AREX Feed Article
3 小时训练登顶 8 项越南语 ASR 基准，Google Gemma 官方推介社区微调的 EmbeddingGemma 2
北京时间 10 月 23 日 23 时 13 分，Google Gemma 官方 X 账号 @googlegemma 称，社区已经在微调 EmbeddingGemma 2 并拿到出色结果：只用在 3,000 小时越南语音频上训练 3 小时，模型就登顶了 8 项越南语自动语音识别（ASR，Automatic Speech Recognition）基准，而且“完全不需要笨重的自回归解码器（autoregressive decoder）”。帖文同时指向社区成员 @stablequan 发布的技术解析。
被点名的成果是一个名为 QUAN-Transcribe-1.0 的模型，10 月 14 日就已发布在 ，作者是 X 用户 @stablequan——其账号资料显示他叫 Quan Nguyen，现居瑞典。模型卡中的基准表显示，这个总参数量 356M 的模型在 8 个越南语测试集上拿到 6.87% 的平均词错率（WER，Word Error Rate），低于包括 Gemini-Flash-3.8（6.92%）在内的全部 16 个对比模型，在单张 H100 上的速度达到实时（real-time）的 3,713 倍。这些数字出自作者自建的评测、经官方账号转述，本文未独立复核其训练与评测过程。
九天前的实验帖，被官方账号翻了出来
10 月 14 日，@stablequan ：“各位，我拿了 @googlegemma 的 Embedding 2 模型，在 3,000 小时越南语音频上训练。它达到 SOTA 了。只花了 8×H100 上 2 个小时。”同日，QUAN-Transcribe-1.0 上架 Hugging Face，附基准表与推理代码。
九天后，@googlegemma 用自己的措辞转述了同一成果——训练时长写为 3 小时——并在中给出解析链接。截至本稿核实时，原帖拿到 1,295 个赞、71,239 次浏览，官方帖文获 384 个赞。
几处口径有细微出入：训练时长在官方帖文与模型卡中均为（约）3 小时，作者原帖写 2 小时，回答成本提问时又给出 2.5 小时；音频规模官方与作者均写 3,000 小时，模型卡列出的训练数据合计约 2,800 小时。
底座与骨架：300M 音频编码器，顶上 6 层 CTC 读取头
先看底座。EmbeddingGemma 2 是 Google DeepMind 于 10 月 6 日的开源多模态嵌入模型：总参数 740M，由 270M 文本模型加 170M 视觉编码器、300M 音频编码器组成，基于 Gemma 4 架构，官方博客称以“商业上宽松的 Apache 2.0”许可发布；它把文本（含代码）、图像、视频和音频映射进同一个 768 维向量空间，支持 100 多种语言，8K（8,192 token）上下文窗口可容纳约 5.5 分钟音频。第一代 EmbeddingGemma 的下载量已超过 2,000 万次。
QUAN-Transcribe-1.0 用到的正是那个 300M 音频编码器。据模型卡，作者只微调了这个 USM（Universal Speech Model）风格的 conformer 编码器 12 层中的顶部 2 层，把各层输出做可学习混合后，接上一个 6 层 transformer 读取头（模型维度 768），以 CTC（Connectionist Temporal Classification，一种无需预先对齐标注的训练目标）训练；输出单元是 14,917 个 Gemma 分词器 token，大致一个 token 对应一个越南语音节。
没有自回归解码器，意味着每条语音只需一次前向传播——Unique Adhikari 在官方帖文下的指出的正是这一点：解码阶段通常是 ASR 推理变慢的原因。读取头用动态 chunk（分块）训练，同一份权重既能整段解码，也能流式解码（0.48 秒一个 chunk）；还提供麦克风实时转写，长音频按静音点切成不超过 30 秒的片段分批解码。输出是小写越南语、无标点、数字写作单词。
同一批语句、同一套打分：这张对照表怎么读
帖文所附的基准图列了 17 个模型，榜首以 “EmbeddingGemma2-ASR-vi” 之名出现，参数量与各测试集数字和模型卡里的 QUAN-Transcribe-1.0 完全一致。按模型卡说明，评测协议是：同一批语句、同一套文本归一化与打分、贪心解码、每个模型单独用一张 H100（bf16/fp16），速度按音频时长除以墙钟时间计算。
