Компания Underdog представила Woof, нейросеть для озвучивания текста размером всего 31,7 МБ. Модель работает непосредственно в браузере, используя вычислительные ресурсы пользователя, и после загрузки может синтезировать речь без подключения к интернету. Возможности разработки показали в интерактивной игре.
Публичную демонстрацию Woof выпустили 5 ноября 2026 года. Посетители попадают в виртуальную комнату со старым монитором, печатной машинкой и радиоприёмником. Достаточно набрать произвольный текст на машинке, чтобы нейросеть произнесла написанное вслух. Все голоса игровых персонажей также создаёт Woof. Музыкальное сопровождение генерируют другие локальные модели Underdog.
Главная особенность разработки заключается в небольшом размере. Браузерная версия содержит 30,7 млн параметров, то есть числовых коэффициентов, определяющих работу нейросети. Для обработки звука используется видеокарта компьютера через WebGPU, технологию, позволяющую веб-страницам выполнять вычисления на графическом процессоре. Отдельный сервер для синтеза речи не требуется, а текст не нужно передавать облачному сервису.
Underdog утверждает, что Woof способна генерировать звук в 18 раз быстрее реального времени при использовании одного потока центрального процессора ноутбука. Такой показатель означает, что десятисекундную запись теоретически можно подготовить примерно за 0,56 секунды. Однако заявленная скорость относится к измерениям разработчика, а не к независимому тестированию браузерной версии. Реальная производительность зависит от оборудования и условий запуска.
Помимо компактной одноголосой версии, разработчики опубликовали веса расширенной модели с двумя голосами, Juno и Mira. Такой вариант содержит 38,24 млн параметров и занимает 40,6 МБ. Он может работать на обычном процессоре с использованием библиотеки NumPy, без отдельной видеокарты и облачного API. Модель создаёт монофонический звук с частотой дискретизации 24 кГц и рассчитана на английский язык. Поддержка русского не заявлена.
Отдельное внимание разработчики уделили произношению сложных последовательностей. Перед озвучиванием система преобразует телефонные номера, даты, денежные суммы и буквенно-цифровые коды в форму, удобную для произнесения. По результатам собственных испытаний Underdog, доля неправильно воспроизведённых слов в специальном наборе сложных английских фраз составила 2,06% для компактной версии и 1,42% для двухголосой модели с голосом Mira. Независимого подтверждения этих результатов пока нет.
Несмотря на доступность весов, Woof нельзя свободно использовать в коммерческих продуктах. Бесплатная лицензия допускает некоммерческое применение с указанием авторства, а для коммерческого использования требуется отдельное разрешение Underdog. Ограничения распространяются и на применение модели либо созданных ею записей для обучения других систем генерации речи. Открытая публикация весов не означает отсутствия лицензионных условий.
Для Underdog компактный синтезатор стал продолжением работы над искусственным интеллектом, способным функционировать непосредственно на пользовательских устройствах. Несколькими неделями ранее компания представила Bark, систему распознавания речи размером около 167 МБ. В отличие от Woof, которая превращает текст в звук, Bark решает обратную задачу и преобразует произнесённые слова в текст. Обе разработки ориентированы на локальную обработку информации.
Практическое применение подобных моделей выходит за пределы демонстрационных игр. Компактный синтезатор можно встроить в программы чтения документов, голосовых помощников и приложения, которым требуется озвучивать информацию без постоянного обращения к серверу. Локальный синтез речи уже существует в других проектах, однако Woof показывает, насколько небольшим может быть необходимый для него файл. При этом разработчикам ещё предстоит независимо подтвердить качество голоса, скорость работы и совместимость с различными устройствами.
