Qu’est-ce que Maya 2 Native ?
Maya 2 Native est un modèle de synthèse vocale à poids ouverts de Maya Research, une start-up indienne. Le checkpoint 1.0 a été publié sur Hugging Face le 25 octobre 2026, après un aperçu fermé plus tôt dans le mois. Il parle l'assamais, le bengali, l'anglais, le gujarati, l'hindi, le kannada, le malayalam, le marathi, l'odia, le pendjabi, le tamoul et le télougou, avec 20 voix intégrées et un clonage zero-shot à partir de 3 à 10 secondes d'audio de référence ; une voix clonée en hindi peut parler tamoul.
Il compte 2,5 milliards de paramètres, environ 5,0 GB en BF16 : un socle initialisé à partir de Qwen3-1.7B-Base prédit des tokens audio, un décodeur de 555M de paramètres complète le reste, et le codec Mimi de Kyutai les transforme en parole mono à 24 kHz par trames de 80 ms qui peuvent être diffusées au fur et à mesure.
Les poids et le code sont sous Apache 2.0 ; le codec Mimi qu'il télécharge est sous CC BY 4.0. Le paquet fournit une API Python, un endpoint vocal compatible OpenAI et du streaming par WebSocket. Maya Research ne publie aucun prix d'API hébergée.
Maya 2 Native vaut-il le coup ?
Maya 2 Native est un modèle vocal ouvert que des auditeurs indépendants placent près des leaders commerciaux en hindi. Au classement hindi de VoiceArena, il est septième à 1047 Elo sur 2 268 votes, à égalité avec Voxtral Mini TTS de Mistral (1048) et Eleven v3 (1044), devant Bulbul-V3 de Sarvam (957), mais 67 points derrière Eleven v4 à 1114. La « deuxième place » de la fiche ne vaut que lorsque le classement est filtré sur les modèles temps réel, où Sonic-3.6 de Cartesia mène à 1094 ; l'intervalle de rang publié, de la cinquième à la dixième place, est la lecture la plus juste.
Les chiffres de service sont le point fort de la sortie. Sur un H100 NVL, l'équipe a fait tourner 224 flux WebSocket simultanés à 323 secondes d'audio par seconde, avec un délai médian de 111 ms et de 242 ms au 99e centile avant le premier son, sans interruption. Une place demande 7,7 GB de mémoire GPU et 32 places 15,8 GB, si bien que la mémoire n'est pas la contrainte sur une carte de 24GB, même si aucun chiffre de débit n'est publié pour quoi que ce soit de plus petit qu'un H100.
Hors hindi, les preuves sont autoévaluées. Le benchmark de Maya sur 6 000 textes situe le taux d'erreur de caractères global entre 2,9 % et 3,5 % selon le juge, et jusqu'à 6,6 % en assamais, mais deux des trois juges sont ses propres modèles de reconnaissance vocale, il n'y a aucune étude humaine du naturel et aucun score de similarité du clonage. Les points faibles sont listés clairement : aucune voix n'a été entraînée sur ne serait-ce qu'une heure d'assamais, qui dérive vers un timbre bengali, les adresses web obtiennent 29 % de CER, et les réponses très courtes perdent l'identité de la voix.
Le déploiement demande du soin. Le paquet officiel ne tourne que sous Linux avec un GPU NVIDIA et CUDA 12.8, même si des portages communautaires vers MLX d'Apple existent déjà ; le serveur fourni n'a pas d'authentification ; et l'audio ne porte aucun filigrane. Les données d'entraînement ne sont décrites que comme de la parole sous licence et synthétique, sans nombre d'heures ni sources.
Là où il fait la différence
Un ingénieur agents vocaux dans une start-up de crédit à Bengaluru
Lire des rappels d'échéances et des confirmations de paiement dans la langue de l'emprunteur
Servez l'endpoint WebSocket sur un GPU avec max_seats dimensionné selon le volume d'appels ; l'essai à 224 flux de la fiche tient sur un H100 NVL. Vérifiez d'abord à l'oreille les nombres, les dates et les chiffres de compte, car les formes écrites restent un point de défaillance connu.
Une responsable produit dans une entreprise edtech avec des cours en hindi et en tamoul
Faire narrer les leçons par une même voix de marque dans toutes les langues
Clonez un présentateur consentant à partir d'un extrait de 3 à 10 secondes avec sa transcription et générez dans n'importe laquelle des 12 langues. Il n'y a pas de frais par caractère, mais la similarité du clone est approximative et aucun score n'est publié.
