Tether startet Offline-Spracherkennungsmodell TranscribePsy

Tether hat TranscribePsy eingeführt, ein Spracherkennungsmodell mit 254 Millionen Parametern, das Gespräche direkt auf Smartphones, Smart-Brillen und humanoiden Robotern transkribieren kann, ohne Audiodaten an Cloud-Server zu senden. Laut der Ankündigung der Tether AI Research am 14. Oktober unterstützt das Open-Source-Modell mehrsprachige Spracherkennung und ist für Geräte mit begrenzten Rechenressourcen ausgelegt.

Laut den Tests des Unternehmens transkribiert das Modell auf einem iPhone 17 Pro Max unter Verwendung des Core ML-Frameworks 10 Minuten Audio in 1,65 Sekunden. TranscribePsy ist Teil des QVAC AI-Projekts, das darauf abzielt, KI-Anwendungen direkt auf Verbrauchergeräten zu starten und dabei die Datensicherheit zu gewährleisten. Tether ist der Ansicht, dass die lokale Verarbeitung in medizinischen Beratungen, rechtlichen Interviews, Therapiesitzungen und im Journalismus von Vorteil sein kann, wo Aufnahmen vertrauliche Informationen enthalten können.

In Tests betrug die Wortfehlerrate (WER) 8,02 % auf der Open ASR Leaderboard, 6,58 % auf Multilingual LibriSpeech und 21,56 % auf Common Voice. Das Modell wurde mit größeren Gegenstücken verglichen, darunter Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 und Whisper-Medium. Laut Forschern schnitt TranscribePsy auf Multilingual LibriSpeech besser ab als mehrere Modelle, die drei- bis viermal größer sind. In Tests auf sechs Smartphones, die auf Prozessoren laufen, war das Modell 2,6-mal schneller als das nächstschnellere System und 5,7-mal schneller als Whisper-small. Tether hat die Testkonfigurationen veröffentlicht, damit Forscher die Ergebnisse replizieren können.

Das Modell wird in vier Versionen veröffentlicht. Eine für Laptops unterstützt 25 europäische Sprachen, eine leichte Konfiguration ist für acht gängige Sprachen ausgelegt. Für mobile Geräte ist eine GGUF-Version verfügbar, die über parakeet.cpp läuft, sowie eine separate Core ML-Version, die für Apples Neural Engine optimiert ist. Die Modelle verarbeiten kontinuierliches Audio und geben Text kurz nach der Spracherkennung aus.

Paolo Ardoino, CEO von Tether, erklärte, dass das Unternehmen möchte, dass die Nutzer die Kontrolle über ihre Gespräche behalten, da sprachgesteuerte Geräte immer weiter verbreitet werden. "Die Zukunft der KI sollte nicht bedeuten, dass zentralisierte Plattformen einen Logenplatz in unserem Privatleben erhalten", sagte er.

Das Modell wird unter der Apache 2.0-Lizenz vertrieben, mit Gewichten, GGUF-Mobilversionen, Core ML-Versionen für Apple Silicon und verfügbaren Testkonfigurationen.