TranscribePsy: model transkripsi 254 juta parameter yang jalan di ponsel, bobotnya bisa diunduh

Tether AI Research melalui tim QVAC merilis TranscribePsy pada 14 Oktober: model pengenalan suara otomatis yang menulis ucapan menjadi teks dengan 254 juta parameter dan dirancang berjalan di laptop maupun ponsel tanpa koneksi ke peladen. Ada empat varian yang bisa diunduh. TranscribePsy-250M-EU mencakup 25 bahasa Eropa untuk laptop, TranscribePsy-250M-EU-sub memuat delapan bahasa dengan akurasi lebih tinggi, versi GGUF ditujukan untuk ponsel lewat mesin parakeet pada qvac-fabric-speech.cpp, dan versi Core ML dioptimalkan untuk Neural Engine iPhone. Bobot model dirilis terbuka, tetapi kode dan data pelatihannya tidak disertakan dalam rilis ini.

Pada tolok ukur, versi 25 bahasa mencatat tingkat kesalahan kata 8,02 persen di Open ASR Leaderboard, 6,58 persen di Multilingual LibriSpeech, dan 21,56 persen di Common Voice. Sebagai pembanding yang disebutkan penulisnya sendiri, Whisper-small berada di 12,34 persen, 11,51 persen, dan 38,17 persen pada tolok ukur yang sama. Model ini juga mengalahkan empat model yang tiga sampai empat kali lebih besar pada Multilingual LibriSpeech, termasuk Qwen3-ASR-0.6B, omniASR-CTC-1B-v2, dan Whisper-Medium, dengan ukuran parameter sekitar sepertiganya.

Sisi efisiensi menjadi alasan utama rilis ini. Diukur pada enam ponsel yaitu Samsung Galaxy S26 dan S25 Ultra, Google Pixel 10 dan 9, iPhone 17 Pro Max, dan iPhone 15, model ini tercatat 2,6 kali lebih cepat daripada model tercepat berikutnya di prosesor ponsel, 5,7 kali lebih cepat daripada Whisper-small, dan 7,5 sampai 15 kali lebih cepat daripada tiga model besar yang diuji. Pada build Core ML untuk Neural Engine iPhone 17 Pro Max, model dapat menyalin sepuluh menit audio dalam 1,65 detik dengan pemakaian memori 1,7 kali lebih hemat dibandingkan pembanding Core ML lainnya. Artinya transkripsi bisa dijalankan tanpa jaringan dan tanpa biaya per menit, serta tanpa audio keluar dari mesin pengguna.

Batasan yang perlu dibaca sebelum memakainya: cakupan bahasanya baru bahasa-bahasa Eropa, tidak menyertakan Bahasa Indonesia atau bahasa Asia Tenggara lain, dan versi 25 bahasa hanya tersedia untuk laptop sementara varian ponsel memakai checkpoint delapan bahasa dengan akurasi lebih tinggi. Untuk tim yang membangun layanan transkripsi atau ringkasan rapat, pola yang bisa diambil bukan sekadar modelnya, melainkan arsitektur dua lapis: model kecil di perangkat untuk pekerjaan rutin dan model besar di peladen untuk audio yang sulit atau bahasa yang belum didukung. Pola itu menurunkan biaya sekaligus menjaga sebagian isi rapat tetap tidak keluar dari perangkat.