Une équipe plateforme qui utilise déjà Bolna pour ses agents téléphoniques
Ajouter la parole en langues indiennes sans construire de serveur TTS
Sélectionnez Maya 2 Native comme fournisseur de voix dans Bolna ; l'audio est sous-échantillonné de 24 kHz à 8 kHz pour les appels, et la langue peut changer en cours d'appel sans reconnexion.
Avant de vous engager
- Mise en route
- Installez avec pip le paquet maya3 depuis GitHub sous Linux avec Python 3.10 à 3.12 et un GPU NVIDIA sous CUDA 12.8, puis Maya3TTS.from_pretrained ; la première utilisation télécharge les poids, Mimi et l'encodeur de locuteur ECAPA.
- Intégrations
- API Python generate et stream, un endpoint /v1/audio/speech compatible OpenAI, du streaming par WebSocket, la plateforme d'agents vocaux Bolna ; portages communautaires MLX pour Apple silicon.
- Données et confidentialité
- Auto-hébergé, donc le texte et les références vocales restent sur vos serveurs. Poids sous Apache 2.0 ; données d'entraînement décrites uniquement comme de la parole sous licence et synthétique. Pas de filigrane audio, et le serveur fourni n'a pas d'authentification.
- Coût à grande échelle
- Temps GPU uniquement : 7,7 GB de mémoire GPU pour une place et 15,8 GB pour 32, et le H100 NVL unique de la fiche a servi 224 flux simultanés à 323 secondes d'audio par seconde.
- Limites
- Mono à 24 kHz ; balises d'émotion appliquées au mieux ; faible sur l'assamais, les URL, les symboles et les tours d'un ou deux mots ; le traitement par lots modifie le flux aléatoire, si bien que les seeds ne se reproduisent qu'en isolation.
Les points forts
- 1047 Elo en hindi sur VoiceArena, à égalité avec Eleven v3
- Poids et serveur sous Apache 2.0
- 224 flux sur un H100 NVL avec un premier son médian à 111 ms
- Clonage interlangues à partir de 3 à 10 secondes d'audio
Les points faibles
- 67 Elo derrière Eleven v4 en hindi ; aucun classement indépendant pour les autres langues
- La plupart des juges des benchmarks sont les propres modèles ASR de Maya
- L'assamais n'a pas de voix native ; les URL obtiennent 29 % de CER
- Officiellement NVIDIA et Linux uniquement ; pas de filigrane audio
Idéal pour
Les développeurs qui construisent des agents vocaux, des serveurs vocaux interactifs ou de la narration en langues indiennes et veulent auto-héberger sous une licence permissive.
Alternatives à Maya 2 Native
Maya 2 Native : questions fréquentes
- Maya 2 Native vaut-il le coup ?
- Pour les agents vocaux en langues indiennes, Maya 2 Native est le modèle ouvert par lequel commencer : proche des leaders payants en hindi et peu coûteux à grande échelle, avec des scores automatiques en guise de preuve partout ailleurs. Nous lui donnons 4.0 sur 5.
- Combien coûte Maya 2 Native ?
- Gratuit sous Apache 2.0 (codec Mimi sous CC BY 4.0) ; auto-hébergé sur vos propres GPU. Aucun prix hébergé publié par l'éditeur.
- Quels sont les inconvénients de Maya 2 Native ?
- 67 Elo derrière Eleven v4 en hindi ; aucun classement indépendant pour les autres langues; la plupart des juges des benchmarks sont les propres modèles ASR de Maya; l'assamais n'a pas de voix native ; les URL obtiennent 29 % de CER; officiellement NVIDIA et Linux uniquement ; pas de filigrane audio.
- À qui s’adresse Maya 2 Native ?
- Les développeurs qui construisent des agents vocaux, des serveurs vocaux interactifs ou de la narration en langues indiennes et veulent auto-héberger sous une licence permissive.
- Combien coûte Maya 2 Native pour une équipe ou en production ?
- Temps GPU uniquement : 7,7 GB de mémoire GPU pour une place et 15,8 GB pour 32, et le H100 NVL unique de la fiche a servi 224 flux simultanés à 323 secondes d'audio par seconde.
- Maya 2 Native est-il sûr pour les données de l’entreprise ?
- Auto-hébergé, donc le texte et les références vocales restent sur vos serveurs. Poids sous Apache 2.0 ; données d'entraînement décrites uniquement comme de la parole sous licence et synthétique. Pas de filigrane audio, et le serveur fourni n'a pas d'authentification.
- Quelles sont les meilleures alternatives à Maya 2 Native ?
- Les alternatives les plus proches que nous avons testées sont Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, OmniVoice et Qwen3-TTS.
Réponses vérifiées le 2 nov. 2026.
Vous éditez Maya 2 Native ? Affichez cette note sur votre site
