Создатели Embedding Gemma Transcribe приспособили модель Google EmbeddingGemma 2 для расшифровки речи: по их замерам, час аудио превращается в текст за 12,6 секунды на базовом MacBook Air с чипом M3 и 8 ГБ памяти. Всё распознавание проходит на самом ноутбуке, без отправки записи на сервер. Необычна здесь прежде всего исходная модель. EmbeddingGemma 2 предназначена для эмбеддингов — числовых представлений, через которые нейросеть сопоставляет разные данные. Разработчики оставили её обработчик звука без изменений и научили небольшую надстройку извлекать слова...