2026 年 11 月 6 日——Underdog(版权主体 Conway)于 11 月 5 日在 Hugging Face 开放小体积文本转语音(TTS)模型 Woof 的权重:单语音色版下载体积 31.7MB、30.7M 参数,可在浏览器中通过 WebGPU 完全离线运行;官方自评英文词错率 1.42%(双语音色版),低于 41.5GB 下载体积的 Fish Audio Drama 3 的 1.89%。

Woof 是 Underdog 端侧音频模型家族的最新成员,与 ASR 模型 Bark 3.0(10 月 15 日开放权重)、27B 语言模型 Saluki 等同属一条产品线。官方演示页于 10 月 26 日上线(页面落款日期),模型权重于 11 月 5 日上架 Hugging Face 仓库 ConwayResearch/Underdog-Woof。

开放权重与运行方式

Woof 提供两个尺寸,权重文件、Python 运行时与音色文件均在同一仓库内,安装 numpy 即可运行,输出 24kHz 单声道音频。单语音色版即官网演示页在浏览器中实际加载的模型。

版本 下载体积 参数量 音色 运行方式
单语音色版 31.7MB 30.7M 1 个 浏览器 WebGPU 离线运行,加载后断网可用
双语音色版 40.6MB 38.2M Juno、Mira 两个 纯 numpy,笔记本 CPU 单线程运行

双语音色版内部由 22.95M 语音模型与 15.3M 音频解码器组成,解码器改编自 Kyutai 的 Mimi 编解码器;训练数据为 LibriTTS-R 与 Emilia-YODAS(均为 CC-BY 4.0 许可)。官方还内置规则式文本规范化器,将电话号码、日期、金额、编号等改写为口语读法,长句按标点拆分,单句合成异常时自动重试至多三次并保留最佳结果,支持固定 seed 复现同一段音频。

官方自评词错率与同类模型对比

官方基准为 Gradium TTS Hard Cases(500 句含电话号码、日期、价格、编号的英文难句),转写由 qwen3.8-omni-flash 完成、词错由 gemma-4-31b-it 统计,以下数字均为官方自评口径。

模型 下载体积 词错率
Woof 双语音色版(Mira) 40.6MB 1.42%
Fish Audio Drama 3 41.5GB 1.89%
Woof 单语音色版 31.7MB 2.06%
Gradium Phonon 31m 55.1MB 2.16%
Kokoro 82M 327MB 5.17%
Pocket TTS 219MB 8.07%
Kitten Nano 0.8 27.6MB 9.81%
Qwen3-TTS 1.7B 4.54GB 11.99%

按官方表格口径,双语音色版词错数比 Fish Audio Drama 3 少 25%,下载体积为其千分之一;Kitten Nano 0.8 是对比列表中唯一比 Woof 更小的模型,但词错率为 9.81%。速度方面,单语音色版在 M5 Max 单 CPU 线程上达 18 倍实时,双语音色版 Juno 为 13.8 倍、Mira 为 7.2 倍,运行时峰值内存 402MB(Juno)至 601MB(Mira)。

官方密室游戏 Underdog Escape

官方同步上线闯关密室游戏 Underdog Escape(underdog.ai/escape),主题为从 Darkcloud 房间逃脱,场景内有打字机、收音机与台灯三个道具。房间内旁白与反派 Darkcloud 的全部配音均由 Woof 在玩家浏览器中经 WebGPU 实时生成,官方称没有任何预录音频。游戏配乐《Welcome Home》《Bark True》由 Underdog 的音乐生成能力在 M5 Max 48GB 设备上本地生成,官方标注生成耗时分别为 47.1 秒与 96.8 秒。

许可与使用限制

官网两处标注权重为非商业许可 CC BY-NC 4.0,并明确说明不是 Apache 2.0;Hugging Face 仓库内 LICENSE 文件的实际文本为自定义的 Underdog Non-Commercial License 1.0,条款与 CC BY-NC 方向一致,核心内容包括:个人、研究、教学与非营利用途免费,发布内容需标注 Underdog 署名;商业使用需向官方购买授权;企业内部测试期限为 30 天。

值得注意的一条限制是,该许可明确禁止使用 Woof 或其输出训练、微调或蒸馏任何其他语音、音频模型。

中文支持情况

Woof 不支持中文。模型卡语言标注仅英语(en),Juno 与 Mira 两个音色均为英文音色,内置文本规范化器也是英文规则,官网、模型卡与游戏均未提及中文或多语言能力。由于许可条款禁止用 Woof 微调或蒸馏语音模型,社区也无法通过微调为其合法补充中文能力。