Google porta voce e ascolto sul telefono: in AI Edge Gallery ASR e TTS girano in locale
Il 10 novembre 2026 Google ha pubblicato sul Google Developers Blog, a firma dei team AI Edge e Android ML, l'annuncio di due nuovi componenti per Google AI Edge Gallery, la sua app open source per Android e iOS con cui si provano modelli di intelligenza artificiale senza connessione: il riconoscimento vocale (ASR) e la sintesi vocale (TTS) eseguiti direttamente sul dispositivo. L'idea, spiega l'azienda, è affiancarli a modelli linguistici di piccola taglia, citando come esempi Gemini Nano e Gemma 4, in modo che trascrizione in tempo reale, elaborazione e risposta parlata avvengano tutte in locale. Il post parte da una premessa semplice: «Voice is often the most natural way to interact with AI on phones and wearables». Quanto alla maturità, Google scrive che tutto è disponibile da subito e non applica etichette alpha, beta o GA. Sul repository GitHub dell'app, la funzione compare già nella release 1.0.21 del 28 ottobre, mentre la 1.0.23 del 4 novembre riporta correzioni di stabilità e miglioramenti di prestazioni per le parti vocali.
Le strade proposte agli sviluppatori sono due. Su Android si passa dalle API GenAI di ML Kit per riconoscimento e sintesi vocale, con i modelli gestiti da AICore; secondo Google sono integrati nel sistema operativo: «Both models are integrated into the OS, adding 0 MB to your APK». Fuori da Android, cioè su iOS, macOS, Windows, Linux e Web, l'indicazione è usare MediaPipe Tasks e LiteRT con modelli a pesi aperti in formato .litertlm: Parakeet-TDT-0.6B-v3 per l'ASR multilingue, PocketTTS 100M e Kokoro-82M per il TTS multilingue, Phonon 31M per il TTS in sola lingua inglese. Il task ASR di MediaPipe, sempre secondo Google, lavora in modalità streaming, batch o ibrida e integra il rilevamento dell'attività vocale. A mostrare il tutto ci sono due applicazioni dimostrative: XR Language Teacher, che combina fotocamera e voce per lo studio delle lingue con Gemini Nano su Android e Gemma 4 altrove, e le nuove funzioni vocali di AI Chat, con dettatura e lettura ad alta voce che evidenzia le frasi.
I numeri pubblicati sono ambiziosi e vanno letti per quello che sono, cioè dati dichiarati dal vendor. Per l'ASR Google indica un tasso di errore sulle parole tra l'8% e il 9% sul benchmark FLEURS, su più di cento lingue, e una velocità di circa dieci volte il tempo reale, con circa 300 millisecondi per tre secondi di parlato. Per il TTS di ML Kit parla di un avvio in circa 100 millisecondi, generazione fino a cinquanta volte più rapida del tempo reale, audio a 24 kHz, otto voci, 21 lingue o varianti locali, accelerazione su NPU e consumi attivi ridotti di oltre la metà rispetto al TTS autoregressivo. Cita anche una riduzione dal 35 al 44% dei tempi di attesa nella traduzione vocale. In nessuno dei due confronti il post dice quale sia il sistema di riferimento. Non elenca nemmeno dispositivi né condizioni di test e non risultano, al momento, verifiche indipendenti note. Restano inoltre alcune lacune: non si sa quali modelli usi ML Kit né quanto pesino, quali siano le 21 varianti del TTS e dunque se l'italiano sia tra queste, né su quali telefoni Android le API siano effettivamente disponibili, visto che dipendono da AICore e dalla presenza di una NPU. La licenza Apache-2.0 riguarda il repository dell'app; quelle dei singoli modelli a pesi aperti non sono specificate nel post. E fuori da Android, è bene ricordarlo, i modelli occupano spazio sul dispositivo.
Il punto interessante non è la velocità in sé, ma il fatto che l'intera catena, ascoltare, ragionare, rispondere a voce, possa restare dentro il telefono: niente audio spedito a un server, latenze più basse, funzionamento anche offline. È una promessa di privacy per architettura più che per policy, ed è il tipo di promessa che mi piace di più, perché, almeno dove i modelli sono a pesi aperti, si può controllare. Prima di applaudire, però, aspetterei due cose molto prosaiche: qualcuno che misuri quei millisecondi su telefoni comuni, e un elenco di lingue in cui compaia, magari, anche la nostra. — Olya
Come Olya ha verificato questa notizia
- Verificato
- Ho letto il post originale sul Google Developers Blog del 10 novembre 2026: autori, modelli, cifre, piattaforme, demo e disponibilità. Sul repository GitHub ufficiale google-ai-edge/gallery ho controllato README e note di rilascio: licenza Apache-2.0, ASR/TTS sul dispositivo dalla release 1.0.21 (28/10), correzioni audio nella 1.0.23 (4/11). Ho letto anche AlphaSignal (10/11), che riporta gli stessi fatti; i dettagli in più che nel post di Google non ci sono li ho esclusi. I nomi Parakeet, Kokoro, PocketTTS e Phonon non compaiono nel repository: per quei modelli l'unica fonte è il post di Google.
- Incertezze
- Tutte le cifre di prestazione (WER, latenza, velocità, consumi, riduzione del 35-44%) sono dichiarate da Google, senza dispositivi né condizioni di test e senza verifiche indipendenti. Non si sa quali modelli usi ML Kit né quanto pesino, né quali siano le 21 varianti del TTS: l'italiano potrebbe non esserci. Non è indicato su quali telefoni Android le API siano disponibili (dipende da AICore e dall'NPU). Le licenze dei modelli a pesi aperti non sono specificate; Apache-2.0 vale per il repository dell'app. Fuori da Android i modelli occupano spazio sul dispositivo.
- Perché pubblicarla
- Annuncio ufficiale, recente e concreto, verificabile su fonte primaria, su un tema che il sito ha trattato poco: l'IA vocale che gira tutta sul dispositivo, con effetti su privacy, uso offline e costi di sviluppo. Non si sovrappone ad articoli già usciti: Scribe v3 di ElevenLabs è trascrizione in cloud, il test di Singapore sugli smartphone riguarda le truffe.