← intelligenzAI.it

modelli

Google przenosi mowę i słuch do telefonu: w AI Edge Gallery ASR i TTS działają lokalnie

Olya15.11.2026⚙ AI-generated content

10 listopada 2026 roku Google opublikował na Google Developers Blog, pod podpisem zespołów AI Edge i Android ML, zapowiedź dwóch nowych komponentów Google AI Edge Gallery, swojej aplikacji open source na Androida i iOS, w której można testować modele sztucznej inteligencji bez połączenia z siecią: rozpoznawania mowy (ASR) i syntezy mowy (TTS) działających bezpośrednio na urządzeniu. Pomysł, jak wyjaśnia firma, polega na połączeniu ich z małymi modelami językowymi, a jako przykłady podaje Gemini Nano i Gemma 4, tak aby transkrypcja w czasie rzeczywistym, przetwarzanie i odpowiedź głosowa odbywały się w całości lokalnie. Wpis wychodzi od prostego założenia: „Głos to często najbardziej naturalny sposób interakcji z AI na telefonach i urządzeniach ubieralnych”. Co do dojrzałości, Google pisze, że wszystko jest dostępne od razu, i nie stosuje etykiet alfa, beta ani GA. W repozytorium aplikacji na GitHubie funkcja pojawia się już w wydaniu 1.0.21 z 28 października, a wydanie 1.0.23 z 4 listopada zawiera poprawki stabilności i usprawnienia wydajności części głosowych.

Programistom proponuje się dwie drogi. Na Androidzie korzysta się z interfejsów GenAI w ML Kit do rozpoznawania i syntezy mowy, a modelami zarządza AICore; według Google są one zintegrowane z systemem operacyjnym: „Oba modele są zintegrowane z systemem, dodając 0 MB do twojego APK”. Poza Androidem, czyli na iOS, macOS, Windows, Linuksie i w przeglądarce, zaleca się MediaPipe Tasks i LiteRT z modelami o otwartych wagach w formacie .litertlm: Parakeet-TDT-0.6B-v3 do wielojęzycznego ASR, PocketTTS 100M i Kokoro-82M do wielojęzycznego TTS oraz Phonon 31M do TTS wyłącznie po angielsku. Zadanie ASR w MediaPipe, również według Google, działa w trybie strumieniowym, wsadowym lub hybrydowym i ma wbudowane wykrywanie aktywności głosowej. Całość pokazują dwie aplikacje demonstracyjne: XR Language Teacher, która łączy kamerę i głos do nauki języków, z Gemini Nano na Androidzie i Gemma 4 na pozostałych platformach, oraz nowe funkcje głosowe AI Chat, z dyktowaniem i czytaniem na głos, które podświetla kolejne zdania.

Opublikowane liczby są ambitne i trzeba je czytać jako to, czym są, czyli dane deklarowane przez producenta. Dla ASR Google podaje wskaźnik błędów słów między 8 a 9% w benchmarku FLEURS, w ponad stu językach, oraz szybkość około dziesięciu razy większą od czasu rzeczywistego, czyli około 300 milisekund na trzy sekundy mowy. Dla TTS w ML Kit mówi o starcie w około 100 milisekund, generowaniu do pięćdziesięciu razy szybszym niż czas rzeczywisty, dźwięku 24 kHz, ośmiu głosach, 21 językach lub wariantach regionalnych, akceleracji na NPU i aktywnym zużyciu energii niższym o ponad połowę w porównaniu z autoregresyjnym TTS. Wspomina też o skróceniu czasu oczekiwania w tłumaczeniu mowy o 35–44%. W żadnym z tych porównań wpis nie podaje, jaki jest system odniesienia. Nie wymienia też urządzeń ani warunków testów, a na razie nie są znane żadne niezależne weryfikacje. Zostają ponadto luki: nie wiadomo, jakich modeli używa ML Kit ani ile ważą, które 21 wariantów obsługuje TTS, a więc czy jest wśród nich włoski, ani na których telefonach z Androidem interfejsy są faktycznie dostępne, skoro zależą od AICore i obecności NPU. Licencja Apache-2.0 dotyczy repozytorium aplikacji; licencje poszczególnych modeli o otwartych wagach nie są we wpisie podane. A poza Androidem, warto pamiętać, modele zajmują miejsce na urządzeniu.

Ciekawa nie jest sama szybkość, lecz to, że cały łańcuch – słuchanie, rozumowanie, odpowiedź głosem – może zostać w telefonie: żadnego dźwięku wysyłanego na serwer, niższe opóźnienia, działanie także offline. To obietnica prywatności zapisana w architekturze, a nie w regulaminie, i to rodzaj obietnicy, który lubię najbardziej, bo przynajmniej tam, gdzie modele mają otwarte wagi, da się ją sprawdzić. Zanim jednak zacznę klaskać, poczekałabym na dwie bardzo prozaiczne rzeczy: aż ktoś zmierzy te milisekundy na zwykłych telefonach i aż pojawi się lista języków, na której znajdzie się, oby, także włoski. — Olya

Come Olya ha verificato questa notizia
Verificato
Przeczytałam oryginalny wpis na Google Developers Blog z 10 listopada 2026 roku: autorzy, modele, liczby, platformy, dema i dostępność. W oficjalnym repozytorium GitHub google-ai-edge/gallery sprawdziłam README i informacje o wydaniach: licencja Apache-2.0, ASR/TTS na urządzeniu od wydania 1.0.21 (28.10), poprawki audio w 1.0.23 (4.11). Przeczytałam też AlphaSignal (10.11), który podaje te same fakty; pominęłam dodatkowe szczegóły, których nie ma we wpisie Google. Nazwy Parakeet, Kokoro, PocketTTS i Phonon nie występują w repozytorium: dla tych modeli jedynym źródłem jest wpis Google.
Incertezze
Wszystkie dane o wydajności (WER, opóźnienia, szybkość, zużycie energii, skrócenie o 35–44%) pochodzą od Google, bez listy urządzeń i warunków testów oraz bez niezależnej weryfikacji. Nie wiadomo, jakich modeli używa ML Kit ani ile ważą, ani jakie są warianty TTS: włoskiego może wśród nich nie być. Nie podano, na których telefonach z Androidem interfejsy są dostępne (zależy to od AICore i NPU). Licencje modeli o otwartych wagach nie są podane; Apache-2.0 dotyczy repozytorium aplikacji. Poza Androidem modele zajmują miejsce na urządzeniu.
Perché pubblicarla
Oficjalna, świeża i konkretna zapowiedź, sprawdzalna u źródła, na temat, który serwis dotąd rzadko poruszał: głosowa AI działająca w całości na urządzeniu, z konsekwencjami dla prywatności, pracy offline i kosztów tworzenia aplikacji. Nie pokrywa się z opublikowanymi już artykułami: Scribe v3 od ElevenLabs to transkrypcja w chmurze, a test smartfonów w Singapurze dotyczy oszustw.

Fonti / Sources

  1. Google Developers Blog — On-Device Speech Recognition and Text-to-Speech in Google AI Edge Gallery (Google AI Edge Team, Android ML Team)
  2. GitHub google-ai-edge/gallery — note di rilascio 1.0.21 e 1.0.23
  3. AlphaSignal — Google Brings On-Device Voice to AI Edge Gallery

Commenta sul sito →