NVIDIA、12言語対応の軽量なオープン音声合成モデル「Magpie TTS」を公開 自社環境での低遅延音声エージェント構築を支援
要点
- NVIDIAは、オープンウェイトの多言語テキスト読み上げ（TTS）モデル「NVIDIA Magpie Multilingual TTS」を公開した。
- パラメータ数は3億6400万（364M）で、現代標準アラビア語、韓国語、ブラジルポルトガル語を含む全12言語を単一のモデルでカバーする。
- ヒンディー語や日本語において、国際音声記号（IPA）処理とカスタム発音辞書を用いた多言語混在（コードスイッチング）への対応を強化した。
- オープンウェイトおよび推論マイクロサービス「NVIDIA NIM」として提供され、自社インフラ上でデータプライバシーや遅延を直接管理・最適化できる。
米NVIDIAは2026年8月10日、12言語に対応したオープンウェイトのテキスト読み上げ（Text-to-Speech：TTS）モデル「NVIDIA Magpie Multilingual TTS」を発表した。単一モデルで複数言語の音声合成に対応するほか、本番環境向けマイクロサービス「NVIDIA NIM」を通じた提供により、自社インフラ内での低遅延な音声AIエージェントの構築を可能にするという。
音声パイプラインにおける遅延課題とカスケード構成の重要性
対話型の音声AIシステムにおいて、ユーザーが発話してから応答を聞くまでの間には複数の処理が存在する。具体的には、音声の取得、音声認識（ASR）による文字起こし、大規模言語モデル（LLM）による推論と文脈取得、そしてテキストからの音声生成（TTS）という一連の処理がミリ秒単位の遅延を積み重ねていく。この中でTTSはユーザーが耳にする直前の最終ステップにあたるため、音声生成の遅れはシステム全体の応答速度の印象に直結する。
近年は音声の入力から出力までを1つのAPIで一括処理する統合モデルも登場しているが、領域ごとのファインチューニング（追加学習）やモデルの差し替え、データの保管場所（データレジデンシー）の制御、遅延要因の正確な特定といった面で制約が生じやすい。これに対し、NVIDIAはASR、LLM、TTSを個別のコンポーネントとして組み合わせる「カスケード型」の構成を提示している。各層を独立して調整し、自社のインフラストラクチャ上で運用することで、パイプライン全体の遅延管理やカスタマイズが容易になるとしている。
364Mのオープンモデルで12言語をカバー
今回公開された「Magpie TTS Multilingual」は、3億6400万パラメータ（364M）の軽量なオープンウェイトモデルである。従来の言語に加えて、新たに現代標準アラビア語、韓国語、ブラジルポルトガル語の3言語が追加され、以下の計12言語に対応する。
- 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（北京語）
- ヒンディー語
- 日本語
- 現代標準アラビア語（新規追加）
- 韓国語（新規追加）
- ブラジルポルトガル語（新規追加）
全言語において共有のマルチリンガル話者表現が採用されており、各言語で男性および女性の話者音声を出力できる。また、今回のリリースでは最新の学習データの導入やモデルの改良が行われ、既存言語における音声品質の底上げも図られているという。
日本語やヒンディー語の多言語混在発話への対応を強化
グローバルな展開が進む対話システムでは、文章の中に外国語の単語や専門用語が混ざる「コードスイッチング（言語の切り替え）」への対応が求められる。Magpie TTSでは、特に日本語とヒンディー語においてこの機能が拡充された。
国際音声記号（IPA）に基づく書記素-音素変換（文字表記を発音記号に変換する処理）とカスタム発音辞書を組み合わせることで、人名や技術用語、複数言語が混在した文章であっても、正確な発音で読み上げることが可能になったと説明している。これにより、地域ごとに個別のTTSモデルを用意・管理する手間を削減し、単一のモデル基盤上で多言語アプリケーションを構築できる利点がある。
自社インフラへのデプロイによる制御性と運用性
Magpie TTSは、オープンウェイトとして公開されるとともに、本番環境向けのコンテナ化された推論環境「NVIDIA NIM」でも提供される。
外部のマネージドAPIサービスを利用する場合、ネットワーク経由の通信に伴う往復遅延が発生するが、Magpie TTSを自社環境にデプロイすることで、音声生成開始から最初の音声データが届くまでの時間（Time to First Audio：TTFA）など、サーバー側の遅延を自社で直接測定・最適化できるようになる。
加えて、企業のデータプライバシー要件の遵守、独自の発音や音声のカスタマイズ、本番ワークロードにおける遅延の予測、自社インフラ規模に応じたスケーリングなど、商用運用に必要な制御性を自社で保持できる点が強調されている。
NVIDIAは同モデルの想定用途として、多言語でのカスタマーサポート窓口、医療向けのアシスタント、企業内コパイロット、翻訳システム、各種対話型AIアプリケーションなどを挙げている。