← 전체 모델 소식

Edge0, 0.6B 오픈 웨이트 음성 복제 모델 Audio8-TTS-Realistic 공개: 23개 언어, Apache 2.0, 태국어 WER 약 49%

MarkTechPost가 2026년 10월 29일 보도한 바에 따르면 Edge0는 오픈 웨이트 TTS 모델 Audio8-TTS-Realistic을 공개했다. 주 모델은 601M 파라미터이고 23개 언어를 지원하며, 보도에 따르면 가중치와 코드는 Apache 2.0으로 배포된다. 자체 보고 기준 CV3 9개 언어 평균 오류율은 4.86%, 태국어 WER은 48.57%이며 SGLang Omni 어댑터도 함께 제공한다.

게시 수정

주요 변화

MarkTechPost가 2026년 10월 29일 보도한 바에 따르면 Edge0는 Audio8-TTS-Realistic을 공개했다. 이는 Audio8 TTS 시리즈의 두 번째 0.6B 버전이며, 보도에 따르면 가중치와 코드가 Apache 2.0 라이선스로 배포된다. 주 모델은 601M 파라미터(코덱 제외)이고, 저장소에는 체크포인트, 44.1kHz 신경 오디오 코덱, 토크나이저, 프로세서, 사용자 정의 코드가 포함되어 있으며 최대 2048개의 패킹된 텍스트/오디오 위치를 지원한다. 추론 인터페이스는 전작 Audio8-TTS-Preview-0.6b와 동일하다. 참조 오디오 한 개와 그 전사 텍스트로 제로샷 복제를 수행하고, 참조 음색이 없을 때도 직접 합성할 수 있다. 보도에 따르면 23개 언어를 지원해 전작보다 12개 늘었으며, 새로 추가된 아랍어, 핀란드어, 힌디어, 인도네시아어, 말레이어, 노르웨이어, 포르투갈어, 러시아어, 스웨덴어, 태국어, 터키어, 베트남어를 나열했다. 전체 언어 목록은 보도에서 공개되지 않았다. 아키텍처는 Fish Audio S2 Pro에서 영감을 받은 이중 자기회귀 설계다. 느린 분기는 Qwen2.5 0.5B 기반으로 24층, 폭 896, 초당 약 21.5프레임이며 각 단계에서 텍스트 토큰과 첫 번째 오디오 코드북을 예측한다. 4층의 얕은 빠른 분기는 나머지 9개 코드북을 병렬로 예측한다. 훈련은 세 단계다. 다국어 지도 미세조정, WER 가중치 0.7·SIM 가중치 0.3의 GRPO, 학습된 사실감 평가자가 이끄는 GRPO 순이다. 평가자는 동결된 WavLM-large 위에 약 3M 파라미터를 얹었고, 참조 길이의 1.35배를 넘으면 페널티를 주는 길이 페널티를 두어 말 속도를 늦춰 점수를 올리는 것을 막는다. 마지막 단계는 중국어와 영어 프롬프트만 사용했는데, 보도에 따르면 13개 저자원 언어의 오류율은 22.53%에서 20.77%로, SIM은 0.637에서 0.679로 개선됐다. 성능 수치는 모두 개발사 자체 보고다. Seed-TTS 영어·중국어 평균 오류율 1.25%, SIM 0.704; CV3 9개 언어 평균 4.86%, SIM 0.661; MiniMax 24개 언어 평균 5.89%, SIM 0.754다. 보도가 제시한 가로 비교는 CV3에서 VoxCPM2 5.35%, CosyVoice3-1.5B 6.89%, Qwen3-TTS-1.7B 7.73%, 4B급 Higgs TTS 3는 4.41%를 보고했고, MiniMax에서는 Higgs TTS 3가 2.74%다. Edge0는 평가 절차와 텍스트 정규화 방식이 다르다는 이유로 이 표를 참고용 비교라고 자체 규정했다. 가장 약한 항목은 태국어 CV3 WER 48.57%다. 또 광둥어는 MiniMax에서 CER 31.35%였는데, 보도는 모델의 전체 지원 목록에 광둥어가 포함되는지 설명하지 않았고, 이 점수가 어느 모델 버전과 평가 세트에 해당하는지는 개발사에 확인해야 한다. 배포 측면에서는 PyTorch 2.5+와 Transformers 4.57+가 필요하고 trust_remote_code로 로드한다. 저장소에는 CLI, 배치 처리, 지도 미세조정 스크립트도 있으며, GPU 서비스에는 SGLang Omni 어댑터를 사용할 수 있고 페이지드 어텐션, 동적 배칭, OpenAI 호환 음성 인터페이스를 제공한다.

