Google于2026年7月9日发布了LiteRT.js库，是一个用于在JavaScript环境中运行AI模型的工具库，今天丁老师就Google LiteRT.js进行介绍。

一、Google LiteRT.js介绍
LiteRT.js，读“谷歌里透阿替”.js，是一款高性能的Web AI推理库，是LiteRT生态在Web端的延伸，简单来说，其实就是TensorFlow.js 的升级版，可以通过WebAssembly、WebGPU和 WebNN等浏览器底层技术，让AI大模型在浏览器中运行得更快、更流畅。

二、能实现哪些功能？
LiteRT.js能够处理复杂的客户端AI任务，主要用于浏览器，涉及使用AI应用能力的场景。LiteRT.js能实现很多基于AI大模型的功能。

1.图片识别
比如，当用户在网页端上传图片后，系统自动识别图片内容、物体检测等功能。

2.人脸检测和图像分析
LiteRT.js可用于人脸检测、表情识别、人体姿态分析等功能。

3.OCR文字识别
可实现图片文字识别、图片文字提取、扫描文档内容解析等功能。

4.AI语义分析
对文本内容，可实现AI语义分析、文本归类、内容检测等功能。

5.AI助手
在Web应用中，可在浏览器中直接运行轻量级的AI大模型，实现浏览器端的AI助手。

6.视觉实时处理
实时物体检测，视觉分析、视觉替换等。

7.多媒体处理
音视频处理，实时音频降噪、语音转文字、图像超分辨率处理等。

8.其他AI功能
可结合AI大模型能力，实现各种AI功能。

三、有哪些优势？
1.保护用户隐私
传统的AI在使用时，需要我们将个人数据提交给AI，即上传到AI公司的服务器，数据存在安全隐患和泄露风险。但如果使用LiteRT.js的相关AI功能时，不管是读取数据还是分析，数据是保留在用户本地的。

2.降低算力成本
如果大量用户使用开放的AI功能，服务器（网站/小程序/APP服务）的压力会非常大，需要大量的CPU和GPU算力。而如果使用LiteRT.js，则是将部分计算转移到了用户浏览器自身，由用户自身的设备完成AI计算，大大降低了服务器的算例成本。

3.减少网络延迟
以前的模式是用户发起数据请求，等待服务器进行计算和处理后再返回数据给用户，这个过程受到网络通信速率的影响，在某些情况下可能会收到一些网络延迟。使用LiteRT.js，则是可以将部分业务交由用户本地完成，无需再向服务端发起请求，大大减少了网络延迟，提升了用户体验。

四、如何使用
使用条件
LiteRT.js运行的性能，取决于每个用户端的性能（电脑、移动设备等），涉及的硬件加速器（WebGPU和浏览器）必须满足特定条件。

硬件：
用户端设备需要独立显卡或集成GPU的主板芯片。

浏览器：
Chrome和Microsoft Edge 113版本及以上。
Safari 17.4版本及以上。
Firefox 12版本及以上。

WebNN要求：
基于Chromium 121版本以上的浏览器（如Chrome、Edge）开启实验性支持。
浏览器中启用JavaScript承诺集成（JSPI）。

操作系统：
Windows：需要支持DirectML的DirectX 12硬件。
MacOS：需要有Apple Silicon（苹果硅芯片）。
Linux：需要OpenVINO配置。

使用方法
安装LiteRT.js
LiteRT.js的使用非常简单，首先需要在项目（前端）中安装LiteRT.js

npm install @litertjs/core

或是通过html的方式引入

加载模型

import {loadLiteRt, getWebGpuDevice} from 'https://cdn.jsdelivr.net/npm/@litertjs/core@2.5.0/+esm';
import {runWithTfjsTensors} from 'https://cdn.jsdelivr.net/npm/@litertjs/tfjs-interop@2.5.0/+esm';

// TensorFlow.js imports
import * as tf from 'https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/+esm';
import {WebGPUBackend} from 'https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-backend-webgpu/+esm';

async function main() {
  // Initialize TensorFlow.js WebGPU backend
  await tf.setBackend('webgpu');

  // Initialize LiteRT.js's Wasm files
  await loadLiteRt('https://cdn.jsdelivr.net/npm/@litertjs/core/wasm/');

  // Make TFJS use the same GPU device as LiteRT.js (for tensor conversion)
  const device = getWebGpuDevice();
  tf.removeBackend('webgpu');
  tf.registerBackend('webgpu', () => new WebGPUBackend(device, device.adapterInfo));
  await tf.setBackend('webgpu');
  // ...
}

main();

使用WebGPU图形加速

import {loadLiteRt, loadAndCompile} from 'https://cdn.jsdelivr.net/npm/@litertjs/core/+esm';

await loadLiteRt('https://cdn.jsdelivr.net/npm/@litertjs/core/wasm/');

const model = await loadAndCompile('path_to_model.tflite', {
  accelerator: 'webgpu',
});

使用WebNN加速加载 

import {loadLiteRt, loadAndCompile} from 'https://cdn.jsdelivr.net/npm/@litertjs/core/+esm';

// Ensure JSPI is passed true to bridge asynchronous WebNN drivers
await loadLiteRt('https://cdn.jsdelivr.net/npm/@litertjs/core/wasm/', {jspi: true});

const model = await loadAndCompile('path_to_model.tflite', {
  accelerator: 'webnn',
  webNNOptions: {devicePreference: 'npu'} // Targets dedicated neural silicon
});

五、开发建议
1.目前LiteRT.js的生态还没有完全成熟，自己学习研究可以，但如果是企业生产项目，则明显使用TensorFlow.js会更加稳定和成熟。
2.可以直接访问Google LiteRJ.js官方文档或GitHub库，查看最新的API参考和相关Demo。