Tether AI Research, bulut işlemeye ihtiyaç duymadan doğrudan cihaz üzerinde çalışan çok dilli ses tanıma modeli QVAC TranscribePsy’ı kullanıma sundu. 254 milyon parametreli model, iPhone 17 Pro Max’te 10 dakikalık bir ses kaydını 1,65 saniyede yazıya dönüştürebiliyor. Model, ses verilerini buluta göndermeden işleyerek akıllı telefon, akıllı gözlük ve insansı robotlarda sesle etkileşimli yapay zeka uygulamalarının geliştirilmesini destekliyor.
- Model yalnızca 254 milyon parametreyle çalışıyor ve altı akıllı telefonda yapılan testlerde en hızlı model oldu.
- iPhone 17 Pro Max’teki Core ML sürümü, rakip modele göre diskte yarısından az, bellekte 1,7 kat daha az yer kaplıyor.
- Model, dizüstü bilgisayarlarda 25, telefonlarda 8 Avrupa dilini destekliyor ve Apache 2.0 lisansıyla açık kaynak olarak yayımlandı.
Model ne kadar hızlı ve doğru çalışıyor?
- Open ASR Leaderboard’da yüzde 8,02, Multilingual LibriSpeech’te yüzde 6,58 ve Common Voice’ta yüzde 21,56 kelime hata oranı (WER) elde etti.
- İşlemci performansında kendisinden sonra gelen modele kıyasla 2,6 kat, Whisper-small modeline kıyasla 5,7 kat daha hızlı çalıştı.
- Multilingual LibriSpeech testinde kendisinden üç ila dört kat daha büyük bazı modelleri geride bıraktı.
Hangi cihazlarda ve ne için kullanılabilir?
QVAC TranscribePsy, akıllı telefonlar, Bluetooth veya Wi-Fi üzerinden bağlanan akıllı gözlükler ve insansı robotlarda tamamen cihaz üzerinde çalışmak üzere tasarlandı. Şirketten yapılan açıklamaya göre bu yaklaşım, tıbbi görüşmeler, hukuki mülakatlar ve terapi seansları gibi hassas alanlarda veri sızıntısı riskini azaltmayı hedefliyor. İnsansı robotlarda ise kompakt model, görsel algılama ve fiziksel kontrol gibi diğer görevler için işlem kaynaklarının korunmasına yardımcı oluyor.
Tether CEO’su Paolo Ardoino, yapay zekânın telefonlara, gözlüklere ve makinelere entegre olacağını ancak bunun kullanıcı verilerinin bu cihazların dışına çıkmasını gerektirmediğini vurgulayarak, kullanıcıların verileri ve gizlilikleri üzerindeki kontrolünü koruyan çözümler geliştirmeyi hedeflediklerini belirtti.
TranscribePsy, Tether AI Research’ün ses, metin, görüntü ve videoyu doğrudan uç cihazlarda işleyebilen yapay zeka modelleri geliştirme çalışmalarının bir parçası. Model, QVAC ekosistemindeki VisionPsy, TranslatePsy-Nano ve MedPsy ile olası entegrasyonlar için ses-metin dönüşüm altyapısı sunuyor.