世界最大のステーブルコインを運営するテザー社は、音声をクラウドサーバーに送信せずにスマートフォン、スマートグラス、人型ロボット上で直接会話を文字に起こす、2億5,400万パラメータの音声認識モデルであるTranscribePsyをリリースした。同社のQVAC人工知能プロジェクトの一環として今週発表されたこのリリースは、Tetherが完全に個人のデバイス上で動作するAIソフトウェアの構築に真剣に取り組んでいることを示す最新の兆候である。

この動きにより、暗号通貨企業は予期せぬ立場に立つことになる。音声データは機密性が高すぎてデバイスから流出できないという主張でクラウドAIプロバイダーと競合することになる。テザー社の最高経営責任者（CEO）パオロ・アルドイーノ氏は発表の中で、「AIの未来とは、集中型プラットフォームに私たちの私生活の最前列を与えることを意味するものであってはいけない」と述べた。同氏は、集中インフラに依存せず、個人のハードウェアで完全に動作できる音声認識の例として TranscribePsy について説明しました。 この件の詳細は、AIの最新動向をご覧ください。

ベンチマーク結果: 電話機の CPU では Whisper より高速

同社の公開された評価をレビューしたcrypto.newsによると、Tetherは6台のスマートフォンでこのモデルをテストしたところ、評価された次に速いシステムよりも2.6倍速く、携帯電話のCPUで実行した場合にはOpenAIのオープンソースWhisper-smallモデルよりも5.7倍速く動作することが判明したという。 iPhone では、Core ML に最適化されたバージョンは、比較に含まれる競合する Core ML モデルと比べて、必要なディスク容量が半分以下、メモリが 1.7 分の 1 でした。

精度は単語誤り率を使用して測定されました。単語誤り率は、文字起こしシステムが元の話された内容に対してどれだけ多くの単語を間違えたかを数える標準的な指標です。 Tether は、独立した研究者が報告された数値を再現できるように、モデルとともに評価構成を公開しました。これは、コンシューマー AI ベンダーでは依然として珍しい透明性の実践です。

異なるハードウェアに対応する 4 つのバージョン

TranscribePsy は、さまざまなクラスのハードウェアを対象とした 4 つのビルドで出荷されます。

  • 25 のヨーロッパ言語をサポートする ラップトップ モデル
  • 一般的に使用される 8 つの言語に焦点を当てた 小規模な構成
  • モバイル デバイス用の、Tether の qvac-fabric-speech ソフトウェア内の parakeet.cpp エンジンを通じて実行される GGUF バージョン
  • Apple の Neural Engine 用に最適化された Core ML バージョン。互換性のある iPhone で専用のシリコンを使用して転写できるようになります。

モデルは連続音声を処理するように設計されており、音声が検出された直後にテキストを生成します。テザー社は、このシステムは、録音を外部サーバーに送信することなく応答する音声制御アプリケーションをサポートできると述べています。これは、常時オンのマイクがプライバシーの懸念を根強く引き起こしているスマートグラスやウェアラブルデバイスにとって意味のある主張です。

より広範な QVAC プッシュの一部

TranscribePsy は、Tether の QVAC プロジェクトの最新リリースであり、2026 年まで着実に拡大しています。同社は 4 月に、テキスト生成、音声処理、画像認識、翻訳をカバーする、iOS、Android、Windows、macOS、Linux 上で AI アプリケーションを実行するためのオープンソース開発ツールキットである QVAC SDK を発表しました。このツールキットは、llama.cpp のカスタマイズされたバージョンである QVAC Fabric 上に構築されており、ピアツーピア モデル配布にホールパンチ テクノロジーを使用しています。

今年の初めに、Tether は BitNet LoRA トレーニングを QVAC Fabric に統合し、Pixel 9、Galaxy S25、iPhone 16 を含む消費者向けデバイスで最大 38 億のパラメータのモデルを微調整し、iPhone 16 では最大 130 億のパラメータのモデルをカバーするテストを行ったと発表しました。 9 月、Ardoino は、100 の分散ノードに完全な Wikipedia アーカイブを保存したピアツーピア検索エンジンの研究を公開しました。そして 2025 年 10 月、同社は数学、科学、技術的推論におけるモデルのトレーニングを目的とした 410 億個の合成トークンである QVAC Genesis I データセットをリリースしました。

なぜそれが重要なのか

デバイスメーカーが、接続がなくても、データがハンドセットから出なくても動作する機能を求める中、オンデバイス AI 競争は激化しています。 Whisper は依然として最も広く導入されているオープン スピーチ モデルですが、電話機の CPU の電力エンベロープ向けに設計されていないため、専用の小型モデルには差別化の余地があります。 Tether のベンチマークが主張するところによると、独立したレプリケーションに耐えられるのであれば、TranscribePsy はそのパックの先頭に立つことになるでしょう。

テザーにとって、この戦略はヘッジでもあります。同社の中核事業は依然としてUSDTステーブルコインだが、同社の経営陣は2026年にローカルファーストのAIインフラストラクチャ（モデル、SDK、データセット、ピアツーピア配信）のポートフォリオを構築することに費やしており、これは現在ほとんどのAI推論を制御している少数のクラウドプロバイダーへの依存を減らしながら、同社のユーザーベースの分散型精神と一致するものである。

ステーブルコインの発行者が音声 AI において信頼できるプレーヤーになれるかどうかは未解決の問題です。しかし、公開されたベンチマーク、再現可能な構成、人々がすでに所有している携帯電話上で動作する動作モデルを備えた TranscribePsy は、ほとんどのオンデバイス AI 発表よりも具体的なリリースであり、AI 市場のプライバシー最優先セグメントが思いがけない参入者を惹きつけていることを示しています。

トレードオフ: 能力と制御

小規模なオンデバイス モデルは、生の精度、特にアクセントのある音声、背景雑音、特殊な語彙に関して依然としてクラウド モデルに後れを取っています。その代わりに提供されるものは構造的なものであり、ネットワーク依存性、文字起こしごとの API コスト、および音声を保持するサードパーティが不要です。スマート グラスのようなウェアラブル製品では、クラウドのラウンドトリップによってすべてのインタラクションに遅延が発生し、常にリッスンするマイクが製品の要点となるため、ローカル処理がプライバシーの反発なしに拡張できる唯一の設計であることは間違いありません。

テザー社は、ハードウェアの世代が進むごとに、このトレードオフがローカル処理にさらに傾くことに賭けています。現在の主力携帯電話に搭載されているニューラル エンジンはすでに 2 桁のパラメータ推論を実現しており、TranscribePsy のような数億の範囲のモデルでは、バッテリを消耗することなく、より長いコンテキスト、より多くの言語、および常時オンの操作に対応できる余裕が残されています。

---

AIの最新情報をお届け

AIの最新ニュース、分析、ブレイクスルーを一箇所で。

AIニュースをもっと読む →