تتر مدل گفتار هوش مصنوعی آفلاین را برای عینک‌های هوشمند و ربات‌ها راه‌اندازی کرد

تتر یک مدل شناسایی گفتار با ۲۵۴ میلیون پارامتر منتشر کرده است که می‌تواند مکالمات را به‌طور مستقیم بر روی گوشی‌های هوشمند، عینک‌های هوشمند و ربات‌های انسان‌نما بدون ارسال صدا به سرورهای ابری رونویسی کند. خلاصه

• تتر مدل هوش مصنوعی TranscribePsy را منتشر کرده است که ۲۵۴ میلیون پارامتر دارد و گفتار را به‌صورت محلی بر روی گوشی‌های هوشمند، عینک‌های هوشمند و ربات‌های انسان‌نما بدون دسترسی به ابر پردازش می‌کند.
• این مدل ۱۰ دقیقه صدا را در ۱.۶۵ ثانیه بر روی iPhone 17 Pro Max رونویسی کرد و در آزمایش‌های تتر سریع‌تر از چندین سیستم شناسایی گفتار رقیب عمل کرد.
• TranscribePsy از ۲۵ زبان اروپایی بر روی لپ‌تاپ‌ها و هشت زبان بر روی گوشی‌ها پشتیبانی می‌کند و نسخه‌های اختصاصی بهینه‌سازی شده برای موتور عصبی اپل دارد.
• انتشار متن‌باز بخشی از پروژه هوش مصنوعی QVAC تتر است که بر روی اجرای برنامه‌های هوش مصنوعی به‌طور مستقیم بر روی دستگاه‌های مصرف‌کننده تمرکز دارد و در عین حال داده‌های کاربر را خصوصی نگه می‌دارد.

طبق اعلامیه‌ای که در تاریخ ۱۴ اکتبر از تتر AI Research منتشر شد، مدل متن‌باز به نام QVAC TranscribePsy از شناسایی گفتار چندزبانه پشتیبانی می‌کند و برای کار بر روی دستگاه‌هایی با قدرت محاسباتی محدود طراحی شده است.

این شرکت اعلام کرد که این مدل می‌تواند ۱۰ دقیقه صدا را در ۱.۶۵ ثانیه بر روی iPhone 17 Pro Max با استفاده از فریم‌ورک Core ML اپل رونویسی کند.

TranscribePsy بخشی از پروژه هوش مصنوعی QVAC تتر است که بر روی اجرای برنامه‌های هوش مصنوعی به‌صورت محلی تمرکز دارد. انتشار آن به توسعه‌دهندگان دسترسی به نرم‌افزار شناسایی گفتار که می‌تواند بدون اتصال به اینترنت عمل کند، می‌دهد.

برای عینک‌های هوشمند، این مدل می‌تواند صداهای دریافتی از طریق بلوتوث یا Wi-Fi را با حداقل تأخیر پردازش کند. ربات‌های انسان‌نما می‌توانند این نرم‌افزار را بر روی پردازنده‌های داخلی خود اجرا کنند و ظرفیت محاسباتی را برای عملکردهایی مانند ناوبری، شناسایی بصری و حرکت فیزیکی آزاد بگذارند.

تتر اعلام کرد که پردازش محلی می‌تواند در مشاوره‌های پزشکی، مصاحبه‌های قانونی، جلسات درمانی و روزنامه‌نگاری مفید باشد، جایی که ضبط‌ها ممکن است حاوی اطلاعات محرمانه باشند.

مدل TranscribePsy تتر نتایج قوی در معیارهای ارزیابی ثبت کرده است

در ارزیابی‌های عملکردی که توسط این شرکت منتشر شده است، TranscribePsy نرخ خطای کلمه ۸.۰۲٪ را در Open ASR Leaderboard و ۶.۵۸٪ را در Multilingual LibriSpeech ثبت کرده است.

نرخ خطای کلمه آن در Common Voice ۲۱.۵۶٪ بود و تتر ادعا می‌کند که این مدل از سایر سیستم‌ها در همان دسته پارامتر پیشی گرفته است.

