Tether TranscribePsy 将语音识别移至设备端，但其基准测试仍需更广泛验证
Tether 发布了一款拥有 2.54 亿参数的语音模型，可将转录任务部署到手机、笔记本电脑、智能眼镜和机器人上，而非将音频发送至云端。Tether TranscribePsy 旨在实现一个颇具挑战性的平衡：让模型足够小，以适配消费级硬件，同时避免通常伴随而来的准确率下降。
该公司表示，在六款智能手机上的测试中，TranscribePsy 的运行速度超过了它所测试的所有竞品模型。它还报告称，该模型在 Multilingual LibriSpeech 上的词错误率为 6.58%，优于参数量为其三到四倍的多款模型。这些结果使其与 OpenAI 的 Whisper 系列、Meta 的 Omnilingual ASR 模型、Qwen3-ASR 及其他开放语音系统形成竞争。
不过，支撑这些说法的对比测试由 Tether 自行开展并发布。此次发布包括模型权重、移动端构建版本和评估配置，但不包括训练代码或训练数据。TranscribePsy 也不支持流式转录，这限制了它在智能眼镜和机器人持续对话场景中的即时实用性。
Tether TranscribePsy 将语音识别带到设备端
此次发布之所以重要，是因为 Tether 针对受限硬件封装了语音识别能力，而不是将移动端支持视为缩水版的桌面体验。
Tether AI Research 于 2026 年 10 月 14 日发布了 TranscribePsy。TranscribePsy 发布公告介绍，这是一款多语言自动语音识别模型，即 ASR 模型，可将录制的语音转换为文本。
TranscribePsy 包含 2.54 亿个参数。参数是塑造模型如何理解音频并预测词语的学习所得数值。较少的参数通常能降低存储和内存需求，不过架构与运行时优化同样会影响性能。
此次发布提供了四种检查点，以适配不同的硬件和语言需求。其中一个笔记本电脑模型覆盖 25 种欧洲语言，另一版笔记本电脑模型则聚焦于八种语言。GGUF 移动端构建版本通过 Tether 的语音引擎运行，而 Core ML 版本则面向 Apple 的 Neural Engine。
手机使用的是八语言模型，涵盖荷兰语、英语、法语、德语、意大利语、波兰语、葡萄牙语和西班牙语。更大的语言集还增加了保加利亚语、克罗地亚语、捷克语、丹麦语、爱沙尼亚语、芬兰语、希腊语、匈牙利语、拉脱维亚语、立陶宛语、马耳他语、罗马尼亚语、俄语、斯洛伐克语、斯洛文尼亚语、瑞典语和乌克兰语。
Tether 表示，该模型能够处理通过 Bluetooth 或 Wi-Fi 从智能眼镜采集的音频。人形机器人则可在机载处理器上运行该模型，从而将其他计算资源留给视觉、建图和物理控制。
这些场景并不意味着 Tether 已经发布了一套完整的智能眼镜助手或机器人界面。TranscribePsy 仅处理系统中的一个环节：在话语结束后将其转换为文本。开发者仍需提供麦克风、激活逻辑、助手模型、应用控制以及语音回复。
这一差异至关重要。实用的语音产品依赖于从声音采集到执行操作的完整链路。快速的语音模型能够消除一个瓶颈，但无法弥补糟糕的麦克风、嘈杂的房间、缓慢的语言模型或不可靠的设备控制。
Tether 以 Apache 2.0 协议发布了权重，并提供 GGUF 和 Core ML 构建版本。开发者可以查看现有的模型检查点、下载它们，并复现已发布的评估流程。
训练代码和原始训练数据并未包含在内。这使得权重可用于测试和适配，但也让外部人员无法重建完整的开发流程。
这种组合构成了 Tether TranscribePsy 的核心张力。它对于开放语音模型发布而言具有不同寻常的部署导向，但其最强有力的主张仍依赖于由创建者设计的测试。
为什么设备端语音识别正成为真正的竞争焦点
主要竞争已不再是云端语音与低性能离线听写之间的较量，而是云端规模的准确率与人们随身携带硬件上可接受准确率之间的较量。
云端转录让开发者能够使用大型模型和弹性计算能力。但它也要求音频离开设备，经历网络往返，并通过由其他组织控制的基础设施处理。
