Conheça a IA que dispensa a conta do servidor
Contas de servidor para inferência de IA? Opcionais. A abordagem da Desert Ant Labs para IA no dispositivo oferece pequenos modelos especializados executados diretamente no seu hardware. Em vez de rotear cada tarefa de áudio ou visão através de um grande modelo em nuvem, esses modelos minúsculos e específicos para cada tarefa são executados localmente, reduzindo a latência e mantendo os dados confidenciais privados.
Essa mudança atrai tanto desenvolvedores de aplicativos quanto usuários. Os desenvolvedores minimizam os custos de inferência, enquanto os usuários finais se beneficiam de um processamento quase instantâneo e maior privacidade. Esses modelos beta, parte do SDK v4 da Desert Ant Labs, representam uma nova fronteira para uma IA eficiente e segura.
Conheça as duas novas ofertas: Who e Eye. O Who lida com a diarização de alto-falantes, identificando quem falou quando em faixas de áudio, com precisão de até 10 milissegundos. Ele processa uma entrevista de 50 minutos em cerca de 3 segundos, operando a aproximadamente 950x o tempo real em hardware da Apple.
O Eye oferece recursos de visão no dispositivo. Ele marca, classifica e organiza fotos sem uploads para a nuvem, realizando tarefas como:
- Classificar imagens (captura de tela, recibo, documento)
- Marcar conteúdo em 558 categorias
- Avaliar a qualidade estética
- Identificar rostos sorridentes ou olhos fechados
- Agrupar fotos quase duplicadas e selecionar a melhor
Nenhum dos modelos é um assistente de uso geral. O Who não transcreve fala nem identifica nomes, apenas turnos de fala. O Eye reconhece um recibo, mas não realiza OCR. Eles são ferramentas complementares, otimizadas para casos de uso específicos e de alto desempenho.
O Who encontra todas as vozes — mas não todos os nomes
O modelo Who da Desert Ant Labs é especializado em diarização de alto-falantes: ele identifica qual alto-falante numerado falou quando, relatando os limites de turno com precisão de 10 milissegundos. Fala sobreposta é atribuída a ambos os alto-falantes. Crucialmente, o Who não transcreve áudio nem identifica alto-falantes pelo nome.
As alegações de velocidade são agressivas. A Desert Ant Labs registra o Who a aproximadamente 950x o tempo real em um M5 Pro. Um podcast da NASA de 57 minutos foi processado em 6,4 segundos, incluindo a decodificação MP3. Uma demonstração em vídeo mostrou uma execução de 11,9 segundos em um M2 Max mais antigo.
Os benchmarks revelam um desempenho sutil. No conjunto de dados de reuniões AMI, o Who registrou uma taxa de erro de 12,6%, superando por pouco os 13,1% do pyannote. No entanto, ele tem dificuldades com chamadas de resultados financeiros com até 20 participantes, onde sua taxa de erro de 27,7% fica atrás dos 7,3% do pyannote.
O Who brilha com áudio de microfone próximo de podcasts e chamadas. Ele é menos adequado para gravações lotadas e de campo distante. Este modelo específico otimiza para casos de uso definidos, não para aplicações amplas.
O Eye transforma uma pasta de fotos bagunçada em uma biblioteca
A análise de fotos com uma única chamada do modelo Eye transforma pastas bagunçadas em bibliotecas organizadas. Ele classifica imagens como capturas de tela, recibos, documentos ou fotos. Tags em 558 categorias fornecem contexto granular. Ele também avalia a estética, sinaliza rostos com olhos fechados ou sorrisos e agrupa quase duplicatas para sugerir a melhor foto.
Crucialmente, o Eye reconhece um recibo, mas não lê seu texto — OCR não faz parte deste modelo. As pontuações de confiança exigem limites: a Desert Ant Labs recomenda 0,5 para uma correspondência positiva, ou 0,9 mais rigoroso para ações automáticas sensíveis, como ocultar imagens privadas.
A demonstração do navegador da Better Stack serviu como um teste de realidade. O Eye classificou 105 fotos em 16,1 segundos, com uma média de cerca de 6,5 imagens por segundo. Embora a demonstração tenha apresentado categorias úteis, julgamentos subjetivos como desfoque e pontuações estéticas podem ser inconsistentes. Este pequeno modelo roda no seu telefone, não na nuvem, tornando-o uma ferramenta local poderosa para gerenciamento de fotos.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
IA local ainda vem com ressalvas
A IA local ainda tem peculiaridades. O Eye roda em um navegador usando WebGPU, recorrendo ao WebAssembly; o Who combina-se com um reconhecedor de fala separado para transcrições com identificação de locutor. Nenhum dos dois oferece um fluxo de trabalho totalmente automático e do tipo "configurar e esquecer".
O processamento de mídia permanece no dispositivo, garantindo a privacidade. No entanto, o SDK de código disponível (source-available) realiza uma verificação de licença mensal. O nível gratuito cobre até 100.000 dispositivos ativos mensais — não é código aberto (open source).
Who e Eye mostram potencial para:
- Fluxos de trabalho de podcasts
- Reuniões com microfones dedicados
- Limpeza de biblioteca de fotos
Teste com dados representativos antes de confiar neles. O Who tem dificuldades com grandes grupos (mais de 20 falantes) ou microfones de longo alcance; as pontuações de confiança do Eye exigem ajustes para o manuseio automático de imagens sensíveis.
Perguntas Frequentes
O que o modelo Who da Desert Ant Labs faz?
O Who identifica quando diferentes falantes falam em uma gravação de áudio. Ele atribui números aos falantes e carimbos de data/hora, mas não transcreve a fala nem identifica pessoas pelo nome.
O Eye consegue ler texto em recibos?
Não. O Eye pode classificar uma imagem como um recibo, mas não realiza OCR nem extrai o texto do recibo.
O Who e o Eye enviam gravações ou fotos para a nuvem?
Os modelos processam a mídia localmente em dispositivos compatíveis ou no navegador. O SDK faz uma verificação de licença mensal, que a empresa afirma não incluir áudio ou fotos.
Os modelos Who e Eye da Desert Ant Labs são de código aberto?
Não. Eles usam a licença de código disponível (source-available) da Desert Ant Labs, que oferece uso gratuito para até 100.000 dispositivos ativos mensais, sujeito aos seus termos.