Tether TranscribePsy、音声認識をオンデバイス化。ただしベンチマークにはより広範な検証が必要

Tetherは、音声をクラウドへ送信するのではなく、スマートフォン、ノートPC、スマートグラス、ロボット上で文字起こしを実行する、2億5,400万パラメータの音声モデルを公開した。Tether TranscribePsyは、一般消費者向けハードウェアに収まるほど小型でありながら、通常は伴う精度低下を回避するという難しい両立を目指している。

同社によれば、TranscribePsyは6種類のスマートフォンにおいて、テスト対象となったすべての競合モデルより高速に動作したという。また、Multilingual LibriSpeechで単語誤り率6.58%を記録し、パラメータ数が3〜4倍の複数モデルを上回ったと報告している。この結果により、同モデルはOpenAIのWhisperファミリー、MetaのOmnilingual ASRモデル、Qwen3-ASR、その他のオープンな音声システムと競合する位置づけとなる。

ただし、これらの主張を支える比較はTether自身が実施・公表したものだ。リリースにはモデル重み、モバイルビルド、評価構成が含まれる一方、学習コードや学習データは含まれていない。TranscribePsyにはストリーミング文字起こし機能もなく、スマートグラスやロボットでの継続的な会話への即時活用には制約がある。

Tether TranscribePsyが音声認識をデバイス上にもたらす

このリリースが重要なのは、Tetherがモバイル対応を縮小版のデスクトップ体験として扱うのではなく、制約の多いハードウェア向けに音声認識をパッケージ化した点にある。

Tether AI Researchは2026年10月14日にTranscribePsyを発表した。TranscribePsy releaseでは、録音された音声をテキストへ変換する、多言語対応の自動音声認識モデル、すなわちASRモデルとして説明されている。

TranscribePsyは2億5,400万のパラメータを持つ。パラメータとは、モデルが音声を解釈し単語を予測する方法を形作る、学習済みの数値である。一般にパラメータ数が少ないほどストレージとメモリの要件は下がるが、アーキテクチャやランタイム最適化も性能に影響する。

このリリースでは、ハードウェアと言語要件ごとに4つのチェックポイントを提供している。ノートPC向けモデルの一つは25の欧州言語をカバーし、もう一つのノートPC版は8言語に絞っている。GGUFのモバイルビルドはTetherの音声エンジンを通じて動作し、Core ML版はAppleのNeural Engineを対象とする。

スマートフォンには8言語モデルが提供される。対象はオランダ語、英語、フランス語、ドイツ語、イタリア語、ポーランド語、ポルトガル語、スペイン語だ。より大きな言語セットには、ブルガリア語、クロアチア語、チェコ語、デンマーク語、エストニア語、フィンランド語、ギリシャ語、ハンガリー語、ラトビア語、リトアニア語、マルタ語、ルーマニア語、ロシア語、スロバキア語、スロベニア語、スウェーデン語、ウクライナ語が加わる。

Tetherによれば、このモデルはBluetoothまたはWi-Fi経由でスマートグラスが取得した音声を処理できる。ヒューマノイドロボットは搭載プロセッサで実行でき、視覚、マッピング、物理制御のために他の計算リソースを温存できる。

ただし、これらの用途は、Tetherが完成済みのスマートグラス向けアシスタントやロボットインターフェースを公開したことを意味しない。TranscribePsyが担うのはシステムの一層、すなわち発話終了後に発話をテキストへ変換する処理だ。開発者は依然として、マイク、起動ロジック、アシスタントモデル、アプリケーション制御、音声応答を用意する必要がある。

この違いは重要だ。有用な音声製品は、音の取得からアクションまでの経路全体に依存する。高速な音声モデルは一つのボトルネックを解消できるが、低品質なマイク、騒がしい部屋、遅い言語モデル、信頼性の低いデバイス制御を補うことはできない。

TetherはApache 2.0の下で重みを公開し、GGUFおよびCore MLビルドを提供している。開発者は利用可能なmodel checkpointsを確認、ダウンロードし、公表された評価プロセスを再現できる。

