Tether випустила модель розпізнавання мовлення з 254 мільйонами параметрів, яка може транскрибувати розмови безпосередньо на смартфонах, розумних окулярах і гуманоїдних роботах без надсилання аудіо на хмарні сервери.
Підсумок
- Tether випустила TranscribePsy, ШІ-модель з 254 мільйонами параметрів, яка обробляє мовлення локально на смартфонах, розумних окулярах і гуманоїдних роботах без доступу до хмари.
- Модель транскрибувала 10 хвилин аудіо за 1,65 секунди на iPhone 17 Pro Max і працювала швидше за кілька конкуруючих систем розпізнавання мовлення в тестах Tether.
- TranscribePsy підтримує 25 європейських мов на ноутбуках і вісім на телефонах, з окремими версіями, оптимізованими для Neural Engine від Apple.
- Цей випуск з відкритим кодом є частиною проєкту QVAC AI від Tether, який зосереджується на запуску ШІ-застосунків безпосередньо на споживчих пристроях, зберігаючи приватність даних користувачів.
Згідно з оголошенням від 14 жовтня announcement від Tether AI Research, модель з відкритим кодом під назвою QVAC TranscribePsy підтримує багатомовне розпізнавання мовлення і розроблена для роботи на пристроях з обмеженою обчислювальною потужністю.
Компанія заявила, що модель може транскрибувати 10 хвилин аудіо за 1,65 секунди на iPhone 17 Pro Max, використовуючи фреймворк Core ML від Apple.
TranscribePsy є частиною проєкту QVAC AI від Tether, який зосереджується на запуску застосунків штучного інтелекту локально. Його випуск надає розробникам доступ до програмного забезпечення для розпізнавання мовлення, яке може працювати без підключення до інтернету.
Для розумних окулярів модель може обробляти аудіо, отримане через Bluetooth або Wi-Fi, з мінімальною затримкою. Гуманоїдні роботи можуть запускати програмне забезпечення на своїх бортових процесорах, залишаючи обчислювальну потужність доступною для таких функцій, як навігація, візуальне розпізнавання та фізичний рух.
Tether заявила, що локальна обробка може бути корисною в медичних консультаціях, юридичних інтерв'ю, терапевтичних сесіях і журналістиці, де записи можуть містити конфіденційну інформацію.
Модель TranscribePsy від Tether демонструє сильні результати бенчмарків
У тестах продуктивності, опублікованих компанією, TranscribePsy зафіксувала 8,02% частоти помилок у словах на Open ASR Leaderboard і 6,58% на Multilingual LibriSpeech.
Її частота помилок у словах на Common Voice становила 21,56%, причому Tether стверджує, що модель перевершила інші системи в тій самій категорії параметрів.
Модель з 254 мільйонами параметрів порівнювалася з більшими альтернативами, включаючи Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 і Whisper-Medium.
Незважаючи на меншу кількість параметрів, TranscribePsy показала кращі результати на бенчмарку Multilingual LibriSpeech, ніж кілька моделей, що в три-чотири рази більші за неї, згідно з висновками дослідницької групи.
Тести, проведені на шести смартфонах, показали, що модель була в 2,6 раза швидшою за наступну найшвидшу систему і в 5,7 раза швидшою за Whisper-small при роботі на процесорах телефонів.
Її версія, оптимізована для iPhone, вимагала менше половини дискового простору і в 1,7 раза менше пам'яті, ніж конкуруюча модель Core ML, включена до оцінювання.
Точність розпізнавання мовлення вимірювалася за допомогою частоти помилок у словах, яка порівнює слова, згенеровані системою транскрипції, з оригінальним мовним вмістом. Нижчі показники вказують на менше помилок транскрипції.
Tether опублікувала конфігурації оцінювання разом із моделлю, щоб дозволити дослідникам відтворити заявлені результати.
Програмне забезпечення для розпізнавання мовлення підтримує 25 європейських мов
TranscribePsy випущено в чотирьох версіях, розроблених для різних апаратних і мовних вимог.
Одна модель для ноутбука підтримує 25 європейських мов, тоді як менша мовна конфігурація зосереджена на восьми поширених мовах.
Для мобільних пристроїв Tether надає версію GGUF, яка працює через рушій parakeet.cpp у qvac-fabric-speech.
