Tether lancia un modello di riconoscimento vocale eseguibile localmente su smartphone e computer

Tether, attraverso QVAC, ha lanciato nel ottobre 2026 TranscribePsy, un modello di riconoscimento vocale che può essere eseguito localmente su smartphone e laptop. Ha 254 milioni di parametri, la versione per laptop supporta 25 lingue europee, mentre la versione mobile ne supporta 8. I pesi del modello sono disponibili con licenza Apache 2.0, consentendo agli utenti di scaricarli e completare la trascrizione vocale sui propri dispositivi.

Completare la trascrizione vocale sul dispositivo riduce la necessità di caricare l'audio originale.

Per molte persone, l'esperienza più diretta del riconoscimento vocale è premere il pulsante di registrazione e ricevere successivamente un testo. TranscribePsy cerca di riportare il processo di riconoscimento sul dispositivo stesso, evitando che la voce venga automaticamente inviata al cloud per la trascrizione. È interessante notare che l'IA sul dispositivo inizia a espandersi dalle chat e dalla generazione di immagini a funzioni di base nei dispositivi quotidiani; il suo ambito di applicazione deve essere valutato in base al supporto linguistico, alle prestazioni del dispositivo e alla catena di elaborazione dei dati.

Quando queste funzioni entrano negli ambienti lavorativi, la trascrizione vocale può trasformarsi da "strumento usato occasionalmente" a un punto di accesso ai dati. Interviste giornalistiche, riunioni legali, dettati medici e discussioni interne aziendali possono essere prima registrati e poi trasformati in testi ricercabili. Spostare il trattamento dal cloud al dispositivo locale cambierà il sistema attraverso cui passano i dati e chi si occupa della manutenzione dei dispositivi e dei file.

1. Il modello porta la trascrizione vocale sul dispositivo

Il riconoscimento vocale basato su cloud richiede solitamente di inviare l'audio ai server del fornitore, che restituiscono il testo. I modelli sul dispositivo eseguono invece l'inferenza su smartphone o computer, rendendo la connessione di rete non più un prerequisito per completare la trascrizione. Registrazioni di riunioni offline, promemoria vocali personali e ambienti con connessioni di rete instabili sono tutti scenari in cui questo approccio potrebbe rivelarsi utile.

TranscribePsy supporta più lingue attraverso un modello di base abbinato a un adattatore linguistico. La versione rivelata da QVAC copre 25 lingue europee sui laptop e 8 su smartphone; il cinese attualmente non è nella lista di supporto. La memoria, il chip e il budget energetico della versione mobile sono più limitati, quindi l'intervallo di lingue disponibili è inferiore a quello della versione per computer. Per gli utenti cinesi, attualmente viene mostrata la traiettoria della tecnologia vocale sul dispositivo, mentre la trascrizione in cinese richiede ancora l'uso di altre soluzioni.

La copertura linguistica è diversa tra computer e smartphone; l'attuale versione non supporta il cinese.

Il fornitore afferma che i pesi del modello sono disponibili con licenza Apache 2.0, consentendo agli sviluppatori di scaricarli e implementarli sui dispositivi. Questa pubblicazione ha reso disponibili i pesi del modello e le relative configurazioni di valutazione, ma il codice di addestramento e i dati di addestramento non sono inclusi nel pacchetto di rilascio. Gli sviluppatori devono comunque verificare separatamente l'ambito di licenza di ciascun modello, strumento di inferenza e componente applicativa durante l'integrazione.

QVAC spiega che questo modello è stato ridotto da un modello di riconoscimento vocale più grande, continuando a utilizzare il modello originale come "insegnante" per l'addestramento. Utilizza un'architettura FastConformer-TDT con circa 254 milioni di parametri; il team afferma che l'addestramento ha coperto circa 564.000 ore in 25 lingue. Per gli sviluppatori di prodotti, il numero di parametri significa che è più facile caricarlo nella memoria e completare i calcoli sui telefoni; un numero ridotto di parametri non garantisce automaticamente l'accuratezza in ogni lingua, poiché anche i campioni di addestramento, gli accenti e l'implementazione del dispositivo sono importanti.

