Tether TranscribePsy деп аталатын 254 миллион параметрі бар сөйлеуді тану моделін таныстырды, ол аудионы бұлтты серверлерге жібермей-ақ смартфондарда, ақылды көзілдіріктерде және гуманоидты роботтарда әңгімелерді транскрипциялай алады. Tether AI Research 14 қазандағы хабарландыруына сәйкес, ашық бастапқы модель көптілді сөйлеуді тануды қолдайды және есептеу ресурстары шектеулі құрылғыларға арналған.
Компанияның сынақтарына сәйкес, Core ML құрылымын қолдана отырып, iPhone 17 Pro Max-те модель 10 минуттық аудионы 1.65 секундта транскрипциялайды. TranscribePsy QVAC AI жобасының бөлігі болып табылады, ол деректер құпиялылығын сақтай отырып, AI қосымшаларын тікелей тұтынушылық құрылғыларда іске қосуды мақсат етеді. Tether жергілікті өңдеу медициналық кеңестерде, заңды сұхбаттарда, терапия сессияларында және журналистикада пайдалы болуы мүмкін деп санайды, мұнда жазбалар құпия ақпаратты қамтуы мүмкін.
Сынақтарда сөз қателік деңгейі (WER) Open ASR Leaderboard-те 8.02%, Multilingual LibriSpeech-те 6.58% және Common Voice-те 21.56% болды. Модель Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 және Whisper-Medium сияқты үлкен үлгілермен салыстырылды. Зерттеушілердің айтуынша, Multilingual LibriSpeech-те TranscribePsy үш-төрт есе үлкен бірнеше модельдерден жақсы нәтиже көрсетті. Процессорларда жұмыс істейтін алты смартфонда модель келесі ең жылдам жүйеден 2.6 есе жылдам және Whisper-small-дан 5.7 есе жылдам болды. Tether зерттеушілер нәтижелерді қайталай алуы үшін сынақ конфигурацияларын жариялады.
Модель төрт нұсқада шығарылды. Лаптоптарға арналған нұсқасы 25 еуропалық тілді қолдайды, ал жеңіл конфигурация сегіз жалпы тілге арналған. Мобильді құрылғылар үшін GGUF нұсқасы parakeet.cpp арқылы жұмыс істейді, сондай-ақ Apple's Neural Engine үшін оңтайландырылған бөлек Core ML нұсқасы бар. Модельдер үздіксіз аудионы өңдейді және сөйлеуді анықтағаннан кейін мәтінді тез шығарады.
Tether компаниясының бас директоры Паоло Ардоино дауыспен басқарылатын құрылғылар кең таралған сайын пайдаланушылардың әңгімелерін бақылауда ұстауды қалайтындарын айтты. "AI болашағы орталықтандырылған платформаларға біздің жеке өмірімізге тікелей қол жеткізуге мүмкіндік бермеуі керек," деді ол.
Модель Apache 2.0 лицензиясы бойынша таратылады, салмақтар, GGUF мобильді құрастырулар, Apple Silicon үшін Core ML нұсқалары және сынақ конфигурациялары қолжетімді.
Бұл материал тек таныстыру-ақпараттық мақсатта дайындалған және қаржылық кеңес не ұсыным болып табылмайды.
Ұқсас мақалалар
