演示里,用户输入一句话,浏览器里的角色用合成声音说出来;所有计算在本地完成,不依赖网络。31M 参数、约 32MB 的体积,意味着它能塞进普通手机和笔记本,而不是只跑在云端 GPU 上。

创始人 Sigil Wen 的说法是,目标是让用户在自有设备上跑「今天还算能干」的模型,数据留在本地。Underdog 之前发布过 167MB 的语音转文字模型 Bark,以及一个 27B、能在笔记本上跑的模型;这次把语音生成也压到了端侧。

小模型的局限也明显:音色和韵律的稳定性、长句的一致性都比云端大模型差,适合做本地助手、个性化播客、离线配音,不适合直接替代商业 TTS。