把嵌入模型改成语音识别：M3 MacBook Air 13 秒转录一小时音频
TheMoonMidas · x · 2026-10-13
开发者 @TslShahir 将 Google 开源的 EmbeddingGemma 2 嵌入模型改造成端侧语音转文字模型，实测在基础版 M3 MacBook Air 上转录一小时音频仅需约 13 秒，达 288 倍实时速度，可能是最快的端侧 STT 之一。
思路源于今年 3 月的 Gemini Embedding 2：它把文本、图像、音频、视频放进同一向量空间，口语词与书面词相邻，因此可以直接从嵌入模型读出转写结果。当时无法验证，上周 EmbeddingGemma 2 开源后作者实测成功。
所属事件:开发者改造 EmbeddingGemma 2 实现极速端侧语音识别(2 条相关)→
「编程与Agent」频道最新
- 开发者推出托管式抓取 MCP：被网站拦截不收费，免费送 1000 积分 — SidMishraDev · 2026-10-13
- Cursor 新定价：Claude 等第三方模型按 API 价另计，套餐只含 Grok — iannuttall · 2026-10-13
- 开发者判断:vibe coder 尚难敌 15 年资深工程师,一年内或逆转 — facontidavide · 2026-10-13
- 开源 MCP 安全网关：亚 5 毫秒拦截提示注入与危险命令 — EstablishmentTough18 · 2026-10-13
- 开源 Claude Skill 一次生成可用提示词,支持 18+ 工具 — nikola_mr64990 · 2026-10-13
- 内部采购 agent 工具该止步工具形态还是升级成独立应用？ — Moist_Deal_9995 · 2026-10-13