오픈소스 음성 합성(TTS)은 이제 충분히 좋아졌습니다. 8,200만 파라미터 모델이 블라인드 청취 테스트에서 Amazon Polly의 생성형 음성과 몇 점 차이밖에 나지 않고, 무료로 내려받을 수 있습니다. 함정은 “오픈”이라는 말에 있습니다. 아래 표의 13개 모델 중 3개는 판매하는 제품에 쓸 수 없는 웨이트로 배포되고, 1개는 쓰지 말아 달라고 요청하며, 표에 없는 인기 모델 중에도 같은 문제를 가진 것이 여럿 있습니다.
그래서 이 가이드는 오픈소스 TTS 모델을 먼저 라이선스로, 그다음 품질로 정리합니다. 앱, 기기, 음성 에이전트에 무엇을 넣을지 정하는 개발자를 위한 글입니다. 혼자 쓰려고 만드는 것이라면 라이선스 열은 건너뛰고 가장 좋게 들리는 모델을 고르세요.
짧은 답
| 모델 | 개발사 | 웨이트 라이선스 | 상업적 사용 | 언어 | Artificial Analysis 점수 |
|---|---|---|---|---|---|
| Kokoro 82M | hexgrad | Apache 2.0 | 가능 | 8 | 1064 |
| Magpie TTS Multilingual | NVIDIA | NVIDIA Open Model License | 가능 | 12 | 1064 |
| Maya1 | Maya Research | Apache 2.0 | 가능 | 영어 | 1046 |
| Chatterbox | Resemble AI | MIT | 가능(출력에 워터마크) | 23개 이상(Multilingual V3) | 1026(영어 모델) |
| Zonos v0.1 | Zyphra | Apache 2.0 | 가능 | 5 | 1000 |
| Orpheus 3B | Canopy Labs | Apache 2.0 | 가능 | 영어 | 평가 없음 |
| Dia 1.6B | Nari Labs | Apache 2.0 | 가능 | 영어 | 평가 없음 |
| CosyVoice 2 | Alibaba | Apache 2.0 | 가능 | 중국어 중심, 다국어 | 평가 없음 |
| Piper | Open Home Foundation | 엔진 GPL-3.0, 음성별 라이선스 | 음성마다 확인 | 40개 이상의 지역 변형 | 평가 없음 |
| VibeVoice 1.5B | Microsoft | MIT, 연구 용도 한정 | 권장하지 않음 | 영어, 중국어 | 957 |
| XTTS v2 | Coqui(사업 종료) | Coqui Public Model License | 불가 | 17 | 916 |
| Fish Audio S2 Pro | Fish Audio | Fish Audio Research License | 불가 | 80개 이상 | 1116 |
| Breeze TTS 2 | BreezeBlue | 연구 및 비상업용 | 불가 | 영어, 중국어 | 1220 |
점수는 Artificial Analysis Provider Voice 리더보드의 Elo 점수(2026년 10월)입니다. 청취자는 어떤 모델이 만들었는지 모르는 상태에서 같은 문장의 두 음성을 듣고 더 좋은 쪽을 고릅니다. 라이선스와 언어는 같은 달에 확인한 각 모델의 모델 카드나 저장소를 따릅니다. “평가 없음”은 해당 리더보드에 없다는 뜻이지, 품질이 나쁘다는 뜻이 아닙니다.
하나만 고른다면, 작고 빠른 영어는 Kokoro, 음성 복제와 여러 언어는 Chatterbox, 오프라인 기기는 Piper입니다.
웨이트 라이선스부터 확인하세요
오픈소스 TTS 프로젝트에는 보통 라이선스가 두 개 있습니다. 코드 라이선스와 학습된 웨이트의 라이선스입니다. 코드는 거의 항상 허용적입니다. 제한은 웨이트 쪽에 있고, 웨이트가 없으면 코드는 소리를 내지 못합니다.
대표적인 예가 XTTS v2입니다. Coqui TTS 라이브러리는 MPL-2.0이고, Idiap Research Institute가 포크로 계속 유지하고 있습니다. 반면 XTTS v2 웨이트는 Coqui Public Model License로 배포되며, 첫 줄이 “This license allows only non-commercial use of a machine learning model and its outputs.”입니다. 핵심은 “출력”까지 포함된다는 점입니다. 생성한 음성에도 제한이 따라옵니다. Coqui는 예전에 상업용 라이선스를 판매했지만, 회사가 문을 닫으면서 그 길도 닫혔습니다.
