25, a Apple diz que o modelo fica no armazenamento do sistema, não aumenta o tamanho do download nem o espaço que o app ocupa, e roda fora do espaço de memória do app.

Depois que um recurso é baixado, o sistema o mantém, o atualiza automaticamente e o compartilha com outros apps. Cada app recebe um número limitado de reservas de localidade.

1. 01 Crie os módulos do analisador nas configurações que você pretende usar.
2. 02 Atribua as reservas de recursos do seu app a essas localidades. O AssetInventory faz isso automaticamente se necessário, ou você pode reservar uma localidade manualmente.
3. 03 Solicite a instalação dos recursos desses módulos e chame o método de download e instalação.
4. 04 Aguarde o fim do download. Ele pode terminar na hora se os recursos vieram pré-instalados ou se outro app já os baixou.
5. 05 Quando seu app não precisar mais de uma localidade, libere a reserva para que o sistema possa remover os recursos depois.

A sessão da WWDC25 da Apple afirma que a transcrição é feita inteiramente no dispositivo, mas que os modelos precisam ser baixados. O download vem dos servidores da Apple e, depois disso, o áudio que um app transcreve com o SpeechTranscriber é processado no dispositivo. O que o app faz depois com o texto resultante depende dele, então a política de privacidade do próprio app continua valendo.

A documentação da Apple lista o SpeechAnalyzer e o SpeechTranscriber para iOS 26, iPadOS 26, Mac Catalyst 26, macOS 26, tvOS 26 e visionOS 26. O DictationTranscriber aparece para as mesmas plataformas, exceto o tvOS. No Mac, os apps que pediram acesso ao reconhecimento de fala aparecem em Ajustes do Sistema, Privacidade e Segurança, Reconhecimento de Fala.

O SpeechAnalyzer é uma forma de um app para Mac transcrever localmente. Modelos abertos como Whisper e Parakeet são outra, e eles vêm incluídos no app ou são baixados por ele, em vez de serem gerenciados pelo sistema.