Underdog Woof 開放語音權重，40.6 MB 的英文朗讀模型能做到什麼？

讓電腦念出一串電話號碼，難處不只是聲音自然。少念一個數字，或把日期看成算式，都會讓一句流暢的回答失去用途。

Underdog 本週開放 Woof 的可下載語音權重，並在 11 月 7 日官方貼文介紹這個小型英文文字轉語音模型。公開模型庫建立於 11 月 5 日。

官網頁面署名日期為 10 月 26 日，較早的遊戲展示貼文在 11 月 5 日。因此這次值得關注的是本週可取得的權重與完整執行資料，而非新論文首發。

瀏覽器裡的單聲音版本為 31.7 MB，可下載的雙聲音版本為 40.6 MB。兩者用不同執行環境，速度與記憶體也要分開看。

官方在五百句英文困難句上，回報雙聲音版本較佳聲線的字詞錯誤率為 1.42%。這測的是文字有沒有被說對，沒有涵蓋所有聲音品質。

我會先把它放進英文數字朗讀與離線應用的測試清單。它的小體積有實際價值，但模型版本、語音評測與商用條件必須一起確認。

先拆開兩個版本，才能理解下載大小如何轉成真正能執行的語音功能。

Woof 的兩個版本，差在什麼地方？

單聲音版本適合直接在瀏覽器體驗，公開模型庫則提供兩個聲音的本機版本。因此，網站上最醒目的下載大小，並非下載模型的全部規格。

瀏覽器版本有約三千零七十萬參數，下載大小為 31.7 MB。載入完成後，官方表示可以關掉網路繼續使用，文字留在本機處理。

雙聲音版本約有三千八百二十四萬參數，包含語音模型與音訊解碼器。它提供 Juno 和 Mira 兩種聲音，並以單一權重檔保存。

解碼器的工作，是把模型產生的內部音訊表示還原成可播放聲音。因此比較完整下載大小時，這一部分有沒有算入，會直接改變結果。

官方模型卡列出雙聲音版本輸出為二十四 kHz 單聲道，並提供只需要 numpy 的執行方式。numpy 是常見的數值運算套件，讓執行環境較精簡。

這裡的價值是應用不必為每句朗讀呼叫雲端服務。若要做英語提醒或讀出固定格式文字，開發者可以把語音生成放在裝置內。

官方也列出音訊解碼器參考的 Mimi 設計，以及部分訓練語料的來源與致謝。這些上游材料有自己的授權，並不代表完成後的整套模型必然沿用相同條款。

朗讀模型和語音辨識模型的方向也不同。前者把文字變成聲音，後者把聲音變回文字，因此不能拿同廠其他辨識產品的成績當作這次生成品質。

瀏覽器展示與可下載版本不能互換成績

單聲音的速度使用整數權重與 PyTorch 測量，雙聲音則使用模型庫內的 numpy 程式。即使來自同一產品家族，兩者仍有不同運算負擔。

因此，不能把單聲音的最小檔案、雙聲音較佳的準確率，再加上另一個聲線的最快速度，組成一個看似全部兼得的版本。

檔案小讓部署更容易，但應用是否可靠，仍要看它如何處理輸入文字。對電話號碼與日期來說，發聲前的改寫尤其重要。

延伸閱讀：Ollama 加入本機語音生成：Mac 用 Phonon 把文字轉聲音，API 與中文限制先看懂

為什麼電話、日期與代碼要先改寫？

模型在發聲前會把特殊文字轉成適合朗讀的形式，這會直接影響最後說出的內容。這個步驟通常叫文字正規化，可以理解為先替機器整理讀法。

例如一個電話號碼要逐位念出，金額卻常需要念成完整數值。相同的數字字元，因為用途不同，應該送進發聲模型的文字也不同。

官網用日期、價格、網址與產品代碼展示這個流程。像帶有英文字母和連字號的代碼，先轉成逐個字母與數字，才能保留原本辨識資訊。

