iOS 26 SpeechAnalyzerのマイク入力：準備・結果処理・問題の切り分け

SpeechTranscriber はランタイムのデバイスおよびロケールチェックを提供します。 iOS のバージョンチェックだけでは不十分です。 以下のヘルパーは、設定された文字起こし器、アナライザー、およびオーディオ形式を返すか、特定の準備エラーをスローします。

完全なSwift準備ヘルパーをダウンロードしてください. フルファイルには、インポート、結果およびエラータイプ、そして以下で説明する DictationTranscriber ヒントヘルパーが含まれています。 これはセットアップコンポーネントであり、完全な録音アプリではありません。

@available(iOS 26.0, *)
@MainActor
public func prepareSpeechAnalyzer(
    requestedLocale: Locale,
    naturalFormat: AVAudioFormat? = nil
) async throws -> PreparedSpeechAnalyzer {
    guard SpeechTranscriber.isAvailable else {
        throw SpeechPreparationError.deviceUnavailable
    }
    guard let locale = await SpeechTranscriber.supportedLocale(
        equivalentTo: requestedLocale
    ) else {
        throw SpeechPreparationError.unsupportedLocale
    }

    let transcriber = SpeechTranscriber(
        locale: locale,
        preset: .progressiveTranscription
    )
    // The system may already have the asset; nil means no install is needed.
    // A request can automatically reserve the locale or throw if no slot is free.
    if let request = try await AssetInventory.assetInstallationRequest(
        supporting: [transcriber]
    ) {
        try await request.downloadAndInstall()
    }
    try Task.checkCancellation()
    guard await AssetInventory.status(forModules: [transcriber]) == .installed else {
        throw SpeechPreparationError.assetsNotInstalled
    }
    guard let format = await SpeechAnalyzer.bestAvailableAudioFormat(
        compatibleWith: [transcriber], considering: naturalFormat
    ) else {
        throw SpeechPreparationError.noCompatibleFormat
    }

    let analyzer = SpeechAnalyzer(modules: [transcriber])
    try await analyzer.prepareToAnalyze(in: format)
    return PreparedSpeechAnalyzer(
        locale: locale, transcriber: transcriber,
        analyzer: analyzer, audioFormat: format
    )
}

AssetInventoryはシステムで共有するモデルを管理します。モデルはOSや別のアプリによってすでに導入されていることがあります。インストール要求は、インストール不要ならnilを返し、必要ならロケールを予約してダウンロードを始められます。予約数の上限によるエラーもあります。予約はアプリの機能全体で管理し、不要になったロケールだけを解放します。ほかの機能が使っているモデルを解放しないようにしてください。

オフラインになる前に、必要なロケールを準備し、準備状況を確認してください。 モデルアセットはアプリバンドルの外部にありますが、依然としてシステムストレージを消費し、時間とともに変化する可能性があります。 ホストUIにダウンロードの進行状況とキャンセルを表示します。 「オンデバイス認識」は「準備やネットワークアクセスが全く必要ない」ことを意味するわけではありません。

AVAudioEngine microphone tap
  -> owned PCM / conversion for the selected format
  -> AsyncStream<AnalyzerInput>
  -> SpeechAnalyzer + SpeechTranscriber
  -> result consumer and UI state

オーディオセッションを有効化した後、入力ノードの実際の形式を確認してください。 デバイスやルートが以前にそのレートを使用したことがあるため、サンプルレートをハードコードしないでください。 適切な場合は、bestAvailableAudioFormat(compatibleWith:considering:) に自然な形式を渡し、そのオプション結果をアンラップしてください。 Appleは、アナライザが入力を透過的に再サンプリングまたは変換しないことを記録しています。

リポジトリの AudioBufferConverter は、既に一致しているバッファを変更せずに返し、形式が異なる場合に AVAudioConverter を使用します。 変換は、すべてのバッファに対して包括的な追加ステップではなく、不一致のフォーマットに対して必要です。 出力フレームの長さを確認し、変換エラーを報告してください；失敗しているバッファをすべて静かにドロップすると、テキストが生成されずに録画UIが正常に見えることがあります。

キューに入れる音声バッファの所有権を明確にします。更新後のサンプルは、形式が一致していても独立したPCM領域を返すため、入力バッファが再利用されても待機中の音声は上書きされません。音声コールバックから渡されたバッファが、コールバック終了後も不変だとは仮定できません。後で使うためにキューへ入れるなら、所有するコピーを作るか、バッファの寿命を管理します。バッファごとのUI更新は音声コールバックの外で行います。本番用途では、待機処理の上限、過負荷、音声経路の変更への対応も決めます。

Swift 6では、ローカル変数をキャプチャしただけでスレッド安全性が保証されるわけではありません。現在のサンプルのコンバーターは単一の処理スレッドを前提にし、一つの変換コールバック用に、ロックで保護した非公開の@unchecked Sendableホルダーを持ちます。すべてのPCMバッファやコンバーターをスレッド間で安全に共有できるという意味ではありません。流用前にこの前提を確認してください。

新しいSpeech APIに文脈語彙のサポートがないと言うのは不正確です。 Apple は AnalysisContext.contextualStrings を DictationTranscriber 用に文書化します。 ドキュメントでは、短いフレーズと、タグ全体で最大でも 100 のフレーズを推奨しています。 それは、同じヒントがSpeechTranscriberをカスタマイズするという約束ではありません。

// For an analyzer configured with DictationTranscriber.
let context = AnalysisContext()
context.contextualStrings[.general] = ["Obsidian", "Yurica"]
try await analyzer.setContext(context)

setContext(_:)は現在のコンテキストを置き換えるため、既存の内容を必要に応じて保持・統合します。ダウンロードできるヘルパーは、100件を超えるフレーズを黙って切り捨てず、エラーにします。フレーズのヒントと、DictationTranscriberに記載されているカスタム言語モデルは別の機能で、どちらもすべての名前の正確な認識を保証しません。用途に合うモジュールと言語を選んで試してください。

問題の調査では、各段階の時間、フレーム数、ロケール、エラー情報から確認します。すべてのログに録音原本や認識テキストが必要なわけではありません。ユーザーから再現情報をもらう場合は、私的な会話ではなく、機密性のない短いテスト文と関連設定を依頼します。