Magpie-Multilingual 357M (Feb 2026)
NVIDIA · États-Unis
- Poids ouverts
- Licence : NVIDIA Open Model License
- Français annoncé
En bref : 9e sur 16 en prononciation du français ; 54e sur 96 en synthèse vocale en anglais (Artificial Analysis), ex æquo avec 12 autres modèles dont les marges d'erreur se recouvrent.
Présentation
Modèle de synthèse vocale multilingue à poids ouverts de NVIDIA qui fait parler 5 voix dans 9 langues dans sa version de février 2026 (v2602). Il prédit des jetons de codec audio avec un transformeur encodeur-décodeur, et le clonage de voix zéro-shot a été retiré de cette version. Lu sur huggingface.co, le 17/10/2026.
- Sortie
- 3 mars 2026 lu sur la page de l'éditeur
- Taille
- 357 millions de paramètres lu sur la page de l'éditeur
Langues
- Annoncées par l'éditeur : 9 langues, dont le français (en, es, de, fr, vi, it, zh, hi, ja). Lu sur huggingface.co.
- Prises en charge selon Open TTS Leaderboard : 9 langues.
- Évaluées par nos sources : français et anglais.
- Le français : annoncé par l'éditeur ; évalué, 9e sur 16 en prononciation du français (7,03 %).
Ses 2 classements
Chaque ligne vient d'une seule source, dans son unité : les chiffres de deux lignes ne se comparent pas entre eux. Ils ne comptent pas dans le score des modèles de langage.
- En français · Synthèse vocale
Prononciation du français
9e sur 16taux d'erreur par mot 7,03 %
Vitesse : RTFx 9 : produit 9 secondes d'audio par seconde de calculClonage de voix : non
Source : Open TTS Leaderboard, Hugging Face · relevé du 19 octobre 2026, version du 9 octobre 2026.
- En anglais · Synthèse vocale
Synthèse vocale en anglais, Artificial Analysis
54e sur 96Elo 1 064, intervalle 1 052 à 1 076, 2 231 votes
Source : Artificial Analysis · relevé du 19 octobre 2026.
Modèles proches
- Prononciation du français : devant, MOSS-TTS (8e, 6,11 %) · derrière, SeamlessM4T-Large v2 (10e, 7,23 %)
- Synthèse vocale en anglais, Artificial Analysis : devant, Kokoro 82M v1.0 (même rang, 1 064) · derrière, Polly Generative (même rang, 1 064)
Comment lire ces chiffres
Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.
D'où vient cette fiche
- Nom dans les sources
- Hugging Face (hf-audio) :
nvidia/magpie_tts_multilingual_357m; Artificial Analysis :Magpie-Multilingual 357M (Feb 2026) - Fiche
- Nom et éditeur tels que les sources les écrivent ; présentation et langues lues sur les pages de l'éditeur.
- Pages lues
- https://huggingface.co/nvidia/magpie_tts_multilingual_357m/raw/v2602/README.md (« Each speakers can speak nine different languages (En, Es, De, Fr, Vi, It, Zh, Hi, Ja). »), 17/10/2026
- https://huggingface.co/nvidia/magpie_tts_multilingual_357m/raw/v2602/README.md (« The model predicts discrete audio codec tokens autoregressively using a transformer encoder-decoder architecture. »), 17/10/2026
- https://huggingface.co/nvidia/magpie_tts_multilingual_357m/raw/v2602/README.md (« We have removed zero-shot capabilities of this model for this release. »), 17/10/2026
- https://huggingface.co/nvidia/magpie_tts_multilingual_357m/raw/v2602/README.md (« March 3, 2026: MagpieTTS v2602 was released with support for 2 new languages (Hindi and Japanese). »), 17/10/2026
- https://huggingface.co/nvidia/magpie_tts_multilingual_357m/raw/v2602/README.md (« Number of model parameters 3.57*10^8 »), 17/10/2026
Voir aussi : la voix en bref, la transcription, la synthèse vocale, ou cette fiche en texte.