IndexTTS 2.5 오픈소스 공개: 5개 언어 음성 복제 및 감정 제어 지원

IndexTTS-2.5는 단 몇 초 분량의 참조 음성만으로 목소리를 복제하는 오픈소스 제로샷 텍스트 음성 변환 시스템이다. 2026년 8월 10일 공개된 2.5 버전은 중국어, 영어, 일본어, 스페인어, 아랍어 등 5개 국어를 정식 지원하며 이전 세대보다 빠른 추론 속도를 구현했다.

어떤 작업을 할 수 있나

사용 방식은 간단하다. 몇 초짜리 음성 파일을 입력하면 모델이 해당 음색을 그대로 유지한 채 지정한 텍스트를 읽어낸다. 특히 다른 언어로 음성을 변환하는 크로스 링구얼 합성이 강점으로, 한 언어로 녹음된 목소리를 바탕으로 완벽히 동일한 음색의 스페인어나 영어 음성을 합성할 수 있다.

제어 기능도 정교해졌다. duration_factor 설정을 통해 재생 속도를 0.5배에서 2.0배 사이로 자유롭게 조절할 수 있어 영상 길이에 맞춘 오디오 싱크 조절이 수월하다.

인공지능 음성 합성에서 자주 발생하는 오독 문제도 해결했다. 텍스트 안에 중국어 병음, 영어 CMU 음소, 일본어 가나 표기를 직접 지정해 원하는 발음으로 정확하게 읽도록 강제할 수 있다.

감정 표현 방식도 다양하다. 특정 감정이 담긴 별도의 참조 오디오를 넣고 강도를 조절하거나, 8가지 감정 수치를 직접 지정하는 벡터 입력 방식을 쓸 수 있다. 번거로운 설정이 싫다면 내장된 Qwen 감정 모델을 활용해 문맥에 어울리는 감정을 자동으로 추출하는 기능도 지원한다.

실행 및 배포 방법

프로젝트 소스 코드는 GitHub에 공개되어 있으며 모델 가중치는 Hugging Face와 ModelScope에 올라와 있다. 전체 파일 용량은 약 5.5GB 수준으로 일반 소비자용 그래픽카드에서도 무리 없이 구동된다.

설치 환경은 uv 도구 사용을 권장하며, 복잡한 파이썬 가상환경 설정 없이 빠르게 의존성을 맞출 수 있다. 로컬 7860 포트로 접속하는 자체 WebUI를 제공해 직관적으로 테스트할 수 있다.

추론 효율성 측면에서는 IndexTTS-2.5부터 BF16 반정밀도 연산을 기본 지원해 VRAM 점유율을 크게 낮췄다. 서비스 환경을 구축하려는 개발자를 위해 대규모 트래픽 처리가 가능한 vLLM 기반 프로덕션 레시피도 공식 지원한다.

왜 중요한가

글로벌 콘텐츠 제작자나 인디 게임 개발자에게 IndexTTS-2.5는 즉시 파이프라인에 도입할 만한 도구다. 5.5GB 남짓한 가벼운 모델로 5개 국어 음성 복제와 발음 교정, 감정 컨트롤을 추가 학습 없이 로컬에서 완벽하게 제어할 수 있다.

단순한 데모 공개에 그치지 않고 BF16 지원과 vLLM 서빙 연동을 제공해 실무 서비스에 바로 적용할 수 있는 길을 열어두었다는 점에서 높은 실용성을 지닌 오픈소스 프로젝트로 평가할 수 있다.