英伟达Magpie TTS：开放权重打造低延迟多语言语音智能体

近日，英伟达正式发布Magpie多语言语音合成模型，为构建低延迟、高可控的语音AI代理提供开源基础。该模型参数量为3.64亿，全面支持12种语言，此次新增现代标准阿拉伯语、韩语及巴西葡萄牙语，并显著降低法语、西班牙语等既有语言的字符错误率。在技术架构上，模型采用帧堆叠与局部Transformer双重优化机制，在保障高音质的前提下将解码迭代次数减半。实测表明，企业部署于自有GPU基础设施时可实现极致延迟控制，在B200硬件上单流首音延迟低至32毫秒，64路并发吞吐量达实时320倍，确保端到端交互稳定在自然对话所需的200毫秒窗口内。凭借完全开源的权重与适配NVIDIA NIM的生产级容器，开发者得以在私有环境中自主微调模型、落实数据合规，并独立调优语音识别与大模型组件。该成果已整合至英伟达Nemotron语音助手参考架构，为企业客服、医疗辅助、跨语言翻译及实时对话系统提供端到端工业级解决方案，加速推动语音交互向多语言原生与低延迟定制方向演进。