Google leva a voz e a escuta para o smartphone: no AI Edge Gallery, ASR e TTS funcionam localmente
Em 10 de novembro de 2026, o Google publicou no Google Developers Blog, assinado pelas equipes de AI Edge e Android ML, o anúncio de dois novos componentes para o Google AI Edge Gallery, seu aplicativo de código aberto para Android e iOS que permite testar modelos de inteligência artificial sem conexão: o reconhecimento de voz (ASR) e a síntese de voz (TTS) executados diretamente no dispositivo. A ideia, explica a empresa, é combiná-los com modelos de linguagem de pequeno porte, citando como exemplos o Gemini Nano e o Gemma 4, para que a transcrição em tempo real, o processamento e a resposta falada aconteçam todos localmente. O post parte de uma premissa simples: “A voz costuma ser a forma mais natural de interagir com a IA em smartphones e wearables.” Quanto à maturidade, o Google escreve que tudo está disponível desde já e não aplica rótulos de alfa, beta ou GA. No repositório do aplicativo no GitHub, a função já aparece na versão 1.0.21, de 28 de outubro, enquanto a 1.0.23, de 4 de novembro, traz correções de estabilidade e melhorias de desempenho para os recursos de voz.
Os desenvolvedores têm dois caminhos. No Android, usam-se as APIs GenAI do ML Kit para reconhecimento e síntese de voz, com os modelos gerenciados pelo AICore; segundo o Google, eles são integrados ao sistema operacional: “Os dois modelos são integrados ao sistema operacional, adicionando 0 MB ao seu APK.” Fora do Android, ou seja, no iOS, macOS, Windows, Linux e na Web, a indicação é usar o MediaPipe Tasks e o LiteRT com modelos de pesos abertos no formato .litertlm: Parakeet-TDT-0.6B-v3 para ASR multilíngue, PocketTTS 100M e Kokoro-82M para TTS multilíngue e Phonon 31M para TTS apenas em inglês. A tarefa de ASR do MediaPipe, ainda segundo o Google, funciona em modo streaming, em lote ou híbrido e integra a detecção de atividade de voz. Para mostrar tudo isso há dois aplicativos de demonstração: o XR Language Teacher, que combina câmera e voz para o estudo de idiomas, com o Gemini Nano no Android e o Gemma 4 nas demais plataformas, e os novos recursos de voz do AI Chat, com ditado e leitura em voz alta que destaca as frases.
Os números publicados são ambiciosos e devem ser lidos pelo que são: dados declarados pelo fornecedor. Para o ASR, o Google indica uma taxa de erro de palavras entre 8% e 9% no benchmark FLEURS, em mais de cem idiomas, e uma velocidade de cerca de dez vezes o tempo real, com cerca de 300 milissegundos para três segundos de fala. Para o TTS do ML Kit, fala em inicialização em cerca de 100 milissegundos, geração até cinquenta vezes mais rápida que o tempo real, áudio a 24 kHz, oito vozes, 21 idiomas ou variantes locais, aceleração por NPU e consumo ativo reduzido em mais da metade em relação ao TTS autorregressivo. Cita também uma redução de 35% a 44% nos tempos de espera na tradução de voz. Em nenhuma das duas comparações o post diz qual é o sistema de referência. Também não lista dispositivos nem condições de teste, e não há, por enquanto, verificações independentes conhecidas. Restam ainda algumas lacunas: não se sabe quais modelos o ML Kit usa nem quanto pesam, quais são as 21 variantes do TTS e, portanto, se o italiano está entre elas, nem em quais smartphones Android as APIs estão de fato disponíveis, já que dependem do AICore e da presença de uma NPU. A licença Apache-2.0 se refere ao repositório do aplicativo; as dos modelos de pesos abertos não são especificadas no post. E fora do Android, vale lembrar, os modelos ocupam espaço no dispositivo.
O interessante não é a velocidade em si, mas o fato de que toda a cadeia — ouvir, raciocinar, responder em voz alta — possa ficar dentro do smartphone: nada de áudio enviado a um servidor, latências menores, funcionamento até offline. É uma promessa de privacidade pela arquitetura, mais do que pela política, e é o tipo de promessa de que eu mais gosto, porque, pelo menos onde os modelos têm pesos abertos, dá para conferir. Antes de aplaudir, porém, eu esperaria duas coisas bem prosaicas: alguém que meça esses milissegundos em smartphones comuns e uma lista de idiomas em que apareça, quem sabe, também o italiano. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Li o post original do Google Developers Blog de 10 de novembro de 2026: autores, modelos, números, plataformas, demonstrações e disponibilidade. No repositório oficial do GitHub google-ai-edge/gallery, conferi o README e as notas de versão: licença Apache-2.0, ASR/TTS no dispositivo a partir da versão 1.0.21 (28/10), correções de áudio na 1.0.23 (4/11). Li também o AlphaSignal (10/11), que relata os mesmos fatos; deixei de fora os detalhes extras que não estão no post do Google. Os nomes Parakeet, Kokoro, PocketTTS e Phonon não aparecem no repositório: para esses modelos, a única fonte é o post do Google.
- Incertezze
- Todos os números de desempenho (WER, latência, velocidade, consumo, redução de 35-44%) são declarados pelo Google, sem dispositivos nem condições de teste e sem verificação independente. Não se sabe quais modelos o ML Kit usa nem quanto pesam, nem quais são as 21 variantes do TTS: o italiano pode não estar incluído. Não é indicado em quais smartphones Android as APIs estão disponíveis (depende do AICore e da NPU). As licenças dos modelos de pesos abertos não são especificadas; a Apache-2.0 vale para o repositório do aplicativo. Fora do Android, os modelos ocupam espaço no dispositivo.
- Perché pubblicarla
- Anúncio oficial, recente e concreto, verificável na fonte primária, sobre um tema pouco tratado pelo site: IA de voz que roda inteiramente no dispositivo, com efeitos sobre privacidade, uso offline e custos de desenvolvimento. Não se sobrepõe a artigos já publicados: o Scribe v3 da ElevenLabs é transcrição na nuvem, e o teste de Singapura com smartphones trata de golpes.