Underdog Woof: مدل تبدیل متن به گفتار ۴۰ مگابایتی که روی CPU اجرا میشه
خلاصهٔ کاملتر
تو این مقالهی MindStudio مدل Underdog Woof بررسی شده؛ یه مدل TTS (یعنی تبدیل متن به گفتار) انگلیسی که حجم کل دانلودش حدود 40.6 MB هست. این مدل فقط به NumPy وابستهست و نه GPU میخواد، نه API key و نه سرور سنگین. دو تا صدا به اسم Juno و Mira داره و هدفش دستگاههای edge و اجرای سبک محلیه، نه پایپلاینهای صوتی حرفهای که دقت خیلی بالا لازم دارن.
راهاندازیش سادهست: یه محیط پایتون، نصب NumPy، دانلود فایلها از Hugging Face و اجرا با ابزار خط فرمانی که همراهش میاد. اگه بخواید میشه یه رابط Gradio هم روش سوار کرد. نویسنده روی یه VM اوبونتو تستش کرده و میگه مصرف GPU تقریباً صفر و مصرف CPU خیلی کم بوده. تولید هر جمله هم زیر ۵ تا ۶ ثانیه طول کشیده.
سازندهها تو model card ادعا کردن نرخ خطای کلمه (WER، یعنی درصد کلمههایی که اشتباه خونده میشن) روی بنچمارک «TTS hard cases» فقط 1.42% هست. تستهای مقاله این رو فقط تا حدی تأیید کرده. جملهی ساده خوب خونده شد، ولی جملهای با تاریخ، شماره تلفن، شماره فاکتور و کد رهگیری چند تا ایراد داشت؛ مثلاً خط تیرههای شماره تلفن خونده نشد و وسط عددها مکث افتاد.
جملههایی با مخفف، عنوان شغلی، کسر و ایمیل تقریباً نصفنصف خطا داشتن. جملههای مالی با عدد بزرگ، درصد، عدد ترتیبی و عدد رومی هم ۲ تا ۳ خطا تو هر جمله داشتن. صدای Juno هم کلاً از Mira قابلاعتمادتر بود و Mira کندتر تولید میکرد.
تو نمودار model card، Woof خودش رو تو گوشهی «کوچیک و دقیق» گذاشته؛ یعنی مدلهای همدقت مثل Fish یا Dia چند ده گیگابایت بزرگترن و مدلهای هماندازه مثل Kitten Nano خطای بیشتری دارن. ولی به گفتهی نویسنده، تو شنیدن واقعی Fish و Dia خیلی بهتر بودن و Kitten Nano هم تقریباً همسطح Woof بود. پس این بنچمارک بیشتر بهترین حالت مدل روی تستهای خودشه.
لایسنس هم مهمه: استفادهی غیرتجاری با ذکر منبع رایگانه، ولی شرایط تجاری محدوده و Apache 2.0 نیست. نتیجهی مقاله اینه که Woof برای پروتوتایپ، ابزارهای دسترسپذیری یا اعلانهای صوتی ساده خوبه، ولی برای خوندن گزارش مالی، متن حقوقی یا اطلاعات تماس بدون بازبینی انسانی مناسب نیست.
نکات کلیدی:
- حجم کل مدل حدود 40.6 MB هست و فقط به NumPy نیاز داره، بدون GPU.
- دو تا صدا داره: Juno (پایدارتر) و Mira.
- model card نرخ خطای 1.42% روی بنچمارک TTS hard cases گزارش کرده.
- تو تست مستقل، جملههای پر از عدد، درصد و ارز ۲ تا ۳ خطا در هر جمله داشتن.
- تولید هر جمله روی CPU زیر ۵ تا ۶ ثانیه طول کشید.
- استفادهی غیرتجاری رایگانه، ولی لایسنس تجاری محدوده و Apache 2.0 نیست.




