Tether AI Research، واحد هوش مصنوعی Tether Data، روز ۱۴ اکتبر ۲۰۲۶ مدل QVAC TranscribePsy را منتشر کرد؛ یک مدل بازشناسی خودکار گفتار با ۲۵۴ میلیون پارامتر که قرار است صدا را روی لپ‌تاپ و گوشی، بدون فرستادن به سرور، به متن تبدیل کند. وزن‌های مدل با مجوز Apache 2.0 در Hugging Face قرار گرفته و نسخه‌های GGUF برای پردازنده‌های همراه، نسخه Core ML برای Neural Engine اپل و پیکربندی‌های ارزیابیِ پشت ارقام اعلام‌شده نیز همراه آن است. کد و داده‌های آموزشی منتشر نشده‌اند.
این خانواده چهار نسخه دارد. TranscribePsy-250M-EU برای لپ‌تاپ ساخته شده و ۲۵ زبان اروپایی را پوشش می‌دهد. TranscribePsy-250M-EU-sub به هشت زبان مجموعه Multilingual LibriSpeech یعنی هلندی، انگلیسی، فرانسوی، آلمانی، ایتالیایی، لهستانی، پرتغالی و اسپانیایی محدود است تا دقت بیشتری بدهد و نسخه‌های GGUF و Core ML گوشی از همین مدل گرفته شده‌اند. در مدل ۲۵ زبانه، انگلیسی با وزن‌های اصلی پردازش می‌شود و یک آداپتور کوچک بقیه ۲۴ زبان را بر عهده دارد؛ یک دروازه زبانی برای هر جمله مسیر را انتخاب می‌کند که به گفته Tether حدود ۰٫۱ واحد به خطای انگلیسی می‌افزاید.
از نظر فنی، این مدل یک مبدل FastConformer-TDT است. تیم کار را از Parakeet-TDT-0.6B-v3 ساخت NVIDIA با ۶۲۷ میلیون پارامتر آغاز کرد، آن را با هرس ساختاریافته کوچک کرد و سپس شبکه کوچک‌تر را آموزش داد تا رفتار مدل اصلی را بازتولید کند؛ داده آموزشی حدود ۵۶۴ هزار ساعت گفتار به ۲۵ زبان بوده است. Tether می‌گوید شروع از نسخه هرس‌شده مدل معلم، به‌جای آموزش از صفر، دلیل اصلی رقابتی ماندن چنین مدل کوچکی است. گزارش فنی کامل با نتایج هر زبان وعده داده شده اما هنوز منتشر نشده است.
بر پایه آزمون‌های خود Tether، مدل ۲۵ زبانه روی مجموعه Open ASR Leaderboard نرخ خطای واژه ۸٫۰۲ درصد، روی Multilingual LibriSpeech ۶٫۵۸ درصد و روی Common Voice ۲۱٫۵۶ درصد دارد؛ ارقامی که شرکت برای Whisper-small گزارش می‌کند ۱۲٫۳۴، ۱۱٫۵۱ و ۳۸٫۱۷ درصد است. در برابر مدل‌های بزرگ‌تر، تصویر یکدست نیست: TranscribePsy روی Multilingual LibriSpeech از Whisper-Medium، omniASR-CTC-1B-v2، OWSM-CTC-v4 و Qwen3-ASR-0.6B بهتر است، اما Qwen3-ASR-0.6B روی Open ASR Leaderboard جلوتر است (۷٫۴۰ در برابر ۸٫۰۲ درصد) و omniASR-CTC-1B-v2 روی Common Voice نتیجه بهتری دارد (۲۰٫۰۷ در برابر ۲۱٫۵۶ درصد).
سرعت مهم‌ترین ادعای Tether است. روی شش گوشی، از iPhone 15 تا Pixel 10 و Galaxy S26 Ultra، هر مدل همان ۴۰ دقیقه صدا را رونویسی کرد. نسخه GGUF هشت‌زبانه روی پردازنده گوشی به‌طور میانگین برای هر جمله ۱۰۲۱ میلی‌ثانیه زمان برد، در برابر ۲۶۳۱ میلی‌ثانیه برای omniASR-CTC-300M-v2 و ۵۸۵۴ میلی‌ثانیه برای Whisper-small؛ زمان راه‌اندازی سرد حدود ۲۵۲ میلی‌ثانیه و اوج مصرف حافظه نزدیک ۵۳۴ مبی‌بایت بود. روی Neural Engine یک iPhone 17 Pro Max، نسخه Core ML پس از بارگذاری یک فایل ده‌دقیقه‌ای را در ۱٫۶۵ ثانیه رونویسی کرد، هرچند به گفته صفحه پروژه در GitHub راه‌اندازی سرد آن ۱۲٫۷ ثانیه است. اندروید کندتر است: کل مجموعه ۴۰ دقیقه‌ای روی Galaxy S26 Ultra ۶۲ ثانیه و روی Pixel 9 حدود ۱۸۰ ثانیه طول کشید.
Tether این مدل را زیرساختی برای حفظ حریم خصوصی در دستگاه‌هایی می‌داند که دائم گوش می‌دهند، مانند عینک‌های هوشمند و ربات‌های انسان‌نما، و آن را لایه صوتی خانواده QVAC Psy معرفی می‌کند که VisionPsy، TranslatePsy و MedPsy را هم در بر دارد. برای توسعه‌دهندگان، کاربردهای فوری شامل دیکته بدون اینترنت، صورت‌جلسه جلسات و کلاس‌ها، زیرنویس و فرمان صوتی در جاهایی است که شبکه ضعیف است یا صدا نباید از دستگاه خارج شود.
محدودیت‌هایی هم وجود دارد. همه ارقام دقت و تأخیر را خود Tether اعلام کرده و تا زمان انتشار این گزارش هیچ بازتولید مستقلی یافت نشد. پوشش زبانی فقط اروپایی است، نسخه‌های فعلی پس از پایان صحبت متن را تحویل می‌دهند و رونویسی هم‌زمان ندارند، و شرکت وزن‌های Apache 2.0 را برای اهداف پژوهشی و آموزشی توصیف کرده است؛ نکته‌ای که استفاده‌کنندگان تجاری باید روشن کنند.