AI 模型越做越大是主线，但另一条线正在同时发生：把模型做小到能塞进你的浏览器。11 月 6 日，创业公司 Underdog 发布了一个语音模型 Woof，文件只有 31.7MB、3100 万参数，开源可下载，断网也能跑。
他们没发技术博客，而是做了个小游戏来演示：一间复古科技风的房间，一台打字机、一台 CRT 显示器、一盏按下去会响的台灯。你在打字机上敲任何字，游戏就用 Woof 实时念出来；转动调音旋钮还能生成不同风格的音乐。全程在浏览器里跑，不联网。
32MB 是什么概念
拿熟悉的量级比一下：一部手机拍的 4K 视频一分钟大约 400MB，微信安装包动辄几百 MB。Woof 整个模型 31.7MB，比一张手机照片大不了多少，而它能做的事情是文本转语音——把任意文字变成人声。
游戏里还有个细节挺有意思：开场会提醒玩家小心镇上”爱管闲事的”云服务商。这是明摆着在嘲讽云端模型——Underdog 创始人 Sigil Wen 的说法是，他不想用 Granola 这类笔记工具，想自己搭一套跑在本地、数据归自己的系统。
他们的路线：小模型 + 端侧 + 开源
- Woof：31.7MB、3100 万参数的文本转语音模型，开源可下载，浏览器内本地推理。
- Bark：几周前发布的 167MB 语音转文字模型，面向端侧转录和听写。
- 27B 参数模型：官方说法是能在笔记本上跑（这一点属于厂商宣称，实际体验取决于内存和量化方式）。
- 本地版 App：还在排队名单阶段，定位是 Muse、Instinct 这类云端 Agent 的本地替代品。
Sigil Wen 的公开说法是”几个月内我们就能把今天大多数有能力的模型跑到你已有的设备上”，并且强调要做”美国造的、开放的、能让人拥有私有 AI 的模型”。商业上这是差异化定位，技术上则押注在同一件事上：端侧算力 + 模型压缩的进步速度，比多数人预期的快。
小模型能干什么，不能干什么
诚实地说，32MB 的 TTS 不可能替代 ElevenLabs 或字节的商用语音。它的音色丰富度、情感表达、多语言覆盖都有限，长文本的稳定性也需要实测。
但它的适用场景很具体，而且恰好是云端方案的痛点：
- 离线设备朗读：车机、玩具、工业终端、无网环境下的语音提示，不需要流量也不怕断网。
- 隐私敏感场景：医疗、法务、内部会议的文本朗读，内容不出设备。
- 零边际成本：本地推理没有按字符计费，做个人播客、有声书草稿这类长文本时成本结构完全不同。
- 延迟可控：不经过网络往返，首字出声可以做到几乎即时。
反过来，需要”像真人主播”的商业配音、多角色有声剧、需要情绪表演的场景，还是得用云端大模型。这跟我们在 NVIDIA Nemotron 3.5 Transcribe 评测 里看到的路线正好相反——那边是 340 亿参数、40 语言、单卡跑一小时长音频，走的是”更大更强”；Underdog 走的是”更小更近”。
语音这条赛道上还有另一类尝试：Block 的 Dessa 只靠语音训练做全双工对话，以及 业界关于”语音 AI 还没等到 ChatGPT 时刻”的讨论。共识是语音交互还没爆发，但分歧在于爆发要靠云端的智能，还是端侧的即时。
值得关注的信号：开源小模型正在变”美国制造”
过去两年端侧开源小模型的代表多来自中国团队——Qwen 的小尺寸系列、GLM 的 Flash 版本、DeepSeek 的蒸馏模型。Underdog 这类美国创业公司现在明确把”American-made、open”当卖点，说明开源小模型也成了地缘竞争的一部分。
对开发者的实际影响是选择变多了。以前做端侧语音，要么用系统自带 TTS（音色固定、无法定制），要么自己训一个小模型（成本高）。现在可以直接下一个 32MB 的权重，塞进 App 或网页里试效果，试错成本几乎为零。
常见问题（FAQ）
Underdog Woof 免费吗？
模型权重开源，可以免费下载使用，游戏 Demo 也能直接在浏览器里玩。Underdog 的本地 App 目前是排队名单制，商业模式还没完全公开，大概率会走”模型开放 + App 订阅”的路子。
32MB 的语音模型音质够用吗？
做提示音、朗读、离线助手这类场景够用，做商业配音不够。小模型的短板主要在情感表达、音色多样性和长文本稳定性，需要多语言主播级效果时仍然要用云端大模型。
本地跑需要什么配置？
3100 万参数的模型对硬件要求极低，普通笔记本、甚至手机浏览器都能跑，不需要独立显卡。官方给的游戏 Demo 就是纯浏览器内推理，说明 CPU 推理已经能接受。
可以直接用在商业项目里吗？
要看具体开源许可证（Underdog 未在所有渠道明确统一说明，使用前务必核实仓库里的 LICENSE）。另外语音合成涉及声音克隆与人格权，用真实人声做参考时需要获得授权。
总结
Underdog 的 Woof 不是要打赢云端 TTS，它的价值在于把”语音生成”这件事的门槛降到了一次下载。当模型小到可以塞进网页和耳机盒里，”能不能联网”就不再是产品设计的前提条件了。
想发现更多好用的 AI 工具？看看我们的 AI 模型库 与 工具对比引擎，或继续阅读：Nemotron 3.5 Transcribe 评测 · Particle-1 评测 · 全部深度评测。