EmbeddingGemma 2 превратили в модель распознавания речи: час аудио за 13 секунд на MacBook Air

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

Google's EmbeddingGemma 2 — это эмбеддинг-модель, но её адаптировали для транскрипции: час аудио обрабатывается примерно за 13 секунд на базовом MacBook Air с чипом M3. Аудиоэнкодер остаётся неизменным, а небольшой «читатель» проецирует срезы аудио в текстовое пространство модели, где выбирается ближайшее слово из ~229 000 английских слов. Дополнительная модель расставляет пунктуацию и заглавные буквы. Обучение заняло менее двух часов на 8×H100. Точность — около 5% WER против 2–3% у лидеров, но авторы обещают улучшить. Приложение работает на Neural Engine, аудио не покидает устройство.