La synthèse vocale tient dans le navigateur avec Woof

Le texte tapé sur une machine à écrire virtuelle prend la parole. Autour, un écran cathodique, une lampe de bureau et un décor rétro composent le jeu Escape from Riverbark, conçu pour présenter Woof, le modèle de synthèse vocale d’Underdog. La démonstration fait fonctionner ses voix directement dans le navigateur, grâce à WebGPU, qui donne accès aux capacités graphiques de l’appareil.

L’intérêt tient à ce déplacement du calcul : la lecture ne nécessite plus d’envoyer chaque texte à un serveur chargé de fabriquer l’audio. Une fois la page et le modèle chargés, la démonstration peut continuer sans connexion, selon son éditeur. Pour un jeu ou une application de lecture, cela ouvre la possibilité de produire les répliques à la demande sur l’appareil utilisé, sans dépendre d’un service vocal distant. Deux versions derrière les chiffres du lancement

La présentation de Woof distingue deux formats que le message de lancement rassemble un peu vite. Le fichier de 31,7 Mo correspond à une version à une seule voix, comptant environ 30,7 millions de paramètres. Son taux d’erreur annoncé est de 2,06 %.

Le résultat de 1,42 % appartient à une autre version : un modèle de 40,6 Mo, doté de deux voix anglaises, Juno et Mira, et d’environ 38,2 millions de paramètres. C’est Mira qui obtient ce score. La distinction compte : le meilleur résultat publié et le plus petit téléchargement ne décrivent pas la même configuration. Les usages documentés concernent ici l’anglais, sans démonstration équivalente pour le français. Lire les mots justes ne suffit pas à classer une voix

Pour établir ses comparaisons, l’équipe utilise 500 phrases anglaises du corpus Gradium TTS Hard Cases. Dates, montants et codes mettent à l’épreuve la manière de transformer un texte écrit en paroles. L’audio produit est retranscrit automatiquement, puis comparé au texte attendu pour compter les mots incorrects, manquants ou ajoutés.

Dans cette évaluation réalisée par Underdog, la meilleure voix de chaque modèle est retenue. Le taux d’erreur renseigne sur la fidélité de lecture ; il ne mesure pas, à lui seul, le naturel, l’expressivité ou le plaisir d’écoute. Le classement présenté ne suffit donc pas à établir une supériorité générale sur toutes les voix concurrentes.

Même précision pour la promesse d’un modèle « mille fois plus petit » : elle renvoie à une comparaison entre la version de 40,6 Mo et les 41,5 Go de fichiers de Fish Audio Drama 3, selon les tailles retenues par l’éditeur. Ce rapport décrit les téléchargements comparés, pas un avantage uniforme sur tous les modèles du marché. Télécharger les paramètres ne libère pas tous les usages

Les paramètres sont accessibles dans le dépôt public du modèle. Leur diffusion relève des modèles open weights, avec des restrictions qui comptent pour les créateurs. Malgré la mention CC BY-NC 4.0 sur le site, le fichier de licence publié porte le nom « Underdog Non-Commercial License 1.0 ».

Ce texte autorise les usages personnels, la recherche et l’enseignement sous conditions d’attribution. L’exploitation commerciale du modèle téléchargé et de ses sorties audio exige une autorisation écrite distincte, y compris pour des vidéos monétisées ou des publicités. Une exception autorise les usages commerciaux effectués gratuitement à l’intérieur des propres sites et applications d’Underdog. Elle ne couvre pas l’intégration du modèle dans un autre service. Un petit téléchargement, des besoins matériels à distinguer

La taille du fichier ne correspond pas à la mémoire nécessaire pour produire la voix. Pour sa version à une voix, l’éditeur rapporte un pic de 852 Mo dans son processus de test sur processeur, dont une partie provient des bibliothèques logicielles. Cette mesure ne décrit pas la consommation de la démonstration WebGPU.

Les performances sur ordinateur ne garantissent pas non plus une exécution identique sur téléphone ou montre, deux supports évoqués dans l’annonce. Le navigateur doit prendre en charge la technologie utilisée, et l’appareil disposer des ressources nécessaires. Le fonctionnement hors connexion suppose, lui, d’avoir récupéré au préalable la page et les fichiers du modèle.