Akıllı gözlükler ve insansı robotlar için yeni ses tanıma modeli
Tether AI Research, bulut sunucularına ihtiyaç duymadan doğrudan cihazlarda çalışan 254 milyon parametreli ses tanıma modeli QVAC TranscribePsy’ı tanıttı. Model, iPhone 17 Pro Max üzerinde 10 dakikalık ses kaydını 1,65 saniyede yazıya dönüştürebiliyor. Teknoloji, ses verilerinin cihaz dışına aktarılmadan işlenmesini sağlayarak gizlilik odaklı yapay zekâ uygulamalarına altyapı sunuyor.
Tether AI Research tarafından geliştirilen QVAC TranscribePsy, akıllı telefonlar, akıllı gözlükler ve insansı robotlarda çalışacak şekilde tasarlandı. Ses kayıtlarını internet bağlantısı veya bulut tabanlı işlem gerektirmeden işleyebilen model, özellikle sesle kontrol edilen yapay zekâ uygulamalarına odaklanıyor.
Bluetooth veya Wi-Fi üzerinden akıllı gözlüklere bağlanabilen sistem, sesleri gerçek zamana yakın biçimde metne dönüştürebiliyor. Modelin insansı robotların kendi işlemcilerinde çalışabilmesi de hedeflenen kullanım alanları arasında yer alıyor. Bu yaklaşım, sesli komutların ve konuşmaların işlenmesi sırasında kişisel verilerin uzak sunuculara gönderilmesi ihtiyacını azaltmayı amaçlıyor.
Kompakt model, yüksek işlem hızı sunuyor
Yalnızca 254 milyon parametreye sahip QVAC TranscribePsy, düşük bellek kullanımı ve işlem hızıyla öne çıkıyor. Model, Open ASR Leaderboard testinde yüzde 8,02, Multilingual LibriSpeech testinde yüzde 6,58 ve Common Voice testinde yüzde 21,56 kelime hata oranı (WER) elde etti. Multilingual LibriSpeech değerlendirmesinde kendisinden üç ila dört kat daha büyük bazı modelleri geride bıraktı.
Altı akıllı telefonda gerçekleştirilen testlerde de yüksek performans gösteren model, işlem hızı bakımından kendisinden sonra gelen modele göre 2,6 kat, Whisper-small modeline göre ise 5,7 kat daha hızlı çalıştı.
Apple Core ML için hazırlanan sürüm, iPhone 17 Pro Max üzerinde 10 dakikalık ses kaydını 1,65 saniyede metne dönüştürdü. Aynı sürümün test edilen rakip Core ML modeline kıyasla disk alanının yarısından azını ve 1,7 kat daha az belleği kullandığı belirtildi.
Dizüstü bilgisayar ve iPhone için farklı sürümler
QVAC TranscribePsy, dizüstü bilgisayarlarda 25 Avrupa dilini, telefonlarda ise sekiz Avrupa dilini destekliyor. Apple’ın iPhone modellerindeki Neural Engine birimi için optimize edilen özel bir sürüm de sunuluyor.
Yayımlanan paket; 25 Avrupa dilini destekleyen dizüstü bilgisayar modelini, sekiz dile odaklanan alternatif sürümü, qvac-fabric-speech’in parakeet.cpp motorunda çalışan GGUF mobil sürümünü ve Apple Neural Engine için optimize edilmiş Core ML sürümünü içeriyor.
Gizlilik odaklı sesli yapay zekâ uygulamaları
Ses tanıma işlemlerinin doğrudan cihazda gerçekleştirilmesi, özellikle hassas bilgilerin işlendiği alanlarda önem taşıyor. Tıbbi görüşmeler, hukuki mülakatlar, terapi seansları ve gazetecilik faaliyetleri gibi gizliliğin ön planda olduğu durumlarda ses kayıtlarının buluta gönderilmemesi, verilerin kontrolünün kullanıcıda kalmasına yardımcı olabilir.
Bununla birlikte, cihaz üzerinde çalışan bir modelin kullanılması tek başına bütün veri güvenliği risklerini ortadan kaldırmıyor. Uygulamaların kayıtları nasıl sakladığı, diğer hizmetlerle paylaşıp paylaşmadığı ve hangi izinleri kullandığı da gizlilik açısından belirleyici oluyor.
İnsansı robotlarda ise düşük kaynak tüketimi, işlem kapasitesinin farklı görevlere ayrılmasını sağlayabilir. Ses tanıma için daha az bellek ve işlem gücü kullanılması; görsel algılama, mekânsal haritalama ve fiziksel hareket kontrolü gibi işlevler için kaynak bırakılmasına yardımcı olabilir.
QVAC ekosisteminde TranscribePsy’ın VisionPsy, TranslatePsy-Nano ve MedPsy gibi modellerle birlikte kullanılması da planlanan uygulamalar arasında bulunuyor. Bu tür entegrasyonlar, cihaz üzerinde sesli belge analizi, çeviri, navigasyon ve özel not alma gibi işlevlerin geliştirilmesini destekleyebilir.
Paolo Ardoino: Kişisel veriler cihazda kalabilmeli
Tether CEO’su Paolo Ardoino, TranscribePsy’ın gelişmiş sesli yapay zekânın hızlı ve doğrudan cihaz üzerinde çalışabileceğini gösterdiğini belirtti.
Ardoino, yapay zekâ uygulamalarının telefonlara, akıllı gözlüklere ve makinelere entegre olmasının kullanıcı verilerinin bu cihazların dışına çıkarılmasını gerektirmemesi gerektiğini vurguladı. Şirketin hedefinin, kullanıcıların verileri ve gizlilikleri üzerindeki kontrolünü koruyan teknolojiler geliştirmek olduğunu ifade etti.
Apache 2.0 lisansıyla yayımlandı
QVAC TranscribePsy, araştırma ve eğitim amaçlı kullanımlar için Apache 2.0 lisansı altında yayımlandı. Paket kapsamında açık model ağırlıkları, GGUF mobil sürümleri, Apple Silicon için Core ML derlemeleri ve performans karşılaştırmalarının yeniden üretilebilmesine yönelik değerlendirme yapılandırmaları bulunuyor.
Model, Tether AI Research’ün ses, metin, görüntü ve videoyu doğrudan uç cihazlarda işleyebilen kompakt yapay zekâ sistemleri geliştirme çalışmalarının bir parçasını oluşturuyor. Bu yaklaşım, bulut altyapısına bağımlılığı azaltırken gelişmiş yapay zekâ işlevlerinin akıllı telefonlar, giyilebilir cihazlar ve robotlar üzerinde çalışmasını amaçlıyor.
