32MB 的模型又能说话又能唱歌：Underdog 演示微型语音模型

作者：陈一帆

初创公司 Underdog 用一个 32MB 的语音模型做了款小游戏 Woof，能离线在浏览器里把文字念出来、还能生成不同风格的音乐。体积约等于一套微信表情包，方向是把 AI 语音搬到本地设备，但延迟、音质和与云端大模型的差距，目前还只有厂商自己的说法。

11 月 6 日，初创公司 Underdog 发布了一个用自家语音模型做的小游戏 Woof，核心卖点只有一个字：小。这个模型只有 32MB——大约一张高清照片、或者一套微信表情包的体积，却能同时生成语音和音乐，而且不依赖云端，在浏览器里就能跑 。

游戏是个复古科技风的房间：老式打字机、CRT 显示器，还有一盏按一下会响的台灯。你在打字机上敲什么，它就用语音念出来；转动调谐器，它能生成不同风格的音乐。开场白还调侃了镇上的“入侵性云服务商”，对云端模型的挖苦写在明面上 。整套体验由 Underdog 的语音生成模型驱动，公司的说法是“大多数设备都能离线运行”；模型有 3100 万参数，任何人都可以下载 。

方向比参数更值得注意：语音这件事正在往“本地”走。语音在设备上生成，带来三个很实际的改变——说的话不出设备，隐私边界回到自己手里；地铁里、飞机上没信号也能用；没有按次计费的云端推理成本，把它塞进耳机、玩具、家电这类便宜硬件才变得划算。TechCrunch 也指出，这种体量的模型大概率取代不了云端大模型，但驱动本地语音助手、生成个性化播客这类场景，可能已经够用 。

这家公司的思路是成体系的。几周前它刚发布了 Bark，一个 167MB 的语音转文字模型，同样面向端侧转录和听写 ；再加上一个号称能在笔记本上跑的 270 亿参数模型，以及一款排着候补名单的应用（定位为 Muse 和 Instinct 的本地替代品），Underdog 在搭一套完整的本地 AI 工具箱 。创始人 Sigil Wen 说，起点是他不想用 Granola 那类云端记事工具，想让模型跑在用户自己的设备上、数据归用户所有；他预计“几个月内，当今大多数能力强的模型能在你已有的设备上跑起来”，并称要做开放、美国制造、保护隐私的模型，还为此写了份宣言 。

冷水也得泼一泼。目前体验全部来自公司自己的演示和表述：“大多数设备离线可跑”是厂商说法，演示的延迟、音质、究竟跑在什么硬件上，报道里都没有数据；模型算不算真开源、许可证怎么定，也仍待确认 。31M 参数和 32MB 体积大体对得上（按 8 位存储粗算约 31MB，这是我的推断，未经核实）。它和云端大模型在表现力、语言覆盖上的差距，同样没有第三方评测。下结论之前，值得等更多人把它下载下来跑一跑。

小模型不是要打赢大模型，它赌的是另一件事：AI 语音从“打字发给服务器”变成“点一下就在耳边发生”。这一步能不能走稳，就看这三十多 MB 在真实设备上的表现了。

转载说明

本文根据以下公开资料整理，原文及配图出处见下方。

• [S1] Underdog shows off a 32MB speech model in new demo
• [S2] Underdog shows off a 32MB speech model in new demo
• [S3] UnderDog – Ein Weg nach Hause.
• 配图 1：来源：TechCrunch（图片署名见原文） · 图片出处
• 配图 2：来源：www.underdog.website（图片署名见原文） · 图片出处
• 配图 3：来源：www.underdog.website（图片署名见原文） · 图片出处