Amr Abdelkhalik领衔的团队研究了Gemma 4和EmbeddingGemma 2所用的3.05亿参数音频编码器。他们保持编码器权重不变，并训练了一个含2260万参数的CTC解码器（冻结系统）；另一种方案则增加310万适配器参数，并搭配一个含4150万参数的CTC/注意力混合解码器（适配系统）。与Cohere Transcribe Arabic（20.7亿参数）相比，冻结系统在大多数测试中的字符错误率相当，在CPU上的运行速度则快3.4倍。适配系统在沙特客户服务通话上的词错误率与对照模型在统计上相近（19.20%对19.27%），在若干测试条件下优于一款6亿参数的识别器，并在一款GPU上实现了139倍的解码速度。
为什么重要
结果表明，冻结或仅经过轻量适配的Gemma 4编码器，能够以低得多的计算成本实现接近商业产品的阿拉伯语语音识别准确率，适合需要经济高效、自托管方案的企业。
