NVIDIAのモデルカードでは、MagpieTTS Multilingual 357M v2607のリリース日は2026年7月21日と記録されている。NVIDIAチームが紹介記事を公開したのは8月10日だ。v2607は12言語に対応し、現代標準アラビア語、韓国語、ブラジルポルトガル語が追加された。Speech NIM 26.07.0で対応するMagpie TTS Multilingualコンテナはバージョン1.9.0である。
TTS（text-to-speech、音声合成）を独立したコンポーネントに分け、自社管理の基盤にオープンチェックポイントまたはNVIDIA NIM（NVIDIA Inference Microservices）をデプロイする方針が決まっているなら、このチェックリストで検証する。エンドツーエンドのリアルタイム会話を優先し、独立したTTS工程が必要かまだ決まっていない場合は、先にリアルタイム音声とカスケード構成を比較する。
どちらも同じモデルを使う。オープンチェックポイントではチームがサービングと性能最適化を担い、NIMでは最適化済みコンテナにその機能が含まれる。まずバージョンを固定してリソースとモデルの上限を確認し、言語品質、初回音声遅延、同時実行数、割り込み復旧を測った後、データレジデンシーを確認する。対象言語が12言語に含まれない、ゼロショット音声クローンが必要、または性能・品質ゲートのどれかを満たせない場合は本番投入を止める。
最初にオープンチェックポイントかNIMかを選ぶ
モデルの変更、音声の微調整、推論スタックの自主管理が必要ならオープンチェックポイントを選ぶ。NVIDIAが最適化したサービングコンテナを使い、公式GPUベンチマークと比較したいならセルフホストNIMを選ぶ。
| 方式 | 向いている用途 | チームが担う範囲 | そのまま仮定してはいけないこと |
|---|---|---|---|
| Hugging Faceチェックポイント | ローカル推論、研究、オフライン生成、発音変更、音声・ドメインの微調整 | 推論エンジン、ストリーミング、バッチ処理、スケーリング、監視 | 重みを取得すればNIMと同じ遅延になる |
| セルフホストMagpie TTS NIM | NVIDIA GPU上の低遅延サービングと公式サービス基準の再現 | コンテナ運用、容量設計、API統合、バージョン検証 | 公式平均値が自社のp95目標になる |
| NVIDIA Hosted APIまたはオンラインデモ | GPUなしでAPIを試す、音声を聞く、基本発音を確認する | 代表テキストの準備と現在の音声カタログの記録 | ホスト環境の遅延、上限、音質がセルフホスト本番を表す |
モデルカードはオープンチェックポイントを商用利用可能としているが、利用、変更、再配布にはNVIDIA Open Model Licenseが適用される。チェックポイントも本番利用できるが、サービングと性能最適化はチーム側で実装する必要がある。NIMには公式に最適化されたサービス層が含まれ、比較に使えるベンチマーク条件も公開されている。
バージョン、VRAM、モデルの上限を先に確認する
2026年8月11日時点では、次のバージョンとリソース条件をセルフホスト検証の基準にする。数値はSpeech NIM 26.07.0リリースノートとTTS NIMサポートマトリクスに基づく。
| 対象 | 固定値または最低条件 |
|---|---|
| オープンモデル | nvidia/magpie_tts_multilingual_357m v2607。本番ではmainを追従せず、タグまたはコミットを固定する |
| NIM | Speech NIM 26.07.0、magpie-tts-multilingual:1.9.0 |
| GPUとシステム | NVIDIA GPUのCompute Capability 8.0以上、VRAM 16 GB以上、Linux、NVIDIA Driver 535以上 |
| NIMモデルプロファイル | batch_size=8は約12.58 GiB、batch_size=32は約41.46 GiB、batch_size=64は約74.74 GiB |
v2607モデルカードには、生成に関する次の制約もある。
- 標準モードは1回につき約20秒まで。長い入力は長文モード（long-form）を使い、句読点と大文字小文字で文の区切りを明確にする
- 入力にはテキスト正規化が必要で、数字、略語、特殊文字を必ず対象にする
- このリリースではゼロショット音声クローンが削除された。この機能が必要なら別のモデルかサービスを選ぶ
from_pretrained()はリポジトリのmainにある最新チェックポイントを読む。本番では固定したタグまたはコミットをダウンロードし、コンテナバージョンと一緒に記録する。バージョンを固定できない、選択したプロファイルが利用可能VRAMを超える、またはゼロショット音声クローンが必須なら、デプロイを止めて別のモデルかサービスを選ぶ。
12言語が実トラフィックをカバーするか確認する