Un altro dettaglio del design multilingue della versione desktop è che l'inglese è gestito dai pesi di base, mentre le altre 24 lingue sono dotate di adattatori; quando l'utente non specifica una lingua, il sistema prima determina la lingua e poi seleziona il percorso corrispondente. La versione mobile è ridotta a otto lingue, coprendo inglese, olandese, francese, tedesco, italiano, polacco, portoghese e spagnolo. Se un'azienda prevede di implementare in un team multinazionale, dovrebbe testare in base alla lingua di lavoro effettiva, senza interpretare direttamente "supporta 25 lingue" come se ogni telefono potesse utilizzare tutte le lingue.

Questa versione gestisce una registrazione vocale già completata o un audio registrato completo, e non offre ancora la trascrizione in tempo reale mentre si parla. Generare rapidamente un verbale dopo la fine di una riunione è diverso dal mostrare sottotitoli in tempo reale durante un servizio clienti telefonico; i requisiti tecnici sono diversi. QVAC afferma che la funzione in streaming è ancora in fase di sviluppo; le aziende che necessitano di dettatura in tempo reale devono scegliere i prodotti in base alle capacità attuali, senza considerare la roadmap come una funzionalità già consegnata.

2. L'esecuzione offline può ridurre una parte della trasmissione audio

Spostare l'inferenza localmente comporta il cambiamento più evidente: il percorso di elaborazione audio è accorciato. I dispositivi possono direttamente generare testo dopo la registrazione, riducendo la necessità di caricare l'audio originale su server di terze parti. Questo ha un valore pratico in scenari che coinvolgono comunicazioni con i clienti, riunioni interne o privacy personale, e riduce anche la dipendenza da una connessione di rete continua.

L'effetto sulla privacy dipende anche dai log, dai backup e dal flusso di dati dell'applicazione stessa.

Tuttavia, se l'audio lascia o meno il dispositivo dipende ancora da come è progettata l'applicazione completa. Il software potrebbe sincronizzare i risultati della trascrizione nel cloud, potrebbe inviare log di crash o statistiche d'uso al fornitore, o potrebbe richiamare servizi cloud per completare riassunti, traduzioni o ricerche dopo il riconoscimento. Durante l'implementazione aziendale, è necessario verificare i permessi del microfono, la posizione della cache audio, il contenuto dei log, i backup automatici e i canali di aggiornamento del modello. L'inferenza sul dispositivo cambia la posizione di elaborazione, ma l'effetto sulla privacy è infine determinato dal flusso di dati del prodotto.

Questo rende anche la gestione dei dispositivi un nuovo carico di lavoro. Le organizzazioni devono pianificare aggiornamenti di versione del modello, protezione da malware, gestione della perdita di dispositivi e politiche di eliminazione dei file audio locali. Di fronte a dati regolamentati, è necessario anche valutare se è necessario informare i dipendenti, ottenere il consenso dei clienti, controllare l'accesso e gestire i termini di conservazione. I modelli possono fornire capacità di base amichevoli per la privacy, ma le organizzazioni devono comunque integrarle nei loro processi di governance dei dati esistenti.

C'è uno scenario che potrebbe essere facilmente trascurato. I dipendenti utilizzano i propri smartphone per registrare riunioni con i clienti; sebbene l'audio non venga caricato presso il fornitore di servizi di trascrizione, il telefono potrebbe aver attivato il backup della galleria fotografica di sistema, e il testo della trascrizione potrebbe essere sincronizzato automaticamente nel cloud personale. Se l'organizzazione controlla solo se il modello funziona localmente, perderà il flusso di dati successivo. Un approccio più sicuro è utilizzare dispositivi gestiti o contenitori di applicazioni gestiti, limitando la posizione di salvataggio dei file, i metodi di crittografia, le impostazioni di backup e i permessi di esportazione, e informando i dipendenti su quando devono interrompere la registrazione.

L'esecuzione sul dispositivo cambierà anche le priorità del team di sicurezza informatica. In modalità cloud, le aziende possono gestire centralmente gli account dei fornitori e le chiamate API; in modalità locale, devono anche sapere quali terminali hanno installato il modello, quale versione utilizzano, se ci sono vulnerabilità note e come bloccare i dispositivi persi da remoto. In scenari in cui il contenuto delle registrazioni è particolarmente sensibile, è possibile memorizzare audio e testo in directory controllate dall'azienda, impostando pulizie programmate e audit degli accessi. Solo così si può mantenere il vantaggio di "audio non riconosciuto attraverso il cloud".

