¿Qué es Maya 2 Native?
Maya 2 Native es un modelo de texto a voz de pesos abiertos de Maya Research, una startup india. El checkpoint 1.0 se publicó en Hugging Face el 25 de octubre de 2026, tras una vista previa cerrada a principios de mes. Habla asamés, bengalí, inglés, guyaratí, hindi, canarés, malabar, maratí, oriya, panyabí, tamil y telugu, con 20 voces integradas y clonación sin entrenamiento previo a partir de 3 a 10 segundos de audio de referencia; una voz clonada en hindi puede hablar tamil.
Tiene 2.500 millones de parámetros, unos 5,0 GB en BF16: una red troncal inicializada a partir de Qwen3-1.7B-Base predice tokens de audio, un decodificador de 555M de parámetros completa el resto, y el códec Mimi de Kyutai los convierte en voz mono a 24 kHz en tramas de 80 ms que pueden emitirse a medida que se generan.
Los pesos y el código tienen licencia Apache 2.0; el códec Mimi que descarga es CC BY 4.0. El paquete incluye una API de Python, un endpoint de voz compatible con OpenAI y streaming por WebSocket. Maya Research no publica precio de API alojada.
¿Merece la pena Maya 2 Native?
Maya 2 Native es un modelo de voz abierto que los oyentes independientes sitúan cerca de los líderes comerciales en hindi. En la clasificación de hindi de VoiceArena ocupa el séptimo puesto con 1047 de Elo a partir de 2.268 votos, a la altura de Voxtral Mini TTS de Mistral (1048) y Eleven v3 (1044) y por delante de Bulbul-V3 de Sarvam (957), pero 67 puntos por detrás de Eleven v4 con 1114. El "segundo" de la ficha solo vale con la clasificación filtrada a modelos en tiempo real, donde Sonic-3.6 de Cartesia lidera con 1094; el intervalo de puesto publicado, del quinto al décimo, es la lectura más justa.
Las cifras de servicio son lo más sólido del lanzamiento. En una H100 NVL el equipo ejecutó 224 streams WebSocket simultáneos a 323 segundos de audio por segundo, con una mediana de 111 ms y un percentil 99 de 242 ms hasta el primer audio y sin cortes. Un puesto necesita 7,7 GB de memoria de GPU y 32 puestos 15,8 GB, así que la memoria no es la limitación en una tarjeta de 24GB, aunque no se publica ninguna cifra de rendimiento para nada más pequeño que una H100.
Fuera del hindi, las pruebas son autoevaluadas. El benchmark de 6.000 textos de Maya sitúa la tasa global de error de caracteres entre el 2,9% y el 3,5% según el juez, y hasta el 6,6% en asamés, pero dos de los tres jueces son sus propios reconocedores de voz, no hay estudio humano de naturalidad ni puntuación de similitud de la clonación. Los puntos débiles se enumeran sin rodeos: el asamés no tiene ninguna voz entrenada ni siquiera con una hora de ese idioma y deriva hacia un timbre bengalí, las direcciones web obtienen un 29% de CER y las respuestas muy cortas pierden la identidad de la voz.
El despliegue requiere cuidado. El paquete oficial solo funciona en Linux con una GPU de NVIDIA y CUDA 12.8, aunque ya existen adaptaciones de la comunidad a MLX de Apple; el servidor incluido no tiene autenticación; y el audio no lleva marca de agua. Los datos de entrenamiento solo se describen como voz con licencia y sintética, sin horas ni fuentes.
Dónde se gana su sitio
Un ingeniero de agentes de voz en una startup de préstamos de Bengaluru
Leer recordatorios de cuotas y confirmaciones de pago en el idioma del prestatario
Sirve el endpoint WebSocket en una GPU con max_seats dimensionado según el volumen de llamadas; la prueba de 224 streams de la ficha cabe en una H100 NVL. Comprueba antes de oído números, fechas y dígitos de cuentas, porque las formas escritas siguen siendo un fallo conocido.
Una responsable de producto en una empresa de tecnología educativa con cursos en hindi y tamil
Narrar las lecciones con una misma voz de marca en todos los idiomas
Clona a un presentador que dé su consentimiento a partir de un fragmento de 3 a 10 segundos con su transcripción y genera en cualquiera de los 12 idiomas. No hay tarifas por carácter, pero la similitud de la clonación es aproximada y no se publica ninguna puntuación.