学習コードと元の学習データは公開されていない。そのため、重みはテストや適応に利用できる一方、外部の研究者が開発パイプライン全体を再構築することはできない。

この組み合わせが、Tether TranscribePsyをめぐる中心的な緊張関係を生む。オープンな音声モデルのリリースとしては異例なほどデプロイメント志向である一方、その最も強い主張は依然として開発元が設計したテストに依拠している。

オンデバイス音声認識が本当の競争になりつつある理由

主な競争は、もはやクラウド音声認識と性能の低いオフライン音声入力との対決ではない。人々がすでに携行しているハードウェア上で、クラウド規模の精度と許容可能な精度を競うものだ。

クラウド文字起こしでは、開発者は大規模モデルと弾力的な計算能力を利用できる。一方で、音声をデバイス外へ送信し、ネットワーク往復を経て、別の組織が管理するインフラを通す必要がある。

マイクが常に近くにある場合、このトレードオフはより重大になる。スマートグラスは会議、私的な会話、医療上の議論、さらにはデバイス利用に同意していない人々の発話まで取得し得る。家庭で動作するロボットも同様の懸念に直面する。

オンデバイス音声認識は、最初の処理がどこで行われるかを変える。スマートフォンやウェアラブルがローカルで音声をテキストに変換するため、元の録音をリモートの文字起こしサーバーへ送る必要がない。

ただし、ローカル処理だけでプライバシーを保証できるわけではない。アプリケーションは後から文字起こしデータをアップロードしたり、録音を保持したり、派生情報を共有したりできる。デバイスのセキュリティ、アプリケーション権限、データ保持、下流サービスは、いずれもプライバシーモデルの一部であり続ける。

それでも、生の音声をローカルにとどめることは、重要な段階での露出を減らす。声には文字どおりの言葉以上の情報が含まれる。本人性、感情、健康指標、周囲の話者、背景で起きている活動が明らかになる可能性がある。

接続性は二つ目の重要な論点だ。クラウド依存のアシスタントは、エレベーター、航空機、トンネル、地方、混雑した会場の中で機能しなくなる可能性がある。ローカルASRであれば、デバイスが接続を失ってもコマンド認識を継続できる。

レイテンシーも、音声インターフェースが会話的に感じられるかどうかを左右する。Tetherは、遠隔地のデータセンターでは処理開始前にネットワーク遅延が生じると指摘する。モバイル回線の混雑や弱い電波は、その遅延を予測不能な形で長引かせることがある。

スマートグラスメーカーは、特に厳しい制約に直面する。小さなフレームまたは接続されたスマートフォンの中で、熱、バッテリー寿命、ストレージ、メモリを管理しなければならない。すべての録音をクラウドへ送信すれば、ウェアラブル側の計算は簡素化されるが、プライバシーと信頼性の問題を招く。

ロボット開発者は異なるリソース配分の課題に直面する。音声認識は、限られたオンボード計算資源をめぐって、視覚、位置推定、動作計画、安全プロセスと競合する。コンパクトなASRモデルは、こうした他のタスクにより多くの能力を残せる。

これらの圧力は、Tetherがデプロイ速度とモデルサイズを主要なセールスポイントとして選んだ理由を説明する。同社は、あらゆる言語や音響環境で最大級の音声システムを上回ろうとしているわけではない。より小さなモデルでも、有用なオフライン製品に必要な基準を超えられると主張している。

この主張は、Whisper-smallや同様の汎用チェックポイントを利用する開発者に圧力をかける。Whisperは成熟したエコシステムと開発者の間で幅広い認知を持つが、多くの環境向けに設計されたモデルが、必ずしも最適なモバイルランタイムを提供するとは限らない。

オリジナルのWhisper researchは、大規模な弱教師あり学習と、タスクやデータセットをまたぐ汎化を重視していた。TranscribePsyは、欧州言語、コンパクトなデプロイメント、スマートフォンでの性能を中心とする、より狭い提案を打ち出している。

どちらのアプローチも、すべてのユースケースで勝つわけではない。クラウドサービスは、より広い言語カバレッジと集中型の更新を提供できる。ローカルモデルは、ネットワークへの依存を減らし、機密性の高い音声をその発生源の近くに保持できる。

