Tether lança modelo de voz offline para óculos inteligentes e robôs

A Tether divulgou nesta quarta-feira, 15 de outubro, o QVAC TranscribePsy, modelo de reconhecimento de fala com 254 milhões de parâmetros que transcreve áudio diretamente em smartphones, óculos inteligentes e robôs humanoides, sem enviar gravações para servidores na nuvem. O anúncio foi feito pela Tether AI Research em 14 de outubro, e o modelo é open source, sob licença Apache 2.0.

Segundo a empresa, o modelo transcreve 10 minutos de áudio em 1,65 segundo no iPhone 17 Pro Max usando o framework Core ML da Apple. Em avaliações divulgadas, o TranscribePsy registrou taxa de erro de palavra de 8,02% no Open ASR Leaderboard e de 6,58% no Multilingual LibriSpeech, além de 21,56% no Common Voice, superando outros sistemas na mesma categoria de parâmetros. O modelo foi comparado com alternativas maiores, como Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, OWSM-CTC-v4 e Whisper-Medium, e obteve desempenho melhor no Multilingual LibriSpeech do que vários modelos de três a quatro vezes o seu tamanho.

Em testes realizados em seis smartphones, o modelo foi 2,6 vezes mais rápido que o segundo sistema mais veloz e 5,7 vezes mais rápido que o Whisper-small quando rodando em CPUs de telefone. A versão otimizada para iPhone ocupou menos da metade do espaço em disco e usou 1,7 vez menos memória do que um modelo concorrente em Core ML.

O TranscribePsy foi lançado em quatro versões, para diferentes hardwares e necessidades de idioma. Um modelo para laptops suporta 25 línguas europeias; uma configuração menor foca em oito línguas comuns. Para dispositivos móveis há uma versão GGUF que roda pelo motor parakeet.cpp no qvac-fabric-speech, e outra em Core ML otimizada para o Neural Engine da Apple. O modelo processa áudio contínuo e gera texto logo após a fala ser detectada.

A Tether afirma que o processamento local pode ser útil em consultas médicas, entrevistas jurídicas, terapia e jornalismo, em que as gravações podem conter informações confidenciais. Para óculos inteligentes, o modelo processa áudio recebido por Bluetooth ou Wi-Fi com atraso mínimo; robôs humanoides podem rodar o software em seus processadores embarcados, deixando capacidade de computação livre para navegação, reconhecimento visual e movimento físico.

O modelo faz parte do projeto QVAC AI da Tether, que se concentra em rodar aplicações de inteligência artificial localmente. A liberação segue o QVAC SDK, lançado em abril de 2026, e a integração do BitNet LoRA ao QVAC Fabric em março, que permitiu treinar e rodar modelos de até 3,8 bilhões de parâmetros em telefones. Em setembro, a empresa divulgou progresso em um motor de busca ponto a ponto, e em outubro de 2025 lançou o conjunto de dados QVAC Genesis I, com 41 bilhões de tokens sintéticos, além do QVAC Workbench, aplicativo para rodar modelos localmente.

O CEO Paolo Ardoino disse que a Tether quer que os usuários mantenham o controle sobre suas conversas à medida que dispositivos com voz se tornam mais comuns, argumentando que o futuro da IA não deve dar a plataformas centralizadas acesso privilegiado à vida pessoal. Os pesos do modelo, compilações móveis GGUF, versões Core ML para Apple Silicon e configurações de avaliação estão disponíveis, e a Tether identifica pesquisa e uso educacional como parte da liberação.

Dentro do ecossistema QVAC Psy, o software de reconhecimento de fala deve trabalhar com outros modelos especializados, como VisionPsy, TranslatePsy-Nano e MedPsy, embora essas integrações ainda sejam prospectivas. A equipe de pesquisa, que opera sob a Tether Data, S.A. de C.V., disse que seu trabalho em andamento cobre modelos compactos para processar áudio, texto, imagem e vídeo em dispositivos de consumo.