← 전체 모델 소식

Phonon TTS 공개 2주 후 상세 공개: CPU 스트리밍 첫 소리 1위, Apache 2.0은 영어판만 적용

Hugging Face 블로그에 2026년 11월 5일 게시된 Gradium 팀 글에 따르면, 온디바이스 TTS 모델 Phonon이 출시 세부 내용을 뒤늦게 공개했다. 31m 영어판은 Apache 2.0, 40m 5개 언어판은 CC BY-NC이며, 독일어와 스페인어 명료도 1위, CPU 스트리밍 첫 소리 시간 1위를 자체 주장하고 Transformers 5.21 통합과 ptts 추론 경로를 제시했다.

게시 수정
원문 보도의 표지 이미지 — Phonon TTS 공개 2주 후 상세 공개: CPU 스트리밍 첫 소리 1위, Apache 2.0은 영어판만 적용
원문 보도의 표지 이미지원문 보도 ↗

주요 변화

2026년 11월 5일 게시된 이 글은 2주 전에 가중치가 공개된 온디바이스 음성 모델 Phonon에 대한 Gradium의 회고다. 팀은 Phonon이 약 65MB와 75MB 두 크기로 제공되며, 합쳐서 영어, 프랑스어, 독일어, 스페인어, 포르투갈어를 지원하고 내장 음색이 100개를 넘으며 Gradium Studio에서 사용자 정의 음색을 만들 수 있고 전화번호, 날짜, 코드처럼 자주 잘못 읽히는 구간을 처리할 수 있다고 밝혔다. 라이선스는 둘로 나뉜다. 영어를 말하는 Phonon 31m은 Apache 2.0으로 상업 제품에 사용할 수 있고, 5개 언어를 지원하는 Phonon 40m은 CC BY-NC로 비상업 프로젝트에는 무료이며 상업 라이선스는 사용자 수 기준으로 책정된다. 모델은 Pocket TTS 계보를 잇고 flow matching으로 오디오를 생성하며, 팀은 학습 초기 수치 불안정이 있어 여러 기법을 적용해야 5개 언어에서 고품질 결과를 얻었다고 말한다. 글은 또한 Hugging Face 공개 TTS 리더보드 성적을 제시한다. 독일어와 스페인어 명료도 1위, 평가한 모든 언어에서 3위 안에 진입, CPU 스트리밍 벤치마크에서 첫 소리 시간 1위이며, 첨부 도표는 31m 영어판 28밀리초, 40m 영어판 38밀리초, Pocket TTS 165밀리초의 95백분위 수치를 보여준다. 통합 측면에서 Phonon은 Transformers 5.21부터 참조 PyTorch 구현으로 포함되며, 여러 장치 백엔드를 위해 설계된 ptts 추론 프레임워크는 CPU, GPU, NPU 등 10여 종 백엔드를 지원한다. 음색은 녹음이 아니라 미리 계산된 화자 잠재 변수 텐서이며 gradium/phonon-voices 저장소로 제공되고, 오디오 토크나이저는 디코더 전용 형태로 공개된다. 팀은 공개 후 2주간 다운로드가 20만 회를 넘었다고 말하며 브라우저 내 ExecuTorch 변환, Node.js 쪽 Micdrop 통합 같은 커뮤니티 프로젝트도 언급했다.

개발자에게 미치는 영향

다음은 위 보도를 바탕으로 한 분석이며 검증된 사실이 아니다. 개발자에게 미치는 영향은 세 가지다. 첫째, 라이선스가 버전별로 갈리므로 버전을 잘못 고르면 모델을 잘못 고르는 것보다 수습이 어렵다. 영어만 쓰고 상업화한다면 명확한 라이선스가 붙은 31m이 해당한다. 독일어, 프랑스어, 스페인어, 포르투갈어 출력이 필요하면 40m의 CC BY-NC는 가중치를 내려받을 수는 있어도 상업적 사용은 제한된다는 뜻이며, 상업 라이선스는 사용자 수 기준이므로 출시 직전에 맞추는 게 아니라 미리 협의해야 한다. 둘째, 같은 가중치에 두 가지 추론 형태가 생긴다. 기기에서 문장 단위 상호작용은 ptts의 단일 스트림을, 오프라인 배치 합성은 Transformers의 배치 생성과 전체 그래프 컴파일을 쓰며, 둘은 상황별 분업이지 서로 대체가 아니므로 잘못 고르면 지연이나 처리량 중 하나가 확실히 불리해진다. 셋째, 음색은 미리 계산된 텐서로 제공되고 공개된 토크나이저는 디코딩만 가능하며 직접 오디오를 인코딩할 수 없다. 따라서 사용자 정의 음색은 Gradium Studio 절차와 화자 동의를 거쳐야 하며, 음색 자산 관리 방식이 기존의 '녹음 업로드' 경로와 다르다. 강조할 점은 리더보드 순위와 밀리초 수치가 특정 스트리밍 CPU 조건에서 측정된 업체 글과 리더보드에서 나온 것으로, 구체적인 휴대폰, 브라우저, 단일 보드 컴퓨터에서 재현된다고 보장할 수 없다는 것이다.