当麦克风始终近在身边时，这种取舍会变得更为严肃。智能眼镜可能采集会议、私密谈话、医疗讨论，以及从未同意使用该设备之人的语音。在家庭中工作的机器人也面临类似问题。
设备端语音识别改变了第一步处理发生的位置。手机或可穿戴设备在本地将音频转换为文本，因此原始录音无需抵达远程转录服务器。
本地处理本身无法保证隐私。应用仍可能上传转录文本、保留录音，或在之后共享衍生信息。设备安全、应用权限、数据保留政策和下游服务仍是隐私模型的一部分。
尽管如此，将原始音频保留在本地，能在关键阶段降低暴露风险。语音传递的信息不止是字面词语；它还可能揭示身份、情绪、健康指标、周围说话者和背景活动。
连接状况构成了第二个压力点。依赖云端的助手可能在电梯、飞机、隧道、农村地区或拥挤场馆中失效。当设备失去连接时，本地 ASR 仍可继续识别命令。
延迟同样会影响语音界面是否具有对话感。Tether 指出，远程数据中心会在处理开始前引入网络延迟。移动网络拥塞和信号微弱还可能以不可预测的方式延长这一延迟。
智能眼镜制造商面临尤为严格的限制。它们的产品必须在小型镜架或连接的手机中管理发热、续航、存储和内存。将每段录音发送至云端可简化可穿戴设备上的计算，但会带来隐私和可靠性问题。
机器人开发者则面临不同的资源分配问题。语音识别需要与视觉、定位、运动规划和安全流程争夺有限的机载计算资源。紧凑的 ASR 模型可为这些其他任务留下更多算力。
这些压力解释了 Tether 为何将部署速度和模型规模作为主要卖点。它并非试图在每种语言和声学环境下超越最大的语音系统，而是在论证：较小的模型能够达到实用离线产品所需的门槛。
这一论点给使用 Whisper-small 及类似通用检查点的开发者带来了压力。Whisper 拥有成熟的生态系统和广泛的开发者认知度，但针对多种环境设计的模型并不必然提供最佳移动端运行时表现。
原始的 Whisper 研究强调了大规模弱监督，以及跨任务和数据集的泛化能力。TranscribePsy 则提出了一个更窄的主张，聚焦欧洲语言、紧凑部署和手机性能。
两种方式都无法赢得所有使用场景。云端服务能够支持更广泛的语言覆盖和集中更新。本地模型则可降低网络依赖，并让敏感音频更接近其来源。
竞争的关键在于，用户是否会在速度、隐私或离线可靠性方面感受到足够明显的差异，从而接受更小的语言覆盖范围。Tether 的首批基准测试结果表明，这种取舍可能具有吸引力，但产品采用情况将提供更严峻的检验。
模型剪枝解释了 Tether 如何缩小模型体积
TranscribePsy 并非从一开始便独立训练的小模型。Tether 从一个大得多的语音系统中压缩了知识。
该模型采用 FastConformer-TDT 架构。FastConformer 是一种旨在高效处理长语音序列的音频架构，而 TDT 则预测文本 token 及其时序行为。
Tether 以 NVIDIA 的 Parakeet-TDT-0.6B-v3 为起点，这是一款拥有 6.27 亿参数的语音模型。团队通过结构化剪枝缩减了该网络，即在保留可执行架构的同时移除选定组件。
随后，它将原始 Parakeet 模型用作教师模型。这个过程称为知识蒸馏，旨在训练更小的学生模型复现大型系统中的有用行为。
Parakeet 教师模型提供了一个已经训练好的起点。Tether 表示，这种方法帮助较小的模型保留了仅靠转录文本更难学习到的能力。
根据 Tether 的基准测试方法，该模型在约 56.4 万小时、涵盖 25 种语言的语音数据上进行了训练。该公司尚未发布底层数据集，因此外部人员目前无法审查其构成或同意条件。
数据构成很重要，因为多语言平均值可能掩盖巨大差异。一个模型可能在清晰的英语录音上表现良好，却难以处理地区口音、语码转换、多人重叠说话，或训练数据较少的语言。
25 语言版本通过其主要权重处理英语，并为其他语言添加小型适配器。适配器是一组紧凑的附加参数，可在不替换完整网络的情况下让模型专门适应特定任务。
