NVIDIA GPU 환경을 위한 최고의 로컬 TTS 엔진(2026)

XTTS v2, Chatterbox, Bark는 모두 CPU에서 실행되지만, 실시간 또는 배치 사용을 실용적으로 만드는 것은 GPU입니다 — Kokoro는 예외로, 8200만 개 파라미터 덕분에 CPU만으로도 빠르게 동작합니다. 더 무거운 세 엔진에는 공통점이 있습니다. 클로닝 또는 생성 품질을 우선시하는 모델로, 아키텍처가 연산력을 표현력과 맞바꾸므로 CUDA 가속은 미미한 속도 향상이 아니라 병목 자체를 제거합니다.

음성 클로닝, 비언어적 표현력 오디오, 또는 생성 속도가 중요한 워크로드—배치 내레이션 작업, 인터랙티브 음성 애플리케이션, 다수의 클립을 생성하는 파이프라인 등—라면 GPU 지향 엔진(XTTS v2, Chatterbox, Bark)을 사용하세요. 클로닝이 필요 없는 단순한 텍스트 내레이션만 필요하다면 TTS에 GPU VRAM을 소비하지 마세요. Kokoro나 Piper는 CPU만으로 이런 경우를 처리하며, 병렬로 실행되는 LLM 등 다른 워크로드를 위해 VRAM을 확보해 줍니다.

Coqui가 공개하고 Coqui TTS 툴킷을 통해 실행되는 XTTS v2는, 짧은 참조 클립으로부터 달성 가능한 최고 품질을 필요로 하는 GPU 보유자에게 최고의 로컬 음성 클로닝 옵션입니다. 단 6초의 참조 오디오만으로 목소리를 복제하고 17개 언어로 다시 말하게 할 수 있으며, 크로스 언어 클로닝—영어 오디오에서 목소리를 복제한 뒤 스페인어나 일본어로 말하게 하는 것—도 포함됩니다.

VRAM 측면에서 XTTS v2의 모델 가중치는 약 2GB이지만, 실행을 위한 실질적인 최소치는 4GB이며 실시간 추론에는 4-6GB가 권장됩니다. 자세한 내용은 PromptQuorum의 XTTS v2 리뷰를 참고하세요. 대부분의 독자에게 결정적인 요소는 라이선스입니다. Coqui Public Model License(CPML)는 명시적으로 비상업용이며, 이 회사인 Coqui AI가 2023년 12월 유료 서비스를 종료했기 때문에 현재 확인된 활성 상업용 라이선스 경로는 없습니다.

Resemble AI가 GitHub에 공개한 Chatterbox는, 완전히 자유롭고 상업적으로 사용 가능한 라이선스 아래 실시간 대화형 음성 클로닝을 원하는 GPU 보유자에게 최고의 선택지입니다. MIT 라이선스를 따르며, XTTS v2의 비상업용 CPML과 달리 별도 계약 없이 상업적 사용이 가능합니다.

Chatterbox는 여러 크기로 제공됩니다. Resemble AI 자체 문서에 따르면 8코어 CPU에서 실시간보다 빠르게 실행되는 Nano 변형(1억 1000만 파라미터), 낮은 지연 시간을 위해 만들어진 Turbo 변형(3억 5000만 파라미터), 그리고 아키텍처상 Llama 3를 근간으로 언급하는 백본을 가지고 20개 이상의 언어를 지원하는 다국어 변형(약 5억 파라미터)이 있습니다. 제로샷 음성 클로닝은 참조 오디오 클립을 통해 작동합니다 — Resemble AI 자체 예시는 10초 클립을 사용하지만, README에는 XTTS v2처럼 공식 최소 길이가 명시되어 있지 않습니다.

Resemble AI의 공개 README에는 정확한 VRAM 수치가 게시되어 있지 않으므로, 다른 곳에서 본 구체적인 GB 수치는 자신의 카드에서 직접 테스트하기 전까지는 미확인 정보로 취급하세요. 문서화된 내용은 다음과 같습니다. Nano 변형은 CPU만으로도 무난하게 실행되는 반면, 더 큰 Turbo 및 다국어 변형은 GPU 가속의 저지연 생성을 위해 설계되었으며 — CUDA와 Apple Silicon(MPS)을 모두 지원합니다.

Suno가 GitHub에 공개한 Bark는, 음성 이상의 것 — 웃음, 한숨, 헐떡임, 그리고 텍스트 프롬프트만으로 생성되는 간단한 음악 — 을 원할 때 올바른 선택이며, 이 비교에서 GPU의 혜택을 가장 많이 받는 엔진입니다. 토큰 단위로 생성하는 아키텍처가 CUDA 가속 없이는 네 엔진 중 가장 느리기 때문입니다. 사용자 지정 음성 클로닝은 지원하지 않습니다. Suno 자체 문서에 따르면 "현재 사용자 지정 음성 클로닝을 지원하지 않습니다".

VRAM 측면에서 PromptQuorum의 Bark 리뷰에 따르면 전체 모델은 약 12GB를 필요로 하며, 소형 모델용 환경 변수 플래그(SUNO_USE_SMALL_MODELS)를 사용하면 이를 약 8GB로 줄일 수 있습니다 — XTTS v2의 4-6GB보다 눈에 띄게 많습니다. MIT 라이선스를 따르며 2023년 5월 1일부로 완전히 상업적으로 사용할 수 있게 되었지만, 유지 관리 상태는 실제로 해결되지 않은 문제입니다. 공개 GitHub 저장소는 2024년 4월 5일 이후 커밋이 없습니다.

