Underdog выпустила текстовую модель Woof размером 32 МБ
Стартап Underdog представил текстовую модель Woof для генерации речи. Модель весит 31,7 МБ, содержит 31 млн параметров и работает в браузере без подключения к интернету после загрузки. Демонстрация оформлена в виде браузерной игры.
Компании получают возможность встраивать генерацию речи в приложения без отправки данных в облако и без затрат на API-запросы. Модель такого размера можно доставлять вместе с приложением или веб-страницей, что снижает зависимость от серверной инфраструктуры. Появление открытых локальных моделей голоса увеличивает выбор инструментов для задач, где важны приватность и работа в офлайн-режиме.
Что представляет собой Woof
Underdog выпустила текстовую модель Woof для генерации речи. Одноголосая версия весит 31,7 МБ и содержит 31 млн параметров, двухголосая — 40,6 МБ при 38,2 млн параметров. Модель работает в браузере на большинстве устройств и после загрузки не требует подключения к интернету. Веса доступны для скачивания всем желающим.
Компания позиционирует Woof как инструмент для локальных сценариев: голосовых ассистентов, персонализированных подкастов и чтения чисел, дат, кодов и цен. Модель распространяется под лицензией CC BY-NC 4.0 для некоммерческого использования. Двухголосая версия размещена на Hugging Face.
Как устроена демонстрация
Демонстрация оформлена в виде браузерной игры в ретро-комнате с пишущей машинкой, ЭЛТ-монитором, настольной лампой и тюнером. Пользователь вводит текст на машинке, и модель озвучивает его. Вращение тюнера генерирует разные мелодии. Вступление подчеркивает тему независимости от облачных провайдеров.
Модель сначала нормализует текст: числа, даты, цены и коды приводятся к естественной форме произнесения. На Apple M5 Max одноголосая версия генерирует 13 секунд речи за 0,73 секунды на одном потоке CPU. Пик потребления памяти составляет 852 МБ.
Точность и сравнение
На наборе из 500 сложных предложений с числами, датами и кодами двухголосая Woof допускает 1,42 % ошибок по слову. Это ниже показателя Fish Audio Drama 3 (1,89 %), чья загрузка занимает 41,5 ГБ. Одноголосая версия также сопоставима по точности с этой моделью при разнице в размере более чем в тысячу раз.
На обычных предложениях из LibriTTS-R ошибка составляет 2,05 %, на выразительных репликах — 0,91 %. Модель опирается на архитектуру декодера аудио Mimi и обучалась на наборах LibriTTS-R и Emilia-YODAS.
Другие разработки Underdog
Неделями ранее Underdog выпустила модель Bark объёмом 167 МБ для распознавания речи и диктовки на устройстве. В линейке также присутствует 27-миллиардная модель, работающая на ноутбуках, и приложение в режиме ожидания, которое компания представляет как локальную альтернативу Muse и Instinct.
Основатель Sigil Wen объяснил запуск стремлением создавать системы, которые пользователи могут запускать на собственных устройствах и сохранять контроль над данными. По его словам, в ближайшие месяцы большинство современных моделей смогут работать на имеющемся у пользователей оборудовании.
