Shahir 尝试把 EmbeddingGemma 2 的音频和文字嵌入接起来：冻结音频编码器，训练一个小型 reader，把音频片段对齐到文字向量空间，再从约 22.9 万个英语词的嵌入中找到对应词，另用小模型处理标点和大小写。它不是 Google 发布的新语音模型，而是基于现有表征的个人实验。
项目报告，在 M3 MacBook Air 8GB 上通过 Neural Engine，用 12.6 秒转写一小时音频；同页给出的 Granite Speech 5 Turbo CTC 在同台机器的 GPU 路径为 25.7 秒。这里比较的是两套实现与硬件路径。作者自报词错误率约 5%，但页面未充分交代测试集和文本规范化规则，不能把这个数同其他产品宣传值直接排名。