Underdog prikazao Woof, lokalni glasovni model od 31,7 MB
Underdog je predstavio Woof, otvoreni model za pretvaranje teksta u govor veličine 31,7 MB sa 31 milion parametara. Kompanija ga je demonstrirala kroz igru koja radi u pregledaču: korisnik unosi tekst na virtuelnoj pisaćoj mašini, a model ga izgovara, dok se okretanjem muzičkog regulatora stvaraju različite vrste muzike.
Glasovna obrada na uređaju
Demonstracija je smeštena u prostor sa retro tehnološkim motivima, pisaćom mašinom, CRT monitorom i muzičkim regulatorom. Svi glasovi u igri nastaju pomoću Woof-a, a uvod igre pominje „nametljive” dobavljače oblaka, čime se naglašava razlika u odnosu na modele čiji rad zavisi od udaljenih servera.
Underdog navodi da Woof može da radi na većini uređaja bez internet veze i da je dostupan za preuzimanje svima. Mala veličina modela verovatno ga ne postavlja kao zamenu za veće glasovne sisteme, ali može biti dovoljna za lokalne asistente i izradu personalizovanih podkasta.
Nastavak razvoja lokalnih modela
Objava sledi nekoliko nedelja nakon što je kompanija lansirala Bark, model za pretvaranje govora u tekst veličine 167 MB, namenjen transkripciji i diktiranju na krajnjim uređajima. Osnivač Sigil Wen objasnio je da je razvoj aplikacije počeo iz želje za sistemom koji radi na uređajima korisnika i omogućava im da zadrže kontrolu nad podacima.
U tom kontekstu, lokalni asistent kompanije Underdog pokazuje da kompanija paralelno gradi lokalnog asistenta zasnovanog na modelima koji se izvršavaju kod korisnika. Underdog je objavio i model sa 27 milijardi parametara koji može da radi na laptop računarima, kao i aplikaciju sa listom čekanja koju predstavlja kao lokalno hostovanu alternativu servisima Muse i Instinct.
Praktičan zaključak za organizacije
Za organizacije je važna mogućnost da odvoje zadatke poput diktiranja, čitanja teksta naglas i jednostavnih glasovnih interakcija od stalne veze sa oblakom. Woof pokazuje da veličina modela može biti ključan uslov za takve scenarije, dok će izbor rešenja i dalje zavisiti od kvaliteta glasa, podržanih jezika i zahteva konkretne primene.