Google wprowadza API do rozpoznawania mowy i TTS działające offline na urządzeniach
W skrócie: Google rozszerzyło swoją bibliotekę AI Edge o nowe możliwości rozpoznawania (ASR) i syntezy mowy (TTS) działające bezpośrednio na urządzeniu, bez konieczności połączenia z internetem. Deweloperzy mogą teraz integrować te wydajne modele za pomocą ML Kit dla Androida lub wieloplatformowego MediaPipe, wspierając ponad 100 języków przy wysokiej efektywności energetycznej.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „Google Developers”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1ML Kit zawiera teraz interfejsy API GenAI do rozpoznawania mowy i TTS dla systemu Android.
- 2MediaPipe Tasks oferuje gotowe wsparcie dla ASR i TTS na platformy webowe, desktopowe i mobilne.
- 3Dodano nowe lekkie modele (Parakeet-TDT, PocketTTS, Kokoro-82M, Phonon-31M) jako pakiety .litertlm.
- 4Obsługa dwujęzycznego przełączania języka (code-switching) w TTS w trybie offline.
| Parametr | Było | Jest |
|---|---|---|
| Szybkość ASR | Nie określono | 10x czasu rzeczywistego |
| Czas do pierwszego dźwięku TTS | Nie określono | ~100 ms |
| Szybkość syntezy TTS | Nie określono | Do 50x czasu rzeczywistego |
Dlaczego to ważne?
Narzędzia te umożliwiają tworzenie interfejsów sterowanych głosem, które działają w 100% offline, eliminując zależność od sieci przy zachowaniu opóźnień odpowiedzi poniżej 100 ms.
Co to oznacza dla agentów AI i contact center?
To doskonała okazja do przejścia z rozwiązań ASR/TTS opartych na chmurze na lokalne, akcelerowane sprzętowo potoki dla agentów głosowych. Porównaj wskaźnik błędów (Word Error Rate) na poziomie 8-9% (FLEURS) tych modeli z obecnymi rozwiązaniami chmurowymi, aby sprawdzić, czy lokalne przetwarzanie zapewnia wystarczającą dokładność, eliminując koszty API i ryzyka związane z łącznością dla Twoich klientów.
🧪 Warte przetestowania
Zdolność do uruchamiania wielojęzycznego ASR i ekspresyjnego TTS lokalnie, bez obciążania rozmiaru aplikacji, stanowi istotny postęp w tworzeniu mobilnych agentów głosowych AI.
Źródła
- Google DevelopersOficjalneŹródło pierwotneOryginalny artykuł →„On-Device Speech Recognition and Text-to-Speech in Google AI Edge Gallery“10 lis 2026, 02:00
- Data publikacji źródła
- 10 lis 2026, 02:00
- Znalezione przez nasz system
- 10 lis 2026, 19:24
- Podsumowanie wygenerowano
- 10 lis 2026, 21:26
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność