TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
Underdog Woof 開放權重：40.6 MB 英文朗讀把電話號碼讀對
Underdog 在 11 月 5 日開放 Woof 英文文字轉語音模型權重：雙聲線版本 40.6 MB、瀏覽器版 31.7 MB，numpy 就能在筆電 CPU 執行，官方自評困難句字詞錯誤率 1.42%。這篇拆解兩個版本的規格差異、比較表的測量條件，以及官網 CC BY-NC 標籤與實際授權條款的落差。
用 AI 摘要這篇文章：
Underdog 在 11 月 5 日把英文文字轉語音模型 Woof 的權重放上 Hugging Face：一個 40.6 MB 的檔案裝進 Juno 與 Mira 兩種聲線，官方模型卡標示只要 numpy 就能在筆電 CPU 上執行，不需要 GPU 或 API 金鑰。同一天稍早，官方 X 帳號先用一款瀏覽器遊戲展示更小的版本：31.7 MB 的單聲線模型，載入完成後關掉網路仍能發聲，輸入文字留在瀏覽器本機處理，頁面上寫明你打字的內容不會外送。遊戲房間裡旁白與反派 Darkcloud 的每個聲音都由 Woof 現場生成，官方強調沒有預錄。
官網頁面署名日期是 2026 年 10 月 26 日，遊戲展示貼文發於 11 月 5 日 04:44 UTC，Hugging Face 存放庫的建立時間是同日 19:07 UTC，最後修改停在 11 月 6 日。換句話說，官網頁面早在 10 月 26 日就備妥，這週真正的新聞是把可下載的權重與執行程式交到所有人手上，體驗路徑也分成兩條：想快速聽效果的人開瀏覽器就能玩，要整合進產品的人抓權重檔自己跑。對想在應用裡內建英文朗讀、又不想每句話都呼叫雲端語音 API 的開發者，這件事把門檻縮成一個 40.6 MB 的下載問題。
31.7 MB 與 40.6 MB 是兩個版本，數字不能互相搬
官網最醒目的下載大小屬於瀏覽器版本，也就是單聲線模型：31.7 MB、約 3,070 萬參數，標榜載入後斷網可用。Hugging Face 上開放的是雙聲線版本：40.6 MB、約 3,824 萬參數，兩種聲線存在同一份權重檔裡，輸出 24 kHz 單聲道音訊。模型卡把參數拆成兩塊：語音模型 2,295 萬、音訊解碼器 1,530 萬，解碼器改編自 Kyutai 的 Mimi 設計，負責把模型產生的內部音訊表示還原成可播放的聲音。
| 瀏覽器版（單聲線） | 下載版（雙聲線） | |
|---|---|---|
| 下載大小 | 31.7 MB | 40.6 MB |
| 參數量 | 30.7M | 38.24M（語音模型＋解碼器） |
| 聲線 | 1 種 | Juno、Mira |
| 執行環境 | 瀏覽器，int8 量化 | numpy，單一權重檔 |
| 官方自評錯誤率（困難句） | 2.06% | 1.42%（Mira） |
| 官方速度標示 | 18 倍即時（16 步） | 13.8 倍即時（Juno） |
| 峰值記憶體 | 852 MB | 402 MB（Juno） |
兩個版本用不同執行環境量測，所以表格裡的數字不能自由組合：最小的檔案、最低的錯誤率、最快的速度分別屬於不同設定。有意思的是記憶體這欄，權重較大的雙聲線版本峰值反而較低，因為瀏覽器版走 PyTorch 流程，852 MB 裡約 330 MB 是 PyTorch 與 Transformers 套件本身的負擔，而 numpy 路線的周邊程式輕得多。想實際動手的人，起步流程很短：裝 numpy、用 hf download 拉下存放庫、進目錄後執行 python -m underdog_woof 帶一句文字就輸出 wav 檔。
1.42% 量的是「有沒有說對」，不是好不好聽
模型卡的核心宣傳句是「比 Fish Audio Drama 3 小 1,022 倍、少 25% 字詞錯誤」。這句話的每個數字都能回溯到明確的測量條件：同一批 500 句困難英文（充滿電話號碼、日期、價格、代碼與網址）、每個模型取其最佳聲線、全部由 Underdog 自己跑分，模型卡原文寫明「every model run and scored by us the same way」，雲端服務走 API、本機模型走本機。Mira 在這批句子得到 1.42%，分子分母都寫出來：4,379 個字詞裡錯 62 個；Juno 是 1.53%（67/4,371）。對照組 Fish Audio Drama 3 是 41.5 GB 的開放權重、經雲端 API 生成，同一批句子 1.89%。25% 是相對差：從 1.89% 降到 1.42%，不是少了 25 個百分點。官網另一個更聳動的比例是 1,308 倍，那是單聲音版對 Drama 3 的下載量差距。
