گوگل قابلیت تشخیص گفتار آفلاین و تبدیل متن به گفتار را به گالری AI Edge اضافه می کند

گوگل در 10 نوامبر اعلام کرد که گالری AI Edge اکنون از تشخیص خودکار گفتار (ASR) و متن به گفتار (TTS) همراه با مدل‌های کوچک زبان روی دستگاه مانند Gemini Nano و Gemma 4 پشتیبانی می‌کند، بنابراین تلفن‌ها می‌توانند گفتار را به صورت زنده رونویسی کنند و پاسخ‌های گفتاری را بدون اتصال به شبکه ترکیب کنند. گوگل گفت که صدا اغلب طبیعی‌ترین راه برای تعامل با هوش مصنوعی در تلفن‌ها و پوشیدنی‌ها است و پیشرفت‌ها در مدل‌های گفتاری فشرده اکنون ASR دقیق چندزبانه و TTS رسا را ​​کاملاً در دستگاه ممکن می‌سازد.

Android: ML Kit بیش از 100 زبان را پوشش می دهد و در حدود 100 میلی ثانیه شروع به صحبت می کند

در اندروید، جدیدترین مدل‌های گفتار روی دستگاه کیت ML بیش از 100 زبان را با سرعت 10 برابر زمان واقعی رونویسی می‌کند و به نرخ خطای کلمه 8.0 تا 9.0 درصد در معیار FLEURS می‌رسد. مدل تبدیل متن به گفتار آن، با یک مدل انتشار فشرده چند مرحله‌ای، شروع به صحبت در حدود 100 میلی‌ثانیه می‌کند و صدای 24 کیلوهرتز را با حداکثر سرعت 50 برابر در زمان واقعی، در هشت صدای رسا و 21 منطقه ترکیب می‌کند. هر دو مدل در سیستم عامل ادغام شده اند و 0 مگابایت به APK برنامه اضافه می کنند و در صورت وجود از شتاب سخت افزاری در پشتیبان های NPU و TPU بهره می برند.

کراس پلتفرم: مدل‌های با وزن باز برای iOS، ویندوز و وب

برای برنامه‌های چند پلتفرمی، Google بسته‌های مدل جدید .litertlm را از طریق MediaPipe Tasks و LiteRT بهینه‌سازی کرده است، از جمله Parakeet-TDT 0.6B برای تشخیص گفتار و PocketTTS 100M، Kokoro-82M و Phonon 31M برای تبدیل متن به گفتار، iOS-de-speech و Linux-OS کوچک، در حال اجرا بر روی Windows-to-Speech، Linuxc. مدل‌های بدون اختلاف محاسباتی انجمن Hugging Face LiteRT مدل‌های وزن باز مانند Whisper و Qwen3-ASR را نیز ارائه می‌کند.

ویترین: معلم زبان آفلاین و چت صوتی

Google در حال نشان دادن دو کاربرد است: ویترین XR Language Teacher، که 100٪ به صورت محلی روی تلفن کار می کند، به کاربران اجازه می دهد دوربین را به سمت تابلو یا منوی خیابان بگیرند، با صدای بلند یک سوال بپرسند و توضیحی را به زبان خودشان با تلفظ معتبر به زبان محلی بشنوند. و چت هوش مصنوعی با قابلیت صوتی، با دیکته پخش جریانی و پخش با صدای بلند با برجسته کردن جملات زنده. این ویژگی ها از امروز با برنامه گالری AI Edge در اندروید و iOS و پیاده سازی مرجع منبع باز در دسترس هستند. منبع: وبلاگ توسعه دهندگان گوگل، 10 نوامبر 2026.