有人把谷歌EmbeddingGemma 2改造成了语音识别模型，实现了非常惊人的端侧推理速度，快得离谱

M3 MacBook Air，1小时音频转写约13秒，处理速度288×

WER 5%，领先的STT在2%～3%，如果后续reader迭代能把WER压到3%以下，估计专用端侧STT市场要重新洗牌了

传统STT需要专门训练一个声音→文字生成模型，但是今天，EmbeddingGemma 2已经能把文本、图片、音频和视频映射到同一个语义空间，让声音的“你好”和文字的“你好”在向量空间中相互靠近

于是网友在不修改EmbeddingGemma 2参数的情况下，只在上面训练一个轻量Reader，把音频切片编码成向量后，直接在模型的文本空间里检索最近的词，把转录从生成问题变成了检索问题，把它“歪”成了一个语音转文字模型

目前5%的WER，用在容错要求相对较高的比如说会议录音整理、采访转写、语音笔记、视频字幕初稿等场景，有一定的实用潜力

#EmbeddingGemma2##STT##语音转文字# http://t.cn/AXlay0XX