Tether представила QVAC TranscribePsy: ШІ для розпізнавання мовлення на пристроях
Tether AI Research випустила компактну модель QVAC TranscribePsy для локального розпізнавання мовлення на смартфонах, окулярах і роботах. Модель обробляє 10 хвилин аудіо за 1,65 сек без передачі даних в хмару
Дослідницький підрозділ Tether представив QVAC TranscribePsy — компактну мультимовну модель для автоматичного розпізнавання мовлення, яка працює безпосередньо на пристроях без передавання аудіо на зовнішні сервери. З обсягом 254 млн параметрів модель забезпечує обробку аудіо майже в реальному часі та зберігає приватність користувачів під час роботи на смартфонах, розумних окулярах і гуманоїдних роботах.
На iPhone 17 Pro Max версія для Apple Core ML розшифровує 10 хвилин аудіо за 1,65 секунди, що робить її практичним рішенням для розробників голосових ШІ-сервісів без залежності від хмарної інфраструктури.
Переваги локальної обробки мовлення
Локальна обробка аудіо дозволяє уникнути завантаження конфіденційних записів на зовнішні платформи. Це особливо важливо для медичних консультацій, юридичних інтерв'ю, психотерапевтичних сеансів та роботи журналістів із конфіденційними джерелами, де збереження приватності розмови є критичним.
Генеральний директор Tether Паоло Ардоіно наголосив: «Майбутнє ШІ не повинно означати централізацію особистого життя. TranscribePsy демонструє, що передові системи розпізнавання мовлення можуть бути швидкими, потужними й повністю локальними».
Технічні характеристики та результати тестування
За результатами оцінювання модель показала конкурентні показники точності:
- 8,02% WER на Open ASR Leaderboard
- 6,58% WER на Multilingual LibriSpeech
- 21,56% WER на Common Voice
На Multilingual LibriSpeech TranscribePsy випередила кілька моделей, що містять у 3–4 рази більше параметрів. Під час тестування на шести смартфонах модель працювала в 2,6 раза швидше за найближчого конкурента та в 5,7 раза швидше за Whisper-small за показниками процесорів.
Версія для ноутбуків підтримує 25 європейських мов, мобільна версія охоплює вісім мов. Tether випустила чотири спеціалізовані версії для різних пристроїв, включаючи GGUF-збірки для мобільних пристроїв і Core ML, оптимізовану для Neural Engine в iPhone.
Розширення екосистеми QVAC
TranscribePsy доповнює екосистему QVAC, яку Tether розвиває для обробки текстової, графічної та відеоінформації безпосередньо на пристроях. У майбутньому модель може інтегруватися з іншими компонентами платформи — VisionPsy, TranslatePsy-Nano та MedPsy — для голосового аналізу документів, перекладу та приватних нотаток.
Компанія опублікувала TranscribePsy під ліцензією Apache 2.0 для дослідницьких та освітніх цілей. Реліз включає відкриті ваги моделі, мобільні збірки та конфігурації для відтворюваного тестування.
Що таке QVAC TranscribePsy?
Це компактна мультимовна модель розпізнавання мовлення від Tether, що працює локально на смартфонах, окулярах і роботах без передачі аудіо в хмару.
Чому локальне розпізнавання мовлення важливе?
Локальна обробка зберігає приватність конфіденційних розмов, уникаючи завантаження записів на централізовані сервери третіх сторін.
На скільких мовах працює TranscribePsy?
Версія для ноутбуків підтримує 25 європейських мов, мобільна версія — вісім мов.
Яка швидкість обробки на смартфоні?
На iPhone 17 Pro Max версія для Core ML розшифровує 10 хвилин аудіо за 1,65 секунди.
