Um modelo de fala que cabe em 32 MB e roda na aba do navegador, sem servidor no meio e sem internet depois do primeiro carregamento.
O que o Underdog 32MB speech model entrega
O anúncio saiu em 5 de novembro e o TechCrunch testou no dia seguinte. O Underdog 32MB speech model tem 31 milhões de parâmetros e está aberto para download, segundo a reportagem.
A frase que resume o produto é simples: em vez de pagar por chamada de API a cada segundo de áudio, o arquivo vira um ativo estático do site. Você publica uma vez e o navegador do visitante faz o trabalho.
A Underdog diz que ele roda na maioria dos dispositivos sem conexão. Não é todo celular, não é todo navegador, e a própria empresa usa a expressão maioria em vez de qualquer aparelho.
O demo do Woof: sala retrô e o vilão Darkcloud
O Woof não foi apresentado em benchmark, e sim em um jogo. A cena é uma sala de tecnologia antiga, com máquina de escrever sobre a mesa, monitor de tubo, abajur que faz clique e um afinador de música ao lado.
Você digita e o modelo fala o que você escreveu. A graça está na simplicidade: o áudio sai ali, na hora, sem requisição para fora da máquina.
O jogo tem enredo. A abertura avisa que a cidade anda cheia de provedores de nuvem intrometidos, uma alfinetada em quem cobra por token. Quem vence o personagem Darkcloud ganha um convite.
É marketing, e é marketing esperto. Um demo que qualquer pessoa abre no navegador diz mais sobre latência do que uma tabela de latência.
Por que um browser speech model muda a conta
A conta que muda é a do custo por usuário. Serviço de voz na nuvem cobra por caractere ou por minuto, e esse custo cresce com o sucesso do produto.
Com um browser speech model, o gasto vira banda uma vez e CPU do cliente para sempre. Para um site de notícia que quer ler matéria em voz alta, a diferença entre os dois modelos de cobrança decide se o recurso continua no ar.
Há um efeito de privacidade que costuma passar batido. O texto nunca sai do aparelho, o que resolve boa parte da conversa sobre consentimento em áudio gerado.
Bark, o modelo de 167 MB, e o 27B para notebook
O Woof não caiu do céu. Semanas antes, a Underdog tinha lançado o Bark, um modelo de reconhecimento de fala de 167 MB feito para dispositivos de borda, usado em transcrição e ditado.
A empresa também publicou um modelo de 27 bilhões de parâmetros que, segundo ela, roda em notebooks. Esse não é para celular, e a diferença de escala entre os três produtos mostra que a Underdog está montando uma linha, não um experimento.
Há ainda um app com fila de espera, que a empresa posiciona como alternativa hospedada localmente ao Muse e ao Instinct. É a parte mais nebulosa do pacote, porque não existe data nem preço divulgado.
O que Sigil Wen diz sobre dados
O fundador conta que começou a construir o app por motivo pessoal. Queria um sistema com modelos que rodassem nos aparelhos das pessoas e que deixassem o dado com o dono, segundo entrevista ao TechCrunch.
A aposta declarada é de prazo curto. Wen diz acreditar que a maioria dos modelos capazes de hoje vai rodar nos dispositivos que as pessoas já têm dentro de alguns meses, e que a Underdog quer treinar os melhores modelos abertos feitos nos Estados Unidos para que exista IA privada.
Vale separar ambição de entrega. O que existe hoje é um modelo pequeno, um demo público e um site. O resto é plano.
Um small speech model tem limite, e ele é grande
O próprio TechCrunch faz a ressalva que interessa. Um modelo desse tamanho dificilmente substitui os grandes sistemas de fala do mercado, mas pode bastar para assistente local e podcast personalizado.
Small speech model é isso: menos expressividade e menos controle fino de emoção. O que se ganha em tamanho se perde em naturalidade, e não há almoço grátis nessa troca.
A parte que ninguém pode afirmar ainda é a qualidade. Não há taxa de erro de palavra publicada, nem nota de naturalidade, nem teste de escuta, nem avaliação independente do Woof. Qualquer número de qualidade que circule por aí é chute.
Vale a pena trocar naturalidade por independência? Para leitura de tela e aviso curto, sim. Para audiolivro e locução de marca, ainda não, e é aí que os modelos grandes continuam na frente.
Também não está claro o licenciamento. O download é aberto, mas o uso comercial não foi estabelecido na cobertura, então quem pretende embarcar o modelo em produto precisa ler os termos antes.
O que dá para fazer com on-device TTS nesta semana
Para quem desenvolve, o caminho prático é modesto e útil. Um site com on-device TTS resolve leitura de artigo, aviso de acessibilidade e resposta falada de assistente sem backend de áudio.
No Brasil, isso tem endereço. Celular intermediário com 4G instável no interior do país é o cenário em que baixar 32 MB uma vez e falar offline vale mais do que qualquer promessa de nuvem.
O teste que eu faria antes de prometer qualidade é simples. Pegue dez frases do seu produto, inclusive nome próprio, sigla e número, e ouça as dez. Se o modelo tropeçar no nome da sua marca, o público vai notar em um dia.
Depois meça o que importa no seu caso: tempo até o primeiro áudio, uso de CPU em aparelho antigo e comportamento depois de bloquear a rede. Se o áudio continua saindo com o modo avião ligado, o argumento de rodar local está provado.
A Underdog liberou o download e o demo está no ar. Vale abrir no celular que você usa de verdade, e não no notebook de teste, antes de colocar voz em qualquer página de produção.
