Underdog Woof：40 MB 的 text-to-speech 模型，面向无 GPU 的 CPU

HuggingFace 上发布了模型 ConwayResearch/Underdog-Woof —— 一个紧凑的 text-to-speech 生成器，带有两个声音：Juno 和 Mira。作者声称在 Gradium TTS Hard Cases 数据集上词错误率为 1.42%，单 CPU 线程上速度为实时的 13.8 倍，且无需 GPU、服务器和 API 密钥即可运行。该模型能像人一样朗读电话号码、日期、价格和代码。

这意味着什么

在我们的音频生成器栏目中，Underdog Woof 首先以对硬件的要求脱颖而出。该模型双声音版本占用 40.6 MB，权重以 npz 格式存放，通过 numpy 运行——无需 PyTorch 和显卡。单 CPU 线程上的峰值内存占用据称为 402 MB。作为对比：Coqui 的 XTTS 最大的权重文件需要 1.7 GB，并通过 coqui 库运行，而 Fish Speech 则需要 1.2 GB 和 CUDA 平台。 Underdog Non-Commercial License 1.0 许可证允许在个人项目、研究、教学和非营利组织中自由使用。将模型、衍生品或结果用于商业用途需要单独的书面许可。禁止在该模型或其结果上训练其他语音或音频生成模型，也禁止未经同意模仿真实人物的声音。发布音频时需注明「Underdog Woof」或「underdog.ai」。 XTTS 也有类似的限制：其权重同样仅允许非商业使用，包括商业组织进行评估，但不得直接或间接付费。YuE（YuE（乐））在这一行列中独树一帜——其代码和权重均采用 Apache-2.0，但这是用于生成音乐而非语音的模型，且需要 24 GB 显存。 Underdog Woof 是一个罕见的情况：text-to-speech 模型完全能装进笔记本电脑的内存，并在 CPU 上以有余量的实时速度运行。对于无需云服务的本地配音来说，这是硬件要求上的一次显著转变，尽管商业使用仍需单独许可。