Tether, जगातील सर्वात मोठ्या stablecoin च्या मागे असलेल्या कंपनीने TranscribePsy, 254-दशलक्ष-पॅरामीटर स्पीच रेकग्निशन मॉडेल जारी केले आहे जे क्लाउड सर्व्हरवर कोणताही ऑडिओ न पाठवता थेट स्मार्टफोन, स्मार्ट ग्लासेस आणि ह्युमनॉइड रोबोट्सवर संभाषणांचे प्रतिलेखन करते. कंपनीच्या QVAC कृत्रिम बुद्धिमत्ता प्रकल्पाचा एक भाग म्हणून या आठवड्यात जाहीर करण्यात आलेले हे प्रकाशन, संपूर्णपणे वैयक्तिक उपकरणांवर चालणारे AI सॉफ्टवेअर तयार करण्याबाबत टिथर गंभीर असल्याचे नवीनतम चिन्ह आहे.
या हालचालीने क्रिप्टो कंपनीला अनपेक्षित स्थितीत आणले आहे: क्लाउड एआय प्रदात्यांशी स्पर्धा करणे या युक्तिवादावर की व्हॉइस डेटा डिव्हाइस सोडण्यासाठी खूप संवेदनशील आहे. "एआयच्या भविष्याचा अर्थ असा नसावा की केंद्रीकृत प्लॅटफॉर्मला आमच्या वैयक्तिक जीवनात पुढच्या पंक्तीची जागा द्या," टिथरचे सीईओ पाओलो अर्डोइनो यांनी घोषणेमध्ये सांगितले. त्यांनी ट्रान्सक्राइबप्सीचे भाषण ओळखीचे उदाहरण म्हणून वर्णन केले जे संपूर्णपणे वैयक्तिक हार्डवेअरवर ऑपरेट करू शकते, केंद्रीकृत पायाभूत सुविधांवर अवलंबून नाही. For more context on this story, see our ongoing more AI stories.
बेंचमार्क परिणाम: फोन CPU वर व्हिस्परपेक्षा वेगवान
crypto.news नुसार, ज्याने कंपनीच्या प्रकाशित मूल्यमापनाचे पुनरावलोकन केले, Tether ने सहा स्मार्टफोन्समध्ये मॉडेलची चाचणी केली आणि ते पुढील सर्वात वेगवान प्रणालीच्या मूल्यमापनापेक्षा 2.6 पट वेगाने आणि फोन CPU वर चालत असताना OpenAI च्या ओपन-सोर्स व्हिस्पर-स्मॉल मॉडेलपेक्षा 5.7 पट अधिक वेगवान असल्याचे आढळले. आयफोनवर, कोअर ML-ऑप्टिमाइझ केलेल्या आवृत्तीसाठी निम्म्यापेक्षा कमी डिस्क स्पेस आणि 1.7 पट कमी मेमरी आवश्यक आहे, ज्याच्या तुलनेत कोअर ML मॉडेलचा समावेश आहे.
अचूकता शब्द त्रुटी दर वापरून मोजली गेली, मानक मेट्रिक जे मूळ बोलल्या जाणाऱ्या सामग्रीच्या तुलनेत ट्रान्सक्रिप्शन सिस्टममध्ये किती शब्द चुकीचे आहेत हे मोजते. Tether ने मॉडेलच्या बाजूने मूल्यमापन कॉन्फिगरेशन प्रकाशित केले जेणेकरुन स्वतंत्र संशोधक नोंदवलेले क्रमांक पुनरुत्पादित करू शकतील - एक पारदर्शकता प्रथा जी ग्राहक AI विक्रेत्यांमध्ये असामान्य आहे.
