Gradium, 온디바이스 TTS 'phonon-31m-en' 공개: 64.5MB로 브라우저서 로컬 실행

phonon-31m-en은 기기 자체에서 가볍고 빠르게 구동되도록 설계된 초경량 온디바이스 영어 음성 합성(TTS) 모델이다.

8비트 양자화 모델 파일 용량은 64.5MB에 불과하며 매개변수 역시 31M 수준이다. 외장 GPU가 전혀 필요하지 않아 일반 노트북 CPU, 스마트폰은 물론 웹 브라우저 탭 하나에서도 인터넷 연결 없이 독립적으로 실행된다.

무엇을 할 수 있나

영어 텍스트를 입력받아 24kHz의 자연스러운 단일 채널 음성으로 합성한다. 특히 스트리밍 출력을 지원하므로 문장 전체 생성을 기다릴 필요 없이 앞부분이 완성되는 즉시 실시간으로 소리를 재생한다.

네트워크 연결이 어려운 오프라인 환경의 보조 프로그램, 웹페이지 낭독 확장 기능, 접근성 스크린 리더, 지연 시간이 중요한 게임 내 NPC 음성, 또는 Home Assistant 스마트홈 시스템 등에 손쉽게 탑재할 수 있다.

공식 저장소에는 약 100종의 다양한 프리셋 보이스가 기본 제공되어 원하는 목소리를 골라 바로 적용할 수 있다.

작동 방식과 벤치마크

수십 메가바이트 크기에서 깔끔한 품질을 내는 비결은 Pocket TTS 구조와 Kyutai의 Mimi 오디오 코덱 결합에 있다.

Flow-matching Transformer가 텍스트를 기반으로 80ms 단위의 오디오 잠재 공간 벡터를 예측하면, Mimi 디코더가 이를 실제 음성 파형으로 복원하는 방식이다. 연산 구조가 매우 단순해 하드웨어 부담이 거의 없다.

468명의 평가자가 참여한 블라인드 선호도 조사(총 8,290회 투표)에서 Elo 점수 2098점을 기록해 Kokoro(2043점)와 NeuTTS(2034점)를 앞섰다.

숫자, 날짜, 단위, 코드가 섞인 고난도 문장 평가에서도 단어 오류율(WER) 1.5%를 기록하며 Kokoro(3.5%)나 Magpie(28%)보다 훨씬 정확한 발음을 보여줬다.

다만 영어 전용 모델이므로 다른 언어 텍스트는 지원하지 않으며, 매우 긴 문장은 문장 단위로 끊어 읽기 때문에 문맥 전체의 억양 연결에는 다소 한계가 있다.

모델 가중치와 토크나이저는 상업적 이용이 자유로운 Apache 2.0 라이선스로 배포된다. 실행 환경 역시 Python, 브라우저용 npm, C++ 등으로 다양하게 공개되어 있다.

왜 중요한가

개발자 입장에서 phonon-31m-en의 가장 큰 미덕은 음성 합성 도입에 드는 비용과 지연 시간을 단번에 없애준다는 점이다. 클라우드 API 호출 요금을 계산하거나 무거운 서버를 따로 둘 필요 없이, 웹 앱이나 모바일 앱 안에 가벼운 에셋 하나만 심어두면 끝난다.

거대 모델 경쟁 대신 실제 기기 구동에 초점을 맞춘 현실적인 최적화라는 점에서 의미가 크다. 복잡한 감정 연기가 필요한 오디오북 제작용은 아니더라도, 즉각적인 반응과 완전한 프라이버시가 핵심인 온디바이스 인터랙티브 서비스라면 지금 바로 테스트해 볼 가치가 충분하다.