NVIDIA、多言語対応TTSモデル「Magpie TTS」をオープンウェイトで公開

NVIDIAは、低レイテンシなマルチリンガル音声エージェントの構築を支援する「Magpie TTS」のウェイトを公開しました。このモデルは英語、スペイン語、ドイツ語、中国語、日本語を含む12か国語に対応し、一つのモデルで多言語の音声生成を完結させることが可能です。商用利用を視野に入れたオープンウェイト形式での提供により、開発者は独自のインフラ上でフルスタックのデプロイ制御が行えます。

従来の統合型音声APIでは、単一のAPIコールで音声入出力が可能でしたが、コンポーネントごとの微調整やデータレジデンシの管理、遅延のボトルネック解析が困難という課題がありました。Magpie TTSはカスケード型のアーキテクチャを採用しており、LLMやASR（音声認識）と組み合わせた際のパイプライン全体におけるレイテンシバジェットを開発者自身が最適化できるよう設計されています。

本モデルはリアルタイム音声生成に特化しており、音声品質を維持しながら生成速度を向上させています。ただし、推論速度の向上はハードウェア構成やパイプライン設計に依存するため、目標とする応答速度を達成するには、NVIDIAの提供する最適化ツールを用いた実環境での計測が必要です。