Google AI एज गैलरी में ऑफ़लाइन वाक् पहचान और टेक्स्ट-टू-स्पीच जोड़ता है

Google ने 10 नवंबर को घोषणा की कि एआई एज गैलरी अब ऑन-डिवाइस ऑटोमैटिक स्पीच रिकग्निशन (एएसआर) और टेक्स्ट-टू-स्पीच (टीटीएस) का समर्थन करती है, जिसे जेमिनी नैनो और जेम्मा 4 जैसे छोटे ऑन-डिवाइस भाषा मॉडल के साथ जोड़ा गया है, ताकि फोन भाषण को लाइव ट्रांसक्राइब कर सकें और बिना किसी नेटवर्क कनेक्शन के बोले गए उत्तरों को संश्लेषित कर सकें। गूगल ने कहा कि आवाज अक्सर फोन और पहनने योग्य उपकरणों पर एआई के साथ बातचीत करने का सबसे स्वाभाविक तरीका है, और कॉम्पैक्ट स्पीच मॉडल में प्रगति अब सटीक बहुभाषी एएसआर और अभिव्यंजक टीटीएस को पूरी तरह से डिवाइस पर संभव बनाती है।

एंड्रॉइड: एमएल किट 100+ भाषाओं को कवर करता है और लगभग 100 एमएस में बोलना शुरू कर देता है

एंड्रॉइड पर, एमएल किट के नवीनतम ऑन-डिवाइस स्पीच मॉडल 100 से अधिक भाषाओं को 10 गुना वास्तविक समय की गति पर ट्रांसक्राइब करते हैं, जो FLEURS बेंचमार्क पर 8.0% से 9.0% की शब्द त्रुटि दर तक पहुंच जाता है। इसका टेक्स्ट-टू-स्पीच मॉडल, एक कॉम्पैक्ट कुछ-चरण प्रसार मॉडल द्वारा संचालित, लगभग 100 एमएस में बोलना शुरू करता है और आठ अभिव्यंजक आवाजों और 21 स्थानों पर 50 गुना वास्तविक समय की गति पर 24 kHz ऑडियो को संश्लेषित करता है। दोनों मॉडलों को ऑपरेटिंग सिस्टम में एकीकृत किया गया है, ऐप के एपीके में 0 एमबी जोड़ा गया है, और जहां उपलब्ध हो वहां एनपीयू और टीपीयू बैकएंड पर हार्डवेयर त्वरण से लाभ मिलता है।

क्रॉस-प्लेटफ़ॉर्म: iOS, विंडोज़ और वेब के लिए ओपन-वेट मॉडल

क्रॉस-प्लेटफ़ॉर्म ऐप्स के लिए, Google ने MediaPipe Tasks और LiteRT के माध्यम से नए .litertlm मॉडल बंडलों को अनुकूलित किया है, जिसमें स्पीच रिकग्निशन के लिए Parakeet-TDT 0.6B और टेक्स्ट-टू-स्पीच के लिए PocketTTS 100M, Kokoro-82M और Phoneon 31M शामिल हैं, जो iOS, macOS, Windows, Linux और वेब के साथ-साथ ऑन-डिवाइस छोटे भाषा मॉडल पर बिना किसी कंप्यूट विवाद के चल रहे हैं। हगिंग फेस लाइटआरटी समुदाय व्हिस्पर और क्वेन3-एएसआर जैसे ओपन-वेट मॉडल भी पेश करता है।

शोकेस: एक ऑफ़लाइन भाषा शिक्षक और वॉयस चैट

Google दो उपयोगों का प्रदर्शन कर रहा है: एक्सआर भाषा शिक्षक शोकेस, जो फोन पर 100% स्थानीय रूप से काम करता है, उपयोगकर्ताओं को सड़क के संकेत या मेनू पर एक कैमरा इंगित करने, एक प्रश्न पूछने और स्थानीय भाषा में प्रामाणिक उच्चारण के साथ अपनी भाषा में स्पष्टीकरण सुनने की सुविधा देता है; और आवाज-सक्षम एआई चैट, स्ट्रीमिंग डिक्टेशन और लाइव वाक्य हाइलाइटिंग के साथ जोर से पढ़ने के प्लेबैक के साथ। ये सुविधाएं आज से एंड्रॉइड और आईओएस पर एआई एज गैलरी ऐप और संदर्भ कार्यान्वयन ओपन-सोर्स के साथ उपलब्ध हैं। स्रोत: Google डेवलपर्स ब्लॉग, 10 नवंबर 2026।