Embedding Gemma Transcribe

Embedding Gemma Transcribe (EG2 Transcribe) to darmowa, natywna aplikacja na macOS 14+ z układami Apple Silicon, która zamienia mowę na tekst w całości na urządzeniu — dźwięk nigdy nie opuszcza komputera. Działa na Neural Engine; według twórcy godzinę nagrania przetwarza w około 13 sekund na podstawowym MacBooku Air.

Podstawą jest EmbeddingGemma 2 — multimodalny model osadzeń (embeddingów) od Google DeepMind na licencji Apache 2.0, który nie był trenowany do rozpoznawania mowy. Enkoder audio pozostaje bez zmian, a dotrenowany został jedynie niewielki „reader" przenoszący krótkie fragmenty dźwięku do przestrzeni tekstowej modelu; najbliższe spośród około 229 000 angielskich słów tworzy transkrypt, a dodatkowy mały model dodaje interpunkcję i wielkie litery. Współczynnik błędu słów (WER) wynosi obecnie około 5%.

Aplikacja obsługuje wgranie pliku audio oraz dyktowanie (przytrzymanie prawego klawisza Option) do dowolnej aplikacji. Modele (~715 MB) pobierają się przy pierwszym uruchomieniu. Produkt tworzy Haku; to niezależny projekt, niepowiązany z Google ani przez nie wspierany.