Inflect-Micro-v2: ระบบสังเคราะห์เสียงครบวงจรใน 9.36 ล้านพารามิเตอร์ — 37 MB รันบน CPU เร็วกว่าเรียลไทม์ 6.28 เท่า

ท่ามกลางข่าวโมเดลระดับพันล้านพารามิเตอร์ที่ออกกันทุกสัปดาห์ โมเดลเล็กตัวหนึ่งขึ้นหน้าแรก Hacker News เมื่อวันที่ 26 กรกฎาคม 2026 ด้วยคะแนน 198 พอยต์ — Inflect-Micro-v2 ระบบสังเคราะห์เสียงพูดภาษาอังกฤษที่ทำงานครบตั้งแต่ข้อความจนถึงคลื่นเสียง ด้วยพารามิเตอร์ที่ deploy จริงเพียง 9.36 ล้านตัว ขนาดไฟล์ 37.53 MB ที่ FP32

ตัวเลขนี้ต้องเทียบให้เห็นภาพ: โมเดล TTS ที่คนใช้กันทั่วไปอยู่ในระดับหลายร้อยล้านถึงพันล้านพารามิเตอร์ ส่วนตัวนี้เล็กกว่ารูปภาพความละเอียดสูงบางไฟล์ด้วยซ้ำ และปล่อยภายใต้ไลเซนส์ Apache-2.0 พร้อมทั้งโค้ด น้ำหนัก และข้อมูลการประเมิน

ตัวเลขที่การ์ดโมเดลระบุไว้

รายการ	Inflect-Micro-v2	Inflect-Nano-v2
พารามิเตอร์ที่ deploy	9.36 M	3.96 M
ขนาด FP32	37.53 MB	15.97 MB
จุดเน้น	คุณภาพเสียง	ขนาดเล็กที่สุด

ด้านคุณภาพ ทีมรายงานว่า

• ความชอบจากมนุษย์ 66.2% จาก blind test ของชุมชน โดยเทียบกับ KittenTTS Nano, Piper Low และ Supertonic 3
• UTMOS22 = 4.395 (คะแนนทำนายความเป็นธรรมชาติ)
• semantic WER = 3.99% ซึ่งวัดว่าฟังแล้วจับใจความถูกไหม
• เร็วกว่าเรียลไทม์ 6.28 เท่าบน CPU (เบนช์บนซีพียู 8 คอร์ RAM 32 GB)

สถาปัตยกรรมอยู่บนฐาน VITS — ประมวลผลระดับ phoneme, monotonic alignment, stochastic latent synthesis และมี neural vocoder รวมอยู่ในตัว เอาต์พุตเป็น mono 24 kHz

การเรียกใช้เรียบง่ายมาก และรองรับ seed แบบ deterministic:

from inference import InflectTTS
tts = InflectTTS(".", device="cpu")
tts.save("Your text here", "sample.wav", speed=1.0, variation=0.667, seed=7)

ข้อจำกัดที่ระบุไว้ตรงไปตรงมา

การ์ดโมเดลไม่ได้ขายฝัน และเขียนข้อจำกัดไว้ชัด — ซึ่งเป็นเรื่องที่ควรชมมากกว่าที่คิด:

• ภาษาอังกฤษเท่านั้น และเป็นเสียงผู้ชายเสียงเดียวตายตัว ไม่ใช่ zero-shot voice cloning
• ประโยคที่มีโครงสร้างแปลกจากที่เทรนมา น้ำเสียงจะ “แบนลง สื่ออารมณ์น้อยลง หรือเสถียรน้อยลง”
• ตัวเลข คำย่อ และชื่อเฉพาะที่ไม่คุ้น ยังขึ้นกับบริบท
• ข้อความยาวต้องตัดเป็นท่อน รอยต่อระหว่างท่อนจะต่างจากโมเดลที่ประมวลผลยาวรวดเดียว
• ยังไม่ได้ตรวจสอบสำหรับงานการแพทย์ กฎหมาย เหตุฉุกเฉิน หรือการเข้าถึงที่วิกฤต

