ハクソク

世界を動かす技術を、日本語で。

Inflect-Micro-v2: 9.36Mパラメータで実現する完全な音声

2026年7月26日原文(huggingface.co)

概要

  • Inflect-Micro-v2 は10Mパラメータ未満で動作する高品質な英語TTSモデル
  • 長文対応・固定音声・CPU/CUDA両対応 のローカル推論が特徴
  • 新しい適応ツールキット で音声や言語のカスタマイズ実験が可能
  • 競合モデルと比較して高い品質・効率性 を実証
  • PyTorch/ONNX両対応・詳細な評価指標 を公開

Inflect-Micro-v2：10Mパラメータ未満の高品質ローカルTTS

  • Inflect-Micro-v2 は、10Mパラメータ未満の軽量な エンドツーエンド英語TTSモデル
  • 固定音声・英語対応・決定的シード による再現性確保
  • 長文入力 は句読点で自動分割し、自然なポーズで連結
  • CPUまたはCUDA での推論が可能、24kHzモノラル出力
  • 37.53MB (FP32)の小型サイズ で、ローカル環境での運用に最適
  • 完全ローカル実行 が可能なため、プライバシーやカスタマイズ性に優れる

適応ツールキットとカスタマイズ実験

  • Inflect adaptation toolkit により、データ準備・検証分割・音声/言語適応・再学習・チェックポイント評価・PyTorch/ONNXエクスポートが可能
  • 適応品質は実験的 で、データセット・フロントエンド・流暢な話者による評価に依存
  • 新しい音声 は既存のスピーカーを置き換える方式
  • 新しい言語追加 には専用データ・フロントエンド・記号移行・再学習が必要

モデルバリエーションと選択指針

  • Inflect-Micro-v2 ：品質重視 (9,356,513パラメータ、37.53MB)
  • Inflect-Nano-v2 ：最小フットプリント重視 (3,966,721パラメータ、15.97MB)
    • 両モデルとも 同一API・パッケージ構成 で運用可能
    • 24kHz波形デコーダー を内蔵

評価指標と比較結果

  • ヒューマンブラインド評価 で66.2%の好感度を獲得（21勝・10敗・3引き分け）
  • UTMOS22による自然度 ：4.395（500プロンプト平均、95%CI 4.381–4.408）
  • ASRによる可聴性 ：Qwen3-ASR 2.52%、Nemotron 3.5 5.45%、Whisper large-v3 2.73%
  • CPU実行時の速度 ：6.28倍リアルタイム（8vCPU, 32GB RAM, 4スレッド環境）
  • 競合比較 ：KittenTTS Nano、Piper Low、Supertonic 3等より 小型かつ高品質

導入方法・ローカル実行手順

  • Hugging Face Hub からダウンロードし、pipで必要パッケージをインストール
    • 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
  • Python API利用例
    • from inference import InflectTTS
    • tts = InflectTTS(".", device="cpu")
    • tts.save("テキスト", "sample.wav", speed=1.0, variation=0.667, seed=7)

ONNX対応とエクスポート

  • ONNXエクスポート済みモデル （Inflect-Micro-v2-ONNX）も公開
    • CPU/CUDA/DirectML 対応、PyTorch不要
    • 動的長さ・決定的シード・長文分割 にも対応
    • コマンド例：
      • git clone https://huggingface.co/owensong/Inflect-Micro-v2-ONNX
      • cd Inflect-Micro-v2-ONNX
      • python -m pip install -r onnx/requirements.txt
      • python onnx/inference_onnx.py --text "テキスト" --output sample-onnx.wav --provider cpu --seed 7
  • duration.onnx・decode.onnx の2ファイル構成

アーキテクチャ概要

  • VITSファミリーのエンドツーエンド構造
  • 英語音素フロントエンド・単調アライメント・潜在変数合成・残差カップリングフロー・ニューラル波形デコーダー を統合
  • 主要構成
    • 潜在チャンネル：192
    • テキスト隠れチャンネル：96
    • エンコーダ層/ヘッド：3/2
    • フィードフォワードチャンネル：768
    • フローカップリングブロック：4
    • 初期デコーダチャンネル：320
    • アップサンプルレート：8,8,2,2
    • 学習セグメント：16,384サンプル
    • 出力：24kHzモノラル波形

コントロール・決定性・長文対応

  • コントロールパラメータ
    • speed（話速）：0.5–2.0（デフォルト1.0）
    • variation（揺らぎ）：0.0–1.0（デフォルト0.667）
    • seed（決定的乱数）：任意整数
  • 長文は句読点で分割し、各チャンク間に短いポーズ・エッジフェードを付与
  • 同一seed・同一環境で完全再現可能

データ・音声・適応の注意点

  • 配布パッケージには合成英語音声1種のみ収録
  • 実在話者の録音コーパスは含まれない
  • 推論時にリファレンス音声や外部モデルは不要
  • 音声・言語適応は実験的機能で、公式ドキュメント参照

まとめ

  • Inflect-Micro-v2 は、ローカル動作・高効率・高品質な英語TTSを求めるユーザーに最適
  • 適応ツールキット・ONNX対応・詳細な評価指標 により、研究・実用の両面で活用可能
  • Hugging Faceでの評価やフィードバック が今後の開発継続に寄与

Hackerたちの意見

すごいね。ボイスクローンのオプションがあったらいいのに。

└

こんなに少ないパラメータで、ボイスのファインチューニングが簡単にできそうだね。

こんな小さいサイズなのに、すごいクオリティだね！

いくつかのポイント:

10Mパラメータ未満で完全なローカルテキストから波形への音声合成ができる。 私みたいに「完全な」音声がSTTとTTSの両方を意味すると思ってた人もいるかもしれないけど、悪く言うつもりはないよ、ただの確認ね。 英語のみで、固定の男性ボイスが一つ。これはゼロショットボイスクローンじゃない。 （それから、品質が不安定かもしれないけど、いじってみれば大丈夫っていう制限についてのいくつかの説明があった。） でも、10Mパラメータ未満で、あまり厳しくは見てないよ:)

└

「テキストから波形音声合成」って、いつになったら音声からテキストを意味するの？

これ、すごい！こんな小さいモデルなのに、クオリティが驚きだよ！古いonnxモデルをあなたのに置き換えたよ！ここにスピーチディスパッチャーとサーバーの実装があるよ: https://github.com/skorotkiewicz/inflect-speechd 共有してくれてありがとう！

音の抑揚はちょっと変だけど、ロボットみたいには聞こえないね。悪くない！

聞いてみたいけど、どうやらクォータが使い切っちゃったみたい。

└

ウェブデモを作ったよ、ブラウザで動くやつだよ。 https://inflect-tts.geronimo-labs.com コードはこちら: https://github.com/geronimi73/inflect-tts

ここでTTSの話をよく見るけど、これはLLMの世界の面白いサブセットなの？それとも、何か大きなユースケースを見逃してるのかな？

└

家のHome Assistantと連携するために、STT/TTSを使ってるよ。

└

自分のPebble Time 2ウォッチでボイスアシスタントを作ったんだけど、VPSでホスティングされたTTS（Piper）とHermesエージェントを使ってるんだ。これらのプロジェクトについては、HNでどこかのタイミングで知ったよ。

Hacker Newsで議論の続きを見る