NVIDIAは2026年8月4日(現地時間)、低遅延の多言語音声エージェント構築を支援する「NVIDIA Magpie TTS (マグパイ・ティーティーエス)」のオープンウェイト版と、完全なデプロイ制御機能の提供を発表した。このモデルは12言語に対応し、自社インフラでの展開、ワークロードに合わせた遅延最適化、ドメインに応じたカスタマイズを可能にする。
NVIDIA Magpie TTS Multilingualは3億6400万パラメーターのオープンウェイトモデルで、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、マンダリン、ヒンディー語、日本語を含む12言語をサポートする。今回のリリースで、新たに現代標準アラビア語 (Modern Standard Arabic)、韓国語 (Korean)、ブラジルポルトガル語 (Brazilian Portuguese) が追加された。
モデルの改善により、既存の多くの言語で品質が向上しており、特にフランス語では以前の2.70%から1.54%へ、スペイン語では1.14%から0.60%へそれぞれ文字エラー率 (CER) が低下している。また、日本語とヒンディー語のコードスイッチング (code-switching) 対応が強化され、IPAグラフェム・ツー・フォニーム処理とカスタム発音辞書を通じて、名前や専門用語、混在言語コンテンツの正確な発音が可能になった。
同モデルは、GPUにおけるTime to First Audio (TTFA) で低遅延性能を実現する。単一ストリームにおいて、B200 GPUでは32ミリ秒、H100 GPUでは47ミリ秒、A100 GPUでは79ミリ秒を達成する。この低遅延は、デコーダーが各デコーディングステップで2つの音声フレームを予測する「フレームスタッキング」と、生成された音声品質を維持・改善する「ローカルトランスフォーマー」という2つのアーキテクチャ改良により実現された。NVIDIA NIMとして提供されることで、ユーザーは自身のインフラ上で最適化されたコンテナを利用できる。
参考: Hugging Face Blog (アーカイブ) — 2026年8月5日 14:56 (JST)
原文ハイライト"Text-to-speech (TTS) is the final step — and the one users notice most."