개발자에게 미치는 영향

첫 번째 영향은 규모와 라이선스의 조합이다. 0.6B 주 모델에 코덱을 더한 규모라는 점은 단일 GPU 추론과 전체 파라미터 미세조정의 진입 장벽이 보도에 나온 1.7B, 2B, 나아가 4B급 경쟁 모델보다 확실히 낮다는 뜻이다. 보도된 Apache 2.0은 표에 나온 Higgs TTS 3의 '연구 및 비상업적 용도'와 대조된다. 그러나 가중치를 구할 수 있다는 것이 라이선스 제약이 없다는 뜻은 아니다. 저장소에는 코덱 등 구성 요소도 함께 들어 있으므로 출시 전에 라이선스 조항과 훈련 데이터 출처를 항목별로 확인해야 하며, 후자는 보도에서 다루지 않았다. 두 번째 영향은 평균이 아니라 능력 분포에 있다. CV3 9개 언어 평균 4.86%는 경쟁력 있어 보이지만 태국어 WER 48.57%는 같은 모델의 언어 간 사용 가능성 차이가 매우 크다는 것을 보여준다. 더 중요한 것은 전체 23개 언어 목록이 공개되지 않아 개발자가 보도만으로 필요한 언어가 지원 범위에 있는지 판단할 수 없다는 점이다. 광둥어가 대표적이다. 보도는 MiniMax에서의 광둥어 CER을 제시했지만 그것이 이 23개 언어에 속하는지는 말하지 않았다. 세 번째 영향은 서비스 측의 불확실성이다. 어댑터는 기존 음성 게이트웨이에 연결할 수 있지만, 보도는 처리량과 스트리밍이 아직 벤치마크되지 않았다고 명시했다. 용량과 첫 패킷 지연은 직접 측정해야 한다. 44.1kHz 출력은 24kHz 방식보다 단위 시간당 샘플 수가 많아 저장과 대역폭 비용이 더 높다(이는 샘플레이트로부터 한 추산이며 보도 결론이 아니다). 장시간 오디오 아카이빙 업무에서는 실제 비용 항목이다. 온디바이스에서 가장 크게 오판할 수 있는 부분은 논문이 보고한 1.1~1.2GiB 최대 메모리가 Apple M2 CPU에서 INT4 ONNX로 측정한 수치라는 점이다. Realistic은 현재 공개된 ONNX 내보내기가 없으므로 이 수치를 온디바이스 실행 가능성의 근거로 삼을 수 없다.