2026年8月11日時点で、モデルカードとNIMサポートマトリクスに記載されているのは、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（標準中国語）、ヒンディー語、日本語、現代標準アラビア語、韓国語、ブラジルポルトガル語である。8月10日の紹介記事では各言語に男性・女性の音声があるとしているが、話者と感情スタイルはロケールごとに異なる。本番判断にはNIMの現在の音声カタログを使う。
対象言語ごとに、実トラフィックから次の4種類を抽出する。
- 顧客名、会社名、製品名、地名などの固有名詞
- 日付、金額と割合、電話番号または注文番号
- 略語、バージョン番号、URLまたはメールアドレス、コード断片
- 質問または確認、拒否と緊急通知、業務で使う長文・短文
Speech NIM 26.07.0リリースノートが確認している英語混在入力は、ヒンディー語と日本語だけである。その場合も英語部分の正規化対象は、数字、単位、通貨、主要な数学記号・寸法記号に限られる。モデルカードにはIPA辞書と英語からカタカナへの処理も記載されているが、中国語と英語、または任意の言語ペアに一般化してはいけない。公式範囲にない組み合わせは、固定テストセットがすべて通るまで未対応として扱う。
数字に曖昧さがなく、用語の発音を保守でき、複数ターンで同じ語の読みが安定し、間や強勢によって重要な意味が変わらない場合だけ言語テストを通す。音声が出るだけでは合格ではない。
TTFAとエンドツーエンド遅延を分けて測る
TTFA（Time to First Audio、最初の音声チャンクまでの遅延）は、TTSリクエストを送信してから最初の音声チャンクを受信するまでの時間である。合成開始までの遅延だけを測る指標で、ユーザーが話し終えてから応答を聞くまでの全体遅延ではない。
Speech NIM 26.07.0性能ドキュメントは、LJSpeechの10入力を使い、各同時ストリームで20回実行し、3試行の平均を報告している。対象は指定ハードウェア上のセルフホストNIMであり、オープンチェックポイントではない。クライアントへのネットワーク転送と再生、ASR（automatic speech recognition、自動音声認識）、LLM（large language model、大規模言語モデル）の時間も含まれない。
| GPU | 1ストリーム平均TTFA | 1ストリームRTFX | 64ストリーム平均TTFA | 64ストリームRTFX |
|---|---|---|---|---|
| B200 | 32 ms | 12.1x | 239 ms | 319.81x |
| H100 | 47 ms | 14.7x | 275 ms | 290.79x |
| DGX Spark | 53 ms | 9.8x | 962 ms | 75.88x |
| A100 | 79 ms | 12.2x | 395 ms | 197x |
RTFXは、生成した音声の長さを生成時間で割った値である。10秒の音声を1秒で生成すれば10xになる。スループットの見積もりには使えるが、最初の音声チャンクが返るまでの時間は分からない。
自社テストでは次の時刻を記録する。
t0 ユーザーが話し終える
t1 ASRの確定テキストが完成する
t2 LLMが生成を開始する
t3 TTSに送れる最初のテキストチャンクが完成する
t4 TTSが生成リクエストを受信する
t5 最初の音声チャンクが返る
t6 クライアントが再生を開始する
t7 全音声の生成が完了する
TTS TTFAはt5 - t4、ユーザーが感じる最初の音声遅延はt6 - t0で計算する。t5 - t4だけが改善しても、ほかの処理、たとえばASR確定、LLMの最初のトークン、テキスト分割、ネットワークバッファ、再生開始がボトルネックとして残る可能性がある。
実際の同時実行数で性能基準を作る
公式平均値は容量の保証ではない。1ストリーム、通常の同時実行数、ピーク時の3段階で、コールド状態とウォームアップ後を分けて測り、平均だけでなくp50、p95、p99を報告する。
テストセットでは次の軸を組み合わせる。
| 軸 | 最小グループ |
|---|---|
| テキスト長 | 短い確認、通常の返答、長い説明 |
| 言語 | 英語だけでなく、本番対象の全言語 |
| 文字種 | 通常文、数字、略語、複数言語の混在 |
| 同時実行 | 1、通常、想定ピーク、過負荷 |
| キャッシュ状態 | コールドコンテナ、モデル読込済み、継続負荷 |
| 出力 | TTFA、全生成時間、RTFX、VRAM、エラー率 |
公式性能ドキュメントは、高負荷時に現在のリクエストを完了して推論スロットを解放するまで、待機中リクエストがタイムアウトする可能性を示している。過負荷テストでは、キューに入れる、縮退運転する、拒否するのどれが起きるか確認する。製品の遅延予算または最大キュー長に達したら、無制限に待たせず明示的なビジー応答を返す。
同じテストラウンドでは、モデルとコンテナのバージョン、ハードウェア（GPUとドライバ）と精度、テキストセット、負荷生成ツールを固定し、モデルプロファイルも記録する。どれかが欠けると、次回更新との比較には使えない。
公式の推論設定は出発点として使う
NVIDIAの2026年8月10日の紹介記事が示す初期設定は次のとおりだ。
cfg_scale = 2.5
