Tether udostępnił model rozpoznawania mowy o 254 milionach parametrów, który potrafi transkrybować rozmowy bezpośrednio na smartfonach, inteligentnych okularach i humanoidalnych robotach, bez wysyłania dźwięku do serwerów w chmurze.
Podsumowanie
- Tether udostępnił TranscribePsy, model AI o 254 milionach parametrów, który przetwarza mowę lokalnie na smartfonach, inteligentnych okularach i humanoidalnych robotach bez dostępu do chmury.
- Model transkrybował 10 minut dźwięku w 1,65 sekundy na iPhone 17 Pro Max i działał szybciej niż kilka konkurencyjnych systemów rozpoznawania mowy w testach Tether.
- TranscribePsy obsługuje 25 języków europejskich na laptopach i osiem na telefonach, z dedykowanymi wersjami zoptymalizowanymi pod Apple Neural Engine.
- Wydanie open source jest częścią projektu QVAC AI firmy Tether, który koncentruje się na uruchamianiu aplikacji AI bezpośrednio na urządzeniach konsumenckich, zachowując prywatność danych użytkownika.
Zgodnie z ogłoszeniem z 14 października ogłoszeniem od Tether AI Research, model open source, nazwany QVAC TranscribePsy, obsługuje wielojęzyczne rozpoznawanie mowy i jest zaprojektowany do działania na urządzeniach o ograniczonej mocy obliczeniowej.
Firma podała, że model może transkrybować 10 minut dźwięku w 1,65 sekundy na iPhone 17 Pro Max przy użyciu frameworka Apple Core ML.
TranscribePsy jest częścią projektu QVAC AI firmy Tether, który koncentruje się na uruchamianiu aplikacji sztucznej inteligencji lokalnie. Jego wydanie daje programistom dostęp do oprogramowania do rozpoznawania mowy, które może działać bez połączenia z internetem.
W przypadku inteligentnych okularów model może przetwarzać dźwięk odbierany przez Bluetooth lub Wi-Fi z minimalnym opóźnieniem. Humanoidalne roboty mogą uruchamiać oprogramowanie na swoich pokładowych procesorach, pozostawiając moc obliczeniową dostępną dla funkcji takich jak nawigacja, rozpoznawanie wizualne i ruch fizyczny.
Tether stwierdził, że lokalne przetwarzanie może być przydatne w konsultacjach medycznych, wywiadach prawniczych, sesjach terapeutycznych i dziennikarstwie, gdzie nagrania mogą zawierać poufne informacje.
Model TranscribePsy firmy Tether osiąga mocne wyniki benchmarków
W ocenach wydajności opublikowanych przez firmę TranscribePsy odnotował 8,02% wskaźnika błędów słów na Open ASR Leaderboard i 6,58% na Multilingual LibriSpeech.
Jego wskaźnik błędów słów na Common Voice wyniósł 21,56%, a Tether twierdzi, że model przewyższył inne systemy w tej samej kategorii parametrów.
Model o 254 milionach parametrów został porównany z większymi alternatywami, w tym Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 i Whisper-Medium.
Mimo mniejszej liczby parametrów TranscribePsy osiągnął lepsze wyniki w benchmarku Multilingual LibriSpeech niż kilka modeli trzy do czterech razy większych, zgodnie z ustaleniami zespołu badawczego.
Testy przeprowadzone na sześciu smartfonach wykazały, że model był 2,6 razy szybszy niż następny najszybszy system i 5,7 razy szybszy niż Whisper-small podczas działania na procesorach telefonów.
Jego wersja zoptymalizowana pod iPhone wymagała mniej niż połowy miejsca na dysku i 1,7 razy mniej pamięci niż konkurencyjny model Core ML uwzględniony w ocenie.
Dokładność rozpoznawania mowy mierzono za pomocą wskaźnika błędów słów, który porównuje słowa wygenerowane przez system transkrypcji z oryginalną treścią mówioną. Niższe wyniki oznaczają mniej błędów transkrypcji.
Tether opublikował konfiguracje oceny wraz z modelem, aby umożliwić badaczom odtworzenie zgłoszonych wyników.
Oprogramowanie do rozpoznawania mowy obsługuje 25 języków europejskich
TranscribePsy został wydany w czterech wersjach zaprojektowanych dla różnych wymagań sprzętowych i językowych.
Jeden model na laptopa obsługuje 25 języków europejskich, podczas gdy mniejsza konfiguracja językowa koncentruje się na ośmiu powszechnie używanych językach.
W przypadku urządzeń mobilnych Tether zapewnia wersję GGUF, która działa przez silnik parakeet.cpp w qvac-fabric-speech.
Oddzielna wersja Core ML jest zoptymalizowana pod Apple Neural Engine, umożliwiając kompatybilnym iPhone'om przeprowadzanie transkrypcji przy użyciu dedykowanego sprzętu.
