Mac上で完結する無償文字起こしツール登場

文字起こしは通常、音声認識専用に開発されたAIモデルで行う。Embedding Gemma Transcribeはこの前提を外し、テキスト・画像・音声・動画を共通の数値空間で表現するマルチモーダル埋め込みモデルEmbeddingGemma 2の音声分析機能をそのまま使い、新たに学習させた小規模モデルと組み合わせて単語を選び出している。

実用例では、スティーブ・ジョブズが2005年にスタンフォード大学の学位授与式で行った15分4秒の演説音声を読み込ませ、Transcribeを押すと3秒でテキストが表示された。配布形態はディスクイメージでファイルサイズは約2.5MBと小さく、文字起こし以外にmacOSのアクセシビリティ権限を与えれば他アプリでも右Optionキーを押して話すだけで英語入力ができる。ただし辞書に依存する設計上、日本語音声には対応しない。