temperature = 0.6
top_k = 80
apply_attention_prior = True
prior_epsilon = 0.1
調整時は一度に1変数だけ変更し、次の項目を記録する。
- 数字、否定、固有名詞を含むテキスト忠実度
- 音色、速度、間、感情の文間安定性
- TTFA、全生成時間、VRAMの変化
- 入力と乱数シードを固定した差分、および重要メッセージの複数回サンプル
cfg_scaleを上げるとテキスト条件が強くなる可能性があるが、音質と遅延は自社サンプルで再測定する。temperatureとtop_kは生成のランダム性を変える。認証コード、金額、医療通知では、表現の多様さより明瞭さと一貫性を優先する。
テキストと音質のゲートを分ける
v2607モデルカードは、CER（Character Error Rate、文字誤り率。低いほど良い）とSSIM（話者類似度。高いほど良い）を報告している。フランス語CERは2.70%から1.54%、SSIMは0.703から0.747になった。スペイン語CERは1.14%から0.60%、SSIMは0.715から0.793になった。一方、ドイツ語CERは0.66%から0.80%に悪化したが、SSIMは0.626から0.742に改善した。
本番投入では次の項目に別々のゲートを置く。
- テキスト正確性：欠落または置換、数字、否定、略語
- 話者一貫性と自然さ：長い会話での音色、強勢と間、韻律、感情
- 業務上の聞き取りやすさ：騒音、スマートフォンのスピーカー、電話帯域
- チャンク連続性：ストリーミング境界のノイズ、重複、途切れ
現代標準アラビア語、韓国語、ブラジルポルトガル語の公式CER基準は、それぞれ1.62%、2.69%、2.91%である。これはNVIDIAのテストセットの値であり、自社ユーザーのアクセント、業務用語、録音経路を表さない。本番前に実際の業務文で再テストし、対象ユーザーまたは言語評価者にも出力を聞いてもらう。
音声エージェントで割り込みと復旧を検証する
割り込みテストは、再生制御、サーバー側の生成、会話状態、音声ストリームの分離を対象にし、クライアントの一時停止だけで済ませない。Magpie TTSが担当するのは音声合成だけで、カスケード型エージェントにはASR、LLM、検索またはツール呼び出し、音声転送と再生も含まれる。NVIDIAのNemotron Voice Agent参照実装は、この種の割り込み可能な構成を示している。
各制御経路を検証する。
- ユーザーが話し始めたら、古い音声の再生を直ちに止める。
- サーバーが未再生のTTS生成をキャンセルし、GPU処理を解放する。
- 未完了の応答を配信済みとして会話状態に残さない。
- 新しいターンに前のリクエストの音声チャンクを渡さない。
ASR、LLM、TTSのリクエストIDを記録し、1つのセッショントレースにまとめる。遅延や音声混線が発生したとき、テキスト分割、TTSキュー、ネットワーク、クライアントバッファのどこに原因があるか追跡できなければならない。
本番前にデータとライセンス境界を確認する
セルフホストでデータレジデンシーの要件を満たすには、ログ、監視、エラー報告、バックアップも承認済み環境に残す必要がある。カスタマーサポート、医療、社内アシスタントでは、すべての音声・テキストデータについて保存場所と保持期間を記録する。対象には元音声、ASRテキスト、LLMプロンプト、合成テキスト、生成音声が含まれる。
モデルカードはNVIDIA Open Model Licenseを適用している。ライセンス本文は、条項に従うことを条件に商用利用と派生モデルの配布を認め、安全ガードレール、コンプライアンス、再配布の条件も定めている。利用、微調整、再配布の前に、プロジェクト責任者が現行ライセンスと用途を確認する。
Magpie TTS本番投入チェックリスト
バージョンと方式
- バージョン識別子を固定したオープンチェックポイント、またはSpeech NIM 26.07.0 / コンテナ1.9.0を選んだ
- GPU、ドライバ、NIMモデルプロファイルが最低条件を満たし、VRAMに余裕がある
- 12言語以外の合成やゼロショット音声クローンに依存していない
言語と品質
- 各本番言語に固有名詞、数字、略語、複数言語混在のサンプルがある
- テキスト正規化、標準モードの20秒上限、長文モードを別々に検証した
- CER、話者一貫性、主観的な自然さ、業務上の聞き取りやすさに合格基準がある
性能と復旧
- TTS TTFAとユーザーが感じるエンドツーエンド初回音声遅延を別々に記録した
- 1ストリーム、通常、ピーク、過負荷でp50、p95、p99を測定した
- 割り込み時に再生停止、生成キャンセル、状態修正、古い音声の隔離が動く
ガバナンスと可観測性
- 容量指標（VRAMとキュー長）、エラー率、リクエスト/セッショントレースを観測できる
- 音声、テキスト、ログ、バックアップがデータレジデンシーと保持期間の要件を満たす
- 責任者が現行モデルライセンスを確認し、ロールバック手順を実地で試した
チェックリストの全項目が基準を満たしてから、固定したバージョンを本番投入する。1項目でも失敗したらテスト環境に留める。