- NVIDIAが音声合成AI「Magpie TTS」をオープンウェイト（誰でもダウンロードできる形）で公開した
- 声が出はじめるまでの時間は最速32ミリ秒。人間の会話の間合いより速い
- 対応は12言語で、日本語もしっかり含まれている
- 商用利用OK。自社サーバーの中だけで動かせるので、音声データを外に出さずに済む
- 声の無断コピー（ボイスクローン）機能はセキュリティ上の理由であえて外されている
AIと電話で話していて、返事までの「間」が気になったことはありませんか。その沈黙をなくす鍵を、NVIDIAが無償で配りはじめました。声が出るまで最速32ミリ秒、日本語対応、しかも自社サーバーで動かせます。何が起きたのかを整理します。
NVIDIAが音声合成AI「Magpie TTS」を無償公開
2026年8月10日、NVIDIAが音声合成モデル「Magpie Multilingual TTS」の解説記事をHugging Face（AIモデルを公開・共有する世界最大のサイト）で発表しました。
TTSとは「Text To Speech」の略で、文字を読み上げて音声に変える技術のことです。カーナビの案内音声や、駅のアナウンスを思い浮かべるとわかりやすいと思います。
モデルのサイズは3億6400万パラメータ。AIとしてはかなり小型の部類です。最近話題の大規模言語モデルが数千億規模であることを考えると、その1000分の1以下におさまっています。
そして今回のポイントは「オープンウェイト」であることです。これはAIの中身（学習した数値データ）が公開され、誰でもダウンロードして自分のパソコンやサーバーで動かせる状態を指します。
ライセンスは「NVIDIA Open Model License」で、商用利用も許可されています。つまり、これを組み込んだサービスを作ってお金を取っても構いません。
学習に使われた音声データは約54,305時間。年に換算すると6年分以上の音声を聞かせて育てた計算になります。
最速32ミリ秒——速さの秘密は「2コマまとめ描き」
なぜ「速さ」がそこまで大事なのか
音声AIの世界で最も重視される数字が「TTFA」です。Time To First Audio、つまり文字を渡してから最初の音が鳴るまでの時間を指します。
人間どうしの会話では、相手が話し終わってから返事までの間隔は平均200ミリ秒（0.2秒）だと言われています。500ミリ秒までなら自然な範囲ですが、それを超えると聞き手は「あれ、間があいたな」と気づいてしまいます。
Magpie TTSのTTFAは、NVIDIAの最新GPU「B200」でわずか32ミリ秒。H100なら47ミリ秒、A100でも79ミリ秒です。
ここが重要なところです。音声AIの返事は、①聞き取り（音声認識）→②考える（AIの思考）→③しゃべる（音声合成）の3段階でできています。③が32ミリ秒で終われば、残りの時間を①と②にたっぷり回せます。
結果として、会話全体を200ミリ秒以内におさめる余地が生まれるわけです。
アニメを2コマずつ描くような発想
この速さは、2つの技術の組み合わせで実現されています。
1つ目が「フレームスタッキング」です。音声は細かいコマ（フレーム）の連続でできていますが、Magpieは1回の計算で2コマ分をまとめて作ります。手順が半分になるので、単純に倍速になる理屈です。
ただし、まとめて描くと絵が雑になります。そこで2つ目の「ローカルトランスフォーマー」という小さな仕上げ担当が、まとめ描きした部分を整えて音質を保ちます。急いで下書きした絵に、あとから清書を入れる係がついているようなものです。
品質の数字も上がっている
速いだけでなく、読み間違いも減りました。文字の読み上げ精度を示すCER（誤り率・低いほど良い）を見ると、フランス語は2.70%から1.54%へ改善しています。
スペイン語はさらに顕著で、1.14%から0.60%へと半分近くまで下がりました。声の再現度を示すスコアも0.715から0.793へ上昇しています。
12言語対応、日本語も入っている
対応言語は12種類です。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、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となっています。
このうちアラビア語・韓国語・ブラジルポルトガル語は今回新しく加わったものです。アジアと中東の市場を意識した拡張だとうかがえます。
日本語が最初から含まれているのは、日本のユーザーにとって見逃せないポイントです。海外発の音声AIは英語だけ、というケースが今も少なくありません。
用意されている声は5種類で、Aria、Jason、Leo、Sofia、John Van Stanという名前がついています。出力される音声は22.05kHzのWAVファイル（16ビット・モノラル）です。
他の音声AIと比べてどうなの？
音声合成の分野には、すでに強力なライバルがそろっています。整理してみます。
ElevenLabsは表現力の高さで知られる有料サービスです。高速版の「Flash v2.5」でTTFAは約75ミリ秒。料金は1,000文字あたり0.06〜0.30ドルで、月22ドルのプランなら10万文字、月99ドルのプランなら50万文字が使えます。
Cartesia Sonic Turboは速さの王者で、TTFAは40ミリ秒。同時アクセスが増えても速度が落ちにくいと評価されています。
Kokoroは8200万パラメータという超小型のオープンソースモデルで、Apache 2.0ライセンスの完全無料。ただし対応は英語のみで、日本語は使えません。
この中でMagpie TTSの立ち位置ははっきりしています。「日本語を含む多言語」「無償で入手可能」「自分の環境で動かせる」の3つを同時に満たすのが強みです。
速さそのものではCartesiaに一歩譲る場面もありますが、あちらはクラウド専用のサービスです。音声データを社外に送りたくない企業にとって、この差は決定的になります。
日本のユーザーと企業に何が起きるか
