Underdog lança modelo de voz de 32 MB no navegador

O que é o Woof

O Woof é um modelo de texto para fala (text-to-speech) com 31 milhões de parâmetros, compactado em cerca de 31,7 MB. A Underdog afirma que ele roda na maioria dos dispositivos sem conexão com a internet e está aberto para download por qualquer pessoa.

A demonstração é um jogo no navegador: um escritório com máquina de escrever, monitor CRT e luminária. O usuário digita no teclado e o modelo gera a fala em tempo real, localmente. Também é possível girar um sintonizador para gerar música. Tudo acontece no navegador, sem enviar dados para servidores externos.

A startup foi fundada por Sigil Wen, fellow da Thiel Foundation, sob a empresa Conway Research. Lançou um beta por convite em outubro para Mac e Windows, com versões para Linux, iPhone e Android prometidas. Investidores incluem Andreessen Horowitz, Khosla Ventures e o Anthology Fund de Menlo Ventures e Anthropic.

O que a demonstração mostra

O modelo roda no navegador porque é pequeno o suficiente para ser baixado e executado localmente. A Underdog afirma que funciona na maioria dos dispositivos sem internet. O modelo é aberto para download, o que permite que desenvolvedores o integrem em suas próprias aplicações.

A Underdog já havia lançado o Bark, um modelo de fala para texto (speech-to-text) de 167 MB, também projetado para rodar em dispositivos de borda para transcrição e ditado. O principal modelo de assistente da empresa tem 27 bilhões de parâmetros, ajustado a partir do Qwen3.8-27B, rodando em um motor de inferência próprio.

A tese da empresa é que o assistente roda inteiramente no dispositivo, mantendo os dados do usuário localmente, sem anúncios nem mineração de dados. Wen disse ao TechCrunch que começou a construir o aplicativo porque, em vez de usar anotadores como o Granola, queria construir seu próprio sistema com modelos de IA que rodam nos dispositivos dos usuários.

Como se compara a outros modelos de voz

A 32 MB, o Woof é pequeno o suficiente para ser embarcado em um aplicativo ou página web sem download longo. Isso torna a voz local prática em telefones antigos e laptops baratos, não apenas em hardware de ponta. Muitos modelos de voz abertos populares são várias vezes maiores, e a maioria das vozes comerciais ainda roda em data center.

A Underdog afirma que, em alguns meses, será possível rodar os modelos mais capazes de hoje nos dispositivos que as pessoas já possuem.

O que ainda não foi publicado

Vários detalhes importantes não foram divulgados. A Underdog não publicou termos de licença para o Woof, lista de idiomas ou vozes suportadas, nem benchmarks de qualidade. O relatório do TechCrunch também não inclui esses dados.

Um modelo de 31 milhões de parâmetros terá limitações e provavelmente não alcançará a expressividade de vozes grandes baseadas em nuvem. O tamanho compacto traz trade-offs de qualidade que a empresa não quantificou publicamente.

Por que isso importa para quem constrói com IA

Modelos de voz que rodam localmente, sem internet, abrem possibilidades para aplicativos que precisam de privacidade, baixa latência ou funcionamento offline. Assistentes de voz em dispositivos, ferramentas de acessibilidade, jogos e interfaces embarcadas podem usar voz sem depender de servidores externos.

O Woof mostra que síntese de voz viável pode caber em dezenas de megabytes. Para quem constrói produtos com IA, vale acompanhar a evolução desses modelos compactos, especialmente quando a licença e os benchmarks forem publicados.