NVIDIAの音声生成「Magpie TTS」、12言語対応——韓国語・アラビア語・ポルトガル語を追加

結論から言うと、日本語を含む12言語の読み上げを、自社のGPU環境で管理・調整できる公開ウェイトモデルが更新された。NVIDIAは2026年8月10日、Hugging Faceの公式ブログで「Magpie TTS Multilingual」の最新版を詳しく紹介した。

モデルは364Mパラメータで、英語、スペイン語、フランス語、ドイツ語、イタリア語、ベトナム語、中国語、ヒンディー語、日本語に加え、現代標準アラビア語、韓国語、ブラジル・ポルトガル語を新たに含む12言語へ対応する。日本語とヒンディー語では、IPAに基づく発音変換と独自辞書により、英語名や専門用語を混ぜた読み上げも改善した。

ウェイトはNVIDIA Open Model Licenseで提供され、NeMoで調整でき、NIM版は自社GPUへ配置できる。NVIDIAの測定では、1ストリームの最初の音声がB200で32ミリ秒、対象GPU全体で32〜79ミリ秒だった。音声案内、ナレーション、多言語の顧客対応を外部APIだけに頼らず作りたい開発者に関係する。

ただし速度はNVIDIA NIMを指定GPUで測った値で、一般のパソコンやネットワーク込みの会話速度を保証しない。安全上の理由でゼロショット音声複製は削除され、対応外言語には使えない。商用利用も含め、ライセンスと自社データでの品質確認が必要だ。