日本の音声合成市場には、すでに独自の顔ぶれがあります。日本語特化のオープンソース「VOICEVOX」、1万種類以上の声をそろえる「CoeFont」、ボイスボット市場でシェア1位の「PKSHA VoiceAgent」などです。
そこにMagpie TTSが加わると、何が変わるのでしょうか。3つの現場を想像してみてください。
ひとつめは、地方の温泉旅館です。深夜1時に鳴った予約の電話に、これまでは誰も出られませんでした。自社の小さなサーバーにMagpieを置けば、宿泊プランの説明を自然な声で即答するAI受付が動きます。通話料以外の従量課金がかからない点も、小規模な宿には効きます。
ふたつめは、外国人スタッフの多い食品工場です。作業手順の変更を日本語・ベトナム語・ポルトガル語で同時に音声化して、朝礼前に各ラインへ流す。12言語対応がそのまま現場の安全につながります。
みっつめは、市役所の窓口です。住民の相談内容という極めて機微な情報を、海外のクラウドに送ることには抵抗があります。庁内のサーバーで完結できれば、データが国外に出ないこと（データレジデンシー）を条件に導入を検討できます。
導入方法は3つ用意されています。Hugging Faceから重みを落として自分で動かす方法、NVIDIAが用意した「NIM」というすぐ動くコンテナを使う方法、そして「NeMo」という枠組みで自社向けに追加学習させる方法です。
使う前に知っておきたい3つの制限
いい話ばかりではありません。制約もきちんと押さえておきましょう。
1つ目はボイスクローン機能がないことです。数秒の音声から本人そっくりの声を作る「ゼロショット音声クローン」は、今回の版ではセキュリティ上の理由で意図的に削除されました。詐欺やなりすましへの悪用を防ぐ判断だと説明されています。好きな声優の声を再現する、といった使い方はできません。
2つ目は1回の生成が20秒までという上限です（標準モードの場合）。長い文章を読ませるには、文を区切って渡す工夫が必要になります。長文モードもありますが、句読点や大文字小文字が正しく入っていることが前提です。
3つ目はテキストの正規化が必要なことです。数字や記号をそのまま渡すとうまく読めないため、「2026年」を「にせんにじゅうろくねん」のように、読み方の形に整える前処理が求められます。
あと現実的な話として、GPUがないと本領を発揮できません。32ミリ秒という数字はB200という高価な業務用GPUでの測定値です。同時に64本の音声を処理する条件では、B200でも239ミリ秒まで伸びます。
よくある質問（FAQ）
Q1. 本当に無料で使えますか？
モデル自体はNVIDIA Open Model Licenseのもとで無償公開され、商用利用も認められています。ただし動かすためのGPUやサーバーの費用は自分持ちです。「モデル代はタダ、電気代と機材代は自腹」と考えるとわかりやすいと思います。
Q2. 日本語の品質はどのくらいですか？
日本語は12言語のひとつとして正式にサポートされています。ただしNVIDIAが公表した改善数値はフランス語・スペイン語・アラビア語が中心で、日本語の具体的なCERは示されていません。実際の用途で試して確かめるのが確実です。
Q3. プログラミングができなくても使えますか？
現状はエンジニア向けです。Hugging Faceからのダウンロードやコンテナの起動が必要になります。手軽に日本語音声を作りたいだけなら、VOICEVOXやCoeFontのほうが向いています。
Q4. ElevenLabsから乗り換えるべきですか？
用途しだいです。表現力豊かなナレーションや声の作り込みが目的ならElevenLabsに分があります。一方、大量の音声を低コストで生成したい場合や、音声データを社外に出せない場合はMagpieが有力な選択肢になります。
Q5. 自分の声を登録して使えますか？
ゼロショットでのクローンはできません。ただしNeMoを使った追加学習（ファインチューニング）の道は残されているため、正規の手続きを踏んだ独自音声の作成は技術的に可能です。
まとめ
- NVIDIAが音声合成AI「Magpie TTS」を2026年8月10日にオープンウェイトで公開した
- 3億6400万パラメータの小型モデルで、最速32ミリ秒（B200）で音が出はじめる
- 日本語を含む12言語に対応。アラビア語・韓国語・ブラジルポルトガル語が新たに追加
- フレームスタッキングとローカルトランスフォーマーの組み合わせで、速さと音質を両立
- 商用利用可・自社環境で完結できるため、データを外に出せない企業に向く
- ボイスクローン非対応、20秒制限、テキスト正規化の必要性という制約もある
音声AIの導入を検討しているなら、まずはHugging Faceのモデルページで日本語のサンプル音声を聞いて、自社の用途に耐えるか確かめるところから始めてみてください。
参考文献
- Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS – Hugging Face Blog（2026年8月10日）
- nvidia/magpie_tts_multilingual_357m モデルカード – Hugging Face
- Magpie-TTS – NVIDIA NeMo Framework User Guide
- About NVIDIA TTS NIM Microservice – NVIDIA Speech NIM Microservices
- Conversational AI latency: What is it and why it matters? – ElevenLabs
こんな時代だから遊んで学びたい
AIを学ぶオンラインサロン「AIフレンズ」では、生成AIを楽しく、どこよりも優しく学べる環境をご用意しております。
毎週開催されるオンラインセッションでは、リアルタイムで学び合える機会を提供しています。 さらに、月に一度のオフラインイベントでは、メンバー同士が直接交流し、アイデアや知識を深めることができます。
「AIフレンズ」の仲間とともに、新しい価値を創造し、可能性を広げてみませんか？
一緒に学び、成長しながら、生成AIを使いこなす力を身につけましょう！
