32MB也能说话和作曲：Underdog展示端侧语音模型Woof

当大型模型不断追求更长上下文和更强推理能力时，另一条路线也在加速发展：把模型压缩到手机、电脑等终端能够承受的规模。美国初创公司Underdog最近展示了语音生成模型Woof，并用一个复古风格的浏览器小游戏说明它能做什么。

导语：一个不到32MB的语音模型

Woof的文件大小约为31.7MB，拥有约3100万个参数。演示游戏设置在带有打字机、CRT显示器和调音器的房间里。用户可以通过键盘输入任意内容，打字机随后将文字朗读出来；旋转音乐调音器，则能生成不同风格的音乐。游戏中的语音和声音效果均由Woof提供支持。

更值得注意的是，Underdog称该模型可以直接在浏览器中运行，并能在多数设备上无需互联网连接地生成语音。模型也已开放下载。这意味着，至少在轻量级语音交互场景中，开发者不一定要把每一次请求发送到远程云端。

核心要点

• 体积小：Woof约31.7MB，定位明显不同于依赖大型服务器的语音模型。
• 能力不止朗读：演示同时覆盖文本转语音和音乐生成，但素材没有提供更详细的音质、延迟或语言支持评测。
• 强调本地运行：模型面向边缘设备设计，理论上有助于减少联网依赖，并让用户更容易控制语音数据。
• 延续端侧路线：几周前，Underdog还发布了167MB的Bark语音转文本模型，用于转录和听写。

意义与局限

本地语音模型的价值，首先在于隐私和可用性。会议记录、个人备忘或辅助功能如果能在设备上完成，就不必将原始音频持续上传到云端；在网络不稳定或成本敏感的环境中，离线能力也可能更实用。对于开发者而言，小模型还更容易嵌入浏览器、桌面软件和消费电子产品。

不过，体积并不能直接代表体验。Woof是否能在复杂文本、长时间合成、多人对话或多语言场景中保持稳定，仍需要独立测试。Underdog也没有声称它能取代大型模型。更现实的判断是，Woof可能成为本地助手、个性化播客或轻量娱乐应用的基础组件，而不是通用语音服务的全面替代品。

从Woof到Bark，再到该公司宣称可在笔记本电脑上运行的更大模型，Underdog正在把“开放模型加本地推理”作为产品方向。随着终端硬件继续提升，这种小型化路线能否在音质、速度和隐私之间取得平衡，将决定端侧语音AI能否从演示走向日常应用。

来源：TechCrunch AI