NVIDIA、多言語対応TTS「Magpie」を公開
Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS
3行まとめ
- •NVIDIAが低遅延の多言語TTSを公開
- •12言語対応、B200で32ms
- •NIMやHFで自社導入可能
詳細
概要
NVIDIAは2026年8月10日、低遅延の多言語音声合成(TTS)モデル「Magpie TTS」をHugging Face上でオープンウェイトとして公開した。パラメータ数は364Mと軽量で、英語、スペイン語、フランス語、ドイツ語、イタリア語、ベトナム語、標準中国語、ヒンディー語、日本語、現代標準アラビア語、韓国語、ブラジルポルトガル語の12言語に対応する。ライセンスは「NVIDIA Open Model License」で、商用利用を含め自社インフラへの直接デプロイが可能となっている。
技術的特徴
フレームスタッキングとローカルトランスフォーマーを組み合わせた独自設計により、音声出力開始までの時間(Time to First Audio)はB200 GPUで32ミリ秒、A100で79ミリ秒という低遅延を実現した。64並行ストリームで処理した場合、B200ではリアルタイムの320倍という高いスループットを発揮する。フランス語・スペイン語については前バージョンと比べ文字誤り率(CER)が大幅に改善されており、フランス語は2.70%から1.54%、スペイン語は1.14%から0.60%に向上した。
展開方法と想定用途
利用者は最適化済みコンテナ「NVIDIA NIM」か、Hugging Face配布のチェックポイントのいずれかを選んで自社インフラに導入できる。カスタマーサポート、医療助手、エンタープライズ向けコパイロット、翻訳システムなど、応答速度が求められる会話型音声エージェントへの組み込みが想定されている。
なぜ重要か
NVIDIAが低遅延・多言語対応のTTSをオープンウェイトで公開、音声エージェント開発の選択肢が広がる。