NVIDIA Magpie TTS、低遅延多言語音声合成を公開

NVIDIAは低遅延・多言語対応のテキスト読み上げモデルMagpie Multilingual TTSを正式公開した。本モデルは12言語に対応し、現代標準アラビア語、韓国語、ブラジルポルトガル語の3言語を新規追加するとともに、既存言語の合成品質を向上させた。音声応答パイプラインの最終工程であるTTSの処理速度はユーザーの体感遅延に直結するため、NVIDIAはフレームスタッキングと局所トランスフォーマーを融合させた新アーキテクチャを採用。推論ステップを半減させつつ発話の自然な品質を維持する設計とした。 オンプレミスGPUでのベンチマーク結果によると、単一ストリームの初音出力遅延はB200で32ミリ秒、H100で47ミリ秒を記録。64ストリームの並列処理時でもB200上で320倍のリアルタイム処理速度を達成し、自然会話に必要な200ミリ秒未満のエンドツーエンド遅延を実現している。品質指標ではフランス語とスペイン語の文字誤り率が低下し、話者類似性が向上した。 同モデルの核心的な価値はオープンウェイトと完全なデプロイメント制御権にある。開発者はHugging Faceから重みを取得して自前環境でのファインチューニングが可能であり、本番運用には最適化されたNVIDIA NIMコンテナを自社インフラで展開できる。これによりAPI依存を排除し、データレガシーやレイテンシを完全に管理できる。NVIDIAは本モデルをNemotron音声エージェント開発者向けリファレンス実装に統合し、音声認識・大規模言語モデル・TTSを連携させたエンタープライズ対応の音声AI構築を推進する。カスタマーサポートや医療記録、多言語翻訳など、低遅延とカスタマイズ性が不可欠な分野での採用拡大が期待される。