NVIDIA、音声合成モデル Magpie TTS を公開──B200 で TTFA 32ms の超低遅延を実現
364M パラメータのオープンウェイト音声合成モデルにより、オンプレミス環境で音声エージェントの遅延制御と12言語対応を両立させる。
リリース: 2026-08-10 · 読了 3 分記事の要約
1. 核心（What）
- NVIDIA は 364M パラメータのオープンウェイト多言語音声合成モデル Magpie TTS を公開した。
- 対応言語は英語、日本語、ヒンディー語、新たに追加された近代標準アラビア語、韓国語、ブラジルポルトガル語など 12 言語に拡大した。
- NVIDIA B200 GPU を用いたオンプレミス環境の検証で、最初の音声到達までの遅延 (TTFA) は 32ms を記録した。
- 64 ストリームの同時実行時においても、B200 環境で TTFA 239ms、実時間比 320 倍のスループットを実現する。
2. 影響（Why）
- 音声エージェントの遅延バジェット管理: クラウドのマネージド API に依存せず自社インフラで完結できるため、双方向音声エージェントで致命的なサブ 200ms の応答遅延を確実に制御できる。
- 国内音声 SaaS 開発者へのインフラ選択肢: [国内 音声対話 SaaS 業種] のような中規模事業者は、API 料金の従量課金リスクを排除し、自社保有の GPU クラスタで低遅延の多言語音声パイプラインを構築可能になる。
3. 根拠・詳細（How）
- フレームスタッキングによるデコード削減: デコーダが 1 ステップで 2 つのオーディオフレームを予測する機構を採用し、デコード反復回数を半減させてスループットを向上させる。
- ローカル変圧器による品質補正: フレームスタッキングで失われがちなコードブックトークン間の依存関係をローカル変圧器（Local transformer）でモデル化し、音声品質を担保する。
- 音素処理とカスタム辞書による混在対応: IPA 音素変換とカスタム発音辞書を介してヒンディー語や日本語のコードスイッチング処理を強化し、専門用語の正確な発音を実現する。
4. 展望・課題（Next）
- Nemotron 音声エコシステムとの統合: ASR や LLM と組み合わせた NVIDIA Nemotron Voice Agent Developer Example を通じた実運用検証が進められる。