Google AI Edge Gallery में अब Offline Speech: बिना Internet के बोली पहचान और आवाज, जानिए कैसे काम करेगा

Google ने 10 नवंबर 2026 को Google AI Edge Gallery में ऑन-डिवाइस, ऑफलाइन Automatic Speech Recognition (ASR) और Text-to-Speech (TTS) जोड़ने की घोषणा की है। अब बोली को टेक्स्ट में बदलना और टेक्स्ट को बोली में बदलना, बिना Internet के फोन के अंदर ही हो सकेगा। इन्हें Gemini Nano और Gemma 4 जैसे ऑन-डिवाइस छोटे भाषा मॉडल के साथ जोड़ा गया है, ताकि ऐप बोलते समय लाइव ट्रांसक्रिप्शन दिखा सकें और बोले गए जवाब फोन पर ही तैयार कर सकें।

ऑफलाइन ऑन-डिवाइस स्पीच क्या है

ASR बोली को टेक्स्ट में, और TTS टेक्स्ट को बोली में बदलता है। अब तक ज्यादातर वॉइस फीचर में आवाज पहले किसी सर्वर तक जाती थी, वहां समझी जाती थी। इसमें Internet जरूरी था, देरी होती थी, और आवाज फोन से बाहर जाती थी। ऑन-डिवाइस स्पीच में यह प्रक्रिया फोन के प्रोसेसर पर होती है, इसलिए बिना Internet के भी काम चलता है और आवाज सर्वर तक नहीं जाती। मेरे हिसाब से यही सबसे बड़ी बात है: AI अब सिर्फ क्लाउड की चीज नहीं रही।

Google AI Edge Gallery में क्या नया आया है

Google ने AI Edge Gallery में ASR और TTS, दोनों को जोड़ा है। पहला उदाहरण XR Language Teacher है। इसमें आप कैमरा किसी अजनबी चीज या मेनू की तरफ करते हैं, आवाज में सवाल पूछते हैं, और जवाब अपनी भाषा में सुनते हैं, साथ में वहां की भाषा में सही उच्चारण भी सुनते हैं। Google के अनुसार, Android पर यह काम Gemini Nano के साथ और बाकी जगहों पर Gemma 4 के साथ, बिना नेटवर्क के चलता है। दूसरा उदाहरण AI Chat में वॉइस सुविधा है। Model Management में ASR और TTS पाइपलाइन, आवाजें और भाषा पैक चुने जा सकते हैं। Auto-play TTS चालू करने पर एक तैरती TTS पट्टी बोले जा रहे वाक्य को लाइव हाइलाइट करती है।

Android के लिए ML Kit रास्ता: Google के अपने आंकड़े

Android डेवलपर के लिए Google ने ML Kit की GenAI Speech Recognition और Text-to-Speech API दी हैं। इनके मॉडल AICore और Google की ऑन-डिवाइस स्पीच सेवाओं से संभाले जाते हैं। Google का कहना है कि ये मॉडल ऑपरेटिंग सिस्टम में ही जुड़े हैं, इसलिए APK में 0 MB जुड़ता है, और NPU तथा TPU से तेज़ी का फायदा भी मिलता है। ये सभी आंकड़े Google के अपने दावे हैं, इनकी कोई स्वतंत्र जांच सामने नहीं आई है। ASR 100 से ज्यादा भाषाओं में ट्रांसक्रिप्शन देता है, बोलने की असली गति से 10 गुना तेज चलता है, और FLEURS पर इसकी Word Error Rate 8.0 प्रतिशत से 9.0 प्रतिशत के बीच रहती है। 3 सेकंड की बोली को समझने में करीब 300 मिलीसेकंड लगते हैं। TTS एक छोटा, कुछ चरणों वाला diffusion मॉडल है, जो करीब 100 मिलीसेकंड में बोलना शुरू कर देता है, 24 kHz की आवाज 50 गुना तक असली गति से बनाता है, और 8 भाव वाली आवाजों तथा 21 भाषाई क्षेत्रों में काम करता है।

MediaPipe Tasks से क्रॉस-प्लेटफॉर्म रास्ता

जो ऐप सिर्फ Android तक सीमित नहीं हैं, उनके लिए MediaPipe Tasks और LiteRT का रास्ता है। MediaPipe Tasks, iOS, macOS, Windows, Linux और Web पर ASR और TTS की तैयार API देता है। Speech Recognition Task में लाइव स्ट्रीमिंग, पूरे वाक्य का batch और hybrid, तीन तरीके मिलते हैं। Hybrid में शब्द लाइव दिखते हैं, और बोलना खत्म होने पर पूरा वाक्य सुधारा जाता है। TTS Task में आवाज चुनने और कम देरी वाली स्ट्रीमिंग आवाज है। चार ओपन वेट मॉडल दिए गए हैं: ASR के लिए Parakeet-TDT 0.6B, कई भाषाओं वाली TTS के लिए PocketTTS 100M और Kokoro-82M, तथा सिर्फ अंग्रेजी के लिए हल्का Phonon 31M, जो ज्यादातर उपकरणों पर 100 मिलीसेकंड से कम में पहली आवाज देता है। इन सबके पीछे LiteRT है, जिसे Google अपना ऑन-डिवाइस AI inference ढांचा बताता है। हर मॉडल के जरूरी हिस्से एक ही .litertlm फाइल में बंधे होते हैं।

