استارتاپ Underdog مدل تبدیل متن به گفتار جدیدی به نام Woof منتشر کرده که با حجم ۳۲ مگابایت و ۳۱ میلیون پارامتر در مرورگر اجرا می‌شود و به اتصال اینترنت نیاز ندارد. این مدل به‌صورت آزاد برای دانلود در دسترس است.

Underdog برای نمایش عملکرد Woof یک بازی ساده ساخته است: اتاقی با تم تکنولوژی قدیمی شامل ماشین‌تایپ، مانیتور CRT و یک چراغ مطالعه که با کلیک روی کلیدش صدا تولید می‌کند. کاربر هر متنی را روی ماشین‌تایپ تایپ می‌کند و بازی آن را با صدای Woof بازخوانی می‌کند. چرخاندن پیچ تنظیم نیز موسیقی‌های مختلف تولید می‌کند. در ابتدای بازی، هشداری دربارهٔ «ارائه‌دهندگان ابری مزاحم» نمایش داده می‌شود که کنایه‌ای به مدل‌های ابری است.

این انتشار چند هفته پس از معرفی Bark انجام می‌شود؛ یک مدل ۱۶۷ مگابایتی تبدیل گفتار به متن که آن هم برای اجرا روی دستگاه‌های محلی (edge devices) طراحی شده و برای رونویسی و دیکته استفاده می‌شود.

Underdog علاوه بر این دو مدل صوتی، یک مدل ۲۷ میلیارد پارامتری نیز منتشر کرده که روی لپ‌تاپ اجرا می‌شود. همچنین اپلیکیشنی در فهرست انتظار دارد که به‌عنوان جایگزین محلی برای Muse و Instinct معرفی شده است.

Sigil Wen، بنیان‌گذار Underdog، به TechCrunch گفته که انگیزه‌اش از ساخت این ابزارها، تمایل به داشتن سیستمی بوده که به‌جای استفاده از نوت‌بردارهای ابری مثل Granola، روی دستگاه کاربر اجرا شود و داده‌ها در اختیار خود کاربر بماند. او می‌گوید: «فکر می‌کنم بتوانیم قوی‌ترین مدل‌های امروز را ظرف چند ماه روی دستگاه‌هایی که همین حالا در اختیار دارید اجرا کنیم.»

تحلیل: مدل‌های کوچک جایگزین نمی‌شوند اما یک لایهٔ مستقل می‌سازند#

مدلی با ۳۱ میلیون پارامتر در برابر مدل‌های چند صد میلیارد پارامتری که امروز برتریت کیفیت را دارند، رقابتی نیست. اما نکتهٔ این خبر چیز دیگری است: Underdog نشان می‌دهد که کیفیت قابل‌قبولِ تبدیل متن به گفتار بدون سرور ابری و بدون اشتراک ماهانه ممکن است. برای کسی که ایجنت محلی می‌سازد، این یعنی یک لایهٔ صوتی بدون وابستگی به API بیرونی.

با این حال، محدودیت‌ها هم مشخص‌اند. مدل‌های این‌چنینی برای گفتار طبیعی، چندنفره، یا زبان‌های غیرانگلیسی احتمالاً کافی نخواهند بود. حرکت Underdog در واقع یک استراتژی پلتفرمی است: مدل کوچک برای جذب توجه و جامعه، مدل ۲۷ میلیاردی برای کاربر جدی، و اپلیکیشن محلی برای تبدیل به محصول قابل‌فروش. هنوز مشخص نیست آیا این ترکیب به درآمد پایدار تبدیل می‌شود یا نه.

منبع: TechCrunch AI