競争上の問いは、ユーザーがより狭い言語セットを受け入れるほど、速度、プライバシー、オフライン時の信頼性に十分な差を感じるかどうかだ。Tetherの初期ベンチマーク結果は、このトレードオフが魅力的である可能性を示しているが、製品の採用はより厳しい試験となるだろう。

モデルプルーニングがTetherのフットプリント削減を説明する

TranscribePsyは、当初から独立して学習された小型モデルではない。Tetherは、はるかに大きな音声システムから知識を圧縮した。

このモデルはFastConformer-TDTアーキテクチャを採用する。FastConformerは長い音声シーケンスを効率的に処理するよう設計された音声アーキテクチャであり、TDTはテキストトークンとそのタイミング挙動を予測する。

Tetherは、6億2,700万パラメータの音声モデルであるNVIDIAのParakeet-TDT-0.6B-v3から始めた。チームは、実行可能なアーキテクチャを維持しながら選択したコンポーネントを取り除く、構造化プルーニングによってネットワークを縮小した。

その後、元のParakeetモデルを教師として利用した。知識蒸留と呼ばれるこのプロセスでは、より小さな生徒モデルを学習させ、大規模システムの有用な振る舞いを再現させる。

Parakeet teacher modelは、学習済みの出発点を提供した。Tetherによれば、このアプローチにより、小型モデルは文字起こしデータだけからでは学ぶのがより難しかった能力を保持できたという。

Tetherのbenchmark methodologyによると、このモデルは25言語にわたる約56万4,000時間の音声で学習された。同社は基盤となるデータセットを公開していないため、外部の研究者はその構成や同意条件をまだ監査できない。

多言語の平均値は大きな差異を隠し得るため、データ構成は重要だ。あるモデルは、クリーンな英語の録音では十分に機能しても、地域的なアクセント、コードスイッチング、話者の重なり、学習データが少ない言語では苦戦する可能性がある。

25言語版は、主要な重みで英語を扱い、その他の言語には小型のアダプターを追加する。アダプターとは、モデル全体のネットワークを置き換えずに専門化する、追加パラメータのコンパクトなセットである。

話者の言語が不明な場合、言語ゲートが発話ごとにアダプターを選択する。Tetherによれば、自動選択は英語の単語誤り率に約0.1ポイントを加えるという。

8言語のモバイル版では、対象タスクをさらに絞り込んでいる。サポートする言語を減らすことで、モデルは能力を集中させ、モバイル展開の複雑さを下げられる。この選択は同時に、対象範囲外の多言語地域ではスマートフォン版の適性を低くする。

Tetherのデプロイメント作業は、圧縮手法と同じほど重要かもしれない。スマートフォンに収まるモデルでも、効率的なランタイム、サポートされる演算、予測可能なメモリ消費、ハードウェア固有のパッケージングを必要とする。

GGUFビルドは、TetherのParakeetベースのエンジンを介してスマートフォンのプロセッサ上で動作する。GGUFは、効率的なローカル推論とハードウェア移植性に広く使われるモデルファイル形式だ。

Appleデバイスには別の経路が用意されている。Core MLビルドは、機械学習演算に特化したプロセッサであるiPhone Neural Engineを対象とする。専用アクセラレーションは、同じワークロードを汎用的なスマートフォンCPUだけで実行するよりも、はるかに高速な結果を生む。

この分岐は、オンデバイスAIにおける実践的な課題を示している。「ローカルで動作する」は、一つの均一な環境を意味しない。iPhone Neural Engine、Android CPU、ノートPC GPU、ロボットプロセッサには、それぞれ異なるメモリ制限と対応演算がある。

したがって開発者は、チェックポイントとランタイムを一体として評価する必要がある。見出しとなるパラメータ数だけでは、製品セッション全体にわたるバッテリー消費、継続的な発熱、ロード時間、応答性を予測できない。

Tetherは、より小型のモデル、追加言語、ストリーミング対応を開発しているとしている。これらの改善により、同じ圧縮戦略を、より厳しい電力制約を持つデバイスや継続的な字幕表示を必要とするアプリケーションへ拡張できる。

現時点で、このアーキテクチャはTranscribePsyがそのサイズを実現した仕組みを説明している。ただし、ベンチマークスイートの外にある複雑な音声環境で、この圧縮がどの程度信頼性高く機能するかまでは示していない。