อีกจุดที่ควรรู้: สูตรเทรนไม่ได้เปิด ทีมระบุว่า pipeline สร้างชุดข้อมูล ระบบกรองข้อมูล และสูตรออปติไมซ์เต็มรูปแบบ ไม่ได้อยู่ในแพ็กเกจสาธารณะ — เป็น “open weights” ไม่ใช่ “open training”

มุมมอง AI Curator

ความน่าสนใจของโมเดลนี้ไม่ได้อยู่ที่มันดีกว่าโมเดลใหญ่ (มันไม่ดีกว่า) แต่อยู่ที่มัน เปลี่ยนคำถามจาก “TTS ดีแค่ไหน” เป็น “TTS ราคาถูกแค่ไหน”

37 MB บน CPU ที่เร็วกว่าเรียลไทม์ 6 เท่า แปลว่ามันไม่ใช่โมเดลที่ต้องมี “โครงสร้างพื้นฐาน” อีกต่อไป — มันคือไลบรารีตัวหนึ่งที่ยัดเข้าไปในแอปได้เลย ใส่ในเฟิร์มแวร์ได้ ใส่ในคอนเทนเนอร์ที่รันบน VPS ตัวเล็กที่สุดได้ ไม่ต้องมี GPU ไม่ต้องเรียก API ไม่ต้องส่งข้อความออกนอกเครื่อง งานประเภทประกาศในลิฟต์ แจ้งเตือนในโรงงาน อ่านคิวในคลินิก หรือ accessibility ในแอป ไม่เคยคุ้มค่าที่จะจ่ายค่า TTS API รายเดือน แต่คุ้มทันทีเมื่อต้นทุนเป็นศูนย์

สอดคล้องกับที่เราเห็นในโพสต์ก่อนหน้าเรื่อง LLM 28.9 ล้านพารามิเตอร์บน ESP32-S3 ราคา 8 ดอลลาร์ — กระแสจริงของช่วงนี้ไม่ได้มีแค่ “ใหญ่ขึ้น” อย่างเดียว แต่มีอีกเส้นที่วิ่งสวนทาง: บีบให้เล็กจนราคาต่อหน่วยหายไป และเส้นนี้แหละที่จะเปลี่ยนจำนวนอุปกรณ์ที่มี AI อยู่ข้างในมากกว่าเส้นแรก

แต่ต้องพูดข้อจำกัดให้ชัดสำหรับผู้อ่านชาวไทย: ตัวนี้ไม่รองรับภาษาไทย และเสียงเดียวคงที่ ฉะนั้นมันไม่ใช่ของที่หยิบมาใช้กับผู้ใช้ไทยได้ทันที คุณค่าที่แท้จริงสำหรับเราคือ มันพิสูจน์ว่างบประมาณพารามิเตอร์ระดับนี้เพียงพอต่อ TTS ที่ฟังรู้เรื่อง สถาปัตยกรรม VITS ที่ใช้ไม่ได้ผูกกับภาษาอังกฤษ และไลเซนส์ Apache-2.0 ก็เปิดทาง ใครที่มีคลังเสียงภาษาไทยคุณภาพดีอยู่แล้ว — VISTEC, NECTEC, มหาวิทยาลัย, หรือทีมที่ทำ voice dataset ไทยอยู่ — โจทย์ “TTS ไทยที่รันบน CPU ใน 40 MB” ตอนนี้ดูเป็นโจทย์วิศวกรรมที่ทำได้จริง ไม่ใช่งานวิจัยระยะยาว

ข้อสังเกตสุดท้ายที่ควรระวัง: การ์ดโมเดลรายงานตัวเลขความชอบ 66.2% จาก blind test ของชุมชน ซึ่งเป็นการวัดที่ไม่มีรายละเอียดวิธีการมากนักและเป็นการรายงานเอง ก่อนตัดสินใจใช้จริง ทางที่เร็วที่สุดคือโหลดมาฟังเองสัก 10 ประโยคที่ใกล้เคียงงานจริงของคุณ — ไฟล์แค่ 37 MB ต้นทุนการทดลองแทบเป็นศูนย์ ซึ่งก็คือประเด็นทั้งหมดของโมเดลตัวนี้

แหล่งข่าว

• owensong/Inflect-Micro-v2 — Hugging Face
• owensong/Inflect-Nano-v2 — Hugging Face
• Inflect-Micro-v2: complete voice in 9.36M parameters — Hacker News