米Googleは2026年11月、開発者向けのエッジAI検証アプリ「Google AI Edge Gallery」を大幅に機能拡張し、端末ローカル環境だけで完全に完結するオンデバイス自動音声認識(ASR)および音声合成(TTS)機能を正式に提供開始しました。インターネット非接続の完全オフライン環境であっても、自然な音声によるAI対話が可能になります。
新機能では、端末上で直接稼働する軽量モデル「Gemini Nano」やオープンモデル群「Gemma」と、新設計の音声認識・合成エンジンがシームレスに統合されています。ユーザーがマイクに向かって話した音声を極小の遅延でテキスト化して推論モデルに入力し、生成された回答をリアルタイムの単語ハイライト表示とともに、極めて自然な肉声で読み上げます。通信を一切行わないため、完全なデータプライバシーと通信圏外での安定稼働が保証されます。
今回のアップデートでは、音声機能の実用例としてマルチモーダルを活用した「XR語学教師」のデモンストレーションも実装されました。スマートフォンのカメラを周囲の看板や物体に向けると、視覚認識と言語理解が連動し、ユーザーが音声で投げかけた質問に対して多言語の解説を即座に音声で返します。文脈に応じて発音のアクセントが自動で切り替わるなど、海外渡航時や通信環境のない学習現場での活用を想定した完成度の高い実装となっています。
開発者向けには、Android向けの「ML Kit GenAI APIs」やシステム内蔵の「AICore」を活用した低容量パッケージに加え、軽量推論ランタイム「LiteRT(旧TensorFlow Lite)」および「MediaPipe」を通じたクロスプラットフォーム展開が用意されています。iOS、macOS、Windows、Linux、Webブラウザなど多様な環境において、通信コストや遅延のないセキュアなオンデバイス音声AIの組み込みが急速に広がりそうです(一次ソース:Google Open Source Blog 公式発表(英文))。
