31.7MB、3,100万パラメータ。Underdogの音声合成モデルWoofは、APIの請求書ではなく静的ファイルとしてブラウザに届く。
Underdog 32MB speech modelは何を削ったのか
Underdogは11月5日、音声合成モデルのWoofを発表した。サイズは31.7MB、パラメータは3,100万で、誰でもダウンロードできる。同社はブラウザとほとんどの端末で、インターネットにつながなくても動くと説明する。対応範囲はこの言い方にとどまり、スマートスピーカーで動くとは述べていない。モデルをAPIの向こうに置かず、ページの部品として配る形だ。
Woofのデモはレトロなゲーム部屋
デモは小さなブラウザゲームになっている。レトロな技術の部屋にタイプライターとブラウン管のモニター、押すと音が鳴るデスクランプ、音楽のチューナーが置かれる。キーボードを打つと、その文字をWoofが読み上げる。冒頭では町に押しつけがましいクラウド事業者がいると警告が出る。Darkcloudというキャラクターを倒すと招待が手に入る仕掛けだ。
browser speech modelが配布の形を変える
browser speech modelの利点は、原価の読みやすさにある。サーバーを立てず、従量課金も発生しない。モデルをHTMLとJavaScriptの資産として同梱できるので、配信のたびに外部APIを呼ぶ構成と違い、利用者が増えても費用は増えず、通信できない場所でも同じ声が出る。数週間前には音声認識のBarkを167MBで出しており、こちらは端末での文字起こしとディクテーション向けだ。ノートPCで動くとする270億パラメータのモデルも公開している。MuseやInstinctの代わりに端末で動かすアプリもある。順番待ちの形だ。
on-device TTSに賭けるUnderdogの事情
創業者のSigil WenはTechCrunchに、自分のデータを自分で持つためのシステムが欲しかったと話した。能力の高いモデルの多くは、数か月のうちに手元の端末で動くようになるという見立てだ。on-device TTSはその最初の部品になる。端末で動けば、打ち込んだ文章が外部のサーバーに残らない。米国製のオープンなモデルを育てたいとも話す。
small speech modelの限界は品質の証明
small speech modelの弱点は、品質を測る数字がないことだ。単語誤り率も自然さのスコアも、聴取テストも公開されていない。独立した評価もない。小さいモデルはサイズと引き換えに品質を落とす。TechCrunchは、大きな音声モデルを置き換えるものではなく、端末内のアシスタントや個人向けのポッドキャストには足りると見ている。ブラウザのタブはCPUとGPUを使うので、古い端末では重い。ライセンスの条件も、報道の範囲では確定していない。商用利用が自由だとは言えない。サポート付きの製品として売られているものでもない。
Woofを画面に載せる前に確認すること
作る側にとっては、バックエンドなしで声を出せる点が大きい。国内の制作現場でも、読み上げのたびにクラウドAPIへ送る構成は珍しくない。通信量を抑えたいスマホ向けのページや、音声を端末の外に出したくない用途では選択肢になる。では、公開して大丈夫か？ 自分の端末で聞き、遅延と聞き取りやすさを確かめる。日本語の読み上げ品質は公開されていないので、日本語のページに入れるなら自分の原稿で試す。品質を約束する前に、試す価値は十分にある。
