Tether AI Researchがエッジ向け音声認識モデルTranscribePsyを発表、スマートグラスとヒューマノイドロボット向け

BlockBeatsのニュースによると、10月14日、Tether AI Researchはオープンソースの多言語自動音声認識モデルQVAC TranscribePsyを発表した。パラメータ数は約2億5400万で、音声をクラウドにアップロードすることなくデバイス上で完全に動作する。公式によると、スマートグラスがBluetoothやWi-Fi経由で接続する音声をほぼリアルタイムで処理でき、ヒューマノイドロボットの機載プロセッサでも動作可能。iPhone 17 Pro MaxのCore MLバージョンでは、10分間の音声の文字起こしに約1.65秒かかる。

公開された評価データによると、TranscribePsyのOpen ASR Leaderboardでの単語誤り率（WER）は8.02%、Multilingual LibriSpeechでは6.58%、Common Voiceでは21.56%。テストした6機種のスマートフォンの中で最速であり、2番目に速いモデルより約2.6倍速い。モデルはノートPC向けに25のヨーロッパ言語、スマートフォン向けに8つのヨーロッパ言語をカバーし、Apache 2.0ライセンスでモデルの重みおよびGGUF、Core MLなどのビルドバージョンを公開している。Tether CEOのPaolo Ardoino氏は、先進的な音声AIがユーザー自身のデバイス上でローカルに動作し、データがデバイスから出る必要がないことを望んでいると述べた。