NVIDIA「Magpie TTS Multilingual」3億6,400万パラメータのオープンウェイト音声合成が日本語を含む12言語（新たにアラビア語・韓国語・ブラジルポルトガル語）、各言語に男女の話者、日本語の混在発音と発音辞書に対応。自社基盤で動かし、最初の音声までB200で32ms・H100で47ms・DGX Sparkで53ms、64並列でも実時間の320倍

2026年9月18日・日本時間時点の情報です。 Hugging FaceのNVIDIAのブログ（8月10日）を読んだ。当サイトの音声合成の比較（VOICEVOX・ElevenLabs）はクラウドと日本語特化の道具が中心で、「自社のGPUで動くオープンウェイトの多言語TTS」で日本語が入っているものは扱っていなかった。1か月前の記事だが、数字は具体的。

3行まとめ

1. 位置づけ。 音声対話では、音声の取り込み→文字起こし→LLM→文脈検索→応答生成に時間を使った後、音声合成が利用者に最も気づかれる最終段になる。統合型の音声モデル（1回のAPIで音声入力→音声出力）は簡単だが、部品ごとの微調整・より良いモデルへの入れ替え・データ所在の要件・遅延の内訳の把握ができない。ASR・TTS・LLMを分けた縦続構成を自社基盤で動かすための部品として、Magpieはオープンウェイト＋本番向けのNVIDIA NIMで提供される。
2. 言語と日本語。 364Mパラメータで、英・西・仏・独・伊・ベトナム・中国（普通話）・ヒンディー・日本語に、今回アラビア語（現代標準）・韓国語・ブラジルポルトガル語を加えた12言語。各言語に共有の多言語話者表現による男女の声。IPAの書記素→音素処理と独自の発音辞書で、ヒンディー語と日本語のコードスイッチ（名前・専門用語・混合言語の文）の発音精度を上げた。地域ごとに別のTTSを保守しなくてよい、が売り。前版比で文字誤り率（CER）と話者類似度（SSIM）も改善し、はっきりした改善はフランス語（CER 2.70%→1.54%）とスペイン語。
3. 遅延。 最初の音声までの遅延（TTFA）は、NIMとして自社GPUで測った値で、1ストリームでB200 32ms・H100 47ms・DGX Spark 53ms・A100 79ms、実時間比の処理量は9.8〜14.7倍。64並列ではB200 239ms・実時間の約320倍（H100 275ms・291倍、DGX Spark 962ms・76倍、A100 395ms・197倍。NIM性能文書v26.07、3回の平均、オンプレ）。「B200の32msなら、残りの遅延予算をASRとLLMに回し、自然な会話に要る200ms未満に収まる」。速さの仕組みは、復号器が1段で2フレームを予測して反復を半減する「フレーム積み重ね」と、同時生成するコードブック間の依存で落ちる品質を補う「局所Transformer」（ICASSP 2026の論文）。Hugging Faceの重みは研究・微調整用、NIMは本番向けの最適化コンテナで、どちらも自分の機器で動く。

「53ms」は机上のDGX Spark実測

• 日本語の音質の評価値は本文にない（CER/SSIMの表で明示されるのはフランス語・スペイン語）。日本語で使うなら自分で聞いて判断する対象で、筆者は未確認
• 「DGX Sparkで53ms」は、当サイトのNVIDIA IFA 2026で見た机上機で音声エージェントの合成段が回る、という意味。64並列では962msなので、多人数同時は大きいGPU向け
• 音声エージェントの評価はADKのライブ評価、読み間違いの検出はTTSの読み間違いに
• ElevenLabsのようなクラウドと違い、話者のクローンや感情制御の機能は本文で触れられていない

原文表で確かめた遅延と対応言語

この記事の下調べで、筆者は9月18日にHugging FaceのNVIDIAのブログを取得し、364M・12言語と新規3言語・日本語のコードスイッチ・TTFAとRTFXの表の数値・v26.07・フレーム積み重ねと局所Transformer・フランス語のCERがその原文にあることを確認した。NIMの性能文書とICASSPの論文は開いていない。筆者はMagpieで日本語を合成していない。

CER・ライセンス・音声クローンは未記載

• 日本語のCER・SSIM
• ライセンスの詳細（オープンウェイトの条件）
• 音声クローンや感情・話速の制御

出典はHugging FaceのNVIDIAのブログ

• Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS（NVIDIA・2026年8月10日）

関連記事

• AI音声合成の比較──VOICEVOX・ElevenLabs（2026年版）
• ElevenLabsの使い方と料金（2026年版）
• Google ADK、ライブ・音声エージェントの評価を追加