Google adiciona reconhecimento de fala offline e conversão de texto em fala à AI Edge Gallery

O Google anunciou em 10 de novembro que o AI Edge Gallery agora suporta reconhecimento automático de fala (ASR) e conversão de texto em fala (TTS) no dispositivo, emparelhado com pequenos modelos de linguagem no dispositivo, como Gemini Nano e Gemma 4, para que os telefones possam transcrever a fala ao vivo e sintetizar respostas faladas sem qualquer conexão de rede. O Google disse que a voz costuma ser a maneira mais natural de interagir com IA em telefones e wearables, e os avanços em modelos de fala compactos agora tornam possível o ASR multilíngue preciso e o TTS expressivo inteiramente no dispositivo.

Android: o kit de ML cobre mais de 100 idiomas e começa a falar em cerca de 100 ms

No Android, os modelos de fala no dispositivo mais recentes do ML Kit transcrevem mais de 100 idiomas a uma velocidade 10 vezes maior em tempo real, atingindo uma taxa de erro de palavras de 8,0% a 9,0% no benchmark FLEURS. Seu modelo de conversão de texto em fala, alimentado por um modelo compacto de difusão de algumas etapas, começa a falar em cerca de 100 ms e sintetiza áudio de 24 kHz a até 50 vezes a velocidade em tempo real, em oito vozes expressivas e 21 localidades. Ambos os modelos são integrados ao sistema operacional, adicionando 0 MB ao APK de um aplicativo e se beneficiam da aceleração de hardware em back-ends NPU e TPU, quando disponíveis.

Plataforma cruzada: modelos abertos para iOS, Windows e web

Para aplicativos de plataforma cruzada, o Google otimizou novos pacotes de modelos .litertlm por meio de MediaPipe Tasks e LiteRT, incluindo Parakeet-TDT 0.6B para reconhecimento de fala e PocketTTS 100M, Kokoro-82M e Phonon 31M para conversão de texto em fala, rodando em iOS, macOS, Windows, Linux e na web junto com modelos de linguagem pequena no dispositivo sem contenção de computação. A comunidade Hugging Face LiteRT também oferece modelos abertos, como Whisper e Qwen3-ASR.

Vitrines: um professor de idiomas offline e bate-papo por voz

O Google está demonstrando dois usos: o showcase XR Language Teacher, que funciona 100% localmente em um telefone, permitindo que os usuários apontem uma câmera para uma placa de rua ou menu, façam uma pergunta em voz alta e ouçam uma explicação em seu próprio idioma com pronúncia autêntica no idioma local; e AI Chat habilitado para voz, com ditado de streaming e reprodução de leitura em voz alta com destaque de frases ao vivo. Os recursos estão disponíveis a partir de hoje, com o aplicativo AI Edge Gallery no Android e iOS e a implementação de referência de código aberto. Fonte: Blog do Google Developers, 10 de novembro de 2026.