연동 및 평가 제안

제안 1(조건부 분석이며 보도 사실이 아님): 기존 TTS를 전면 교체하기보다 언어별로 점진적으로 도입하라. 이 판단을 촉발한 보도상 변화는 언어 수가 전작보다 12개 늘어 총 23개가 됐고 추론 인터페이스가 전작과 같아 마이그레이션 비용이 코드보다 데이터에 주로 발생한다는 점이다. 전제는 대상 언어마다 깨끗한 참조 오디오와 축자 전사 텍스트를 준비하는 것이다. 판단 기준은 측정 가능한 지표로 삼아야 한다. 언어별로 낭독과 구어를 섞은 200개 이상의 자체 테스트 세트를 만들고, 중국어 CER와 영어 WER가 최소한 현재 운영 중인 모델과 같아야 한다. 태국어처럼 보도에서 WER가 약 49%에 달하는 언어는 자체 테스트 세트에서도 임계값을 크게 웃돌면 예비 엔진을 계속 사용하라. 보도에서 지원이 확인되지 않은 언어는 평균만 보고 통과시키지 말라. 제안 2: SGLang Omni 어댑터를 쓸지 Transformers 추론을 직접 쓸지 먼저 서비스 스택을 자체 테스트한 뒤 결정하라. 변화점은 어댑터가 OpenAI 호환 음성 인터페이스와 동적 배칭을 제공한다는 것이지만, 보도는 처리량과 스트리밍 벤치마크가 없다고 분명히 밝혔다. 실시간 대화 같은 스트리밍 업무라면 어댑터의 스트리밍 동작이 쓸 만한지 먼저 확인하라. 오프라인 배치 합성만 한다면 동적 배칭을 우선 검증할 가치가 있다. 기준은 목표 동시성에서의 p95 첫 패킷 지연, 실시간률, GPU 한 장당 시간당 생성 오디오 분량이며, 세 가지 모두 자체 GPU에서 측정하고 개발사가 제시하지 않은 처리량 수치를 인용하지 말라. 제안 3: 온디바이스나 순수 CPU 배포는 이번 버전에서 일정을 잡지 말라. 변화점은 Realistic에 아직 공개된 ONNX 내보내기가 없고, 보도에 나온 INT4 메모리 수치는 논문 환경에 속한다는 것이다. 꼭 필요하다면 먼저 PyTorch로 대상 기기에서 최대 메모리와 실시간률을 측정하고, 기준을 넘긴 뒤에 양자화 내보내기를 논하라. 동시에 복제 기능은 민감 기능으로 다뤄야 한다. 참조 오디오 수집 권한, 보존 기간, 호출 감사는 출시 전에 정하고, 표본 검사 커버리지 같은 측정 가능한 지표로 제약하라.

제한과 확인할 사항

모든 벤치마크는 개발사 자체 보고이며, Edge0도 비교 표를 참고용 비교라고 밝혔다. 태국어 같은 약점과 4B급 모델의 우위 폭은 아직 제3자 재현이 없다. 처리량, 스트리밍, 장문 안정성, 고동시성 성능은 공개되지 않아 알 수 없는 사항이며, 사용 가능하다고 확인된 것은 아니다. 훈련 데이터 출처, 화자 동의 절차, 남용 방지는 보도에서 언급되지 않았다. 보도는 새로 추가된 12개 언어만 나열했고 전체 23개 언어 목록은 공개하지 않았으므로, 어떤 언어(광둥어 포함)가 지원 범위에 있는지는 보도에서 추론할 수 없다. 광둥어 31.35% CER은 MiniMax 24개 언어 평가 세트에서 나온 수치이며, 이 점수가 어느 모델 버전과 평가 세트에 해당하는지는 개발사에 확인해야 한다. 이 버전은 현재 KimiSeek 모델 카탈로그에 없으며, 카탈로그에도 비교할 오디오 계열 모델이 없다. 보도에서 언급된 OpenAI 호환 음성 인터페이스는 Edge0가 공개한 SGLang Omni 어댑터에서 나온 것이고, Hugging Face의 무료 Playground도 있다. 관련 API 사용 가능성은 개발사와 어댑터 설명을 기준으로 하며, 이 사이트는 해당 모델 서비스를 제공하지 않는다.

3분이면 첫 호출까지

가입 후 API 키를 만드세요. 호출 비용은 계정 잔액에서 차감됩니다. 첫 충전 30% 할인. ¥500 충전, 결제 ¥350, 잔액 ¥500 적립. ¥1000 충전, 결제 ¥850, 잔액 ¥1000 적립 최소 충전 금액은 그대로 ¥10이며, 시험용으로 사용할 수 있습니다.

출처와 편집 과정

Edge0 发布 Audio8-TTS-Realistic:0.6B 开源语音克隆 TTS 模型

인용한 출처를 바탕으로 AI가 분석과 번역을 돕고 자동 품질 검사를 수행합니다. 제안은 실측 결과가 아닙니다. 제공 여부와 가격은 현재 카탈로그를 확인하세요.