# Gemma 4-taligenkänning testad på saudisk och gulfarabisk dialekt

> Forskare testade en fryst ljudkodare från Gemma 4 och en version med en lättviktsadapter på arabiskt ljud från callcenter. Felfrekvensen var jämförbar med större kommersiella modeller.

Oossa · 2026-10-22 · https://oossa.com/sv/gemma-4-speech-encoder-evaluated-on-saudi-and-gulf-arabic-without-weight-changes

En forskargrupp under ledning av Amr Abdelkhalik undersökte ljudkodaren med 305 miljoner parametrar som används i Gemma 4 och EmbeddingGemma 2. De lät kodarens vikter vara oförändrade och tränade antingen en CTC-avkodare med 22,6 miljoner parametrar (fryst system) eller lade till 3,1 miljoner adapterparametrar samt en hybridavkodare för CTC och attention med 41,5 miljoner parametrar (anpassat system). Jämfört med Cohere Transcribe Arabic (2,07 miljarder parametrar) hade det frysta systemet likvärdig teckenfelfrekvens i de flesta tester och kördes 3,4 gånger snabbare på CPU. Det anpassade systemet hade statistiskt likvärdig ordfelfrekvens på samtal till saudisk kundtjänst (19,20 % mot 19,27 %) och presterade bättre än en taligenkännare med 0,6 miljarder parametrar under flera testförhållanden, samtidigt som avkodningen var 139 gånger snabbare på en GPU.

## Fakta

- Kodaren har 305 miljoner parametrar
- Det anpassade systemet lägger till 3,1 miljoner adapterparametrar och en avkodare med 41,5 miljoner parametrar

## Varför det spelar roll

Resultaten visar att en fryst eller lätt anpassad kodare från Gemma 4 kan ge nästan kommersiell träffsäkerhet för arabisk taligenkänning med betydligt mindre beräkningskraft. Det kan vara användbart för företag som behöver kostnadseffektiva lösningar som de kan drifta själva.

## Källor och referenser

1. [How Far Can the Gemma 4 Speech Encoder Go Without Changing Its Weights? Saudi and Gulf Arabic Speech Recognition with a Frozen and an Adapter-Augmented Encoder](https://arxiv.org/abs/2610.28673) – arXiv, 2026-10-22

Senast uppdaterad: 2026-10-22