वेगवेगळ्या हार्डवेअरसाठी चार आवृत्त्या
हार्डवेअरच्या विविध वर्गांच्या उद्देशाने चार बिल्डमध्ये ट्रान्स्क्राइबप्सी जहाजे:
- २५ युरोपियन भाषांना समर्थन देणारे लॅपटॉप मॉडेल
- आठ सामान्यतः वापरल्या जाणाऱ्या भाषांवर लक्ष केंद्रित केलेले लहान कॉन्फिगरेशन
- मोबाइल उपकरणांसाठी, Tether च्या qvac-fabric-speech सॉफ्टवेअरमध्ये parakeet.cpp इंजिनद्वारे चालणारी GGUF आवृत्ती
- ॲपलच्या न्यूरल इंजिनसाठी कोर एमएल आवृत्ती अनुकूल, सुसंगत iPhone ला समर्पित सिलिकॉन वापरून लिप्यंतरण करू देते
मॉडेल सतत ऑडिओ हाताळण्यासाठी डिझाइन केलेले आहेत, भाषण सापडल्यानंतर लवकरच मजकूर तयार करतात. टेथर म्हणते की सिस्टम व्हॉइस-नियंत्रित अनुप्रयोगांना समर्थन देऊ शकते जे कधीही बाह्य सर्व्हरवर रेकॉर्डिंग प्रसारित न करता प्रतिसाद देतात - स्मार्ट चष्मा आणि घालण्यायोग्य उपकरणांसाठी एक अर्थपूर्ण दावा, जिथे नेहमी-ऑन मायक्रोफोन्सने सतत गोपनीयतेची चिंता वाढवली आहे.
व्यापक QVAC पुशचा भाग
TranscribePsy हे Tether च्या QVAC प्रकल्पांतर्गत नवीनतम प्रकाशन आहे, ज्याचा 2026 पर्यंत सातत्याने विस्तार झाला आहे. एप्रिलमध्ये, कंपनीने QVAC SDK, iOS, Android, Windows, macOS आणि Linux वर AI ऍप्लिकेशन्स चालविण्यासाठी ओपन-सोर्स डेव्हलपमेंट टूलकिट सादर केले, ज्यामध्ये मजकूर निर्मिती, स्पीच प्रोसेसिंग, इमेज रेकग्निशन आणि भाषांतर समाविष्ट आहे. टूलकिट QVAC फॅब्रिकवर तयार केले आहे, llama.cpp ची सानुकूलित आवृत्ती आणि पीअर-टू-पीअर मॉडेल वितरणासाठी होलपंच तंत्रज्ञान वापरते.
वर्षाच्या सुरुवातीला, Tether ने QVAC फॅब्रिकमध्ये BitNet LoRA प्रशिक्षण समाकलित केले, असे सांगितले की, त्यात Pixel 9, Galaxy S25 आणि iPhone 16 सह ग्राहक उपकरणांवर 3.8 अब्ज पॅरामीटर्सचे उत्कृष्ट मॉडेल्स आहेत, ज्यात iPhone 16 वरील 13 अब्ज पॅरामीटर्सपर्यंतच्या मॉडेल्सचा समावेश आहे. सप्टेंबरमध्ये Arc-Engine वर शोधले गेले. 100 वितरित नोड्समध्ये संपूर्ण विकिपीडिया संग्रहण संग्रहित केले आहे. आणि ऑक्टोबर 2025 मध्ये, कंपनीने QVAC जेनेसिस I डेटासेट जारी केला, 41 अब्ज सिंथेटिक टोकन्सचे उद्दिष्ट गणित, विज्ञान आणि तांत्रिक तर्क यामधील मॉडेल्सचे प्रशिक्षण आहे.
