> ## Content Index
> Fetch the complete content index at: https://globalfeed.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# Telefon numarasını doğru okuyan ses modeli 40 MB'a nasıl sığdı? Underdog Woof'un tarifi
- URL: https://globalfeed.ai/telefon-numarasini-dogru-okuyan-ses-modeli-40-mba-nasil-sigdi-underdog-woofun-tarifi/
- Published: 2026-11-07T23:20:26.000Z
- Updated: 2026-11-07T23:20:26.000Z
- Description: Underdog'un Woof modeli iki İngilizce sesi 40,6 MB'a sığdırıyor ve tek işlemci çekirdeğinde konuşuyor. Sayıları neden doğru okuduğunu, nasıl yapıldığını, nasıl ölçüldüğünü ve tarayıcıda ya da kendi bilgisayarınızda nasıl deneneceğini anlatıyoruz.
- Author: GlobalFeed Editor
- Tags: Underdog, Woof, metinden sese, seslendirme, cihazda yapay zeka, Kyutai Mimi, açık model, x-Underdog, dil-tr, elle

Sesli asistanların ve telefon ajanlarının işinin büyük kısmı düz cümle okumaktan oluşmuyor. Bir randevu saati, bir sipariş kodu, bir ilaç dozu, bir telefon numarası okuyorlar. Küçük ses modelleri tam burada tökezliyor: Telefon numarasını tek bir dev sayı gibi okuyor, bir kodun yarısını yutuyor. Bu yüzden iyi ses genellikle büyük modellerden ve bulut hizmetlerinden geliyor. Underdog ekibinin yayımladığı Woof bu dengeyi ters çeviriyor. Model iki sesiyle birlikte 40,6 MB tutuyor ve bir dizüstü bilgisayarın tek işlemci çekirdeğinde, yalnız numpy ile konuşuyor.

Woof'u geliştiren ekip, kendi cihazında çalışan kişisel yapay zeka asistanı Underdog'u yapan Conway. Tek sesli sürüm 26 Ekim'de [tarayıcıda denenebilir](https://underdog.ai/woof?ref=globalfeed.ai) halde duyuruldu; iki sesli sürüm 5 Kasım'da [Hugging Face'e](https://huggingface.co/ConwayResearch/Underdog-Woof?ref=globalfeed.ai) yüklendi. Model sayfasındaki bilgilere göre iki sesli Woof, zor cümlelerden oluşan bir sınavda kelimelerin yüzde 1,42'sini yanlış okuyor. Karşılaştırmadaki en yakın açık model Fish Audio Drama 3 ise 41,5 GB indirmeyle yüzde 1,89 hata yapıyor.

## Neyi bu kadar iyi okuyor

Woof'un sırrının önemli bir parçası modelden önce çalışan bir metin düzenleyici. Kurallara dayalı bu düzenleyici sayıları, tarihleri, saatleri, para tutarlarını, kodları ve simgeleri insanların söylediği biçime çeviriyor. Duyuru sayfasındaki örneklerle: "020 7946 0018" üçerli dörtlü gruplar halinde rakam rakam, "14/03" "on dört Mart" olarak, "$1,249.50" tam dolar ve sent tutarı olarak, "XK-4471" harf harf ve rakam rakam, "2.5 mg" "iki nokta beş miligram" olarak okunuyor. Zor isimler için ayrıca bir telaffuz sözlüğü var. Düzenleyici Python'un standart kütüphanesinden başka bir şeye ihtiyaç duymuyor; isteyen kapatıp kendi düzenlemesini yapabiliyor.

Uzun metin cümlelere bölünüyor, 120 karakteri aşan cümle virgül ve noktalı virgüllerden yeniden bölünüyor. Model her parçayı ürettikten sonra kontrol ediyor. Ses metnine göre fazla uzun çıktıysa ya da ortasında bir saniye ve üzeri sessizlik varsa parça en fazla üç kez daha üretiliyor ve en iyisi tutuluyor. Aynı metin için aynı sesi almak isteyen, bir tohum değeri veriyor.

## Nasıl yapıldı

Woof iki parçadan oluşuyor: 22,95 milyon parametrelik bir konuşma modeli ve 15,3 milyon parametrelik bir ses çözücüsü. Toplam 38,24 milyon parametre. Çözücü, Fransız araştırma laboratuvarı Kyutai'nin açık [Mimi](https://huggingface.co/kyutai/mimi?ref=globalfeed.ai) ses kodlayıcısının çözücüsünden uyarlanıp değiştirildi. Konuşma modeli metni Mimi'nin anladığı ses temsillerine çeviriyor, çözücü de bunları 24 kHz tek kanallı sese dönüştürüyor. İki ses, Juno ve Mira, aynı dosyada duruyor.

Eğitim verisinde iki açık veri seti var: Yuma Koizumi ve ekibinin sesli kitap kayıtlarından temizlediği LibriTTS-R ile Amphion ekibinin çok çeşitli konuşmalardan derlediği Emilia-YODAS. Üçü de CC BY 4.0 lisanslı. Ekip eğitim adımlarını ve süresini ayrıntılı olarak paylaşmadı. Model sayfasındaki ayarlardan anlaşılan şu: Ses birkaç adımda adım adım netleştiriliyor ve varsayılan ayar 16 adım. Adım sayısı düşürüldükçe hız artıyor; tek sesli modelde 16 adımda gerçek zamanın 18 katı, 8 adımda 24 katı, 4 adımda 29 katı hız ölçülmüş. Tek sesli model int8 biçiminde sıkıştırılmış ve 31,7 MB.

