Tetherが端側音声認識モデルQVAC TranscribePsyを発表しました

安定したコイン発行者TetherのTether AI Research（本文中ではTether Data, S.A. de C.V.を指します）が、オープンソースの多言語自動音声認識モデルQVAC TranscribePsyを発表しました。このモデルのパラメータ数は2.54億で、完全にデバイス側で動作し、スマートフォン、スマートグラス、ヒューマノイドロボットに適しており、音声をクラウドにアップロードする必要はありません。スマートグラスはBluetoothまたはWi-Fiを介してほぼリアルタイムで処理でき、モデルはロボットの搭載プロセッサでも動作します。

評価結果によると、Open ASR Leaderboardでの単語誤り率は8.02%、Multilingual LibriSpeechでは6.58%、Common Voiceでは21.56%です。Multilingual LibriSpeechでは、本文中で言及されたQwen3-ASR-0.6B、omniASR-CTC-1B-v2、OWSM-CTC-v4、Whisper-Mediumよりも優れています。6台のテストスマートフォンで、これは最も速いモデルであり、次に速いモデルよりも2.6倍速く、Whisper-smallよりも5.7倍速いです。Core MLバージョンはiPhone 17 Pro Maxで10分の音声を1.65秒に転写し、ディスク使用量はあるテストCore ML競合の半分以下で、メモリは1.7倍少なくなっています。