字詞錯誤率的測法是讓模型唸出指定文字、再由語音辨識轉成文字比對，所以它量的是內容有沒有被完整說對，包含漏字、多字與替換，不包含語調、情緒、音色偏好這些聽感維度。困難句這組由 qwen3.8-omni-flash 轉錄、gemma-4-31b-it 計錯，官方還交代了原因：像 14/03 這種日期在文字上有不只一種正確寫法，直接字串比對會冤枉模型。單聲音版的日常句與情緒句改用 Whisper large-v3 轉錄：200 句 LibriTTS-R 測試集句子 2.05%（66/3,217）、30 句情緒對話 0.91%（3/329）。單聲音版跑困難句時還裝了 NeMo 文字處理，量測條件又多一層差異。日常句與情緒句同用 Whisper large-v3、困難句用 qwen3.8-omni-flash，題目與工具都不同，官網把它們分開列出，平均成一個總分反而會遮掉最重要的差異。
比較表的其他列也值得讀出聲：TechMoon 先前介紹過的 Ollama Phonon 語音生成對應的 Phonon 31m（55.1 MB）拿 2.16%，Kokoro 82M（327 MB）5.17%（TechMoon 也實測過 Kokoro 的文字轉語音），Qwen3-TTS 1.7B（4.54 GB）11.99%，ElevenLabs Flash v2.5 經雲端 API 測得 6.63%，整份成績單裡唯一比 Woof 更小的是 Kitten Nano 0.8（27.6 MB），但它在同批句子錯了 9.81%。官方結論寫得保守：測過的模型裡，沒有一個同時比 Woof 更小又更準。Liquid AI LFM3-Audio-2B 的 20.1% 被另外標註，那是一次獨立量測，當時無法使用 qwen3.8-omni-flash，改用 Whisper large-v3 轉錄，官方附了對照檢查（Kokoro 在該設定下 4.29%，主表設定 5.17%），說明不同轉錄器之間不能直接混比。這些註記也劃出閱讀邊界：全部數字都是賣方自評，沒有第三方複測；純雲端服務不公開權重，下載大小那欄對它們本來就無從填起。
錯誤率數字裡，周邊處理佔一部分功勞
Woof 把「電話號碼、日期、價格要唸對」當成主要設計目標，官網對使用情境的描述很具體：語音助理與電話機器人有大半時間在唸散文以外的東西，而小模型常把一串電話號碼唸成一個天文數字，或把代碼唸掉一半。官網示範了正規化規則的實際效果：020 7946 0018 會逐位唸出、14/03 唸成三月十四日、$1,249.50 唸成完整金額、XK-4471 拆成字母加數字、2.5 mg 唸成二點五毫克。這套規則式正規化只依賴 Python 標準庫，存放庫裡對應的 normalize.py、respell.py 與 respell.tsv 還負責把難唸的名字改寫成近似讀音；應用若已有自己的讀法規則，可以在建立 Woof 物件時用 normalize=False 關掉它。
長文另有一套流程。textsplit.py 先按句切開，超過 120 字元的句子再按逗號、分號或破折號細分，每段獨立生成、逐段就能取用音訊，不必等整篇跑完。每個片段生成後會被檢查，若長度明顯超出文字量、或中間出現滿 1 秒的靜音，就重抽一次，最多三次，保留最好的結果；帶入固定的 seed，同一段文字每次會得到相同音訊。這表示 1.42% 是「模型＋周邊處理」的整體成績，外部團隊若關掉這些處理重測，數字幾乎必然不同。對要把 Woof 接進產品的人，這反而是好消息：唸對數字的功勞不只在權重，也在可讀、可改的程式碼裡，自己的讀法規則可以接在正規化那一層。
下載 40.6 MB 之後，記憶體帳要分聲線算
速度與記憶體的量測條件同樣攤得開：Apple M5 Max 單一 CPU 執行緒、200 句日常句子跑三輪取中位數。Juno 生成速度是即時播放的 13.8 倍、峰值常駐記憶體 402 MB；Mira 是 7.2 倍、601 MB。單聲音版另一組數字：13.2 秒的音訊花 0.73 秒生成，一句 2.3 秒的短句只要 0.12 秒，整個程序峰值 852 MB。倍率的意義是「生成整段音訊的時間相對於播放長度」，按下按鈕後第一個聲音多快出現是另一件事，延遲敏感的應用要自己量首音延遲。想要更快的推理，官網也給了槓桿：把步數從預設 16 降到 8 或 4，速度從 18 倍升到 24 與 29 倍即時，成績單數字量的是預設 16 步。
兩個聲線本身就是一組取捨：Mira 在困難句比較準（1.42% 對 1.53%），Juno 比較快也比較省記憶體。預設聲線是 Juno，要換 Mira 只要在指令加一個參數。不過模型卡只給了困難句的個別聲線錯誤率，日常句沒有分聲線的數字，要替自己的內容類型選聲線，只能拿實際文案各測一輪。
