TTS 只剩 37MB，Inflect 連自己輸的那欄都印出來

模型卡拉到第四節，有一張六列的速度表。第一名是 Piper Low，31.37 倍即時；接著 KittenTTS Nano 13.33 倍、Inflect-Nano-v2 10.72 倍、Supertonic 3 的三步模式 10.15 倍。

Inflect-Micro-v2 排第五，6.28 倍。這張排行表，就印在它自己的模型卡上。

放這張表的人叫 Owen Song，他在 2026 年 7 月 26 日於 Hugging Face 放出 Inflect-Micro-v2——9,356,513 個可部署參數、FP32 權重 37.53 MB、24 kHz 單聲道輸出、Apache-2.0 授權，一顆完整跑在自己電腦上的英文語音合成模型。同一天這則貼文進了 Hacker News 首頁，185 分。他在模型卡開頭寫，這個專案是他獨立做、獨立出資的，如果真的有人在用，他想繼續做涵蓋更多語言和聲音的 v3。

表格下面還有一段話。他寫明這張表本來就不對等：Inflect 這兩列跑的是 100 題的穩態測試，其他系統跑的是 50 題的確認測試；而且好幾個對照組用的是優化過的 ONNX 執行環境，他自己這兩個數字跑的是原生 PyTorch。

整張表長這樣：

名次	系統	音訊長度 ÷ 實際耗時
1	Piper Low	31.37×
2	KittenTTS Nano	13.33×
3	Inflect-Nano-v2	10.72×
4	Supertonic 3（三步）	10.15×
5	Inflect-Micro-v2	6.28×
6	Supertonic 3（八步）	4.37×

37MB 裝得下整條路，聲碼器也包在裡面

先把規格講清楚，這樣你才知道 6.28 倍是快是慢。

這顆模型是 VITS 家族的端到端文字轉波形生成器：英文音素前端、單調對齊、隨機潛在合成、殘差耦合流，最後那顆神經聲碼器整合在同一份權重裡。你不需要另外掛一個 vocoder，也不需要在推論時載入任何外部模型或參考音檔。

37.53 MB 是這一整條路徑加起來的大小。6.28 倍即時的意思是，在 Hugging Face 的 8 vCPU 機器上開四個執行緒，跑一分鐘的語音大約花你十秒。它在那張表上排倒數第二，但仍然比即時快六倍有餘——生成永遠追得上播放。

模型卡的標題寫 complete voice。討論串當天就有人跳出來澄清這個字：它指的是文字到波形的完整路徑，不含語音辨識。你拿它做不出語音助理的耳朵，只做得出嘴巴。

官方另外釋出了 ONNX 版本，把模型拆成 duration.onnx 和 decode.onnx 兩張圖，支援 CPU、CUDA 和 DirectML，整條路不需要匯入 PyTorch。討論串裡當天就有人拿它做了在瀏覽器裡直接跑的展示頁，也有人把它接進 Linux 的 speech-dispatcher 當系統朗讀。這兩個都是社群作品，不是官方支援。

三顆能離線跑的選項，中文只有一顆有

限制段落寫在賣點旁邊，四句話：英文限定、只有一個固定男聲、零樣本聲音複製做不到、新聲音與新語言「目前未驗證也不支援」。第四句還補了一刀——換一個新聲音的做法是把原本那個換掉，你手上永遠只有一個聲音可用。

對做繁中產品的人來說，這四句話等於直接關門。所以先把離線這條路上真正能挑的東西並排：

	Inflect-Micro-v2	Inflect-Nano-v2	Kokoro-82M
參數	9,356,513	3,966,721	82M（官方標示）
FP32 權重	37.53 MB	15.97 MB	官方未標示
授權	Apache-2.0	Apache-2.0	Apache-2.0
語言	英文	英文	8 語系
聲音	1 個固定男聲	1 個固定男聲	54 個
有華語嗎	沒有	沒有	有，4 女 4 男

