En talemodel på 31,7 MB er mindre end de fleste podcastafsnit. Så lille er Woof, den nye model fra den amerikanske startup Underdog, og den laver tekst til tale direkte i browseren uden forbindelse til en server. Ifølge Underdog lyder den samtidig mere præcist end flere af de store cloudstemmer.
Det kortest mulige svar på det, de fleste danske læsere først spørger om: Woof kan kun engelsk. Modelkortet på Hugging Face kalder den "a small English text-to-speech model", og kortet nævner ingen planer om andre sprog. Licensen tillader heller ikke brug i betalte produkter. Er du på udkig efter en lokal AI-stemme til et dansk produkt, findes der derfor bedre bud, og de kommer længere nede.
Hvad Underdog har bygget
TechCrunch beskrev modellen 6. november gennem et lille browserspil. Du står i et rum med retro-tema med en skrivemaskine, en CRT-skærm og en skrivebordslampe. Det du skriver på skrivemaskinen, læser spillet højt, og en radioknap genererer musik. Alle stemmer i spillet er Woof, og intromanuskriptet driller "påtrængende" cloududbydere, så pointen er tydelig: det her kører hos dig, ligesom de lokale AI-modeller, der holder dine data væk fra skyen.
Bag spillet ligger to versioner af modellen:
- En version med én stemme på 31,7 MB, som kører på din CPU eller i browseren.
- En version med to stemmer, Juno og Mira, på 40,6 MB i alt og 38,2 millioner parametre.
Underdog oplyser, at tostemme-versionen læser 13,8 gange hurtigere end realtid på én enkelt CPU-tråd, uden grafikkort, server eller API-nøgle. Grundlæggeren Sigil Wen siger til TechCrunch, at han vil have AI til at køre på brugerens egen maskine, så brugeren ejer sine data, og at "most capable models of today" vil kunne køre på de enheder, du allerede har, "within months". Underdog har også udgivet Bark, en model til tale til tekst på 167 MB, som ifølge en uafhængig gennemgang også kun er trænet på engelsk.
Sådan ligger Woof mod de andre små AI-stemmer
Det tal, Underdog fremhæver, er word error rate (WER). Testen lader en talegenkender lytte til modellens oplæsning og måler, hvor mange ord der bliver forkerte. Jo lavere tal, jo tydeligere udtale. Underdog har kørt sin egen model og en række konkurrenter gennem 500 svære engelske sætninger fra testsættet Gradium TTS Hard Cases. Tabellen herunder bygger på den måling og på modellernes egne modelkort.
| Model | Størrelse | Sprog | Dansk | Licens | WER, engelsk |
|---|---|---|---|---|---|
| Underdog Woof, to stemmer | 40,6 MB | Engelsk | Nej | Ikke-kommerciel | 1,42 % |
| Underdog Woof, én stemme | 31,7 MB | Engelsk | Nej | Ikke-kommerciel | 2,06 % |
| Gradium Phonon 31m | 55,1 MB | Engelsk | Nej | Apache 2.0 | 2,16 % |
| Kokoro 82M | 327 MB | 8 sprog | Nej | Apache 2.0 | 5,17 % |
| Kyutai Pocket TTS | 219 MB | 6 sprog | Nej | CC-BY 4.0 | 8,07 % |
| Supertone Supertonic 3 | 398 MB | 31 sprog | Ja | OpenRAIL-M | 8,81 % |
| Kitten TTS Nano 0.8 | 27,6 MB | Engelsk | Nej | Apache 2.0 | 9,81 % |
| Piper | Ikke målt | 36 sprog | Ja, én stemme | GPL-3.0 | Ikke målt |
Til sammenligning ligger cloudstemmerne i samme test mellem 1,89 % for Fish Audio Drama 3, som fylder 41,5 GB, og 6,63 % for ElevenLabs Flash v2.5. Blandt de modeller, der kan køre på din egen maskine, er Kitten TTS Nano den eneste, der er mindre end Woof, og den laver næsten syv gange så mange fejl.
Fire forbehold ved tallene
Tallene er interessante, men de er ikke uafhængige. Før du lader dem afgøre noget, så tænk på fire ting.
- Underdog har selv kørt og scoret alle modeller. Det er gjort på samme måde for alle, siger firmaet, men ingen udefra har gentaget målingen endnu.
- Testsættet kommer fra Gradium, som også står bag Phonon 31m. Phonon bygger på Kyutais Pocket TTS og Mimi-codec'en, så flere af modellerne i toppen er nære slægtninge.
- WER måler, om ordene bliver forstået, ikke om stemmen lyder naturlig, har den rigtige betoning eller holder til en lang tekst. En model kan få en lav fejlprocent og stadig lyde flad.
Det fjerde forbehold er det vigtigste for en dansk læser. Hele testen er på engelsk. Supertonic 3 får 8,81 % på engelsk, men det siger intet om, hvordan den udtaler "rødgrød med fløde" eller et dansk gadenavn. Det skal du selv høre efter.
Licensen lukker døren til betalte produkter
Licensen hedder Underdog Non-Commercial 1.0, og den er ret klar. Woof er gratis til private projekter, forskning, undervisning og non-profit, også når du udgiver det, modellen laver, så længe du krediterer Underdog. Betalte produkter, reklamer, videoer med indtjening og arbejde for en virksomhed kræver en kommerciel licens. Du må heller ikke bruge Woof eller dens lyd til at træne en anden talemodel.
Det betyder, at et internt værktøj i en virksomhed allerede falder uden for den gratis ramme. Phonon 31m er her det oplagte alternativ på engelsk. Den er næsten lige så præcis i Underdogs egen test, fylder lidt mere og er udgivet under Apache 2.0, som tillader kommerciel brug. Kokoro og Kitten TTS har samme åbne licens. Supertonic 3's OpenRAIL-M tillader også kommerciel brug, men med en række brugsbegrænsninger, du skal læse, før du bygger på den.
Skal den kunne dansk, er der kun to bud
Blandt de små lokale modeller kan kun to læse dansk op.
- Supertonic 3 fra koreanske Supertone udkom 29. april 2026 med 31 sprog, heriblandt dansk. Den har omkring 99 millioner parametre, ti faste stemmer, som alle kan tale alle sprogene, og kører på CPU og i browseren. Til gengæld fylder den ti gange så meget som Woof.
- Piper har én officiel dansk stemme, "talesyntese", i medium kvalitet. Den er trænet på det danske NST-talekorpus fra Nasjonalbiblioteket i Norge, som er frigivet som CC0. Piper er hurtig og let, men den oprindelige rhasspy/piper-kodebase blev arkiveret i oktober 2025, og én stemme i mellemkvalitet er et tyndt grundlag for et produkt, kunder skal lytte til.
Kokoro dækker otte sprog og Pocket TTS seks, men dansk er ikke med i nogen af dem. Pocket TTS har en række sprog, som brugere selv har trænet, og Kyutai har frigivet træningskoden. Dansk står dog ikke på listen i Kyutais dokumentation.
For de fleste danske projekter, der skal integrere AI i eksisterende systemer, er valget derfor ret enkelt. Skal stemmen tale dansk og køre lokalt, er Supertonic 3 udgangspunktet. Er engelsk nok, og skal det bruges kommercielt, er Phonon 31m det stærkeste lille bud lige nu. Woof er den mest imponerende tekniske demonstration af de tre. Den kan bare hverken bruges på dansk eller i et betalt produkt.
Kilde: TechCrunch
