Naukowcy przebadali 305-milionowy koder audio wbudowany w Gemma 4 do rozpoznawania mowy arabskiej saudyjskiej i zatokowej bez zmiany jego oryginalnych wag. System zamrożony, trenujący jedynie 22,6-milionowy czytnik CTC na mieszaninie warstw enkodera, osiągnął szybkość 3,4 razy wyższą niż model Cohere Transcribe Arabic przy porównywalnej dokładności mierzonej wskaźnikiem CER na pięciu z sześciu zbiorów testowych.
Wersja z adapterami (3,1 mln parametrów niskorangowych) oraz hybrydowym czytnikiem CTC/attention wykazała wyniki statystycznie nierozróżnialne od Cohere'a na dwóch zbiorach testowych, przy czym znacząco lepsze wyniki osiągnęła na mowie Emiratyjskiej kodowanej telefonnicznie. Model ostatecznie zajął czwarte miejsce wśród 15 ocenianych systemów na publicznym nagraniu z call-center, pozostając za trzema komercyjnymi API, ale przed innymi rozwiązaniami do samodzielnego hostowania. Zoptymalizowany dekoder działał z prędkością 139-krotności czasu rzeczywistego na jednym GPU.
Badania mają znaczenie dla praktycznego wdrażania rozpoznawania mowy w specjalistycznych dialektach arabskich bez kosztownego fine-tuningu całych modeli. Pokazują, że adaptery niskorangowe i strategiczne łączenie warstw enkodera oferują efektywny kompromis między wydajnością a zasobami obliczeniowymi, umożliwiając szybsze i tańsze deploymentowe rozwiązania w produkcji.