Underdog comprime su modelo de voz Woof en 32 MB y lo ejecuta en el navegador

Una interfaz de voz parece una función sencilla hasta que hay que pagar servidores, esperar una respuesta de la nube y explicar al usuario adónde fue a parar su texto. Underdog propone otra opción: el modelo de síntesis de voz Woof ocupa 31,7 MB, contiene 31 millones de parámetros y, según la empresa, funciona directamente en el navegador en la mayoría de los dispositivos, incluso sin conexión a internet.

La empresa no mostró el modelo en una tabla de pruebas, sino en un pequeño juego. En la pantalla aparece una habitación con una máquina de escribir, un monitor antiguo y un reproductor de música. El usuario escribe cualquier frase y Woof la pronuncia localmente. Es un ejemplo claro de lo que suele esconderse tras la expresión «computación en el dispositivo»: no es necesario enviar el texto a un servidor remoto y la respuesta no depende de la calidad de la conexión.

Por qué comprimir una voz en 32 MB

Con la síntesis de voz en la nube, una aplicación graba o recibe texto, envía los datos al proveedor, espera a que se genere el resultado y recibe el audio. En esa cadena intervienen la red, una API externa, el pago por solicitudes y las reglas de tratamiento de datos. Si el servicio no está disponible o se pierde la conexión, la función de voz deja de funcionar.

Woof traslada el procesamiento al dispositivo del usuario. Este enfoque resulta especialmente interesante para notas, narración de interfaces, navegación, aplicaciones educativas y asistentes personales. Por ejemplo, una aplicación para leer documentos podría pronunciar un párrafo seleccionado en un avión o en el metro sin subir el contenido del documento a la nube. Para un producto, esto no solo aporta privacidad, sino también costes más previsibles: una vez descargado el modelo, cada nueva solicitud no se convierte en una factura independiente de un proveedor de API.

El modelo está disponible para su descarga. Esto permite a los desarrolladores integrarlo en sus propios productos, comprobar la latencia en los dispositivos objetivo y estudiar sus limitaciones sin quedar ligados a un servicio cerrado. Underdog lanzó anteriormente Bark, un modelo de reconocimiento de voz de 167 MB para transcripción y dictado locales. En conjunto, ambos desarrollos perfilan un circuito de voz completo en el dispositivo: Bark convierte la voz en texto, la aplicación procesa la solicitud y Woof verbaliza la respuesta.

Una demostración todavía no equivale a un producto terminado

El tamaño del modelo impresiona, pero por sí solo no dice nada sobre la naturalidad de la voz, la compatibilidad con el ruso, la estabilidad con frases largas ni la velocidad en teléfonos de gama baja. El material publicado no incluye una comparación independiente entre Woof y los sistemas en la nube, ni mediciones detalladas de latencia, consumo energético o calidad del habla. Por tanto, la afirmación de la empresa de que funciona en la mayoría de los dispositivos debe entenderse como una declaración del desarrollador, no como un resultado de pruebas confirmado.

También es poco probable que un modelo pequeño sustituya a los grandes sistemas cuando se necesitan decenas de idiomas, un control preciso de la entonación, clonación de voz o calidad de estudio. Su punto fuerte podría ser otro: una voz suficientemente buena sin red, sin servidor y sin transferir datos personales.

Qué deben comprobar los desarrolladores

Conviene empezar con un pequeño prototipo, no con la sustitución completa del servicio de voz actual. Elija un caso de uso —por ejemplo, la lectura de notificaciones— y mida el tiempo del primer inicio, la latencia hasta que comienza la voz y la carga sobre la memoria y la batería. Después, compruebe la pronunciación de números, nombres, abreviaturas y frases largas en los dispositivos que realmente utiliza el público.

Si la calidad resulta suficiente, el modelo local puede quedar como opción principal y la nube reservarse para los casos complejos. Woof no es importante porque el modelo ocupe menos que una fotografía tomada con un smartphone moderno. Muestra un cambio práctico: la IA de voz se está convirtiendo poco a poco en una parte habitual de las aplicaciones, una que no necesita necesariamente alquilar un servidor ni enviar fuera los datos del usuario.