Google переносит речь и слух в телефон: в AI Edge Gallery ASR и TTS работают локально
10 ноября 2026 года Google опубликовала в Google Developers Blog от имени команд AI Edge и Android ML анонс двух новых компонентов для Google AI Edge Gallery — своего приложения с открытым кодом для Android и iOS, в котором можно опробовать модели искусственного интеллекта без подключения к сети: распознавания речи (ASR) и синтеза речи (TTS), работающих прямо на устройстве. Идея, поясняет компания, в том, чтобы сочетать их с небольшими языковыми моделями — в качестве примеров названы Gemini Nano и Gemma 4, — чтобы транскрипция в реальном времени, обработка и голосовой ответ происходили полностью локально. Публикация начинается с простой посылки: «Голос часто оказывается самым естественным способом взаимодействовать с ИИ на телефонах и носимых устройствах». Что касается зрелости, Google пишет, что всё доступно сразу, и не ставит меток alpha, beta или GA. В репозитории приложения на GitHub функция появляется уже в релизе 1.0.21 от 28 октября, а в 1.0.23 от 4 ноября указаны исправления стабильности и улучшения производительности голосовых компонентов.
Разработчикам предлагают два пути. На Android используются API GenAI из ML Kit для распознавания и синтеза речи, а моделями управляет AICore; по словам Google, они встроены в операционную систему: «Обе модели интегрированы в ОС и добавляют к вашему APK 0 МБ». Вне Android, то есть на iOS, macOS, Windows, Linux и в вебе, рекомендуется использовать MediaPipe Tasks и LiteRT с моделями с открытыми весами в формате .litertlm: Parakeet-TDT-0.6B-v3 для многоязычного ASR, PocketTTS 100M и Kokoro-82M для многоязычного TTS и Phonon 31M для TTS только на английском. Задача ASR в MediaPipe, опять же по словам Google, работает в потоковом, пакетном или гибридном режиме и включает определение голосовой активности. Всё это демонстрируют два приложения: XR Language Teacher, которое сочетает камеру и голос для изучения языков, с Gemini Nano на Android и Gemma 4 на других платформах, и новые голосовые функции AI Chat — диктовка и чтение вслух с подсветкой фраз.
Опубликованные цифры амбициозны, и читать их стоит как то, чем они являются, — как данные, заявленные производителем. Для ASR Google указывает долю ошибок в словах от 8 до 9% на бенчмарке FLEURS более чем для ста языков и скорость примерно в десять раз выше реального времени — около 300 миллисекунд на три секунды речи. Для TTS в ML Kit говорится о запуске примерно за 100 миллисекунд, генерации до пятидесяти раз быстрее реального времени, звуке 24 кГц, восьми голосах, 21 языке или региональном варианте, ускорении на NPU и активном энергопотреблении, сниженном более чем вдвое по сравнению с авторегрессионным TTS. Упоминается и сокращение времени ожидания при голосовом переводе на 35–44%. Ни в одном из сравнений публикация не называет эталонную систему. В ней также не перечислены устройства и условия тестирования, а независимых проверок пока не известно. Кроме того, остаются пробелы: неизвестно, какие модели использует ML Kit и сколько они весят, какие именно 21 вариант поддерживает TTS и, следовательно, есть ли среди них итальянский, и на каких телефонах Android API действительно доступны, ведь они зависят от AICore и наличия NPU. Лицензия Apache-2.0 относится к репозиторию приложения; лицензии отдельных моделей с открытыми весами в публикации не указаны. И стоит помнить, что вне Android модели занимают место на устройстве.
Интересна не сама скорость, а то, что вся цепочка — услышать, обдумать, ответить голосом — может оставаться внутри телефона: никакого аудио, отправленного на сервер, меньшие задержки, работа даже офлайн. Это обещание приватности, заложенное в архитектуру, а не в правила, и именно такие обещания мне нравятся больше всего, потому что, по крайней мере там, где модели с открытыми весами, его можно проверить. Но прежде чем аплодировать, я бы подождала двух очень прозаичных вещей: чтобы кто-нибудь измерил эти миллисекунды на обычных телефонах и чтобы появился список языков, в котором, может быть, найдётся и итальянский. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала исходную публикацию в Google Developers Blog от 10 ноября 2026 года: авторы, модели, цифры, платформы, демо и доступность. В официальном репозитории GitHub google-ai-edge/gallery проверила README и заметки к релизам: лицензия Apache-2.0, ASR/TTS на устройстве начиная с релиза 1.0.21 (28.10), исправления звука в 1.0.23 (4.11). Также прочитала AlphaSignal (10.11), где приводятся те же факты; дополнительные подробности, которых нет в публикации Google, я исключила. Названия Parakeet, Kokoro, PocketTTS и Phonon в репозитории не встречаются: по этим моделям единственный источник — публикация Google.
- Incertezze
- Все показатели производительности (WER, задержка, скорость, энергопотребление, сокращение на 35–44%) заявлены Google, без перечня устройств и условий тестирования и без независимой проверки. Неизвестно, какие модели использует ML Kit и сколько они весят, а также какие 21 вариант поддерживает TTS: итальянского среди них может не быть. Не указано, на каких телефонах Android доступны API (зависит от AICore и NPU). Лицензии моделей с открытыми весами не названы; Apache-2.0 относится к репозиторию приложения. Вне Android модели занимают место на устройстве.
- Perché pubblicarla
- Официальный, свежий и конкретный анонс, который можно проверить по первоисточнику, на тему, которую сайт почти не освещал: голосовой ИИ, работающий целиком на устройстве, с последствиями для приватности, работы офлайн и затрат на разработку. Не пересекается с уже опубликованными статьями: Scribe v3 от ElevenLabs — облачная транскрипция, а сингапурский тест смартфонов посвящён мошенничеству.