Голос для агента теперь можно поставить у себя: NVIDIA открыла веса Magpie TTS

NVIDIA выложила веса Magpie TTS Multilingual 21.07.2026: 364M параметров, лицензия разрешает коммерческие продукты. Модель говорит на 12 языках и отдаёт первый звук за 47 мс на H100. Локально её поднимает NeMo, для прода NVIDIA даёт контейнер NIM.

Выговор стал чище. Французская речь ошибается вдвое реже: 2.70% ошибок на символ у прошлой версии против 1.54% у новой (замеры NVIDIA, 10.08). Испанский упал с 1.14% до 0.60%. У немецкого наоборот, ошибок стало больше, 0.66% против 0.80%, зато голос там заметно ближе к образцу-диктору. В этом релизе добавились арабский, корейский и бразильский португальский. Русского среди 12 языков нет.

Как запустить у себя. Локально модель поднимает NeMo 25.11: ставишь `nemo_toolkit[tts]` и `kaldialign`, дальше грузишь `MagpieTTSModel.from_pretrained("nvidia/magpie_tts_multilingual_357m")` и зовёшь `do_tts` с текстом, языком и номером голоса. В комплекте пять голосов: Aria, Jason, John Van Stan, Leo и Sofia. Выход 22.05 кГц моно, из железа заявлены L4, L40, A10, A30, A100 и H100. Вендор советует ставить cfg_scale 2.5 и temperature 0.6.

Для прода NVIDIA даёт контейнер NIM: один `docker run` с ключом NGC_API_KEY и портами 9000 и 50051. Первый старт качает модель до получаса, дефолтный профиль считает по 8 запросов разом. Перед установкой голос слушается в демо на сайте NVIDIA и в Space на Hugging Face.

Задержка до первого звука в один поток (замеры NVIDIA, 10.08):

- B200 - 32 мс - H100 - 47 мс - A100 - 79 мс

Под нагрузкой в 64 потока B200 отдаёт первый звук за 239 мс. Сквозную цифру мерил сторонний разработчик на превью-чекпоинте в связке с Nemotron: 508 мс от конца фразы человека до ответа на RTX 5090 (Pipecat, 05.01.2026). Там же переход со сборки батчами на стриминг ускорил первый ответ синтеза в 1.9-5.2 раза.

Собранный целиком голосовой агент лежит у NVIDIA отдельным блюпринтом nemotron-voice-agent, где Magpie уже связан с Nemotron.