Un equipo de plataforma que ya usa Bolna para agentes telefónicos
Añadir voz en idiomas indios sin montar un servidor de TTS
Selecciona Maya 2 Native como proveedor de voz en Bolna; el audio se reduce de 24 kHz a 8 kHz para las llamadas, y el idioma puede cambiar a mitad de llamada sin reconectar.
Antes de decidirte
- Puesta en marcha
- Instala con pip el paquete maya3 desde GitHub en Linux con Python 3.10 a 3.12 y una GPU de NVIDIA con CUDA 12.8, y después Maya3TTS.from_pretrained; el primer uso descarga los pesos, Mimi y el codificador de hablantes ECAPA.
- Integraciones
- API de Python para generar y emitir en streaming, un endpoint /v1/audio/speech compatible con OpenAI, streaming por WebSocket, la plataforma de agentes de voz Bolna; adaptaciones de la comunidad a MLX para Apple silicon.
- Datos y privacidad
- Autoalojado, así que el texto y las referencias de voz se quedan en tus servidores. Pesos Apache 2.0; los datos de entrenamiento solo se describen como voz con licencia y sintética. Sin marca de agua en el audio, y el servidor incluido no tiene autenticación.
- Coste a escala
- Solo tiempo de GPU: 7,7 GB de memoria de GPU para un puesto y 15,8 GB para 32, y la H100 NVL de la ficha sirvió 224 streams simultáneos a 323 segundos de audio por segundo.
- Límites
- Mono a 24 kHz; las etiquetas de emoción funcionan en la medida de lo posible; débil en asamés, URL, símbolos y turnos de una o dos palabras; el procesamiento por lotes cambia la secuencia aleatoria, así que las semillas solo se reproducen de forma aislada.
Lo bueno
- 1047 de Elo en hindi en VoiceArena, a la altura de Eleven v3
- Pesos y servidor con Apache 2.0
- 224 streams en una H100 NVL con una mediana de 111 ms hasta el primer audio
- Clonación entre idiomas a partir de 3 a 10 segundos de audio
Lo malo
- 67 puntos de Elo por detrás de Eleven v4 en hindi; sin clasificación independiente para otros idiomas
- La mayoría de los jueces de los benchmarks son modelos de ASR de la propia Maya
- El asamés no tiene voz nativa; las URL obtienen un 29% de CER
- Oficialmente solo NVIDIA y Linux; sin marca de agua en el audio
Ideal para
Desarrolladores que crean agentes de voz, IVR o narraciones en idiomas indios y quieren autoalojar con una licencia permisiva.
Alternativas a Maya 2 Native
Maya 2 Native: preguntas frecuentes
- ¿Merece la pena Maya 2 Native?
- Para agentes de voz en idiomas indios, Maya 2 Native es el modelo abierto por el que empezar: cerca de los líderes de pago en hindi y barato de ejecutar a escala, con puntuaciones automáticas en lugar de pruebas en todo lo demás. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta Maya 2 Native?
- Gratuito con licencia Apache 2.0 (códec Mimi con CC BY 4.0); autoalojado en tus propias GPU. No se publica precio alojado propio.
- ¿Qué inconvenientes tiene Maya 2 Native?
- 67 puntos de Elo por detrás de Eleven v4 en hindi; sin clasificación independiente para otros idiomas; la mayoría de los jueces de los benchmarks son modelos de ASR de la propia Maya; el asamés no tiene voz nativa; las URL obtienen un 29% de CER; oficialmente solo NVIDIA y Linux; sin marca de agua en el audio.
- ¿Para quién es Maya 2 Native?
- Desarrolladores que crean agentes de voz, IVR o narraciones en idiomas indios y quieren autoalojar con una licencia permisiva.
- ¿Cuánto cuesta Maya 2 Native para un equipo o en producción?
- Solo tiempo de GPU: 7,7 GB de memoria de GPU para un puesto y 15,8 GB para 32, y la H100 NVL de la ficha sirvió 224 streams simultáneos a 323 segundos de audio por segundo.
- ¿Es Maya 2 Native seguro para los datos de la empresa?
- Autoalojado, así que el texto y las referencias de voz se quedan en tus servidores. Pesos Apache 2.0; los datos de entrenamiento solo se describen como voz con licencia y sintética. Sin marca de agua en el audio, y el servidor incluido no tiene autenticación.
- ¿Cuáles son las mejores alternativas a Maya 2 Native?
- Las alternativas más cercanas que hemos analizado son Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, OmniVoice y Qwen3-TTS.
Respuestas comprobadas el 2 nov 2026.
¿Desarrollas Maya 2 Native? Muestra esta nota en tu web
