在輕量級語音合成領域，兼顧低延遲、極小模型體積與高品質聲音複製一直是個巨大挑戰。Sopro V2 Turbo 證明了僅靠 120M 參數，也能在地端 CPU 上實現高可讀性與流暢串流。
什麼是 Sopro V2 Turbo？模型規模與語言支援
Sopro V2 是由 Samuel Vitorino 與 Halo Research 開發的輕量化開源語音合成模型家族。其公開釋出的旗艦輕量模型 sopro-v2-turbo 具備以下核心特性：
- 模型規模：僅 120M 參數（1.2 億參數），由 0.5B 教師模型經過 DPO（直接偏好優化）與 Self-Distillation 自蒸餾，並結合 2-step Reflow 技術進行 16 倍加速優化。
- 授權條款：採用 Apache-2.0 自由開源授權。
- 多語言支援：原生支援 英語（English）、歐洲葡萄牙語（European Portuguese）、法語（French）與德語（German） 共 4 種語言。特別是它是少數原生針對歐洲葡萄牙語（而非巴西葡萄牙語）進行深度調校與對齊的開源語音模型。
- 零樣本聲音複製（Zero-Shot Voice Cloning）：僅需 5 至 20 秒的參考音訊，且無需提供參考音訊的文字逐字稿（ASR-free prompt），即可捕捉目標聲音的音色、麥克風環境與說話風格。
速度與本機 CPU / 裝置端適用性
Sopro V2 Turbo 的設計初衷在於讓任何人都能在地端設備上順暢執行語音生成，擺脫對雲端 API 的依賴與高昂延遲。
推論效能數據（RTF 與首音延遲）
在官方特定測試環境下，推論表現如下：
- Apple M3 CPU (MacBook 筆電)：
- 非串流模式（Offline）：實時率（RTF）為 0.24（生成速度約為即時播放的 4.1 倍）。
- 串流模式（Streaming）：RTF 為 0.21，首音時間（Time-to-first-audio, TTFA）僅約 300 毫秒。
- NVIDIA H100 GPU：
- 非串流 RTF 為 0.07，串流模式首音時間約 200 毫秒。
本機與瀏覽器端部署
由於參數規模僅 120M，Sopro V2 Turbo 適合直接於筆電或邊緣設備的 CPU 上運行。此外，官方亦提供了基於 ONNX Runtime（WebGPU / WASM）的純瀏覽器前端實現，使用者無需設定後端伺服器，即可在網頁端直接進行地端語音推理。
官方評測數字：區分 WER 與說話者相似度
評測語音模型時，必須將字詞錯誤率（WER，代表可讀性與發音正確度）與說話者相似度（SIM，代表音色複製逼真度）、韻律（Prosody）及聲音自然度分開看待。官方採用 Whisper large-v3 計算 WER，並以 WavLM 聲紋模型計算 SIM：
1. Seed-TTS-eval (test-en) 英文評測
- Sopro V2 Turbo (2-step)：WER 為 1.63%，說話者相似度 SIM 為 0.655。
- Sopro V2 Turbo (Streaming)：WER 為 1.44%，SIM 為 0.649。
- 與大型模型對比：Sopro V2 Turbo 的字詞錯誤率優於規模大 3 至 14 倍的模型，例如 F5-TTS (336M, WER 1.83%)、CosyVoice 3 (0.5B, WER 2.02%)、Spark-TTS (0.5B, WER 1.98%) 與 MaskGCT (1.0B, WER 2.62%)。
2. LibriSpeech test-clean (F5 協定)
- Sopro V2 Turbo (2-step)：WER 為 1.79%，SIM 為 0.654。
- Sopro V2 Turbo (Streaming)：WER 為 1.88%，SIM 為 0.646。
- 對比基準：字詞錯誤率顯著低於 F5-TTS (WER 2.42%)、E2-TTS (WER 2.95%) 及 CosyVoice (WER 3.59%)。
3. MiniMax 多語言測試集 (MiniMax Multilingual Eval)
在四種支援語言的測試中，Sopro V2 Turbo 的表現分別為：
- 英語 (en)：WER 1.98 / SIM 0.715
- 德語 (de)：WER 0.62 / SIM 0.754
- 法語 (fr)：WER 4.60 / SIM 0.702
- 葡萄牙語 (pt)：WER 2.51 / SIM 0.699（註：由於評測集的葡萄牙語參考音為巴西發音，而 Sopro 著重於歐洲發音，受限於 ASR 對元音弱化的轉寫偏差，WER 數值略高）。
本地試用與啟動命令
您可以透過以下單一 CLI 命令啟動在地端執行的服務與 Web UI 介面：
uvx --from sopro soprotts serve
執行後，系統將自動下載模型權重並在 http://localhost:7860 開啟本地操作介面。若已安裝套件，亦可直接執行 soprotts serve。
安全規範與倫理邊界
由於開源的推論管道極易被惡意繞過或移除，官方並未在模型中強行加入數位水印。使用者在利用 Sopro V2 Turbo 進行聲音複製時，必須明確取得聲音持有者本人的授權與同意，且任何產出的產品或應用均應清楚標示該音訊為 AI 合成內容，嚴禁將其用於身分冒用、詐欺或未經授權的聲音複製行為。