Окрема версія Core ML оптимізована для Neural Engine від Apple, що дозволяє сумісним iPhone виконувати транскрипцію за допомогою спеціалізованого обладнання.
Моделі розроблені для обробки безперервного аудіо, створюючи текст незабаром після виявлення мовлення. Tether заявила, що система може підтримувати додатки з голосовим керуванням, які реагують без надсилання записів на зовнішні сервери.
За словами компанії, локальна обробка мовлення зменшує потребу в передачі розмов, які можуть містити особисту або конфіденційну інформацію.
Паоло Ардоіно, генеральний директор Tether, сказав, що компанія хоче, щоб користувачі зберігали контроль над своїми розмовами, оскільки пристрої з підтримкою голосу стають дедалі поширенішими.
«Майбутнє ШІ не повинно означати надання централізованим платформам місця в першому ряду для нашого особистого життя», — сказав Ардоіно.
Він описав TranscribePsy як приклад технології розпізнавання мовлення, яка може працювати повністю на персональних пристроях, не залежачи від централізованої інфраструктури.
Tether розширює свої інструменти розробки ШІ QVAC
TranscribePsy виходить після кількох випусків у рамках проєкту QVAC від Tether протягом 2026 року.
У квітні Tether представила QVAC SDK, відкритий набір інструментів для розробки, призначений для запуску ШІ-додатків на смартфонах і комп’ютерах.
Як раніше повідомляло crypto.news, набір інструментів підтримує iOS, Android, Windows, macOS і Linux, а його функції охоплюють генерацію тексту, обробку мовлення, розпізнавання зображень і переклад.
Програмне забезпечення використовує QVAC Fabric, кастомізовану версію llama.cpp, разом із технологією Holepunch для однорангового розповсюдження моделей і делегованої обробки.
До випуску SDK Tether у березні інтегрувала BitNet LoRA у QVAC Fabric, щоб підтримати навчання та запуск великих ШІ-моделей на споживчому обладнанні.
На той час компанія заявила, що доналаштувала моделі, які містять до 3,8 мільярда параметрів, на таких пристроях, як Pixel 9, Galaxy S25 та iPhone 16.
Її тести охоплювали моделі з до 13 мільярдів параметрів на iPhone 16, тоді як обробка на GPU забезпечила покращення швидкості від двох до 11 разів порівняно з базовими показниками CPU в оцінках компанії.
Дослідження Tether у сфері децентралізованих обчислень вийшли за межі ШІ-моделей.
У вересні Ардоін розкрив прогрес щодо однорангової пошукової системи, розробленої для роботи через розподілені вузли.
Команда зберегла повний архів Вікіпедії на 100 вузлах і продемонструвала функціональність пошуку без опори на централізований пошуковий сервіс.
Пошукова система залишається в розробці, і команда працює над архітектурою, призначеною для підтримки тисяч взаємопов’язаних вузлів.
Раніша робота Tether у сфері ШІ включала набір даних QVAC Genesis I, випущений у жовтні 2025 року з 41 мільярдом синтетичних токенів, призначених для навчання моделей у математиці, науці та технічному міркуванні.
Разом із набором даних компанія представила QVAC Workbench — споживчий додаток, який дозволяє користувачам запускати підтримувані ШІ-моделі локально.
TranscribePsy випущено з відкритими вагами моделі
Останній випуск TranscribePsy доступний за ліцензією Apache 2.0, причому Tether визначає дослідницьке та освітнє використання як частину випуску.
Розробники можуть отримати доступ до ваг моделі, мобільних збірок GGUF, версій Apple Silicon Core ML та конфігурацій оцінювання.
У межах екосистеми QVAC Psy програмне забезпечення для розпізнавання мовлення призначене для роботи з іншими спеціалізованими моделями, зокрема VisionPsy, TranslatePsy-Nano та MedPsy.
Tether визначила аналіз документів, переклад, навігацію та приватне створення нотаток як можливі застосування для майбутніх інтеграцій. Жовтневий випуск надає компонент розпізнавання мовлення, тоді як ці комбіновані застосування залишаються перспективними.
Дослідницька група, що працює під егідою Tether Data, S.A. de C.V., заявила, що її поточна робота охоплює компактні моделі для обробки аудіо, тексту, зображень і відео на споживчих пристроях.
