Tether, firma stojąca za największą na świecie monetą typu stablecoin, wypuściła TranscribePsy, model rozpoznawania mowy zawierający 254 miliony parametrów, który transkrybuje rozmowy bezpośrednio na smartfonach, inteligentnych okularach i humanoidalnych robotach bez wysyłania dźwięku do serwerów w chmurze. Wydanie, ogłoszone w tym tygodniu w ramach firmowego projektu sztucznej inteligencji QVAC, jest najnowszym sygnałem, że Tether poważnie podchodzi do tworzenia oprogramowania AI, które będzie działać wyłącznie na urządzeniach osobistych.
Posunięcie to stawia firmę kryptograficzną w nieoczekiwanej sytuacji: konkuruje z dostawcami sztucznej inteligencji w chmurze argumentem, że dane głosowe są zbyt wrażliwe, aby opuścić urządzenie. „Przyszłość sztucznej inteligencji nie powinna oznaczać zapewnienia scentralizowanym platformom miejsca w pierwszym rzędzie w naszym życiu osobistym” – powiedział w oświadczeniu dyrektor generalny Tether, Paolo Ardoino. Opisał TranscribePsy jako przykład rozpoznawania mowy, który może w pełni działać na sprzęcie osobistym, bez zależności od scentralizowanej infrastruktury. Więcej kontekstu na ten temat znajdziesz w naszych wiadomości AI.
Wyniki testów porównawczych: szybsze niż szept na procesorach telefonów
Według crypto.news, który zapoznał się z opublikowaną oceną firmy, Tether przetestował model na sześciu smartfonach i stwierdził, że działa on 2,6 razy szybciej niż kolejny najszybszy oceniany system i 5,7 razy szybciej niż model Whisper-small o otwartym kodzie źródłowym OpenAI, gdy działa na procesorach telefonu. Na iPhonie wersja zoptymalizowana pod kątem Core ML wymagała o ponad połowę mniej miejsca na dysku i 1,7 razy mniej pamięci niż konkurencyjny model Core ML uwzględniony w porównaniu.
Dokładność mierzono za pomocą współczynnika błędów słów – standardowego wskaźnika, który liczy, ile słów system transkrypcji błędnie odnosi się do oryginalnej mówionej treści. Tether opublikował konfiguracje ewaluacyjne wraz z modelem, aby niezależni badacze mogli odtworzyć zgłoszone liczby – jest to praktyka zapewniająca przejrzystość, która pozostaje rzadkością wśród konsumenckich dostawców sztucznej inteligencji.
Cztery wersje dla innego sprzętu
TranscribePsy jest dostępny w czterech wersjach przeznaczonych dla różnych klas sprzętu:
- Model laptopa obsługujący 25 języków europejskich
- Mniejsza konfiguracja skupiona na ośmiu powszechnie używanych językach
- Wersja GGUF, która działa poprzez silnik parakeet.cpp w oprogramowaniu qvac-fabric-speech firmy Tether, dla urządzeń mobilnych
- Wersja Core ML zoptymalizowana pod kątem silnika neuronowego firmy Apple, umożliwiająca transkrypcję kompatybilnym iPhonem przy użyciu dedykowanego krzemu
Modele są zaprojektowane do obsługi ciągłego dźwięku i tworzenia tekstu wkrótce po wykryciu mowy. Tether twierdzi, że system mógłby obsługiwać aplikacje sterowane głosem, które reagują bez przesyłania nagrań na serwery zewnętrzne, co jest znaczącym twierdzeniem w przypadku inteligentnych okularów i urządzeń do noszenia, w których zawsze włączone mikrofony budzą ciągłe obawy dotyczące prywatności.
Część szerszego ruchu QVAC
TranscribePsy to najnowsza wersja projektu QVAC firmy Tether, który będzie stale rozwijany do 2026 r. W kwietniu firma wprowadziła QVAC SDK, zestaw narzędzi programistycznych typu open source do uruchamiania aplikacji AI w systemach iOS, Android, Windows, macOS i Linux, obejmujący generowanie tekstu, przetwarzanie mowy, rozpoznawanie obrazów i tłumaczenie. Zestaw narzędzi opiera się na QVAC Fabric, dostosowanej wersji pliku llama.cpp i wykorzystuje technologię Holepunch do dystrybucji modeli peer-to-peer.