Tether、Whisperおよびより大規模なモデルとTranscribePsyの速度を比較

Tetherの数値は効率性を裏付ける説得力のある根拠となるが、独立した製品テストではなく、依然としてベンダー自身が実施した結果である。

音声認識の精度は、しばしば単語誤り率（WER）で測定される。この指標は、参照トランスクリプトに対する置換、脱落、挿入された単語を数える。スコアが低いほど、誤りが少ないことを示す。

Tetherによると、Open ASR Leaderboard評価ではWER 8.02％、Multilingual LibriSpeechでは6.58％、Common Voiceでは21.56％を記録したという。

2億4,200万から3億7,000万パラメータのモデルを含む比較グループでは、TranscribePsyが3つすべてのスイートで最も低い誤り率を記録した。Tetherによれば、テストでは同一のデコーディングパイプラインとテキスト正規化ツールを使用したという。

Multilingual LibriSpeechでは、TetherのテストにおいてWhisper-smallがWER 11.51％を記録した。OWSM v4 smallは11.84％、omniASR-CTC-300M-v2は11.89％だった。

より大規模なモデルとの比較では、結果はより入り混じっている。TranscribePsyのMultilingual LibriSpeechにおける6.58％という結果は、Qwen3-ASR-0.6B、OWSM-CTC-v4、Whisper-Medium、omniASR-CTC-1B-v2の報告スコアを上回った。

ただし、Open ASR評価ではQwen3-ASR-0.6Bの方が優れていた。TranscribePsyの8.02％に対し、7.40％を記録した。Metaの10億パラメータのOmnilingualモデルはCommon Voiceで20.07％を記録し、21.56％のTranscribePsyを上回った。

こうした差異があるため、TranscribePsyがあらゆる大規模モデルより高精度だと単純に主張することはできない。最も強い優位性は1つの多言語ベンチマークで見られた一方、別のテストセットではより大規模な競合モデルが優位に立った。

公開されたスマートフォンでの結果は、より明確である。TetherはiPhone 17 Pro Max、iPhone 15、Samsung Galaxy S26 Ultra、Galaxy S25 Ultra、Google Pixel 10、Pixel 9の6機種をテストした。

各スマートフォンは、8言語・計40分の音声を含む160の発話を処理した。Tetherは、熱スロットリングを抑えるための冷却時間を設け、5回の実行結果のうち上位3件の平均を報告している。

6機種のスマートフォンCPU全体で、TranscribePsyのGGUFビルドは1発話あたり平均1,021ミリ秒だった。次に高速だったテスト対象モデルであるomniASR-CTC-300M-v2は平均2,631ミリ秒、Whisper-smallは平均5,854ミリ秒だった。

Tetherの設定では、TranscribePsyは次に高速なテストモデルより約2.6倍、Whisper-smallより約5.7倍高速ということになる。

モデルのロード時間は平均252ミリ秒だった。ピークメモリ使用量は、同社によると各デバイスで530〜542MiBに収まった。

Appleの専用ハードウェアでは、さらに劇的な結果が出た。Tetherによると、Core MLビルドはiPhone 17 Pro Max上で、ロード後に10分間の録音1本を1.65秒で文字起こしした。これはリアルタイム速度の363倍に相当する。

iPhone 15では、Core MLビルドが40分間のセット全体を42.2秒で処理した。Galaxy S26 UltraはCPU経由で62秒で完了し、Pixel 9は180秒を要した。

iPhoneでの結果を、ライブ応答のレイテンシーと混同すべきではない。完成済みの10分間録音を高速に処理することと、話者がまだ話している間に正確なテキストを表示することは別である。

TranscribePsyは現在、完了した発話または録音を処理する。Tetherによると、iPhone Neural Engineでは話者が話し終えてからおよそ4分の1秒後にテキストを表示できるが、継続的なストリーミング機能は開発中だという。

読者は公開されているspeech benchmarkを通じてモデルの一覧を比較できる。それでも、最も価値ある次の検証は、モバイル開発者が同じハードウェア上で公開ビルドを使い再現することだろう。

実環境でのテストには、背景雑音、離れた位置のマイク、アクセントのある発話、複数話者、専門用語、長時間の録音セッションを含めるべきである。また、バッテリー消費とデバイス温度の持続的な上昇も測定すべきだ。

