31.7MB 开源 TTS 模型 Underdog Woof 标称词错率 1.42% 挑战云端大模型

_sathvikr · x · 2026-11-06

Underdog 发布开源权重（CC BY-NC 4.0）文本转语音模型 Woof：仅 30.7M 参数、31.7MB 下载体积，可在浏览器中通过 WebGPU 完全本地运行，官方标称词错率 1.42%（双语音 40.6MB 版本 1.42%，单语音 2.06%），声称比 Fish Audio Drama 3 小 1022 倍且词错率好 25%，在 MacBook 单 CPU 线程上最高可达 18 倍实时速度。团队还上线了一个全程由 Woof 配音的浏览器小游戏 Escape 来展示能力，页面音频与音乐全部由本地模型离线生成。其音频解码器沿用 Kyutai 的 Mimi 设计，训练数据包括 LibriTTS-R。