在MacBook Air上大约13秒转录一小时的音频
An hour of audio transcribed in about 13s on MacBook Air

原始链接: https://eg2.haku.sh/

Embedding Gemma Transcribe是一个独立项目,它将谷歌DeepMind的EmbeddingGemma 2——一个多模态嵌入模型——重新利用为设备端语音转文字系统。由于该模型将音频和文本置于共享的嵌入空间中,语音会落在对应文字附近。团队添加了一个小型"读取器"模型,将每个音频片段映射到文本空间中,从约229,000个英文单词中找到最接近的作为转录结果;一个微型辅助模型负责恢复标点符号和大小写。只有读取器经过训练,使用公开授权的英文语音数据在8块H100 GPU上训练不到两小时——基础模型本身从未针对转录进行微调。 最终结果是,在基础款M3 MacBook Air(8 GB内存)上通过神经引擎,大约12.6秒即可转录一小时的音频——约为实时速度的288倍,远超IBM Granite Speech(约150倍)等替代方案。其词错误率目前约为5%,而主流语音模型为2–3%;创建者认为,训练更好的读取器可以缩小这一差距。用户可以拖入音频文件,或按住右Option键在任何应用中进行听写,所有处理均在本地完成。EmbeddingGemma 2以Apache 2.0协议发布;本项目与谷歌无关联,也未获其认可。

一篇 Hacker News 帖子介绍了一种方法,可在 MacBook Air 上约13秒内完成一小时音频的转录,引发热议。网友讨论其技术方案,部分人推测是直接处理音频波形而非通过播放加速实现,另有人指出使用了并行技术。该模型体积非常小,词错误率约为5%,被视为前景可观的概念验证。有用户特别关注其多语言应用潜力,例如转录印地语与英语混合音频,并感慨如此显著的速度提升能够从根本上改变可落地的工作流程。
相关文章

原文
Embedding Gemma Transcribe

Google's EmbeddingGemma 2 is an embedding model. We turned it into a speech-to-text model: an hour of audio in about 13 seconds on a base MacBook Air, entirely on device.

联系我们 contact @ memedata.com