इसे आजमाने और इस्तेमाल करने का तरीका

आम यूजर Google AI Edge Gallery ऐप का नया संस्करण Android और iOS पर डाउनलोड करके XR Language Teacher और वॉइस वाली AI Chat को आजमाएं। Google का कहना है कि ये सुविधाएं आज से उपलब्ध हैं। ऐप के Model Management में ASR और TTS पाइपलाइन, आवाजें और भाषा पैक चुने जा सकते हैं। AI Chat में Auto-play TTS चालू करें, या किसी जवाब पर स्पीकर बटन दबाएं। डेवलपर Android के लिए ML Kit के दस्तावेज देखें, और क्रॉस-प्लेटफॉर्म ऐप के लिए MediaPipe Tasks देखें। तैयार .litertlm बंडल Hugging Face LiteRT Community से मिलते हैं। सिर्फ वही कदम लिखे हैं जो Google की आधिकारिक पोस्ट में बताए गए हैं।

क्लाउड स्पीच सेवाओं से तुलना और सीमाएं

क्लाउड स्पीच से तुलना करें, तो ऑन-डिवाइस स्पीच के तीन बड़े फायदे हैं। पहला, निजता: आवाज फोन से बाहर नहीं जाती। दूसरा, गति: नेटवर्क तक जाने और वापस आने का चक्कर नहीं है। तीसरा, ऑफलाइन काम: खराब नेटवर्क में भी वॉइस फीचर चलते हैं। लेकिन सीमाएं भी हैं। फोन के मॉडल छोटे होते हैं, इसलिए बहुत जटिल या शोर वाली आवाज में बड़े क्लाउड मॉडल से नतीजे अलग हो सकते हैं। यह मेरी राय है, कोई मापा गया नतीजा नहीं। 0 MB APK का दावा सिर्फ Android वाले ML Kit रास्ते पर लागू होता है। दूसरी जगहों पर मॉडल बंडल साथ में देना पड़ता है, और नमूने वाले मॉडल 31M से 600M पैरामीटर तक के हैं।

आम यूजर के लिए इसका मतलब क्या है

यह खबर सिर्फ डेवलपर के लिए नहीं है, इसका असर आम यूजर पर भी पड़ेगा। आपके फोन के ऐप बिना Internet के भी आपकी बात सुन सकेंगे, उसे लिख सकेंगे और जवाब सुना सकेंगे। भाषा सीखने वाले यात्रा में किसी बोर्ड को देखकर सवाल पूछ सकेंगे और जवाब सुन सकेंगे। मेरे हिसाब से सबसे बड़ा बदलाव यह है कि AI अब हमेशा ऑनलाइन रहने की शर्त से आजाद हो रहा है। 100 से ज्यादा भाषाओं वाली ASR का मतलब है कि यह सुविधा सिर्फ अंग्रेजी तक सीमित नहीं रहेगी। यह सब एक दिन में नहीं होगा, पर दिशा साफ है: फोन अब सिर्फ AI से जुड़ने का जरिया नहीं है, वह खुद AI चलाने वाला उपकरण बन रहा है।

अक्सर पूछे जाने वाले सवाल

Google AI Edge Gallery में ऑफलाइन स्पीच क्या है

AI Edge Gallery की ऑन-डिवाइस ASR और TTS सुविधा, जिससे बोली और आवाज का काम फोन पर ही, बिना Internet के होता है।

क्या यह बिना Internet के सच में काम करता है

हां, दोनों मॉडल पूरी तरह फोन पर चलते हैं, इसलिए बिना Internet के भी काम करते हैं।

ML Kit और MediaPipe Tasks में क्या फर्क है

ML Kit Android के लिए है, जबकि MediaPipe Tasks iOS, macOS, Windows, Linux और Web के लिए है।

क्या इससे APK का आकार बढ़ेगा

Android पर नहीं, क्योंकि मॉडल ऑपरेटिंग सिस्टम में जुड़े हैं और APK में 0 MB जोड़ते हैं।

इसमें कौन से मॉडल इस्तेमाल होते हैं

Parakeet-TDT 0.6B ASR के लिए, और PocketTTS 100M, Kokoro-82M तथा Phonon 31M TTS के लिए हैं।

आम यूजर इसे कैसे आजमा सकता है

AI Edge Gallery ऐप का नया संस्करण Android या iOS पर डाउनलोड करें।