Googleの埋め込みモデルが音声認識に変身、MacBook Airで1時間の音声を13秒で文字起こし

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

GoogleのEmbeddingGemma 2はマルチモーダル埋め込みモデルだが、その音声エンコーダーを凍結したまま、小さな「リーダー」だけを8×H100で2時間未満訓練し、音声をテキスト空間に写像。約22.9万語から最近傍を選ぶことで、ベースM3 MacBook Air（8GB）上で1時間の音声を12.6秒で文字起こしする。単語誤り率は約5%で最先端の2〜3%には及ばないが、次期改善で差を縮められるとしている。