這種改寫也存在語境選擇。斜線日期究竟代表日月還是月日，不能只靠聲音模型的大小解決，應用仍要先確定自己的輸入格式。

模型庫內的規則式正規化只需要標準程式庫，也讓開發者可選擇關閉它。如果應用已有固定讀法規則，就能自行處理後再送入語音模型。

這會影響測試方式。只拿一段散文試聽，可能看不出電話、時間與價格的錯誤，因為它們不是散文裡常出現的字詞組合。

長文字也需要切段與重新生成

雙聲音執行程式會先按句子切開長文，較長句子再依標點分段。生成可以逐段處理，因此不必等整篇完成才取得所有音訊。

程式也會檢查片段是否長得不合理，或中間出現過長靜音。遇到這些情況，可以再生成，最多增加三次，最後保留較好的結果。

這表示官方提供的成果包含周邊處理。模型之外的文字改寫、切段與重抽，同樣影響聽到的聲音，不能只把表現歸給參數數量。

若外部團隊重做測試時關閉這些處理，取得的結果便可能不同。保留預設執行條件，才容易分辨差異來自模型還是應用整合。

1.42% 字詞錯誤率，代表哪一種能力？

這項結果來自官方自己的英文困難句測試，而且採用雙聲音版本中成績較好的聲線。它回答的是內容有沒有說對，並非人類聽感的總分。

字詞錯誤率的測法，是先讓模型讀出指定文字，再把音訊轉回文字，比較漏字、多字或替換。比例較低，代表較少這類內容差異。

但轉錄本身也可能出錯，因此測量不只涉及語音生成。對日期和數字，還需要判斷不同文字寫法是否其實表達同樣意思。

困難句測試使用五百句英文，內容集中電話、價格、日期、代碼與網址。官方用一個音訊模型轉錄，再用另一個模型判讀字詞差異。

Mira 聲線在這組設定下得到 1.42%，對應六十二個錯誤與四千三百七十九個字詞。Juno 為 1.53%，使用的是另一組實際轉錄字詞分母。

所以，較低錯誤率是特定聲線與判分流程的結果。即使它在這批內容表現較好，也還要另測專有名詞、口音與應用中的真實句子。

官網也列出單聲音版本在兩百句日常句子上的結果，字詞錯誤率為 2.05%，對應三千二百一十七個字詞中的六十六個錯誤。這組測試使用另一個轉錄器。

另外三十句帶有情緒與對話語氣的例句，得到 0.91%，分母只有三百二十九個字詞。較少題目得到更低比例，仍不能推論表演能力一定比所有其他模型好。

這些分開列出的測試讓讀者知道，題目類型、轉錄工具和樣本量都會改變數字。把三個百分比平均成一個總分，反而會掩蓋最需要測的內容差異。

為什麼「第一名」需要縮回測量範圍？

官方比較中，Fish Audio Drama 3 的字詞錯誤率為 1.89%。雙聲音版本相對少約四分之一錯誤，但這是相對比例，並非少了二十五個百分點。

下載大小比較也有邊界。Fish 的開放權重檔案用來呈現體積，聲音則經雲端 API 生成，不能直接拿來推論兩者在同一台電腦的速度差距。

模型卡還把部分其他模型的結果另外說明，因為轉錄工具不同。使用不同轉錄器的結果，不能和主要比較表當成完全一致的測量條件。

最重要的是，字詞少錯並不直接衡量語調、情緒、音色偏好或長篇聽感。官方的榜首宣傳應留在這份自評的內容準確度範圍內。

延伸閱讀：Fish Audio Drama 3 發表：強化 AI 配音表演控制，開放權重能怎麼用？

小檔案為何仍需要數百 MB 記憶體？

模型權重只是執行時需要的一部分，語音生成還會占用程式與中間資料的空間。因此，四十多 MB 的下載不代表只需四十多 MB 記憶體。

官方對雙聲音版本使用同一台 Apple M5 Max 的單一 CPU 執行緒測量，兩百句日常句子做三輪，再取速度的中位數。

