Home
avatar

麒麟剑

40MB 的语音模型,比 41GB 的对手错词还少:Underdog Woof 中文解读

先说结论:一个只有 40.6MB 的语音模型,在最难的那套测试里,错词比 41.5GB 的大模型还少。它叫 Underdog Woof,11 月 5 日发布,11 月 6 日 TechCrunch 报道。中文圈截至今天(11 月 9 日)还没有像样的解读,这篇就是首发。

先把最容易读错的一点钉死:40.6MB 是双语音版,1.42% 的错词率也是双语音版的成绩。单语音版只有 31.7MB,但它的错词率是 2.06%,反而比对手的 1.89% 略高。标题里的”40MB 比 41GB 错词少”,说的是双语音版,别张冠李戴。

本文基于官网(underdog.ai/woof)与 Hugging Face 模型卡研读,没有本地实测,数字全部来自官方页面,观察时点是 11 月 9 日。

一句话定位:语音模型也能塞进口袋

TTS,就是 text-to-speech 的缩写,意思是”文字转语音”:你给它一段文字,它读出来。以前这件事要么调云端 API(联网、按量付费),要么在本地装一个几 GB 甚至几十 GB 的大模型。

Woof 反其道而行之:整个模型小到能塞进一个浏览器标签页。加载一次之后,断网也能用——你在官网页面上打字,它直接在你自己的电脑上出声,你输入的文字不会发到任何服务器。

打个比方:以前的语音模型像一台要接水电的大冰箱,Woof 像一个保温杯。保温杯装不下满汉全席,但随身带、随时喝,这就是它的位置。

核心数字:小一千倍,错词反而少 25%

Woof 单语音Woof 双语音Fish Audio Drama 3
下载大小31.7 MB40.6 MB41.5 GB
参数量3070 万3820 万359 亿
难句集错词率2.06%1.42%1.89%
比 Drama 3 小1308 倍1022 倍—

词错率,英文叫 word error rate,意思是”一百个词里读错几个”。测法是:模型照着稿子读,另一个语音识别程序把听到的写下来,再数和原稿不一样的词。数字越低越好。

这套难句集一共 500 句,专门挑了电话号码、日期、价格、验证码这种容易翻车的句子。双语音版 Woof 每 100 个词错 1.42 个,Drama 3 错 1.89 个,少了约 25%。

但要诚实地说一句:这个榜只比”读得准不准”,不比”好不好听”。音色自然不自然、语气像不像真人,这张表不量。体积小不等于音质全面占优,Woof 赢的是”小 + 准”,不是”全方位碾压”。

它怎么做到:先把数字翻译成人话,再开口

语音模型最容易翻车的地方,不是念文章,而是念数字。很多小模型会把电话号码 020 7946 0018 读成一个天文数字,或者把验证码 XK-4471 读丢一半。

Woof 的办法是:开口之前,先过一遍自己的文本归一化器。归一化器就是个”翻译官”,负责把书面符号翻译成说话的方式:

  • 020 7946 0018 → 一个数字一个数字分开读
  • 14/03 → 3 月 14 日
  • $1,249.50 → 一千二百四十九美元五十美分
  • XK-4471 → X K 四 四 七 一
  • 2.5 mg → 2.5 毫克
  • underdog.ai/woof → underdog 点 ai 斜杠 woof

这个翻译官只用 Python 标准库就能跑,不依赖外部服务。长文本会先按句子切开,一句一句读。

声音本身怎么来的?它的音频解码器(负责把模型算出来的数字变成你能听到的声音波形的那部分)借鉴了 Kyutai 的开源设计 Mimi。训练数据包括 LibriTTS-R 和 Emilia-YODAS,都是 CC-BY 4.0 协议的公开数据,来源写在模型的 NOTICE 文件里。

输出是 24kHz 单声道音频。传一个固定的 seed(随机种子,你可以理解成”摇骰子之前先定好骰子的初始状态”),同一段文字每次生成的声音都一样,方便复现和测试。

速度:13 秒的语音,0.73 秒生成

官网给了一组实测数字,机器是 Apple M5 Max,只用一个 CPU 线程,单语音版、int8 权重、默认 16 步:

