開放模型與邊緣 AI
Inflect v2 更新超小型本地 TTS 套件，4M 參數模型可自行調整聲音並匯出 ONNX
Inflect-Nano-v2 將完整文字轉波形模型控制在 3.97M 參數，近期更新加入可執行的單一說話者調整流程。它適合離線與邊緣語音介面，但訓練資料、跨語言效果及品質比較仍缺乏獨立驗證。
獨立開發者 Owen Song 更新 Inflect v2，將兩款固定聲音的英文 TTS 模型與調整工具整理成可直接執行的本地套件。Inflect-Nano-v2 共有 3,966,721 個可部署參數，FP32 權重為 15.97 MB；品質優先的 Micro-v2 則有 9,356,513 個參數、37.53 MB。兩者均包含 24 kHz 神經波形解碼器，而非只計算文字編碼器，並可透過相同 Python API 在 CPU 或 CUDA 執行。
架構屬於參數精簡的 VITS 系列，結合英文音素前端、單調對齊、隨機潛在變數合成、殘差耦合流與降低混疊的波形解碼器。Nano 使用 128 維潛在表示、三層雙頭文字編碼器和四個 flow coupling blocks。近期補上的 adaptation toolkit 可匯入單一說話者錄音與逐句文字，從 Nano 或 Micro checkpoint warm-start，支援中斷續訓、保留驗證音訊，最後輸出 PyTorch 或 ONNX 模型。這使它從只能播放固定聲音的權重，跨到可為嵌入式產品建立私有語音的基礎工具。
對手機、樹莓派、遊戲或不允許音訊上雲的介面而言，十多 MB 的完整模型可降低記憶體、下載量和冷啟動成本；固定 seed 亦有助於回歸測試。不過音素化仍依賴 eSpeak-ng，並未計入參數數量；公開模型只驗證英文固定聲音，改成中文等語言需要新的音素規則與大量配對資料，不能視為少量樣本聲音複製。訓練語料建置流程也未完整公開。團隊採用前應自行測試長文韻律、數字與專名、CPU 即時率，以及量化或 ONNX 匯出後的失真。