用 EmbeddingGemma 2 微调越南语 ASR 模型，78 美元做到 SOTA

有人基于谷歌 EmbeddingGemma 2 的预训练音频编码能力，只微调编码器顶部 2 层、再训练一个 6 层 Transformer 读取器，做出越南语 ASR 模型。训练用了 3000 小时越南语音频，8 张 H100 跑约 3 小时，总花费仅 78 美元。该模型在 8 个越南语基准上平均 WER 为 6.87%，超过 Gemini-Flash-3.8 的 6.92% 和 ElevenLabs Scribe v2 的 7.08%。由于采用 CTC 解码、不做自回归逐 Token 生成，CPU 推理速度达到实时语音的 200 倍，并支持越英混合口语和流式识别。