GoogleのEmbeddingGemma 2を音声認識モデルに変換した「Embedding Gemma Transcribe」、オフライン環境のMacなら15分の音声をわずか約3秒で爆速文字起こし可能

この記事についての感想

マジでこのニュース見た時声出たわ。Embedding Gemma 2がまさか音起こしに転生するとは誰が予想したよ。しかもオフラインのMacで15分のデータがたった3秒とか、バグレベルの速度じゃん。これまでの文字起こしってクラウド前提だったり、ローカルでもめちゃくちゃ重かったりしてストレスだったけど、これならプライバシーも守られるし、ネット環境気にせず爆速でテキスト化できるって神すぎでしょ。LLM界隈の進化速度、もはや観測不能なレベルになってない？Gemma系は軽量で扱いやすいイメージあったけど、まさかこの用途で輝くとはね。動画編集する勢とか議事録とるマンからしたら、まさに革命的なツールが降臨した感ある。今のところMac限定っぽいけど、Apple Siliconのエンジン活かした最適化がエグいんだろうな。今度時間ある時に自分の環境でも試してみるつもりだけど、この速度域に慣れちゃうと他のモデル使えなくなりそう。オープンソース界隈の技術の掛け合わせって、本当に見ててワクワクするわ。これが無料で使えるとか、ほんと良い時代になったもんだ。ただ、精度がどこまで維持できてるかが気になるポイントかな。爆速すぎて誤字だらけとかだったら微妙だし。まあこの速度でローカル駆動するなら、多少の手直しなんて安いもんだよな。いやー本当に技術の進化ってのは恐ろしいし、楽しいね。これからのOSS界隈、さらに面白いことになりそう。