iOS 26 SpeechAnalyzer — オンデバイス音声認識の実力

iOS 26 で新たに追加された SpeechAnalyzer フレームワークを実機でベンチマーク。従来の SFSpeechRecognizer との比較結果は驚異的でした。

SpeechAnalyzer とは

Apple が iOS 26 / WWDC25 で発表した新しい音声認識フレームワーク。公式ドキュメント

完全オンデバイス処理 — 音声データがデバイスから一切出ない

長時間音声対応 — 会議や講演の録音をまるごと処理

async/await 対応 — モダンな Swift Concurrency で利用可能

34言語対応 — 日本語含む

参考: Bring Advanced Speech-to-Text to Your App (WWDC25)

テスト環境

項目	値
デバイス	iPhone 16 Pro Max
iOS	26.3.1(a)
言語	日本語 (ja_JP)
音声形式	m4a (AAC, 44.1kHz, mono)
SpeechAnalyzer preset	`.transcription`

ベンチマーク結果

テスト1: テックカンファレンス講演（109分）

52.1MB / 109分32秒の講演録音。

	SFSpeechRecognizer	SpeechAnalyzer
処理時間	38.6秒	59.2秒
認識文字数	0（エラー）	34,998文字
実時間比	—	0.9%
結果	❌ error 1107	✅ 完全な文字起こし

109分の音声をわずか59秒で処理。SFSpeechRecognizer はサーバー側でタイムアウト。

テスト2: プレゼンテーション短縮版（2分12秒）

1.1MB / 2分12秒のプレゼン冒頭。

	SFSpeechRecognizer	SpeechAnalyzer
処理時間	2.3秒	1.4秒
認識文字数	12文字	697文字
実時間比	1.7%	1.1%
結果	最初の一文のみ	✅ 完全な文字起こし

短い音声でも精度の差は歴然。SFSpeechRecognizer は「よろしくお願いいたします」の12文字のみ。

テスト3: ビジネスプレゼン（45分24秒）

73.2MB / 45分24秒のプレゼンテーション。

	SFSpeechRecognizer	SpeechAnalyzer
処理時間	41.3秒	18.1秒
認識文字数	0（エラー）	7,874文字
実時間比	—	0.7%
結果	❌ error 1107	✅ 完全な文字起こし

45分の音声を18秒で処理。実時間のわずか0.7%。

処理速度の整理


SpeechAnalyzer 処理速度:
  109分 →  59秒 (実時間の 0.9%)
   45分 →  18秒 (実時間の 0.7%)
    2分 → 1.4秒 (実時間の 1.1%)

→ 概算: 1時間の会議 ≈ 約36秒で文字起こし完了

Whisper との比較（参考値）

Apple は WWDC25 で SpeechAnalyzer が OpenAI Whisper Large V3 の2.2倍高速 と発表しています。

モデル	処理方式	相対速度
Whisper Large V3	クラウド or ローカル GPU	1.0x (基準)
SpeechAnalyzer	完全オンデバイス (Neural Engine)	2.2x
SFSpeechRecognizer	Apple サーバー送信	長時間ファイル不可

SFSpeechRecognizer の問題点

SFSpeechRecognizer の「SF」は Speech Framework の略です。

デフォルトでサーバー送信: 音声データを Apple のサーバーにアップロードして処理

長時間ファイル非対応: 約1分を超えるとエラー（error 1107 = サーバー側タイムアウト）

プライバシーリスク: 会議内容がネットワーク経由で送信される

オフライン不可: ネットワーク接続必須（requiresOnDeviceRecognition = true で回避可能だが精度低下）

開発者向けメモ

セットアップ

SpeechAnalyzer のオンデバイスモデルは初回ダウンロードが必要（設定アプリにはない）:


let transcriber = SpeechTranscriber(
    locale: Locale(identifier: "ja_JP"), 
    preset: .transcription
)
try await AssetInventory.reserve(locale: Locale(identifier: "ja_JP"))
if let req = try await AssetInventory.assetInstallationRequest(
    supporting: [transcriber]
) {
    try await req.downloadAndInstall()  // 約100-300MB
}

文字起こし実行


let audioFile = try AVAudioFile(forReading: url)
let analyzer = try await SpeechAnalyzer(
    inputAudioFile: audioFile, 
    modules: [transcriber], 
    finishAfterFile: true
)
for try await result in transcriber.results {
    print(String(result.text.characters))
}

まとめ

SpeechAnalyzer は音声認識の世界を変えるフレームワークです。

速度: 1時間の会議を約36秒で処理

精度: 日本語の自然な会話を正確に認識

プライバシー: 音声データがデバイスから一切出ない

利便性: オフラインでも利用可能

iOS 26 対応アプリを開発中の方は、SFSpeechRecognizer からの移行を強くお勧めします。

Nehan.AI — 睡眠やヘルスケアを見やすく管理。毎日の日記をプライバシーに配慮しながらAIが自動生成。