O que é Maya 2 Native?
O Maya 2 Native é um modelo de texto para fala com pesos abertos da Maya Research, uma startup indiana. O checkpoint 1.0 foi publicado no Hugging Face em 25 de outubro de 2026, depois de uma prévia fechada no início do mês. Ele fala assamês, bengali, inglês, guzerate, hindi, canarês, malaiala, marati, oriá, punjabi, tâmil e telugo, com 20 vozes integradas e clonagem zero-shot a partir de 3 a 10 segundos de áudio de referência; uma voz clonada em hindi pode falar tâmil.
Ele tem 2,5 bilhões de parâmetros, cerca de 5,0 GB em BF16: um backbone inicializado a partir do Qwen3-1.7B-Base prevê tokens de áudio, um decoder de 555M de parâmetros preenche o resto, e o codec Mimi da Kyutai os transforma em fala mono a 24 kHz em quadros de 80 ms que podem ser transmitidos à medida que são gerados.
Pesos e código são Apache 2.0; o codec Mimi que ele baixa é CC BY 4.0. O pacote traz uma API Python, um endpoint de fala compatível com a OpenAI e streaming por WebSocket. A Maya Research não publica preço de API hospedada.
Maya 2 Native vale a pena?
O Maya 2 Native é um modelo de fala aberto que ouvintes independentes colocam perto dos líderes comerciais em hindi. No ranking de hindi do VoiceArena ele está em sétimo, com 1047 de Elo a partir de 2.268 votos, empatado com o Voxtral Mini TTS da Mistral (1048) e o Eleven v3 (1044) e à frente do Bulbul-V3 da Sarvam (957), mas 67 pontos atrás do Eleven v4, com 1114. O "segundo lugar" do card só vale com o ranking filtrado para modelos em tempo real, onde o Sonic-3.6 da Cartesia lidera com 1094; o intervalo de posição publicado, de quinto a décimo, é a leitura mais justa.
Os números de serving são a parte mais forte do lançamento. Em uma H100 NVL, a equipe rodou 224 streams simultâneos por WebSocket a 323 segundos de áudio por segundo, com mediana de 111 ms e percentil 99 de 242 ms até o primeiro áudio, sem travamentos. Um assento precisa de 7,7 GB de memória de GPU e 32 assentos de 15,8 GB, então a memória não é o limite em uma placa de 24GB, embora nenhum número de throughput seja publicado para nada menor que uma H100.
Fora do hindi, as evidências são autoavaliadas. O benchmark de 6.000 textos da Maya põe a taxa de erro de caracteres geral entre 2,9% e 3,5%, conforme o juiz, e até 6,6% em assamês, mas dois dos três juízes são os próprios reconhecedores de fala da empresa, não há estudo humano de naturalidade nem pontuação de similaridade da clonagem. Os pontos fracos são listados com clareza: o assamês não tem nenhuma voz treinada com sequer uma hora de áudio e tende a um timbre bengali, endereços web marcam 29% de CER e respostas muito curtas perdem a identidade da voz.
A implantação pede cuidado. O pacote oficial só roda em Linux com uma GPU NVIDIA e CUDA 12.8, embora já existam ports comunitários para o MLX da Apple; o servidor incluído não tem autenticação; e o áudio não traz marca d'água. Os dados de treino são descritos apenas como fala licenciada e sintética, sem horas nem fontes informadas.
Onde ele se destaca
Um engenheiro de agentes de voz em uma startup de crédito de Bengaluru
Ler lembretes de parcelas e confirmações de pagamento no idioma do tomador
Sirva o endpoint WebSocket em uma GPU com max_seats dimensionado pelo volume de chamadas; a execução de 224 streams do card cabe em uma H100 NVL. Confira de ouvido números, datas e dígitos de conta primeiro, já que as formas escritas continuam sendo um modo de falha conhecido.
Uma líder de produto em uma empresa de edtech com cursos em hindi e tâmil
Narrar aulas com uma única voz de marca consistente em vários idiomas
Clone um apresentador que tenha dado consentimento a partir de um trecho de 3 a 10 segundos com a transcrição e gere em qualquer um dos 12 idiomas. Não há tarifas por caractere, mas a similaridade do clone é aproximada e nenhuma pontuação é publicada.
