Tether推出离线语音识别模型TranscribePsy

Tether推出了TranscribePsy，这是一种具有2.54亿参数的语音识别模型，可以直接在智能手机、智能眼镜和类人机器人上转录对话，而无需将音频发送到云服务器。根据Tether AI Research在10月14日的公告，这个开源模型支持多语言语音识别，专为计算资源有限的设备设计。

根据公司的测试，在使用Core ML框架的iPhone 17 Pro Max上，该模型在1.65秒内转录10分钟的音频。TranscribePsy是QVAC AI项目的一部分，该项目旨在直接在消费者设备上启动AI应用程序，同时保持数据隐私。Tether认为，本地处理在医疗咨询、法律访谈、治疗会话和新闻采访中可能是有益的，因为录音可能包含机密信息。

在测试中，Open ASR Leaderboard的词错误率（WER）为8.02%，Multilingual LibriSpeech为6.58%，Common Voice为21.56%。该模型与更大的对手进行了比较，包括Qwen3-ASR-0.6B、omniASR-CTC-1B-v2、OWSM-CTC-v4和Whisper-Medium。根据研究人员的说法，在Multilingual LibriSpeech上，TranscribePsy的表现优于几个大三到四倍的模型。在六部运行处理器的智能手机上进行的测试中，该模型比下一个最快的系统快2.6倍，比Whisper-small快5.7倍。Tether已经发布了测试配置，以便研究人员可以复制结果。

该模型发布了四个版本。一个用于笔记本电脑，支持25种欧洲语言，轻量级配置设计用于八种常见语言。对于移动设备，提供了一个通过parakeet.cpp运行的GGUF版本，以及一个专为苹果神经引擎优化的独立Core ML版本。这些模型处理连续音频，并在检测到语音后不久输出文本。

Tether的CEO Paolo Ardoino表示，随着语音控制设备的普及，公司希望用户能够保持对话的控制权。他说：“AI的未来不应意味着集中平台可以深入了解我们的个人生活。”

该模型根据Apache 2.0许可证分发，提供权重、GGUF移动版本、Apple Silicon的Core ML版本和测试配置。