EmbeddingGemma 2 改作語音轉文字，MacBook Air 上一小時音訊約 13 秒
把 Google 的 EmbeddingGemma 2 嵌入模型改造成語音轉文字模型 Embedding Gemma Transcribe 後，在 8GB 記憶體的基礎款 M3 MacBook Air 上，一小時音訊約 12.6 秒轉完，全程在端側 Neural Engine 執行。工具免費下載，要求 macOS 14+ 與 Apple Silicon，首次啟動下載 715MB 模型；可拖入音訊檔案，或按住右 Option 鍵說話、鬆開即聽寫到任意應用，音訊不離開本機。
它把多模態嵌入模型的文字空間直接當詞表解碼，一小時音訊 12.6 秒、詞錯率 5%，對在 Mac 上做本地轉錄、聽寫且看重隱私的人有直接參考價值。
原標題：An hour of audio transcribed in about 13s on MacBook Air
閱讀原文
| 評分 | 76 / 76（平均 76，門檻 76） |
|---|---|
| 狀態 | 精選 |
相關報導
Hacker News front page● 精選AI 評分85
Google 發布 EmbeddingGemma 2，740M 引數開源端側多模態嵌入模型
Google DeepMind 發布 EmbeddingGemma 2，一個 Apache 2.0 許可、740M 引數的開源端側多模態嵌入模型，基於 Gemma 4 架構，把文字、程式碼、影像、音訊與影片對映到同一嵌入空間。它按需模組化：純文字最低 270M 引數，另有 170M 視覺與 300M 音訊編碼器；MRL 支援把 768 維向量截斷到 128 維，本地儲存最多省 6 倍。
releasebot: ChatGPT● 精選AI 評分80
ChatGPT 上線音訊上傳，可轉寫並總結錄音
ChatGPT 現已支援上傳音訊檔案，可生成轉寫文字、總結錄音內容，並針對音訊內容提問，例如把會議、訪談或講座整理成結構化筆記或跟進郵件草稿。使用方式是在對話中附上受支援的音訊檔案並說明需求。該功能面向付費 ChatGPT 訂閱與工作空間開放，可用性受工作空間設定、地區、客戶端版本和模型影響；轉寫可能出錯，不同語言表現也會有差異。