Maya 2 Native — синтез речи на 12 языках

Maya 2 Native — открытая модель синтеза речи от Maya Research. Она превращает текст в аудио на 11 индийских языках и английском, может передавать звук по мере генерации и создавать голос по короткому образцу. Это модель для разработчиков и команд, которые хотят запускать синтез речи на собственной инфраструктуре, а не готовый пользовательский сервис.

Что умеет Maya 2 Native

Модель создаёт монофоническую речь с частотой 24 кГц. В комплекте есть 20 синтетических голосов: их можно выбирать по имени без записи собственного образца. Для диалоговых систем доступна потоковая выдача аудио небольшими фрагментами — генерация может начинаться до того, как модель подготовит всю реплику.

Синтез речи — не распознавание

Это именно преобразование текста в речь (TTS), а не распознавание аудио. Если нужно расшифровать запись, а не озвучить текст, можно посмотреть, например, на Phonon-2.5.

Языки и встроенные голоса

Maya 2 Native поддерживает ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, одия, пенджаби, тамильский и телугу. Формулировка «11 индийских языков и английский» точнее, чем обещание поддержки всех языков Индии: в этой версии указаны именно двенадцать языков.

Встроенные голоса обучались на разном наборе языков. Поэтому возможность запросить голос на языке ещё не означает одинаково естественное произношение во всех сочетаниях: для части голосов некоторые языки являются межъязыковым режимом.

Клонирование голоса по образцу

Модель поддерживает zero-shot-клонирование: разработчик передаёт чистую запись одного диктора длительностью примерно 3–10 секунд и её точную расшифровку. Полученный голос можно использовать и для речи на другом поддерживаемом языке. Например, образец на хинди можно задать для синтеза на тамильском.

Клонирование не гарантирует точного совпадения тембра и акцента: результат зависит от качества записи, длины фрагмента, текста и языковой пары. Maya Research не приводит отдельного стандартизированного теста сходства клонированного голоса.

Потоковая генерация и подключение

Интерфейсы для разработчиков

Веса и код инференса опубликованы открыто. Для Python есть собственный интерфейс; также доступны HTTP-точка, совместимая с форматом OpenAI Speech API, и передача аудио через WebSocket. Фрагменты аудио выдаются с шагом около 80 миллисекунд. Непрерывная пакетная обработка и CUDA Graphs предназначены для одновременного обслуживания нескольких запросов.

В документации есть и важная техническая оговорка: пакет Python по-прежнему называется maya3, класс — Maya3TTS, а конфигурационный файл — maya3_config.json, хотя опубликованная модель называется Maya 2 Native. При развёртывании нужно использовать идентификаторы из актуального руководства проекта.

Как оценивать качество модели

Сравнение в VoiceArena

В срезе VoiceArena, указанном в карточке Maya 2 Native на 27 октября 2026 года, модель занимала второе место в категории озвучивания в реальном времени для хинди. Результат — 1047 баллов Elo с интервалом ±11 на 2268 оценках; опубликованный диапазон места — второе–четвёртое. VoiceArena собирает попарные оценки слушателей, для этой таблицы — по хинди. Рейтинг меняется по мере поступления новых оценок, а интервалы результатов соседних моделей пересекаются.

Этот срез не доказывает, что Maya 2 Native лучше конкурентов на всех языках. В частности, карточка не приводит контролируемого сравнения с ElevenLabs v3 по одинаковым текстам, голосам и условиям. Поэтому заявления о превосходстве над отдельными коммерческими моделями нельзя переносить на все сценарии без оговорок.

Внутренняя оценка Maya Research

Разработчик также проверил 6000 текстов на 12 языках с помощью трёх систем автоматического распознавания речи. Такие замеры помогают выявлять пропуски и ошибки произношения, но сами по себе не измеряют естественность голоса так, как это делает прослушивание людьми. В опубликованных результатах сложнее всего оказались ассамский, адреса сайтов, длинные числа и смешение языков.

На обложке — снимок таблицы VoiceArena из карточки модели: в нём отображён более ранний срез с 2171 оценкой. Актуальные на дату проверки цифры приведены выше; текущую таблицу можно открыть на странице рейтинга VoiceArena, а описание способа оценки — в методологии проекта.

Требования к запуску

Серверное оборудование

Официальное руководство описывает запуск на Linux с Python 3.10–3.12 и видеокартой NVIDIA с драйвером, поддерживающим CUDA 12.8. Размер весов в формате BF16 — около 5 ГБ. Это размер файлов модели, а не всей занятой видеопамяти: при загрузке одной рабочей копии разработчик измерил пиковое потребление около 9,2 ГБ плюс примерно 0,5 ГБ на контекст CUDA. Для первого запуска рекомендуется видеокарта с 12 ГБ памяти или больше и дополнительным запасом под нагрузку.

Модель загружается из Hugging Face; при первом запуске также скачиваются аудиокодек Mimi и энкодер голоса ECAPA. После того как все компоненты сохранены локально, документация описывает режим без сетевого доступа. Официальная инструкция не описывает запуск на смартфонах или Mac: в ней указаны Linux, видеокарта NVIDIA и CUDA. Это локальный запуск на совместимом компьютере или сервере, а не готовое мобильное приложение.

Ограничения и ответственное применение

Качество заметно зависит от языка и типа текста. Ассамский — наиболее сложный из проверенных языков; для него ни один встроенный голос не имеет часа обучающих записей, и тембр может смещаться в сторону бенгальского. Межъязыковой синтез способен сохранять акцент языка, на котором обучен выбранный голос. Короткие реплики из одного-двух слов менее стабильны, а числа, URL и смешанные языки стоит проверять на примерах своего приложения.

В опубликованном релизе нет звукового водяного знака. Локальный сервер также не включает встроенную аутентификацию: прежде чем открыть его за пределы доверенной сети, разработчику нужно самостоятельно настроить проверку доступа и защиту от злоупотреблений.

Клонируйте только голос, на который у вас есть разрешение, и сообщайте слушателям, когда они слышат синтетическую речь. Это особенно важно для звонков, публичных материалов и сценариев, в которых голос может быть принят за голос конкретного человека.

Лицензия и файлы

Веса Maya 2 Native и код инференса выпущены под Apache 2.0. При этом в составе используются компоненты со своими условиями: аудиокодек Kyutai Mimi опубликован под CC-BY 4.0, а Qwen3-1.7B-Base и энкодер SpeechBrain ECAPA-TDNN — под Apache 2.0. При распространении сборки необходимо учитывать лицензии и уведомления каждого компонента.

Официальные код и инструкция по запуску Maya 2 Native опубликованы на GitHub. Открытые веса находятся в репозитории модели на Hugging Face.