Tether مدل سخنرانی AI آفلاین را برای عینک های هوشمند و ربات ها راه اندازی می کند

Tether یک مدل تشخیص گفتار ۲۵۴ میلیون پارامتری را منتشر کرده است که می تواند به طور مستقیم بر روی گوشی های هوشمند، عینک های هوشمند و ربات های انسانی بدون ارسال صدا به سرورهای ابر گفتگو کند.

بر اساس اعلام 14 اکتبر از Tether AI Research، مدل منبع باز، به نام QVAC TranscribePsy، از تشخیص چند زبانه گفتار پشتیبانی می کند و برای کار بر روی دستگاه هایی با قدرت محاسباتی محدود طراحی شده است.

این شرکت گفت که این مدل می تواند 10 دقیقه صدا را در 1.65 ثانیه روی آیفون 17 Pro Max با استفاده از چارچوب Core ML اپل تنظیم کند.

Transcribe بخشی از پروژه هوش مصنوعی Tether است که بر اجرای برنامه های هوش مصنوعی به صورت محلی تمرکز دارد. انتشار آن به توسعه دهندگان دسترسی به نرم افزار تشخیص گفتار را می دهد که می تواند بدون اتصال به اینترنت کار کند.

برای عینک های هوشمند، مدل می تواند صدا دریافت شده بر روی بلوتوث یا Wi-Fi را با حداقل تاخیر پردازش کند. ربات های انسان نما می توانند نرم افزار را بر روی پردازنده های داخلی خود اجرا کنند و ظرفیت محاسباتی موجود برای توابع مانند ناوبری، شناسایی بصری و حرکت فیزیکی را ترک کنند.

Tether گفت پردازش محلی می تواند در مشاوره های پزشکی، مصاحبه های قانونی، جلسات درمانی و روزنامه نگاری مفید باشد، جایی که ضبط ها ممکن است حاوی اطلاعات محرمانه باشند.

مدل Transcribe Transcribe نتایج قوی را ثبت می کند

در ارزیابی عملکرد منتشر شده توسط شرکت، Transcribe یک نرخ خطای ۸٫۲٪ کلمه را در Open ASR Leaderboard و 6.5٪ در Multilingual LibriSpeech ثبت کرد.

نرخ خطای کلمه آن در صدای عمومی 21.5٪ بود، با Tether ادعا می کرد که این مدل سیستم های دیگر را در همان دسته پارامتری شکل داده است.

مدل پارامتر 254 میلیون در مقایسه با گزینه های بزرگتر، از جمله Qwen3ASR-0.6B، omniSR-CTC-1B-v2، OWSM-CTC-v4 و Whisper-Me.

با وجود داشتن پارامترهای کمتر، TranscribePsy عملکرد بهتری نسبت به چندین مدل سه تا چهار برابر اندازه آن داشت، با توجه به یافته های تیم تحقیقاتی.

تست های انجام شده در شش گوشی هوشمند نشان داد که این مدل 2.6 برابر سریعتر از سیستم بعدی و 5.7 بار سریعتر از Whisper-کوچک در هنگام اجرا بر روی CPU های تلفن است.

نسخه بهینه شده آیفون آن نیاز به کمتر از نیمی از فضای دیسک و 1.7 برابر حافظه کمتر از مدل رقیب Core ML در ارزیابی دارد.

دقت تشخیص گفتار با استفاده از نرخ خطای کلمه اندازه گیری شد، که کلمات تولید شده توسط یک سیستم رونویسی را در برابر محتوای اصلی صحبت می کند. نمرات پایین تر نشان دهنده خطاهای رونویسی کمتری است.

Tether تنظیمات ارزیابی را در کنار مدل منتشر کرد تا به محققان اجازه دهد نتایج گزارش شده را بازتولید کنند.

نرم افزار تشخیص گفتار از 25 زبان اروپایی پشتیبانی می کند

Transcribe در چهار نسخه طراحی شده برای سخت افزار و نیازهای زبان مختلف منتشر شده است.

یک مدل لپ تاپ از 25 زبان اروپایی پشتیبانی می کند، در حالی که یک پیکربندی زبان کوچکتر بر 8 زبان رایج تمرکز دارد.

برای دستگاه های تلفن همراه، Tether یک نسخه GGUF را فراهم می کند که از طریق موتور parakeet.cpp در qvac-maderic-speech عمل می کند.

نسخه جداگانه Core ML برای موتور عصبی اپل بهینه سازی شده است و اجازه می دهد آیفون های سازگار با استفاده از سخت افزار اختصاصی رونویسی را انجام دهند.

این مدل ها برای رسیدگی به صدا مداوم طراحی شده اند، تولید متن به زودی پس از تشخیص سخنرانی. Tether گفت که سیستم می تواند از برنامه های کنترل صدا پشتیبانی کند که بدون ارسال ضبط به سرورهای خارجی پاسخ می دهند.

