„Google“ pristatė neprisijungus veikiančius balso atpažinimo ir TTS API
Trumpai: „Google“ išplėtė „AI Edge Gallery“ funkcijas, pridėdama balso atpažinimo (ASR) ir sintezės (TTS) galimybes įrenginiuose. Programuotojai dabar gali integruoti šiuos greitus, neprisijungus veikiančius modelius per „Android“ „ML Kit“ arba „MediaPipe Tasks“, kurie palaiko daugiau nei 100 kalbų ir užtikrina didelį energijos efektyvumą.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „Google Developers“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1„ML Kit“ dabar apima „GenAI“ balso atpažinimo ir TTS API, skirtus „Android“.
- 2„MediaPipe Tasks“ teikia paruoštus ASR ir TTS sprendimus žiniatinkliui, darbalaukiui ir mobiliesiems.
- 3Pridėti nauji lengvi modeliai („Parakeet-TDT“, „PocketTTS“, „Kokoro-82M“, „Phonon-31M“) kaip .litertlm paketai.
- 4Palaikomas dvikalbis balso perjungimas (code-switching) TTS sistemose be interneto ryšio.
| Parametras | Buvo | Dabar |
|---|---|---|
| ASR greitis | Nenurodyta | 10x realiuoju laiku |
| TTS laikas iki pirmo garso | Nenurodyta | ~100 ms |
| TTS sintezės greitis | Nenurodyta | Iki 50x realiuoju laiku |
Kodėl tai svarbu?
Šie įrankiai leidžia kurti balsu valdomas sąsajas, kurios visiškai veikia neprisijungus prie tinklo, pašalinant priklausomybę nuo interneto ir išlaikant mažesnį nei 100 ms atsakymo vėlavimą.
Ką tai reiškia AI agentams ir kontaktų centrams?
Tai didelė galimybė pereiti nuo nuo debesies priklausomų ASR/TTS sprendimų prie vietinių, aparatinės įrangos pagreitinamų sistemų balso agentams. Palyginkite šių vietinių modelių 8–9 % žodžių atpažinimo klaidų rodiklį (FLEURS) su dabartiniais debesies pagrindu veikiančiais sprendimais ir įvertinkite, ar vietinis vykdymas užtikrina pakankamą tikslumą, kartu eliminuojant API kaštus ir ryšio problemas jūsų klientams.
🧪 Verta testuoti
Galimybė vykdyti daugiakalbį ASR ir išraiškingą TTS lokaliai, nedidinant programėlių dydžio, yra svarbus žingsnis kuriant mobiliuosius balso dirbtinio intelekto agentus.
Šaltiniai
- Google DevelopersOficialusPirminis šaltinisOriginalus straipsnis →„On-Device Speech Recognition and Text-to-Speech in Google AI Edge Gallery“2026-11-10 02:00
- Šaltinio publikavimo data
- 2026-11-10 02:00
- Mūsų sistema rado
- 2026-11-10 19:24
- Santrauka sugeneruota
- 2026-11-10 21:26
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas