Инженер приспособил EmbeddingGemma 2 для распознавания речи
Редакция XORit · Источники, использование AI и исправления
12 октября 2026 года инженер Шахир, работающий над машинным обучением прямо на устройствах, сообщил в X, что приспособил эмбеддинг-модель EmbeddingGemma 2 от Google для распознавания речи. По его словам, получилась одна из самых быстрых STT-моделей, которые можно запускать на самом устройстве.
Идея появилась в марте вместе с Gemini Embedding 2: она помещает текст, изображения, аудио и видео в одно общее пространство, где произнесённое слово оказывается рядом с написанным. Тогда попробовать не получилось, а на прошлой неделе EmbeddingGemma 2 вышла как открытая модель, и автор проверил гипотезу.
Саму модель при этом не меняли. Поверх неё работает небольшой «читатель»: он берёт очередной фрагмент аудио, находит ближайшее из примерно 229 000 слов в собственном текстовом пространстве модели и складывает их в текст.
По словам Шахира, на базовом MacBook Air с чипом M3 час аудио распознаётся примерно за 13 секунд, то есть 288× реального времени. Обучение заняло меньше двух часов на 8×H100, для него использовали открыто лицензированную речь.
Чтобы метод можно было проверить, автор выложил бесплатное приложение для Mac.
Редактор перевода: Салтанов А.
Источник материала: x.com ↗