一款名为 Embedding Gemma Transcribe 的免费 Mac 应用，把 Google 的多模态嵌入模型 EmbeddingGemma 2 改造成了语音转文字模型。项目页称，它在基础款 MacBook Air 上约 13 秒就能转完 1 小时音频，全程在设备端运行。值得关注的是，基础模型从未针对语音转文字训练过，团队只额外训练了一个小「读取器」。
EmbeddingGemma 2 是多模态嵌入模型，文本、图像、音频和视频处于同一向量空间，说出的词与写下的同一个词在空间里彼此靠近。项目团队据此尝试直接从这个空间里读出文字。
项目页介绍的流程分四步：
只有读取器经过训练：在 8 块 H100 上训练不到 2 小时，数据为开放授权的英文语音。
以下速度数据均来自项目页，属于发布方自测或其引用的公开基准。
在 8 GB 内存的基础款 M3 MacBook Air 上，Embedding Gemma Transcribe 跑在神经网络引擎上，速度为 288 倍实时，1 小时音频用时 12.6 秒。同一台机器上，IBM Granite Speech 5.0 TurboCTC（GPU/MLX）约为 150 倍实时，1 小时音频用时 25.7 秒。
项目页还列出了 FluidAudio 公开基准中的几组数据：NVIDIA Parakeet TDT 0.6B v3 在 M4 Pro 上为 156 倍、在 M5 Pro 上为 335 倍；Parakeet v3 的微调版 Phonon-2 在 M5 Pro 上为 480 倍。项目页说明，这些数据对应的机型更大更新、音频也不同，只是粗略参考，不是同条件排名。
精度方面，项目页称其当前词错误率约为 5%，领先语音模型为 2% 至 3%。团队表示，训练得更好的读取器有望缩小差距，这是下一版的方向。
应用目前为免费的 v1.6 版本，要求 macOS 14 及以上和 Apple Silicon 芯片，首次启动需下载约 715 MB 的模型。
使用方式有两种：把音频文件拖入应用；或按住右 Option 键说话，松开后文字会输入到任意应用。项目页称，应用运行在 Mac 的神经网络引擎上，音频不会离开设备。
