Maya Research, on bir Hint dilini kapsayan Apache 2.0 lisanslı Maya 2 TTS modelini yayınladı

Neler yayınlandı

Hindistan merkezli ve sürümü ele alan dev.to gönderisine göre 1,9 milyon dolar tohum yatırımı almış bir girişim olan Maya Research, 25 Ekim 2026'da Maya 2 Native metinden sese modelinin açık ağırlıklarını yayınladı. Model 2,5 milyar parametreyle çalışıyor, BF16'da yaklaşık 5 GB yer kaplıyor, 80 ms'lik streaming karelerinde 24 kHz mono ses üretiyor ve ticari kullanım ile ince ayara izin veren Apache 2.0 lisansıyla sunuluyor.

On iki dil destekleniyor: İngilizce ve on bir Hint dilı olan Assamca, Bengalce, Guceratça, Hintçe, Kannada, Malayalam, Marathi, Odia, Pencapça, Tamil ve Telugu. Sürüm yirmi yerleşik ses ve üç ile on saniyelik bir referans kayıttan zero-shot ses klonlama içeriyor.

Beklenmedik bir özellik de diller arası klonlama: dev.to yazısında vurgulandığı gibi, bir Hintçe ses örneği aynı konuşmacının sesiyle Tamil konuşma sentezlemek için kullanılabiliyor. İçerik çevrilmiyor, ses aktarılıyor. Bunun üretim ortamında güvenilir şekilde çalışıp çalışmadığı henüz test edilmiş değil.

Benchmark tablosu

Maya'nın CEO'su Dheemanth Reddy, X'te Maya 2'nin Hint dillerinde ElevenLabs v3, Cartesia Sonic 3.5 ve Sarvam'ın Bulbul v3'ünden daha iyi performans gösterdiğini iddia etti. dev.to yazarının da belirttiği gibi, gönderi testin nasıl yapıldığını göstermediği için bu karşılaştırma fiilen bir basın bülteni.

Üçüncü taraf rakamlar daha dar bir tablo çiziyor. VoiceArena'nın Hintçe liderlik tablosu Maya 2 Native'yi 1047 Elo ile ikinci sıraya yerleştiriyor; 1094 ile Cartesia Sonic 3.6'nın gerisinde ve 957 ile Bulbul v3'ün önünde. Küresel olarak 103 konuşma modelini takip eden Artificial Analysis'ta ise Maya 2 Global 1048 Elo ile 28. sırada — ElevenLabs v3'ün ve alanın büyük bölümünün altında.

Yazıda sunulan adil okuma şu: Maya 2 Hint dilleri içinde gerçekten rekabetçi, ancak 2,5 milyar parametrelik bir modelin küresel bir liderlik tablosunun zirvesine çıkması zaten beklenemezdi.

Gecikme ve entegrasyon ayrıntıları

Sesli ajanlar için gecikme, kalite kadar önemli. Maya, ilk bayta kadar 75 ms süre ve Bangalore'dan şirketin Mumbai bölgesine ölçülen çağrılar arası 7,3 ms sapma iddia ediyor. Dokümantasyon birçok kişinin gözden kaçıracağı bir ayrıntı ekliyor: her istekte yeni bir bağlantı açıldığında ilk ses 389 ms sürüyor, bağlantı yeniden kullanıldığında ise 88 ms — canlı bir demoyu bozuk gibi gösterebilecek yaklaşık dört katlık bir fark.

Birkaç uygulama tuhaflığı da belgelenmiş. API, dosya başlığı olmayan 24 kHz'lik ham 16-bit little-endian mono PCM döndürüyor; bu yüzden baytları doğrudan bir .wav dosyasına yazmak çoğu oynatıcının açamayacağı bir şey üretiyor. Ses adları büyük/küçük harfe duyarlı: "Ananya" ve "ananya" farklı sesler üretiyor, çünkü model aldığı her dizgiyi aradeğerliyor. [excited] gibi duygu etiketleri yalnızca on etiket destekleyen ayrı bir modelde, Maya 2 Native Emotional'da çalışıyor. Hintli kullanıcıların rutin olarak yazdığı karışık dilli metinler, dil alanı atlanıp otomatik algılamaya güvenilerek işleniyor.

Bir adlandırma kalıntısı da var: Hugging Face kartı, sürüm Maya 2 adını taşısa da paketin, Python sınıfının ve yapılandırma dosyası adının hâlâ maya3 adını kullandığını belirtiyor (Maya3TTS ve maya3_config.json) — yeniden adlandırılmış ya da atlanmış bir üçüncü sürüme işaret ediyor.

Pratikte ne kadar açık

dev.to yazarının da belirttiği gibi, 5 GB'lık BF16 checkpoint'ı GPU'suz ve 8 GB RAM'li bir dizüstü bilgisayarda gerçekçi biçimde çalıştırılamaz. Lisans cömert, ancak çoğu geliştirici için pratik erişim yolu sunulan API olmaya devam ediyor. Ağırlıklar esas olarak belirli bir lehçe için ince ayar yapacak donanıma sahip araştırma laboratuvarları ve girişimler için önemli.

Neden önemli

Hindistan'da yaklaşık 1,5 milyar insan ve 22 resmî dil var ve bu dillerin çoğunu telefonda yazmak, birçok kullanıcının sohbet ortasında İngilizceye geçmesi kadar yavaş. Bu bağlamda ses, isteğe bağlı bir erişilebilirlik katmanı değil; genellikle Hint dili konuşmacılarını dezavantaja uğratmayan giriş yöntemi. Bu dillerin on birini kapsayan Apache 2.0 lisanslı bir model, benzer finansmana sahip laboratuvarların hiçbir yerde İngilizce dışı diller için yayınlayabildiği bir şey değil. Öne çıkan benchmark iddiasının hâlâ bağımsız tekrarlanmaya ihtiyacı var ve checkpoint boyutu kimlerin yerel olarak çalıştırabileceğini sınırlıyor; ancak Hintçe, Tamil veya Marathi sesli ajanlar geliştirenler için rekabetçi bir açık alternatif ekonomiyi anlamlı biçimde değiştiriyor.