Underdog hat am 5. November ein Sprachmodell mit 31,7 MB vorgestellt. Es läuft im Browser, ohne Server, und die Demo dazu ist ein kleines Spiel.
Underdog Woof: 31,7 MB für einen Browser-Tab
Die Zahl ist der Punkt. Woof bringt 31,7 MB auf die Waage und hat 31 Millionen Parameter. TechCrunch schreibt, das Modell sei offen zum Download. Zum Vergleich: Die meisten Sprachmodelle, die heute in Assistenten stecken, liegen im Gigabyte-Bereich oder werden gar nicht ausgeliefert, sondern pro Anfrage abgerechnet.
31,7 MB passen in eine Datei, die man nebenbei lädt. Für on-device TTS heißt das: Das Modell ist eine Datei, kein Dienst. Wer nach dem Underdog 32MB speech model sucht, findet genau diesen Unterschied beschrieben.
Underdog sagt, Woof laufe im Browser und auf den meisten Geräten ohne Internetverbindung, was für ein Modell dieser Größe der eigentliche Kunstgriff ist und den Unterschied zu einem Cloud-Dienst ausmacht. Das ist eine vorsichtige Formulierung, und sie ist ernst gemeint: „die meisten Geräte“ deckt nicht jedes alte Telefon ab.
Was die Woof-Demo im Spielzimmer zeigt
Die Demo ist ein kleines Browserspiel. Man steht in einem Raum mit Retro-Technik: eine Schreibmaschine, ein Röhrenmonitor, eine Schreibtischlampe, die klickt, und ein Stimmgerät für Musik. Tippt man auf der Tastatur, spricht das Modell den Text aus.
Das ist mehr als eine Spielerei. Die Demo zeigt den Weg, den ein Entwickler sonst in einer Dokumentation suchen müsste: Text rein, Stimme raus, ohne Server dazwischen.
Die Einleitung stichelt gegen „aufdringliche“ Cloud-Anbieter in der Stadt. Wer eine Figur namens Darkcloud besiegt, bekommt eine Einladung. Der Ton ist klar, und er passt zum Rest der Ankündigung.
Warum ein browser speech model ohne API-Kosten auskommt
Ein browser speech model verschiebt die Rechnung. Bei einem Cloud-Dienst zahlt man pro Zeichen oder pro Minute, und die Kosten skalieren mit der Nutzung, was bei einer Vorlesefunktion mit vielen Aufrufen schnell den Rahmen sprengt, den ein kleines Team kalkuliert hat. Bei einer Datei im Tab zahlt man einmal Bandbreite und danach den Strom des Geräts.
Für kleine Projekte ist das der entscheidende Unterschied. Eine Web-App mit Vorlesefunktion kann heute an der Rechnung scheitern, bevor sie überhaupt Nutzer hat.
Der Preis dafür ist Kontrolle. Wer die Stimme lokal erzeugt, kann sie nicht zentral verbessern, nicht nachträglich umtrainieren und nicht ohne neue Datei ausliefern, was für die Wartung bedeutet, dass jede Verbesserung als neuer Download beim Nutzer ankommt. Dafür verlässt der Text das Gerät nicht, und das ist für manche Anwendungen wichtiger als die letzte Nuance.
Bark, das 27B-Modell und die App mit Warteliste
Woof steht nicht allein. Wochen vorher hatte Underdog Bark veröffentlicht, ein Modell mit 167 MB für Spracherkennung auf Geräten am Rand des Netzes, gedacht für Transkription und Diktat. Dazu kommt ein Modell mit 27 Milliarden Parametern, das nach Angaben des Unternehmens auf Laptops läuft.
Ein 27B-Modell auf einem Laptop ist etwas anderes als ein 31-MB-Modell im Browser. Wer die beiden Zahlen nebeneinanderlegt, sieht die Spannweite des Ansatzes: dieselbe Idee, einmal für Spracheingabe, einmal für Arbeit, die früher einen Server brauchte.
