로컬 음성합성(TTS) 오픈모델, 5분 시작 가이드
요약: 로컬 TTS는 5분이면 시작하고, 용도가 모델을 정한다. 초보 기본은 Kokoro(82M) — Apache 라이선스라 상업 OK, 가중치 약 327MB로 GPU 없이 CPU에서도 실시간(측정상 32코어 CPU 5배·T4 36배 빠름), 파이썬 몇 줄이면 끝이다. 단 목소리 복제는 못 한다(고정 보이스팩). 내 목소리·다국어 클로닝이 필요하면 Chatterbox나 XTTS로 가는데, 여기서 라이선스가 갈린다: Chatterbox는 MIT(상업 OK)지만 XTTS v2는 CPML(비상업)이다.
로컬 TTS는 5분이면 시작하고, 용도가 모델을 정한다. 초보 기본은 Kokoro(82M) — Apache 라이선스라 상업 OK, 가중치 약 327MB로 GPU 없이 CPU에서도 실시간(측정상 32코어 CPU 5배·T4 36배 빠름), 파이썬 몇 줄이면 끝이다. 단 목소리 복제는 못 한다(고정 보이스팩). 내 목소리·다국어 클로닝이 필요하면 Chatterbox나 XTTS로 가는데, 여기서 라이선스가 갈린다: Chatterbox는 MIT(상업 OK)지만 XTTS v2는 CPML(비상업)이다.
한 줄 요약: 로컬 TTS는 용도가 모델을 정한다 — 그냥 빠르게·CPU면 Kokoro(Apache·클론 불가), 임베디드면 Piper, 클로닝+상업이면 Chatterbox(MIT), 개인 다국어 클론이면 XTTS(CPML·비상업)이고, 한국어는 Kokoro나 Chatterbox가 가장 매끄럽다.
쉽게 말하면: TTS 모델 고르기는 탈것 고르기다. Kokoro는 자전거(가볍고 어디서나 바로), Piper는 전동킥보드(초경량·임베디드), Chatterbox는 자가용(목소리 복제까지), XTTS는 렌터카(다국어지만 상업 금지 약관).
내 용도엔 어떤 모델이 맞나?#
==그냥 빠르게=Kokoro, 임베디드=Piper, 클로닝+상업=Chatterbox, 개인 다국어클론=XTTS다. RTF(실시간 계수)는 1보다 작으면 실시간보다 빠르다는 뜻(낮을수록 좋음)이고 Kokoro는 A100에서 측정상 약 0.03이다. 한국어는 함정이 있다: Kokoro는 한국어를 지원하고, Chatterbox 다국어 V3도 23개+ 언어로 한국어 클로닝이 되지만, Piper는 공식 한국어 보이스가 없다==(커뮤니티 포크만). 그래서 한국어면 Kokoro(고정음성)나 Chatterbox(클로닝)가 가장 매끄럽다.
아래는 용도 두 질문(클로닝이 필요한가? 상업인가?)으로 모델이 갈리는 결정 흐름이다.
| 용도 | 추천 모델 | 라이선스 | 하드웨어 | 클로닝·한국어 |
|---|---|---|---|---|
| 그냥 빠르게·CPU | Kokoro 82M | Apache(상업OK) | CPU 실시간·<1GB | 클론✗·한국어○ |
| 임베디드·라즈베리파이 | Piper | GPL(상업OK) | CPU만 | 클론✗·한국어△(포크) |
| 클로닝+상업 | Chatterbox | MIT(상업OK) | GPU 권장 | 클론○·한국어○(다국어V3) |
| 개인 다국어 클론 | XTTS v2 | CPML(비상업!) | GPU 4~6GB | 클론○·한국어○(개인만) |
5분 설치는 실제로 어떻게 하나?#
대부분 pip 한 줄 + 파이썬 몇 줄이다. Kokoro는 시스템 의존성 espeak-ng 설치 후 pip install kokoro soundfile, 그다음 파이프라인에 텍스트·보이스(예: af_heart)·속도를 넘기면 24kHz wav가 나온다. 코드가 싫으면 Kokoro-FastAPI 도커 이미지로 OpenAI 호환 API를 띄우면 된다. Piper는 pip install piper-tts 한 줄, Chatterbox는 pip install chatterbox-tts 후 5초 참조음성으로 클로닝한다. 단 Chatterbox는 Python 3.11 전용이라 최신 파이썬에선 설치가 깨진다 — 3.11 가상환경을 따로 만들어라(가장 흔한 초보 실패).
Kokoro의 5분 경로는 아래처럼 짧다 — 의존성→설치→합성 세 걸음이면 첫 wav가 나온다.
초보가 자주 막히는 곳은?#
라이선스·한국어·첫 실행 세 가지가 로컬 TTS에서 가장 자주 막히는 지점이다.
- 라이선스: XTTS는 상업 금지(CPML), Chatterbox·Kokoro·Piper는 상업 OK. 팔 거면 라이선스부터 본다.
- 한국어: Piper는 공식 한국어가 없다 → Kokoro나 Chatterbox를 쓴다.
- 첫 실행·벤치: 처음엔 모델 다운로드로 느리니 두 번째부터 재고, "ElevenLabs 이겼다"류 점수는 대개 제작사 자체 벤치이니 내 텍스트로 직접 재라.
직접 5분 안에 해보려면?#
가장 쉬운 길부터 차례로 밟으면 5분 안에 첫 음성을 합성해볼 수 있다.
- 그냥 빠르게면 Kokoro를
pip install후 한 문장 합성해 RTF 체감을 본다(CPU도 OK). - 내 목소리가 필요하면 Chatterbox(Python 3.11 venv)로 5초 참조음성을 넣는다. 출력엔 워터마크가 남는다.
- 동의 없는 타인 목소리 복제 금지. 상업이면 라이선스(특히 XTTS)를 먼저 확인한다.
참고 링크
참고: RTF·속도·라이선스는 2026년 공개 자료·실측 기준이며 모델·버전·하드웨어·언어에 따라 달라진다(공개 RTF는 추정인 경우가 많고, '경쟁사 이겼다'류는 자체 벤치가 흔하다). 정확한 속도·품질은 내 텍스트로 직접 측정하라. 클로닝은 동의·라이선스·지역 규제를 지키고, 모델은 자주 갱신되니 분기별로 다시 본다.
Responses
No responses yet. Be the first to respond.