一副智能眼镜听到的，可能是佩戴者的指令，也可能是旁人的谈话。语音助手若要先把整段录音上传云端，便利与隐私就被绑在同一个按钮上。10月14日，Tether AI Research发布QVAC TranscribePsy，试图把转写这一步留在设备本地。它不是稳定币新品，而是这家公司的端侧人工智能研发成果。对用户而言，值得追问的不是模型能否在演示里跑得飞快，而是离线处理、识别准确度和终端算力能否在真实环境里同时成立。

官方披露，TranscribePsy拥有2.54亿参数，提供面向笔记本、移动设备和苹果神经网络引擎的多个版本。Tether称，手机可通过蓝牙或Wi-Fi接入智能眼镜音频，机器人也可在板载处理器上运行语音识别。这样的设计减少把原始声音传到服务器的必要，但不能自动证明整个产品都不联网：后续文本存储、翻译或第三方应用如何处理数据，仍取决于开发者自己的架构。把“模型可本地运行”写成“所有语音信息绝不外传”，是不负责任的扩大解释。

十分钟音频一秒多完成转写，数字该怎样看

官方给出的醒目数字是：在iPhone 17 Pro Max上，Core ML版本处理十分钟音频用时1.65秒。这个结果显示特定硬件与优化路径的吞吐能力，而不是承诺所有手机都能以同样速度运行，也不等于直播式交互只延迟1.65秒。批量处理预录音、逐帧接收麦克风输入，是两种不同测试。实际体验还要看麦克风质量、环境噪声、说话人口音、电池温度以及应用能否持续取得算力资源。

识别率同样不能只盯一组榜单。Tether列出Open ASR Leaderboard词错误率8.02%、Multilingual LibriSpeech为6.58%、Common Voice为21.56%。三个数字差异很大，恰好说明语料集、语言与录音条件会改变结果。词错误率通常统计替换、遗漏和插入的词占参考文本比例，越低越好；但模型在榜单领先，不代表它在医院、工厂或街头的真实录音里同样领先。公司还称它在所测六款手机的CPU上比第二快模型快2.6倍，比较对象和运行条件应与这个结论一起阅读。

语言覆盖也有边界。公告说笔记本版本覆盖25种欧洲语言，手机版本覆盖8种欧洲语言。这里没有宣布中文手机转写能力，更没有声称所有语言都达到同一准确率。将这套模型直接包装成全球通用的智能眼镜翻译器，会把研究版本、设备适配和实际应用混在一起。它更现实的价值，是开发者能够针对明确语言和明确硬件，先做离线转写试验，再测试接入其他能力。

这个项目不是凭空提出一个“隐私AI”口号。语音记录常包含本人之外的第三方：一次医疗咨询里的家属、办公室会议里的同事、采访现场的受访者，都可能在无意中被录入。端侧转写把第一道数据处理放在本机，减少云端留存的一个风险点。不过，原始录音是否保存、转写文本是否加密、应用是否上传摘要以及设备丢失后的数据恢复策略，才决定用户最终获得多少保护。供应商应分别解释每一环，而不能用“离线”一词覆盖整个系统。

从模型发布到真实产品，中间还有几道坎

公告列出了四个专门检查点：覆盖25种欧洲语言的笔记本版本、聚焦八种核心语言的笔记本版本、在qvac-fabric-speech的parakeet.cpp引擎上运行的GGUF移动版本，以及针对iPhone神经网络引擎优化的Core ML版本。版本分化是工程事实，不是营销瑕疵。模型越往不同芯片、系统和耗电约束上迁移，越难把同一组实验结果原样带过去。对硬件厂商而言，选择哪一个版本与自己的设备相匹配，比“参数越小越好”更重要。

发布材料也把TranscribePsy与VisionPsy、TranslatePsy-Nano、MedPsy等QVAC项目放在同一愿景下，描绘视觉、翻译、医疗笔记等后续组合。需要把时间顺序说清楚：本次已公布的是语音转文字模型及其版本；跨模态、多任务产品只是可能的集成方向。尤其在医疗和法律场景，识别出字不等于理解事实，更不等于可以代替专业人员完成记录审核。人名、药品名、金额或否定词一旦识别错误，后果会远高于普通聊天出错。

开发者还应算一笔设备侧的成本账。本地处理可省去持续音频上行，也能在网络较差时保持基本功能，但会占用存储、内存与电量；云端方案则集中更新、容易统一管理，却需要处理传输、留存和跨境合规。两条路线并非非此即彼。更可行的产品设计，是明确哪些任务必须本地完成，哪些功能需经用户选择才能联网，并在界面上让用户知道发生了什么。

因此，TranscribePsy最值得观察的下一步，不是再公布一个更大的单点跑分，而是公开更多现实设备、真实噪声和非英语场景的测试，以及开发者能否把它做成用户愿意长期打开的功能。Tether的发布证明端侧语音识别又多了一个开源选择，却尚不能证明智能眼镜和机器人已经普遍实现私密、低延迟的自然对话。把已发布的模型与尚待完成的产品清楚分开，才是评价这条技术路线的起点。