گروهی به سرپرستی عمرو عبدالخالک، رمزگذار صوتی 305 میلیون‌پارامتریِ به‌کاررفته در Gemma 4 و EmbeddingGemma 2 را بررسی کردند. آن‌ها وزن‌های رمزگذار را ثابت نگه داشتند و یا یک خوانشگر CTC با 22.6 میلیون پارامتر آموزش دادند (سامانه ثابت)، یا 3.1 میلیون پارامتر آداپتور به آن افزودند و از یک خوانشگر ترکیبی CTC/توجه با 41.5 میلیون پارامتر استفاده کردند (سامانه سازگارشده). سامانه ثابت در بیشتر آزمون‌ها از نظر نرخ خطای نویسه با Cohere Transcribe Arabic (با 2.07 میلیارد پارامتر) برابری کرد و روی CPU، 3.4 × سریع‌تر اجرا شد. سامانه سازگارشده در تماس‌های خدمات مشتریان سعودی، نرخ خطای واژه‌ای از نظر آماری مشابهی داشت (19.20 % در برابر 19.27 %) و در چند وضعیت از یک بازشناگر 0.6 میلیاردپارامتری بهتر عمل کرد؛ همچنین روی یک GPU، رمزگشایی را 139 × سریع‌تر انجام داد.
چرا مهم است
نتایج نشان می‌دهد رمزگذار ثابت یا اندکی سازگارشده Gemma 4 می‌تواند با هزینه پردازشی بسیار کمتر، دقتی نزدیک به مدل‌های تجاری در بازشناسی گفتار عربی ارائه کند؛ قابلیتی سودمند برای شرکت‌هایی که به راهکارهای مقرون‌به‌صرفه و قابل میزبانی در زیرساخت خود نیاز دارند.