Dal punto di vista legale, se registrare, se è possibile trascrivere e per quanto tempo conservare, dipende ancora dallo scenario specifico e dalla giurisdizione applicabile. Ad esempio, le informazioni personali utilizzate in interviste ai clienti e in formazione interna hanno scopi diversi; le conversazioni che coinvolgono segreti commerciali devono anche considerare accordi di riservatezza e ambiti di accesso. Il riconoscimento sul dispositivo può ridurre un ricevente esterno, ma non sostituisce la decisione dell'azienda sulla legittimità della registrazione. Nella pratica, è necessario includere l'informativa sulla registrazione, l'uso, il periodo di conservazione e i permessi di accesso interni nei processi di riunione o intervista, e non solo nel piano tecnico.

3. I risultati dei test dei fornitori devono essere contestualizzati

QVAC ha rivelato che i test di riferimento indicano che TranscribePsy ha ottenuto buoni risultati di riconoscimento in un confronto con modelli di dimensioni simili selezionati, e ha testato la velocità di esecuzione su sei smartphone. Questi risultati provengono dall'ambiente di test del fornitore e possono essere utilizzati per comprendere gli obiettivi di test del team di progetto e l'ambito dei dispositivi. Dispositivi diversi, accenti, rumori, distanza di registrazione e terminologia specialistica possono ancora influenzare le prestazioni effettive; le prove di prestazione pubbliche attuali provengono principalmente dai test del fornitore.

Il fornitore ha fornito alcuni numeri verificabili. Nei test medi di otto lingue del multilingue LibriSpeech, riporta circa 6,58 errori ogni 100 parole, mentre il numero per i modelli selezionati di pari livello è di circa 11 o più. L'indicatore di test si chiama "tasso di errore delle parole", che contabilizza parole mancanti, parole errate e parole scritte in eccesso; valori più bassi indicano che il riconoscimento su quel set di test è più vicino al testo di riferimento. Questo dato indica che il team ha ottenuto buoni risultati su benchmark pubblici, ma se una riunione è piena di abbreviazioni professionali, nomi o dialetti, il tempo di revisione effettivo deve ancora essere determinato dai campioni dell'istituzione stessa.

I test delle prestazioni devono anche considerare i dispositivi e le specifiche. QVAC ha eseguito lo stesso campione vocale di 40 minuti in otto lingue su sei smartphone, pubblicando i tempi di elaborazione sui dispositivi iPhone, Samsung e Pixel. La versione Core ML per iPhone può utilizzare il processore neurale, mentre la versione GGUF per dispositivi Android si basa principalmente sulla CPU, quindi la velocità dello stesso modello varia notevolmente su macchine diverse. Se un prodotto promette agli utenti "trascrivere un'ora di registrazione in pochi secondi", dovrebbe specificare il modello di smartphone, se il modello è pre-caricato, la lunghezza della registrazione e le condizioni di test.

L'efficacia del riconoscimento vocale è strettamente correlata alle condizioni d'uso. La stessa registrazione in un ufficio tranquillo e in una sala riunioni aperta può dare risultati diversi; i termini specialistici nei settori legali, medici e finanziari possono anche influenzare significativamente la qualità del riconoscimento. Le istituzioni dovrebbero testare con i propri campioni di registrazione prima di acquistare o implementare, valutando separatamente il tasso di errore delle parole, la velocità di elaborazione, il consumo di risorse del dispositivo e il tempo di correzione manuale. I risultati di benchmark pubblici attuali provengono principalmente dal fornitore, e i test di terze parti indipendenti meritano ancora attenzione.

I costi operativi del modello sul dispositivo ricadranno anche sui dispositivi specifici. Il download del modello richiede spazio di archiviazione, il processo di inferenza utilizza memoria e risorse di calcolo e comporta consumo di energia e calore. I computer potrebbero essere più adatti per elaborare registrazioni più lunghe in batch, mentre gli smartphone sono più adatti per registrazioni brevi e rapide; l'esperienza su dispositivi diversi deve essere valutata separatamente.

