A Tether lançou um modelo de reconhecimento de fala com 254 milhões de parâmetros que pode transcrever conversas diretamente em smartphones, óculos inteligentes e robôs humanoides sem enviar áudio para servidores na nuvem.
Resumo
- A Tether lançou o TranscribePsy, um modelo de IA com 254 milhões de parâmetros que processa fala localmente em smartphones, óculos inteligentes e robôs humanoides sem acesso à nuvem.
- O modelo transcreveu 10 minutos de áudio em 1,65 segundos em um iPhone 17 Pro Max e teve desempenho mais rápido do que vários sistemas concorrentes de reconhecimento de fala nos testes da Tether.
- O TranscribePsy suporta 25 idiomas europeus em laptops e oito em telefones, com versões dedicadas otimizadas para o Neural Engine da Apple.
- O lançamento de código aberto faz parte do projeto QVAC AI da Tether, que se concentra em executar aplicativos de IA diretamente em dispositivos de consumo, mantendo os dados do usuário privados.
De acordo com um anúncio de 14 de outubro da Tether AI Research, o modelo de código aberto, chamado QVAC TranscribePsy, suporta reconhecimento de fala multilíngue e foi projetado para operar em dispositivos com poder computacional limitado.
A empresa disse que o modelo pode transcrever 10 minutos de áudio em 1,65 segundos em um iPhone 17 Pro Max usando o framework Core ML da Apple.
O TranscribePsy faz parte do projeto QVAC AI da Tether, que se concentra em executar aplicativos de inteligência artificial localmente. Seu lançamento dá aos desenvolvedores acesso a software de reconhecimento de fala que pode operar sem conexão à internet.
Para óculos inteligentes, o modelo pode processar áudio recebido via Bluetooth ou Wi-Fi com atraso mínimo. Robôs humanoides podem executar o software em seus processadores integrados, deixando capacidade computacional disponível para funções como navegação, reconhecimento visual e movimento físico.
A Tether disse que o processamento local pode ser útil em consultas médicas, entrevistas jurídicas, sessões de terapia e jornalismo, onde as gravações podem conter informações confidenciais.
O modelo TranscribePsy da Tether registra fortes resultados de benchmark
Em avaliações de desempenho divulgadas pela empresa, o TranscribePsy registrou uma taxa de erro de palavra de 8,02% no Open ASR Leaderboard e 6,58% no Multilingual LibriSpeech.
Sua taxa de erro de palavra no Common Voice foi de 21,56%, com a Tether alegando que o modelo superou outros sistemas na mesma categoria de parâmetros.
O modelo de 254 milhões de parâmetros foi comparado com alternativas maiores, incluindo Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 e Whisper-Medium.
Apesar de ter menos parâmetros, o TranscribePsy teve melhor desempenho no benchmark Multilingual LibriSpeech do que vários modelos três a quatro vezes maiores, de acordo com as descobertas da equipe de pesquisa.
Testes conduzidos em seis smartphones mostraram que o modelo foi 2,6 vezes mais rápido que o próximo sistema mais rápido e 5,7 vezes mais rápido que o Whisper-small quando executado em CPUs de telefones.
Sua versão otimizada para iPhone exigiu menos da metade do espaço em disco e 1,7 vezes menos memória do que um modelo Core ML concorrente incluído na avaliação.
A precisão do reconhecimento de fala foi medida usando a taxa de erro de palavra, que compara as palavras geradas por um sistema de transcrição com o conteúdo falado original. Pontuações mais baixas indicam menos erros de transcrição.
A Tether publicou as configurações de avaliação junto com o modelo para permitir que pesquisadores reproduzam os resultados relatados.
Software de reconhecimento de fala suporta 25 idiomas europeus
O TranscribePsy foi lançado em quatro versões projetadas para diferentes requisitos de hardware e idioma.
Um modelo para laptop suporta 25 idiomas europeus, enquanto uma configuração de idioma menor se concentra em oito idiomas comumente usados.
Para dispositivos móveis, a Tether fornece uma versão GGUF que opera através do mecanismo parakeet.cpp em qvac-fabric-speech.
Uma versão separada do Core ML é otimizada para o Neural Engine da Apple, permitindo que iPhones compatíveis realizem transcrição usando hardware dedicado.
