概览
Maya 2 Native 是 AI 语音公司 Maya Research 于 2026 年 10 月 25 日发布（1.0 版）的开源流式语音合成（TTS）模型，权重和推理代码均以 Apache-2.0 协议开放。它支持阿萨姆语、孟加拉语、古吉拉特语、印地语、卡纳达语、马拉雅拉姆语、马拉地语、奥里亚语、旁遮普语、泰米尔语、泰卢固语 11 种印度语言和英语，输出 24kHz 单声道语音，以 80 毫秒一帧边生成边播放；内置 20 个音色，也能用 3 至 10 秒参考音频零样本克隆声音，克隆的声音可以说别的语言（例如用印地语参考音频生成泰米尔语）。模型总参数 2.50B：文本与音频主干由 Qwen3-1.7B-Base 初始化，约 555M 参数的深度解码器补全其余码本，再由 Kyutai Mimi 编解码器还原音频，并用 SpeechBrain ECAPA-TDNN 声纹向量控制音色。官方在 12 种语言共 6,000 条留出文本（生成约 20.3 小时语音）上评测，三个 ASR 评审给出的整体 CER 为 2.86% 至 3.49%，一致判定的失败率约 0.15%；第三方 VoiceArena 印地语实时 TTS 排行榜（官方 10 月 27 日查看）上排第 2，仅次于 Cartesia Sonic-3.6（以上均为官方报告）。使用方式：需要 Linux、Python 3.10 至 3.12 和支持 CUDA 12.8 的 NVIDIA GPU，单路加载峰值约 9.2GB 显存，建议 12GB 以上；pip 安装 GitHub 仓库里的 maya3 包后，用 Maya3TTS.from_pretrained 加载，generate 生成整段、stream 流式输出，也可用 python -m maya3.server 启动带 OpenAI 兼容 /v1/audio/speech 接口和 WebSocket 流式接口的本地服务（服务本身不带鉴权）。注意代码包名、类名仍叫 maya3 / Maya3TTS。局限：阿萨姆语最弱，有时音色偏向孟加拉语；一两个词的极短句音色不稳定；句中夹英文、网址、长数字仍容易出错；克隆只是近似，笑声、叹气等情绪标签只是尽力支持。官方来源：https://huggingface.co/maya-research/maya2-native 、https://github.com/MayaResearch/maya2-native 、https://www.mayaresearch.ai/ （2026-11-03 核对）。 定价：开放权重（Apache-2.0），可免费下载在自己的 GPU 上运行；Maya Research 官网的托管 API 也提供该模型，但没有公开价格，需联系官方。
- 模态
- 音频
- 参数量
- 2.5B
- 许可说明
- 开源 · Apache-2.0
能力
- Maya Research 开源的流式语音合成模型，权重和推理代码都是 Apache-2.0
- 支持 11 种印度语言加英语共 12 种语言，24kHz 单声道，以 80 毫秒音频帧流式输出
- 内置 20 个音色，3 至 10 秒参考音频即可零样本克隆声音，并能跨语言说话
- 提供 Python API、OpenAI 兼容的 /v1/audio/speech 接口和 WebSocket 流式接口，支持并发批处理
- 官方 6,000 条测试文本上整体 CER 约 2.9%–3.5%；VoiceArena 印地语实时榜（10-27 查看）排第 2
- 需 Linux + NVIDIA GPU（CUDA 12.8，单路约 9.2GB 显存，建议 12GB 以上）；阿萨姆语和极短句较弱