Se un'azienda intende utilizzarlo per interviste con i clienti o riunioni interne, può prima effettuare test su piccola scala con diversi accenti, distanze di riunione, rumori di fondo e terminologia di settore, registrando contemporaneamente il tempo di correzione della trascrizione. Quando si tratta di informazioni personali, è necessario confermare lo scopo della registrazione, i permessi di accesso, il periodo di conservazione e le procedure di gestione in caso di smarrimento del dispositivo. Per scenari professionali, i risultati della trascrizione devono comunque essere verificati manualmente, specialmente per contenuti chiave come importi, nomi, termini medici e obblighi contrattuali.

L'esecuzione sul dispositivo trasferirà parte del controllo dei dati alla gestione terminale. Le aziende devono decidere quali dispositivi possono scaricare il modello, come aggiornare le versioni del modello, se gli utenti possono esportare testi, quando eliminare file offline e se i log delle applicazioni includono frammenti di registrazione. Includere queste questioni nella valutazione degli acquisti garantirà che l'implementazione sul dispositivo si integri con le regole di governance dei dati esistenti dell'organizzazione.

Per ridurre i malintesi durante il pilota, è possibile effettuare una valutazione a doppio binario su piccola scala. Selezionare registrazioni di riunioni, interviste o lezioni reali ma autorizzate, creare manualmente una bozza di correzione e far trascrivere sia il modello locale che il servizio cloud esistente; successivamente confrontare l'accuratezza, il tempo di correzione necessario per un'ora di registrazione, il consumo di energia del dispositivo e i costi di manutenzione del team di sicurezza. Se il modello sul dispositivo si comporta bene in ambienti silenziosi, ma degrada notevolmente in discussioni di gruppo, l'ambito di applicazione può essere inizialmente limitato a dettati personali o brevi promemoria vocali. Questa conclusione è più utile rispetto a guardare semplicemente una classifica.

Una volta che viene effettivamente utilizzato, è necessario gestire la responsabilità della correzione post-trascrizione. I verbali delle riunioni entreranno nei registri decisionali, le trascrizioni delle interviste potrebbero diventare materiali per articoli o ricerche, e le registrazioni delle negoziazioni contrattuali potrebbero persino essere utilizzate per la risoluzione delle controversie. Il sistema di riconoscimento è responsabile solo della generazione del testo; l'organizzazione deve contrassegnare quali sezioni sono state verificate manualmente, chi ha modificato nomi e numeri e fino a quando verrà conservato l'audio originale. Se una trascrizione non verificata viene direttamente inviata a un modello di sintesi, che poi invia automaticamente un'email, un importo errato potrebbe attraversare diversi sistemi, apparendo infine come una conclusione ufficiale.

Per gli sviluppatori di applicazioni, i pesi open source abbassano la soglia di implementazione, ma non esonerano dal lavoro di adattamento del dispositivo. L'input audio deve essere convertito nel formato richiesto dal modello, le lunghe registrazioni devono essere elaborate in segmenti, e la punteggiatura, la distinzione dei parlanti e la terminologia specialistica potrebbero essere completate da altri componenti. Ogni componente aggiunto comporta un ulteriore livello di licenza e problemi di elaborazione dei dati. Se un prodotto afferma di essere "completamente offline", dovrebbe verificare se il download iniziale, l'aggiornamento del modello, il feedback sui crash e il login dell'account dipendono ancora dalla rete; se un'azienda richiede solo che l'audio sensibile non esca localmente, potrebbe consentire richieste di aggiornamento non sensibili di collegarsi a Internet, l'importante è chiarire i due tipi di flussi.

Dal punto di vista economico, i servizi cloud addebitano costi in base all'uso e si occupano della maggior parte della manutenzione computazionale, mentre l'esecuzione locale distribuisce i calcoli su smartphone e computer. Per un'operazione occasionale di trascrizione di dieci minuti, la differenza potrebbe essere minima; i team che gestiscono quotidianamente grandi volumi di interviste o riunioni saranno più interessati ai costi di abbonamento, all'usura dei dispositivi e al tempo di correzione degli impiegati. Le decisioni di acquisto non possono limitarsi a confrontare se il modello è gratuito. L'apertura del modello, la manutenzione del software di implementazione, l'aggiornamento dei terminali e il supporto tecnico sono responsabilità di soggetti diversi, e le aziende devono includere questi costi in un'unica tabella.

