MOSS-TTS 오픈소스 공개: 몇 초 만에 음성 복제, 다중 화자 대화 지원

MOSS-TTS는 OpenMOSS 팀이 오픈소스로 공개한 다국어 텍스트 음성 변환 모델 패밀리입니다. 몇 초 분량의 참조 오디오만 넣으면 특정 인물의 목소리를 그대로 복제하거나 긴 호흡의 대화형 오디오를 손쉽게 만들어 줍니다.

모든 기능을 하나의 비대한 모델에 몰아넣지 않고, 실제 활용 시나리오에 맞춰 여러 특화 모델로 역할을 깔끔하게 분리했습니다.

어떤 기능이 있는가

MOSS-TTS 제품군은 실제 제작 환경에서 자주 쓰이는 주요 음성 작업들을 폭넓게 지원합니다.

가장 기본인 MOSS-TTS는 제로샷 음성 복제에 초점을 맞춥니다. 데이비드 애튼버러나 일론 머스크의 음성 샘플처럼 3초에서 5초 안팎의 목소리만 주어지면 말투와 음색의 특징을 자연스럽게 모사합니다.

팟캐스트나 오디오북처럼 긴 호흡의 다중 화자 콘텐츠가 필요하다면 MOSS-TTSD를 쓰면 됩니다. 여러 등장인물이 번갈아 말하는 대화 상황에 맞춰 설계되어, 감정 표현과 억양이 길게 이어져도 목소리가 무너지지 않습니다.

여기에 새로운 음색을 처음부터 디자인하는 voice generator, 실시간 대화형 서비스에 적합한 초저지연 realtime 스트리밍 모델, 효과음 전용 생성 모델까지 함께 제공됩니다.

벤치마크 테스트에서도 낮은 단어 오류율을 기록했으며, 음성 유사도 면에서는 Qwen 3TS를 앞서는 결과를 보이는 등 우수한 다국어 합성 성능을 나타냈습니다.

하드웨어 사양과 실행 방법

로컬 환경에서 구동하기 위한 하드웨어 진입 장벽도 높지 않은 편입니다.

8B 크기의 메인 모델은 약 17GB 수준이며, 1.7B 경량화 버전은 약 6GB에 불과합니다. 시중의 일반적인 소비자용 GPU에서도 무리 없이 메모리에 올려 동작시킬 수 있습니다.

현재 OpenMOSS는 GitHub 저장소를 통해 로컬 배포 안내 문서와 추론 코드를 공개했으며, Hugging Face에서도 가중치와 온라인 데모를 이용할 수 있습니다.

빠르게 품질을 체감해 보려면 Hugging Face Space에 올라온 데모를 확인하면 되고, 자체 서비스에 연동하려면 GitHub 가이드에 따라 가중치를 내려받아 로컬 파이프라인을 구축하면 됩니다.

왜 중요한가

AI 음성 비서나 낭독 파이프라인, 자동 더빙 도구를 기획 중인 개발자라면 MOSS-TTS를 내려받아 즉시 테스트해 볼 가치가 충분합니다. 1.7B 모델을 활용하면 비싼 외부 API 없이도 자체 인프라에서 고품질 음성 합성을 돌려볼 수 있습니다.

기존 오픈소스 음성 모델들은 긴 텍스트에서 톤이 흔들리거나 여러 화자가 섞일 때 어색해지는 문제가 잦았습니다. 복제, 다중 화자 대화, 실시간 스트리밍으로 모델을 분리해 최적화한 접근은 매우 실용적이라고 판단됩니다.

다만 참조 음성에 심한 주변 소음이나 특이한 억양이 섞여 있으면 복제 안정성이 떨어질 수 있으므로, 실제 서비스 적용 전 다양한 데이터셋으로 검증을 거치는 것이 좋습니다.