로컬 오픈 TTS 모델, 직접 돌려본 속도·품질·라이선스 비교 (Kokoro·XTTS·F5)

로컬에서 오픈 TTS를 직접 돌려보면 선택은 속도·음성 클로닝·라이선스 세 축으로 갈린다. 가장 빠르고 가벼운 건 Kokoro-82M으로, 82M 파라미터에 2~3GB VRAM, CPU에서도 실시간보다 빠르게(무료 Colab T4에서 약 36배속) 읽는다. 대신 목소리 복제가 안 된다. 6초 샘플로 17개 언어를 복제하는 XTTS v2와 3초로 제로샷 복제하는 F5-TTS가 품질은 위지만 둘 다 비상업 라이선스다.

한 줄 요약: 상업 제품엔 Kokoro(Apache-2.0)나 Piper, 복제 품질이 필요하고 개인용이면 XTTS v2·F5-TTS다.

속도는 어떻게 재고 무엇이 빠른가?#

TTS 속도는 RTF(real-time factor)로 잰다. 10초 오디오를 1초에 만들면 RTF 0.1, 즉 10배속이다. RTF가 1보다 작으면 실시간보다 빠르다는 뜻이다. Kokoro-82M은 T4 GPU에서 약 36배속, 32코어 CPU에서도 약 5배속으로 압도적이다. F5-TTS는 RTX 4070에서 약 3~5배속, XTTS v2는 약 2배속이다. 즉 단순 낭독이면 Kokoro가 가장 빠르고 가볍고, 클로닝을 쓰면 속도는 절반 이하로 떨어진다.

품질과 클로닝은 어떻게 다른가?#

품질은 용도로 갈린다. Kokoro는 82M으로 작아 자연스러움은 상위 모델보다 떨어지고 목소리 복제도 못 하지만, 54개 고정 음성으로 빠른 낭독엔 충분하다(TTS Arena V2 승률 약 44%). XTTS v2는 6초 참조음성만으로 17개 언어를 복제해 다국어 클로닝이 가장 넓고, F5-TTS는 GPT 방식 대신 플로우 매칭(확산 계열)을 써 3초 샘플로도 제로샷 복제하면서 MOS 약 4.1로 경쟁력이 있다. 클로닝이 핵심이면 XTTS v2·F5-TTS, 빠른 낭독이면 Kokoro다.

라이선스가 왜 가장 중요한가?#

가장 잘 들리는 모델이 곧 쓸 수 있는 모델은 아니기 때문이다. Kokoro(Apache-2.0)와 Piper는 상업 제품에 안전하다 — 단 Piper는 원본 rhasspy/piper(MIT)가 2025년 10월 아카이브되고 OHF-Voice/piper1-gpl(GPL-3.0)로 옮겨가, 상업은 가능하나 카피레프트를 따져야 한다. 반대로 XTTS v2(CPML)와 F5-TTS 가중치(CC-BY-NC)는 비상업이다. 특히 XTTS는 Coqui가 2024년 1월 문을 닫아 상업 라이선스를 살 곳조차 없다. 데모가 좋아도 라이선스부터 확인하라.

직접 측정하려면?#

같은 문장으로 공정하게 재라.

• 같은 텍스트 한 문단을 각 모델로 합성하고, RTF = 생성시간 ÷ 오디오길이로 배속을 계산한다.
• VRAM은 nvidia-smi로, 음질은 같은 문장을 들어 블라인드로 비교한다(MOS는 방법론마다 달라 절대 비교 금물).
• 상업 제품이면 측정 전에 모델 카드의 라이선스부터 확인해 후보를 거른다.

참고: 수치는 2025~2026년 커뮤니티 측정으로 하드웨어·방법론이 제각각이라 모델 간 직접 비교가 항상 공정하진 않다. 라이선스·포크(특히 Piper)는 자주 바뀌니 도입 전 공식 모델 카드를 확인하고, 정확한 값은 본문 방법으로 직접 측정하라. 분기별 갱신.

참고 링크#

• Kokoro-82M(모델 카드)
• Coqui TTS(XTTS v2)
• F5-TTS(레포)
• Piper(현행 GPL 포크)
• TTS Arena(블라인드 품질 순위)