こうした条件によって、ベンチマーク上の速度がより優れた製品へとつながるかが決まる。人名を取りこぼしたり、長時間の発熱後に機能しなくなったりする高速文字起こしは、実験室でのスコアが示すほどの価値を提供しない。

プライバシー訴求には技術的・実務的な限界がある

ローカル推論はクラウド依存をなくすが、同意、精度、データ取り扱い、商用化の準備に関する問題を解決するものではない。

TetherはTranscribePsyを、一日を通して音を聞き取れるデバイスに対するプライバシー重視の回答として位置付けている。CEOのPaolo Ardoinoは、個人が中央集権的なプラットフォームに私的な会話へのアクセスを与える必要はないと主張している。

このモデルは、文字起こしの段階ではその立場を支えている。ダウンロード後、録音データをTetherや別のクラウドプロバイダーへ送信することなく、音声をテキストに変換できる。

しかし、音声モデルは周囲のアプリケーションを制御できない。録音を保存するか、トランスクリプトを同期するか、テキストをリモートの言語モデルに入力するかは、開発者が決める。

したがって、プライベートな文字起こしパイプラインが、プライベートではないアシスタントにデータを渡す可能性がある。製品メーカーには、最初のモデル呼び出しだけでなく、その後のすべての段階を対象とする明確な開示が必要だ。

第三者の同意も別の問題となる。スマートグラスの着用者は、近くの会話をどこにもアップロードせずに処理できる。ローカル処理はデータ露出を変えるが、録音を社会的または法的に自動的に許容可能にするわけではない。

精度もプライバシーに配慮したユースケースに影響する。Tetherは、医療相談、法的な聞き取り、セラピーセッション、ジャーナリズムを潜在的な用途として挙げている。こうした環境では、低い平均WERだけでは不十分である。

氏名、投与量、日付、法律用語、話者の帰属は、通常の単語置換より重大な影響を持ち得る。ベンチマークの平均値は、まさにこうした重要な詳細に誤りが集中するかどうかを示さない。

ストリーミング機能の不在も、短期的な制約の一つである。ライブ字幕や自然なロボットとの会話は、発話中にテキストが段階的に表示される場合に最も効果を発揮する。各発話の終わりを待つと、対話が硬直的に感じられる可能性がある。

開発者は音声を短いセグメントに分割できるが、その場合は終端検出に関する判断が必要になる。セグメントを早く切りすぎると文が分断され、待ちすぎるとレイテンシーが増す。

言語カバレッジも対象市場を狭める。スマートフォン向けモデルは8つの欧州言語をサポートする。多くのコンシューマープラットフォームが必要とする世界規模の言語範囲は、まだ提供していない。

Tetherのライセンスに関する表現にも注意が必要だ。同社は重みをApache 2.0として説明する一方、研究および教育目的で利用可能とも述べている。開発者は商用展開の前に、実際のリポジトリライセンスと関連するモデル文書を確認すべきである。

オープンな重みは重要な透明性を提供するが、完全に再現可能なトレーニングプロセスと同じではない。トレーニングコードやデータセットの詳細がなければ、研究者はモデルを再作成したり、元のデータ混合を調査したりできない。

公開された評価構成は、このギャップを部分的に埋めている。独立したテスターは、公開チェックポイントを再実行し、一貫した設定で出力を比較できる。

これが直ちに得られる検証の機会である。外部の開発者が速度とメモリの結果を再現できれば、Tetherは自社の展開に関する主張が自社ラボの外でも通用するという、より強い証拠を得ることになる。

独立テストで騒音環境での誤り率の増大や持続性能の問題が明らかになれば、モデルの優位性はより限定的に見えるだろう。汎用的な音声レイヤーにはならずとも、オフラインのバッチ文字起こしには有用であり続ける可能性がある。

Tetherの特異な立場は、別の不確実性を生む。同社は、デバイスメーカーへの音声インフラ提供よりも、USDTステーブルコインの発行元として最もよく知られている。

オープンリリースは、確立されたエンタープライズ向け販売チャネルがなくても開発者を引き付けられる。ハードウェアパートナーシップ、長期的な保守、ドキュメントの品質、バージョンの安定性が、実験が採用へ移行するかを決定する。

