Underdog comprime o modelo de voz Woof em 32 MB e o executa no navegador

Uma interface de voz parece um recurso simples até ser necessário pagar por servidores, esperar uma resposta da nuvem e explicar ao usuário para onde seu texto foi enviado. A Underdog propõe outra opção: o modelo de síntese de voz Woof ocupa 31,7 MB, contém 31 milhões de parâmetros e, segundo a empresa, funciona diretamente no navegador na maioria dos dispositivos, mesmo sem internet.

A empresa demonstrou o modelo não em uma tabela de testes, mas em um pequeno jogo. Na tela há uma sala com uma máquina de escrever, um monitor antigo e um aparelho de som. O usuário digita qualquer frase e o Woof a pronuncia localmente. É um exemplo claro do que normalmente fica escondido por trás da expressão “computação no dispositivo”: o texto não precisa ser enviado a um servidor remoto, e a resposta não depende da qualidade da conexão.

Por que colocar uma voz em 32 MB

Na síntese de voz em nuvem, um aplicativo grava ou recebe texto, envia os dados ao fornecedor, espera a geração e recebe o áudio. Essa cadeia envolve a rede, uma API externa, cobranças por requisição e regras de tratamento de dados. Se o serviço estiver indisponível ou a conexão cair, o recurso de voz deixa de funcionar.

O Woof transfere o processamento para o dispositivo do usuário. Essa abordagem é especialmente interessante para anotações, leitura de interfaces, navegação, aplicativos educacionais e assistentes pessoais. Por exemplo, um aplicativo de leitura de documentos poderia pronunciar um parágrafo selecionado em um avião ou no metrô sem enviar o conteúdo do documento para a nuvem. Para um produto, isso significa não apenas privacidade, mas também custos mais previsíveis: depois que o modelo é baixado, cada nova solicitação não se transforma em uma cobrança separada de um fornecedor de API.

O modelo está disponível para download. Isso permite que desenvolvedores o integrem aos próprios produtos, testem a latência nos dispositivos de destino e estudem suas limitações sem ficarem vinculados a um serviço fechado. A Underdog lançou anteriormente o Bark, um modelo de reconhecimento de voz de 167 MB para transcrição e ditado locais. Juntos, esses projetos apontam para um fluxo de voz completo no dispositivo: o Bark converte fala em texto, o aplicativo processa a solicitação e o Woof pronuncia a resposta.

Uma demonstração ainda não é um produto pronto

O tamanho do modelo impressiona, mas, por si só, não diz nada sobre a naturalidade da voz, o suporte ao idioma russo, a estabilidade com frases longas ou a velocidade em celulares de baixo desempenho. O material publicado não apresenta uma comparação independente entre o Woof e sistemas em nuvem, nem medições detalhadas de latência, consumo de energia ou qualidade da fala. Portanto, a afirmação da empresa de que ele funciona na maioria dos dispositivos deve ser entendida como uma declaração do desenvolvedor, e não como um resultado de testes confirmado.

Também é pouco provável que um modelo pequeno substitua grandes sistemas quando são necessários dezenas de idiomas, controle preciso de entonação, clonagem de voz ou qualidade de estúdio. Seu ponto forte pode estar em outro aspecto: fala boa o suficiente sem rede, servidor ou transferência de dados pessoais.

O que os desenvolvedores devem testar

Vale começar não pela substituição completa do serviço de voz atual, mas por um pequeno protótipo. Escolha um caso de uso — por exemplo, a leitura de notificações — e meça o tempo da primeira inicialização, a latência até o início da fala e o impacto sobre a memória e a bateria. Depois, teste a pronúncia de números, nomes, abreviações e frases longas nos dispositivos que o público realmente usa.

Se a qualidade for suficiente, o modelo local poderá ser mantido como opção principal, enquanto a nuvem ficará reservada para casos complexos. O Woof é importante não porque o modelo ocupa menos espaço que uma foto tirada por um smartphone moderno. Ele demonstra uma mudança prática: a IA de voz está gradualmente se tornando uma parte comum dos aplicativos, sem necessariamente exigir o aluguel de um servidor ou o envio dos dados do usuário para fora do dispositivo.