NEWS & DOCUMENTARYAIと人間のこれから。
RAXUS AIAIのいまを確かめて届ける。
LATEST EDITION

Underdog、ブラウザで動く31.7MBの音声生成モデル「Woof」を公開――2種のサイズを非商用ライセンスで

Underdogは2026年11月5日、英語のテキスト音声合成(TTS)モデル「Woof」を公開しました。ブラウザのデモで動く1声版は31.7MBで、読み込み後はネット接続なしでも動きます。Hugging Faceでは2声版を40.6MBで配布しています。ライセンスは非商用で、商用利用には別途の書面ライセンスが必要です。

公開の根拠は公式ページとHugging Faceのモデルカードです。モデルのリポジトリは2026年11月5日に作成され、同日に公式Xアカウントがブラウザで動くデモゲームを告知しました。TechCrunchが11月6日に取材記事を出し、創業者のシジル・ウェン氏の話を伝えています。

Woofには2つのサイズがあります。公式ページでブラウザ内で動く1声版が31.7MB、パラメータ数30.7Mです。Hugging Faceで配布する2声版が40.6MB、パラメータ数38.2Mで、内訳は音声モデル22.95Mと音声デコーダ15.3Mです。どちらも1つの重みファイルに収まり、実行にはnumpyだけを要します。出力は24kHzのモノラル音声で、デコーダはKyutaiのMimiを改変したものです。学習データにはLibriTTS-RとEmilia-YODAS(いずれもCC-BY 4.0)を含むとモデルカードに記載されています。

図解Woofの2サイズとFish Audio Drama 3の公表値
  • ダウンロードサイズ

    Woof 1声版
    31.7MB
    Woof 2声版
    40.6MB
    Drama 3
    41.5GB
  • パラメータ数

    Woof 1声版
    30.7M
    Woof 2声版
    38.2M
    Drama 3
    35.9B
  • 難文500文の誤り率

    Woof 1声版
    2.06%
    Woof 2声版
    1.42%
    Drama 3
    1.89%

Underdog公式ページとモデルカードの公表値。Drama 3はFish Audio Drama 3の略。誤り率は同社が各モデルを同じ手順で実行・採点した会社測定値で、独立検証ではありません。1声版の測定にはNeMoテキスト処理の追加導入が前提です。

正確さの測定には、電話番号、日付、価格、コードが多い英語500文の難文セット(Gradium TTS Hard Cases)を使っています。音声を書き起こして原文と比べる誤り率の計測で、2声版は1.42%でした。同じ手順で計ったFish Audio Drama 3(41.5GB、35.9Bパラメータ)の1.89%より誤りが25%少なく、ダウンロードは1,022分の1と同社は説明します。1声版の2.06%はDrama 3と同程度です。ほかの測定では、日常文200文で2.05%、感情表現のある30文で0.91%と公表しています。難文の書き起こしはqwen3.8-omni-flash、誤りの計上はgemma-4-31b-itを使ったとモデルカードにあります。これらの比較数値はすべて会社測定で、第三者の検証結果ではありません。

速度とメモリの公表値もあります。Apple M5 MaxのCPU 1スレッドで、1声版はint8重みを16ステップの既定設定で実時間の18倍と説明し、生成した13.2秒の音声に0.73秒を要した例を挙げています。プロセス全体のピークメモリは852MBで、そのうち約330MBはPyTorchとTransformers自体が占めるとの記載です。2声版はnumpy実行で7.2倍から13.8倍で、ピークメモリはJunoで402MB、Miraで601MBです。入力した数字、日付、時刻、金額、コードを人間の読み方に直す正規化処理を備えています。

ブラウザのデモでは1声版がページ内で動き、読み込み後はWi-Fiを切っても動作すると公式ページは説明しています。入力は端末内で処理されるというのがその説明です。同社はデモ用の脱出ゲーム「Underdog Escape」も公開しました。タイプライターに入力した文章をWoofが読み上げ、ラジオのチューナーで音楽を生成します。ナレーターと敵役「Darkcloud」の声も含め、室内の声はすべて録音ではなくWoofがその場で生成しています。

「新しいフロンティアTTSモデル、Woofのゲームを作りました。31.7MBで、ブラウザ内で動くほど小さいモデルです。ゲームはX上で遊べます。声はすべてWoofです。Darkcloudを倒して招待状を手に入れてください。」

We made a game for our new frontier text-to-speech model, Woof. 31.7 MB, so small that it runs in your browser. Play the game on X… all voices are Woof. Defeat Darkcloud for an invite

Underdog AI公式X投稿(2026年11月5日、TechCrunch転載で確認)

ライセンスは注意が必要です。Hugging Faceに添付されているのは「Underdog Non-Commercial License 1.0」です。個人、研究、教育、非営利の利用は無料で、公開時には「Underdog Woof」や「Voice by Underdog Woof」のクレジット表記を要します。有料製品、広告、収益化動画、企業の業務、ホスティングやAPIなど収益につながる利用は、書面による商用ライセンスが別途必要です。Woofやその出力音声で別の音声系モデルを学習、fine-tune、蒸留することも禁じられています。企業は本番や顧客向けでなければ30日間の社内試用ができます。なお公式ページは「CC BY-NC 4.0」の表記を使っていますが、リポジトリに実際に添付されたライセンス文書は同社独自の非商用ライセンスで、両者の表記は一致していません。いずれにしても非商用の枠組みである点は共通しています。

