Underdogの音声モデルWoof、32MBでブラウザ上で動作

詳細はWoofのモデルカードに載っています。英語に対応し、音声はJunoとMiraの2種類です。価格、日付、電話番号は、人が読み上げるとおりに発音します。2音声版のダウンロードは40.6MBで、基本的な数値計算ライブラリのnumpyだけを使い、ノートPCのプロセッサで動作します。Apple M5 Maxの1スレッドでJuno音声を使った場合、リアルタイムの13.8倍の速度です。

Underdogは、難しい英文500文で自社モデルを採点しました。同社の集計では、Woofのmira音声の単語誤り率は1.42%です。比較対象は、ダウンロードサイズが41.5GBのFish Audio Drama 3が1.89%、ElevenLabs Flash v2.5が6.63%です。これらはUnderdog自身の数値です。

ライセンスの線引きははっきりしています。Woofは、Underdogのクレジットを表記すれば、個人、研究、教育、非営利の利用は無料です。Underdog自社アプリ内での利用も常に無料です。広告、収益化した動画、企業の業務で使うには商用ライセンスが必要で、価格は公開されていません。

創業者のSigil Wen氏はTechCrunchに対し、データを利用者自身のデバイスに留める、米国製のオープンなモデルを目指していると語りました。

11月8日に確認したAIナレーションのページでは、ElevenLabsは6ドルのStarterプランから商用ライセンスが付きます。Freeプランは、クレジット表記をすれば個人利用が可能です。

広告主にとって、クラウド型の音声は、料金がすぐにわかります。ElevenLabs Starterなら月額6ドルです。一方、Woofのローカル音声を広告に使うには、事前にUnderdogへメールで問い合わせる必要があります。