Tether Meluncurkan Mesin Brain-to-Text Open-Source BrainWhisperer

Tether merilis BrainWhisperer, sebuah mesin brain-to-text open-source yang mendekode sinyal saraf menjadi bahasa tertulis sepenuhnya di perangkat lokal. CEO Paolo Ardoino mengumumkan bahwa sistem tersebut kini sepenuhnya terintegrasi ke dalam QVAC, stack AI on-device open-source perusahaan, dan tersedia untuk pengembang di seluruh dunia sebagai kapabilitas bukti konsep. Dikembangkan oleh Tether Evo, divisi penelitian perusahaan, BrainWhisperer dirancang untuk menyediakan jalur komunikasi bagi individu yang kehilangan kemampuan berbicara akibat kondisi neurodegeneratif seperti amyotrophic lateral sclerosis (ALS), sekaligus mengatasi keterbatasan solusi yang ada seperti papan huruf berbasis pelacakan mata yang membutuhkan beberapa menit untuk menyusun satu kalimat.

BrainWhisperer Mencapai Word Error Rate 8,7% dalam Uji Validasi

BrainWhisperer adalah varian model Whisper yang didesain ulang untuk pengenalan ucapan. Alih-alih memproses audio, sistem ini menerima aktivitas listrik yang direkam dari korteks motorik ujar otak—ditangkap melalui susunan elektroda yang ditanam—lalu menerjemahkan sinyal tersebut langsung menjadi teks. Pendekatan ini menghilangkan kebutuhan akan gerakan fisik atau produksi suara.

Versi SDK dari model beroperasi di bawah dua gigabyte memori dengan latensi sekitar lima puluh milidetik. Dalam uji validasi menggunakan rekaman saraf nyata dari satu peserta, sistem ini mencapai word error rate 8,7%, menembus ambang sepuluh persen yang dijadikan peneliti tolok ukur untuk kegunaan di dunia nyata. Varian yang lebih kompleks dari arsitektur yang sama menempati peringkat keempat di antara 466 tim yang bersaing dalam tantangan internasional brain-to-text, meski versi tersebut tidak bersifat end-to-end sehingga tidak dimasukkan dalam rilis SDK.

Tether Menekankan Eksekusi Lokal dan Perlindungan Privasi

Tether menekankan bahwa eksekusi lokal adalah inti dari desain teknologi ini. Karena proses decoding terjadi sepenuhnya di perangkat pengguna melalui QVAC, tidak ada data saraf yang dikirim ke server eksternal—pertimbangan untuk sistem yang membaca niat langsung dari otak. Perusahaan mencatat bahwa mesin hanya memproses ujaran yang secara aktif dicoba diproduksi oleh pengguna, dan bahwa perlindungan di masa depan seperti autentikasi mental dapat semakin memperkuat kontrol pengguna.

Teknologi Masih Eksperimental dan Memerlukan Implantasi Bedah

BrainWhisperer masih bersifat eksperimental. Model dilatih menggunakan data dari hanya empat peserta, dengan versi SDK dikalibrasi pada satu individu. Mengadaptasi sistem ke pengguna baru memerlukan baik implantasi bedah maupun periode kalibrasi yang dipersonalisasi, sehingga menghadirkan tantangan medis, keselamatan, dan regulasi. Tether menggambarkan rilis tersebut sebagai fondasi untuk produk bantu di masa depan, bukan solusi yang siap dipakai konsumen.

Tim riset menyatakan bahwa metodologi yang mendasarinya pada akhirnya bisa diperluas melampaui ujaran untuk mendekode gambar yang dibayangkan, suara, dan berpotensi juga gerakan yang dimaksud. Untuk saat ini, rilis open-source memberi pengembang mesin on-device yang berfungsi sekaligus menunjukkan kelayakan decoding saraf yang akurat dan kesederhanaan menjalankan sistem seperti itu pada perangkat keras biasa tanpa ketergantungan cloud.

FAQ

Apa yang dirilis Tether?

Tether merilis BrainWhisperer, sebuah mesin brain-to-text open-source yang mendekode sinyal saraf menjadi bahasa tertulis sepenuhnya di perangkat lokal. CEO Paolo Ardoino mengumumkan bahwa sistem tersebut kini sepenuhnya terintegrasi ke dalam QVAC, stack AI on-device open-source milik perusahaan.

Seberapa akurat BrainWhisperer dalam uji validasi?

Dalam uji validasi menggunakan rekaman saraf nyata dari satu peserta, BrainWhisperer mencapai word error rate 8,7%. Varian yang lebih kompleks dari arsitektur yang sama menempati peringkat keempat di antara 466 tim yang bersaing dalam tantangan internasional brain-to-text.

Apa keterbatasan BrainWhisperer saat ini?

BrainWhisperer masih bersifat eksperimental. Model dilatih menggunakan data dari hanya empat peserta, dengan versi SDK dikalibrasi pada satu individu. Mengadaptasi sistem ke pengguna baru memerlukan baik implantasi bedah maupun periode kalibrasi yang dipersonalisasi.