Un projet indépendant a transformé EmbeddingGemma 2, conçu par Google DeepMind pour rapprocher plusieurs types de contenus dans un même espace de représentation, en moteur de transcription. Ses auteurs annoncent avoir traité une heure d’audio en environ treize secondes sur un MacBook Air M3 de base. Le calcul s’effectue sur la machine, sans envoyer l’enregistrement vers un service distant.
Ce résultat ne vient pas d’un nouveau modèle vocal développé intégralement. L’équipe a conservé le modèle d’origine et entraîné uniquement le composant qu’elle appelle le « lecteur ». L’annonce montre ainsi une autre manière de construire un outil de transcription : exploiter les représentations audio déjà apprises par un modèle multimodal, puis ajouter la fonction qui les convertit en texte.
Un lecteur convertit la représentation audio en texte
EmbeddingGemma 2 place le texte, les images, l’audio et la vidéo dans un espace commun. D’après la présentation du projet, la représentation d’un mot prononcé se trouve à proximité de celle du même mot écrit. Cette correspondance fournit le point de départ de la transcription.
Les auteurs indiquent n’avoir entraîné que le lecteur, sur des enregistrements vocaux anglophones sous licence ouverte. L’entraînement aurait demandé moins de deux heures avec huit accélérateurs H100. Le modèle de base n’a donc pas été réentraîné pour devenir un système de reconnaissance vocale complet.
Le fait nouveau réside dans cette adaptation ciblée. Un modèle d’embeddings, habituellement employé pour rapprocher ou rechercher des contenus similaires, sert ici de socle à une production textuelle. La démonstration porte toutefois sur l’anglais. La source ne publie aucun résultat équivalent pour le français, les accents régionaux ou les conversations mêlant plusieurs langues.
Illustration conceptuelle du lecteur reliant les représentations audio au texte, et non photographie du projet réel.
La vitesse annoncée précède encore la précision
La performance mise en avant concerne d’abord la vitesse d’exécution. Les mesures réalisées par l’équipe sur son Mac ne constituent pas un classement homogène face aux autres solutions. La page précise elle-même que les résultats externes cités proviennent de machines plus grandes et plus récentes, ainsi que de fichiers audio différents. Les auteurs les présentent comme un ordre de grandeur, et non comme une comparaison à conditions identiques.
La précision reste également en retrait. Le projet annonce un taux d’erreur sur les mots proche de cinq pour cent, contre deux à trois pour cent pour les modèles vocaux les plus performants pris comme référence. Les auteurs estiment qu’un lecteur mieux entraîné réduira cet écart, mais cette amélioration n’est pas encore démontrée.
Cette différence interdit de confondre transcription rapide et texte directement publiable. Pour une PME, l’usage cohérent consiste à produire un premier brouillon à relire, plutôt qu’un compte rendu définitif généré sans correction. Une erreur portant sur un nom, une négation ou une donnée commerciale conserve davantage de poids qu’une moyenne globale favorable.
Le traitement local change le parcours du fichier
L’outil accepte un fichier audio et propose aussi une dictée déclenchée par la touche Option droite du clavier. Selon ses créateurs, le traitement mobilise le Neural Engine du Mac et l’audio ne quitte pas la machine. La dictée peut alors alimenter l’application active sans passer par une plateforme de transcription hébergée.
Pour une entreprise, le cas d’usage précis est la pré-transcription en anglais d’un entretien, d’une note vocale ou d’une réunion enregistrée sur un Mac compatible. L’exécution locale retire du parcours le transfert du fichier vers le serveur d’un prestataire. Elle permet aussi de travailler sans dépendre de la durée d’envoi d’un enregistrement volumineux.
Cette propriété ne garantit pas à elle seule la confidentialité de tout le poste. Le fichier source, le texte produit, les sauvegardes du système et l’application de destination restent en dehors de la démonstration. L’annonce établit seulement que le moteur présenté réalise son calcul localement.
Illustration conceptuelle du traitement audio local, et non photographie du fonctionnement réel du service.
Le test en français reste le prochain seuil
EmbeddingGemma 2 est publié sous licence Apache 2.0, tandis que la page indique clairement que cette adaptation est un projet indépendant, sans affiliation ni approbation de Google. Il faut donc attribuer les mesures et les choix techniques aux auteurs du projet, pas à Google DeepMind.
La source ne donne pas de protocole détaillé pour des enregistrements de réunion, des voix superposées, du bruit ambiant ou un vocabulaire métier spécialisé. Elle ne fournit pas non plus de mesure en français ni de réplication externe. La vitesse annoncée atteste une exécution locale très rapide dans la configuration décrite, mais pas une qualité uniforme pour tous les environnements professionnels.
La décision raisonnable consiste à considérer cet outil comme un moteur de brouillon anglophone à évaluer sur les fichiers réellement traités par l’entreprise. Le prochain signal utile sera un test reproductible en français, associant vitesse, taux d’erreur et conditions audio documentées.
