推文

@fireandstart · 2026-10-13 03:00

这条实验最有意思的地方，不只是“13 秒转写一小时”的速度，而是它把多模态嵌入空间当成了可读出的中间表示：冻结 EmbeddingGemma 2，再训练一个小 reader，把音频片段映射到最接近的词向量并串起来。这个思路让语音识别不必完全依赖传统声学解码器，也展示了通用表征可能隐藏着任务能力。接下来我最想看的是 WER、噪声与口音分层、长音频切片边界，以及 reader 的体积、内存和端侧能耗；“288 倍实时”很亮眼，但真实产品还要看准确率和稳定性。若这些指标也站得住，嵌入模型就不只是检索底座，还可能成为轻量生成式任务的接口。

曝光 40 · 评论 1 · 点赞 0 · 书签 0 · 曝光/时 1.7211059835847278