Tether، شرکت سازنده بزرگترین استیبل کوین جهان، TranscribePsy را منتشر کرده است، مدلی با ۲۵۴ میلیون پارامتر تشخیص گفتار که مکالمات را مستقیماً روی گوشی‌های هوشمند، عینک‌های هوشمند و روبات‌های انسان‌نما بدون ارسال صدا به سرورهای ابری رونویسی می‌کند. این انتشار که این هفته به عنوان بخشی از پروژه هوش مصنوعی QVAC این شرکت اعلام شد، آخرین نشانه ای است که تتر در ساخت نرم افزار هوش مصنوعی کاملاً روی دستگاه های شخصی جدی است.

این اقدام یک شرکت رمزنگاری را در موقعیت غیرمنتظره‌ای قرار می‌دهد: رقابت با ارائه‌دهندگان هوش مصنوعی ابری بر سر این استدلال که داده‌های صوتی برای خروج از دستگاه بسیار حساس هستند. پائولو آردوینو، مدیرعامل تتر در این اطلاعیه گفت: «آینده هوش مصنوعی نباید به این معنا باشد که پلتفرم‌های متمرکز را در ردیف اول زندگی شخصی خود قرار دهیم. او TranscribePsy را نمونه‌ای از تشخیص گفتار توصیف کرد که می‌تواند به طور کامل بر روی سخت‌افزار شخصی کار کند، بدون اینکه به زیرساخت‌های متمرکز وابسته باشد. For more context on this story, see our ongoing more AI stories.

نتایج بنچمارک: سریعتر از Whisper در CPUهای تلفن

به گزارش crypto.news که ارزیابی منتشر شده شرکت را بررسی کرد، تتر این مدل را در شش گوشی هوشمند آزمایش کرد و متوجه شد که عملکرد آن ۲.۶ برابر سریع‌تر از سریع‌ترین سیستم بعدی ارزیابی‌شده و ۵.۷ برابر سریع‌تر از مدل منبع باز Whisper-small OpenAI در هنگام اجرا بر روی پردازنده‌های تلفن همراه است. در آیفون، یک نسخه بهینه شده برای Core ML به کمتر از نیمی از فضای دیسک و 1.7 برابر حافظه کمتری نسبت به مدل رقیب Core ML نیاز داشت.

دقت با استفاده از میزان خطای کلمه اندازه‌گیری شد، معیار استانداردی که تعداد کلماتی را که یک سیستم رونویسی در برابر محتوای گفتاری اصلی اشتباه می‌کند، محاسبه می‌کند. تتر پیکربندی‌های ارزیابی را در کنار مدل منتشر کرد تا محققان مستقل بتوانند اعداد گزارش‌شده را بازتولید کنند - یک روش شفاف‌سازی که در بین فروشندگان هوش مصنوعی مصرف‌کننده غیرمعمول باقی مانده است.

چهار نسخه برای سخت افزارهای مختلف

TranscribePsy در چهار بیلد با هدف کلاس های مختلف سخت افزار ارسال می شود:

  • یک مدل لپ تاپ که از 25 زبان اروپایی پشتیبانی می کند
  • یک پیکربندی کوچکتر متمرکز بر هشت زبان رایج
  • یک نسخه GGUF که از طریق موتور parakeet.cpp در نرم افزار qvac-fabric-speech Tether برای دستگاه های تلفن همراه اجرا می شود.
  • یک نسخه Core ML که برای موتور عصبی اپل بهینه شده است و به آیفون های سازگار اجازه می دهد با استفاده از سیلیکون اختصاصی رونویسی کنند.

این مدل‌ها به گونه‌ای طراحی شده‌اند که صدای پیوسته را کنترل می‌کنند و متن کوتاهی پس از تشخیص گفتار تولید می‌کنند. تتر می‌گوید این سیستم می‌تواند از برنامه‌های کنترل‌شده صوتی پشتیبانی کند که بدون ارسال فایل‌های ضبط‌شده به سرورهای خارجی پاسخ می‌دهند - این ادعای معنادار برای عینک‌های هوشمند و دستگاه‌های پوشیدنی است، جایی که میکروفون‌های همیشه روشن نگرانی‌های دائمی را در مورد حفظ حریم خصوصی ایجاد کرده‌اند.

