로컬 음성합성(TTS) 오픈모델, 2026 현황과 추천
요약: 로컬 TTS(음성합성)에서 2026년 가장 중요한 사실은 '하나로 다 되는 모델'의 시대가 끝났다는 것이다 — 커뮤니티의 지배적 패턴은 고르기(pick)가 아니라 쌓기(stack)다. 빠른 파이프라인 나레이션은 Kokoro, 프리미엄 클로닝은 Chatterbox, 다국어 표현은 또 다른 모델을 겹쳐 쓴다. 그리고 더 중요한 진실: 라이선스가 데모 품질보다 중요하다 — 가장 잘 들리는 XTTS v2·F5-TTS·일부 Fish Speech가 비상업(연구용)이라, 돈 받는 제품엔 못 쓴다.
로컬 TTS(음성합성)에서 2026년 가장 중요한 사실은 '하나로 다 되는 모델'의 시대가 끝났다는 것이다 — 커뮤니티의 지배적 패턴은 고르기(pick)가 아니라 쌓기(stack)다. 빠른 파이프라인 나레이션은 Kokoro, 프리미엄 클로닝은 Chatterbox, 다국어 표현은 또 다른 모델을 겹쳐 쓴다. 그리고 더 중요한 진실: 라이선스가 데모 품질보다 중요하다 — 가장 잘 들리는 XTTS v2·F5-TTS·일부 Fish Speech가 비상업(연구용)이라, 돈 받는 제품엔 못 쓴다. 요약: 작업별로 쌓되, 상업이면 라이선스부터 본다.
한눈에 보는 순위 (측정 근거):
1. Kokoro-82M → 2~3GB, 36~210x 실시간
2. Chatterbox 0.5B → 5초 클론, 감정 과장
3. XTTS v2 → 6초 클론, 17개 언어
4. Fish Speech V1.5 → 다국어, ELO ~1339
5. Qwen3-TTS → 3초 클론
쉽게 말하면: 로컬 TTS 고르기는 주방 칼 고르기와 같다. 채칼(Kokoro=빠른 나레이션)·회칼(Chatterbox=정밀 클로닝)이 따로다 — 만능칼 하나로 다 하려는 게 실수다. 게다가 어떤 명품 칼은 '가정용만'(비상업 라이선스) 딱지가 붙어, 식당(상업)에선 못 쓰는 것과 같다.
빠르고 가벼운 나레이션엔 뭘 쓰나?
Kokoro-82M이다. 82M 파라미터·Apache 2.0로 2~3GB VRAM, CPU에서도 돌고 속도가 압도적이다 — Colab T4에서 실시간의 약 36배, 32코어 CPU에서 5배, 4090에선 최대 210배 실시간을 낸다. 8개 언어·54개 내장 음성을 제공한다. 단, 목소리 클로닝은 안 된다 — 고정 음성으로 나레이션·음성 에이전트·엣지 배포에 최적이다. 즉 "특정 목소리 복제"가 아니라 빠르고 안정적인 읽어주기가 목표면 Kokoro가 기본값이다.
| 모델 | 강점(측정·관측) | 클로닝·라이선스 |
|---|---|---|
| Kokoro-82M | 2~3GB, 36~210x 실시간 | 불가 / Apache 2.0(상업 OK) |
| Chatterbox 0.5B | 5초 클론, 감정 과장 | 가능·영어·워터마크 / MIT |
| XTTS v2 | 6초 클론, 17개 언어 | 가능 / CPML(비상업) |
| Fish Speech V1.5 | 다국어, ELO ~1339 | 가능 / 변형별 상이(확인) |
| Qwen3-TTS | 3초 클론 | 가능 / Apache 2.0(상업 OK) |
목소리 클로닝은 뭘 쓰나?
상업이면 Chatterbox·Fish·Qwen3-TTS, 개인이면 XTTS v2다. Chatterbox(Resemble AI, MIT, 0.5B)는 5~10초 참조로 제로샷 클로닝하고 감정 과장 컨트롤이 특징이며 ~6GB에 든다 — 단 영어 전용에 출력이 워터마크(PerTh)된다. XTTS v2는 6초 참조로 17개 언어를 복제하는 제로샷 표준이지만 CPML 라이선스로 비상업이라 개인·데모용이다. 상업 다국어면 Fish Speech(변형별 라이선스 확인)나 3초로 복제하는 Qwen3-TTS(Apache 2.0)가 실용적 선택이다.
'ElevenLabs를 이겼다'는 숫자, 믿어도 되나?
아니다 — 대부분 자기네가 돌린 벤치다. Chatterbox 65%·Voxtral 63%·Fish 66% 같은 "X%가 ElevenLabs보다 선호"는 전부 모델 제작사 자체 블라인드 테스트다. 독립 랭킹인 TTS Arena V2 ELO도 주 단위로 흔들리고, 상위 6개가 약 13 ELO 안에 몰려 사실상 무승부다. 그래서 데모 영상·자체 %에 홀리지 말고 네 텍스트·언어·목소리로 직접 A/B 하라 — 특히 한국어는 영어 데모와 품질이 다르다.
그래서 2026년 로컬 TTS 추천은?
핵심은 작업별로 쌓고, 상업이면 라이선스를 먼저 확인하는 것이다.
- 빠른 나레이션·엣지: Kokoro-82M(2~3GB·CPU·초고속, 클론 불가, Apache 2.0).
- 상업 클로닝: Chatterbox(영어·MIT·워터마크) 또는 Fish/Qwen3-TTS(다국어·상업, 변형 라이선스 확인).
- 개인·다국어 클로닝: XTTS v2(17개 언어, 비상업). 벤치는 자체가 많으니 자국어로 직접 A/B 하라.
함께 읽기: 오픈 음성 클로닝, 우리는 이렇게 운영한다 — 파이프라인 회고, 오픈 음성 클로닝 파이프라인: 직접 써보고 느낀 점과 한계
함께 읽기: 로컬 음성합성(TTS) 오픈모델, 직접 돌려본 속도·품질·라이선스, 음성 클로닝 오픈모델 VRAM·RAM 요구량 실측
참고 링크
- Kokoro-82M(경량 TTS·Apache)
- Chatterbox(Resemble AI·MIT 클로닝)
- Coqui XTTS(다국어 제로샷)
- Fish Speech/OpenAudio(다국어)
- F5-TTS(연구용 클로닝)
참고: 속도(36~210x 실시간)·클론 참조 길이(3~6초)·ELO(~1339)·선호율(65%) 같은 수치는 2026년 공개 자료·제작사 벤치이며 하드웨어·텍스트·언어에 따라 다르다(영구 수치 아님, 자체 벤치 다수). 라이선스는 변형별로 다르니(예: Fish Speech 변형, Piper는 2025.10 GPL 포크로 이동) 상업 전 모델 카드를 확인하라. TTS 모델·라이선스는 빠르게 바뀌니 분기별로 다시 본다.
Responses
No responses yet. Be the first to respond.