Underdog presentó Woof el 5 de noviembre: un modelo de texto a voz de 31,7 MB que corre en una pestaña y no necesita internet. La demostración es una habitación retro que habla lo que escribes.
Qué es Woof, el Underdog 32MB speech model
Los números explican media historia. 31,7 MB y 31 millones de parámetros. Cabe en una descarga de móvil y se sirve como un archivo estático más.
Underdog lo abre para que cualquiera lo descargue. TechCrunch cubrió la demostración al día siguiente.
La otra mitad es dónde corre. En el navegador, y en la mayoría de dispositivos, sin conexión.
La demo: una habitación retro que habla lo que escribes
El escenario es una sala de tecnología vieja. Máquina de escribir, monitor CRT, una lámpara de escritorio que hace clic y un afinador de música.
Escribes en el teclado y el modelo dice el texto en voz alta. El juego avisa de proveedores de nube intrusivos en el pueblo, un guiño nada sutil. Quien derrota a un personaje llamado Darkcloud recibe una invitación.
Es una demo, no un producto. Tampoco pretende serlo.
Por qué un small speech model cambia la factura
Un modelo de voz en la nube se cobra por carácter o por minuto. Un small speech model de 31 MB se cobra una vez, en ancho de banda.
Para una web con poco tráfico esa diferencia es ruido. Para un producto que lee texto en cada visita, es la diferencia entre una línea de gasto y ninguna.
Hay un segundo efecto, y es el que Underdog parece buscar: si el modelo viaja con la página, no hay petición que registrar en un servidor ajeno.
Bark, el modelo de 27.000 millones y la app en lista de espera
Woof no sale de la nada. Semanas antes, Underdog publicó Bark, un modelo de voz a texto de 167 MB pensado para dispositivos de borde, con transcripción y dictado como usos.
También tiene un modelo de 27.000 millones de parámetros que, según la empresa, corre en portátiles. Son dos cosas distintas: el de 27B no es para teléfonos.
Y hay una app con lista de espera que Underdog coloca como alternativa local a Muse e Instinct. Esa es la parte de negocio. El modelo es la prueba de que saben hacerlo pequeño.
Qué busca Sigil Wen con un on-device TTS
El fundador, Sigil Wen, dio a TechCrunch una razón poco habitual en este sector: quería su propio sistema, con modelos que corran en el dispositivo del usuario y que el usuario sea dueño de sus datos.
Añadió que cree que la mayoría de los modelos capaces de hoy cabrán en dispositivos que la gente ya tiene dentro de unos meses, y que Underdog quiere entrenar los mejores modelos abiertos hechos en Estados Unidos para que la gente tenga IA privada.
Es una tesis, no un resultado. Conviene tomarla como lo que es: la opinión del fundador sobre hacia dónde va su mercado.
El patrón de lanzamientos dice algo más que el discurso. En pocas semanas la empresa publicó un modelo de voz a texto para dispositivos de borde, otro de 27.000 millones para portátiles y ahora uno de voz de 31 MB, además de una app que todavía no está abierta. Son piezas de la misma idea: todo corre en tu máquina.
Los límites de un browser speech model
No hay benchmark. Ni tasa de error de palabra, ni puntuación de naturalidad, ni una prueba de escucha publicada. Cualquiera que prometa calidad de estudio con esto se lo está inventando.
Un modelo de 31 millones de parámetros no va a sonar como los grandes. TechCrunch lo dice con claridad: probablemente no reemplace a los modelos de voz grandes, pero puede bastar para un asistente local o un pódcast personalizado.
También hay coste de dispositivo. Una pestaña que sintetiza voz consume CPU o GPU, y en un móvil de gama baja eso se nota en batería y en fluidez. ¿Cuánto tarda en arrancar en el teléfono que tienes en el bolsillo? Nadie lo ha medido todavía.
Y está la licencia. La descarga es abierta, pero los términos de uso comercial no están establecidos en la cobertura. Antes de meterlo en un producto de pago, hay que leerlos.
Falta además la parte que ningún anuncio resuelve: qué pasa cuando el modelo se equivoca en una palabra que importa, como el nombre de un medicamento o la puerta de embarque. Un asistente local que falla en silencio es peor que uno que pide confirmación.
Qué puede hacer un desarrollador con Woof este mes
Lo más útil es la prueba de concepto. Una web que lee en voz alta sin backend, sin cuenta y sin clave de API deja de ser una idea rara.
El caso típico es una web de reservas para una clínica en Valencia: el paciente pulsa y escucha las instrucciones, sin que la clínica pague por cada reproducción.
Antes de prometer calidad, hay que medir. Graba diez frases de tu producto, escúchalas en un móvil de gama media y decide si el resultado te vale.
Woof no es el futuro de la voz. Es una demostración de que el tamaño dejó de ser la excusa.
