31.7 MB 的语音模型，断网也能念对你的电话号码

一个语音模型小到可以塞进浏览器标签页。Underdog 的 Woof 把一个声音压到 31.7 MB，两个声音 40.6 MB。加载后不用服务器，浏览器断网还能继续说话。X 上 Alvaro Cintas 的帖子提到，他把浏览器设为离线后录了一段。视频如下。

语音模型圈最近的主旋律是变大。Woof 反着来。它的卖点不只是小，还在文本归一化。小模型念日常句子尚可，碰到电话号码、日期、价格、代码、网址就露馅：一串数字被读成一个巨大的数，验证码读丢一半。Woof 先把输入改写成口语，再交给模型。项目页给的例子：020 7946 0018 读成 zero two zero, seven nine four six, zero zero one eight；14/03 读成 the fourteenth of March；$1,249.50 读成 one thousand two hundred and forty nine dollars fifty cents；XK-4471 读成 X K four four seven one；2.5 mg 读成 two point five milligrams。这个处理不神秘，却决定电话机器人、导航、无障碍播报能不能用。

项目页附了四段一声音模型样例：兴奋句、日期和电话、时间和价格、航班和登机口。

Underdog 在项目页给了自家测试。500 条硬句子，塞满号码、日期、价格和代码。两声音 Woof 的词错率 1.42%，一声音 2.06%。对比 Fish Audio Drama 3 的 1.89%。Drama 3 下载 41.5 GB，35.9 亿参数，权重主要存成 8 位；Woof 一声音 30.7M 参数，两声音 38.2M 参数。按下载体积算，两声音版本小约 1000 倍，一声音小约 1300 倍。两声音版本在硬句子上少错 25% 的词。一声音版本和 Drama 3 大概打平。日常句子上，一声音 Woof 词错率 2.05%。表达句 0.91%。

这些数字要加限定：来自 Underdog 自家页面，不是独立基准；硬句子测试有明确倾向；词错率由语音识别转写后和原文比对，数字日期写法可能有多种正确形式。它能说明方向，不能当成全面排名。尤其一声音模型没有在准确率上碾压大模型，优势是体积和离线部署。

怎么用。网页上一声音模型直接输入文本就能听，输入留在本地。要跑两声音模型，项目页给的路径是 Hugging Face，依赖只有 numpy。命令行：

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

Python 调用：

from underdog_woof import Woof

tts = Woof()
audio = tts('Thanks for calling. How can I help?', seed=0)
tts.save('hello.wav', audio)

开发者可看速度：Apple M5 Max，单 CPU 线程，13.2 秒语音生成 0.73 秒，峰值内存 852 MB，其中约 330 MB 是 PyTorch 和 Transformers。steps 16 是 18 倍实时，steps 8 是 24 倍，steps 4 是 29 倍。两声音模型在同一线程用 numpy 跑 7.2 到 13.8 倍实时，取决于声音。参数小，部署路径就简单。

项目页还有个叫 Escape 的小房间，用打字机输入，Woof 现场读出来。房间里每个声音都由本机生成，没有预录。这个演示比跑分更能说明端侧语音的想象空间。它也暴露边界：声音只有一两种，项目规模不大，模型许可为 CC BY-NC 4.0，只能非商用，不是 Apache 2.0。想塞进商业产品，需要先解决授权。

判断：Woof 值得看的地方不是 1000 倍这个传播数字，而是它把语音合成的一个脏活摆到台面上：先让文本变成人话。大模型可以念得更像人，但念错电话号码只需要一次就够烦。端侧语音助手、离线读屏、车载提示、客服机器人，先需要的是别念错。Woof 的准确率还没到全面替代大模型的程度，许可也卡住商用，可它证明了一件事：31.7 MB 足够让浏览器离线开口，而且先把数字念对。项目页和模型都在下面。Woof 项目页 Hugging Face 模型 X 原帖