要中文，路在最右邊那欄。Kokoro-82M 同樣是 Apache-2.0，官方的 VOICES.md 列了 8 個語系共 54 個聲音，華語有 4 女 4 男。但同一份文件也自己標了但書：非英語的支援「可能缺席或很薄」，原因是字音轉換品質與訓練資料量。挑的時候把這句一起帶著。

66.2% 這個數字的分母是 34 場

模型卡頭條那一列有五個數字：社群盲測偏好率 66.2%、UTMOS22 分數 4.395、兩家語音辨識器的語意錯字率 3.99%、權重 37.53 MB、CPU 6.28 倍即時。它們各自獨立列出，沒有被壓成一個總分。

66.2% 這格點開來，是 21 勝、10 敗、3 平，平手算半勝——總共 34 場。作者自己在下面寫，這是描述性的社群證據，不是正式的 MOS 聽測。同一段也標明 UTMOS22 是一個學習出來的預測器，不等於人類評分；95% 的自助抽樣信賴區間落在 4.381 到 4.408。

所以這顆模型好不好聽，這份文件沒有給你答案，它給的是一組你可以自己去戳的數字。討論串裡的評價也確實分岔：有人說品質跟歷史上那些 TTS 工具差不多，跟 macOS 內建的 Samantha 比只是「marginally better」；也有人直接反駁，說比十年前任何東西都好聽。我們沒有播放過任何一段樣本，這裡只轉述。

語音辨識器那格更有意思。頭條分數只採兩家（Qwen3-ASR 與 Nemotron 3.5），Whisper 被排除，理由寫在旁邊：它在部分 Supertonic 八步模式的音檔上產生插入型幻覺。但被排除不等於被刪掉——三家的完整表照樣印在下面，Inflect-Micro-v2 在 Whisper large-v3 上是 2.73%。

題庫本身也凍結了。400 題，200 題是自訂的現代與壓力測試句、200 題來自 FLEURS 的美式英文測試集，語料的 SHA-256 校驗碼直接印在頁面上，並且跟 87,362 筆訓練轉錄做過原文排除。頭條的信賴區間跑了 10,000 次自助抽樣。

開放權重，不等於配方公開

授權欄寫 Apache-2.0，很多人看到這行就結案了。這份模型卡自己把邊界劃得更細。

公開的是：可部署權重、推論程式碼、英文前端程式碼、評測題目、原始辨識結果與各系統報告。沒公開的是：訓練語料的生成管線、私有的過濾基礎設施，以及完整的優化配方。作者用的詞是 open-weight——權重開放，訓練這件事不是。

這個區分對商用很重要。Apache-2.0 讓你可以把權重包進產品賣錢，這點沒有模糊空間。但你沒辦法照著這份文件重跑一次訓練，也沒辦法自己拿它去做中文——語言適配要重建正規化、音素、符號表、嵌入層和訓練資料，模型卡把這串清單直接列給你看了。

誰該下載，誰該關掉這頁

該下載的是這幾種人：產品要出英文語音、不想付雲端 API 的每字費用、或者文字根本不能離開自己機房的（內部工具、資料不出境的專案、離線裝置）。37 MB 塞得進容器映像檔，Apache-2.0 讓你可以直接商用，ONNX 版本連 PyTorch 都不用裝。

該關掉這頁的是：要中文的、要多個聲音的、要複製特定人聲的，還有產品裡語音走在醫療、法務、緊急通報或無障礙關鍵路徑上的——最後這條是模型卡自己列的不適用場景。

還沒有答案的有兩件。一是那個 v3：作者說想做更多語言和聲音，但沒有時程，也沒有說錢從哪來。二是訓練語料的來源——模型卡說聲音是合成的、不重新散布真人錄音語料，但外部無從查核它怎麼取得。

而這份文件真正值得同行抄走的，是它把可以被抓錯的每個位置都標出來了：樣本量、信賴區間、題庫雜湊、被排除的評測器和排除理由，以及自己在速度表上的名次。下次你讀到某個模型「在 benchmark 上領先」，可以拿這幾項回去對，看那份文件敢不敢印同樣的東西。