図解Woofのライセンス上の扱い

ライセンスUnderdog Non-Commercial License 1.0

  • 非商用

    無料

    個人、研究、教育、非営利は利用と公開が可能。公開時には「Underdog Woof」などのクレジット表記が必要

  • 商用

    書面ライセンスが必要

    有料製品、広告、収益化動画、企業の業務、ホスティングやAPIなど収益につながる利用には別途のライセンスが必要

  • 学習への転用

    禁止

    Woofや出力音声で他の音声生成モデルを学習、fine-tune、蒸留してはならない

  • 企業の社内試用

    30日以内

    商用ライセンスの購入判断のため、本番や顧客向けでなければ30日間の試用が可能

Hugging FaceのLICENSE文書(2026-11-06取得)による。公式ページは「CC BY-NC 4.0」と記載しているが、リポジトリの添付文書は独自の非商用ライセンスで表記が一致していません。

背景として、Underdogは先に音声認識モデルのBark系を公開しています。Hugging Faceには2026年10月に作成された「Underdog-Bark-3.0」系のリポジトリがあり、CC BY-NC 4.0で配布されています。TechCrunchはBarkを167MBの音声認識モデルと紹介しました。ウェン氏はTechCrunchの取材に、メモ書きアプリに頼らず端末上で動くAIを自分で作りたかった経緯を説明し、数か月のうちに最新モデルの多くを手持ちの端末で動かせるようになるとの見方を示しています。27Bの言語モデルも公開されており、公式アプリはクラウド型の対手製品に対するローカルホストの代替としてwaitlistで案内する形です。

今回の公表値には限界があります。サイズの小ささが音質や実用性の優位を直接示すものではありません。難文セットでの比較は会社測定であり、比較対象の実行条件の詳細はモデルカードの説明にとどまる範囲のものです。「31 million parameters」というTechCrunchの表記は1声版の30.7Mに当たります。デモゲームの音楽生成の実装詳細は公表されておらず、多言語対応は現時点で英語のみの記載です。

出典

  1. Underdog「Woof」公式ページ(ページ表記日2026-10-26、2026-11-06に確認)2サイズの容量とパラメータ数、ブラウザ動作とオフライン、難文500文の誤り率と測定方法、速度とメモリ、正規化処理、脱出ゲームの説明、デコーダと学習データの来歴
  2. Hugging Face「ConwayResearch/Underdog-Woof」モデルカード(リポジトリ作成2026-11-05、2026-11-06に確認)2声版の容量40.6MBと重みファイル、パラメータ内訳22.95M+15.3M、比較表と測定条件、音声ごとの誤り率と速度、ライセンス節、MimiとCC-BY 4.0データの由来
  3. Hugging Face「Underdog Non-Commercial License 1.0」LICENSE文書(2026-11-06に確認)非商用利用の範囲、クレジット表記、商用ライセンスの必要性、学習転用の禁止、30日間の社内試用
  4. TechCrunch「Underdog shows off a 32MB speech model in new demo」2026-11-0611月5日の公式X投稿の転載、ゲームデモの内容、創業者の談話、Barkと27Bモデルの紹介

出典の確認日 2026.11.06

KEEP EXPLORING

あわせて読みたい記事と映像

プロダクトの記事一覧
  1. GitHub、エージェントセッションを端末間で継続させる「Agent Host Protocol」の実装を解説──VS CodeとGitHubで2つのホスト実装、6言語のSDK

    GitHubは2026年11月17日、公式Engineeringブログで、AIエージェントのセッションをエディタ、スマートフォン、クラウドの間で引き継ぐオープンなプロトコル「Agent Host Protocol(AHP)」の実装構造を解説した。執筆したのは同社のプリンシパルソフトウェアエンジニア、Connor Peet氏とRob Lourens氏だ。AHPの開発は2026年前半にVS Codeで始まり、仕様は10月2日にv1.0.0、11月13日にv1.1.0として公開済みである。今回の記事は新規プロトコルの発表ではなく、VS CodeとGitHubという異なる2実装に共通で使われている構造と設計判断の開示が中心だ。

    記事を読む
  2. Appleの研究チーム、対話操作に足る速さの動画生成「FastFrames」を公開──1.3B構成で1フレーム36ms、VAE復号とKVキャッシュ更新の置換が鍵

    Appleの研究チームは2026年11月17日、入力に応じた対話操作が可能な速さで480p動画を生成する自己回帰型動画拡散モデル「FastFrames」の論文をarXivに公開した(arXiv:2611.23226)。1.3Bの構成では単一のNVIDIA B200で1フレーム36ミリ秒(毎秒27.8回の応答)、14Bの構成では8基のB200で45ミリ秒を著者らは報告している。論文はまず既存モデルの推論を計測し、VAE復号とKVキャッシュ更新という「固定の実装詳細」とされてきた処理がエンドツーエンド遅延の半分以上を占めることを示したうえで、この2つを軽量な代替に置き換えた。論文、コード、重みが公開されている。

    記事を読む
  3. Google、GeminiのエージェントをTasksへ刷新──日本を含む6カ国で無料提供を順次開始、Gemini 4 Hydrogenとアカウント専用VMで実行

    グーグルは2026年11月17日、Geminiアプリの常時稼働型エージェントを「Tasks」として刷新し、米国・日本・韓国・カナダ・オーストラリア・インドの6カ国で無料提供を順次開始すると発表した。Gemini 4 Hydrogenを使い、ホーム画面のトグルをChatからTaskへ切り替えると、Google CloudのAgent Compute Engineが提供するアカウント専用のハードウェア隔離VMでタスクを実行する。電話発信やgemini@google.comへのメール転送、SMSによる指示は米国から順次の提供で、日本で同等の機能が使えるとは発表されていない。重要な操作の前に確認や事前承認を求める設計も明らかにした。

    記事を読む