Na początku tego roku Tether zintegrował szkolenie BitNet LoRA z QVAC Fabric, twierdząc, że dopracował modele o nawet 3,8 miliarda parametrów na urządzeniach konsumenckich, w tym Pixel 9, Galaxy S25 i iPhone 16, a testy obejmowały modele o nawet 13 miliardach parametrów na iPhonie 16. We wrześniu Ardoino ujawnił prace nad wyszukiwarką peer-to-peer, która przechowuje pełne archiwum Wikipedii w 100 rozproszonych węzłach. W październiku 2025 r. firma udostępniła zbiór danych QVAC Genesis I obejmujący 41 miliardów syntetycznych tokenów przeznaczonych do uczenia modeli w zakresie matematyki, nauk ścisłych i rozumowania technicznego.
Dlaczego to ma znaczenie
Wyścig sztucznej inteligencji na urządzeniach nasilił się, ponieważ producenci urządzeń poszukują funkcji, które działają bez łączności i bez danych opuszczających telefon. Szept pozostaje najszerzej stosowanym modelem otwartej mowy, ale nie został zaprojektowany z myślą o mocy procesora telefonu, a to właśnie w tym przypadku małe modele specjalnie zaprojektowane mają szansę się wyróżnić. Twierdzenia dotyczące testów porównawczych Tethera, jeśli wytrzymają niezależną replikację, umieściłyby TranscribePsy na czele tego pakietu.
Dla Tethera strategia jest także zabezpieczeniem. Podstawową działalnością firmy pozostaje moneta typu stablecoin USDT, ale jej kierownictwo spędziło rok 2026 na budowaniu portfela infrastruktury sztucznej inteligencji zorientowanej lokalnie – modeli, zestawów SDK, zbiorów danych i dystrybucji peer-to-peer – która jest zgodna ze zdecentralizowanym etosem bazy użytkowników, jednocześnie zmniejszając zależność od niewielkiej liczby dostawców usług w chmurze, którzy obecnie kontrolują większość wnioskowań AI.
Pytaniem otwartym jest, czy emitent monet stabilnych może stać się wiarygodnym graczem w dziedzinie mowy AI. Jednak dzięki opublikowanemu testowi porównawczemu, powtarzalnym konfiguracjom i działającemu modelowi działającemu na telefonach, które użytkownicy już posiadają, TranscribePsy jest bardziej konkretną wersją niż większość ogłoszeń dotyczących sztucznej inteligencji na urządzeniach – i oznaką, że segment rynku sztucznej inteligencji, w którym najważniejsza jest prywatność, przyciąga mało prawdopodobnych uczestników.
Kompromis: możliwości kontra kontrola
Małe modele na urządzeniach nadal nie mają sobie równych pod względem dokładności, szczególnie w przypadku mowy z akcentem, hałasu w tle i specjalistycznego słownictwa. To, co oferują w zamian, ma charakter strukturalny: brak zależności od sieci, brak kosztów API za transkrypcję i brak stron trzecich przechowujących dźwięk. W przypadku urządzeń do noszenia, takich jak inteligentne okulary, gdzie przesyłanie danych w chmurze zwiększa opóźnienia w każdej interakcji, a głównym celem produktu jest zawsze słuchający mikrofon, przetwarzanie lokalne jest prawdopodobnie jedynym projektem, który skaluje się bez naruszenia prywatności.
Tether obstawia, że z każdą generacją sprzętu ten kompromis będzie coraz bardziej zmierzał w stronę przetwarzania lokalnego. Silniki neuronowe w obecnych flagowych telefonach zapewniają już dwucyfrowe wnioskowanie na podstawie dwucyfrowych miliardów parametrów, a modele z zakresu kilkuset milionów — takie jak TranscribePsy — pozostawiają zapas miejsca na dłuższy kontekst, więcej języków i zawsze włączoną pracę bez zużywania baterii.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
