NVIDIA Magpie TTS：开源权重多语言语音生成，全面掌控部署

英伟达推出Magpie TTS多语言模型，这是一个拥有3.64亿参数的开源文本转语音模型，支持12种语言，新增了现代标准阿拉伯语、韩语和巴西葡萄牙语。该模型专为低延迟语音代理设计，在B200 GPU上实现了32毫秒的首音频时间（TTFA），并提供高吞吐量。架构上的改进包括采用帧堆叠以减少解码器迭代次数，以及使用局部变换器来保持音频质量。此次发布突出了改进的质量指标，例如法语和西班牙语的字符错误率（CER）降低，说话人相似度（SSIM）提高。开发者可以通过NVIDIA NIM或Hugging Face检查点在自有基础设施上部署该模型，使用NVIDIA NeMo进行定制，并与Nemotron语音代理开发者示例集成，以构建完整的语音代理。