Audio8-TTS-Realistic-Air: 0.6B 파라미터로 23개 언어를 다루는 제로샷 TTS

Audio8-TTS-Realistic-Air는 6억 100만 개 파라미터의 소형 모델로 자연스러운 화성과 제로샷 목소리 클로닝을 제공한다. 기존 Preview 버전 대비 화음의 현실감을 크게 높였으며, 44.1kHz 오디오 코덱을 함께 번들링하여 별도의 코덱 체크포인트 없이 바로 사용할 수 있다.

중국어, 영어, 한국어, 일본어 등 11개 언어에 아랍어, 러시아어, 베트남어 등 12개 언어를 추가해 총 23개 언어를 지원한다. Fish Audio S2 Pro에서 영감을 받은 DualAR 아키텍처를 적용해 느린 AR 트랜스포머가 의미론적 토큰을, 빠른 AR 트랜스포머가 코덱 코드북을 예측하는 구조로 설계되었다.

참조 오디오와 텍스트만 있으면 특정 목소리를 복제할 수 있고, 참조 없이도 합성할 수 있다. SGLang Omni 어댑터를 통해 페이지드 어텐션과 동적 배치, OpenAI 호환 음성 API를 지원해 고처리량 GPU 서빙 환경에 적합하다.

Apache 2.0 라이선스로 공개되어 있으며, Transformers 라이브러리를 통해 직접 로드하거나 파이프라인으로 호출할 수 있다. CUDA 기반 GPU 환경에서 BF16 정밀도로 검증되어 개발자가 로컬에서 바로 실험하거나 서비스에 통합하기 용이하다.