tiny-voca: 4.5M 파라미터로 CPU 70배 속도를 내는 TTS

n4ze3m/tiny-voca

·2026.11.17 04:09

영어 텍스트를 입력하면 F2(여성)와 M2(남성) 두 가지 목소리로 24kHz 오디오를 생성한다. 전체 모델 파라미터는 4.5M에 불과하며, 4개 CPU 스레드에서 실시간보다 약 70배 빠르게 동작한다. PyTorch, ONNX, GGUF 포맷을 지원해 스마트폰이나 브라우저 환경에서도 구동이 가능하다.

신경망 보코더 대신 소스-필터 합성 방식을 사용해 파형을 생성한다. 텍스트는 dizione를 통해 음소(phoneme)로 변환된 뒤, Transformer 인코더와 길이 예측기를 거쳐 음높이와 에너지가 결정된다. 이 구조 덕분에 GPU 없이도 경량 추론이 가능하며, Open TTS 리더보드에서 M2 목소리가 평균 WER 기준 8위를 기록했다.

실제 화자의 녹음 없이 Qwen3-TTS로 생성한 합성 음성 18시간 분량으로 학습했다. Apache-2.0 라이선스로 공개되어 있으며, GPU 비용 $9.56으로 개발된 점이 특징이다. 영어 전용이며 목소리 클로닝 기능이 없지만, 특정 문맥에서 발음이 부정확할 수 있다는 점은 유의해야 한다.

경량 TTS가 필요한 임베디드 시스템이나 저사양 서버, 웹 기반 애플리케이션에 적합하다. 복잡한 GPU 인프라 없이도 자연스러운 영어 합성을 구현하고 싶을 때 대안으로 고려해볼 수 있다. 스트리밍 처리는 지원하지 않으므로, 짧은 문장 단위의 합성이 필요한 작업에 주로 쓰인다.

HuggingFace
HuggingFace 모델

n4ze3m/tiny-voca

원문에 등록된 설명이 없습니다.

text-to-speech

이 한국어 소개글은 AI가 자동으로 만들었습니다. 원문의 주장과 맥락은 원문에서 확인해 주세요. 저작권은 원저작자에게 있습니다.

AI 처리 방식을 확인하거나, 소개 오류와 출처 표기 문제, 삭제 요청을 문의 · 건의로 알려주세요.