わずか9.36MパラメータのローカルTTS「Inflect-Micro-v2」が登場

Inflect-Micro-v2: complete voice in 9.36M parameters

Hugging Faceで公開された「Inflect-Micro-v2」は、9,356,513パラメータ（FP32で37.53MB）の完全ローカル動作するテキスト読み上げモデルです。24kHzモノラルの音声を生成し、CPUまたはCUDAで推論可能。固定の英語音声を持ち、決定的シードによる再現性、長文対応、ONNXエクスポートも提供。評価では、人間によるブラインド比較で66.2%の好評率、UTMOS22で4.395を記録し、PiperやKittenTTSなどより大きなモデルと競合しています。開発者のOwen氏は、コミュニティの関心が高ければv3の開発を検討すると述べています。