LO ESENCIAL EN 30 SEGUNDOS

  • Woof, el modelo de texto a voz de Underdog, solo habla inglés; su versión de una voz para navegador ocupa 31,7 MB y la de dos voces, 40,6 MB.
  • Según la ficha del modelo, Woof funciona en CPU con numpy, sin GPU, servidor ni clave de API, con una tasa de error por palabra de alrededor del 1,5 % en una prueba.
  • Los pesos son gratuitos para uso personal, de investigación o sin ánimo de lucro; el uso comercial requiere licencia y se prohíbe entrenar otros modelos de voz con Woof.

Underdog, una startup que desarrolla modelos de IA para los dispositivos de los usuarios, ha lanzado Woof, un pequeño modelo de texto a voz, mostrado en un juego que funciona por completo en el navegador. TechCrunch informó del lanzamiento el 6 de noviembre, un día después de que la empresa difundiera la demo. La versión para navegador ocupa 31,7 MB, de ahí los «32 MB» citados en la prensa.

Qué hace Woof

Según la ficha publicada en Hugging Face bajo la cuenta Conway Research, Woof sintetiza solo inglés, con dos voces, Juno y Mira, y genera audio mono a 24 kHz. Un normalizador convierte números, fechas, horas e importes en palabras. La versión completa de dos voces ocupa 40,6 MB y suma unos 38,2 millones de parámetros, repartidos entre un modelo de voz y un decodificador de audio adaptado del códec Mimi de Kyutai. TechCrunch habla de 31 millones de parámetros, una diferencia que la empresa no ha aclarado públicamente.

La ficha indica que funciona en una CPU corriente con numpy, sin GPU, servidor ni clave de API. Underdog asegura que la voz Juno genera audio 13,8 veces más rápido que el tiempo real en un solo hilo de CPU de un Apple M5 Max, y comunica tasas de error por palabra del 1,42 % (Mira) y del 1,53 % (Juno) en un conjunto de prueba en inglés. Son datos de la empresa; FourWeekMBA señala que nadie los ha reproducido.

La demo en el navegador

El escaparate es un juego retro: una habitación con máquina de escribir, monitor CRT y lámpara. Lo que se teclea se lee en voz alta y, según TechCrunch, un sintonizador hace sonar distintos estilos de música. Pero la ficha describe Woof solo como sistema de texto a voz, así que no está claro qué componente genera la música.

Licencia y contexto

Woof se puede descargar, pero no es de código abierto en sentido estricto. La Underdog Non-Commercial License 1.0 permite el uso personal, docente, de investigación y sin ánimo de lucro con atribución; el uso comercial exige una licencia aparte, y está prohibido emplear Woof o su audio para entrenar o destilar otros modelos de voz.

El tamaño es su gran baza. FourWeekMBA calcula que el archivo de Woof es unas ocho veces más ligero que el de Kokoro-82M, y la ficha de Underdog admite que Kitten Nano es más pequeño, aunque menos preciso. El fundador, Sigil Wen, dijo a TechCrunch que espera ver la mayoría de los modelos capaces de hoy en los dispositivos actuales en meses, una previsión y no un resultado demostrado. La empresa ya había publicado Bark, un modelo de voz a texto de 167 MB.