120M 參數開源 TTS 模型 Sopro V2 發布：支援零樣本語音複製，M3 CPU 首包延遲約 300ms

據 Reddit 社群消息，開發者發布了 120M 參數的開源語音合成模型 Sopro V2（具體版本為 sopro-v2-turbo），採 Apache-2.0 授權。該模型支援零樣本語音複製（Zero-shot voice cloning），僅需 5 至 20 秒的參考音訊即可生成語音。 Sopro V2 支援英文、法文、德文，並標榜為首個原生針對歐洲葡萄牙語（非巴西葡萄牙語）進行最佳化的開源 TTS 模型。效能方面對 CPU 友善，在 M3 CPU 上串流生成的首包延遲（Time-to-first-audio）約 300ms，RTF（即時率）為 0.21；在 H100 GPU 上 RTF 則可達 0.07。 在 Seed-TTS-eval 的 test-en 測試中，Sopro V2 的 WER（字錯率）達到 1.51-1.65，優於體積大 3 到 14 倍的競品模型，包含 F5-TTS（1.83）、CosyVoice 3（2.02）及 Spark-TTS（1.98）。使用者可透過 `uvx --from sopro soprotts serve` 單一指令在本地端下載模型並啟動 Web UI 介面。