كيف اتسع نموذج صوتي يقرأ أرقام الهاتف بدقة في 40 ميغابايت؟ داخل Underdog Woof

معظم ما تقرؤه المساعدات الصوتية ووكلاء الهاتف ليس نثرا عاديا، بل مواعيد ورموز طلبات وجرعات أدوية وأرقام هواتف، وهنا تتعثر نماذج الصوت الصغيرة. أما Woof الذي أصدره فريق Underdog (شركة Conway) فيبلغ حجمه بصوتيه 40.6 ميغابايت فقط، ويتكلم على خيط واحد من معالج حاسوب محمول باستخدام numpy وحده. أُعلن عن نسخة الصوت الواحد في 26 أكتوبر ويمكن تجربتها في المتصفح، ورُفعت نسخة الصوتين إلى Hugging Face في 5 نوفمبر. ووفقا للمعلومات في صفحة النموذج، يخطئ Woof بصوتيه في 1.42% من الكلمات في اختبار الجمل الصعبة، مقابل 1.89% لـ Fish Audio Drama 3 الذي يبلغ حجمه 41.5 غيغابايت.

لماذا يقرأ بهذه الدقة

يعمل قبل النموذج مُطبِّع نصوص قائم على القواعد يعيد كتابة الأرقام والتواريخ والأوقات والمبالغ والرموز كما ينطقها الناس، فيقرأ رقم الهاتف في مجموعات رقما رقما، و"14/03" على أنها الرابع عشر من مارس. ويُقسَّم النص الطويل إلى جمل، ويُعاد توليد أي مقطع جاء أطول من اللازم أو فيه صمت يتجاوز ثانية، حتى ثلاث مرات.

كيف بُني

يتكون Woof من نموذج كلام بـ 22.95 مليون معامل ومفكك صوت بـ 15.3 مليون معامل، بإجمالي 38.24 مليون، والمفكك مقتبس ومعدّل من مفكك Mimi المفتوح من مختبر Kyutai، ويُخرج صوتا أحادي القناة بتردد 24 كيلوهرتز. تشمل بيانات التدريب LibriTTS-R وEmilia-YODAS بترخيص CC BY 4.0، ولم يشارك الفريق خطوات التدريب بالتفصيل. ويُحسَّن الصوت على 16 خطوة افتراضيا، وكلما قلّت الخطوات زادت السرعة: 18 ضعف الزمن الحقيقي عند 16 خطوة و29 ضعفا عند 4 خطوات.

كيف قيس

الاختبار الرئيسي 500 جملة من مجموعة Gradium TTS Hard Cases مليئة بالأرقام والرموز، يحوّلها qwen3.8-omni-flash إلى نص ويعدّ gemma-4-31b-it الأخطاء، ويقول الفريق إنه شغّل كل النماذج وقيّمها بالطريقة نفسها. بلغ Kokoro 82M نسبة 5.17% وQwen3-TTS 1.7B نسبة 11.99%. وعلى خيط واحد من معالج Apple M5 Max تنتج نسخة الصوت الواحد 13.2 ثانية من الكلام في 0.73 ثانية.

كيف تجربه

يكفي كتابة سطر في صفحة underdog.ai/woof والاستماع، أو تشغيل النموذج محليا بالأوامر التالية. يتكلم النموذج الإنجليزية فقط حاليا. والترخيص مجاني للاستخدام غير التجاري مع ذكر الاسم، ويتطلب الاستخدام التجاري ترخيصا من Underdog، ولا يُسمح بتدريب نموذج صوتي آخر على أصوات Woof.

pip install numpy
hf download ConwayResearch/Underdog-Woof --local-dir underdog-woof
cd underdog-woof
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199." -o hello.wav
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199." --voice mira -o mira.wav

المصادر: صفحة النموذج على Hugging Face, إعلان Underdog Woof, الترخيص