Embedding Gemma Transcribe: 1 hora de audio en 13s

Una hora de audio en 12,6 segundos, sin salir del Mac

Una hora de audio transcrita en 12,6 segundos en un MacBook Air M3 base con 8 GB de memoria. Eso equivale a procesar 288 segundos de audio por cada segundo de cómputo, y ocurre enteramente en el Neural Engine del equipo: el audio nunca sale de la máquina. Para un founder que hoy paga por minuto de transcripción en la nube, la cifra no es una curiosidad técnica, es una línea de costo que puede desaparecer.

El proyecto se llama Embedding Gemma Transcribe y su origen es inusual: no es un modelo de voz entrenado desde cero, sino un modelo de embeddings de Google al que le añadieron un lector.

¿Qué es Embedding Gemma Transcribe y cómo funciona?

EmbeddingGemma 2 es un modelo de embeddings multimodal de Google: texto, imágenes, audio y video comparten un mismo espacio vectorial. La idea central es que una palabra dicha en voz alta cae cerca de la misma palabra escrita.

El equipo aprovechó exactamente eso. El encoder de audio del modelo quedó intacto y solo entrenaron un lector pequeño que mueve cada fragmento corto de audio hacia el espacio de texto del modelo. La palabra más cercana entre unas 229.000 palabras en inglés gana, y los fragmentos se convierten en una transcripción. Un modelo diminuto adicional agrega puntuación y mayúsculas.

El detalle que importa: solo se entrenó el lector, en menos de dos horas sobre 8×H100 y con audio en inglés de licencia abierta. El modelo base nunca fue entrenado para voz a texto.

Contexto: según SiliconANGLE, Google publicó EmbeddingGemma 2 en octubre de 2026 como un modelo abierto lo bastante pequeño para correr en un smartphone. Está construido sobre la arquitectura Gemma 4 y tiene 740 millones de parámetros, más del doble que la primera versión, que era solo de texto y superó los 20 millones de descargas desde su lanzamiento en septiembre de 2025. Los pesos están bajo licencia Apache 2.0, lo que habilita uso comercial.

¿Cómo se compara con los modelos de voz que ya existen?

Modelo	Corre en	Equipo	Velocidad
Embedding Gemma Transcribe	Neural Engine	MacBook Air M3 base, 8 GB	288× (1 hora en 12,6 s)
IBM Granite Speech 5.0 TurboCTC	GPU (MLX)	MacBook Air M3 base, 8 GB	~150× (1 hora en 25,7 s)
NVIDIA Parakeet TDT 0.6B v3 (FluidAudio)	Neural Engine	M4 Pro	156×
NVIDIA Parakeet TDT 0.6B v3 (FluidAudio)	Neural Engine	M5 Pro	335×
Phonon-2, fine-tune de Parakeet v3 (FluidAudio)	Neural Engine	M5 Pro	480×

Las dos primeras filas son pruebas del propio equipo en el mismo MacBook Air M3. Las tres últimas provienen de los benchmarks publicados por FluidAudio en equipos más nuevos y con audio distinto: son una guía aproximada, no una comparación equivalente.

La lectura honesta: en hardware idéntico, Embedding Gemma Transcribe casi duplica la velocidad de IBM Granite Speech. Pero en un M5 Pro, Phonon-2 llega a 480×, muy por encima. La ventaja del proyecto no es ser el más rápido en términos absolutos, sino lograr esa velocidad en el equipo más modesto de la comparación.

El punto débil: 5% de error

La tasa de error de palabra (WER) ronda el 5%, frente al 2–3% de los modelos de voz líderes. El equipo sostiene que un lector mejor entrenado puede cerrar esa brecha y que esa es la próxima iteración.

Traducido a decisiones de producto: un 5% de WER alcanza para notas de reunión, borradores y dictado personal, pero no para transcripciones legales, médicas o cualquier flujo donde una palabra mal oída cambie el sentido de un contrato.

¿Por qué importa que la transcripción corra en el dispositivo?

Tres razones concretas para un negocio:

• Costo marginal cero. No hay API por minuto. Una vez que el modelo está en el equipo, transcribir 10 horas o 1.000 cuesta lo mismo: electricidad.
• Privacidad por diseño. El audio no sale de la máquina. Para productos que tocan datos de salud, financieros o conversaciones con clientes, eso simplifica el cumplimiento normativo tanto en Europa como en LATAM.
• Funciona sin conexión. Reuniones en aviones, oficinas con internet inestable o zonas rurales dejan de ser un problema.

¿Qué significa esto para tu startup?

Primero, mide antes de migrar. Toma dos horas de audio real de tu producto, con acentos, ruido de fondo y jerga de tu sector, y pásalas por el modelo antes de decidir. El 5% de WER se comporta muy distinto según el dominio: un audio limpio de estudio no se parece a una llamada de soporte.

Segundo, diseña una arquitectura híbrida. Usa transcripción on-device para el primer paso (borradores, búsqueda, resúmenes) y reserva la nube para los casos donde la exactitud es crítica. Así capturas el ahorro sin degradar la calidad en los flujos que no lo toleran.

Tercero, atención al idioma. El vocabulario del lector es de 229.000 palabras en inglés. Si tu producto atiende a usuarios hispanohablantes, hoy no puedes apoyarte en esta implementación para español: es una limitación real y, a la vez, una oportunidad para quien entrene un lector equivalente en español.

Cuarto, aprovecha la licencia. Los pesos de EmbeddingGemma 2 están en Hugging Face y Kaggle bajo Apache 2.0, lo que permite uso comercial. Eso habilita construir capas verticales —actas de reunión, dictado clínico, notas de ventas— sobre un modelo que ya corre en el portátil de tu usuario.

Conclusión

Embedding Gemma Transcribe no gana por ser el transcriptor más preciso: pierde por dos o tres puntos de WER frente a los líderes. Gana por dónde corre y a qué costo. Una hora de audio en 12,6 segundos en el MacBook Air más básico, gratis y sin que el audio toque un servidor, cambia el cálculo para cualquier producto que hoy dependa de APIs de transcripción.

La pregunta útil no es si reemplaza a tu proveedor actual, sino cuánto de tu volumen de audio podría procesarse localmente sin que nadie note la diferencia.

Fuentes

• Embedding Gemma Transcribe (fuente original)
• Google expands EmbeddingGemma beyond text to images, audio and video — SiliconANGLE
• FluidAudio Benchmarks