Tether AI Research เปิดตัวโมเดลรู้จำเสียงบนอุปกรณ์ TranscribePsy สำหรับแว่นตาอัจฉริยะและหุ่นยนต์ฮิวแมนนอยด์

ข่าว BlockBeats วันที่ 14 ตุลาคม Tether AI Research เปิดตัวโมเดลรู้จำเสียงอัตโนมัติแบบหลายภาษาที่เป็นโอเพนซอร์สชื่อ QVAC TranscribePsy มีจำนวนพารามิเตอร์ประมาณ 254 ล้าน สามารถทำงานได้เต็มรูปแบบบนอุปกรณ์โดยไม่ต้องอัปโหลดเสียงขึ้นคลาวด์ ทางบริษัทกล่าวว่าสามารถประมวลผลเสียงจากแว่นตาอัจฉริยะที่เชื่อมต่อผ่านบลูทูธหรือ Wi-Fi ได้เกือบเรียลไทม์ และยังสามารถทำงานบนโปรเซสเซอร์ภายในหุ่นยนต์ฮิวแมนนอยด์ได้ด้วย บนเวอร์ชัน Core ML ของ iPhone 17 Pro Max การถอดเสียงความยาว 10 นาทีใช้เวลาประมาณ 1.65 วินาที

จากข้อมูลการประเมินที่เปิดเผย TranscribePsy มีอัตราคำผิดพลาด (WER) อยู่ที่ 8.02% บน Open ASR Leaderboard, 6.58% บน Multilingual LibriSpeech และ 21.56% บน Common Voice บนสมาร์ทโฟนหกรุ่นที่ทดสอบมีความเร็วสูงสุดในกลุ่มเดียวกัน เร็วกว่าโมเดลที่เร็วเป็นอันดับสองประมาณ 2.6 เท่า โมเดลครอบคลุม 25 ภาษายุโรปบนแล็ปท็อป และ 8 ภาษายุโรปบนมือถือ และเผยแพร่น้ำหนักโมเดลตลอดจนเวอร์ชันบิลด์อย่าง GGUF และ Core ML ภายใต้สัญญาอนุญาต Apache 2.0 Paolo Ardoino ซีอีโอของ Tether กล่าวว่าหวังว่า AI เสียงขั้นสูงจะทำงานภายในอุปกรณ์ของผู้ใช้เอง โดยข้อมูลไม่จำเป็นต้องออกจากอุปกรณ์