40MB逆袭1000倍体量:Underdog Woof小型TTS语音合成完全指南

原创2026-11-09 20:18:131,829 阅读
文章标签:人工智能语音本地部署模型量化

40MB逆袭1000倍体量:Underdog Woof小型TTS语音合成完全指南

Underdog Woof 是一个只有 40.6 MB 的英文 TTS(文本转语音)语音合成模型:无需 GPU、服务器或 API Key,仅凭 numpy 就能在笔记本 CPU 上运行,词错误率却比体量小 1000 倍(41.5 GB)的 Fish Audio Drama 3 还低 25%。它内置 Juno、Mira 两个音色,能把电话号码、日期、金额、编号读得像真人说话,是本篇完全指南的主角。

为什么值得关注:一组"反常识"的核心数据

在本地语音合成领域,"小"和"准"通常不可兼得。Woof 在 Gradium TTS Hard Cases(500 句高难度英文句子)上的实测表现,把它推到了帕累托前沿:

指标 Underdog Woof 对比参照
下载体积 40.6 MB(双音色全包含) Fish Audio Drama 3:41.5 GB(1,022 倍)
词错误率(WER) 1.42%(Mira) Fish Audio Drama 3:1.89%
推理速度 13.8 倍实时(单核 CPU,Juno) 无需 GPU
运行峰值内存 402 MB(单 CPU 线程,Juno) 无需服务器、无需 API Key

它比绝大多数云端 TTS API 都更准:在同一个评测集上,ElevenLabs Flash v2.5 的词错误率为 6.63%,Kokoro 82M 为 5.17%,而 Woof 只有 1.42%——错误率比它们低 50% 以上,体积还更小。

💡 一句话总结:目前没有任何被测模型能同时做到"比 Woof 更小 + 比 Woof 更准"。

30 秒快速上手:安装与生成第一条音频

Woof 的依赖少到只有一个 numpy(见 requirements.txt),安装步骤如下:

# 1. 安装唯一依赖
pip install numpy

# 2. 克隆仓库
git clone https://gitcode.com/hf_mirrors/ConwayResearch/Underdog-Woof underdog-woof
cd underdog-woof

# 3. 用命令行生成语音(默认 Juno 音色)
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199 with questions." -o hello.wav

# 4. 切换到 Mira 音色
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199 with questions." --voice mira -o mira.wav

命令执行完会打印类似 hello.wav: 6.40 s of audio in 0.46 s (13.9x real time) 的反馈——意思是 6.4 秒的音频只花了 0.46 秒合成。命令行入口逻辑在 underdog_woof/main.py,支持 --voice、--seed、--temp 三个常用参数:

  • --voice:juno(默认,语速更快)或 mira(准确率更高)
  • --seed:固定随机种子,同一段文本每次生成完全相同的音频
  • --temp:温度参数,控制发音的多样性

仓库里还有现成的样例音频可先试听:samples/juno_1.wav、samples/mira_1.wav,内容是"请在周五下午 5:30 前回电 415-555-0199",可以直观感受电话号是怎么被读出来的。

Juno 还是 Mira:两个音色怎么选

两个音色存放在同一个权重文件 woof_int8.npz 中,按场景取舍即可:

Juno(默认) Mira
词错误率 1.53%(4,371 词错 67 处) 1.42%(4,379 词错 62 处)
单核 CPU 速度 13.8 倍实时 7.2 倍实时
峰值内存 402 MB 601 MB

简单说:要快、要省内存选 Juno;追求极限准确率选 Mira。日常语音消息、播报类任务,Juno 完全够用。

亮点机制:数字、日期、电话号读得像真人

Woof 之所以读复杂文本不"翻车",靠的是内置的规则式文本前端,而不是让模型硬猜:

  • 文本归一化:underdog_woof/normalize.py 中的规则引擎会把数字、日期、时间、金额、代码和符号改写成"人嘴里的读法"——比如 402 读作 "four oh two"、长号码逐位读出、5:30 p.m. 读作 "five thirty p.m."。
  • 专名重拼词典:underdog_woof/respell.tsv 收录了 24,000 多条难以发音的姓名、地名和外语词(如 Aachen → Ah-khen),由 underdog_woof/respell.py 在合成时自动匹配。
  • 长文本智能切分:underdog_woof/textsplit.py 会把文本按句子切分,超过 120 字符的句子再在逗号、分号处二次切分;每段生成后会自动检查时长是否失控、中间是否有超过 1 秒的异常静音,不合格最多重抽 3 次并保留最好的一次。

推理引擎 underdog_woof/runtime.py 只用 numpy 和标准库实现,输出 24 kHz 单声道音频——整套系统不依赖 PyTorch、不需要 CUDA。

在 Python 代码中集成

除了命令行,也可以像普通函数一样调用,核心 API 只有三步:

from underdog_woof import Woof

tts = Woof(voice="mira")    # "juno"(默认)或 "mira"
audio = tts("Hey! Thanks for calling. How can I help you today?", seed=0)
tts.save("hello.wav", audio)

Woof() 还支持 normalize=False 关闭内置归一化(方便自己做文本预处理)、temp 和 eos 等参数,详见 underdog_woof/init.py 中的类定义。传入 seed 即可保证同文本、同音色的输出完全可复现,非常适合批量生产语音素材。

许可证提醒:个人免费,商用需授权

Woof 采用 Underdog Non-Commercial License 1.0(完整条款见 LICENSE),使用前请留意:

  • ✅ 免费:个人项目、科研、教学、非营利用途,可公开发布 Woof 生成的音频
  • ✅ 署名要求:发布内容需在标题或描述中带上 "Underdog Woof" 或 "underdog.ai";App 中需展示 "Voice by Underdog Woof"
  • ⚠️ 商用需授权:付费产品、广告、盈利视频等商用场景需联系 Underdog 获取商业授权
  • ⚠️ 禁止蒸馏:不得用 Woof 或其音频训练、微调、蒸馏其他语音模型

其音频解码器改编自 Kyutai 的 Mimi(CC-BY 4.0),训练数据包含 LibriTTS-R 与 Emilia-YODAS,完整署名信息见 NOTICE。

常见问题

Q:Woof 支持中文吗? 目前只支持英文文本合成。

Q:真的完全不需要 GPU 吗? 是。numpy 运行时专为 CPU 设计,官方在 Apple M5 Max 单线程上实测 13.8 倍实时速度,普通 x86 笔记本 CPU 也能流畅运行。

Q:除了 40.6 MB 双音色版,还有其他规格吗? 有单音色版(31.7 MB),词错误率 2.06%,单线程速度 18 倍实时,适合浏览器等更轻量场景。本仓库提供的是双音色完整模型。

总结

Underdog Woof 证明了小型 TTS 语音合成的天花板:40.6 MB 的单文件模型、1.42% 的词错误率、13.8 倍实时的 CPU 推理速度,三项指标同时站到了同级别模型的最前列。如果你想在本地设备上做英文语音合成——无论是做播客、无障碍朗读,还是离线语音产品——它都是目前"体积与准确率"平衡点上的最优解。

🐕 记住这个公式:40MB 模型 + 1% 级错误率 + 零 GPU 依赖 = 人人可用的本地 TTS。

登录后查看全文
Underdog-Woof