The Pulse
Google aggiunge l’input vocale e la riproduzione offline ad AI Edge Gallery
Google AI Edge Gallery ha aggiunto il riconoscimento vocale e la sintesi vocale sul dispositivo alle sue funzionalità AI Chat e di insegnamento delle lingue. L’azienda ha inoltre illustrato gli strumenti Android e multipiattaforma per gli sviluppatori che realizzano applicazioni vocali locali.

Google ha aggiunto il riconoscimento vocale e la sintesi vocale offline ad AI Edge Gallery, offrendo agli utenti la possibilità di dettare domande e ascoltare le risposte dei modelli eseguiti sul dispositivo. L’annuncio del 10 novembre sul Google Developers Blog ha inoltre presentato una dimostrazione per l’insegnamento delle lingue che combina la fotocamera di un telefono con domande e risposte vocali.
Le funzionalità sono disponibili nella versione più recente dell’app AI Edge Gallery per Android e iOS. L’app abbina modelli vocali a piccoli modelli linguistici come Gemini Nano e Gemma 4: l’elaborazione avviene localmente, senza richiedere una connessione di rete.
Controlli vocali nella chat
In AI Chat, gli utenti possono dettare un messaggio e toccare il pulsante dell’altoparlante su una risposta per ascoltarla letta ad alta voce, oppure attivare la riproduzione automatica. Una barra di riproduzione flottante evidenzia la frase pronunciata e permette agli utenti di passare a un’altra frase toccandola.
Model Management offre controlli per scegliere le pipeline disponibili per il riconoscimento vocale e la sintesi vocale, le voci preimpostate e i pacchetti linguistici scaricati. Il codice di riferimento open source dell’app mostra anche come rimuovere la sintassi Markdown dalle risposte vocali e saltare contenuti come frammenti di codice e tabelle. Mostra inoltre come programmare la sintesi vocale frase per frase, per evitare che contenda risorse di calcolo e memoria al modello linguistico mentre questo genera token.
Un insegnante di lingue basato sulla fotocamera
Una dimostrazione separata, chiamata XR Language Teacher, combina la fotocamera, il modello linguistico e la pipeline vocale. Un utente può puntare la fotocamera verso un oggetto, un menu o un cartello e porre una domanda ad alta voce. Il riconoscimento vocale trasmette in streaming la domanda insieme all’immagine della fotocamera a Gemini Nano sui dispositivi Android o a Gemma 4 sulle altre piattaforme.
Lo schema di output contrassegna separatamente le espressioni in lingua straniera, consentendo alla pipeline vocale di cambiare voce e accento mentre viene visualizzata una scheda di vocabolario. La dimostrazione può anche essere adattata a occhiali intelligenti utilizzabili a mani libere, con l’inferenza eseguita localmente su un telefono associato.
Modelli vocali per Android
Per gli sviluppatori Android, Google offre API di riconoscimento vocale e sintesi vocale tramite ML Kit. L’API di riconoscimento accetta audio dal microfono di un dispositivo o da flussi esterni, inclusi gli occhiali intelligenti, e restituisce trascrizioni parziali e finali mentre una persona parla.
Google afferma che i suoi modelli di riconoscimento supportano più di 100 lingue e hanno raggiunto un tasso di errore sulle parole dall’8,0% al 9,0% su FLEURS. L’azienda riferisce che la trascrizione avviene a una velocità 10 volte superiore a quella dell’audio trascritto, ovvero in circa 300 millisecondi per tre secondi di parlato.
Per la generazione vocale, l’azienda afferma che il suo modello inizia a parlare in circa 100 millisecondi e produce audio a 24 kHz con otto voci per 21 impostazioni locali, a una velocità fino a 50 volte superiore al tempo reale. Google afferma che i modelli sono integrati nel sistema operativo e aggiungono 0 MB all’APK di un’applicazione.
Strumenti per altre piattaforme
Per le applicazioni multipiattaforma, MediaPipe Tasks fornisce API di riconoscimento e sintesi vocale per iOS, macOS, Windows, Linux e il web. La sua funzionalità di riconoscimento vocale supporta la trascrizione in streaming, in batch di frasi complete e in modalità ibrida; quest’ultima trasmette le parole in streaming mentre vengono pronunciate e perfeziona la frase al termine del parlato.
La funzionalità di sintesi vocale include la selezione della voce e l’output audio in streaming. L’app viene distribuita con modelli pacchettizzati per LiteRT, tra cui Parakeet-TDT-0.6B-v3 per il riconoscimento multilingue e PocketTTS 100M, Kokoro-82M e Phonon 31M per la sintesi vocale. I componenti di ciascun modello sono racchiusi in un unico file .litertlm e gli sviluppatori che necessitano di un maggiore controllo sull’elaborazione o di architetture di modelli personalizzate possono sviluppare direttamente su LiteRT.
Fonte
Aziende in questa notizia
Notizie correlate
- Tether presenta BotPsy, un modello agentico da 0,8 miliardi di parametri eseguibile sul dispositivo
- Google rilascia Gemini Decisions API per decisioni multimodali
- Google avvia la distribuzione di Gemini su Apple CarPlay
- Google apre i preordini per gli occhiali con Gemini, a partire da 395 dollari
- Google porta Gemini 4 Hydrogen agli utenti di Search in tutto il mondo