Back to top
  • 공유 Share
  • 인쇄 Print
  • 글자크기 Font size
URL copied.

ภาพยนตร์ 96 นาทีถอดเสียงใน 28.7 วินาทีด้วย QVAC ของเทเธอร์บน iPhone

ภาพการถอดเสียงไฟล์เสียงด้วยสมาร์ทโฟนในโหมดเครื่องบิน / TokenPost.ai

QVAC โครงการปัญญาประดิษฐ์ของบริษัทเทเธอร์ (Tether) ผู้ออกเหรียญสเตเบิลคอยน์ ระบุว่าสามารถแปลงเสียงจากภาพยนตร์ความยาว 96 นาทีเป็นข้อความบน iPhone ได้ภายใน 28.7 วินาที โดยไม่เชื่อมต่ออินเทอร์เน็ต

บัญชีทางการของ QVAC ระบุว่า การทดสอบทำบน iPhone ที่เปิดโหมดเครื่องบินและไม่ได้เชื่อมต่อกับคลาวด์ ในการเปิดเผยครั้งเดียวกันยังระบุว่าได้เปลี่ยนเรื่องเล่าความยาว 12 นาทีเป็นหนังสือเสียงภายใน 32 วินาที

เปาโล อาร์โดอิโน (Paolo Ardoino) ซีอีโอของเทเธอร์ กล่าวว่า QVAC คือ “เอนจินเสียงที่เร็วที่สุดในตลาด” คำกล่าวนี้เป็นการประเมินที่ QVAC ใช้อธิบายเทคโนโลยีของตัวเอง

การถอดเสียงใช้โมเดลรู้จำเสียง TranscribePsy ของ QVAC โดยประมวลผลผ่าน Neural Engine ของแอปเปิล (Apple, $AAPL) และ QVAC ระบุว่าเมื่อทำงานบน Neural Engine แล้ว TranscribePsy เร็วกว่าการทำงานบน GPU ของ iPhone 5 เท่า

เอกสารแนะนำอย่างเป็นทางการของ QVAC ระบุว่า TranscribePsy เป็นโมเดลขนาด 254M (254 ล้านพารามิเตอร์) รองรับภาษายุโรป 25 ภาษาในแล็ปท็อปและ 8 ภาษาในโทรศัพท์มือถือ พร้อมระบุว่า iPhone 17 Pro Max ประมวลผลเสียงบันทึก 10 นาทีได้ใน 1.65 วินาที

QVAC ระบุว่าได้ทดสอบประสิทธิภาพโดยรันไฟล์เสียงเดียวกันบนสมาร์ทโฟน 6 รุ่น ได้แก่ iPhone 17 Pro Max, iPhone 15, Galaxy S26 Ultra, Galaxy S25 Ultra, Pixel 10 และ Pixel 9 ตัวเลขครั้งนี้มาจากการทดสอบของ QVAC เอง

TranscribePsy ใช้หน่วยความจำประมาณ 530~540MiB บนโทรศัพท์มือถือ และออกแบบให้ไฟล์เสียงไม่ออกจากอุปกรณ์ จึงประมวลผลภายในเครื่องได้แม้ในสภาพแวดล้อมที่เครือข่ายขาดการเชื่อมต่อ

เวอร์ชันโทรศัพท์มือถือรองรับ 8 ภาษา ได้แก่ ดัตช์ อังกฤษ ฝรั่งเศส เยอรมัน อิตาลี โปแลนด์ โปรตุเกส และสเปน ขณะที่ภาษาเกาหลีไม่อยู่ในรายการที่รองรับ

ระบบจะประมวลผลหลังการบันทึกเสร็จสิ้น ส่วนการถอดเสียงแบบสตรีมมิงเรียลไทม์ยังอยู่ระหว่างพัฒนา QVAC ระบุว่าสามารถนำไปใช้กับงานอย่างการบันทึกการประชุมหรือการบรรยาย และการสร้างคำบรรยายที่ไม่สะดวกส่งไฟล์เสียงไปยังเซิร์ฟเวอร์ภายนอก

ก่อนหน้านี้เมื่อวันที่ 11 เทเธอร์ได้เปิดตัว QVAC BotPsy เอเจนต์ AI บนอุปกรณ์ที่มีพารามิเตอร์ 800 ล้านตัว หาก BotPsy เน้นการเรียกใช้ฟังก์ชันของแอปและการดำเนินงาน TranscribePsy ก็อยู่ในขั้นตอนอินพุตที่แปลงเสียงเป็นข้อความ

เทเธอร์เปิดตัว QVAC SDK ในเดือนเมษายน โดยนำเสนอเป็นพื้นฐานสำหรับการรันและปรับจูน AI บนอุปกรณ์ต่าง ๆ เช่น โทรศัพท์มือถือและคอมพิวเตอร์ พร้อมเสนอการทำงานของ AI บนอุปกรณ์ในสภาพแวดล้อมที่การเชื่อมต่ออินเทอร์เน็ตจำกัด และการเชื่อมต่อโดยตรงระหว่างอุปกรณ์ (P2P)

AI บนอุปกรณ์คือการรันโมเดลบนอุปกรณ์ของผู้ใช้แทนเซิร์ฟเวอร์ การลดการส่งข้อมูลขึ้นคลาวด์ช่วยลดผลกระทบจากสถานะเครือข่าย แต่ประสิทธิภาพของอุปกรณ์และความจุหน่วยความจำยังเป็นปัจจัยกำหนดความเร็วประมวลผลและขอบเขตการรองรับ

การเปิดเผยครั้งนี้ของ QVAC เป็นตัวอย่างการประมวลผลการรู้จำเสียงและการสร้างหนังสือเสียงบนอุปกรณ์ อย่างไรก็ตาม เวอร์ชันโทรศัพท์มือถือรองรับเพียง 8 ภาษายุโรป ทำให้ผู้ใช้ในเกาหลียังไม่สามารถนำไปถอดเสียงภาษาเกาหลีได้โดยตรง

QVAC ระบุในเอกสารแนะนำอย่างเป็นทางการเมื่อวันที่ 14 ตุลาคมว่า กำลังพัฒนาโมเดลที่เล็กและเร็วขึ้น ภาษาเพิ่มเติม และฟังก์ชันสตรีมมิง พร้อมระบุว่าจะเผยแพร่รายงานทางเทคนิคที่ครอบคลุมประสิทธิภาพในแต่ละภาษาในภายหลัง

<Copyright ⓒ TokenPost, unauthorized reproduction and redistribution prohibited>

Most Popular

Other related articles

Comment 0

Comment tips

Great article. Requesting a follow-up. Excellent analysis.

0/1000

Comment tips

Great article. Requesting a follow-up. Excellent analysis.
1