谷歌 AI Edge Gallery 加入离线语音识别与语音合成　手机无网也能即时对话

谷歌 11 月 10 日宣布，在 AI Edge Gallery 加入端侧（on-device）自动语音识别（ASR）与语音合成（TTS）功能，搭配 Gemini Nano、Gemma 4 等端侧小型语言模型，手机无需联网即可即时转录语音、朗读回复。谷歌表示，语音往往是手机与穿戴装置上最自然的人机互动方式，而轻量语音模型的进步，已令准确的多语言语音识别与自然的语音合成可以在装置上完整离线运行。

Android：ML Kit 支援 100 多种语言　开口仅约 100 毫秒

Android 方面，ML Kit 的新一代端侧语音模型支援 100 多种语言转录，速度为即时语音的 10 倍，在 FLEURS 测试中字错率为 8.0% 至 9.0%。语音合成采用少步骤扩散模型，约 100 毫秒即可开口，以 24 kHz 音质、最高 50 倍即时速度合成语音，提供 8 种声音、21 个地区。两个模型均整合于作业系统内，不增加应用程式安装包大小，开发者亦无需自行管理模型下载，并可透过 NPU、TPU 硬件加速。

跨平台：开源权重模型　iOS、Windows、网页都能用

跨平台方面，谷歌透过 MediaPipe Tasks 与 LiteRT 推出新的 .litertlm 模型包，包括 Parakeet-TDT 0.6B（语音识别）、PocketTTS 100M、Kokoro-82M 与 Phonon 31M（语音合成），支援 iOS、macOS、Windows、Linux 与网页，可与端侧小模型并行运行而不抢占算力。Hugging Face LiteRT 社群另提供 Whisper、Qwen3-ASR 等开源模型供开发者选用。

展示应用：离线语言教师与语音聊天

谷歌同时展示两个应用场景：XR Language Teacher 可在完全离线下，用相机辨识街景招牌或菜单、即时语音提问，并以使用者母语解说、以外语朗读正确发音；AI Chat 则加入语音输入与朗读播放，支援逐句同步高亮。相关功能即日起可供体验，AI Edge Gallery 应用已上架 Android 与 iOS，参考程式码亦已开源。来源：Google Developers Blog，2026 年 11 月 10 日。