Google AI Edge ਗੈਲਰੀ ਵਿੱਚ ਔਫਲਾਈਨ ਬੋਲੀ ਪਛਾਣ ਅਤੇ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ ਜੋੜਦਾ ਹੈ

ਗੂਗਲ ਨੇ 10 ਨਵੰਬਰ ਨੂੰ ਘੋਸ਼ਣਾ ਕੀਤੀ ਕਿ AI ਐਜ ਗੈਲਰੀ ਹੁਣ ਆਨ-ਡਿਵਾਈਸ ਆਟੋਮੈਟਿਕ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ (ASR) ਅਤੇ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ (TTS) ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ, ਜੋ ਕਿ ਛੋਟੇ ਆਨ-ਡਿਵਾਈਸ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਜਿਵੇਂ ਕਿ Gemini Nano ਅਤੇ Gemma 4 ਨਾਲ ਜੋੜੀ ਹੈ, ਇਸ ਲਈ ਫੋਨ ਬਿਨਾਂ ਕਿਸੇ ਨੈੱਟਵਰਕ ਕੁਨੈਕਸ਼ਨ ਦੇ ਸਪੀਚ ਲਾਈਵ ਅਤੇ ਬੋਲੇ ​​ਗਏ ਜਵਾਬਾਂ ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਣ ਕਰ ਸਕਦੇ ਹਨ। ਗੂਗਲ ਨੇ ਕਿਹਾ ਕਿ ਆਵਾਜ਼ ਅਕਸਰ ਫੋਨਾਂ ਅਤੇ ਪਹਿਨਣਯੋਗ ਚੀਜ਼ਾਂ 'ਤੇ AI ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਕੁਦਰਤੀ ਤਰੀਕਾ ਹੈ, ਅਤੇ ਸੰਖੇਪ ਭਾਸ਼ਣ ਮਾਡਲਾਂ ਵਿੱਚ ਤਰੱਕੀ ਹੁਣ ਡਿਵਾਈਸ 'ਤੇ ਸਟੀਕ ਬਹੁ-ਭਾਸ਼ਾਈ ASR ਅਤੇ ਭਾਵਪੂਰਤ TTS ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦੀ ਹੈ।

Android: ML ਕਿੱਟ 100+ ਭਾਸ਼ਾਵਾਂ ਨੂੰ ਕਵਰ ਕਰਦੀ ਹੈ ਅਤੇ ਲਗਭਗ 100 ms ਵਿੱਚ ਬੋਲਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦੀ ਹੈ

ਐਂਡਰੌਇਡ 'ਤੇ, ML ਕਿੱਟ ਦੇ ਨਵੀਨਤਮ ਆਨ-ਡਿਵਾਈਸ ਸਪੀਚ ਮਾਡਲ 100 ਤੋਂ ਵੱਧ ਭਾਸ਼ਾਵਾਂ ਨੂੰ 10 ਗੁਣਾ ਰੀਅਲ-ਟਾਈਮ ਸਪੀਡ 'ਤੇ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ FLEURS ਬੈਂਚਮਾਰਕ 'ਤੇ 8.0% ਤੋਂ 9.0% ਦੀ ਸ਼ਬਦ ਗਲਤੀ ਦਰ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ। ਇਸ ਦਾ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ ਮਾਡਲ, ਇੱਕ ਸੰਖੇਪ ਕੁਝ-ਪੜਾਅ ਦੇ ਪ੍ਰਸਾਰ ਮਾਡਲ ਦੁਆਰਾ ਸੰਚਾਲਿਤ, ਲਗਭਗ 100 ms ਵਿੱਚ ਬੋਲਣਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ ਅਤੇ 24 kHz ਆਡੀਓ ਨੂੰ 50 ਗੁਣਾ ਤੱਕ ਰੀਅਲ-ਟਾਈਮ ਸਪੀਡ 'ਤੇ ਸੰਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਅੱਠ ਭਾਵਪੂਰਣ ਆਵਾਜ਼ਾਂ ਅਤੇ 21 ਲੋਕੇਲਾਂ ਵਿੱਚ। ਦੋਵੇਂ ਮਾਡਲ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹਨ, ਇੱਕ ਐਪ ਦੇ ਏਪੀਕੇ ਵਿੱਚ 0 MB ਜੋੜਦੇ ਹਨ, ਅਤੇ ਜਿੱਥੇ ਉਪਲਬਧ ਹੋਵੇ ਉੱਥੇ NPU ਅਤੇ TPU ਬੈਕਐਂਡਾਂ 'ਤੇ ਹਾਰਡਵੇਅਰ ਪ੍ਰਵੇਗ ਤੋਂ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।

