Underdog dévoile Woof, un modèle de voix de 32 Mo fonctionnant sans connexion

Une petite startup américaine, Underdog, vient de publier une démonstration originale qui montre ce que permettent les modèles de parole ultra‑légers. Le projet s’appelle Woof : un modèle de synthèse vocaleText-to-SpeechTechnologie transformant automatiquement du texte écrit en parole synthétique. de 31 Mo (31  millions de paramètres) capable de générer du texte‑à‑parole directement dans le navigateur, sans faire appel à un serveur cloud.

Un jeu comme vitrine

Pour illustrer les capacités du modèle, l’équipe a développé un mini‑jeu accessible depuis un simple onglet web. L’environnement rappelle une salle de travail rétro : un bureau équipé d’une machine à écrire, d’un moniteur CRT et d’une lampe de bureau dont l’interrupteur déclenche un petit « clic ». Le décor est ponctué d’un message d’avertissement qui se moque des fournisseurs de cloud « intrusifs », soulignant l’objectif du projet : offrir une alternative locale aux services hébergés.

Dans le jeu, le joueur peut taper n’importe quel texte sur la machine à écrire. À chaque frappe, le modèle Woof le lit à haute voix, reproduisant la phrase en temps réel. Un autre élément interactif est un « tuner » musical que l’on peut faire tourner pour produire différents sons, toujours générés par le même moteur de synthèse.

Comment ça fonctionne ?

Woof repose sur un réseau de neuronesRéseau de neuronesModèle informatique constitué d'unités de calcul interconnectées dont les paramètres sont ajustés pendant l'apprentissage. contenant 31  millions de paramètres, soit une taille très modeste comparée aux modèles grand public qui atteignent plusieurs milliards de paramètres. Cette légèreté permet de charger le modèle dans la mémoire du navigateur et de le faire tourner entièrement côté client. Aucun appel à un serveur distant n’est nécessaire, ce qui élimine les latences liées au réseau et protège les données saisies de toute transmission extérieure.

Underdog affirme que le modèle peut s’exécuter sur la plupart des appareils – ordinateurs de bureau, ordinateurs portables ou même smartphones – tant que le navigateur supporte le WebAssembly ou le WebGPU. Le code source du modèle est disponible en téléchargement, ce qui ouvre la porte à des projets communautaires et à des adaptations sur mesure.

Où placer cette innovation ?

Le modèle Woof ne prétend pas remplacer les solutions de synthèse vocale haut de gamme utilisées aujourd’hui dans les assistants virtuels ou les services de streaming audio. Sa résolution audio reste suffisante pour des usages simples : réponses vocales d’un assistant local, création de podcasts personnalisés, ou encore lecture d’instructions dans des environnements où la connexion internet est intermittente.

La même startup a lancé, quelques semaines auparavant, Bark, un modèle de reconnaissance vocaleSpeech-to-TextTechnologie permettant de convertir automatiquement la parole en texte écrit. de 167 Mo destiné également aux appareils en périphérie. Bark se veut une alternative aux services de transcription cloud, en permettant la dictée et la transcription directement sur le dispositif de l’utilisateur.

Perspectives et limites

Sigil Wen, fondateur d’Underdog, explique que l’ambition est de rendre les modèles d’IAIntelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. les plus performants accessibles sur les appareils que l’on possède déjà, sans recourir à des serveurs distants. L’objectif affiché est de proposer des modèles « open », fabriqués aux États‑Unis, et qui garantissent la confidentialité des données utilisateurs. Cette vision rejoint une tendance croissante dans le secteur : le besoin de solutions d’IA décentralisées, surtout dans un contexte de préoccupations croissantes autour de la vie privée.

Cependant, la petite taille du modèle implique des compromis. La qualité de la voix, la fluidité des intonations et la capacité à gérer des langues ou des accents variés restent inférieures à celles des modèles de plusieurs gigaoctets. De plus, la charge de calcul, même réduite, peut encore être limitante sur les appareils très anciens ou ceux dont la puissance GPUGPUProcesseur conçu pour effectuer de nombreux calculs en parallèle, notamment utilisé pour entraîner et exécuter des modèles d'IA. est restreinte.

Malgré ces limites, la démonstration d’Underdog montre qu’il est possible de proposer des expériences vocales locales sans dépendre d’infrastructures cloud massives. Pour les développeurs, cela ouvre la porte à des applications qui respectent la confidentialité dès leur conception, tout en restant légères à déployer.

Le projet Woof, disponible dès maintenant via le site d’Underdog, constitue une première étape vers un écosystème où les assistants vocaux et les outils de génération de contenu audio peuvent fonctionner hors ligne, offrant ainsi une alternative intéressante aux solutions centralisées.