Dazu gibt es eine App mit Warteliste, die Underdog als lokal gehostete Alternative zu Muse und Instinct positioniert, also als Gegenentwurf zu zwei Assistenten, die ihre Arbeit auf Servern erledigen und dafür eine Verbindung brauchen. Ein Marktplatz ist das nicht, und ein Unternehmen mit Support auch nicht. Underdog tritt als kleines Team auf, das offene Modelle baut.
Warum Underdog auf Geräte setzt
Gründer Sigil Wen sagte TechCrunch, er habe die App gebaut, weil er ein eigenes System wollte, mit Modellen, die auf den Geräten der Nutzer laufen und ihnen ihre Daten lassen. Er erwartet, dass die meisten leistungsfähigen Modelle von heute innerhalb von Monaten auf Geräten laufen, die Menschen ohnehin besitzen. Underdog wolle die besten offenen Modelle aus den USA trainieren, damit private KI möglich wird.
Das ist eine Position, keine Messung. Sie erklärt aber, warum die Ankündigung mit einer Größenangabe beginnt und nicht mit einem Benchmark.
Woof ohne Benchmark: was zur Lizenz fehlt
Für Woof gibt es keine Wortfehlerrate, keinen Wert für Natürlichkeit und keinen Hörtest. Eine unabhängige Bewertung existiert nicht. Wer das Modell für eine Produktion einsetzen will, hat damit keine Grundlage für einen Vergleich mit einem Cloud-Dienst.
Auch die Lizenz ist unklar. Der Download ist offen, die Bedingungen stehen aber nicht in der Berichterstattung. Wer das Modell kommerziell nutzen will, sollte das vorher klären und nicht aus der Verfügbarkeit schließen.
TechCrunch ordnet die Größe nüchtern ein: Ein so kleines Modell werde größere Sprachmodelle kaum ersetzen, für lokale Assistenten oder personalisierte Podcasts könne es reichen, und mehr verspricht die Ankündigung auch nicht. Das deckt sich mit der Bauart. Ein small speech model dieser Größe ist ein Baustein, kein Ersatz.
Was Entwickler mit dem small speech model bauen können
Der praktische Nutzen liegt bei allem, was ohne Backend auskommen muss. Eine Lerntafel für die Volkshochschule, die Aufgaben vorliest. Ein Hörspiel für die Kita, das auf dem Tablet läuft, auch wenn das WLAN im Gruppenraum schlecht ist. Ein Prototyp, der an einem Nachmittag entsteht und nicht erst eine Rechnung braucht.
Für deutsche Teams kommt ein zweiter Punkt dazu. Wenn Texte das Gerät nicht verlassen, entfällt ein Teil der Diskussion mit dem Datenschutzbeauftragten, weil keine Auftragsverarbeitung für die Ausgabe nötig wird, was in deutschen Projekten oft den Unterschied zwischen einem Pilot und einem Jahr Wartezeit macht. Das ersetzt keine Prüfung, macht ein Projekt aber leichter genehmigungsfähig. Was heißt das für ein Team, das heute eine Vorlesefunktion plant? Es kann mit einer Machbarkeitsstudie beginnen, statt einen Dienstleister zu beauftragen.
Vor dem Versprechen kommt die Prüfung. Hören Sie sich zwanzig Sätze an, mit Zahlen, Eigennamen und einem Straßennamen aus Ihrer Stadt. Wenn die Aussprache dort hält, taugt das Modell für den Anwendungsfall. Wenn nicht, hilft die schönste Dateigröße nicht.
Und ein technischer Vorbehalt bleibt. Die Demo braucht einen modernen Browser mit JavaScript und, je nach Gerät, WebGPU für Tempo. Auf einem alten Rechner im Vereinsheim wird sie nicht so klingen wie im Werbeclip.
Woof ist damit kein Produkt, das man kauft, sondern ein Werkzeug, das man ausprobiert. Die 31,7 MB sind die Einladung.
