投稿者 投稿日: カテゴリー AIニュース
Magpie TTSは、12言語対応のNVIDIA製オープン音声合成AIです。
NVIDIAがHugging Face上で2026年8月10日に公開した解説によると、同社の音声合成モデル Magpie TTS Multilingual は日本語を含む12言語に対応し、モデルの重み（オープンウェイト）が公開されています。日本語の文字誤り率は1.40パーセント、最速構成では音声が鳴り始めるまで32ミリ秒という数字が出ています。越境ECの多言語対応や電話問い合わせの一次受けを内製したい事業者にとって、選択肢がひとつ増えた形です。本記事は、EC支援19年・5,000社超の支援実績を持ち、AI導入支援を2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
12言語をオープンウェイトで公開、日本語の誤り率は1.40パーセント
結論から言えば、今回の更新の中身は「言語追加」と「品質改善」の2点です。モデルカードによると、最新版のv2607は2026年7月21日に公開され、アラビア語・韓国語・ポルトガル語の3言語が新たに加わりました。これで対応言語は英語、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、ヒンディー語、日本語、アラビア語、韓国語、ポルトガル語の12言語となります。
モデル規模は3億6,400万パラメータで、学習に使われた音声は54,305時間と記載されています。品質指標として公開されている文字誤り率（CER、低いほど良い）は、日本語が1.40パーセント、話者類似度は0.775でした。前バージョンから改善が大きいのはフランス語（2.70パーセントから1.54パーセント）とスペイン語（1.14パーセントから0.60パーセント）です。一方でドイツ語は0.66パーセントから0.80パーセントへと数字が悪化しており、全言語が一律に良くなったわけではない点は正直に見ておく必要があります。
実務上重要なのは、ライセンスがNVIDIA Open Model Licenseで商用利用が可能と明記されている点と、今回のリリースでゼロショット音声クローン機能がセキュリティ上の理由で削除された点です。他人の声を数秒のサンプルから複製する用途は塞がれており、なりすまし懸念を持つ企業にとってはむしろ導入しやすくなっています。
32ミリ秒の初音応答と、日本語のコードスイッチングが重要な理由
音声接客で最も体感に響くのは、話し終わってから返事が鳴り始めるまでの間です。NVIDIAが公開したTTFA（最初の音声が届くまでの遅延）の実測値は、1ストリーム時でB200が32ミリ秒、H100が47ミリ秒、DGX Sparkが53ミリ秒、A100が79ミリ秒でした。64ストリームを同時処理した場合でもB200は239ミリ秒で、実時間の約320倍のスループットを出しています。自然な会話に必要とされる200ミリ秒前後の枠のうち、音声合成の取り分をここまで削れれば、残りを音声認識と言語モデルに回せる計算です。
この速度を支えているのが、デコード1回で2フレームを同時に予測するフレームスタッキングと、それによる音質低下を補うローカルトランスフォーマーという2つの工夫です。技術的な詳細はICASSP 2026採録の論文にまとまっています。
日本のEC事業者にとって、速度以上に差が出るのはコードスイッチング対応です。モデルカードには、IPA（国際音声記号）による発音辞書と、英語からカタカナへのコードスイッチング処理が追加されたと書かれています。日本のEC商品名は「ワイヤレスイヤホン ANKER Soundcore Liberty 4 NC」のように、日本語と英字ブランド名と型番が同じ行に混在するのが当たり前です。ここを読み間違える音声エージェントは、そもそも接客として成立しません。ブランド名や型番の読みを自前の辞書で固定できるかどうかは、EC用途では速度と同じくらい重要な条件になります。音声接客の全体像はGrok Voice 2.1の多言語対応を扱った記事でも整理しています。
越境ECと電話一次対応、日本のEC事業者がとるべき初動
今回追加された3言語の品質は、韓国語が2.69パーセント、ポルトガル語が2.91パーセント、アラビア語が1.62パーセントのCERです。韓国語とブラジル向けポルトガル語は、日本の越境EC事業者が次の販路として名前を挙げることの多い市場と重なります。中国語は3.17パーセント、ベトナム語は0.59パーセントで、東南アジア向けの音声案内も射程に入ります。
初動としては3つです。ひとつ目は、商品名とブランド名の発音辞書を先に作ることです。モデルを試す前に、自社の型番が読み上げられるかどうかを確認するリストを50件ほど用意しておくと、検証が一気に速くなります。ふたつ目は、NVIDIA Buildのホスト版APIで先に効果を測ることです。無料のAPIキーが取得でき、GPUを買う前に音質と読み上げ精度を判断できます。みっつ目は、自社GPUで動かす場合のコスト試算です。対応ハードウェアはL4、L40、A10、A30、A100、H100と記載があり、常時稼働させるなら電力とGPU調達を含めた月次コストの比較が要ります。電話一次対応の設計思想は電話の一次対応をAIに任せる論点をまとめた記事も参考になります。
制約も押さえておくべきです。標準モードで一度に生成できるのは20秒までで、長文はスライディングウィンドウによる長文モードを使う必要があります。テキスト正規化は必須で、12言語以外の言語には対応していません。他社モデルとの比較検討はQwen Audio 3.0のTTS評価を扱った記事と合わせて見るのが実務的です。
まとめ
日本語を含む12言語を1つのモデルで扱え、商用利用が認められ、自社インフラで動かせる。この3点がそろった音声合成の選択肢が増えたことが今回の要点です。日本のEC事業者にとっての判断軸は、音質そのものよりも、自社の商品名を正しく読めるかと、顧客の会話データを社外に出さずに済むかの2つになります。まずはホスト版で50件の商品名を読ませてみるところから始めるのが現実的です。
参考文献
- Build Low-Latency Multilingual Voice Agents: Open Weights & Full Deployment Control with NVIDIA Magpie TTS（NVIDIA / Hugging Face Blog）
- nvidia/magpie_tts_multilingual_357m モデルカード（Hugging Face）
- Magpie TTS Multilingual（NVIDIA Build）
- Frame-Stacked Local Transformers for Efficient Multi-Codebook Speech Generation（arXiv, ICASSP 2026）
- NVIDIA Open Model License Agreement
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: Hugging Face（NVIDIA公式ブログ）
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
