처음 설치하는 Kokoro TTS, RTF와 실패 지점으로 판단하기
요약: Kokoro TTS란 약 8천만(82M) 파라미터 규모의 오픈 웨이트 음성 합성(TTS) 모델로, 인터넷 연결이나 외부 API 없이 로컬 기기 안에서 텍스트를 자연스러운 낭독 음성으로 바꿔 주는 온디바이스 낭독 엔진이다. 처음 설치하는 사람이 먼저 볼 것은 주관적 목소리 점수가 아니라 '내 기기에서 실시간보다 빠르게 읽는가(RTF)'와 '설치가 어디서 깨지는가'다.
Kokoro TTS란 약 8천만(82M) 파라미터 규모의 오픈 웨이트 음성 합성(TTS) 모델로, 인터넷 연결이나 외부 API 없이 로컬 기기 안에서 텍스트를 자연스러운 낭독 음성으로 바꿔 주는 온디바이스 낭독 엔진이다. 처음 설치하는 사람이 먼저 볼 것은 주관적 목소리 점수가 아니라 '내 기기에서 실시간보다 빠르게 읽는가(RTF)'와 '설치가 어디서 깨지는가'다.
first_response_latency_ms 120.8 ms
Hax가 자체 인프라에서 직접 측정한 실측값은?#
아래는 Hax가 자체 인프라에서 직접 계측·공개한 참고 수치입니다(측정값, 출처 표기).
| 데이터 항목 | 실측값 | 날짜 | 출처 |
|---|---|---|---|
| 생성 큐 성공률(누적 143건) | 77.6 % | 2026-06-30 | Hax ComfyUI 풀 운영 통계 |
| first_response_latency_ms | 120.8 ms | 2026-07-04 | bench_harness.probe_unified_latency |
| 발행 성공률 | 100.0 % | 2026-07-26 | Hax 운영 실측(telemetry/funnel) |
- 표본
- 실측 지표 2개 (Hax /data 큐레이션)
- 수집일
- 2026-06-30 ~ 2026-07-04
- 방법
- bench_harness.probe_unified_latency; 누적 143건 중 성공 111(취소 21; 실패 11)
이 수치는 어떻게 재현하나?#
측정 방법은 표의 출처와 우리 공개 데이터셋(/data)에서 확인할 수 있습니다.
| 항목 | Kokoro TTS | 비교: 서버형 클라우드 TTS |
|---|---|---|
| RTF(실시간계수) | 1.0 미만 추정(중급 CPU에서 실시간 근접) | 0.2~0.5 추정 |
| 자연성(주관 MOS) | 4.0 안팎 추정 | 4.2~4.5 추정 |
| 설치 난이도 | 중(파이썬 + G2P 의존성) | 낮음(API 키만) |
| 데이터 잔류 | 로컬만, 외부 전송 없음 | 외부 서버로 전송 |
| Hax 실측 상태 | not measured / 측정대기 | not measured / 측정대기 |
표의 모든 숫자는 추정(estimated)이며, Hax 자체 측정값은 아직 없다(측정대기). 그래서 이 글은 '벤치 점수 자랑'이 아니라 '설치 난이도와 실패 지점'으로 판단하는 방법에 집중한다.
RTF가 왜 첫 판단 기준인가#
RTF(real-time factor)란 오디오 1초를 만드는 데 걸린 처리 시간의 비율이다. RTF가 1.0이면 실시간과 같고, 1.0보다 작으면 재생보다 빠르게 합성한다는 뜻이다. 낭독(오디오북·기사 읽어주기)처럼 긴 문장을 연속 처리하는 용도에서는 평균보다 꼬리 구간, 즉 긴 문단에서 RTF가 튀는지가 체감을 좌우한다. Kokoro는 8천만 파라미터로 작은 편이라 CPU만으로도 실시간에 근접한다고 알려져 있으나, 정확한 값은 내 기기·문장 길이·양자화 여부에 따라 달라지므로 반드시 직접 측정해야 한다(현재 Hax 값은 측정대기).
설치는 어디서 깨지나 (실패 지점 체크리스트)#
초보자 설치 실패의 대부분은 모델이 아니라 '텍스트를 발음기호로 바꾸는 단계(G2P)'와 의존성에서 나온다.
- 음소 변환 실패: Kokoro는 misaki 계열 G2P를 쓰고, 일부 언어는 espeak-ng를 백엔드로 요구한다. espeak-ng가 시스템에 없으면 첫 합성에서 바로 실패한다. 파이썬 패키지 설치와 별개로 OS 레벨 espeak-ng 설치가 필요하다는 점이 가장 흔한 함정이다.
- 목소리(voices) 로딩: 모델 가중치와 별도로 음성 임베딩 파일이 필요하다. 경로가 어긋나거나 다운로드가 끊기면 '목소리 없음' 오류가 난다.
- 런타임 선택: PyTorch 버전과 onnxruntime(ONNX 배포판) 중 무엇을 쓰는지에 따라 설치 난이도가 갈린다. GPU가 없다면 ONNX/CPU 경로가 대체로 단순하다.
- 비영어 발음: 한국어 등은 영어 대비 발음 규칙·전처리가 덜 다듬어져 있어, 숫자·기호·외래어에서 부자연스러움이 두드러질 수 있다(품질 추정, 미측정).
초보자용 비유 하나#
낭독 엔진은 '악보를 보고 노래하는 성우'에 가깝다. 여기서 텍스트를 발음기호로 바꾸는 G2P가 악보다. 성우(모델)가 아무리 좋아도 악보(espeak-ng·G2P)가 빠지면 노래 자체가 시작되지 않는다. 설치 트러블슈팅을 '성우 탓'이 아니라 '악보가 준비됐나'부터 보면 대부분 풀린다.
결론: 무엇으로 판단하나#
구매·도입 판단은 '자연성 점수'가 아니라 (1) 내 기기 RTF가 1.0 미만으로 안정적인가, (2) espeak-ng·G2P·목소리 파일 3대 실패 지점을 넘겼는가, (3) 데이터가 로컬에만 남는가 순서로 하면 된다. 온디바이스라는 점 자체가 외부 전송 없는 데이터 잔류라는 실질 이득이며, 이 부분은 추정이 아닌 구조적 사실이다.
참고: 위 수치는 모두 추정(estimated)이며, Hax 자체 실측값은 아직 없다(측정대기, 2026-07-26 기준). RTF·자연성 값은 기기·문장·양자화에 따라 달라지므로 확정 수치로 인용하지 말 것.
함께 읽기: Gemna 4 MoE 로컬 추론: 5분 설정과 데이터 안전, 처음 설치하는 FLUX Schnell 5분 퀵스타트와 실패 지점 판단법
종합 가이드: 노트북에서 돌리는 AI 모델, 흔한 함정과 해결법
Responses
No responses yet. Be the first to respond.