بخشی از یک فشار QVAC گسترده تر

TranscribePsy آخرین نسخه تحت پروژه QVAC Tether است که به طور پیوسته تا سال 2026 گسترش یافته است. در ماه آوریل، این شرکت QVAC SDK را معرفی کرد، یک ابزار توسعه منبع باز برای اجرای برنامه های هوش مصنوعی در iOS، Android، Windows، macOS و Linux، که شامل تولید متن، پردازش گفتار، تشخیص تصویر و ترجمه می شود. این جعبه ابزار بر روی پارچه QVAC، نسخه سفارشی llama.cpp ساخته شده است و از فناوری Holepunch برای توزیع مدل همتا به همتا استفاده می کند.

در اوایل سال، تتر آموزش BitNet LoRA را در QVAC Fabric ادغام کرد و گفت که مدل‌هایی را با حداکثر 3.8 میلیارد پارامتر در دستگاه‌های مصرف‌کننده از جمله Pixel 9، Galaxy S25 و iPhone 16 تنظیم کرده است، با آزمایش‌هایی که مدل‌های تا 13 میلیارد پارامتر را در iPhone 16 پوشش می‌دهد. آرشیو کامل ویکی پدیا در 100 گره توزیع شده. و در اکتبر 2025، این شرکت مجموعه داده QVAC Genesis I را منتشر کرد، 41 میلیارد توکن مصنوعی با هدف آموزش مدل‌هایی در ریاضیات، علوم و استدلال فنی.

چرا مهم است

رقابت هوش مصنوعی روی دستگاه تشدید شده است زیرا سازندگان دستگاه به دنبال ویژگی هایی هستند که بدون اتصال و بدون خروج داده از گوشی کار کنند. Whisper همچنان پرکاربردترین مدل گفتار باز است، اما برای قدرت پردازنده تلفن طراحی نشده است، جایی که مدل‌های کوچک هدفمند فضایی برای تمایز دارند. ادعاهای بنچمارک تتر، اگر به تکرار مستقل ادامه دهند، TranscribePsy را در جلوی آن بسته قرار می‌دهند.

برای Tether، این استراتژی همچنین یک پرچین است. کسب و کار اصلی این شرکت همچنان استیبل کوین USDT است، اما رهبری آن سال 2026 را صرف ساخت مجموعه‌ای از زیرساخت‌های هوش مصنوعی محلی - مدل‌ها، SDKs، مجموعه داده‌ها و توزیع همتا به همتا - کرده است که با اخلاق غیرمتمرکز پایگاه کاربر آن همخوانی دارد و در عین حال وابستگی به تعداد کمی از ارائه‌دهندگان هوش مصنوعی ابری را که در حال حاضر کنترل می‌کنند، کاهش می‌دهد.

این که آیا یک صادرکننده استیبل کوین می‌تواند به یک بازیکن معتبر در گفتار هوش مصنوعی تبدیل شود، یک سوال باز است. اما با یک معیار منتشر شده، پیکربندی‌های قابل تکرار و یک مدل کاری که بر روی تلفن‌هایی اجرا می‌شود که افراد قبلاً دارند، TranscribePsy انتشار دقیق‌تری نسبت به اکثر اعلامیه‌های هوش مصنوعی روی دستگاه است - و نشانه‌ای از این است که بخش اول بازار هوش مصنوعی در حال جذب افراد غیرمحتمل است.

معامله: قابلیت در مقابل کنترل

مدل‌های کوچک روی دستگاه هنوز همتای ابری خود را در دقت خام، به ویژه در گفتار برجسته، نویز پس‌زمینه و واژگان تخصصی دنبال می‌کنند. چیزی که آنها در مبادله ارائه می دهند ساختاری است: بدون وابستگی به شبکه، بدون هزینه API برای هر رونویسی، و بدون شخص ثالثی که صدا را نگه می دارد. برای پوشیدنی‌هایی مانند عینک‌های هوشمند، جایی که رفت و برگشت ابری به هر تعاملی تأخیر می‌افزاید و یک میکروفون همیشه گوش‌دهنده تمام هدف محصول است، احتمالاً پردازش محلی تنها طرحی است که بدون واکنش حریم خصوصی مقیاس‌پذیر می‌شود.

تتر شرط می‌بندد که این مبادله با هر نسل سخت‌افزاری بیشتر به سمت پردازش محلی متمایل می‌شود. موتورهای عصبی در تلفن‌های پرچم‌دار کنونی استنتاج دو رقمی با پارامترهای میلیاردی را ارائه می‌دهند و مدل‌هایی در محدوده چند صد میلیونی - مانند TranscribePsy - فضای بیشتری را برای زمینه طولانی‌تر، زبان‌های بیشتر و عملکرد همیشه روشن بدون تخلیه باتری ایجاد می‌کنند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →