모델 비교

로컬 음성 합성, Qwen3-TTS와 SuperClonica 중 무엇을 쓸까

Qwen3-TTS는 Qwen 팀의 오픈 음성 모델 제품군으로, 2026년 1월 0.6B와 1.7B 크기로 Apache 2.0 라이선스로 공개되었습니다. 3초 분량의 음성으로 목소리를 복제하고, 텍스트 설명으로 목소리를 만들며, 낮은 지연으로 스트리밍 출력합니다. SuperClonica는 범위가 더 좁습니다. CPU에서 빠르게 돌아가는 완성형·학습형 Supertonic 3 목소리입니다.

둘 다 내 하드웨어에서 돌아갑니다. 차이는 속도, 언어, 그리고 목소리를 얻는 방식입니다.

Supertonic 3 목소리 찾기 SuperClonica 설치로 이동

Qwen3-TTS가 제공하는 것

공식 예제는 NVIDIA GPU의 bfloat16에서 돌리며, GPU 메모리를 줄이기 위해 FlashAttention 2를 권장합니다.

  • 10개 언어: 중국어, 영어, 일본어, 한국어, 독일어, 프랑스어, 러시아어, 포르투갈어, 스페인어, 이탈리아어. 방언 음성 프로필도 있습니다.
  • Base 모델로 3초 목소리 복제, 학습 불필요.
  • 자연어 설명으로 목소리 디자인(1.7B VoiceDesign 모델).
  • 말투, 말하는 속도, 감정을 지시문으로 제어.
  • 스트리밍 생성. 개발진은 종단 간 지연이 최저 97ms라고 발표했습니다.

CPU에서의 Qwen3-TTS 속도

8코어 데스크톱 CPU에서 0.6B 모델은 실시간보다 1~2배 느리다고 저희는 추정합니다. 10초 음성에 10~20초입니다. 근거는 C로 작성된 커뮤니티 엔진으로, 노트북용 Ryzen 7 6800H에서 0.6B·INT4 가중치로 RTF 2.02를 보고했습니다. 1.7B 모델은 더 느려서 실시간보다 2~5배 느리다고 봅니다. 순수 PyTorch는 이 C 엔진보다 상당히 느릴 수 있습니다.

Apple Silicon에서는 Qwen의 수치가 더 좋습니다. 같은 엔진이 M1에서 RTF 0.52, 즉 실시간보다 약 2배 빠르다고 보고했습니다.

SuperClonica는 8코어 데스크톱 CPU에서 저희 추정으로 실시간보다 6.4~9.7배 빠릅니다. 같은 10초가 약 1.0~1.6초입니다.

품질, 안정성, 지원 언어

저희 평가에서 Qwen3-TTS는 품질 5점 만점에 4점, 음색 안정성 4점이고, SuperClonica는 각각 4.5점과 5점입니다.

언어 수는 Supertonic 3가 31개 대 10개로 많지만, 구성이 같지는 않습니다. Qwen3-TTS는 중국어를 하고 Supertonic 3는 못 합니다. 대신 Supertonic 3는 아랍어, 힌디어, 터키어, 베트남어, 우크라이나어, 폴란드어와 그 밖의 유럽 언어 대부분을 지원합니다.

무엇을 쓸까

둘 다 오픈이고 로컬에서 돌아가니, 결국 용도에 달렸습니다.

  • Qwen3-TTS: 중국어, 즉석 복제, 목소리 디자인이 필요할 때. GPU로 음성 비서를 만들며 첫 패킷까지의 지연이 중요할 때.
  • SuperClonica: CPU에서 음성을 대량으로 만들 때, Supertonic 3의 31개 언어 중 하나로 작업할 때, 학습한 목소리가 수천 개의 대사에서 같은 음색을 유지해야 할 때.