2026년 로컬에서 쓸 수 있는 무료 음성 합성 모델
무료 TTS도 이제 실제 작업에 쓸 만하고, 많은 오픈 모델이 내 장비에서 돌아갑니다. 하지만 무료라는 말 뒤에는 큰 차이가 있습니다. 상업적 사용을 금지하는 라이선스도 있고, 큰 GPU가 필요한 모델도 있으며, 일반 CPU에서 무리 없이 돌아가는 모델은 많지 않습니다.
이 글은 저희 사이트에서 비교하는 오픈 모델을 다룹니다. SuperClonica는 그중 하나인 Supertonic 3용 목소리를 판매하므로 그 점을 감안해 읽어 주세요. 각 모델의 공식 문서에 있는 사실만 쓰고, 다른 모델이 더 맞는 경우는 분명하게 밝힙니다.
무료 TTS 모델 고르는 법
네 가지 질문이면 후보가 빠르게 줄어듭니다.
- 언어: 그 모델이 내 언어를 말하나요? 예를 들어 중국어가 필요하면 Supertonic 3는 제외됩니다.
- 라이선스: 무료로 받을 수 있다고 상업적으로도 무료인 것은 아닙니다. 코드와 가중치의 조건을 모두 확인하세요.
- 하드웨어: 일반 CPU인가요, 메모리가 넉넉한 GPU인가요?
- 목소리: 프리셋 목소리로 충분한가요, 녹음을 바탕으로 한 특정 목소리가 필요한가요?
CPU에서 돌아가는 작은 무료 음성 합성 모델
Supertone의 Supertonic 3는 파라미터 약 9900만 개로 ONNX Runtime에서 돌아가며, 개발사에 따르면 GPU가 필요 없습니다. 한국어를 포함한 31개 언어를 지원하지만 중국어는 지원하지 않고, 라이선스는 OpenRAIL-M(로열티 없음, 금지 용도 목록 있음)입니다. 프리셋 목소리가 들어 있고, 무료와 유료 목소리가 SuperClonica 카탈로그에 더 있으며, SuperClonica 엔진은 이를 CPU에서 평균 61% 더 빠르게 실행합니다.
Kokoro-82M은 파라미터 8200만 개, Apache 2.0 라이선스이며 8개 언어로 54개의 프리셋 목소리를 제공합니다. 한국어는 없습니다. 가장 강한 언어는 영어로, 공식 목소리 목록에서도 중국어와 일본어 목소리는 낮게 평가됩니다. 공식 버전에는 목소리 복제 기능이 없습니다. Python에서, 그리고 kokoro-js로 브라우저에서 실행됩니다.
Piper는 Raspberry Pi 같은 작은 기기를 위해 만든 빠른 로컬 엔진으로, Home Assistant의 목소리로 알려져 있습니다. 목소리마다 한 언어용 ONNX 모델이며, 목록에는 39개 언어가 있고 중국어는 있지만 일본어와 한국어는 없습니다. 현재 엔진은 GPL-3.0이고 목소리마다 라이선스가 따로 있습니다.
Resemble AI의 Chatterbox Nano는 MIT 라이선스의 1억 1000만 파라미터 영어 모델입니다. Resemble AI에 따르면 CPU 8코어에서 실시간보다 3배 빠르고, 짧은 녹음으로 목소리를 복제하며, 생성한 모든 파일에 들리지 않는 PerTh 워터마크를 넣습니다.
목소리 복제를 위한 큰 모델
이 모델들은 몇 초 분량의 오디오로 목소리를 복제합니다. 저희 추정으로는 데스크톱 CPU에서 실시간보다 느리므로 GPU에서 제 실력을 냅니다.
- Qwen3-TTS: Apache 2.0, 0.6B와 1.7B 두 크기, 한국어와 중국어를 포함한 10개 언어, 3초 복제와 설명문으로 목소리 디자인. CPU에서 실시간보다 약 1~2배 느립니다(0.6B).
- VoxCPM 2: Apache 2.0, 파라미터 20억 개, 30개 언어와 중국어 방언, 48kHz 오디오, VRAM 약 8GB. CPU에서 실시간보다 약 2~4배 느립니다.
- Chatterbox Multilingual V3: MIT, 파라미터 5억 개, 한국어를 포함한 23개 언어, 짧은 녹음으로 복제. 예제는 GPU에서 실행합니다.
- Fish Audio S2 Pro: 저희 표에서 품질 점수가 가장 높고 80개 이상 언어를 지원하지만, CPU에서 실시간보다 4~10배 느리고 상업적으로 쓰려면 Fish Audio의 별도 라이선스가 필요합니다.
무료지만 상업적으로는 못 쓰는 모델
인기 있는 모델 중 몇몇은 코드는 공개하지만 가중치는 비상업용입니다. 실험이나 개인 프로젝트에는 괜찮지만 유료 제품에는 맞지 않습니다.
- OmniVoice: 646개 언어와 3~10초 오디오로 복제. 코드는 Apache 2.0, 사전 학습 모델은 CC-BY-NC입니다.
- F5-TTS: 중국어와 영어 제로샷 복제. 코드는 MIT, 가중치는 CC-BY-NC이며, 저희 표에서 CPU 속도가 가장 느립니다.
- Coqui XTTS-v2: 한국어를 포함한 17개 언어와 짧은 녹음으로 복제. Coqui Public Model License는 생성된 오디오에도 적용되고, 원래 저장소는 더 이상 관리되지 않습니다.
어떤 무료 TTS 모델을 고를까
아래 링크의 비교 페이지마다 해당 모델의 출처와 저희 속도 추정이 정리되어 있습니다.
- 일반 컴퓨터에서 31개 언어 중 하나로 내레이션, 게임, 앱을 만든다면: Supertonic 3. 카탈로그 목소리나 내 녹음으로 학습시킨 목소리를 씁니다.
- 가장 너그러운 라이선스의 영어 프리셋 목소리라면: Kokoro.
- Raspberry Pi와 Home Assistant라면: Piper.
- GPU에서 즉석 복제하고 상업적으로도 쓴다면: Qwen3-TTS, VoxCPM 2, Chatterbox.
- 중국어 음성이라면: GPU에서 Qwen3-TTS나 VoxCPM 2. Piper와 Kokoro에도 중국어 목소리가 있습니다.
- 연구와 개인 실험이라면: OmniVoice, F5-TTS, XTTS-v2를 포함해 무엇이든 됩니다.