
40MB 的语音模型只吃一个 CPU 线程:电话号码和金额都读对,硬句错词率 1.42%
Conway Research 的 Underdog Woof 把英文 TTS 压到 40.6MB,只依赖 numpy,单 CPU 线程 13.8 倍实时,在专挑刺的硬句集上错词率 1.42%,低于 41.5GB 的云端方案。
相关标签
语音合成这两年一路往大里做:41.5GB 的权重、云端 API、按字符计费。Conway Research 反着来——40.6MB,两个音色,只依赖 numpy,一个 CPU 线程跑出 13.8 倍实时,在一套专挑刺的英文句子上把错词率压到 1.42%。
它读的不是句子,是句子里的东西
ConwayResearch/Underdog-Woof 是个英文文本转语音模型,两个音色:Juno(默认)和 Mira。输入是英文文本,输出 24kHz 单声道 float32 音频。参数规模 38.24M——语音模型 22.95M,音频解码器 15.3M,解码器改造自 Kyutai 的 Mimi codec,两个音色共用同一个权重文件。
真正让它在”硬句”上不出错的是那个规则式文本正则化器。电话号码、日期、时间、金额、订单号、符号,它按人口语怎么说就怎么读:415-555-0199 不会念成四一五杠五五五,5:30 p.m. 会读成 five thirty in the afternoon,生僻人名靠词表重新拼读。整个正则化器不依赖任何外部包,只用标准库。喂什么读什么这一条,恰恰是很多大 TTS 在真实业务里翻车的地方。
长文本的处理也算克制:按句切分,超过 120 字符的句子在逗号、分号、破折号处再切;每段生成后自检,长度远超文本或中间出现一秒以上静音就重抽,最多再抽三次,取最好的一版。给 seed 就能对同一段文本复现同一段音频。
数字:小到不像话,准得不像话
评测集是 Gradium TTS Hard Cases(英文 500 句,专收数字、缩写、生僻词这类易错句),所有模型用同一套流程跑、同一套流程打分:
| 模型 | 运行方式 | 下载体积 | 词错率 |
|---|---|---|---|
| Underdog Woof(Mira) | 本地 CPU | 40.6 MB | 1.42% |
| Fish Audio Drama 3 | 云端 API | 41.5 GB | 1.89% |
| Phonon 31m | 端侧 | 55.1 MB | 2.16% |
| Deepgram Flux TTS | 云端 API | 未公开 | 2.39% |
| Kokoro 82M | 端侧 | 327 MB | 5.17% |
| ElevenLabs Flash v2.5 | 云端 API | 未公开 | 6.63% |
| Kitten Nano 0.8 | 端侧 | 27.6 MB | 9.81% |
| Qwen3-TTS 1.7B | 端侧 | 4.54 GB | 11.99% |
比它更小的只有 Kitten Nano 0.8(27.6MB),代价是 9.81% 的错词率——差了近七倍。两个音色里 Mira 1.42%、Juno 1.53%;速度上 Juno 在 Apple M5 Max 单 CPU 线程达 13.8 倍实时,峰值常驻内存 402MB,Mira 是 7.2 倍、601MB。单音色版用 PyTorch int8,速度 18 倍实时,但错词率 2.06%。
顺带被打脸的还有规模叙事:Liquid AI 的 LFM3-Audio-2B(1.21GB 4bit)在同一批句子上错了 20.1%,Qwen3-TTS 1.7B 是 11.99%。参数多两个数量级,不一定更会读电话号码。
上手与适用边界
部署只需要 numpy:
pip install numpy
hf download ConwayResearch/Underdog-Woof --local-dir underdog-woof
cd underdog-woof
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199." -o hello.wav
也可以三行代码嵌进程序:tts = Woof(voice="mira"),audio = tts(text, seed=0),tts.save("hello.wav", audio)。
它适合的场景很具体:离线 IVR 语音提示、订单与物流播报、无障碍朗读、嵌入式设备出声、以及任何”不想把文本发给云端”的场合。不适合的同样具体——只有英文,没有中文;两个固定音色,不能克隆,也不能指定情绪;许可为 Underdog Non-Commercial License 1.0,个人、研究、教学、非营利免费但需署名,商用要单独授权,并且明确禁止拿它合成的声音去训练其他语音模型。
在一台没有 GPU 的机器上,40MB 换 1.42% 的错词率,这笔账在嵌入式与客服播报场景里很好算。
更多资讯
想看更多优质内容?
浏览所有资讯