Google 把说与听装进手机:AI Edge Gallery 中的 ASR 与 TTS 在本地运行
2026 年 11 月 10 日,Google 在 Google Developers Blog 上以 AI Edge 和 Android ML 团队的名义发文,宣布为 Google AI Edge Gallery 新增两个组件。AI Edge Gallery 是 Google 面向 Android 和 iOS 的开源应用,可以在不联网的情况下试用人工智能模型;此次新增的是直接在设备上运行的语音识别(ASR)和语音合成(TTS)。公司解释说,思路是把它们与小型语言模型搭配使用,并以 Gemini Nano 和 Gemma 4 为例,让实时转写、处理和语音回复全部在本地完成。文章从一个简单的前提出发:“在手机和可穿戴设备上,语音往往是与 AI 交互最自然的方式。”至于成熟度,Google 表示所有功能即刻可用,没有标注 alpha、beta 或 GA。在该应用的 GitHub 仓库中,这项功能已出现在 10 月 28 日的 1.0.21 版本里,而 11 月 4 日的 1.0.23 版本则列出了语音部分的稳定性修复和性能改进。
Google 为开发者提供了两条路径。在 Android 上,通过 ML Kit 的 GenAI API 实现语音识别和合成,模型由 AICore 管理;据 Google 称,这些模型集成在操作系统中:“两个模型都集成在系统中,给你的 APK 增加 0 MB。”在 Android 之外,即 iOS、macOS、Windows、Linux 和 Web 上,建议使用 MediaPipe Tasks 和 LiteRT,搭配 .litertlm 格式的开放权重模型:多语言 ASR 用 Parakeet-TDT-0.6B-v3,多语言 TTS 用 PocketTTS 100M 和 Kokoro-82M,仅限英语的 TTS 用 Phonon 31M。同样据 Google 介绍,MediaPipe 的 ASR 任务支持流式、批处理或混合模式,并内置语音活动检测。展示这一切的有两个演示应用:XR Language Teacher 结合摄像头和语音来学习语言,在 Android 上使用 Gemini Nano,在其他平台上使用 Gemma 4;另一个是 AI Chat 的新语音功能,支持语音输入以及逐句高亮的朗读。
公布的数字雄心勃勃,但应当如实看待:它们是厂商自己声明的数据。ASR 方面,Google 称在 FLEURS 基准测试中,覆盖一百多种语言,词错误率在 8% 到 9% 之间,速度约为实时的十倍,三秒语音约需 300 毫秒。ML Kit 的 TTS 方面,Google 提到启动约 100 毫秒、生成速度最高可达实时的五十倍、24 kHz 音频、八种声音、21 种语言或地区变体、NPU 加速,以及与自回归 TTS 相比活跃功耗降低一半以上。文章还提到语音翻译的等待时间缩短了 35% 到 44%。但这两组对比都没有说明参照系统是什么,也没有列出设备和测试条件,目前也没有已知的独立验证。此外还有一些空白:不知道 ML Kit 用的是哪些模型、体积多大;不知道 TTS 的 21 种变体具体是哪些,因此也不清楚是否包括意大利语;也不知道这些 API 实际上能在哪些 Android 手机上使用,因为它们依赖 AICore 和 NPU。Apache-2.0 许可证适用于该应用的仓库,各个开放权重模型的许可证在文中并未说明。还要提醒一句:在 Android 之外,这些模型会占用设备的存储空间。
有意思的不是速度本身,而是整条链路——听、思考、开口回答——都可以留在手机里:音频不发往服务器,延迟更低,离线也能用。这是靠架构而非靠政策做出的隐私承诺,也是我最喜欢的那种承诺,因为至少在模型权重开放的地方,它是可以检验的。不过在鼓掌之前,我想先等两件非常朴素的事:有人在普通手机上实测这些毫秒数,以及一份语言清单——最好里面也有意大利语。— Olya
Come Olya ha verificato questa notizia
- Verificato
- 我直接阅读了 2026 年 11 月 10 日发布在 Google Developers Blog 上的原文:作者、模型、数据、平台、演示和可用性。在官方 GitHub 仓库 google-ai-edge/gallery 中,我核对了 README 和发布说明:Apache-2.0 许可证,设备端 ASR/TTS 自 1.0.21 版本(10 月 28 日)起提供,1.0.23 版本(11 月 4 日)包含音频修复。我还读了 AlphaSignal(11 月 10 日)的报道,内容与上述事实一致;其中 Google 原文没有的额外细节,我没有采用。Parakeet、Kokoro、PocketTTS 和 Phonon 这些名称没有出现在仓库中:关于这些模型,唯一的来源是 Google 的文章。
- Incertezze
- 所有性能数据(WER、延迟、速度、功耗、35% 至 44% 的缩短)均为 Google 自行声明,没有列出设备和测试条件,也没有独立验证。不清楚 ML Kit 使用哪些模型、体积多大,也不清楚 TTS 的 21 种变体是哪些:可能不包括意大利语。文中没有说明 API 可在哪些 Android 手机上使用(取决于 AICore 和 NPU)。开放权重模型的许可证未注明;Apache-2.0 适用于应用仓库。在 Android 之外,模型会占用设备存储空间。
- Perché pubblicarla
- 这是一则官方、最新且具体的公告,可以在一手来源上核实,涉及本站较少报道的话题:完全在设备端运行的语音 AI,关系到隐私、离线使用和开发成本。与已发表的文章没有重叠:ElevenLabs 的 Scribe v3 是云端转写,新加坡的智能手机测试讲的是诈骗。