Underdog-Woof: CPUで動く軽量な英語音声合成モデル

作例は配布元のモデルカードで公開されています。
基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ConwayResearch/Underdog-Woof |
| まとめページ | Underdog-Woof のまとめ(記事1本) |
| 公開日 | 2026-11-06 |
| ライセンス | underdog-non-commercial-1.0 |
| 出典の種類 | 公開元の一次情報(HuggingFace公式リポジトリが一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ConwayResearchより、軽量な英語テキスト音声合成(TTS)モデル「Underdog Woof」が公開されました。英語のテキストを入力することで、サンプリングレート24 kHzの自然なモノラル音声波形を出力します。
本モデルはJunoとMiraの2話者を収録しており、GPUや外部サーバー、APIキーを一切必要とせず、ノートPCなどのCPU環境においてNumPyのみで動作するように設計されています。電話番号や日付、価格、コード表記などを人間が発話する形式へ適切に読み替えて発声する機能を備えています。
スペック
公開元のモデルカードに記載されているUnderdog Woofの主なスペックは以下の通りです。
- パラメータ数: 音声モデル(Speech model)が22.95M、音声デコーダー(Audio decoder)が15.3Mで、合計38.24Mです。
- アーキテクチャ: 音声デコーダーにはKyutaiの「Mimi」コーデックから適応された構造が採用されています。
- 出力の仕様: 24 kHzのモノラル音声(float32形式)を出力します。
- 対応言語: 英語に対応しています。
- 収録話者: Juno(デフォルト)およびMiraの2話者が単一の重みファイルに収録されています。
- テキスト処理機能: 標準ライブラリのみで動作するルールベースの正規化処理が組み込まれており、数値、日付、時刻、通貨、記号の読み替えや、難読な人名の辞書変換を行います。
- 長文処理と自動再生成: 長文は文単位に分割され、120文字を超える文は読点やセミコロン、ダッシュなどでさらに細分化されます。生成された音声が極端に長すぎる場合や、1秒以上の無音区間が含まれる場合には最大3回まで再生成を行い、最適なテイクが保持されます。
- ライセンスの条件: 「underdog-non-commercial-1.0」ライセンスが適用されており、非商用利用に限定された利用条件となっています。
性能・品質
公開元は、英語の難解な文章を集めた評価データセット「Gradium TTS Hard Cases」(500文)を用いて、既存のオープンウェイトモデルやクラウドAPIモデルを同一環境で評価した単語誤り率(WER: 書き起こしの単語単位の誤り率、低いほど優秀)の比較結果を公表しています。文字起こしにはqwen3.8-omni-flashが使われ、誤り数のカウントにはgemma-4-31b-itが使用されています。
モデルカードに掲載されている他モデルとの比較表は以下の通りです。
→ 横にスクロールできます
| Model | Runs | Download | Word error rate | Woof’s errors are lower by |
|---|---|---|---|---|
| Underdog Woof, two voices (Mira) | your CPU | 40.6 MB | 1.42% | |
| Fish Audio Drama 3 | cloud API | 41.5 GB open weights | 1.89% | 25% |
| Underdog Woof, one voice | your CPU or browser | 31.7 MB | 2.06% | |
| Phonon 31m | on device | 55.1 MB | 2.16% | 34% |
| Deepgram Flux TTS | cloud API | not public | 2.39% | 41% |
| Deepgram Aura-2 | cloud API | not public | 2.43% | 42% |
| Microsoft MAI-Voice-2.1 Flash | cloud API | not public | 2.51% | 43% |
| Fish Audio S2.1 Pro | cloud API | not public | 2.53% | 44% |
| Microsoft MAI-Voice-2.1 | cloud API | not public | 2.64% | 46% |
| Qwen Audio 3.0 TTS Plus | cloud API | not public | 2.74% | 48% |
| Mistral Voxtral 3 TTS | cloud API | not public | 2.91% | 51% |
| MiniMax Speech 2.8 Turbo | cloud API | not public | 4.63% | 69% |
| MiniMax Speech 2.8 HD | cloud API | not public | 4.88% | 71% |
| Kokoro 82M | on device | 327 MB | 5.17% | 73% |
| ByteDance Seed Audio 1.0 | cloud API | not public | 6.50% | 78% |
| ElevenLabs Flash v2.5 | cloud API | not public | 6.63% | 79% |
| Pocket TTS | on device | 219 MB | 8.07% | 82% |
| Supertonic 3 | on device | 398 MB | 8.81% | 84% |
| Kitten Nano 0.8 | on device | 27.6 MB | 9.81% | 86% |
| Qwen3-TTS 1.7B | on device | 4.54 GB | 11.99% | 88% |
また、本リポジトリに収録されている2話者ごとの詳細な測定結果は以下の通りです(速度はApple M5 Maxの1 CPUスレッドにおいて、日常的な200文を3ラウンド測定した中央値)。
| Juno | Mira | |
|---|---|---|
| Word error rate, Gradium TTS Hard Cases (English) | 1.53% | 1.42% |
| Word errors | 67 in 4,371 | 62 in 4,379 |
| Speed on one Apple M5 Max CPU thread | 13.8x real time | 7.2x real time |
| Peak resident memory | 402 MB | 601 MB |
公表された数値によると、Underdog Woof(Mira)の単語誤り率は1.42%となっており、Fish Audio Drama 3の1.89%をはじめとする各社の大規模モデルやクラウドAPIモデルを上回る正確性を記録しています。比較対象の中でWoofよりファイルサイズが小さいモデルはKitten Nano 0.8のみですが、同モデルの誤り率は9.81%であり、公開元のテストにおいてWoofより小型かつ正確なモデルは確認されなかったと報告されています。
