在MacBook Air上大约13秒转录一小时的音频
We turned EmbeddingGemma 2 into a speech-to-text model

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。

一个 Hacker News 帖子讨论了一项将谷歌的 EmbeddingGemma 2 变成语音转文字模型的实验。开发者 Shahir 解释说,他使用了共享的文本/音频向量空间:音频被编码后,再与约 22.9 万个英语词嵌入中最接近的一个进行匹配。它达到约 5% 的词错误率——这对日常使用算不错,但低于云端模型——而且速度极快(在 M4 Mac Mini 上,33 分钟文件约 6.75 秒)。他计划将其开源、增加多语言支持,并发布 TTS 版本。评论者将其与 Parakeet、Whisper、Apple 端侧、Granite Speech 和 yapsnap 进行比较,并指出其对非英语音频的局限。其他人讨论了 CTC 头、词汇泛化和 CoreML 优化。结论:这是一个很有前景的超快速本地转写概念验证,但准确率和语言覆盖范围仍需改进。
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