语音交互的延迟预算很紧张：从音频采集、ASR、LLM推理到TTS生成，每一步都消耗毫秒。TTS是用户感知最直接的一环，生成慢了，整个体验就慢。NVIDIA Magpie TTS 是一个 364M 参数的开源权重模型，专为这种场景设计——你可以把它部署在自己的基础设施上，精确控制延迟，并按需定制。

最新版本将语言支持扩展到12种：英语、西班牙语、法语、德语、意大利语、越南语、普通话、印地语、日语，以及新增的现代标准阿拉伯语、韩语和巴西葡萄牙语。每种语言都包含男声和女声，基于共享的多语言说话人表征。印地语和日语还增强了代码切换支持，通过 IPA 字素-音素处理和自定义发音词典，能更准确地念出专有名词和技术术语。

Magpie 的延迟优化来自两项架构改进。帧堆叠（frame stacking）让解码器每一步输出两个音频帧，解码步数减半。但帧堆叠会破坏同时生成的 codebook token 之间的依赖关系，降低音质；局部 transformer 模型负责建模这些依赖并修复质量。两项技术合在一起，既快又自然。这个设计发表在 ICASSP 2026 论文《Frame-Stacked Local Transformers for Efficient Multi-Codebook Speech Generation》中。

延迟数据基于 NVIDIA NIM 优化容器，在自有 GPU 上测得。B200 上单流 TTFA（首帧延迟）仅32ms，吞吐量达到 12.1 倍实时；64 流并发时 TTFA 239ms，吞吐量 319 倍实时。H100 单流 TTFA 47ms（14.7 倍实时），A100 单流 79ms（12.2 倍实时）。因为模型跑在你自己的机器上，你能直接测量服务器端延迟，没有托管服务的网络来回开销。

音质也在改善。相比上一版，法语字符错误率（CER）从 2.70% 降到 1.54%，说话人相似度（SSIM）从 0.703 升到 0.747；西班牙语 CER 从 1.14% 降到 0.60%，SSIM 从 0.715 升到 0.793。新加入的阿拉伯语（CER 1.62%）、韩语（2.69%）、巴西葡语（2.91%）建立了基准。数据来自 Magpie TTS Multilingual 模型卡。

开源权重带来的能力：你可以部署在私有或气隙环境，自己优化 serving 栈，用 NeMo 微调定制发音和音色。NVIDIA 提供了 Magpie TTS NIM 优化推理容器、NeMo 微调工具，以及 Nemotron Voice Agent 参考实现——它把 Nemotron Speech（流式 ASR）、Magpie TTS、Nemotron 语言/多模态模型、NIM 微服务组合成一个完整的语音代理系统，支持实时打断（barge-in）、多模态视觉理解、多智能体编排和次秒级端到端延迟。你可以在 NVIDIA Build 和 Hugging Face 上试听效果。