Juno 的速度約為即時播放的 13.8 倍，峰值常駐記憶體約四百零二 MB。Mira 約為 7.2 倍，峰值約六百零一 MB。

這裡的倍數代表生成一段音訊所需時間，相對於播放這段音訊的長度。它並不是按下按鈕後，第一個聲音一定會在同樣比例時間內出現。

Mira 的字詞錯誤率較低，Juno 的這組速度較快。兩個聲線已呈現選擇差異，因此應用可以依自己的內容需求分別試聽與計時。

單聲音版本另外回報，十三點二秒音訊約用零點七三秒生成，程序峰值約八百五十二 MB，其中包含 PyTorch 與其他套件的負擔。

這說明精簡執行環境也能影響部署。即使權重略大，較輕的周邊程式仍可能讓雙聲音版本的整體記憶體需求較低。

然而單一筆電晶片的結果不能換成所有手機與手錶的承諾。瀏覽器還會受到 WebGPU 支援與裝置狀態影響，仍需在目標設備驗證。

開放權重可以直接拿去商用嗎？

可下載版本的實際授權要求商用另行取得許可，官網的簡短授權標籤並沒有交代全部條件。採用前應讀模型庫內的完整 LICENSE。

官網與發布貼文寫的是 CC BY-NC 4.0，但目前模型庫標示 Underdog Non-Commercial License 1.0。兩個名稱不同，不能只靠貼文標籤推定權利。

實際文件允許符合條件的個人、研究、教學與非營利用途，也要求對公開音訊及應用提供指定來源標示。修改或分享模型同樣需要遵守條款。

營利產品、廣告、營利影片與公司內部工作，都在文件所定義的商用範圍。下載權重不會自動給予這些用途的授權。

文件另外允許公司進行最多三十天的內部評估，用來決定是否取得商用授權。這個例外是測試，並不等於可直接投入客戶服務。

同一份文件也限制使用模型或輸出訓練其他語音及音訊生成模型。若目的是蒐集合成聲音再訓練自己的系統，便不能忽略這項條件。

Underdog 自家產品中的使用另有例外，因此直接用其服務與把權重拿出來自架，應分成不同使用路徑閱讀。

這些條件會改變整合順序。對研究者來說，可以先檢查英文格式文字的效果。對商業團隊來說，則應先對上授權與部署方式，再投入介面與素材製作。

Woof 常見問題 FAQ

Woof 支援中文朗讀嗎？

目前公開模型卡標示英文。官方這批數據也是英文測試，沒有足以推論中文品質的證據，中文需求仍應另找適合模型。

31.7 MB 與 1.42% 屬於同一版本嗎？

前者是單聲音版本大小，後者是四十點六 MB 雙聲音版本中 Mira 的成績。單聲音在同類困難句測試為 2.06%。

斷網後還能用嗎？

官網表示瀏覽器版本載入完成後可離線使用。可下載版本則在本機執行，但首次仍需取得權重與必要程式，不能把首次開啟也視為完全不需要網路。

免費可下載代表能用在營利影片嗎？

模型庫的實際授權把營利內容列入商用範圍，需要另外取得書面商用授權，不能只因為音訊由自己生成就推定沒有使用條件。

結論

Woof 展示了小模型和周邊處理一起改善英文朗讀的路徑。體積縮小有助於本機整合，數字正規化、切段與重抽則影響內容是否被完整說出。

若要開始評估，可以先從自己的電話、日期與代碼句子取樣，分別保留聲線、版本、錯字與等待時間。當這些條件都符合需求，再確認授權並決定是否投入應用。

資料來源

• Underdog Woof 官方頁
• Woof 官方模型卡與權重
• Underdog Non-Commercial License 1.0