Was ist Maya 2 Native?
Maya 2 Native ist ein Text-to-Speech-Modell mit offenen Gewichten von Maya Research, einem indischen Startup. Checkpoint 1.0 wurde am 25. Oktober 2026 auf Hugging Face veröffentlicht, nach einer geschlossenen Vorschau Anfang des Monats. Es spricht Assamesisch, Bengalisch, Englisch, Gujarati, Hindi, Kannada, Malayalam, Marathi, Odia, Punjabi, Tamil und Telugu, mit 20 eingebauten Stimmen und Zero-Shot-Klonen aus 3 bis 10 Sekunden Referenzaudio; eine auf Hindi geklonte Stimme kann Tamil sprechen.
Es hat 2,5 Milliarden Parameter, etwa 5,0 GB in BF16: Ein Backbone, initialisiert aus Qwen3-1.7B-Base, sagt Audio-Tokens voraus, ein Decoder mit 555M Parametern ergänzt den Rest, und Kyutais Codec Mimi macht daraus Mono-Sprache mit 24 kHz in Frames von 80 ms, die sich schon während der Erzeugung streamen lassen.
Gewichte und Code stehen unter Apache 2.0; der heruntergeladene Codec Mimi steht unter CC BY 4.0. Das Paket bringt eine Python-API, einen OpenAI-kompatiblen Sprach-Endpunkt und Streaming per WebSocket mit. Maya Research veröffentlicht keinen Preis für eine gehostete API.
Lohnt sich Maya 2 Native?
Maya 2 Native ist ein offenes Sprachmodell, das unabhängige Hörer auf Hindi nah an die kommerziellen Spitzenreiter setzen. Auf der Hindi-Rangliste von VoiceArena liegt es mit 1047 Elo aus 2.268 Stimmen auf Platz sieben, gleichauf mit Mistrals Voxtral Mini TTS (1048) und Eleven v3 (1044) und vor Sarvams Bulbul-V3 (957), aber 67 Punkte hinter Eleven v4 mit 1114. Der "zweite Platz" laut Model Card gilt nur, wenn die Rangliste auf Echtzeitmodelle gefiltert ist, wo Cartesias Sonic-3.6 mit 1094 führt; das veröffentlichte Rangintervall von Platz fünf bis zehn ist die fairere Lesart.
Die Betriebszahlen sind der stärkste Teil des Releases. Auf einer H100 NVL betrieb das Team 224 gleichzeitige WebSocket-Streams mit 323 Sekunden Audio pro Sekunde, mit einem Median von 111 ms und einem 99. Perzentil von 242 ms bis zum ersten Audio und ohne Aussetzer. Ein Platz braucht 7,7 GB GPU-Speicher und 32 Plätze 15,8 GB, auf einer Karte mit 24GB ist Speicher also nicht der Engpass, auch wenn für Karten unterhalb einer H100 kein Durchsatzwert veröffentlicht ist.
Außerhalb von Hindi bewertet sich das Modell selbst. Mayas Benchmark mit 6.000 Texten setzt die Zeichenfehlerrate insgesamt je nach Bewerter bei 2,9% bis 3,5% an und bei Assamesisch bei bis zu 6,6%, doch zwei der drei Bewerter sind Mayas eigene Spracherkenner, es gibt keine Studie mit Menschen zur Natürlichkeit und keinen Wert für die Ähnlichkeit beim Klonen. Die Schwachstellen werden klar benannt: Für Assamesisch gibt es keine Stimme, die auch nur eine Stunde darauf trainiert wurde, und sie driftet zu einer bengalischen Klangfarbe, Webadressen kommen auf 29% CER, und sehr kurze Antworten verlieren die Stimmidentität.
Der Einsatz braucht Sorgfalt. Das offizielle Paket läuft nur auf Linux mit einer NVIDIA-GPU und CUDA 12.8, auch wenn es bereits Community-Portierungen auf Apples MLX gibt; der mitgelieferte Server hat keine Authentifizierung; und das Audio trägt kein Wasserzeichen. Die Trainingsdaten sind nur als lizenzierte und synthetische Sprache beschrieben, ohne Angabe von Stunden oder Quellen.
Wo es sich lohnt
Ein Engineer für Sprachagenten bei einem Kredit-Startup in Bengaluru
EMI-Erinnerungen und Zahlungsbestätigungen in der Sprache des Kreditnehmers vorlesen
Betreibe den WebSocket-Endpunkt auf einer GPU mit max_seats passend zum Anrufvolumen; der Lauf mit 224 Streams laut Model Card passt auf eine H100 NVL. Prüfe Zahlen, Daten und Kontoziffern zuerst nach Gehör, denn geschriebene Formen bleiben ein bekannter Schwachpunkt.
Ein Product Lead bei einem Edtech-Unternehmen mit Kursen auf Hindi und Tamil
Lektionen sprachübergreifend mit einer einheitlichen Markenstimme vertonen
Klone einen einverstandenen Sprecher aus einem Clip von 3 bis 10 Sekunden samt Transkript und erzeuge Audio in jeder der 12 Sprachen. Gebühren pro Zeichen gibt es nicht, aber die Ähnlichkeit beim Klonen ist ungefähr, und ein Wert dazu ist nicht veröffentlicht.
