社媒话题
开发者尝试把嵌入模型改造成 Mac 本地语音转写工具
Hacker News 当期话题介绍了 Embedding Gemma Transcribe:项目保留 EmbeddingGemma 2 的音频编码器,用一个小型读取模块把声音映射成文字,整个转写过程在 Mac 本地运行。
项目页面解释,嵌入模型把文字、声音等内容放在共享表示空间里,团队据此尝试从声音对应的位置读出词语。系统对短音频片段进行转换,再从约 22.9 万个英文词中选出最接近的词,另用小模型补上标点和大小写。
开发者称,仅新加的读取模块需要训练,训练使用开放许可的英语语音。其在基础款 M3 MacBook Air 上的测试约用 13 秒处理一小时音频,但当前词错误率约为 5%,高于页面所列领先语音模型的 2%—3%。
这些速度和精度均来自项目方自述。页面也说明,与其他设备上的公开跑分并非严格同条件比较。工具支持导入音频和按键口述,音频留在设备内;它展示了一种模型再利用的实验方向,不能据此认定已全面超越专门的语音识别系统。