Uma equipe de plataforma que já usa o Bolna para agentes telefônicos
Adicionar fala em idiomas indianos sem construir um servidor de TTS
Selecione o Maya 2 Native como provedor de voz do Bolna; o áudio é reduzido de 24 kHz para 8 kHz nas chamadas, e o idioma pode mudar no meio da ligação sem reconectar.
Antes de decidir
- Configuração
- Instale com pip o pacote maya3 a partir do GitHub em Linux com Python 3.10 a 3.12 e uma GPU NVIDIA com CUDA 12.8, depois Maya3TTS.from_pretrained; o primeiro uso baixa os pesos, o Mimi e o encoder de locutor ECAPA.
- Integrações
- APIs Python de geração e streaming, um endpoint /v1/audio/speech compatível com a OpenAI, streaming por WebSocket, a plataforma de agentes de voz Bolna; ports comunitários em MLX para Apple silicon.
- Dados e privacidade
- Auto-hospedado, então textos e referências de voz ficam nos seus servidores. Pesos Apache 2.0; dados de treino descritos apenas como fala licenciada e sintética. Sem marca d'água no áudio, e o servidor incluído não tem autenticação.
- Custo em escala
- Só tempo de GPU: 7,7 GB de memória de GPU para um assento e 15,8 GB para 32, e a única H100 NVL do card serviu 224 streams simultâneos a 323 segundos de áudio por segundo.
- Limites
- Mono a 24 kHz; tags de emoção em regime de melhor esforço; fraco em assamês, URLs, símbolos e falas de uma ou duas palavras; o batching muda o fluxo aleatório, então as seeds só se reproduzem isoladamente.
O que é bom
- 1047 de Elo em hindi no VoiceArena, empatado com o Eleven v3
- Pesos e servidor sob Apache 2.0
- 224 streams em uma H100 NVL com mediana de 111 ms até o primeiro áudio
- Clonagem entre idiomas a partir de 3 a 10 segundos de áudio
O que não é
- 67 pontos de Elo atrás do Eleven v4 em hindi; sem ranking independente para outros idiomas
- A maioria dos juízes do benchmark são modelos de ASR da própria Maya
- O assamês não tem voz nativa; URLs marcam 29% de CER
- Oficialmente só NVIDIA e Linux; sem marca d'água no áudio
Ideal para
Desenvolvedores que constroem agentes de voz, URAs ou narração em idiomas indianos e querem auto-hospedar sob uma licença permissiva.
Alternativas ao Maya 2 Native
Maya 2 Native: perguntas frequentes
- Maya 2 Native vale a pena?
- Para agentes de voz em idiomas indianos, o Maya 2 Native é o modelo aberto por onde começar: perto dos líderes pagos em hindi e barato de rodar em escala, com pontuações automáticas fazendo as vezes de prova em todo o resto. Damos nota 4.0 de 5.
- Quanto custa Maya 2 Native?
- Gratuito sob Apache 2.0 (codec Mimi CC BY 4.0); auto-hospedado nas suas próprias GPUs. Nenhum preço hospedado próprio publicado.
- Quais são as desvantagens de Maya 2 Native?
- 67 pontos de Elo atrás do Eleven v4 em hindi; sem ranking independente para outros idiomas; a maioria dos juízes do benchmark são modelos de ASR da própria Maya; o assamês não tem voz nativa; URLs marcam 29% de CER; oficialmente só NVIDIA e Linux; sem marca d'água no áudio.
- Para quem Maya 2 Native é indicado?
- Desenvolvedores que constroem agentes de voz, URAs ou narração em idiomas indianos e querem auto-hospedar sob uma licença permissiva.
- Quanto custa Maya 2 Native para uma equipe ou em produção?
- Só tempo de GPU: 7,7 GB de memória de GPU para um assento e 15,8 GB para 32, e a única H100 NVL do card serviu 224 streams simultâneos a 323 segundos de áudio por segundo.
- Maya 2 Native é seguro para dados da empresa?
- Auto-hospedado, então textos e referências de voz ficam nos seus servidores. Pesos Apache 2.0; dados de treino descritos apenas como fala licenciada e sintética. Sem marca d'água no áudio, e o servidor incluído não tem autenticação.
- Quais são as melhores alternativas ao Maya 2 Native?
- As alternativas mais próximas que analisamos são Cartesia Sonic 3.6, Eleven v4 and v4 Turbo, OmniVoice e Qwen3-TTS.
Respostas verificadas em 2 de nov. de 2026.
Você faz o Maya 2 Native? Mostre esta nota no seu site
