Inflect-Micro-v2: plnohodnotná syntéza reči v 9,36 miliónoch parametrov

Čo sa stalo

Výskumníci 25. júla zverejnili Inflect-Micro-v2 na Hugging Face -- kompletný model prevodu textu na reč (TTS) zvládajúci celý pipeline vrátane fonemickej konverzie, dĺžky tónu a akustického dekodéra v iba 9,36 miliónoch parametrov.

Kontext a dopad

Väčšina moderných TTS modelov (ElevenLabs, Kokoro-82M, F5-TTS) má desiatky až stovky miliónov parametrov. Inflect-Micro-v2 ukazuje, že plnohodnotná syntéza reči je možná pri zlomku výpočtových nárokov -- ideálne pre edge zariadenia, wearables a embedded systémy.

Detaily

• 9,36 miliónov parametrov -- porovnaj: Kokoro-82M má ~82M, F5-TTS ~300M
• Kompletný pipeline: fonémová konverzia + dĺžka tónu + akustický dekodér v jednom modeli
• Zverejnený pod permisívnou licenciou na Hugging Face
• Hacker News skóre 148 -- silný záujem komunity 25. júla