したがって、技術リリースは実在するが、その製品への影響は未証明である。Tetherはダウンロード可能な成果物と詳細な測定結果を提供した。しかし、それらを中心に構築された広く展開済みのスマートフォン、グラス製品、ロボットはまだ示していない。

開発者が次に注目すべきこと

TranscribePsyが有用なインフラになるか、印象的なモデルリリースにとどまるかは、3つのシグナルによって決まる。

第1のシグナルは、独立したモバイル環境での再現である。開発者はGGUFおよびCore MLビルドを列挙されたスマートフォンで実行し、精度、メモリ、バッテリー、温度の結果を公開すべきだ。

Tetherの速度数値と一致すれば、TranscribePsyが実用的なWhisper代替手段であるという主張は強まる。大きな性能差があれば、最も重要な差別化要因は弱まる。

テストは短いベンチマークセッションより長く実行すべきである。連続ディクテーション、1時間に及ぶ会議、反復的な音声コマンドは、平均発話時間では捉えられない熱スロットリングとバッテリーコストを明らかにする。

第2のシグナルはストリーミング対応である。Tetherは、話者が発話中にテキストを生成するバージョンを開発していると述べている。

安定したストリーミング版がリリースされれば、このモデルはライブ字幕、スマートグラス、会話型ロボットにより適したものになる。遅延が続けば、多くの展開はボイスメモ、完了済み録音、ターンベースのコマンドに限定されるだろう。

ストリーミング品質は、速度だけで評価すべきではない。開発者は、部分語の訂正、終端検出、句読点の安定性、話者が間を置いたり互いに話を遮ったりした場合の性能を測定する必要がある。

第3のシグナルは、実際のハードウェア統合である。グラスメーカー、ロボティクス企業、アクセシビリティ開発者、モバイルアプリケーションによる公開実装は、システム全体をテストすることになる。

このような統合によって、モデルの限定的な言語セットが実際の顧客に合うかが明らかになる。また、ローカル文字起こしがマイク、ウェイクワード、アシスタントモデル、デバイス制御とどのように相互作用するかも示される。

ハードウェアパートナーがいても、すべての主張が正しいことの証明にはならない。ただし、別の組織がサポート対象製品に組み込めるほどランタイムが成熟していると判断したことは示される。

現在Tether TranscribePsyを評価する開発者は、範囲を限定したタスクから始めるべきである。オフラインのボイスメモ、会議の文字起こし、録音向けのアクセシビリティ字幕、コマンド認識は、汎用アシスタントより明確なテストを提供する。

開発者は、自らの音声データを用いてWhisperおよび別のコンパクトな多言語モデルと出力を比較すべきである。テストセットには、想定ユーザー、実際のマイク、典型的な騒音、分野固有の語彙を含める必要がある。

プライバシーレビューでは、文字起こし後もデータの流れを追うべきだ。チームは、ローカルモデルがテキストを返した後に、録音、トランスクリプト、埋め込み、アシスタントプロンプトがどこへ送られるのかを文書化する必要がある。

Tetherは、実行可能なビルドと再現可能な構成を公開することで、最初の評価ステップを容易にした。次のステップは、同社のベンチマーク環境の外でこれらのビルドをテストできる開発者に委ねられている。

重要な問いは、2億5,400万パラメータのモデルが魅力的なスコアを出せるかどうかではない。Tetherは、それが可能である証拠をすでに提示している。問われるのは、その効率性が実際の話者、混雑した部屋、熱を持ったスマートフォン、完全なアプリケーションでも維持されるかである。

独立した結果が裏付けられれば、Tether TranscribePsyは、常時クラウドアクセスに依存できないデバイス向けに、信頼できるローカル音声レイヤーを開発者へ提供することになる。そうでなければ、大規模な音声モデルをエッジハードウェア向けに圧縮する有用なケーススタディとして残るだろう。

いずれの結果になっても、現在のオンデバイス音声認識で実現できることが明確になります。チェックポイントをダウンロードし、実際の録音データでテストしたうえで、ベンチマークを製品選定の判断材料とする前に、体験全体を測定してください。