一支語音模型小到能塞進網頁的靜態檔案，代價是你得接受它不會有雲端那種音質。
Underdog 32MB speech model 為什麼用檔案大小當賣點
Underdog 在 11 月 5 日公開 Woof，一支文字轉語音的模型。TechCrunch 隔天報導了它的 demo，重點全在同一個數字上：31.7MB。
這個數字為什麼重要？雲端語音的做法，是把文字送到伺服器、等音檔回來，帳單按用量算。模型小到這個程度，就能跟著網頁一起下載，在自己的裝置上跑完。
項目 | 數字 |
|---|---|
模型大小 | 31.7MB |
參數量 | 3,100 萬 |
釋出日 | 2026 年 11 月 5 日 |
Woof 的 demo：打字機、音樂調音器與 Darkcloud
demo 是一個小遊戲。復古科技感的房間，桌上一台打字機與 CRT 螢幕，檯燈按下去有聲音，旁邊擺著音樂調音器。你在鍵盤上打字，模型就把那串字唸出來。
遊戲開場會警告鎮上出現了侵入性的雲端供應商，這是對雲端模型的一句嘲諷。打敗一個叫 Darkcloud 的角色，會拿到邀請。
browser speech model 怎麼運作：靜態資源取代 API 帳單
把模型當靜態資源，差別在成本結構。每次發音不再產生 API 呼叫，也因此可以離線。Underdog 的說法是它能在瀏覽器與多數裝置上跑，不需要網路連線。
多數裝置不等於每一台。這類模型要靠 CPU 或 GPU 推論，老手機與低階筆電跑得動，但速度與耗電要自己測。對一天只唸幾十句的個人專案，這種差距不會出現在帳單上，但對每次載入都要發音的頁面，CPU 會一直被叫醒，第一次下載的 31.7MB 也是實打實的流量。
Underdog 先前的 Bark 與 270 億參數模型
Woof 不是第一支。幾週前 Underdog 推出 Bark，一支 167MB 的語音轉文字模型，針對邊緣裝置做逐字稿與聽寫。它另外釋出一支 270 億參數的模型，說可以在筆電上跑，還有一個候補名單制的 App，定位是 Muse 與 Instinct 的本機替代方案。
創辦人 Sigil Wen 對 TechCrunch 的說法是，他想要一套模型跑在使用者裝置上、資料留在自己手上的系統。他認為目前多數有能力的模型，幾個月內就能跑在人們已有的裝置上。
on-device TTS 的極限：沒有 benchmark，也沒有授權說明
沒有字錯率、沒有自然度分數，也沒有公開的聽測結果。TechCrunch 的判斷是，這種大小的模型不太可能取代大型語音模型，但對本機助理或個人化 podcast 可能夠用。
授權也是空白。模型開放給人下載，但報導裡沒有交代商業使用條款。要放進產品之前，這一段得自己去問。
對繁中使用者還有一個實務問題：中文的發音與斷句能不能用，目前沒有範例。台灣的英語學習 App 或香港的巴士報站，拿它做離線語音很誘人，但先測中文再談。
這個月就能做的事：把語音放進網頁，不接後端
如果你在做一個小工具，這件事現在就能試。把模型當靜態檔案放上 CDN，使用者第一次載入之後就有語音，不用等後端。
先想清楚要犧牲什麼。音質與情緒是 small speech model 先讓步的地方，按鈕說明、導覽提示這類短句最適合。要唸長文或做有聲書，先做一次 A/B 測試再決定。
這種模型真正的價值，是讓沒有預算接語音 API 的個人開發者也能做出有聲音的頁面。