ਕਰਾਸ-ਪਲੇਟਫਾਰਮ: ਆਈਓਐਸ, ਵਿੰਡੋਜ਼ ਅਤੇ ਵੈੱਬ ਲਈ ਓਪਨ-ਵੇਟ ਮਾਡਲ

ਕਰਾਸ-ਪਲੇਟਫਾਰਮ ਐਪਸ ਲਈ, ਗੂਗਲ ਨੇ ਮੀਡੀਆਪਾਈਪ ਟਾਸਕ ਅਤੇ LiteRT ਦੁਆਰਾ ਨਵੇਂ .litertlm ਮਾਡਲ ਬੰਡਲ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਬੋਲਣ ਦੀ ਪਛਾਣ ਲਈ Parakeet-TDT 0.6B ਅਤੇ ਟੈਕਸਟ-ਟੂ-ਸਪੀਚ ਲਈ PocketTTS 100M, Kokoro-82M ਅਤੇ Phonon 31M ਸ਼ਾਮਲ ਹਨ, ਵਿੰਡੋਜ਼, iOS, ਲੀਨਕਸ, ਲੀਨਕਸ ਦੇ ਨਾਲ-ਨਾਲ ਵੈੱਬ ਮਾਡਲ, ਆਈਓਐਸ, ਮਾੱਡਲ ਭਾਸ਼ਾ 'ਤੇ ਚੱਲ ਰਹੇ ਹਨ। ਗਣਨਾ ਵਿਵਾਦ ਦੇ ਬਿਨਾਂ. ਹੱਗਿੰਗ ਫੇਸ ਲਾਈਟਆਰਟੀ ਕਮਿਊਨਿਟੀ ਓਪਨ-ਵੇਟ ਮਾਡਲ ਵੀ ਪੇਸ਼ ਕਰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਵਿਸਪਰ ਅਤੇ Qwen3-ASR।

ਸ਼ੋਅਕੇਸ: ਇੱਕ ਔਫਲਾਈਨ ਭਾਸ਼ਾ ਅਧਿਆਪਕ ਅਤੇ ਵੌਇਸ ਚੈਟ

ਗੂਗਲ ਦੋ ਉਪਯੋਗਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਿਹਾ ਹੈ: ਐਕਸਆਰ ਲੈਂਗੂਏਜ ਟੀਚਰ ਸ਼ੋਅਕੇਸ, ਜੋ ਕਿ ਇੱਕ ਫੋਨ 'ਤੇ 100% ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਇੱਕ ਸੜਕ ਦੇ ਚਿੰਨ੍ਹ ਜਾਂ ਮੀਨੂ 'ਤੇ ਕੈਮਰਾ ਪੁਆਇੰਟ ਕਰਨ ਦਿੰਦਾ ਹੈ, ਉੱਚੀ ਆਵਾਜ਼ ਵਿੱਚ ਇੱਕ ਸਵਾਲ ਪੁੱਛਦਾ ਹੈ ਅਤੇ ਸਥਾਨਕ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਮਾਣਿਕ ਉਚਾਰਣ ਦੇ ਨਾਲ ਉਹਨਾਂ ਦੀ ਆਪਣੀ ਭਾਸ਼ਾ ਵਿੱਚ ਵਿਆਖਿਆ ਸੁਣਦਾ ਹੈ; ਅਤੇ ਵੌਇਸ-ਸਮਰੱਥ AI ਚੈਟ, ਸਟ੍ਰੀਮਿੰਗ ਡਿਕਸ਼ਨ ਅਤੇ ਲਾਈਵ ਵਾਕ ਹਾਈਲਾਈਟਿੰਗ ਦੇ ਨਾਲ ਉੱਚੀ ਆਵਾਜ਼ ਵਿੱਚ ਪਲੇਬੈਕ ਦੇ ਨਾਲ। ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅੱਜ ਤੋਂ ਉਪਲਬਧ ਹਨ, ਐਂਡਰਾਇਡ ਅਤੇ ਆਈਓਐਸ 'ਤੇ ਏਆਈ ਐਜ ਗੈਲਰੀ ਐਪ ਅਤੇ ਸੰਦਰਭ ਲਾਗੂਕਰਨ ਓਪਨ-ਸੋਰਸਡ ਨਾਲ। ਸਰੋਤ: ਗੂਗਲ ਡਿਵੈਲਪਰ ਬਲੌਗ, 10 ਨਵੰਬਰ 2026।