हे महत्त्वाचे का आहे
ऑन-डिव्हाइस एआय रेस तीव्र झाली आहे कारण डिव्हाइस निर्माते कनेक्टिव्हिटीशिवाय आणि हँडसेटमधून डेटा न सोडता कार्य करणारी वैशिष्ट्ये शोधतात. व्हिस्पर हे सर्वात मोठ्या प्रमाणावर उपयोजित केलेले ओपन स्पीच मॉडेल राहिले आहे, परंतु ते फोन CPU च्या पॉवर एन्व्हलपसाठी डिझाइन केलेले नाही, जेथे उद्देशाने तयार केलेल्या लहान मॉडेल्समध्ये फरक करण्यास जागा आहे. टिथरचे बेंचमार्क दावे, जर ते स्वतंत्र प्रतिकृती राखून ठेवत असतील तर, त्या पॅकच्या समोर ट्रान्स्क्राइबप्सी ठेवतील.
टिथरसाठी, धोरण देखील हेज आहे. कंपनीचा मुख्य व्यवसाय USDT स्टेबलकॉइन राहिला आहे, परंतु त्याच्या नेतृत्वाने स्थानिक-प्रथम AI पायाभूत सुविधांचा पोर्टफोलिओ तयार करण्यासाठी 2026 खर्च केला आहे — मॉडेल्स, SDKs, डेटासेट आणि पीअर-टू-पीअर वितरण — जे त्याच्या वापरकर्ता बेसच्या विकेंद्रित तत्त्वांशी संरेखित होते आणि सध्याच्या क्लाउड एआयच्या लहान संख्येवरील अवलंबित्व कमी करते.
स्टेबलकॉइन जारीकर्ता भाषण AI मध्ये एक विश्वासार्ह खेळाडू बनू शकतो की नाही हा एक खुला प्रश्न आहे. परंतु प्रकाशित बेंचमार्क, पुनरुत्पादन करण्यायोग्य कॉन्फिगरेशन्स आणि लोकांच्या आधीपासून असलेल्या फोनवर चालणारे कार्यरत मॉडेलसह, TransscribePsy हे डिव्हाइसवरील AI घोषणांपेक्षा अधिक ठोस प्रकाशन आहे — आणि AI मार्केटचा गोपनीयता-प्रथम विभाग संभाव्य प्रवेशकर्त्यांना आकर्षित करत असल्याचे लक्षण आहे.
व्यापार-बंद: क्षमता विरुद्ध नियंत्रण
लहान ऑन-डिव्हाइस मॉडेल अजूनही त्यांच्या क्लाउड समकक्षांना कच्च्या अचूकतेवर, विशेषत: उच्चारित भाषण, पार्श्वभूमी आवाज आणि विशिष्ट शब्दसंग्रह यावर मागे टाकतात. ते बदल्यात काय ऑफर करतात ते संरचनात्मक आहे: कोणतेही नेटवर्क अवलंबित्व नाही, प्रति-प्रतिलेखन API किंमत नाही आणि कोणताही तृतीय पक्ष ऑडिओ धारण करत नाही. स्मार्ट ग्लासेस सारख्या वेअरेबलसाठी, जेथे क्लाउड राउंड-ट्रिप प्रत्येक परस्परसंवादामध्ये विलंब जोडते आणि नेहमी ऐकणारा मायक्रोफोन हा उत्पादनाचा संपूर्ण मुद्दा आहे, स्थानिक प्रक्रिया ही एकमात्र रचना आहे जी गोपनीयतेच्या प्रतिक्रियेशिवाय मोजली जाते.
प्रत्येक हार्डवेअर जनरेशनसह हे ट्रेड-ऑफ स्थानिक प्रक्रियेकडे अधिक झुकते असे टेथरचे म्हणणे आहे. सध्याच्या फ्लॅगशिप फोनमधील न्यूरल इंजिन्स आधीच दुहेरी-अंकी-अब्ज-पॅरामीटर अनुमान वितरीत करतात आणि काही-शंभर-दशलक्ष श्रेणीतील मॉडेल्स — जसे की ट्रान्स्क्राइबप्सी — दीर्घ संदर्भासाठी, अधिक भाषांसाठी आणि बॅटरी न संपवता नेहमी चालू असलेल्या ऑपरेशनसाठी हेडरूम सोडतात.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