下載大小的口徑本身也有講究。官方定義是「每個模型的 Hugging Face 存放庫在 2026 年 11 月需要的最小官方權重集合」，Drama 3 把多數權重以 8 位元儲存，所以 359 億參數能塞進 41.5 GB；NeuTTS Air、Dia、Sesame CSM 與 Orpheus 這類模型還需要另外的音訊解碼器，那份體積沒有算進去。也就是說，就連「誰比較小」這個問題，都要在同一個口徑下比才有意義。
這些都是單一筆電晶片上的數字。手機、手錶或 Windows 機器上跑得動跑不動，模型卡沒有承諾；瀏覽器版還會受瀏覽器與裝置支援度影響，同一份 31.7 MB 權重在老機器與新旗艦上的表現可能差一截。部署前在目標設備實測，這句話在官網與模型卡都成立。
官網寫 CC BY-NC 4.0，下載到的 LICENSE 是另一份
授權是這次開放權重最需要停下來讀的部分。官網頁面寫的是「open weights for non-commercial use, under CC BY-NC 4.0. It is not Apache 2.0」，但 Hugging Face 存放庫裡的 LICENSE 全文是另一份：Underdog Non-Commercial License 1.0，著作權人署名 Conway。兩份文件都允許非商業使用，內容卻有實質差異，實際權利以下載到的 LICENSE 為準。
這份自訂條款的重點可以列成幾條。個人專案、學術研究、教學與非營利組織免費使用，公開發表作品時要在標題或說明標註 Underdog Woof 或 underdog.ai，App 內則要在使用者看得到的地方顯示 Voice by Underdog Woof 並連回官網。營利範圍定義得很寬：付費產品、廣告、營利影片、公司內部作業，甚至代管 API 都算，需要另外取得書面商用授權（[email protected]）；公司可以先內部評估最多 30 天再決定要不要買，但評估是試用，不能直接上線給客戶。條款也禁止用模型或其輸出去訓練、微調、蒸餾任何其他語音或音訊生成模型，修改版與衍生模型必須沿用同一份條款，而且衍生的定義下得很寬：用輸出為主要材料建立的資料集，同樣算衍生作品。想收集合成語音再訓練自家系統的團隊，這條是硬紅線。
條款裡還有幾條容易被忽略的細則：違約時授權自動終止，首次違約在得知後 30 天內改正可恢復；不得讓人誤以為 Underdog 背書你的產品；不得在未經本人同意下模仿真人聲音或假冒真實人物，也不得隱瞞聽眾他們聽到的是機器生成的聲音，模型與輸出按現狀提供、不附任何保證。另一個例外是：透過 underdog.ai 與 Underdog 自家應用使用永遠免費，包含商業用途。
上游鏈相對乾淨：解碼器改編自 Kyutai 的 Mimi、訓練語料包含 LibriTTS-R 與 Emilia-YODAS，三者都是 CC-BY 4.0，attributions 放在 NOTICE 檔。不過上游開放不代表成品沿用，條款自己寫明這點。同一家公司在不同文件裡用了三個名字：存放庫在 ConwayResearch 名下、條款署名 Conway、官網頁尾是 Automaton Research Inc. dba Underdog AI，商業洽談時對清楚主體即可。
聽感、中文、其他設備：成績單外的空白
聽感是最大的空白。字詞錯誤率不量語調、情緒與音色，30 句情緒對話的 0.91% 也只是內容準確度；Woof 聽起來像不像真人、長篇聽下來累不累、兩個聲線各自的個性，官方數字回答不了。存放庫 samples 資料夾每個聲線有三段固定種子的樣本，要判斷聽感只能自己聽。
語言是另一道牆。模型卡標示 language: en，所有成績單也都是英文測試，沒有任何中文證據。繁中朗讀需求這次不適用，得另找模型，別被「英文 TTS 榜首」牽著走進中文專案。
設備與新鮮度也要盯。速度與記憶體都來自 M5 Max 單執行緒，而且存放庫還很新：截至 11 月 8 日，顯示 10 次下載、78 個讚，最後修改停在 11 月 6 日。之後要不要回查，盯住存放庫的 lastModified 與下載量變化、比較表是否補上第三方複測、商用授權洽談的公開進展即可。
離線唸對數字的應用排前排，營利產品先過商用授權
如果你的應用要在離線環境唸英文的電話號碼、日期、價格與代碼，例如語音助理、電話機器人或無障礙朗讀，Woof 值得放進候選清單前排：體積、執行條件與測量方法都攤在檔案裡，重測門檻低。如果產品要營利，順序要反過來，先對上商用授權再投入整合，30 天內部評估條款就是為這個設計的。至於中文需求與聽感導向的配音、有聲書用途（這類應用可以看我們對 Gemini 3.8 Flash TTS 逐句導戲配音 的介紹），這次的開放權重幫不上，連指標都不對口。
