استارتاپ Underdog روز جمعه ۱۵ آبان ۱۴۰۵ (۶ نوامبر ۲۰۲۶) مدلِ تبدیلِ متن به گفتار «Woof» را با یک بازیِ مرورگری نشان داد. اندازه‌ی مدل حدود ۳۲ مگابایت (۳۱٫۷ مگابایت به گفته‌ی شرکت) و ۳۱ میلیون پارامتر است و طبق گزارش TechCrunch کاملاً داخلِ مرورگر و بدونِ اینترنت اجرا می‌شود.
Woof چه می‌کند؟
این مدل متنی را که تایپ می‌کنید با صدا می‌خواند. در بازیِ نمایشی (آدرسِ underdog.ai/escape) اتاقی با تمِ فناوریِ قدیمی هست: ماشین‌تحریر، مانیتورِ CRT و چراغِ رومیزی. هر چیزی که روی ماشین‌تحریر تایپ کنید با صدای Woof بلند خوانده می‌شود، و با چرخاندنِ دکمه‌ی تیونر می‌شود موسیقیِ مختلف ساخت. همه‌ی صداها را همین مدلِ ۳۲ مگابایتی تولید می‌کند. متنِ بازی هم تلنگری به مدل‌های ابری دارد: شهری که «ارائه‌دهندگانِ ابریِ مزاحم» دارد.
اگر می‌خواهی همین حالا امتحانش کنی، تبدیل متن به صدا در هوش نو با توضیح فارسی و بدون فیلترشکن کار می‌کند.
چرا ۳۲ مگابایت مهم است؟
مدل‌های گفتارِ معمول صدها مگابایت یا چند گیگابایت حجم دارند و روی سرور اجرا می‌شوند. یک مدلِ ۳۲ مگابایتی از بسیاری عکس‌های موبایل کوچک‌تر است و روی دستگاهِ خودِ شما اجرا می‌شود؛ یعنی متنِ شما به جایی فرستاده نمی‌شود، تأخیر کم است و قطعیِ اینترنت اهمیتی ندارد. Underdog می‌گوید مدل برای هر کسی برای دانلود باز است؛ مجوز، زبان‌های پشتیبانی‌شده و نتیجه‌ی آزمون‌ها در گزارش نیامده است.
مدل‌های دیگر Underdog
- Bark: مدلِ گفتار به متنِ ۱۶۷ مگابایتی برای دستگاه‌های لبه، مناسبِ پیاده‌سازیِ دیکته و رونویسی؛ چند هفته پیش‌تر عرضه شد.
- مدلِ ۲۷ میلیارد پارامتری: که می‌تواند روی لپ‌تاپ اجرا شود.
- اپلیکیشن: برنامه‌ای محلی با لیستِ انتظار، به‌عنوان جایگزین برای Muse و Instinct؛ جزئیاتش نیامده.
مؤسسِ شرکت، سیجیل ون، می‌گوید برنامه را ساخته چون به‌جای ابزارهای یادداشت‌بردار مثل Granola سیستمی می‌خواست که مدل‌هایش روی دستگاهِ خودِ کاربر اجرا شود و داده‌هایش دستِ خودش بماند. او انتظار دارد «توانمندترین مدل‌های امروز» ظرف چند ماه روی دستگاه‌های مصرفی اجرا شوند و هدفش مدل‌های بازِ آمریکایی برای هوشِ مصنوعیِ خصوصی است.
این یعنی چه برای کاربر فارسی‌زبان؟
خبرِ خوب این است که روند به سمتِ مدل‌های ریز و محلی می‌رود. خبرِ بد برای ما: گزارش از پشتیبانیِ فارسی چیزی نگفته، پس نمی‌توان فرض کرد Woof فارسی را درست بخواند. تا آن روشن شود، اگر برای ویدیو یا پادکست گویندگیِ فارسی لازم دارید، در ابزارهای هوش‌نو بخشِ گویندگیِ فارسی هست. درباره‌ی ابزارهای صدا هم می‌توانید مقاله‌ی ابزارهای تغییر صدا را ببینید، و اگر با مفهومِ ایجنت‌های محلی تازه آشنا شده‌اید، ایجنت هوش مصنوعی چیست را بخوانید.
روندِ مدل‌های کوچکِ محلی
در یک سال گذشته شرکت‌های زیادی سعی کرده‌اند هوش مصنوعی را از سرورها به گوشی و لپ‌تاپ بیاورند. دلیلش ساده است: اجرای محلی یعنی هزینه‌ی سرورِ صفر برای سازنده، حریمِ خصوصیِ بهتر برای کاربر و کار کردن بدونِ اینترنتِ پایدار. این مسئله برای کاربرانی که اینترنتِ ناپایدار دارند اهمیتِ بیشتری دارد. البته محدودیت هم هست: مدلِ کوچک معمولاً در طبیعی‌بودنِ لحن، ایجادِ احساس و پشتیبانی از زبان‌های کم‌منبع از مدل‌های بزرگ ضعیف‌تر است و فارسی از همین گروه است. بنابراین باید منتظر آزمونِ مستقل ماند و بعد قضاوت کرد؛ نمایشِ یک شرکتِ تازه‌کار هنوز محصولِ آماده نیست.
چه چیزی هنوز معلوم نیست؟
- مجوزِ دقیق و لینکِ دانلودِ رسمیِ وزن‌ها.
- کیفیتِ صدا در مقایسه با مدل‌های بزرگ؛ گزارش آزمونی نداده و خودِ مقاله هم می‌گوید احتمالاً جایگزینِ مدل‌های بزرگ نمی‌شود.
- زبان‌های پشتیبانی‌شده، به‌ویژه فارسی.
جمع‌بندی
Woof بیشتر یک نمایشِ توانایی است تا محصولِ نهایی، اما پیامش روشن است: صدایی که قبلاً سرور می‌خواست، حالا در ۳۲ مگابایت جا می‌شود. اگر کیفیتش در آزمون‌های مستقل و زبان‌های دیگر تأیید شود، گوینده‌ی محلی برای اپ‌ها و ابزارها ارزان و خصوصی می‌شود.
سؤالات متداول
Woof چیست؟
مدلِ متن به گفتارِ ۳۱ میلیون پارامتریِ شرکتِ Underdog با حجمِ حدود ۳۲ مگابایت که در مرورگر اجرا می‌شود.
بدونِ اینترنت کار می‌کند؟
به گفته‌ی شرکت بله؛ روی بیشترِ دستگاه‌ها محلی اجرا می‌شود.
فارسی را می‌خواند؟
در گزارش‌ها زبان‌های پشتیبانی‌شده ذکر نشده؛ پس نمی‌توان فارسی را قطعی دانست.