Kokoro는 여기서 대비 사례로 다룹니다. NVIDIA GPU를 보유하고 있다고 해서 모든 TTS 워크로드에 GPU가 필요한 것은 아니며, Kokoro가 그 증거입니다. 8200만 개 파라미터로 XTTS v2, Chatterbox, Bark보다 훨씬 작으며, 자체 Hugging Face 모델 카드는 CPU만으로도 실시간 또는 그 이상의 속도로 합성이 이루어진다고 문서화하고 있습니다. GPU 사용은 필수가 아니라 여유를 더해 줄 뿐입니다.

Kokoro는 Apache 2.0 라이선스를 따르며, 이는 Chatterbox의 MIT 라이선스와 마찬가지로 제한 없이 상업적 사용을 허용합니다. 음성 클로닝을 지원하지 않으므로 클로닝이 요구 사항이라면 XTTS v2나 Chatterbox를 대체할 수 없지만, 단순한 내레이션, 텍스트 읽기, 또는 클로닝이 필요 없는 앱의 음성 레이어에는 더 가볍고 단순한 선택지입니다.

이 표는 원시 오디오 품질이 아니라, VRAM 요구 사항, 각 엔진이 CUDA 가속으로부터 얻는 이점, 음성 클로닝 기능, 라이선스라는 GPU 적합성 기준에 초점을 맞춰 네 엔진을 평가합니다.

6GB 이상의 VRAM을 가진 GPU는 이 비교의 모든 엔진을 여유롭게 커버하며, 예외는 약 12GB(소형 모델 플래그 사용 시 약 8GB)가 필요한 Bark의 전체 모델뿐입니다. 기본적으로 가장 무거운 옵션에 맞춰 구매하기보다는 실제로 필요한 엔진에 맞춰 카드를 선택하세요.

TTS에 국한되지 않은 로컬 AI 워크로드 전반에 대한 VRAM 등급별 GPU 선택 일반 가이드는 PromptQuorum의 로컬 LLM용 GPU 구매 가이드를 참고하세요 — 동일한 VRAM 우선 구매 논리가 TTS에도 적용되며, 이미 TTS와 함께 로컬 LLM을 실행하고 있다면 두 워크로드는 동일한 VRAM 풀을 두고 경쟁하게 됩니다.

실제 인물의 목소리를 본인의 인지나 명시적 동의 없이 복제하는 것은 라이선스와는 별개의 문제이며, 사용하는 엔진, 라이선스, 상업적 지위와 무관하게 적용됩니다. XTTS v2와 Chatterbox는 모두 성능이 뛰어난 범용 음성 클로닝 도구이며, 제공한 참조 오디오가 클로닝에 동의한 본인의 것인지 검증하는 기능은 둘 다 없습니다.

동의 없이 목소리를 클로닝하는 것은 프로젝트가 상업적이든 개인적이든, 모델의 라이선스 조건과 무관하게 동의, 퍼블리시티권, 그리고 일부 관할권에서는 사기나 신원 도용과 관련된 문제를 야기할 수 있습니다. 이는 법률 자문이 아니라 사실에 근거한 안내입니다 — 실제 인물의 목소리를 클로닝하는 제품을 만들고 있다면 변호사와 상담하고, 목소리를 클로닝하는 모든 사람으로부터 항상 명확하고 문서화된 동의를 받으세요.

이미 NVIDIA GPU를 보유하고 있으며 이를 텍스트 음성 변환에 활용하고자 하는 독자에게는, 오디오가 무엇을 해야 하는지에 따라 선택이 달라집니다. 비상업용 CPML 라이선스를 고려할 때, 비상업적 또는 연구 목적에서 달성 가능한 최고의 음성 클로닝 품질을 원한다면 XTTS v2가 선택지입니다. 동일한 클로닝 기능을 상업 제품에 탑재해야 한다면, MIT 라이선스와 실시간 지향의 더 작은 모델 크기 덕분에 Chatterbox가 선택지입니다. 프로젝트에 비언어적 표현력 오디오—웃음, 한숨, 간단한 음악—가 필요하고 이를 위해 8-12GB의 VRAM을 투입할 수 있다면, 유지 관리 상태가 불확실하다는 점을 유의한 채로 Bark가 선택지입니다. 클로닝이 요구 사항이 아닌 한 Kokoro는 여전히 올바른 선택입니다. CPU만으로도 여유롭게 실행되므로 이를 위해 GPU VRAM을 확보해 둘 가치는 거의 없습니다. 확신이 서지 않는다면 단순 내레이션에는 Kokoro로 시작하고, 실제로 클로닝 요구 사항이 생겼을 때에만 XTTS v2나 Chatterbox로 넘어가세요 — 그렇게 하면 로컬 LLM을 포함해 함께 실행하는 다른 작업을 위해 GPU의 VRAM을 계속 확보해 둘 수 있습니다. 여기서 언급한 각 엔진의 라이선스 상세 내용은 PromptQuorum의 로컬 TTS 및 음성 클로닝 라이선스 가이드를 참고하세요.