Google最新的语音识别技术，能直接在设备上放置机器学习模型，让语音转文本识别功能脱机作业，以解决网络限制造成的服务延迟，而且该语音识别模型还能依照用户语音，逐字输入字符，就像是用键盘输入文本的情况一样。
从2014年开始，语音转录文本多使用串行到串行的方法，研究人员开始训练单一神经网络，将输入的音频波形，直接映射到输出的句子，这种串行到串行的方法，是将给定一系列音频特征，生成一系列单词或是拼音系统中最小单位字位（Grapheme）。虽然这种模型大幅提升准确性，但是系统必须分析完整个串行后，才能一并输出结果，因此系统无法边听边输出文本，而Google认为这是即时语音转录的必要功能。
Google新的语音识别技术，采用RNN换能器（Recurrent Neural Network Transducers，RNN-T）训练的模型，这与之前串行对串行的生成模型不同，RNN-T可以连续处理输入的样本，并且串流输出字符，是一个非常适合适于听写的技术。在Google的实例中，模型输出的字符为子母表的字符，RNN-T识别器会逐个输出字符，并在适当的地方加上空格。 Google表示，要有效地训练这样的模型非常困难，但是他们现在可以让单词错误率低于5％。
而且为了提高语音识别的用处，Google在设备放上新模型，直接在设备上进行语音识别分析，以避免网络的延迟和不可靠性。传统语音识别服务的性能，部分取决于用户设备的网络链接状况，语音识别服务必须要将用户的语音或是从中萃取的数据，从手机端传输到服务器进行分析，再将得到的结果送回手机。
Google解释，在传统的语音识别引擎中，声学（Acoustic）、发音以及语言模型构成了一个巨大的搜索图，当语音识别器接受到音频波形，便会在搜索图中找出最相似路径，并读取该路径上的字符串行。传统的搜索图容量非常大，尽管应用了复杂的编码器，生产用模型大小依然接近2GB，而这样的大小无法放在移动设备上，因此必须要依赖链接，靠服务器分析后回传结果。
不过，现在Google的端到端方法不需要在大型的搜索图上搜索，Google训练的RNN-T模型只有450MB，就能提供与传统服务器模型相同的精准度，但是即便是450MB，对移动设备来说仍然太过庞大，Google在2016年开发了模型参数量化以及混合核心技术，再加上TensorFlow Lite函数库中的模型优化工具，大幅缩减模型容量。
模型参数化拥有比起训练的浮点数模型高4倍的压缩率，执行速度快4倍，Google最终压缩的模型只有80MB，因此可以放在手机上，提供脱机语音识别服务。目前Gboard语音识别器仅能在Pixel手机上，使用美国英文。