A Tether AI Research, unidade de inteligência artificial da Tether Data, lançou a 14 de outubro de 2026 o QVAC TranscribePsy, um modelo de reconhecimento automático de fala com 254 milhões de parâmetros pensado para transcrever áudio em portáteis e telemóveis sem o enviar para servidores. Os pesos estão no Hugging Face sob Apache 2.0, acompanhados de versões GGUF para processadores móveis, de uma versão Core ML para o Neural Engine da Apple e das configurações de avaliação usadas nos resultados divulgados. O código e os dados de treino ficaram de fora.
Há quatro variantes. O TranscribePsy-250M-EU cobre 25 línguas europeias e destina-se a portáteis. O TranscribePsy-250M-EU-sub limita-se às oito línguas do Multilingual LibriSpeech (neerlandês, inglês, francês, alemão, italiano, polaco, português e espanhol) para ganhar precisão, e é dele que derivam as versões GGUF e Core ML para telemóvel. No modelo de 25 línguas, o inglês usa os pesos principais e um pequeno adaptador trata as outras 24; um seletor de idioma escolhe o caminho em cada frase, o que, segundo a Tether, custa cerca de 0,1 pontos de erro no inglês.
Tecnicamente, trata-se de um transdutor FastConformer-TDT. A equipa partiu do Parakeet-TDT-0.6B-v3 da NVIDIA, com 627 milhões de parâmetros, reduziu-o por poda estruturada e treinou a rede mais pequena para imitar a original, com cerca de 564 mil horas de fala em 25 línguas. A Tether defende que começar de uma cópia podada do modelo professor, e não do zero, é o que permite a um modelo tão leve manter-se competitivo. Um relatório técnico completo, com resultados por língua, foi prometido mas ainda não saiu.
Nos testes da própria Tether, o modelo de 25 línguas regista 8,02% de taxa de erro de palavras no conjunto do Open ASR Leaderboard, 6,58% no Multilingual LibriSpeech e 21,56% no Common Voice, contra 12,34%, 11,51% e 38,17% atribuídos ao Whisper-small. Face a sistemas maiores, o quadro é misto: o TranscribePsy fica à frente do Whisper-Medium, do omniASR-CTC-1B-v2, do OWSM-CTC-v4 e do Qwen3-ASR-0.6B no Multilingual LibriSpeech, mas o Qwen3-ASR-0.6B vence no Open ASR Leaderboard (7,40% contra 8,02%) e o omniASR-CTC-1B-v2 sai-se melhor no Common Voice (20,07% contra 21,56%).
A velocidade é o principal argumento. Em seis telemóveis, do iPhone 15 ao Pixel 10 e ao Galaxy S26 Ultra, cada modelo transcreveu os mesmos 40 minutos de áudio. A versão GGUF de oito línguas precisou em média de 1.021 milissegundos por frase no processador, contra 2.631 ms do omniASR-CTC-300M-v2 e 5.854 ms do Whisper-small, com arranque a frio de cerca de 252 ms e pico de memória perto de 534 MiB. No Neural Engine de um iPhone 17 Pro Max, a versão Core ML transcreveu uma gravação de 10 minutos em 1,65 segundos depois de carregada, embora o arranque a frio demore 12,7 segundos, segundo a página do projeto no GitHub. No Android é mais lento: o conjunto completo levou 62 segundos no Galaxy S26 Ultra e 180 no Pixel 9.
A Tether apresenta o modelo como peça de privacidade para aparelhos que estão sempre a ouvir, como óculos inteligentes e robôs humanoides, e como camada de voz da família QVAC Psy, que inclui VisionPsy, TranslatePsy e MedPsy. Para quem desenvolve aplicações, os usos imediatos são ditado sem rede, atas de reuniões e aulas, legendas e comandos de voz em locais sem cobertura ou onde o áudio não deve sair do aparelho.
Há limitações a ter em conta. Todos os números de precisão e latência vêm da Tether e não foi encontrada qualquer replicação independente à data de publicação. A cobertura limita-se a línguas europeias, as versões atuais só transcrevem depois de a pessoa acabar de falar, sem texto em tempo real, e a empresa descreve os pesos Apache 2.0 como destinados a investigação e ensino, uma formulação que quem pense em uso comercial vai querer esclarecer.