Maya Research のストリーミング音声合成モデル：11 種類のインド言語と英語に対応し、24 kHz のモノラル音声を出力します。20 種類の合成ボイスを内蔵しており、3～10 秒の参考音声によるゼロショットボイスクローンも可能です。さらに、言語をまたいだ利用もサポートしています（例：ヒンディー語の参考音声でタミル語を話すなど）。
上昇スコア 72 · いいね数 72 · ダウンロード数 0
理由
- 公式によると、パラメータ数は 2.50B（BF16 重みで約 5.0 GB）です。バックボーンは Qwen3-1.7B-Base から初期化され、約 555M の depth decoder が追加されています。Kyutai Mimi コーデックを使用し、80 ms ごとに音声フレームを出力するため、生成しながら再生することが可能です。
- 公式は、6,000 件の保持テキスト（12 言語、31 カテゴリ、合計 20.3 時間の音声）を用いて評価を行いました。3 つの ASR レビューによる全体的な文字誤り率（CER）は、2.86% から 3.49% の間でした（scorer v1）。URL やインド言語と英語の混在テキストは依然として難しく、URL カテゴリでは ASR-1 の文字誤り率が 29.06% でした。
- 公式によると、単一の H100 NVL GPU 上で 224 並列の WebSocket ストリームを処理でき、定常状態での初回パケット遅延 p50 は 111 ms です。10 月 27 日時点での VoiceArena ヒンディー語リアルタイム TTS リーダーボードでは第 2 位でした。10 月 26 日にリポジトリが作成され、それ以前の期間では収録されていません。
使い方
- 環境：Linux、Python 3.10～3.12、CUDA 12.8 対応の NVIDIA GPU。インストールコマンド：pip install "maya3[server] @ git+https://github.com/MayaResearch/maya2-native" --extra-index-url https://download.pytorch.org/whl/cu128（包名和类名仍叫 maya3 / Maya3TTS）。
- Python：tts = Maya3TTS.from_pretrained("maya-research/maya2-native", max_seats=1)；tts.generate(テキスト, lang="hi", voice="Ahana", normalize=True) は 24 kHz の波形を返します。Python インターフェースでは、数字、通貨、日付を口語的な読み方に変換するために、手動で normalize=True を指定する必要があります。ストリーミング生成には tts.stream(...) を使用します。
- クローン：tts.register_voice("my_voice", ref_audio=参考音声, ref_text=逐語的転写, lang=参考言語) を実行し、生成時には lang にターゲット言語を指定します。サーバー側：python -m maya3.server --ckpt maya-research/maya2-native --port 8080 --max-seats 1 を実行すると、OpenAI 互換の /v1/audio/speech エンドポイントと WebSocket ストリーミングインターフェースが提供されます。
リスク
- 中国語には対応していません。内蔵ボイスのうち、アッサム語の学習データが 1 時間以上あるものはなく、ベンガル語訛りが混じる可能性があります。1～2 語の短い文ではボイスの安定性が欠如する場合があります。
- 公式によると、単一パスのロード時のピークメモリ使用量は約 9.2 GB（CUDA コンテキストを除く）であり、12 GB 以上の VRAM を持つ GPU が推奨されます。同梱のサーバーには認証機能がないため、公開前に独自に追加する必要があります。
- 音声ウォーターマークは付与されません。公式は、本人または許可を得た声のみをクローンするよう求めています。クローンの類似性に関する専門的な評価は行われておらず、すべてのスコアは ASR と声紋の自動評価に基づいています。人間の自然さに関する評価や、他の TTS との比較対照はありません。