当说话者语言未知时，语言门控会为每段话语选择一个适配器。Tether 表示，这种自动选择会使英语词错误率增加约 0.1 个百分点。
八语言移动版本进一步缩小了任务范围。支持更少的语言让模型能够集中其容量，并降低移动端部署的复杂性。但这一选择也使手机版本不太适合覆盖范围以外的多语言地区。
Tether 的部署工作可能与其压缩方法同样重要。能够装入手机的模型仍需要高效的运行时、受支持的操作、可预测的内存消耗，以及针对特定硬件的封装。
GGUF 构建版本通过 Tether 基于 Parakeet 的引擎在手机处理器上运行。GGUF 是一种常用于高效本地推理和硬件可移植性的模型文件格式。
Apple 设备则采用另一条路径。Core ML 构建版本面向 iPhone Neural Engine，这是一种专门用于机器学习运算的处理器。专用加速所带来的速度远快于仅依靠通用手机 CPU 运行同样工作负载。
这种分化说明了设备端 AI 的一个实际挑战：“本地运行”并不代表单一统一的环境。iPhone Neural Engine、Android CPU、笔记本电脑 GPU 和机器人处理器具有不同的内存限制和支持操作。
因此，开发者必须将检查点和运行时结合起来评估。一个醒目的参数量数字无法预测整个产品使用周期中的电池消耗、持续发热、加载时间或响应能力。
Tether 表示，它正在开发更小的模型、更多语言支持以及流式处理能力。这些改进将把同样的压缩策略扩展至功耗限制更严苛的设备，以及需要持续字幕的应用场景。
目前，这一架构解释了 TranscribePsy 如何实现当前体积，但尚未证明这种压缩在基准测试之外复杂多变的真实音频环境中，能够以何种可靠性迁移适用。
Tether 将 TranscribePsy 的速度与 Whisper 及更大模型进行基准对比
Tether 的数据为其效率表现提供了可信依据，但这些仍是厂商自行运行的结果，而非独立产品测试。
语音识别的准确性通常通过词错误率（WER）衡量。该指标统计与参考转录文本相比被替换、遗漏和插入的词语数量。分数越低，意味着错误越少。
Tether 报告称，TranscribePsy 在 Open ASR Leaderboard 评测中的 WER 为 8.02%，在 Multilingual LibriSpeech 上为 6.58%，在 Common Voice 上为 21.56%。
在一个涵盖 2.42 亿至 3.7 亿参数模型的对比组中，TranscribePsy 在全部三项测试集上均录得最低错误率。Tether 表示，这些测试采用了相同的解码流程和文本标准化器。
在 Multilingual LibriSpeech 上，Whisper-small 在 Tether 测试中的 WER 为 11.51%。OWSM v4 small 达到 11.84%，而 omniASR-CTC-300M-v2 为 11.89%。
与更大模型的比较则更为复杂。TranscribePsy 在 Multilingual LibriSpeech 上取得的 6.58% 成绩，优于 Qwen3-ASR-0.6B、OWSM-CTC-v4、Whisper-Medium 和 omniASR-CTC-1B-v2 所报告的分数。
不过，Qwen3-ASR-0.6B 在 Open ASR 评测中表现更佳。其 WER 为 7.40%，而 TranscribePsy 为 8.02%。Meta 的十亿参数 Omnilingual 模型则在 Common Voice 上领先，成绩为 20.07%，相比之下 TranscribePsy 为 21.56%。
这些差异意味着，不能简单宣称 TranscribePsy 比所有更大模型都更准确。它最明显的优势出现在一项多语言基准测试中，而更大的竞争模型则在其他测试集上领先。
已公布的手机测试结果则更具决定性。Tether 测试了六款设备：iPhone 17 Pro Max、iPhone 15、Samsung Galaxy S26 Ultra、Galaxy S25 Ultra、Google Pixel 10 和 Pixel 9。