Ekip iki boy yaptı. Tek sesli model 31,7 MB ve tarayıcıda çalışıyor; bir kez yüklendikten sonra Wi-Fi kapalıyken de konuşuyor, yazılan metin cihazdan çıkmıyor. İki sesli model 40,6 MB ve Hugging Face'te; yalnız numpy ile çalışan kendi çalıştırıcısı var, PyTorch bile gerekmiyor. İlginç bir ayrıntı: İki sesli model en yüksek bellek kullanımında daha hafif, 402 MB. Tek sesli modelin 852 MB'ının yaklaşık 330 MB'ı PyTorch ve Transformers kütüphanelerinin kendisinden geliyor.

## Nasıl ölçüldü

Ses modellerinin doğruluğu genellikle kelime hata oranıyla ölçülüyor: Model bir metni okuyor, bir konuşma tanıma sistemi duyduğunu yazıya geçiriyor ve kaynak metinle farklı kelimeler sayılıyor. Woof'un ana sınavı Gradium'un hazırladığı [TTS Hard Cases](https://huggingface.co/datasets/gradium/tts-hard-sentences-202610?ref=globalfeed.ai) setindeki 500 cümle; hepsi sayı, tarih, fiyat, kod ve web adresiyle dolu. Burada ekip bir yöntem değişikliği yapmış. "14/03" gibi bir ifade yazıya birden fazla doğru biçimde geçirilebildiği için kayıtları qwen3.8-omni-flash yazıya döküyor, hataları gemma-4-31b-it sayıyor. Ekip bütün modelleri bu düzenle kendisi çalıştırıp puanladığını belirtiyor.

Sonuç tablosunda iki sesli Woof yüzde 1,42 ile ilk sırada. Arkasında Fish Audio Drama 3 (yüzde 1,89), 55,1 MB'lık Phonon 31m (yüzde 2,16), Deepgram, Microsoft MAI-Voice ve Mistral Voxtral 3 gibi bulut hizmetleri yer alıyor. Cihazda çalışan modellerden Kokoro 82M yüzde 5,17, Qwen3-TTS 1.7B yüzde 11,99 hata yapıyor. Woof'tan küçük tek model 27,6 MB'lık Kitten Nano 0.8 ve o da yüzde 9,81 hata yapıyor. Tek sesli Woof'un günlük cümlelerde hatası yüzde 2,05, duygulu ve sohbet tarzı 30 satırda yüzde 0,91.

Hız ölçümü Apple M5 Max işlemcinin tek çekirdeğinde yapıldı. Tek sesli model 13,2 saniyelik konuşmayı 0,73 saniyede üretiyor; 2,3 saniyelik bir cümleyi 0,12 saniyede söylüyor. İki sesli model Juno sesinde gerçek zamanın 13,8 katı, Mira sesinde 7,2 katı hızla çalışıyor.

## Nasıl denenir

En kolay yol tarayıcı: [underdog.ai/woof](https://underdog.ai/woof?ref=globalfeed.ai) sayfasında bir metin yazıp dinlemek yetiyor. Sayfada Woof'un bütün sesleri canlı ürettiği küçük bir oyun odası da var. Kendi bilgisayarınızda iki sesli modeli çalıştırmak için şu komutlar yeterli:

```
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
```

Python içinden de Woof(voice="mira") ile çağrılabiliyor ve 24 kHz ses dosyası kaydediliyor. Model şimdilik yalnız İngilizce konuşuyor ve iki sesle geliyor; Türkçe metin okumuyor.

Lisans kişisel projeler, araştırma, eğitim ve kar amacı gütmeyen kuruluşlar için serbest; Woof'la üretilen sesler de yayımlanabiliyor. Yayında "Underdog Woof" ya da "underdog.ai" adının anılması isteniyor. Para kazanan ürünlerde, reklamlarda ve gelir getiren videolarda kullanım için Underdog'dan ticari lisans alınıyor. Woof'un sesleriyle başka bir ses modelini eğitmek ise [lisansa](https://huggingface.co/ConwayResearch/Underdog-Woof/blob/main/LICENSE?ref=globalfeed.ai) göre yasak.

Paylaşılan bütün sonuçlar ekibin kendi ölçümleri ve yazıya dökme ile hata sayımında başka yapay zeka modelleri kullanılıyor. 40 MB'lık bir modelin cihazda bu doğrulukla konuşması, uygulama geliştiriciler için sunucusuz ses seçeneğini ciddi biçimde güçlendiriyor; bağımsız dinleme testleri resmi daha da netleştirecek.

Kaynaklar: [Hugging Face model sayfası](https://huggingface.co/ConwayResearch/Underdog-Woof?ref=globalfeed.ai), [Underdog Woof duyurusu](https://underdog.ai/woof?ref=globalfeed.ai), [Lisans](https://huggingface.co/ConwayResearch/Underdog-Woof/blob/main/LICENSE?ref=globalfeed.ai), [Gradium TTS Hard Cases](https://huggingface.co/datasets/gradium/tts-hard-sentences-202610?ref=globalfeed.ai), [Kyutai Mimi](https://huggingface.co/kyutai/mimi?ref=globalfeed.ai)