مدل ۲۵۴ میلیون پارامتری با گزینه‌های بزرگتر مقایسه شده است، از جمله Qwen3-ASR-0.6B، omniASR-CTC-1B-v2، OWSM-CTC-v4 و Whisper-Medium.

با وجود اینکه پارامترهای کمتری دارد، TranscribePsy در معیار Multilingual LibriSpeech بهتر از چندین مدل سه تا چهار برابر بزرگتر عمل کرده است، طبق یافته‌های تیم تحقیقاتی.

آزمایش‌هایی که در شش گوشی هوشمند انجام شد نشان داد که این مدل ۲.۶ برابر سریع‌تر از سریع‌ترین سیستم بعدی و ۵.۷ برابر سریع‌تر از Whisper-small هنگام اجرا بر روی CPUهای گوشی است.

نسخه بهینه‌سازی شده آن برای iPhone به کمتر از نیمی از فضای دیسک و ۱.۷ برابر کمتر از حافظه نسبت به یک مدل Core ML رقیب نیاز داشت که در ارزیابی گنجانده شده بود.

دقت شناسایی گفتار با استفاده از نرخ خطای کلمه اندازه‌گیری شد، که کلمات تولید شده توسط یک سیستم رونویسی را با محتوای گفتاری اصلی مقایسه می‌کند. نمرات پایین‌تر نشان‌دهنده خطاهای رونویسی کمتر است.

تتر پیکربندی‌های ارزیابی را به همراه مدل منتشر کرد تا به محققان اجازه دهد نتایج گزارش شده را بازتولید کنند.

نرم‌افزار شناسایی گفتار از ۲۵ زبان اروپایی پشتیبانی می‌کند

TranscribePsy در چهار نسخه منتشر شده است که برای نیازهای سخت‌افزاری و زبانی مختلف طراحی شده‌اند.

یک مدل لپ‌تاپ از ۲۵ زبان اروپایی پشتیبانی می‌کند، در حالی که یک پیکربندی زبان کوچکتر بر روی هشت زبان رایج تمرکز دارد.

برای دستگاه‌های موبایل، تتر نسخه GGUF را ارائه می‌دهد که از طریق موتور parakeet.cpp در qvac-fabric-speech عمل می‌کند.

یک نسخه جداگانه Core ML برای موتور عصبی اپل بهینه‌سازی شده است و به iPhoneهای سازگار اجازه می‌دهد تا با استفاده از سخت‌افزار اختصاصی رونویسی انجام دهند.

مدل‌ها به گونه‌ای طراحی شده‌اند که بتوانند صدای مداوم را پردازش کنند و بلافاصله پس از شناسایی گفتار، متن تولید کنند. Tether اعلام کرد که این سیستم می‌تواند از برنامه‌های کنترل صوتی پشتیبانی کند که بدون ارسال ضبط‌ها به سرورهای خارجی، پاسخ می‌دهند.

به گفته این شرکت، پردازش محلی گفتار نیاز به انتقال مکالماتی که ممکن است حاوی اطلاعات شخصی یا محرمانه باشند را کاهش می‌دهد.

پائولو آردوینو، مدیرعامل Tether، گفت که این شرکت می‌خواهد کاربران کنترل مکالمات خود را حفظ کنند زیرا دستگاه‌های فعال با صدا به طور فزاینده‌ای رایج می‌شوند.

"آینده هوش مصنوعی نباید به معنای دادن جایگاه اول به پلتفرم‌های متمرکز در زندگی شخصی ما باشد،" آردوینو گفت.

او TranscribePsy را به عنوان نمونه‌ای از فناوری شناسایی گفتار توصیف کرد که می‌تواند به طور کامل بر روی دستگاه‌های شخصی بدون وابستگی به زیرساخت‌های متمرکز عمل کند.

TranscribePsy پس از چندین انتشار تحت پروژه QVAC Tether در سال 2026 منتشر شد.

در آوریل، Tether SDK QVAC را معرفی کرد، یک ابزار توسعه متن باز برای اجرای برنامه‌های هوش مصنوعی بر روی گوشی‌های هوشمند و کامپیوترها.

