商傳媒｜何映辰／台北報導
以發行美元穩定幣 USDT 聞名的 Tether，其人工智慧研究團隊 Tether AI Research 昨日宣布推出一款名為 QVAC TranscribePsy 的語音辨識模型。這款模型最大的特色在於其「裝置端（on-device）」運作能力，意即能夠直接在智慧型手機、智慧眼鏡以及人形機器人等裝置上進行語音處理，而無需將用戶的語音資料上傳至雲端伺服器。
QVAC TranscribePsy 是一個輕量級的多語言自動語音辨識（ASR）模型，擁有 2.54 億個參數。它能在裝置上以近乎即時的速度處理音訊，例如透過藍牙或 Wi-Fi 連接到智慧眼鏡，或直接在人形機器人的板載處理器上執行。這種本地化處理的方式，能夠有效提升用戶資料的隱私保護，避免個人生活中敏感資訊（如醫療諮詢、法律訪談、治療會談或機密新聞採訪）因上傳雲端而外洩。
在效能方面，根據《Tether.io》報導，QVAC TranscribePsy 在多項基準測試中表現優異。在 Open ASR Leaderboard 上，其字詞錯誤率（WER，一種衡量語音辨識準確度的指標）為 8.02%；在 Multilingual LibriSpeech 數據集上達到 6.58%，於 Common Voice 數據集上則為 21.56%。Tether 指出，該模型在 2.54 億參數級別的模型中，表現超越了包含 Qwen3-ASR-0.6B、omniASR-CTC-1B-v2 和 Whisper-Medium 等體積大 3 到 4 倍的競爭模型。
此外，QVAC TranscribePsy 在手機上的運行速度也相當突出。在六款智慧型手機的測試中，其運行速度比次快的模型快 2.6 倍，比 Whisper-small 快 5.7 倍。例如，在 iPhone 17 Pro Max 上，其 Core ML 版本僅需 1.65 秒即可轉錄 10 分鐘的音訊，同時使用的磁碟空間不到一半，記憶體也較競爭產品少 1.7 倍。該模型支援筆記型電腦上的 25 種歐洲語言，以及手機上的 8 種歐洲語言，並針對 iPhone Neural Engine 提供專用版本。
Tether 執行長保羅·阿爾多伊諾（Paolo Ardoino）表示，人工智慧的未來不應意味著將個人生活資訊暴露給中心化平台。他強調，先進的語音 AI 應能快速、高效且完全在本地運作，讓 AI 成為手機、眼鏡和機器人的一部分，而資料仍由用戶掌握，隱私得以保障。QVAC TranscribePsy 已根據 Apache授權條款2.0版 發布，供研究和教育目的使用。
與此同時，人工智慧公司 xAI 也於昨日宣布推出 Grok Voice 3.0，這款語音轉語音模型主要用於客服應用，已在特斯拉（Tesla）車輛和星鏈（Starlink）客服中心處理數百萬次對話，展現出低延遲和高效能的特點。這些技術進步共同描繪了 AI 在語音互動領域的未來，有望為用戶帶來更智慧、更私密的裝置使用體驗。