每台手机处理 160 段语音，涵盖八种语言、共计 40 分钟音频。Tether 报告的是五次运行中最佳三次结果的平均值，并在测试间安排冷却时间，以限制热降频影响。
在六款手机的 CPU 上，TranscribePsy GGUF 构建版本平均每段语音耗时 1,021 毫秒。受测模型中第二快的 omniASR-CTC-300M-v2 平均耗时为 2,631 毫秒。Whisper-small 平均耗时为 5,854 毫秒。
按照 Tether 的测试设置，TranscribePsy 的速度约为下一款受测模型的 2.6 倍，约为 Whisper-small 的 5.7 倍。
该模型平均加载时间为 252 毫秒。该公司称，其峰值内存占用在不同设备上维持在 530 至 542 MiB 之间。
Apple 的专用硬件带来了更显著的结果。Tether 表示，在 iPhone 17 Pro Max 上，Core ML 构建版本加载完成后，可在 1.65 秒内转录一段 10 分钟录音，相当于 363 倍实时速度。
在 iPhone 15 上，Core ML 构建版本处理完整的 40 分钟测试集耗时 42.2 秒。Galaxy S26 Ultra 通过 CPU 路径完成测试耗时 62 秒，而 Pixel 9 需要 180 秒。
iPhone 的这一结果不应与实时响应延迟混为一谈。快速处理一段已经结束的 10 分钟录音，与用户仍在说话时持续显示准确文本，是两种不同的能力。
TranscribePsy 目前处理的是已完成的一段语音或录音。Tether 表示，在 iPhone Neural Engine 上，讲话者停止说话后约四分之一秒即可出现文本，但连续流式处理仍在开发中。
读者可通过公开的语音基准测试比较模型列表。即便如此，最有价值的后续验证仍将来自移动开发者：在相同硬件上使用已发布构建版本进行复现。
真实场景测试应纳入背景噪声、远距离麦克风、带口音的语音、多位说话者、专业术语和长时间录音。测试还应衡量电池消耗和设备持续运行时的温度。
这些条件决定了基准测试速度能否转化为更好的产品体验。若转录速度很快却漏掉人名，或在长时间发热后失效，其实际价值将低于实验室分数所暗示的水平。
隐私卖点存在技术与实际层面的边界
本地推理消除了对云端的依赖，但并未解决同意、准确性、数据处理或商业可用性等问题。
Tether 将 TranscribePsy 定位为对全天候监听设备的一种隐私导向回应。CEO Paolo Ardoino 认为，人们不应被迫让中心化平台接触个人对话。
该模型在转录阶段支持这一立场。下载后，它可将音频转换为文本，而无需将录音发送给 Tether 或其他云服务提供商。
但语音模型无法控制其周边应用。开发者决定是否存储录音、是否同步转录文本，以及文本是否会被输入远程语言模型。
因此，私密的转录流程仍可能为不具私密性的助手提供输入。产品制造商需要明确披露后续每一步的数据流向，而不仅仅是第一次模型调用。
旁观者同意是另一项问题。智能眼镜佩戴者可以处理附近的对话，而无需将其上传至任何地方。本地处理改变了数据暴露方式，但并不会自动让录音在社会或法律层面变得可接受。
准确性同样会影响隐私敏感型应用。Tether 将医疗咨询、法律访谈、治疗会话和新闻采访列为潜在应用。这些场景的要求不只是较低的平均 WER。
姓名、剂量、日期、法律术语和说话者归属，可能比普通词语替换带来更严重的后果。基准平均值无法显示错误是否恰好集中在这些关键细节上。
缺少流式处理也是近期的一项限制。实时字幕和自然的机器人对话，在文本能随语音逐步出现时效果最佳。等待每段语音结束，可能让交互显得生硬。
开发者可以将音频划分为短片段，但这会引入端点检测的取舍。片段结束得太早可能切断一句话，等待过久则会增加延迟。
语言覆盖范围同样限制了可服务市场。该手机模型支持八种欧洲语言，尚未提供许多消费级平台所需的全球语言覆盖。
