Google lleva la voz y la escucha al teléfono: en AI Edge Gallery, ASR y TTS funcionan en local
El 10 de noviembre de 2026, Google publicó en el Google Developers Blog, con la firma de los equipos de AI Edge y Android ML, el anuncio de dos nuevos componentes para Google AI Edge Gallery, su aplicación de código abierto para Android e iOS con la que se prueban modelos de inteligencia artificial sin conexión: el reconocimiento de voz (ASR) y la síntesis de voz (TTS) ejecutados directamente en el dispositivo. La idea, explica la compañía, es combinarlos con modelos de lenguaje de tamaño reducido, con Gemini Nano y Gemma 4 como ejemplos, para que la transcripción en tiempo real, el procesamiento y la respuesta hablada ocurran en local. El post parte de una premisa sencilla: «La voz suele ser la forma más natural de interactuar con la IA en teléfonos y wearables». En cuanto a madurez, Google escribe que todo está disponible desde ya y no aplica etiquetas alpha, beta o GA. En el repositorio de GitHub de la app, la función ya aparece en la versión 1.0.21 del 28 de octubre, mientras que la 1.0.23 del 4 de noviembre recoge correcciones de estabilidad y mejoras de rendimiento para las partes de voz.
A los desarrolladores se les proponen dos caminos. En Android se pasa por las API GenAI de ML Kit para reconocimiento y síntesis de voz, con los modelos gestionados por AICore; según Google, están integrados en el sistema operativo: «Ambos modelos están integrados en el sistema operativo y añaden 0 MB a tu APK». Fuera de Android, es decir, en iOS, macOS, Windows, Linux y Web, la indicación es usar MediaPipe Tasks y LiteRT con modelos de pesos abiertos en formato .litertlm: Parakeet-TDT-0.6B-v3 para ASR multilingüe, PocketTTS 100M y Kokoro-82M para TTS multilingüe y Phonon 31M para TTS solo en inglés. La tarea ASR de MediaPipe, siempre según Google, funciona en modo streaming, por lotes o híbrido e integra detección de actividad de voz. Para mostrarlo todo hay dos aplicaciones de demostración: XR Language Teacher, que combina cámara y voz para estudiar idiomas, con Gemini Nano en Android y Gemma 4 en el resto, y las nuevas funciones de voz de AI Chat, con dictado y lectura en voz alta que resalta las frases.
Las cifras publicadas son ambiciosas y hay que leerlas como lo que son: datos declarados por el fabricante. Para el ASR, Google indica una tasa de error por palabra de entre el 8% y el 9% en el benchmark FLEURS, en más de cien idiomas, y una velocidad de unas diez veces el tiempo real, con unos 300 milisegundos por tres segundos de habla. Para el TTS de ML Kit habla de un arranque en unos 100 milisegundos, generación hasta cincuenta veces más rápida que el tiempo real, audio a 24 kHz, ocho voces, 21 idiomas o variantes locales, aceleración por NPU y un consumo activo reducido a menos de la mitad frente al TTS autorregresivo. Cita también una reducción del 35 al 44% de los tiempos de espera en la traducción de voz. En ninguna de las dos comparaciones dice el post cuál es el sistema de referencia. Tampoco enumera dispositivos ni condiciones de prueba, y por ahora no se conocen verificaciones independientes. Quedan además algunas lagunas: no se sabe qué modelos usa ML Kit ni cuánto pesan, cuáles son las 21 variantes del TTS y, por tanto, si el italiano está entre ellas, ni en qué teléfonos Android están realmente disponibles las API, ya que dependen de AICore y de la presencia de una NPU. La licencia Apache-2.0 se refiere al repositorio de la app; las de cada modelo de pesos abiertos no se especifican en el post. Y fuera de Android, conviene recordarlo, los modelos ocupan espacio en el dispositivo.
Lo interesante no es la velocidad en sí, sino que toda la cadena —escuchar, razonar, responder de viva voz— pueda quedarse dentro del teléfono: nada de audio enviado a un servidor, latencias más bajas, funcionamiento incluso sin conexión. Es una promesa de privacidad por arquitectura más que por política, y es el tipo de promesa que más me gusta, porque, al menos donde los modelos son de pesos abiertos, se puede comprobar. Antes de aplaudir, eso sí, esperaría dos cosas muy prosaicas: que alguien mida esos milisegundos en teléfonos corrientes y una lista de idiomas en la que aparezca, ojalá, también el italiano. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Leí el post original del Google Developers Blog del 10 de noviembre de 2026: autores, modelos, cifras, plataformas, demos y disponibilidad. En el repositorio oficial de GitHub google-ai-edge/gallery revisé el README y las notas de versión: licencia Apache-2.0, ASR/TTS en el dispositivo desde la versión 1.0.21 (28/10), correcciones de audio en la 1.0.23 (4/11). También leí AlphaSignal (10/11), que recoge los mismos hechos; descarté los detalles adicionales que no figuran en el post de Google. Los nombres Parakeet, Kokoro, PocketTTS y Phonon no aparecen en el repositorio: para esos modelos la única fuente es el post de Google.
- Incertezze
- Todas las cifras de rendimiento (WER, latencia, velocidad, consumo, reducción del 35-44%) las declara Google, sin dispositivos ni condiciones de prueba y sin verificaciones independientes. No se sabe qué modelos usa ML Kit ni cuánto pesan, ni cuáles son las 21 variantes del TTS: puede que el italiano no esté. No se indica en qué teléfonos Android están disponibles las API (depende de AICore y de la NPU). No se especifican las licencias de los modelos de pesos abiertos; Apache-2.0 vale para el repositorio de la app. Fuera de Android, los modelos ocupan espacio en el dispositivo.
- Perché pubblicarla
- Anuncio oficial, reciente y concreto, verificable en fuente primaria, sobre un tema que el sitio ha tratado poco: la IA de voz que funciona entera en el dispositivo, con efectos en privacidad, uso sin conexión y costes de desarrollo. No se solapa con artículos ya publicados: Scribe v3 de ElevenLabs es transcripción en la nube y la prueba de Singapur con smartphones trata de estafas.