一款不足1000万参数的本地语音合成模型，在社区盲听测试中拿下66.2%的偏好率。独立开发者Owen本周发布Inflect-Micro-v2，主打「完整本地部署」——从文本直接输出波形，无需联网调用云端接口，24 kHz单声道输出。
为什么关注这个规模
传统高质量TTS往往需要上亿参数，云端部署是主流选择。Inflect-Micro-v2将参数压缩至约935万（FP32精度约37.5 MB），同时在三项硬指标上与更大的基线模型同台比较：
- 人类盲听偏好：66.2%（21胜·10负·3平，对手包括KittenTTS Nano、Piper Low、Supertonic 3）
- UTMOS22自然度预测：4.395分（95%置信区间4.381–4.408），超越图中所有对照系统
- 三个ASR模型平均词错误率（WER）：3.57%（Qwen3-ASR 2.52%、Nemotron 3.5 5.45%、Whisper large-v3 2.73%）
运行效率
该模型支持CPU和CUDA推理，在8核CPU、32 GB内存、四线程配置下，100个固定提示词的端到端合成速度快于实时，且不含ONNX优化。开发者同时提供了单独的ONNX推理路径，供追求更高吞吐量的场景使用。
Inflect-Micro-v2与更小体量的Nano版共享同一套API，区别在于Micro优先质量、Nano优先体积。开发者表示，如果这款模型获得足够关注，计划推进v3版本，可能加入更多语言、更多音色和稳定性改进。
编注：信源为Hugging Face模型卡页面，含完整评估协议、社区偏好测试、ASR诊断与运行时基准。材料未涉及模型训练数据来源与版权信息。