owensong、1,000万パラメータ未満のローカル音声合成モデル Inflect-Micro-v2 を公開──CPU 単体でリアルタイム動作
10Mパラメータ未満で 24 kHz のモノラル波形生成を実現し、CPU 環境でもリアルタイムを上回る推論速度を達成した。
リリース: 2026-07-26 · 読了 3 分記事の要約
1. 核心（What）
- 1,000万パラメータ未満で動作するローカル完結型のテキスト音声合成モデル Inflect-Micro-v2 が公開された。
- サイズは 37.53 MB（FP32）で、24 kHz のモノラル波形を出力する。
- 固定シード、長文テキストの自動分割処理、CPU および CUDA 推論をサポートしている。
- PyTorch ランタイムに加え、最適化された ONNX ランタイム用パッケージが提供されている。
2. 影響（Why）
- 軽量化と音声品質の両立: 10M未満の小規模モデルでありながら UTMOS22 スコア 4.395 を記録し、クラウド依存のない組み込み用途での実用性を高めている。
- 国内小規模インフラへの恩恵: [国内 音声対話サービス事業者] のような開発現場では、GPU コストを圧迫せずに低リソース環境での音声出力機能を迅速に検証可能になる。
3. 根拠・詳細（How）
- VITS ファミリーに基づくアーキテクチャ: 英語音素フロントエンド、単調アライメント、確率的潜在表現の合成、残差結合フロー、およびエイリアスを低減した統合波形デコーダーで構成されている。
- マルチプロバイダ対応の ONNX エクスポート: duration.onnx と decode.onnx に分離された構造を持ち、ONNX Runtime を通じて CPU・CUDA・DirectML 環境で実行できる。
4. 展望・課題（Next）
- 多言語対応と品質向上の予定: コミュニティからの反応を踏まえ、将来の v3 リリースでは多言語化や音声バリエーションの拡張が検討されている。