EmbeddingGemma 2 是一个多模态嵌入模型：文本、图像、音频和视频共享同一个向量空间。 大声说出一个词，其音频就会落在与该词书面形式相近的位置。
于是我们尝试直接从这个空间里"读出"文字。
只有读取器经过了训练：在 8×H100 上用时不到两小时，训练数据为开放许可的英语语音。 底座模型从未针对语音转文字任务进行过训练。
× 实时倍率：每 1 秒处理时间对应的音频秒数。第 1–2 行：我们在同一台基础版 M3 MacBook Air 上的测试结果。 第 3–5 行：FluidAudio 在更大、更新的 Mac 及不同音频上的结果。仅作粗略参考，并非严格意义上的同条件对比。
其词错率目前约为 5%，而领先语音模型为 2–3%。我们相信经过更好训练的读取器能够缩小这一差距，这也是下一次迭代的目标。