Un modelo de embeddings transcribe una hora de audio en 13 segundos en un MacBook Air

An hour of audio transcribed in about 13s on MacBook Air

Embedding Gemma Transcribe convierte EmbeddingGemma 2, un modelo de embeddings multimodal, en un sistema de reconocimiento de voz. Un pequeño lector entrenado durante menos de dos horas sobre 8×H100 asigna cada fragmento de audio al espacio de texto y elige la palabra más cercana entre unas 229.000. En un MacBook Air M3 base con 8 GB procesa una hora de audio en 12,6 segundos, todo en el Neural Engine y sin salir del dispositivo. Su tasa de error de palabra ronda el 5%, frente al 2-3% de los mejores modelos de voz.