OmniVoice와 SuperClonica: 언어 수인가, 속도인가
k2-fsa 프로젝트의 OmniVoice는 제로샷 음성 합성 모델로, 지원 언어가 압도적으로 많습니다. 문서에 646개 언어가 올라와 있습니다. 몇 초 분량의 음성으로 목소리를 복제하고, 속성을 지정해 목소리를 만들 수도 있습니다. SuperClonica의 지원 언어는 31개로 훨씬 적지만, 일반 CPU에서 빠르게 돌아가고 대사가 바뀌어도 음색이 안정적입니다.
둘의 차이와 고르는 방법을 정리했습니다.
OmniVoice가 잘하는 것
OmniVoice는 확산 언어 모델 방식의 아키텍처를 쓰며, 기반 모델은 Qwen3-0.6B입니다.
- 언어: 공식 목록에 646개, 학습 데이터 58만 1천 시간.
- 목소리 복제: 3~10초 참고 음성과 대본으로 학습 없이 재현.
- 목소리 디자인: 성별, 나이, 음높이, 억양, 속삭임 같은 속성으로 목소리 생성. 단, 개발진에 따르면 이 모드는 중국어와 영어 데이터로만 학습되어 자료가 적은 일부 언어에서는 불안정할 수 있습니다.
- GPU 속도: 개발진은 RTF가 최저 0.025, 즉 실시간보다 40배 빠르다고 발표했습니다.
- 하드웨어: NVIDIA GPU, Apple Silicon, Intel Arc 지원.
CPU에서의 OmniVoice: 저희의 속도 추정
8코어 데스크톱 CPU에서 OmniVoice는 실시간보다 2~5배 느리다고 저희는 추정합니다. 10초짜리 문장에 20~50초가 걸립니다. SuperClonica는 약 1.0~1.6초, 실시간보다 6.4~9.7배 빠릅니다.
출발점은 OmniVoice용 HTTP 서버인 omnivoice-server의 보고로, CPU에서 32스텝 기준 RTF 4.92입니다(CPU 모델은 밝히지 않았습니다). 빠른 데스크톱 CPU라면 최대 2.5배 빨라진다고 가정했습니다. 저희 표의 모든 속도와 마찬가지로 추정치이며 실측값이 아닙니다.
품질과 음색 안정성
저희 표에서 OmniVoice와 SuperClonica의 품질 점수는 둘 다 5점 만점에 4.5점입니다. 차이는 다른 데 있습니다. CPU 성능(2점 대 5점)과 음색 안정성(4점 대 5점)입니다. 게임이나 오디오북처럼 한 캐릭터가 수백 개의 대사를 말할 때는 음색 안정성이 중요합니다.
OmniVoice 문서도 같은 이야기를 합니다. 가장 안정적인 모드는 복제이고, 참고 음성이 너무 길면 생성이 느려지고 결과가 나빠질 수 있다고 합니다.
라이선스
OmniVoice의 코드는 Apache 2.0이지만, 모델 카드에는 학습 데이터 때문에 사전 학습 모델이 CC-BY-NC 라이선스라고 적혀 있습니다. 기본 조건으로는 공식 가중치를 상업적으로 쓸 수 없습니다.
Supertonic 3의 라이선스는 OpenRAIL-M으로, 비상업 조항 대신 금지 용도 목록을 둔 무료 라이선스입니다. SuperClonica에서 산 목소리는 내 프로젝트용이며 재판매할 수 없습니다.
음성 합성에 OmniVoice와 SuperClonica 중 무엇을 쓸까
먼저 언어로, 그다음 하드웨어로 고르세요.
- OmniVoice: 쓰려는 언어가 Supertonic 3의 31개 언어에 없거나, 중국어나 즉석 복제가 필요하고, GPU가 있을 때.
- SuperClonica: CPU나 브라우저, 앱 안에서 오프라인으로 빠르게, 수천 개의 대사를 같은 목소리로 읽어야 할 때.