推文

@renmu2017 · 2026-10-13 13:24

Gemini 的共享嵌入空间启发改造 EmbeddingGemma 2 将 @googlegemma 的 EmbeddingGemma 2 改造成语音转文字模型，结果它成了能在设备上运行的最快 STT 模型之一。在一台基础版 M3 MacBook Air 上，它大约 13 秒就能转录一小时音频，速度约为实时的 288 倍。 这个想法始于三月份 Gemini Embedding 2 发布时。它把文本、图像、音频和视频放进同一个共享空间，因此口语单词会正好落在对应的书面单词旁边。如果这一点成立，就应该能直接从嵌入模型中读取转录文本。 https://x.com/TslShahir/status/2109660368381395414/video/1

曝光 7 · 评论 0 · 点赞 0 · 书签 0