Ein Plattformteam, das Bolna schon für Telefonagenten nutzt
Sprachausgabe in indischen Sprachen ergänzen, ohne einen TTS-Server zu bauen
Wähle Maya 2 Native als Stimmanbieter in Bolna; das Audio wird für Anrufe von 24 kHz auf 8 kHz heruntergerechnet, und die Sprache kann mitten im Gespräch ohne neue Verbindung wechseln.
Bevor du dich festlegst
- Einrichtung
- Das Paket maya3 von GitHub per pip auf Linux mit Python 3.10 bis 3.12 und einer NVIDIA-GPU mit CUDA 12.8 installieren, dann Maya3TTS.from_pretrained; beim ersten Einsatz werden die Gewichte, Mimi und der Speaker-Encoder ECAPA heruntergeladen.
- Integrationen
- Python-APIs generate und stream, ein OpenAI-kompatibler Endpunkt /v1/audio/speech, Streaming per WebSocket, die Plattform für Sprachagenten Bolna; Community-Portierungen auf MLX für Apple Silicon.
- Daten und Datenschutz
- Selbst gehostet, Text und Stimmreferenzen bleiben also auf deinen Servern. Gewichte unter Apache 2.0; Trainingsdaten nur als lizenzierte und synthetische Sprache beschrieben. Kein Audio-Wasserzeichen, und der mitgelieferte Server hat keine Authentifizierung.
- Kosten im großen Maßstab
- Nur GPU-Zeit: 7,7 GB GPU-Speicher für einen Platz und 15,8 GB für 32, und die einzelne H100 NVL laut Model Card bediente 224 gleichzeitige Streams mit 323 Sekunden Audio pro Sekunde.
- Grenzen
- 24 kHz Mono; Emotions-Tags nach bestem Bemühen; schwach bei Assamesisch, URLs, Symbolen und Beiträgen aus einem oder zwei Wörtern; Batching ändert den Zufallsstrom, Seeds sind also nur isoliert reproduzierbar.
Was gut ist
- 1047 Elo auf Hindi bei VoiceArena, gleichauf mit Eleven v3
- Gewichte und Server unter Apache 2.0
- 224 Streams auf einer H100 NVL bei einem Median von 111 ms bis zum ersten Audio
- Sprachübergreifendes Klonen aus 3 bis 10 Sekunden Audio
Was nicht
- 67 Elo hinter Eleven v4 auf Hindi; keine unabhängige Rangliste für andere Sprachen
- Die meisten Benchmark-Bewerter sind Mayas eigene ASR-Modelle
- Keine native Stimme für Assamesisch; URLs kommen auf 29% CER
- Offiziell nur NVIDIA und Linux; kein Audio-Wasserzeichen
Am besten für
Entwickler, die Sprachagenten, IVR oder Vertonungen in indischen Sprachen bauen und unter einer freizügigen Lizenz selbst hosten wollen.
Alternativen zu Maya 2 Native
Maya 2 Native: häufige Fragen
- Lohnt sich Maya 2 Native?
- Für Sprachagenten in indischen Sprachen ist Maya 2 Native das offene Modell, mit dem du anfangen solltest: auf Hindi nah an den kostenpflichtigen Spitzenreitern und im großen Maßstab günstig im Betrieb, wobei überall sonst automatisierte Werte statt Belegen stehen. Wir bewerten es mit 4.0 von 5.
- Was kostet Maya 2 Native?
- Kostenlos unter Apache 2.0 (Codec Mimi unter CC BY 4.0); selbst gehostet auf deinen eigenen GPUs. Kein gehosteter Preis des Herstellers veröffentlicht.
- Welche Nachteile hat Maya 2 Native?
- 67 Elo hinter Eleven v4 auf Hindi; keine unabhängige Rangliste für andere Sprachen; Die meisten Benchmark-Bewerter sind Mayas eigene ASR-Modelle; Keine native Stimme für Assamesisch; URLs kommen auf 29% CER; Offiziell nur NVIDIA und Linux; kein Audio-Wasserzeichen.
- Für wen eignet sich Maya 2 Native?
- Entwickler, die Sprachagenten, IVR oder Vertonungen in indischen Sprachen bauen und unter einer freizügigen Lizenz selbst hosten wollen.
- Was kostet Maya 2 Native für ein Team oder im Produktivbetrieb?
- Nur GPU-Zeit: 7,7 GB GPU-Speicher für einen Platz und 15,8 GB für 32, und die einzelne H100 NVL laut Model Card bediente 224 gleichzeitige Streams mit 323 Sekunden Audio pro Sekunde.
- Ist Maya 2 Native sicher für Firmendaten?
- Selbst gehostet, Text und Stimmreferenzen bleiben also auf deinen Servern. Gewichte unter Apache 2.0; Trainingsdaten nur als lizenzierte und synthetische Sprache beschrieben. Kein Audio-Wasserzeichen, und der mitgelieferte Server hat keine Authentifizierung.
- Was sind die besten Alternativen zu Maya 2 Native?
- Die nächsten Alternativen, die wir getestet haben, sind Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, OmniVoice und Qwen3-TTS.
Antworten geprüft am 2. Nov. 2026.
Du entwickelst Maya 2 Native? Zeig diese Bewertung auf deiner Website
