原题:owensong/Inflect-Mini-v3
Owen Song 11 月 10 日上传的英语语音合成 v3,模型卡称核心 34.31M 参数(FP32 权重 138.4 MB),原生 24 kHz 输出,可选 2.85M 参数的增强器出 48 kHz。内置 cassidy、mark、hope、james、sophia、jasper 六个音色,支持 [laugh]、[sigh]、[gasp] 等 8 种声音事件标签;Voice Tuner 可以用 5–15 秒的授权录音建一个可复用的音色档案。仓库是完整推理包,Apache-2.0 许可。
为什么重要 体量小、Apache 许可可商用,CPU 上也能本地生成,适合做旁白、操作提示和离线朗读
上升分 42 · 点赞 42 · 下载量 590
理由
- 作者自跑评测:六个音色平均词错率 0.739%(每个音色 1,688 段文本),UTMOS22Strong 4.479;作者注明这不是官方榜单提交,和 Kokoro 等榜单数字不能直接比
- 作者称 RTX 5090 走优化 CUDA 路径约 162 倍实时,锐龙 9 3900X 用 2 个线程约 1.81 倍实时
- 同系列还有 11.79M 的 Micro v3 和 157.19K 的 Atom v3;GitHub 另给了把 Mini 适配到其他语言的训练工具包
用法
- Python 3.12 新环境:hf download owensong/Inflect-Mini-v3 下载整个仓库,运行 verify_release.py 校验,装 core/requirements-cpu.txt,再 python run.py speech --voice cassidy --text "..." --output out.wav
- 声音事件:先装 extras/events 的依赖,再 python run.py events --voice cassidy --text "... [laugh] ..."(只在 CPU、24 kHz 下可用);要 48 kHz 用 --profile enhanced
- GPU:另建环境装 core/requirements-cuda.txt,加 --device cuda --runtime cuda-source;在线试听在 owensong/Inflect-v3 Space
风险
- 只支持英语;事件标签不会改变前后语句的情绪,也没有耳语、愤怒等风格控制
- Voice Tuner 只支持 Linux CPU 注册,像不像取决于录音,作者说不保证复刻原声;只能用有授权的声音
- 词错率和音质分都是作者自跑,评测语料在开发时用过;增强器在部分素材上可能有轻微嗡声。本条未运行