Maya 2 Nativeとは？
Maya 2 Nativeは、インドのスタートアップMaya Researchによるオープンウェイトの音声合成モデルです。同月初めの非公開のプレビューを経て、2026年10月25日にチェックポイント1.0がHugging Faceで公開されました。アッサム語、ベンガル語、英語、グジャラート語、ヒンディー語、カンナダ語、マラヤーラム語、マラーティー語、オディア語、パンジャブ語、タミル語、テルグ語を話し、20種類の内蔵の声と、3秒から10秒の参照音声によるゼロショットのボイスクローンを備えています。ヒンディー語でクローンした声にタミル語を話させることもできます。
パラメータは25億（2.5 billion）で、BF16で約5.0 GBです。Qwen3-1.7B-Baseから初期化した基幹部分が音声トークンを予測し、555Mパラメータのデコーダーが残りを埋め、KyutaiのMimiのコーデックがそれらを80 msのフレームの24 kHzモノラルの音声に変換します。音声は生成されるそばからストリーミングできます。
重みとコードはApache 2.0で、ダウンロードされるMimiのコーデックはCC BY 4.0です。パッケージには、PythonのAPI、OpenAI互換の音声のエンドポイント、WebSocketのストリーミングが含まれます。Maya Researchはホスト版のAPIの価格を公開していません。
Maya 2 Nativeは使う価値があるか？
Maya 2 Nativeは、独立した聞き手がヒンディー語で商用の上位モデルに近いと評価したオープンな音声モデルです。VoiceArenaのヒンディー語のランキングでは、2,268票で1047 Eloの7位で、MistralのVoxtral Mini TTS（1048）、Eleven v3（1044）と並び、SarvamのBulbul-V3（957）を上回りますが、1114のEleven v4には67ポイント及びません。モデルカードの「2位」は、ランキングをリアルタイムのモデルに絞った場合にだけ当てはまり、そこでは1094のCartesiaのSonic-3.6が首位です。公表されている順位の幅、5位から10位という読み方のほうが公平です。
このリリースで最も強いのはサービングの数字です。チームはH100 NVL 1基で、224本のWebSocketのストリームを同時に動かし、毎秒323秒分の音声を生成しました。最初の音声までの時間は中央値111 ms、99パーセンタイルで242 msで、途切れはありませんでした。1席に必要なGPUのメモリは7.7 GB、32席で15.8 GBなので、24GBのカードではメモリは制約になりません。ただしH100より小さいGPUでのスループットの数字は公開されていません。
ヒンディー語以外では、証拠は自己採点です。Mayaの6,000件のテキストによるベンチマークでは、全体の文字誤り率は判定に使うモデルによって2.9%から3.5%で、アッサム語では最大6.6%です。しかし3つの判定モデルのうち2つは自社の音声認識モデルで、人間による自然さの評価も、クローンの類似度のスコアもありません。弱点ははっきり挙げられています 。アッサム語は1時間分の学習を受けた声すらなく、ベンガル語の声質に寄っていきます。ウェブアドレスのCERは29%で、非常に短い返答では声の個性が失われます。
導入には注意が必要です。公式のパッケージはNVIDIAのGPUとCUDA 12.8のLinuxでしか動きません。ただしAppleのMLXへのコミュニティによる移植はすでにあります。同梱のサーバーには認証がなく、音声には透かしが入りません。学習データはライセンス取得済みの音声と合成音声とだけ説明されており、時間数も出典も示されていません。
真価を発揮する場面
ベンガルールの融資系スタートアップの音声エージェントのエンジニア
借り手の言語で、EMIの返済の催促と支払いの確認を読み上げる
通話量に合わせてmax_seatsを設定し、GPU 1基でWebSocketのエンドポイントを動かします。モデルカードの224本のストリームの実行はH100 NVL 1基に収まります。数字の表記はいまも既知の失敗のパターンなので、数、日付、口座番号はまず耳で確かめてください。
ヒンディー語とタミル語の講座を持つ教育テック企業のプロダクト責任者
言語をまたいで、一貫したブランドの声で授業をナレーションする
同意を得た講師の3秒から10秒 のクリップと書き起こしから声をクローンし、12言語のいずれでも生成します。文字単位の料金はありませんが、クローンの類似度はおおよそのもので、スコアは公開されていません。
すでに電話エージェントにBolnaを使っているプラットフォームチーム
音声合成のサーバーを作らずに、インドの言語の音声を加える