Modele są zaprojektowane do obsługi ciągłego dźwięku, generując tekst wkrótce po wykryciu mowy. Tether powiedział, że system mógłby obsługiwać aplikacje sterowane głosem, które reagują bez wysyłania nagrań do zewnętrznych serwerów.
Według firmy lokalne przetwarzanie mowy zmniejsza potrzebę przesyłania rozmów, które mogą zawierać informacje osobiste lub poufne.
Paolo Ardoino, dyrektor generalny Tether, powiedział, że firma chce, aby użytkownicy zachowali kontrolę nad swoimi rozmowami, ponieważ urządzenia obsługujące głos stają się coraz powszechniejsze.
„Przyszłość AI nie powinna oznaczać dawania scentralizowanym platformom miejsca w pierwszym rzędzie na nasze życie osobiste” – powiedział Ardoino.
Opisał TranscribePsy jako przykład technologii rozpoznawania mowy, która może działać w całości na urządzeniach osobistych bez polegania na scentralizowanej infrastrukturze.
Tether rozwija swoje narzędzia do tworzenia AI QVAC
TranscribePsy następuje po kilku wydaniach w ramach projektu QVAC firmy Tether w 2026 roku.
W kwietniu Tether wprowadził QVAC SDK, otwarty zestaw narzędzi programistycznych do uruchamiania aplikacji AI na smartfonach i komputerach.
Jak wcześniej informował crypto.news, zestaw narzędzi obsługuje iOS, Android, Windows, macOS i Linux, a jego funkcje obejmują generowanie tekstu, przetwarzanie mowy, rozpoznawanie obrazu i tłumaczenie.
Oprogramowanie wykorzystuje QVAC Fabric, dostosowaną wersję llama.cpp, wraz z technologią Holepunch do dystrybucji modeli peer to peer i przetwarzania delegowanego.
Przed wydaniem SDK Tether zintegrował BitNet LoRA z QVAC Fabric w marcu, aby obsługiwać szkolenie i uruchamianie dużych modeli AI na sprzęcie konsumenckim.
W tym czasie firma poinformowała, że dostroiła modele zawierające do 3,8 miliarda parametrów na urządzeniach, w tym Pixel 9, Galaxy S25 i iPhone 16.
Jej testy obejmowały modele z nawet 13 miliardami parametrów na iPhone 16, podczas gdy przetwarzanie GPU zapewniło poprawę szybkości od dwóch do 11 razy w porównaniu z bazowymi wynikami CPU w ocenach firmy.
Badania Tether nad obliczeniami zdecentralizowanymi wykroczyły poza modele AI.
We wrześniu Ardoin ujawnił postępy nad peer to peer wyszukiwarką zaprojektowaną do działania w rozproszonych węzłach.
Zespół przechowywał kompletne archiwum Wikipedii w 100 węzłach i zademonstrował funkcjonalność wyszukiwania bez polegania na scentralizowanej usłudze wyszukiwania.
Wyszukiwarka pozostaje w fazie rozwoju, a zespół pracuje nad architekturą mającą obsługiwać tysiące połączonych węzłów.
Wcześniejsze prace Tether nad AI obejmowały zbiór danych QVAC Genesis I, wydany w październiku 2025 roku z 41 miliardami syntetycznych tokenów przeznaczonych do szkolenia modeli w matematyce, nauce i rozumowaniu technicznym.
Obok zbioru danych firma wprowadziła QVAC Workbench, aplikację konsumencką, która pozwala użytkownikom uruchamiać obsługiwane modele AI lokalnie.
TranscribePsy wydany z otwartymi wagami modelu
Najnowsze wydanie TranscribePsy jest dostępne na licencji Apache 2.0, a Tether wskazuje zastosowania badawcze i edukacyjne jako część wydania.
Programiści mogą uzyskać dostęp do wag modelu, kompilacji mobilnych GGUF, wersji Apple Silicon Core ML i konfiguracji ewaluacyjnych.
W ekosystemie QVAC Psy oprogramowanie do rozpoznawania mowy ma współpracować z innymi wyspecjalizowanymi modelami, w tym VisionPsy, TranslatePsy-Nano i MedPsy.
Tether wskazał analizę dokumentów, tłumaczenie, nawigację i prywatne robienie notatek jako możliwe zastosowania przyszłych integracji. Październikowe wydanie zapewnia komponent rozpoznawania mowy, podczas gdy te połączone aplikacje pozostają perspektywiczne.
Zespół badawczy, działający w ramach Tether Data, S.A. de C.V., poinformował, że jego bieżące prace obejmują kompaktowe modele do przetwarzania dźwięku, tekstu, obrazów i wideo na urządzeniach konsumenckich.