최신 모델에서도 같은 패턴이 보입니다. F5-TTS는 코드가 MIT, 웨이트가 CC BY-NC 4.0입니다. Mistral은 Voxtral TTS가 함께 배포되는 참조 음성에서 CC BY-NC 4.0을 물려받는다고 밝힙니다. Fish Audio의 S2 Pro는 Fish Audio Research License를 쓰며, 모델 카드에서 비상업적 사용에만 동의하도록 요구합니다. Artificial Analysis에서 가장 점수가 높은 오픈 웨이트 모델인 Breeze TTS 2는 웨이트는 물론 자체 서버에서 생성한 음성까지 연구 및 비상업 용도로만 허용합니다.
VibeVoice는 특이한 경우입니다. Microsoft는 가장 허용적인 라이선스 중 하나인 MIT로 공개했지만, 모델 카드는 용도를 연구로 제한하고 추가 테스트 없이 상업적이거나 실제 서비스에 쓰는 것을 권장하지 않는다고 밝힙니다. 더 큰 모델인 VibeVoice-Large는 웨이트 공개도 중단되었습니다. MIT 라이선스에 “쓰지 말아 주세요”가 붙어 있는 상황은 블로그 글이 아니라 법무팀에 물어볼 문제입니다.
실제 서비스에 쓸 수 있는 모델
Kokoro 82M은 영어의 기본 선택지입니다. 파라미터 8,200만 개, Apache 2.0 라이선스, 점수 1064로 NVIDIA Magpie와 같고 Amazon Polly의 생성형 음성보다 2점 낮습니다. 버전 1.0에는 8개 언어로 54개의 음성이 있습니다. 모델 카드에 따르면 2025년 4월에 이미 호스팅 업체들이 100만 자당 1달러 미만에 재판매할 만큼 가볍습니다. 음성 복제는 지원하지 않습니다.
Chatterbox(Resemble AI)는 허용적인 라이선스로 음성 복제가 필요할 때의 선택지입니다. MIT 라이선스 제품군에는 500M 영어 모델, 500M에 23개 이상의 언어를 지원하는 Chatterbox Multilingual V3, 지연 시간을 줄이도록 만든 350M 영어 모델 Chatterbox-Turbo가 있고, Turbo는 [laugh], [cough] 같은 태그를 지원합니다. Chatterbox가 생성하는 모든 파일에는 Resemble의 Perth 워터마크가 들어갑니다. 귀로는 들리지 않지만 감지할 수 있습니다. 출처 증명이 중요하다면 장점이고, 모델 카드를 읽지 않았다면 뜻밖의 일입니다.
NVIDIA Magpie TTS Multilingual은 힌디어, 일본어, 한국어, 아랍어를 포함한 12개 언어를 지원하며 파라미터는 3억 6,400만 개입니다. NVIDIA의 NeMo 프레임워크에서 동작합니다. NVIDIA Open Model License에는 모델을 상업적으로 사용할 수 있다고 분명히 적혀 있습니다. 큰 음성 카탈로그 대신 영어 화자 음성 5개를 제공합니다.
Orpheus 3B(Canopy Labs)는 Llama 3B를 기반으로 하며, 스트리밍 지연 시간이 약 200ms, 입력 스트리밍을 쓰면 약 100ms라고 밝힙니다. 웨이트는 Apache 2.0으로 표기되어 있지만, 기반이 Llama이므로 Meta의 Llama 라이선스도 함께 확인하세요. 주력 모델 두 개는 영어이고, 다국어 모델은 연구용 프리뷰입니다.
Dia 1.6B는 내레이션이 아니라 대화를 만듭니다. 화자를 [S1]과 [S2]로 표시하고, 웃음 같은 비언어적 소리도 넣을 수 있습니다. Apache 2.0이며 영어만 지원합니다. 참조 음성을 주지 않으면 실행할 때마다 다른 목소리가 나옵니다. 데모에서는 재미있지만 제품에서는 곤란합니다.
CosyVoice 2는 Alibaba FunAudioLLM 팀이 만든 Apache 2.0 모델로, 입력 텍스트와 출력 음성 모두 스트리밍을 지원하며 개발사에 따르면 지연 시간이 최저 150ms입니다. 지원 언어는 중국어와 그 방언이 중심입니다.
Zonos v0.1(Zyphra, Apache 2.0)은 영어, 일본어, 중국어, 프랑스어, 독일어를 말하며 6GB 이상의 GPU 메모리가 필요합니다. Maya1(Apache 2.0, 30억 파라미터, 영어)은 표현력 있는 음성 설계용으로, 웃기, 울기, 속삭이기 같은 태그가 있습니다.
