Google এআই এজ গ্যালারিতে অফলাইন স্পিচ রিকগনিশন এবং টেক্সট-টু-স্পীচ যোগ করে

Google 10 নভেম্বর ঘোষণা করেছে যে AI এজ গ্যালারি এখন অন-ডিভাইস অটোমেটিক স্পিচ রিকগনিশন (ASR) এবং টেক্সট-টু-স্পীচ (TTS) সমর্থন করে, ছোট অন-ডিভাইস ল্যাঙ্গুয়েজ মডেল যেমন জেমিনি ন্যানো এবং জেমা 4 এর সাথে যুক্ত, যাতে ফোনগুলি কোনও নেটওয়ার্ক ছাড়াই স্পিচ লাইভ ট্রান্সক্রাইব করতে পারে এবং কথ্য উত্তর সংশ্লেষণ করতে পারে। গুগল বলেছে যে ভয়েস প্রায়শই ফোন এবং পরিধানযোগ্য জিনিসগুলিতে AI এর সাথে যোগাযোগ করার সবচেয়ে স্বাভাবিক উপায় এবং কমপ্যাক্ট স্পিচ মডেলগুলির অগ্রগতি এখন ডিভাইসে সঠিক বহুভাষিক ASR এবং অভিব্যক্তিপূর্ণ TTS সম্ভব করে তোলে।

Android: ML Kit 100+ ভাষা কভার করে এবং প্রায় 100 ms এ কথা বলা শুরু করে

Android-এ, ML Kit-এর সাম্প্রতিক অন-ডিভাইস স্পিচ মডেলগুলি 100 টিরও বেশি ভাষাকে 10 গুণ রিয়েল-টাইম গতিতে প্রতিলিপি করে, FLEURS বেঞ্চমার্কে 8.0% থেকে 9.0% পর্যন্ত শব্দ ত্রুটির হারে পৌঁছেছে৷ এর টেক্সট-টু-স্পীচ মডেল, একটি কমপ্যাক্ট কয়েক-পদক্ষেপ ডিফিউশন মডেল দ্বারা চালিত, প্রায় 100 ms-এ কথা বলা শুরু করে এবং 50 গুণ পর্যন্ত রিয়েল-টাইম গতিতে 24 kHz অডিও সংশ্লেষ করে, আটটি অভিব্যক্তিপূর্ণ ভয়েস এবং 21টি লোকেল জুড়ে। উভয় মডেলই অপারেটিং সিস্টেমে একত্রিত, একটি অ্যাপের APK-এ 0 MB যোগ করে এবং NPU এবং TPU ব্যাকএন্ড যেখানে উপলব্ধ সেখানে হার্ডওয়্যার ত্বরণ থেকে উপকৃত হয়।

ক্রস-প্ল্যাটফর্ম: iOS, Windows এবং ওয়েবের জন্য ওপেন-ওয়েট মডেল

ক্রস-প্ল্যাটফর্ম অ্যাপের জন্য, Google MediaPipe টাস্ক এবং LiteRT-এর মাধ্যমে নতুন .litertlm মডেলের বান্ডেলগুলিকে অপ্টিমাইজ করেছে, যার মধ্যে রয়েছে Parakeet-TDT 0.6B স্পিচ রিকগনিশনের জন্য এবং PocketTTS 100M, Kokoro-82M এবং Phonon 31M টেক্সট-টু-স্পীচের জন্য, লিনাক্স-এর পাশাপাশি লিনাক্স, iOS-এর পাশাপাশি ওয়েবে ছোট মডেলের ল্যাঙ্গুয়েজ-এ চলমান। গণনা বিতর্ক ছাড়াই। Hugging Face LiteRT সম্প্রদায় ওপেন-ওয়েট মডেল যেমন Whisper এবং Qwen3-ASR অফার করে।

শোকেস: একটি অফলাইন ভাষা শিক্ষক এবং ভয়েস চ্যাট

গুগল দুটি ব্যবহার প্রদর্শন করছে: এক্সআর ল্যাঙ্গুয়েজ টিচার শোকেস, যা একটি ফোনে স্থানীয়ভাবে 100% কাজ করে, ব্যবহারকারীদের একটি রাস্তার চিহ্ন বা মেনুতে একটি ক্যামেরা নির্দেশ করতে দেয়, জোরে জোরে একটি প্রশ্ন জিজ্ঞাসা করে এবং স্থানীয় ভাষায় খাঁটি উচ্চারণ সহ তাদের নিজস্ব ভাষায় একটি ব্যাখ্যা শুনতে দেয়; এবং ভয়েস-সক্ষম AI চ্যাট, স্ট্রিমিং ডিক্টেশন সহ এবং লাইভ বাক্য হাইলাইটিং সহ রিড-অলাউড প্লেব্যাক। বৈশিষ্ট্যগুলি আজ থেকে উপলব্ধ, Android এবং iOS-এ এআই এজ গ্যালারি অ্যাপ এবং রেফারেন্স বাস্তবায়ন ওপেন-সোর্স। সূত্র: গুগল ডেভেলপারস ব্লগ, 10 নভেম্বর 2026।