로컬 음성합성(TTS) 오픈모델 — VRAM·RAM 요구량 실측

로컬 음성합성(TTS) 오픈모델은 대부분 VRAM 4GB 이하로 돌아가고, Kokoro·Piper·MeloTTS는 아예 GPU 없이 CPU만으로도 실시간 합성이 된다. VRAM을 크게 먹는 건 음성 복제(클로닝)형 대형 모델뿐이라, Tortoise·Sesame CSM 정도가 약 8GB를 요구한다. 즉 "TTS 하려면 좋은 GPU가 필요하다"는 건 대체로 오해다.

한 줄 요약: 낭독용이면 CPU로 충분(Kokoro·Piper), 목소리 복제까지면 4~6GB VRAM(XTTS-v2·F5-TTS), 최고 자연성 대형 모델만 8GB+.

VRAM은 무엇이 정하나?#

TTS의 메모리는 LLM처럼 문맥(KV 캐시)이 아니라 모델 파라미터 + 보코더 + 샘플레이트로 정해진다. 텍스트를 음향 특징으로 바꾸는 음향 모델과, 그걸 파형으로 바꾸는 보코더(HiFi-GAN 등)가 함께 메모리에 올라간다. 문장이 길어져도 청크 단위로 처리해 메모리가 급증하지 않는다 — 그래서 대부분 8B LLM(4비트 약 5GB)보다도 가볍다.

CPU만으로 되나?#

된다. Kokoro-82M는 CPU에서 약 10배 실시간(1초 오디오를 약 0.1초에)으로 합성하고, VRAM 1~3GB면 내장·구형 GPU에서도 돈다. Piper는 아예 GPU가 필요 없어 라즈베리파이 같은 임베디드에서 실시간으로 돈다(30개국어 이상). 낭독·자막 더빙·알림 음성처럼 복제가 필요 없는 용도면 CPU 모델이 정답이다 — 전기·발열·비용이 거의 안 든다.

목소리 복제까지 하려면 얼마나?#

복제형은 참조 음성을 임베딩하는 인코더가 붙어 조금 더 먹는다. XTTS-v2는 6초 참조로 17개국어 복제에 약 4~6GB, 애플 실리콘 통합메모리(16GB RAM)에서도 잘 돈다. F5-TTS는 플로우매칭 구조로 3초 참조·약 2~4GB에 RTX 4070 기준 5~8배 실시간으로 더 빠르다. 단 둘 다 비상업 라이선스(XTTS는 Coqui 폐업으로 상업 라이선스 구매처도 없음)라 상업 배포 전 반드시 확인해야 한다.

내 하드웨어면 뭘 골라야 하나?#

GPU가 없거나 4GB 미만이면 Kokoro나 Piper(둘 다 상업 가능)가 안전하다. 8~12GB GPU면 F5-TTS·Fish로 복제까지 노려볼 만하다(라이선스 확인). 통합메모리 맥이면 RAM을 VRAM처럼 써 XTTS-v2도 무난하다. 최고 자연성이 필요하고 8GB+가 있을 때만 대형 모델로 가되, 대부분의 실무엔 4GB 이하로 충분하다.

참고: 수치는 2025~2026 커뮤니티 측정 범위(fp16 기준이며 양자화·배치·샘플레이트에 따라 달라짐)이고 라이선스는 릴리스마다 다르니 배포 전 각 모델 카드를 확인하라. 오픈 TTS는 빠르게 바뀌어 분기별로 갱신한다.

함께 읽기: TTS도 이종교배가 될까 — 코덱·공통조상·채점 3중고, 로컬 오픈 LLM VRAM·RAM 요구량, 직접 계산·실측

참고 링크#

• Kokoro-82M (Hugging Face) — 8200만·Apache-2.0·CPU 가능
• Piper (OHF-Voice fork) — CPU 전용·30개국어(구 rhasspy/piper는 2025-10 아카이브)
• F5-TTS (GitHub) — 플로우매칭·3초 복제
• Coqui XTTS-v2 (GitHub) — 17개국어 복제·CPML 비상업
• Fish Speech (GitHub) — DualAR·CJK 강점