Os modelos são projetados para lidar com áudio contínuo, produzindo texto logo após a detecção da fala. A Tether afirmou que o sistema poderia suportar aplicações controladas por voz que respondem sem enviar gravações para servidores externos.
De acordo com a empresa, o processamento local de fala reduz a necessidade de transmitir conversas que podem conter informações pessoais ou confidenciais.
Paolo Ardoino, CEO da Tether, disse que a empresa queria que os usuários mantivessem o controle sobre suas conversas à medida que dispositivos habilitados por voz se tornam mais comuns.
“O futuro da IA não deveria significar dar às plataformas centralizadas um assento na primeira fila das nossas vidas pessoais”, disse Ardoino.
Ele descreveu o TranscribePsy como um exemplo de tecnologia de reconhecimento de fala que pode operar inteiramente em dispositivos pessoais sem depender de infraestrutura centralizada.
A Tether expande suas ferramentas de desenvolvimento de IA QVAC
O TranscribePsy segue vários lançamentos sob o projeto QVAC da Tether durante 2026.
Em abril, a Tether introduziu o SDK QVAC, um kit de ferramentas de desenvolvimento de código aberto para executar aplicações de IA em smartphones e computadores.
Como o crypto.news relatou anteriormente, o kit de ferramentas suporta iOS, Android, Windows, macOS e Linux, com funções que abrangem geração de texto, processamento de fala, reconhecimento de imagem e tradução.
O software usa o QVAC Fabric, uma versão personalizada do llama.cpp, juntamente com a tecnologia Holepunch para distribuição de modelos ponto a ponto e processamento delegado.
Antes do lançamento do SDK, a Tether havia integrado o BitNet LoRA ao QVAC Fabric em março para suportar o treinamento e a execução de grandes modelos de IA em hardware de consumo.
Na época, a empresa disse que havia ajustado modelos contendo até 3,8 bilhões de parâmetros em dispositivos incluindo o Pixel 9, Galaxy S25 e iPhone 16.
Seus testes cobriram modelos com até 13 bilhões de parâmetros no iPhone 16, enquanto o processamento por GPU proporcionou melhorias de velocidade variando de duas a 11 vezes em comparação com as linhas de base de CPU nas avaliações da empresa.
A pesquisa da Tether em computação descentralizada se estendeu além dos modelos de IA.
Em setembro, Ardoin divulgou progresso em uma mecanismo de busca ponto a ponto projetado para operar em nós distribuídos.
A equipe havia armazenado o arquivo completo da Wikipédia em 100 nós e demonstrado funcionalidade de busca sem depender de um serviço de busca centralizado.
O mecanismo de busca permanece em desenvolvimento, com a equipe trabalhando em uma arquitetura destinada a suportar milhares de nós interconectados.
O trabalho anterior de IA da Tether incluiu o conjunto de dados QVAC Genesis I, lançado em outubro de 2025 com 41 bilhões de tokens sintéticos destinados ao treinamento de modelos em matemática, ciência e raciocínio técnico.
Juntamente com o conjunto de dados, a empresa introduziu o QVAC Workbench, uma aplicação de consumo que permite aos usuários executar modelos de IA suportados localmente.
TranscribePsy lançado com pesos de modelo abertos
O mais recente lançamento do TranscribePsy está disponível sob a licença Apache 2.0, com a Tether identificando uso para pesquisa e educação como parte do lançamento.
Desenvolvedores podem acessar os pesos do modelo, builds móveis GGUF, versões Apple Silicon Core ML e configurações de avaliação.
Dentro do ecossistema QVAC Psy, o software de reconhecimento de fala deve funcionar com outros modelos especializados, incluindo VisionPsy, TranslatePsy-Nano e MedPsy.
A Tether identificou análise de documentos, tradução, navegação e anotações privadas como possíveis aplicações para futuras integrações. O lançamento de outubro fornece o componente de reconhecimento de fala, enquanto essas aplicações combinadas permanecem prospectivas.
A equipe de pesquisa, operando sob a Tether Data, S.A. de C.V., disse que seu trabalho contínuo abrange modelos compactos para processamento de áudio, texto, imagens e vídeo em dispositivos de consumo.
