NVIDIA 推出開源多語音 TTS 模型 Magpie，支援 12 語言且 B200 首包延遲僅 32ms

NVIDIA 推出開源權重的多語音文字轉語音（TTS）模型 Magpie，官方部落格稱其具備 3.64 億參數，而 Hugging Face 專案儲存庫則標示為 357M。 該版本支援 12 種語言，包含新加入的現代標準阿拉伯語、韓語及巴西葡萄牙語，並透過 IPA 字母到音素處理與自訂發音字典，強化印地語及日語的語碼轉換（code-switching）能力。 架構上導入幀堆疊（Frame stacking）技術，每次解碼步驟預測兩個音訊幀以將迭代次數減半，並搭配局部 Transformer（Local transformer）修正同步生成帶來的品質減損。 效能方面，透過 NVIDIA NIM 部署於本地端，B200 GPU 的單串流首包音訊延遲（TTFA）為 32ms，64 串流併發下 TTFA 為 239ms，吞吐量達即時播放的 319.81 倍；H100 與 A100 單串流 TTFA 則分別為 47ms 與 79ms。