Underdog представила голосовую модель Woof размером 31,7 МБ

Стартап Underdog представил открытую модель синтеза речи Woof размером 31,7 МБ с 31 млн параметров. Для её демонстрации компания выпустила браузерную игру в ретростилистике: пользователь вводит текст на виртуальной печатной машинке, а модель озвучивает его. Underdog заявляет, что Woof может работать на большинстве устройств без подключения к интернету.

Демонстрация локального синтеза речи

Демо устроено как комната с ЭЛТ-монитором, печатной машинкой, настольной лампой и музыкальным тюнером. Нажатие на выключатель лампы сопровождается звуком, а введённая с клавиатуры фраза воспроизводится голосом Woof. Поворот тюнера генерирует разные варианты музыки.

В игре есть сюжетная отсылка к «назойливым» облачным провайдерам. Это подчёркивает позиционирование Woof как компактной альтернативы моделям, для работы которых требуется удалённая инфраструктура. Компания утверждает, что все голоса в демонстрации созданы её новой моделью.

Локальные модели в линейке Underdog

Woof продолжает работу Underdog над моделями для периферийных устройств. Несколькими неделями ранее стартап выпустил Bark — модель преобразования речи в текст размером 167 МБ, предназначенную для транскрибации и диктовки на устройствах пользователя.

Основатель Underdog Сигил Вэнь объяснил TechCrunch, что начал создавать приложение, поскольку хотел построить собственную систему заметок на локальных ИИ-моделях. Такой подход должен позволить пользователям хранить данные у себя и не передавать их внешнему сервису.

Контекст развития компании задаёт локальный ИИ-ассистент Underdog на устройстве пользователя, где локальный ИИ-ассистент рассматривается как продукт, запускаемый на устройстве пользователя. Помимо голосовых моделей, Underdog сообщала о выпуске модели на 27 млрд параметров, способной работать на ноутбуках, а также развивает приложение из списка ожидания как локально размещаемую альтернативу Muse и Instinct.

Что это значит для компаний

Woof не позиционируется как замена крупным голосовым моделям. Однако размер 31,7 МБ и запуск в браузерной демонстрации показывают сценарий, в котором синтез речи можно встраивать в локальные помощники, персонализированные аудиоформаты и интерфейсы без постоянного доступа к сети.

Для бизнеса важны не только компактность модели, но и возможность оценить требования к устройствам и хранению данных. Связка локального распознавания речи Bark и синтеза Woof может быть полезна при проектировании голосовых функций, где принципиально, чтобы аудио и текст оставались на устройстве пользователя.