31.7MBで音声と音楽を生成、Underdogが「Woof」を披露

AI業界では、より大きく高性能なモデルを開発する競争が続いている。一方で、スマートフォンやパソコンなどの端末上で直接動く、小型モデルの開発も進んでいる。米スタートアップのUnderdogはこの流れに沿って、音声生成モデル「Woof」をブラウザーゲームで紹介した。

導入：32MB未満の音声モデル

Woofの容量は約31.7MBで、パラメーター数は約3100万。デモの舞台は、タイプライターやCRTモニター、デスクライト、音楽チューナーが置かれたレトロな部屋だ。ユーザーがキーボードで文章を入力すると、タイプライターがその内容を読み上げる。また、チューナーを回すことで、さまざまな種類の音楽を生成できる。ゲーム内の音声やサウンドはWoofによって生成されるという。

Underdogによれば、Woofはブラウザー内で動作し、多くの端末でインターネット接続なしに利用できる。同社はモデルのダウンロードも可能にしている。すべての処理をクラウドに送るのではなく、端末側で基本的な音声機能を完結させられる可能性がある。

主なポイント

• 小さなサイズ：約31.7MBで、巨大なサーバー環境を前提とする音声モデルとは異なる設計だ。
• 音声以外にも対応：デモでは音声合成と音楽生成を扱うが、音質、遅延、対応言語についての詳細な評価結果は示されていない。
• ローカル動作を重視：通信への依存を減らし、音声データをユーザーの管理下に置きやすくする。
• 継続する端末向け戦略：Underdogは数週間前にも、文字起こしやディクテーション向けの167MBの音声認識モデル「Bark」を発表している。

意義と限界

ローカル音声AIの大きな利点は、プライバシーと利用可能性にある。会議メモ、個人的な記録、アクセシビリティ機能などを端末内で処理できれば、音声を継続的にクラウドへアップロードする必要を減らせる。通信環境が不安定な場所や、クラウド推論のコストを抑えたい開発者にとっても、オフライン動作は実用的だろう。

ただし、モデルの小ささだけで性能が決まるわけではない。長文、固有名詞、複数話者、多言語での安定性や、連続生成時の品質については、今後の独立した検証が必要になる。Underdog自身もWoofが大型モデルに取って代わるとは説明していない。現時点では、ローカルアシスタント、個人向けポッドキャスト、軽量なエンターテインメントアプリを支える部品と見るのが妥当だ。

WoofとBarkは、オープンモデルとローカル推論を組み合わせ、ユーザーがデータをより多く管理できるようにするUnderdogの方向性を示している。同社はノートパソコンで動く、より大きなモデルや、ローカルホスティングを想定したアプリについても言及している。端末性能が向上する中で、音質、速度、プライバシーのバランスを取れるかが、こうした小型モデルの実用化を左右しそうだ。

出典：TechCrunch AI