C'è anche una questione di prodotto più semplice: gli utenti comuni sono disposti ad aspettare il download e il caricamento del modello? QVAC ha rivelato che la memoria di picco sui telefoni è di circa 530-542MiB, e diversi sistemi potrebbero anche imporre limiti alle applicazioni in background. I dispositivi più vecchi, anche se possono funzionare, potrebbero essere recuperati dal sistema durante il passaggio tra le applicazioni. I prodotti destinati al pubblico dovrebbero fornire requisiti minimi per i dispositivi, dimensioni del download iniziale, ambito di utilizzo offline e modalità di gestione in caso di errore; altrimenti, anche se tecnicamente implementabili, l'esperienza utente potrebbe essere ostacolata già al primo passo.

4. Il punto di competizione dei modelli vocali sul dispositivo è l'esperienza di implementazione

TranscribePsy ha mostrato una direzione di prodotto chiara: trasformare il riconoscimento vocale da una funzione server in una capacità locale eseguibile sui dispositivi. Per gli sviluppatori, i pesi aperti significano che possono integrare attorno a smartphone, computer, occhiali intelligenti o robot; per gli utenti organizzativi, l'adozione dipenderà dal supporto linguistico, dalla compatibilità dei terminali, dalla qualità del riconoscimento e dalla capacità di gestione operativa di soddisfare le esigenze aziendali specifiche.

Vale la pena osservare il supporto per il cinese, il riconoscimento in tempo reale e i test indipendenti su diversi dispositivi. Il fornitore ha dichiarato che il riconoscimento in tempo reale è ancora in fase di sviluppo. Con l'ingresso di modelli sul dispositivo in più hardware, la competizione si concentrerà maggiormente sulla velocità di avvio, sul consumo energetico, sull'accuratezza e sul design del trattamento dei dati delle applicazioni. Gli utenti si preoccupano infine di sapere se il modello può completare il lavoro in modo stabile sui propri dispositivi e ambienti linguistici, e se il prodotto chiarisce dove vanno le registrazioni, i testi trascritti e i log.

Tether ha anche una logica di prodotto nella sua disposizione per l'IA locale: la voce deve prima diventare testo, affinché altri modelli sul dispositivo possano fare traduzioni, ricerche o rispondere a domande. QVAC ha anche presentato idee per modelli correlati come visione e traduzione, ma ogni funzione combinata ha i propri flussi di dati e requisiti di qualità. Il rilascio del modello vocale dimostra che alcune capacità di base possono già essere eseguite sui dispositivi personali; se i prodotti futuri possono fornire un'esperienza affidabile dipenderà ancora dalla copertura linguistica, dal design dell'applicazione e dalla volontà degli utenti di gestire attivamente i dati localmente.

Per i lettori cinesi, la limitazione più diretta al momento rimane la lingua. Il cinese non è nella lista di supporto di questa pubblicazione, quindi non può temporaneamente sostituire gli strumenti di trascrizione per riunioni locali in cinese. Tuttavia, questo modello mostra un cambiamento degno di essere monitorato: quando gli smartphone hanno capacità di riconoscimento sufficienti, se i materiali vocali devono essere caricati nel cloud diventerà gradualmente una questione che il design del prodotto può scegliere attivamente.

Questo contenuto è fornito a solo scopo informativo generale e non costituisce consulenza finanziaria, di investimento, legale o fiscale. Qualsiasi evento, ricompensa, promozione online o informazione correlata menzionata nel presente documento non deve essere considerata una raccomandazione, una sollecitazione o un invito ad acquistare, vendere, fare trading o altrimenti negoziare criptovalute. Le criptovalute sono altamente volatili e possono comportare perdite. La disponibilità dei servizi, dei prodotti e degli eventi correlati di WEEX può variare a seconda della regione. È tua responsabilità assicurarti che la tua partecipazione sia conforme alle leggi e ai regolamenti locali applicabili.