Inflect-Micro-v2 リリースノート

Inflect-Micro-v2 リリースノート

Inflect-Micro-v2 は、FP32 で 37.53 MB （9,356,513 パラメータ）という小さなフットプリントで高品質な英語 TTS を提供するローカルのテキストから波形への音声合成システムです。低レイテンシと小さなメモリフットプリントが重要なリソース制約環境へのデプロイを想定して設計されています。

パフォーマンスと評価

ヒューマンプリファレンスと自然さ

匿名のコミュニティ調査では、Inflect-Micro-v2 は 66.2% のプリファレンス率 （21 勝、10 敗、3 引き分け）を達成しました。予測される自然さについては、モデルは UTMOS22 スケールで 4.395 を記録しました。これは人間の平均意見スコア (MOS) を予測する学習済み指標です。

intelligibility

2 つの ASR（Qwen3-ASR と Nemotron 3.5）による意味的単語誤り率（WER）のコンセンサスを使用し、モデルは 3.99% の意味的 WER を記録しました。個々の ASR 結果は以下の通りです：

  • Qwen3-ASR: 2.52%
  • Nemotron 3.5: 5.45%
  • Whisper large-v3: 2.73%

CPU ランタイムとスループット

Inflect-Micro-v2 は CPU 上でリアルタイムを大幅に上回る速度で音声を合成します。管理された参照実行（8 vCPU、32 GB RAM、4 つのフレームワーク スレッド）では、6.28× リアルタイム スループット （定常状態 RTF が 0.1593）を達成しました。

テクニカルアーキテクチャ

Inflect-Micro-v2 は、エンドツーエンドのテキストから波形へのジェネレーターである VITS ファミリに基づいています。そのアーキテクチャには、英語音素フロントエンド、単調アラインメント、確率的潜在合成、残留結合フロー、およびエイリアス低減ニューラル波形デコーダーが統合されています。

パラメータ予算と構成

コンポーネント 仕様
潜在チャネル 192
テキスト隠れチャネル 96
エンコーダー層 / ヘッド 3 / 2
フィードフォワードチャネル 768
フロー結合ブロック 4
初期デコーダーチャネル 320
アップサンプルレート 8, 8, 2, 2
出力 24 kHz mono waveform

デプロイとローカル実行

このモデルは CPU と CUDA の両方での推論をサポートし、PyTorch が利用できない環境向けに専用の ONNX ランタイムを提供します。

PyTorch のインストールと使用法

ユーザーは Hugging Face Hub を経由してモデルをインストールできます：

python -m pip install --upgrade huggingface_hub
hf download owensong/Inflect-Micro-v2 --local-dir Inflect-Micro-v2
cd Inflect-Micro-v2
python -m pip install -r requirements.txt

基本的な Python 合成：

from inference import InflectTTS

tts = InflectTTS(\ 		speed=1.0,
    variation=0.667,
    seed=7,
)

ONNX ランタイム

公式の FP32 エクスポートは Inflect-Micro-v2-ONNX として利用可能です。このバージョンは PyTorch を必要とせず、動的長さとプロバイダーの選択（CPU/CUDA/DirectML）をサポートします。ニューラル モデルは duration.onnx と decode.onnx の 2 つのグラフに分割されます。

コントロールと長文処理

Inflect-Micro-v2 は句読点を認識したセグメンテーションを使用して長い文章を処理し、テキストをチャンクに分割して制御されたポーズとエッジフェードで結合し、安定性を保ちます。

合成コントロール

コントロール デフォルト 範囲 効果
speed 1.0 0.5–2.0 再生速度を調整
variation 0.667 0.0–1.0 潜在変動を制御（低いほど安定）
seed 0 Integer 同じランタイム スタックで再現可能な出力を保証

制限とスコープ

Inflect-Micro-v2 は推論優先のリリースであり、以下の制約があります：

  • 言語と音声: 英語のみに限定され、固定された男性音声 1 つのみを提供します。ゼロショット音声クローンはサポートしません。
  • 安定性: なじみのない表現は、平坦でまたは不安定な発話になる可能性があります。
  • 適応: 新しい音声および新しい言語への適応は現在検証されておらず、サポートされていません。

コミュニティフィードバック

ユーザーはサイズに対してモデルの品質を称賛していますが、一部のユーザーはイントネーションが時々不自然に感じられることを指摘しています：

"イントネーションは奇妙ですが、これはロボットのように聞こえません。悪くない！"

他のユーザーはモデルの効率性を強調しており、ある開発者は inflect-speechd を介したサーバー統合を実装し、より大きな ONNX モデルを置き換えています。

Sources