Tether 的许可表述也值得关注。该公司将权重描述为 Apache 2.0，同时又称其可用于研究和教育目的。开发者在商业部署前，应检查实际仓库许可及相关模型文档。
开放权重带来了重要的透明度，但这并不等同于完整可复现的训练流程。没有训练代码和数据集细节，研究人员无法重新创建模型，也无法研究原始数据混合方式。
已发布的评测配置在一定程度上弥补了这一缺口。独立测试者可以重新运行已发布的检查点，并在一致设置下比较输出结果。
这正是当前可立即开展的验证机会。若外部开发者能够复现速度和内存结果，Tether 就将获得更有力的证据，证明其部署主张不仅适用于自家实验室。
如果独立测试发现噪声环境中的错误率更高，或持续性能存在问题，该模型的优势将显得更有限。它或许仍适用于离线批量转录，但未必能成为通用语音层。
Tether 的特殊定位带来了另一层不确定性。该公司最知名的业务是发行 USDT 稳定币，而非为设备制造商提供语音基础设施。
开放发布可在尚未建立企业销售渠道的情况下吸引开发者。硬件合作伙伴关系、长期维护、文档质量和版本稳定性，将决定试验能否转化为采用。
因此，这项技术发布是真实存在的，但其产品影响仍未得到验证。Tether 已提供可下载的产物和详细测量数据，但尚未展示一款基于这些技术广泛部署的手机、眼镜产品或机器人。
开发者接下来应关注什么
三个信号将决定 TranscribePsy 会成为实用基础设施，还是仅停留在一次令人印象深刻的模型发布。
第一个信号是独立移动端复现。开发者应在所列手机上运行 GGUF 和 Core ML 构建版本，并公布准确性、内存、电池和温度结果。
若能匹配 Tether 的速度数据，将强化 TranscribePsy 作为实用 Whisper 替代方案的论据。若性能差距较大，则会削弱其最重要的差异化优势。
测试应比短暂的基准测试会话持续更久。持续听写、长达一小时的会议和重复语音命令，能够暴露平均单段语音计时无法捕捉的热降频与电池成本。
第二个信号是流式处理支持。Tether 表示，其正在开发能够在人说话过程中输出文本的版本。
稳定的流式版本将使该模型更适合实时字幕、智能眼镜和对话式机器人。若继续延迟，许多部署场景将只能局限于语音笔记、已完成录音和轮次式命令。
流式质量的评估不应仅看速度。开发者还需衡量部分词语修正、端点检测、标点稳定性，以及说话者停顿或互相打断时的表现。
第三个信号是真实的硬件集成。来自眼镜制造商、机器人公司、无障碍开发者或移动应用的公开实现，将测试完整系统。
这样的集成将揭示模型有限的语言集是否符合真实客户需求，也将展示本地转录如何与麦克风、唤醒词、助手模型和设备控制协同工作。
硬件合作伙伴并不能证明每一项主张都正确，但能表明另一家组织认为该运行时已足够成熟，可以部署到受支持产品中。
目前评估 Tether TranscribePsy 的开发者，应从边界明确的任务开始。离线语音笔记、会议转录、录音无障碍字幕和命令识别，比通用助手更适合作为测试场景。
他们应使用自己的音频，将输出与 Whisper 及另一款紧凑型多语言模型进行比较。测试集应包含目标用户、真实麦克风、典型噪声和领域特定词汇。
隐私审查应追踪转录之后的数据流。团队需要记录本地模型返回文本后，录音、转录文本、嵌入向量和助手提示词会流向何处。
Tether 通过发布可运行构建版本和可复现配置，使第一步评估变得更容易。下一步则属于那些能够在公司基准环境之外测试这些构建版本的开发者。
关键问题并非一个 2.54 亿参数模型能否取得亮眼分数。Tether 已经给出了它能够做到这一点的证据。真正的问题是，这种效率能否经受真实声音、拥挤房间、发热手机和完整应用程序的考验。
如果独立结果得到验证，Tether TranscribePsy 将为无法依赖持续云端访问的设备，提供可信的本地语音层。如果结果未能成立，它仍将成为一个有价值的案例研究，展示如何将更大的语音模型压缩至边缘硬件。
无论结果如何，都将明确当下设备端语音识别实际能够实现什么。下载一个检查点，用真实录音进行测试，并在将任何基准测试视为产品决策依据之前，衡量整个使用体验。
