NVIDIA Magpie TTS: Geração de Voz Multilíngue com Peso Aberto e Controle Total de Implantação
NVIDIA
A NVIDIA lança o Magpie TTS Multilíngue, um modelo de pesos abertos que suporta 12 idiomas, incluindo novas adições como o Árabe Padrão Moderno, o Coreano e o Português Brasileiro. O modelo oferece baixa latência por meio de técnicas de empilhamento de quadros e transformer local, com flexibilidade de implantação por meio do NVIDIA NIM e dos checkpoints do Hugging Face.
A NVIDIA apresenta o Magpie TTS Multilingual, um modelo de text-to-speech de código aberto com 364M de parâmetros, que suporta 12 idiomas, com novas adições de Árabe Moderno Padrão, Coreano e Português Brasileiro. O modelo é projetado para agentes de voz de baixa latência, alcançando um tempo até o primeiro áudio (TTFA) de 32ms em GPUs B200 e oferecendo alta taxa de transferência. As melhorias arquiteturais incluem empilhamento de quadros para reduzir iterações do decodificador e um transformer local para manter a qualidade do áudio. O lançamento destaca métricas de qualidade aprimoradas, como taxas de erro de caractere (CER) reduzidas e maior similaridade do locutor (SSIM) para francês e espanhol. Os desenvolvedores podem implantar o modelo em sua própria infraestrutura usando NVIDIA NIM ou checkpoints do Hugging Face, personalizar com NVIDIA NeMo e integrar com o Exemplo de Desenvolvedor de Agente de Voz Nemotron para construir agentes de voz completos.
Fonte: Hugging Face blog —
original