연동 및 평가 제안

다음은 조건부 권고이며 검증된 결론이 아니다. 권고 1: 먼저 언어와 라이선스 기준으로 버전을 분리하라. 측정 가능한 기준은 업무의 고정 문장 집합(전화번호, 날짜, 코드 포함)으로 인식 왕복 테스트를 하여 31m과 40m의 대상 언어별 단어 오류율을 각각 집계하고 배포할 버전의 라이선스 파일을 확인하는 것이다. 영어만 쓰고 상업화한다면 31m 측정 후 진행하면 되고, 대상 언어에 독일어, 프랑스어, 스페인어, 포르투갈어가 포함되면 통합에 투자하기 전에 상업 라이선스 경로를 먼저 명확히 해야 한다. 40m의 비상업 라이선스는 출시 단계에서 바로 막히므로 이 조건이 전체 선택 순서를 결정한다. 권고 2: 지연 시간과 처리량 중 무엇을 기준으로 추론 경로를 고를지 정하라. 제품이 기기에서 문장 단위 낭독이고 사용자가 첫 소리를 기다리는 형태라면 ptts를 선택하고 대상 기기에서의 95백분위 첫 소리 지연을 인수 기준으로 삼으며, 글에 나온 리더보드 수치는 참고 기준선으로만 삼아라. 오프라인 배치 음성 데이터셋 생성이 목적이라면 Transformers 경로로 바꾸고 인수 기준을 고정 하드웨어에서의 초당 생성 샘플 수와 메모리 사용량으로 바꾸며 배치와 전체 그래프 컴파일을 켠 뒤 재측정하라. 두 경로의 최적화 목표 자체가 반대이기 때문이다. 권고 3: 음색을 외부에서 생성해야 하는 자산으로 관리하라. 사용자 정의 음색이 필요하면 먼저 Gradium Studio의 클로닝과 텍스트 디자인 절차가 정상 작동하는지, 화자 동의 체인이 닫힐 수 있는지 확인하라. 평가 지표는 리더보드의 유사한 방식을 써서 자체 평가 세트에서 클로닝 음색과 내장 음색의 화자 유사도를 점수화하고, 유사도가 기준에 못 미치거나 동의 체인이 닫히지 않으면 내장 음색으로 후퇴하라. 이 전제가 성립하는지가 독특한 음색을 외부에 약속할 수 있는지를 결정한다.

제한과 확인할 사항

현재 KimiSeek의 온라인 모델 카탈로그에는 Phonon 31m이나 Phonon 40m이 없다. 본문에서 언급한 가용성은 모두 업체 측, 즉 Hugging Face에 공개된 가중치와 Gradium Studio를 뜻하며 KimiSeek의 서비스가 아니다. 이 두 버전이 개발자용 API로 제공된다는 증거도 없다. 리더보드 성적과 28, 38밀리초 첫 소리 수치는 Gradium 자체 글과 Hugging Face 리더보드가 특정 스트리밍 CPU 조건에서 측정한 것으로 업체 측 주장이며 본문에서 독립적으로 재현하지 않았다. 글은 언어별 지연 분포, 메모리 사용 곡선, 장시간 실행 안정성 데이터를 제시하지 않는다. 40m의 CC BY-NC 제한과 상업 라이선스의 구체 조항은 업체에 확인해야 한다. 더 작은 메모리 버전으로의 이전, 한국어, 아랍어, 일본어 지원, 제품 어휘 기반 미세 조정은 모두 협의 단계에만 머물러 있으며 일정은 없다. 공개 가중치는 오픈소스 라이선스와 같지 않으며, 40m이 바로 가중치는 얻을 수 있지만 라이선스가 비상업인 예이고 31m의 Apache 2.0이야말로 상업적 사용이 가능한 오픈 라이선스다.

원문 보도의 이미지

원문 삽화 1 — Phonon TTS 공개 2주 후 상세 공개: CPU 스트리밍 첫 소리 1위, Apache 2.0은 영어판만 적용
원문 삽화 1원문 보도 ↗

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

深入了解 Phonon TTS:发布在基准测试中登顶的高质量端侧语音

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