Generated by Answer me with HTML 0.5.2 · 2026-10-14 16:41 · ★ Star on GitHub

Embedding Gemma 轉錄：一小時音訊，13 秒轉完

原理、速度、限制與 HN 反應懶人包

sourceeg2.haku.sh・HN 411 分・93 則留言

Lead: Embedding 模型轉行做語音轉文字。英文限定，速度極快，準確度還在追。

結論

Mac 上丟入音檔，1 小時約 13 秒出稿。全程本機 Neural Engine 運算，音檔不外傳。英文專用，錯誤率約 5%。

A

原理：從共享空間讀字

Audio encoder 沿用 EmbeddingGemma 2，不更動。
訓練對象只有 reader，8×H100 不到 2 小時。
訓練語料是開放授權英文語音。
Base 模型原本不做語音轉文字。

B

速度：M3 Air 實測

模型	執行處	結果
Embedding Gemma Transcribe	Neural Engine・M3 Air 8GB	288×・1 小時用 12.6 秒
IBM Granite Speech TurboCTC	GPU MLX・同機	~150×・約 25.7 秒
Parakeet TDT v3・Phonon-2	Neural Engine・M4/M5 Pro	原廠數據・機型不同

倍率指每秒處理對應的音訊秒數。
後三列來自 FluidAudio 公布數據，僅供參考。
網友 M4 Mac Mini 實測：33 分鐘音檔用 6.75 秒。

C

限制：三件事先知道

項目	狀態
中文轉錄	不支援・詞表只有英文
錯誤率	約 5%・領先模型約 2–3%
開源	頁面 Apache 2.0 指 base 模型・App 免費但未開源

作者承諾幾天內開源全部程式。
多語言 reader 在計畫中，德文複合字有疑慮。
日常使用足夠，專業用途還不夠穩。

D

HN 反應：吵什麼

技術派問字邊界切分、平行化、CTC head 對比。
作者回覆：reader 本質是 CTC head，輸出 229k 字向量。
字母級 CTC 在乾淨音檔較好，困難音檔拼錯字慘敗。
實測派確認速度，Apple 內建模型慢 3–4 倍。
許願派要 Hindi 混音、韓文、多語言版。
進步感嘆：疫情前轉錄爛到關掉，現在本地秒轉。

E

誰適合用

情境	建議
英文會議錄音快速出稿	適合・本機處理不外傳
英文播客逐字稿初稿	適合・再人工校一遍
中文或中英混音	不適合・等候多語言版
法庭醫療等零容錯場景	不適合・5% 錯誤率太高

用法：丟入音檔，或按住 Right Option 說話放開。
系統需求：macOS 14 起，Apple Silicon。
首次啟動下載模型約 715 MB。

---
template: sheet
theme: auto
title: Embedding Gemma 轉錄：一小時音訊，13 秒轉完
subtitle: 原理、速度、限制與 HN 反應懶人包
lang: zh-Hant
cols: 3
source: eg2.haku.sh・HN 411 分・93 則留言
---
Lead: Embedding 模型轉行做語音轉文字。英文限定，速度極快，準確度還在追。

```callout ok 結論
Mac 上丟入音檔，1 小時約 13 秒出稿。全程本機 Neural Engine 運算，音檔不外傳。英文專用，錯誤率約 5%。
```

## 原理：從共享空間讀字

```flow LR
音檔切片 -> reader: 搬入文字空間
reader -> 229k英文字: 取最近鄰
229k英文字 -> 標點模型: 加標點大小寫
標點模型 -> 逐字稿: 輸出
```

- Audio encoder 沿用 EmbeddingGemma 2，不更動。
- 訓練對象只有 reader，8×H100 不到 2 小時。
- 訓練語料是開放授權英文語音。
- Base 模型原本不做語音轉文字。

## 速度：M3 Air 實測

| 模型 | 執行處 | 結果 |
| --- | --- | --- |
| Embedding Gemma Transcribe | Neural Engine・M3 Air 8GB | ok 288×・1 小時用 12.6 秒 |
| IBM Granite Speech TurboCTC | GPU MLX・同機 | warn ~150×・約 25.7 秒 |
| Parakeet TDT v3・Phonon-2 | Neural Engine・M4/M5 Pro | warn 原廠數據・機型不同 |

- 倍率指每秒處理對應的音訊秒數。
- 後三列來自 FluidAudio 公布數據，僅供參考。
- 網友 M4 Mac Mini 實測：33 分鐘音檔用 6.75 秒。

## 限制：三件事先知道

| 項目 | 狀態 |
| --- | --- |
| 中文轉錄 | no 不支援・詞表只有英文 |
| 錯誤率 | warn 約 5%・領先模型約 2–3% |
| 開源 | warn 頁面 Apache 2.0 指 base 模型・App 免費但未開源 |

- 作者承諾幾天內開源全部程式。
- 多語言 reader 在計畫中，德文複合字有疑慮。
- 日常使用足夠，專業用途還不夠穩。

## HN 反應：吵什麼

- 技術派問字邊界切分、平行化、CTC head 對比。
- 作者回覆：reader 本質是 CTC head，輸出 229k 字向量。
- 字母級 CTC 在乾淨音檔較好，困難音檔拼錯字慘敗。
- 實測派確認速度，Apple 內建模型慢 3–4 倍。
- 許願派要 Hindi 混音、韓文、多語言版。
- 進步感嘆：疫情前轉錄爛到關掉，現在本地秒轉。

## 誰適合用

| 情境 | 建議 |
| --- | --- |
| 英文會議錄音快速出稿 | ok 適合・本機處理不外傳 |
| 英文播客逐字稿初稿 | ok 適合・再人工校一遍 |
| 中文或中英混音 | no 不適合・等候多語言版 |
| 法庭醫療等零容錯場景 | no 不適合・5% 錯誤率太高 |

- 用法：丟入音檔，或按住 Right Option 說話放開。
- 系統需求：macOS 14 起，Apple Silicon。
- 首次啟動下載模型約 715 MB。