Ebben a bemutatóban egy különösen kicsi, mégis teljes értékű, mesterséges intelligencia által vezérelt szintetikus hanggeneráló modellt ismerhetünk meg. Az Inflect Micro v2 modell kevesebb, mint 10 millió paraméterből áll, 37 MB-os méretével messze túlmutat a hasonló, kis erőforrásigényű rendszereken.
A szerző részletesen bemutatja a modell telepítésének és futtatásának lépéseit egy Ubuntu rendszeren, szemléltetve azt is, mennyire gyors és hatékony lehet CPU-n, teljesen GPU nélkül. Megismerhetjük, milyen könyvtárakat kell telepíteni, és hogyan lehet egyszerű szkripttel tesztelni a szintetikus beszéd minőségét.
Az Inflect Micro v2 képességeit különféle tesztek során vizsgálják: hétköznapi szöveg, írásjelek kezelése, nevek, technikai szakkifejezések, illetve az előadásmód és az érzelmi árnyalások szempontjából is. A szerző összehasonlítja a modellt más, kompakt TTS megoldásokkal, és érdekes benchmarking eredményeket is megoszt: kiderül, hol helyezkedik el a többi versenytárs mellett a minőségi sorrendben.
További kiemelt kérdés, hogy miként tud egy ilyen kisméretű modell tiszta, érthető hangot előállítani, milyen szinten képes követni a beszéd ritmusát, természetes szüneteket, illetve hogy a CPU-s futtatás valóban kompromisszummentes sebességet és elérhetőséget biztosít-e.