  • 13.2 秒的语音,0.73 秒生成,差不多是 18 倍实时(“实时”就是说 1 秒的语音用 1 秒生成;18 倍实时,就是生成速度是说话速度的 18 倍)。
  • 双语音版在 numpy 环境下是 7.2 到 13.8 倍实时,看用哪个语音。
  • 步数调少还能更快:16 步是 18 倍,8 步是 24 倍,4 步是 29 倍。当然步数越少,质量一般也会打折扣,官方没公布低步数下的错词率。

还有一个数字值得单独拎出来:峰值内存 852MB。模型文件只有 31.7MB,但跑起来整个进程要 852MB,其中约 330MB 是 PyTorch 和 Transformers 这两个框架本身占的。双语音版在 HF 模型卡上标的是峰值 402MB(numpy 环境)。意思是:文件小,不等于运行时内存也小,往手机手表里塞之前先算好这笔账。

上手:浏览器里就能试,不用装任何东西

最简单的体验方式是打开 underdog.ai/woof,页面里的单语音模型直接跑在浏览器里(走 WebGPU,也就是浏览器调用你设备显卡的技术)。加载完 31.7MB 之后,把 Wi-Fi 关掉也能继续用。

想在自己电脑上跑双语音版,Hugging Face 上的仓库是 ConwayResearch/Underdog-Woof,只需要装一个 numpy:

pip install numpy
hf download ConwayResearch/Underdog-Woof --local-dir underdog-woof
cd underdog-woof
python -m underdog_woof "Call 020 7946 0018 before 6:15." -o hello.wav

也可以在 Python 里直接调用,Woof() 初始化后传文字、拿音频、存成 wav 文件,三行代码的事。

官网还做了个小游戏《Underdog Escape》当演示:你在里面的打字机上随便打字,房间里的角色就用 Woof 的声音读出来,全程没有预录音。这也是它”离线可用”最直观的证明。

四处”别踩的坑”

第一,只有两个英文语音,没有中文。 两个语音叫 Juno 和 Mira,都是英文。中文、日文、其他语言现在都不支持。冲着”中文语音离线化”来的读者,现在就可以先收藏,等后续版本。

第二,许可是非商业的,别直接用到赚钱的产品里。 权重以 CC BY-NC 4.0 协议开放,明确写着”不是 Apache 2.0”。意思是你可以学习、研究、自己玩,但商用需要另外取得授权。拿它做付费产品的语音功能之前,先去官网确认授权方式。

第三,1.42% 是双语音版里表现更好的那个语音(Mira)的成绩。 单语音版是 2.06%,比 Drama 3 的 1.89% 还略高一点。只看标题就以为”31MB 全面赢了 41GB”,就被带偏了。准确的说法是:双语音版以千分之一的体积,错词更少。

第四,词错率不等于音质。 它只量”读对了几个词”。语气、情感、停顿、像不像真人,这些都不在这张表里。Woof 的卖点是”小、快、离线、读数字准”,不是”最好听的语音模型”。

谁应该现在就去试

  • 做语音助手、电话客服、播报类产品的开发者:读数字、日期、价格、验证码准,是这类场景最硬的需求,Woof 正好打在这个点上。
  • 想做离线语音功能的独立开发者:不用服务器、不用 API key、不用联网,40MB 就能跑,部署成本几乎是零。
  • 对”小模型”感兴趣的读者:它是一个很干净的案例——小模型不是靠”缩水”赢的,是靠把力气花在最容易翻车的地方(数字归一化)赢的。

一句话总结:Woof 没有发明新的语音技术,它做的是把语音模型做到了”能塞进口袋”的尺寸,并且在最难念的句子上,比大一千倍的对手错得更少。代价是只有英文、只有两个声音、不能商用。如果你要的是”离线、快、读数字准”,它现在就是最值得试的那一个。


来源:Underdog 官网 underdog.ai/woof(11 月 9 日 01

UTC 抓取的页面快照);Hugging Face 模型卡 ConwayResearch/Underdog-Woof(双语音版,Juno / Mira);TechCrunch 11 月 6 日报道。所有数字均为官方页面数据,观察时点 2026 年 11 月 9 日;速度与内存数字为官方单机实测(Apple M5 Max、单 CPU 线程),未经第三方独立复测;中文圈截至 11 月 9 日无中文解读,本文为中文首发解读。本文基于官方页面与模型卡研读,未做本地实测。

Underdog Woof 语音模型 TTS 离线 AI 开源模型