原标题:《An hour of audio transcribed in about 13s on MacBook Air》 评分: 320 | 作者: amrrs 💭 13 秒写完一小时,错字谁花一小时校对? 🎯 讨论背景 该实验基于 Google DeepMind 发布的 EmbeddingGemma 2(可将不同模态映射到共享向量空间的模型),为其音频 encoder 训练 reader,并把音频片段匹配到约 22.9 万个英文词的文本 embedding,而不是采用传统逐 token 生成式转写。标题所称的一小时约 13 秒是在 MacBook Air 等 Apple Silicon 设备上的本地推理速度,因而强调隐私、离线使用与极短等待时间;MacWhisper(macOS 本地转写应用)及 Parakeet、Whisper 等模型构成比较对象。争议核心不在能否跑得快,而在约 5% WER、词表外专名、嘈杂录音及多语言/混合语言时能否达到 cloud models 的可靠性。项目当前仅支持英语,且应用代码当时尚未公开,Apache 2.0 许可仅适用于其所依赖的 Embe