一方で、収録されている話者間では精度と生成速度にトレードオフがあります。Miraは1.42%と最も低い誤り率を達成しているものの、1 CPUスレッドでの速度はリアルタイム比7.2倍にとどまります。これに対してJunoは誤り率が1.53%とわずかに及ばないものの、リアルタイム比13.8倍とより高速な音声生成が可能です。なお、Whisper large-v3を用いて評価されたLiquid AI LFM3-Audio-2Bは、同文セットにおいて20.1%の誤り率であったと報告されています。
得意なこと・想定用途
Underdog Woofは、外部サーバーへの通信やGPUリソースに依存せず、ノートPCなどの一般的なCPU環境のみで高品質かつ高精度な英語音声を合成することに特化しています。依存ライブラリをNumPyのみに絞り込んだ専用のランタイム設計により、エッジデバイスや組み込み機器、ローカルアプリケーションへの導入が容易に行えます。
本モデルの大きな強みとして、人間が日常的に発話する形式に合わせた高度な読み上げ処理が挙げられます。電話番号、注文コード、日付、時刻、通貨表記といった機械的な文字列を、標準ライブラリだけで動作する組み込みの正規化機能によって自動的に自然な英語の言い回しへ変換します。さらに、発音が難しい固有名詞についても辞書を参照して適切に補正するため、顧客サポートの自動応答システム、注文確認の通知音声、スマートスピーカーなどの対話型アシスタント用途に極めて適しています。
また、用途やハードウェアリソースに応じて収録されている2種類の発話スタイルを使い分けることが可能です。デフォルトのJunoは1 CPUスレッドでも極めて高速に動作するため、レイテンシが重視されるリアルタイムな対話応答やインタラクティブな音声インターフェースに向いています。一方のMiraは、より低い単語誤り率が求められる重要な案内アナウンスや朗読音声、長文の読み上げコンテンツの制作に適しています。
長文への耐性も考慮されており、120文字を超える長い文章が入力された場合でも、読点や記号の位置で自動的に細かく分割して処理されます。さらに、生成された音声波形に異常な無音区間が含まれていたり尺が極端に長すぎたりした場合には、自動的に最大3回まで再生成して品質の良いテイクを選択する仕組みが備わっているため、無人環境でのバッチ処理や自動生成パイプラインでも安定した出力が得られます。
入手方法
Underdog Woofの重みファイルおよび実行コードは、Hugging Faceのリポジトリから入手できます。本モデルの利用にあたって事前申請やライセンス同意の手続きは不要であり、どなたでも直接ダウンロードが可能です。
動作に必要な追加ライブラリはNumPyのみとなっており、PyTorchや重たい深層学習フレームワークをインストールすることなく利用できます。公式リポジトリからモデルを取得し、コマンドライン(CLI)から音声を合成する手順は以下の通りです。
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 with questions." -o hello.wav
python -m underdog_woof "Your order ships on March 3rd. Call 415-555-0199 with questions." --voice mira -o mira.wav
Pythonスクリプトから直接ライブラリとして呼び出すことも可能です。以下のように数行のコードを記述するだけで、24 kHzのモノラル音声(float32形式)を生成してWAVファイルとして保存できます。
from underdog_woof import Woof
tts = Woof(voice="mira") # "juno" (デフォルト) または "mira"
audio = tts("Hey! Thanks for calling. How can I help you today?", seed=0)
tts.save("hello.wav", audio)
テキストの正規化処理を自前で行いたい場合は、インスタンス生成時に normalize=False を指定することで組み込みの正規化を無効化できます。また、同一のテキストに対して常に同じ抑揚やタイミングの音声を再現したい場合は、引数に seed を渡してシード値を固定してください。
手元で動かせるか
ライセンス underdog-non-commercial-1.0: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(underdog-non-commercial-1.0)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-17 | ConwayResearch | MLX | ConwayResearch/Underdog-Woof-4B-1.1 | MLX 4bit 2.6GB(4GB VRAMで動作) |
| 2026-11-17 | ConwayResearch | MLX | ConwayResearch/Underdog-Woof-2B-1.1 | MLX 4bit 1.6GB(4GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- ConwayResearch/Underdog-Woof-4B-1.1 の量子化: MLX 4bit 2.2GB
- ConwayResearch/Underdog-Woof-2B-1.1 の量子化: MLX 4bit 1.3GB
このほか、上記以外の投稿者による変換版が 3 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
同じ用途の既報モデル
当サイトが取り上げた音声のモデルを新しい順に並べています。用途は配布元がHugging Faceに付けたタスク(pipeline_tag)から機械的に分けたもので、最小のVRAM階層は当サイトの概算です。
- 「TTS-V5」中国語音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧(4GB)
- 「TTS-V4」中国語音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(1.9B・8GB)
- 「tiny-voca」英語の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧(4GB)
- 「TTS-V3」電話対話特化の音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(1.9B)
次に読むなら
- 同じモデル系統を調べる → Underdog-Woof 系統のまとめ(記事1本・変換版2件)
- このモデルを入手できる形式を調べる → MLX形式の解説と対応モデル
- 記事に出てくる WER の読み方を知る → ベンチマーク用語集
出典
- ConwayResearch/Underdog-Woof(Hugging Faceモデルカード): https://huggingface.co/ConwayResearch/Underdog-Woof
- Underdog Woof Webデモ: https://underdog.ai/woof
- Gradium TTS Hard Casesデータセット: https://huggingface.co/datasets/gradium/tts-hard-sentences-202610
更新履歴
- 2026-11-17: 変換版を「派生版・量子化版」に追記しました: ConwayResearch/Underdog-Woof-4B-1.1, ConwayResearch/Underdog-Woof-2B-1.1

