---
format: "aidr-story-markdown/v1"
id: "64fc2a8f84c91b7ab28f97ed627bb801987f761235eb0d27f501b4d90f9f834b"
canonical_url: "https://aidr.today/64fc2a8f?lang=vi"
title: "Lập trình viên dùng mẹo AI của Google để chép lại một giờ âm thanh trong 13 giây"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-10-12T18:38:24.000Z"
category: "Models"
topics: ["google","inference"]
source_urls: ["https://marketbrief.now/ai/update-devs-google-ai-hack-transcribes-1-hour-of-audio-in-13-seconds-7e92e69f","https://x.com/TslShahir/status/2109660368381395414","https://x.com/GoogleDeepMind/status/2107502289652982118","https://x.com/ivanfioravanti/status/2109277085068148746","https://x.com/Alex_tra_memory/status/2108391275560931355","https://x.com/SeraAndroid/status/2108629662238961694","https://x.com/fdaudens/status/2109305611674333207","https://x.com/ClementDelangue/status/2107550827527463068"]
summary: "Một lập trình viên tái định hướng multimodal model EmbeddingGemma 2 thành một công cụ chuyển đổi giọng nói thành văn bản đạt tốc độ gấp 288 lần thời gian thực trên một chiếc máy MacBook Air dùng chip M3 cơ bản. Nhờ khai thác cách mô hình ánh xạ âm thanh và từ ngữ được nói vào một embedding space chung, công cụ này có thể chép lại một giờ ghi âm trong khoảng 13 giây mà không cần dùng đến đám mây. Mô hình với 740M parameter do Google phát hành theo giấy phép Apache 2.0 đang hỗ trợ làn sóng ứng dụng Mac chạy cục bộ mới, bao gồm công cụ tìm kiếm DigUp và ứng dụng Foresight của chính Google. Các bản cài đặt gần đây từ cộng đồng cho thấy mô hình này xử lý khoảng 620 bài đăng mỗi giây trên Apple M5 Pro Neural Engine. Kiến trúc này hợp nhất văn bản, hình ảnh, âm thanh và video, giúp nó vượt qua một số mô hình chuyên biệt có kích thước lớn gấp đôi trên nhiều benchmark khác nhau."
---

# Lập trình viên dùng mẹo AI của Google để chép lại một giờ âm thanh trong 13 giây

> [Open the canonical story](<https://aidr.today/64fc2a8f?lang=vi>)

**Published:** 2026-10-12T18:38:24.000Z
**Category:** Models
**Topics:** google, inference

## Summary

Một lập trình viên tái định hướng multimodal model EmbeddingGemma 2 thành một công cụ chuyển đổi giọng nói thành văn bản đạt tốc độ gấp 288 lần thời gian thực trên một chiếc máy MacBook Air dùng chip M3 cơ bản\. Nhờ khai thác cách mô hình ánh xạ âm thanh và từ ngữ được nói vào một embedding space chung, công cụ này có thể chép lại một giờ ghi âm trong khoảng 13 giây mà không cần dùng đến đám mây\. Mô hình với 740M parameter do Google phát hành theo giấy phép Apache 2\.0 đang hỗ trợ làn sóng ứng dụng Mac chạy cục bộ mới, bao gồm công cụ tìm kiếm DigUp và ứng dụng Foresight của chính Google\. Các bản cài đặt gần đây từ cộng đồng cho thấy mô hình này xử lý khoảng 620 bài đăng mỗi giây trên Apple M5 Pro Neural Engine\. Kiến trúc này hợp nhất văn bản, hình ảnh, âm thanh và video, giúp nó vượt qua một số mô hình chuyên biệt có kích thước lớn gấp đôi trên nhiều benchmark khác nhau\.

## Sources

- [Story source](<https://marketbrief.now/ai/update-devs-google-ai-hack-transcribes-1-hour-of-audio-in-13-seconds-7e92e69f>)
- [Story source](<https://x.com/TslShahir/status/2109660368381395414>)
- [Story source](<https://x.com/GoogleDeepMind/status/2107502289652982118>)
- [Supporting source](<https://x.com/ivanfioravanti/status/2109277085068148746>)
- [Story source](<https://x.com/Alex_tra_memory/status/2108391275560931355>)
- [Supporting source](<https://x.com/SeraAndroid/status/2108629662238961694>)
- [Supporting source](<https://x.com/fdaudens/status/2109305611674333207>)
- [Supporting source](<https://x.com/ClementDelangue/status/2107550827527463068>)