با توجه به این شرکت، پردازش گفتار محلی نیاز به انتقال مکالماتی را که ممکن است حاوی اطلاعات شخصی یا محرمانه باشد، کاهش می دهد.

پائولو آردوینو، مدیر عامل شرکت Tether گفت که این شرکت می خواهد کاربران کنترل مکالمات خود را حفظ کنند زیرا دستگاه های فعال صدا رایج تر می شوند.

"آینده AI نباید به معنای دادن سیستم عامل های متمرکز یک صندلی جلو به زندگی شخصی ما باشد.".

او Transcribe را به عنوان نمونه ای از تکنولوژی تشخیص گفتار توصیف کرد که می تواند به طور کامل بر روی دستگاه های شخصی بدون توجه به زیرساخت های متمرکز کار کند.

Tether ابزار توسعه QVAC خود را گسترش می دهد

Transcribe چندین نسخه تحت پروژه QVAC Tether را در طول 2026 دنبال می کند.

در ماه آوریل، Tether QVAC SDK را معرفی کرد، یک ابزار توسعه منبع باز برای اجرای برنامه های AI در تلفن های هوشمند و رایانه.

همانطور که Crypto.news قبلا گزارش شده است، ابزار از iOS، Android، ویندوز، macOS و Linux پشتیبانی می کند، با توابع پوشش نسل متن، پردازش گفتار، تشخیص تصویر و ترجمه.

این نرم افزار از QVAC Fabric، یک نسخه سفارشی از llama.cpp، در کنار تکنولوژی Holepunch برای همتا به توزیع مدل و پردازش سفارش شده استفاده می کند.

قبل از انتشار SDK، Tether LoRA را در ماه مارس برای پشتیبانی از آموزش و اجرای مدل های بزرگ AI در سخت افزار مصرف کننده ادغام کرده بود.

در آن زمان، این شرکت اعلام کرد که مدل های تنظیم شده ی خوبی دارد که حاوی 3.8 میلیارد پارامتر در دستگاه هایی از جمله Pixel 9، Galaxy S25 و iPhone 16 هستند.

تست های آن شامل مدل هایی با حداکثر 13 میلیارد پارامتر در آیفون 16 بود، در حالی که پردازش GPU بهبود سرعت را از دو تا 11 بار در مقایسه با پایه های CPU در ارزیابی شرکت انجام داد.

تحقیقات Tether در محاسبات غیرمتمرکز فراتر از مدل های AI گسترش یافته است.

در ماه سپتامبر، Ardoin پیشرفت در یک موتور جستجوی همتا را که برای کار در سراسر گره های توزیع شده طراحی شده بود، فاش کرد.

این تیم آرشیو کامل ویکی پدیا را در 100 گره ذخیره کرده و عملکرد جستجو را بدون تکیه بر یک سرویس جستجوی متمرکز نشان داد.

موتور جستجو همچنان در حال توسعه است، با تیمی که بر روی معماری کار می کند و قصد دارد هزاران گره متصل را پشتیبانی کند.

کار پیشین AI Tether شامل مجموعه داده های QVAC Genesis I بود که در اکتبر 2025 منتشر شد و 41 میلیارد توکن مصنوعی برای مدل های آموزشی در ریاضیات، علم و استدلال فنی در نظر گرفته شد.

در کنار مجموعه داده ها، شرکت QVAC Workbench را معرفی کرد، یک برنامه مصرف کننده که به کاربران اجازه می دهد تا مدل های AI را به صورت محلی اجرا کنند.

Transcribe با وزنه های باز منتشر شد

آخرین نسخه Transcribe تحت مجوز Apache 2.0 در دسترس است، با Tether شناسایی تحقیقات و استفاده آموزشی به عنوان بخشی از انتشار.

توسعه دهندگان می توانند به وزن مدل، ساخت GGUF تلفن همراه، Apple Core ML نسخه ها و تنظیمات ارزیابی دسترسی داشته باشند.

درون QVAC اکوسیستم Psy، نرم افزار تشخیص گفتار برای کار با سایر مدل های تخصصی، از جمله VisionPsy، TranslatePsy-Nano و MedPsy است.

Tether تجزیه و تحلیل سند، ترجمه، ناوبری و یادداشت خصوصی را شناسایی کرد که به عنوان برنامه های احتمالی برای ادغام های آینده در نظر گرفته می شود. انتشار اکتبر بخش تشخیص گفتار را فراهم می کند، در حالی که این برنامه های ترکیبی آینده نگر هستند.

تیم تحقیقاتی که تحت داده های Tether، S.A. de C.V فعالیت می کند، گفت که کار مداوم آن مدل های جمع آوری را برای پردازش صدا، متن، تصاویر و ویدیو در دستگاه های مصرف کننده پوشش می دهد.