Piper는 성격이 다릅니다. Home Assistant를 만드는 Open Home Foundation의 빠른 로컬 신경망 TTS 엔진입니다. 유지되고 있는 엔진 piper1-gpl은 GPL-3.0이므로, 제품에 넣으면 GPL 의무가 따라옵니다. 음성마다 모델 카드와 학습 데이터 라이선스가 따로 있으니 엔진뿐 아니라 음성도 확인하세요.
오픈소스 TTS, 실제로 얼마나 좋은가
일부러 골라 쓸 만한 수준입니다. 허용적인 라이선스의 상위 모델은 Artificial Analysis에서 1000~1065점 사이입니다. Amazon Polly의 생성형 음성(1066점), Google Chirp 3 HD(1059점)와 비슷한 수준입니다.
천장은 더 높습니다. Breeze TTS 2는 1220점, Fish Audio S2 Pro는 1116점이지만 둘 다 상업적으로 쓸 수 없습니다. Cartesia의 Sonic 3.6은 1281점으로 Kokoro보다 약 200점 높습니다. Elo 척도에서 200점 차이는 청취자가 네 번 비교할 때 약 세 번은 점수가 높은 모델을 고른다는 뜻입니다.
게다가 리더보드는 따로 들었을 때 어느 음성이 더 좋게 들리는지, 한 가지만 측정합니다. “확인 코드는 Q7-4XB입니다”를 어떻게 읽는지, 10분 통화 내내 같은 목소리를 유지하는지, 통화 200건이 동시에 시작될 때 첫 음성이 나오기까지 얼마나 걸리는지는 측정하지 않습니다. 점수 하나로는 TTS 모델이 좋은지 알 수 없는 이유는 따로 글로 정리했습니다. 직접 쓸 대본을, 실제 언어로, 사용자가 듣게 될 경로 그대로 테스트하세요.
직접 호스팅할 때 비용이 커지는 지점
웨이트를 내려받는 것은 무료입니다. 실제 사용자에게 서비스하는 것은 무료가 아닙니다.
전화 음성 에이전트에서 모델은 쉬운 부분입니다. 최대 동시 통화량에 맞춘 GPU, 문장이 끝나기 전에 재생을 시작하는 스트리밍 서버, “$1,250.00”이나 “Dr.”를 제대로 읽게 하는 텍스트 정규화, 통화 중에 노드가 죽었을 때의 전환도 필요합니다. 이 모델들 중 몇몇은 음성 전체를 만든 뒤에야 결과를 돌려주는 연구용 코드로 공개되어 있습니다. 이를 실제 부하에서 1초 미만의 스트리밍으로 바꾸는 일은 하나의 엔지니어링 프로젝트이고, 모델 카드에는 나오지 않는 부분입니다.
그래도 그만한 가치가 있는 경우가 있습니다.
- 오프라인, 기기 내부, 또는 격리된 환경에서 돌려야 하고, 필요한 품질이 작은 모델로 충분하다.
- 사용량이 많고 꾸준하며 예측 가능해서, 자체 GPU가 글자 단위 요금보다 싸다.
- 혼자 쓰려고 만드는 것이라 라이선스가 상관없다.
비용이 아니라 데이터 통제가 이유라면, 오픈 웨이트가 아예 필요 없을 수도 있습니다. Cartesia를 포함한 호스팅 업체들은 음성이 네트워크 밖으로 나가지 않는 온프레미스 및 VPC 배포를 제공합니다.
Cartesia가 맞는 경우
Cartesia의 Sonic은 오픈 웨이트가 아닙니다. 음성 에이전트를 위해 만든 호스팅형 스트리밍 음성 합성 모델로, 첫 음성까지 90ms 미만, 하나의 모델로 44개 언어, 즉시 음성 복제를 지원합니다. 무료 요금제에는 매달 20,000크레딧이 포함되고 1크레딧은 1글자이므로, 결제하기 전에 직접 쓸 대본으로 테스트할 수 있습니다. 규제가 엄격한 환경에서는 같은 모델을 엔터프라이즈 계약으로 온프레미스나 격리 환경에 배포할 수 있습니다.
저희의 오픈소스 작업은 Edge입니다. 상태 공간 모델을 기기에서 실행하기 위한 Apache 2.0 라이브러리입니다. 개인 취미 프로젝트에 무료 오프라인 영어 음성이 필요하다면 Kokoro나 Piper가 더 나은 답이고, 직접 물어보셔도 똑같이 말씀드릴 겁니다.