一位开发者把 EmbeddingGemma 2 改造成语音转文字模型，做法是利用该模型中文本与音频共享同一向量空间，将音频映射到文本表示。创作者在 Hacker News 评论中表示，这个实验“能跑通”，准确率不错但低于云端模型，日常使用尚可，速度提升只是附带结果，并非最初目标。该实验并非正式发布的产品，给定材料未说明模型权重、代码或使用条件是否公开。
背景
EmbeddingGemma 2 是 Google DeepMind 发布的 740M 参数开放权重多模态嵌入模型，可将文本、代码、图像、视频帧与音频映射到同一个向量空间，主要用于本地隐私检索与多模态搜索，Horizon 10 月 8 日的日报曾报道其发布及配套的端侧演示（tool-1-3）。该模型本身面向嵌入与检索而非语音识别，因此这次实验的切入点正是它“文本与音频共享同一向量空间”这一特性：作者借此把音频表示直接对应到文本，从而在没有专门 ASR 架构的情况下完成转写（tool-2-1）。
参考链接
社区讨论
评论中的实用讨论集中在本地 ASR 加速与替代方案：有人建议把这类模型转成 CoreML 以在 macOS 神经引擎上运行，并称自己在多个音频/模型转换上有类似成功经验；另有用户报告在旧款 M1 MacBook Air 上用 Parakeet v3 配合 MacWhisper 转录“快得以为失败了”，以及 Apple 端上转录模型在自己的电脑上比官方报告结果慢约 3 倍、但错误率相近。这些均为用户个人报告，不是对模型性能的独立评测。