開発・消費者向け
Google AI Edge Galleryに端末内音声認識と音声合成を追加
原題: On-Device Speech Recognition and Text-to-Speech in Google AI Edge Gallery
offlineの音声入力と読み上げを提供
Googleは2026年11月10日、Google AI Edge Galleryへ端末内の音声認識と音声合成を追加しました。
AI Chatでは音声入力、回答の読み上げ、発話中の文章highlightをofflineで利用できます。
XR Language Teacherはcamera映像と音声質問を端末内modelへ渡し、二言語の回答と発音を返します。
Android向けML Kit GenAI Speech Recognition APIは100以上の言語に対応します。
ML Kit GenAI Text-to-Speech APIは8 voiceと21 localeの24kHz音声を端末内で生成します。
これらのmodelはOS側で管理され、appのAPK sizeを増やさないとGoogleは説明しています。
MediaPipe TasksはiOS、macOS、Windows、Linux、Web向けに共通のASRとTTS APIを提供します。
Parakeet-TDT 0.6B、PocketTTS 100M、Kokoro-82M、Phonon 31MのLiteRT bundleを利用できます。
Google AI Edge Galleryの最新版はAndroidとiOSで提供され、実装codeもGitHubで公開されています。
認識率、速度、消費電力の数値はGoogleの測定で、独立評価ではありません。
開発者はML Kit、MediaPipe Tasks、LiteRTを使って同じ音声pipelineをappへ組み込めます。