Google presentó el reconocimiento automático de voz (ASR) y la conversión de texto a voz (TTS) en el dispositivo en Google AI Edge Gallery el 10 de noviembre, para que teléfonos y wearables entiendan el lenguaje hablado y respondan hablando, todo sin conexión. Los modelos ligeros de voz se combinan con modelos de lenguaje pequeños en el dispositivo como Gemini Nano y Gemma 4, así las apps pueden transmitir transcripciones en directo mientras hablas y sintetizar respuestas habladas naturales en local, sin conexión a la red tras la descarga inicial del modelo.
En Android, las nuevas funciones llegan a través de las API de reconocimiento de voz GenAI y de texto a voz de ML Kit. Google dice que sus modelos de voz del sistema transcriben en más de 100 idiomas a una velocidad 10 veces superior al tiempo real, con una tasa de error de palabras del 8,0 % al 9,0 % en el benchmark FLEURS, mientras que el modelo TTS de difusión de pocos pasos empieza a hablar en unos 100 milisegundos y sintetiza audio de 24 kHz hasta 50 veces más rápido que el tiempo real. Ambos modelos están integrados en el sistema operativo, así que Google dice que añaden 0 MB al tamaño del APK de una app; esa afirmación solo vale para la ruta de Android. Son cifras propias de Google, no medidas de forma independiente.
Para apps multiplataforma, Google optimizó nuevos paquetes de voz de pesos abiertos para MediaPipe Tasks y LiteRT —Parakeet-TDT 0.6B para reconocimiento, y PocketTTS 100M, Kokoro-82M y Phonon 31M para generación de voz—, cada uno en un solo paquete .litertlm que funciona en iOS, macOS, Windows, Linux y la web, además de Android.
Google está demostrando la canalización de voz local con dos ejemplos dentro de AI Edge Gallery: un Profesor de idiomas XR que combina visión por cámara, voz y un modelo en el dispositivo para tutoría de voz multimodal sin conexión alguna, y AI Chat con voz, que da una interfaz hablada a la función principal de chat de la app. La última app de AI Edge Gallery está disponible en Android e iOS.