Bolnaの音声プロバイダーとしてMaya 2 Nativeを選びます。通話用に音声は24 kHzから8 kHzにダウンサンプリングされ、通話の途中でも再接続なしに言語を切り替えられます。
導入前に確認すること
- 導入
- Python 3.10から3.12とCUDA 12.8のNVIDIAのGPUを備えたLinuxで、GitHubからmaya3のパッケージをpip installし、Maya3TTS.from_pretrainedを呼びます。初回の利用時に、重み、Mimi、ECAPAの話者エンコーダーがダウンロードされます。
- 連携
- PythonのgenerateとstreamのAPI、OpenAI互換の/v1/audio/speechのエンドポイント、WebSocketのストリーミング、Bolnaの音声エージェントのプラットフォーム。Appleシリコン向けのコミュニティによるMLXの移植版。
- データとプライバシー
- セルフホストなので、テキストと参照音声は自分のサーバーにとどまります。重みはApache 2.0で、学習データはライセンス取得済みの音声と合成音声とだけ説明されています。音声の透かしはなく、同梱のサーバーには認証がありません。
- 大規模利用時のコスト
- かかるのはGPUの時間だけです。1席でGPUのメモリ7.7 GB、32席で15.8 GBで、モデルカードではH100 NVL 1基で224本の同時ストリームを、毎秒323秒分の音声で処理しました。
- 制限
- 24 kHzのモノラルです。感情のタグはベストエフォートです。アッサム語、URL、記号、1語や2語の発話に弱いです。バッチ処理で乱数の流れが変わるので、シードで再現できるのは単独で実行した場合だけです。
良い点
- VoiceArenaのヒンディー語で1047 Elo、Eleven v3と並ぶ
- 重みとサーバーがApache 2.0
- H100 NVL 1基で224本のストリーム、最初の音声まで中央値111 ms
- 3秒から10秒の音声による言語をまたいだボイスクローン
気になる点
- ヒンディー語でEleven v4に67 Elo及ばず、ほかの言語には独立したランキングがない
- ベンチマークの判定モデルのほとんどがMaya自身の音声認識モデル
- アッサム語にはネイティブの声がなく、URLのCERは29%
- 公式にはNVIDIAとLinuxのみで、音声の透かしがない
おすすめの人
インドの言語で音声エージェント、IVR、ナレーションを作り、制限の緩いライセンスでセルフホストしたい開発者。
Maya 2 Nativeの代替
Maya 2 Native：よくある質問
- Maya 2 Nativeは使う価値があるか？
- インドの言語の音声エージェントを作るなら、Maya 2 Nativeはまず試すべきオープンなモデルです。ヒンディー語では有料の上位モデルに迫り、大規模でも安く動かせます。ただしそれ以外の言語では、証拠の代わりに自動評価のスコアがあるだけです。 評価は5点満点中4.0点です。
- Maya 2 Nativeの料金は？
- Apache 2.0で無料（MimiのコーデックはCC BY 4.0）で、自分のGPUでセルフホストします。開発元によるホスト版の価格は公開されていません。
- Maya 2 Nativeの欠点は？
- ヒンディー語でEleven v4に67 Elo及ばず、ほかの言語には独立したランキングがない; ベンチマークの判定モデルのほとんどがMaya自身の音声認識モデル; アッサム語にはネイティブの声がなく、URLのCERは29%; 公式にはNVIDIAとLinuxのみで、音声の透かしがない.
- Maya 2 Nativeは誰に向いているか？
- インドの言語で音声エージェント、IVR、ナレーションを作り、制限の緩いラ イセンスでセルフホストしたい開発者。
- チームや本番環境でMaya 2 Nativeを使うと費用はいくらか？
- かかるのはGPUの時間だけです。1席でGPUのメモリ7.7 GB、32席で15.8 GBで、モデルカードではH100 NVL 1基で224本の同時ストリームを、毎秒323秒分の音声で処理しました。
- Maya 2 Nativeは企業データを扱っても安全か？
- セルフホストなので、テキストと参照音声は自分のサーバーにとどまります。重みはApache 2.0で、学習データはライセンス取得済みの音声と合成音声とだけ説明されています。音声の透かしはなく、同梱のサーバーには認証がありません。
- Maya 2 Nativeの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はCartesia Sonic 3.6, Eleven v4 and v4 Turbo, OmniVoice 、 Qwen3-TTSです。
回答確認日：2026年11月2日
Maya 2 Nativeの開発元の方へ：この評価をサイトに掲載できます