همانطور که crypto.news قبلاً گزارش داده بود، این ابزار از iOS، Android، Windows، macOS و Linux پشتیبانی می‌کند و شامل عملکردهایی برای تولید متن، پردازش گفتار، شناسایی تصویر و ترجمه است.

نرم‌افزار از QVAC Fabric، یک نسخه سفارشی از llama.cpp، به همراه فناوری Holepunch برای توزیع مدل همتا به همتا و پردازش واگذار شده استفاده می‌کند.

قبل از انتشار SDK، Tether در ماه مارس BitNet LoRA را به QVAC Fabric ادغام کرده بود تا از آموزش و اجرای مدل‌های بزرگ هوش مصنوعی بر روی سخت‌افزار مصرف‌کننده پشتیبانی کند.

در آن زمان، این شرکت اعلام کرد که مدل‌هایی با حداکثر 3.8 میلیارد پارامتر را بر روی دستگاه‌هایی از جمله Pixel 9، Galaxy S25 و iPhone 16 بهینه‌سازی کرده است.

آزمایش‌های آن شامل مدل‌هایی با حداکثر 13 میلیارد پارامتر بر روی iPhone 16 بود، در حالی که پردازش GPU بهبود سرعتی بین دو تا 11 برابر در مقایسه با پایه‌های CPU در ارزیابی‌های شرکت ارائه داد.

تحقیقات Tether در زمینه محاسبات غیرمتمرکز فراتر از مدل‌های هوش مصنوعی گسترش یافته است.

در سپتامبر، آردوینو پیشرفت‌هایی در یک موتور جستجوی همتا به همتا که قرار است در گره‌های توزیع شده عمل کند، فاش کرد.

تیم تمام آرشیو ویکی‌پدیا را در 100 گره ذخیره کرده و عملکرد جستجو را بدون وابستگی به یک سرویس جستجوی متمرکز نشان داد.

این موتور جستجو همچنان در حال توسعه است و تیم در حال کار بر روی معماری است که قرار است از هزاران گره متصل به هم پشتیبانی کند.

کارهای قبلی هوش مصنوعی Tether شامل مجموعه داده QVAC Genesis I بود که در اکتبر 2025 با 41 میلیارد توکن مصنوعی برای آموزش مدل‌ها در ریاضیات، علوم و استدلال فنی منتشر شد.

در کنار مجموعه داده، این شرکت QVAC Workbench را معرفی کرد، یک برنامه مصرف‌کننده که به کاربران اجازه می‌دهد مدل‌های هوش مصنوعی پشتیبانی شده را به صورت محلی اجرا کنند.

TranscribePsy با وزن‌های مدل باز منتشر شد

آخرین نسخه TranscribePsy تحت مجوز Apache 2.0 در دسترس است و Tether استفاده‌های تحقیقاتی و آموزشی را به عنوان بخشی از انتشار شناسایی کرده است.

توسعه‌دهندگان می‌توانند به وزن‌های مدل، ساخت‌های موبایل GGUF، نسخه‌های Apple Silicon Core ML و پیکربندی‌های ارزیابی دسترسی پیدا کنند.

در اکوسیستم QVAC Psy، نرم‌افزار شناسایی گفتار قرار است با سایر مدل‌های تخصصی، از جمله VisionPsy، TranslatePsy-Nano و MedPsy کار کند.

Tether تحلیل اسناد، ترجمه، ناوبری و یادداشت‌برداری خصوصی را به عنوان کاربردهای ممکن برای ادغام‌های آینده شناسایی کرده است. انتشار اکتبر، مؤلفه شناسایی گفتار را فراهم می‌کند، در حالی که آن ادغام‌های ترکیبی همچنان در حال بررسی هستند.

تیم تحقیقاتی که تحت Tether Data، S.A. de C.V. فعالیت می‌کند، گفت که کارهای ادامه‌دار آن شامل مدل‌های فشرده برای پردازش صدا، متن، تصاویر و ویدیو بر روی دستگاه‌های مصرف‌کننده است.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.