8 个测试集是 bud500、cv17、fleurs、gigaspeech2、lsvsc、phoaudiobook、vimd 和 VIVOS。QUAN-Transcribe-1.0 以 6.87% 的均值排第一，其中 bud500（1.62%）、lsvsc（5.48%）、vimd（9.05%）三项单榜最佳；fleurs 和 gigaspeech2 的最佳成绩属于 Qwen3-ASR-1.7B（4.88%、8.47%），cv17、phoaudiobook、VIVOS 三项的最佳属于 PhoWhisper-large（9.12%、0.87%、4.52%）。官方帖文说的 “登顶 8 项越南语 ASR 基准”（tops 8 Vietnamese ASR benchmarks），严格说是 8 项均值第一，而非 8 项全部第一。
排在它后面的不只是开源同行：Gemini-Flash-3.8（6.92%）、MAI-Transcribe-2.0（6.96%）、Cohere Transcribe 03-2026（7.01%，2,066M 参数）、Qwen3-ASR-1.7B（7.01%，2,038M）、ElevenLabs Scribe v2（7.08%）和 PhoWhisper-large（7.21%，1,543M），Whisper large-v3 的均值则是 18.04%。速度差距更大：表中次快的 PhoWhisper-base 为 539 倍实时，QUAN-Transcribe-1.0 是 3,713 倍，接近其 7 倍。
训练数据约 2,800 小时，模型卡列出的来源全部是 Hugging Face 上的公开数据集：Bud500、viVoice、VLSP2020、FPT FOSD、InfoRe 1/2、LSVSC、ViMD、Common Voice 17、FLEURS 和 PhoAudiobook。许可一栏写明：QUAN-Transcribe-1.0 是 EmbeddingGemma 2 的衍生模型，使用须遵循 Gemma Terms of Use；底座 本身需要先在模型页接受条款、以 HF（Hugging Face）令牌登录才能下载。
78 美元的账单、一句 “LGTM” 和让 Claude Code 搭起来的评测
在他的帖文评论区，成本是被反复追问的数字。作者在回复中给出：RunPod 上 8×H100 跑了 2.5 小时，；这种配置时价约 。他让模型在自己的单张 A6000 48GB 上跑一个星期，直到用 Opus 5.5 xhigh 把其他开源模型看了一遍、得到“有很大概率做到 SOTA”的判断，于是“回了一句 LGTM，给 RunPod 充了值”。
评测框架也是临时搭的。他说越南语没有现成的基准套件，自己 QwenTTS 的评测方式，让 Claude Code 从零重建了一整套；训练数据 Hugging Face 公开数据集。
结果公布后质疑随之而来。Furkan Gözükara ：“你确定没有在测试数据集上训练吗？要超过 Gemini-Flash-3.8 可不容易。”作者的是“非常确定”，并解释 Gemini 主要败在方言上——尤其越南中部说话者的口音，“连母语者也未必能 100% 听懂”。至于训练代码，他在 10 月 15 日会开源、内容“就是基础的 torch 和 DDP（分布式数据并行）设置”；本篇能核实的公开仓库只有那份推理代码。
点名之后：印地语、乌尔都语的复刻已经出现
官方帖文下的第一波反应出现在评论区。Daniel Priscu ：“没有自回归解码器还能排在第一，这对低资源语言是件大事。”Aleksandar Janca 对比对象：“是和同样用这 3,000 小时微调过的 Whisper 比，还是和原版 Whisper 比？”Unique Adhikari 则追问模型在长音频和嘈杂电话音质下的表现，并提醒“基准集往往比真实流量干净”。
复制工作来得更快。Shyam Sunder Kumar 在评论区他为印地语微调的版本，称完全在端侧运行（CPU 也可以）、已开源上架 Hugging Face；Mahwiz Khalil 他正在 EmbeddingGemma-2 音频特征上训练一个 0.6M 参数的乌尔都语 CTC 头，自建开发集上已超过 Whisper medium，FLEURS 评测还没做完。
这些追问暂时没有带数字的答案：截至本稿核实，Adhikari 的提问下还没有任何回复，模型卡也没有列出方言表现的分项数据，来支撑作者对 Furkan 的那句“非常确定”。