Google의 EmbeddingGemma 2로 1시간 오디오를 MacBook Air에서 13초 만에 받아쓰기
An hour of audio transcribed in about 13s on MacBook Air
Google의 임베딩 모델 EmbeddingGemma 2를 변형해 온디바이스 음성-텍스트 변환을 구현했다. 기본 M3 MacBook Air에서 1시간 오디오를 12.6초에 처리하며, 단어 오류율은 약 5%다. 오디오 인코더는 그대로 두고 작은 리더 모델만 8×H100에서 2시간 미만으로 학습했으며, Neural Engine에서 실행돼 오디오가 기기를 떠나지 않는다.
기본 모델은 음성-텍스트 변환용으로 학습된 적이 없다.