Underdog présente Woof, un modèle de synthèse vocale de 32 Mo qui tourne dans le navigateur

Underdog, une start-up qui conçoit des modèles d'IA exécutés sur les appareils des utilisateurs, a publié Woof, un petit modèle de synthèse vocale, présenté dans un jeu tournant entièrement dans le navigateur. TechCrunch a relayé l'annonce le 6 novembre, au lendemain de la présentation de la démo par l'entreprise. La version pour navigateur pèse 31,7 Mo, d'où les « 32 Mo » cités dans la presse.

Ce que fait Woof

D'après la fiche publiée sur Hugging Face sous le compte Conway Research, Woof synthétise uniquement de l'anglais, avec deux voix, Juno et Mira, en audio mono à 24 kHz. Un normaliseur convertit nombres, dates, heures et montants en mots. La version complète à deux voix pèse 40,6 Mo et compte environ 38,2 millions de paramètres, répartis entre un modèle vocal et un décodeur audio adapté du codec Mimi de Kyutai. TechCrunch évoque pour sa part 31 millions de paramètres, un écart que l'entreprise n'a pas expliqué publiquement.

La fiche indique que le modèle tourne sur un processeur ordinaire avec numpy, sans GPU, serveur ni clé d'API. Underdog affirme que la voix Juno génère l'audio 13,8 fois plus vite que le temps réel sur un seul fil d'exécution du processeur d'un Apple M5 Max, et annonce des taux d'erreur sur les mots de 1,42 % (Mira) et 1,53 % (Juno) sur un jeu de test en anglais. Ces mesures sont celles de l'entreprise ; FourWeekMBA souligne qu'elles n'ont pas été reproduites de manière indépendante.

La démo dans le navigateur

La vitrine est un jeu rétro : une pièce avec machine à écrire, écran cathodique et lampe de bureau. Le texte tapé est lu à voix haute et, selon TechCrunch, un bouton de réglage fait jouer différents styles de musique. La fiche ne décrit pourtant Woof que comme un outil de synthèse vocale : on ignore quel composant produit la musique.

Licence et contexte

Woof est téléchargeable, mais il ne s'agit pas d'un modèle libre au sens habituel. La licence Underdog Non-Commercial License 1.0 autorise l'usage personnel, la recherche, l'enseignement et les structures à but non lucratif, avec mention de la source ; l'usage commercial requiert une licence distincte, et il est interdit d'utiliser Woof ou ses sorties pour entraîner ou distiller d'autres modèles vocaux.

La taille constitue le principal argument. FourWeekMBA calcule que le fichier de Woof est environ huit fois plus léger que celui de Kokoro-82M, tandis que la fiche d'Underdog reconnaît que Kitten Nano est plus petit, mais moins précis. Le fondateur, Sigil Wen, a déclaré à TechCrunch s'attendre à voir la plupart des modèles performants actuels tourner sur les appareils existants d'ici quelques mois, une prévision et non un résultat démontré. L'entreprise avait déjà publié Bark, un modèle de transcription de 167 Mo.