开发者把 EmbeddingGemma 2 改造成语音转文字，M3 上 13 秒转录 1 小时音频

solyarisoftware · x · 2026-10-13

开发者 @TslShahir 将 Google 的开源嵌入模型 EmbeddingGemma 2 改造成了语音转文字(STT)模型，实测成为可在设备本地运行的最快 STT 模型之一：在 base 款 M3 MacBook Air 上，约 13 秒即可转录 1 小时音频，达到 288 倍实时速度。

思路源自今年 3 月的 Gemini Embedding 2:该类模型把文本、图像、音频、视频放进同一共享嵌入空间，口语词与书面词位置相邻——那么理论上可以直接从嵌入模型中"读出"转写文本。当时闭源无法验证，上周 EmbeddingGemma 2 开源后作者完成了实验。