NVIDIA の Magpie TTS：オープンウェイトで多言語音声生成、デプロイメントを完全制御

NVIDIAは、12言語をサポートする364Mパラメータのオープンウェイトテキスト読み上げモデル「Magpie TTS Multilingual」を発表しました。新たに現代標準アラビア語、韓国語、ブラジルポルトガル語が追加されています。このモデルは低遅延の音声エージェント向けに設計されており、B200 GPU上で最初の音声出力までの時間（TTFA）が32ミリ秒を実現し、高いスループットを提供します。アーキテクチャの改善には、デコーダの反復回数を減らすフレームスタッキングと、音声品質を維持するローカルトランスフォーマーが含まれます。このリリースでは、フランス語とスペイン語の文字誤り率（CER）の低減や話者類似度（SSIM）の向上など、品質指標の改善が強調されています。開発者は、NVIDIA NIMまたはHugging Faceチェックポイントを使用して自社インフラ上にモデルをデプロイし、NVIDIA NeMoでカスタマイズし、Nemotron Voice Agent Developer Exampleと統合して完全な音声エージェントを構築できます。