로컬 TTS 및 음성 복제 라이선스 2026: 상업적 사용이 가능한 엔진 (Piper, XTTS v2, F5-TTS, Coqui)

빠른 사실

• 가장 빠른 로컬 TTS: Piper — Raspberry Pi 5에서 실시간, 최신 데스크톱 CPU에서 실시간보다 ~10배 빠름.
• 최고의 음성 복제 품질: XTTS v2 — 6초의 참조 오디오, 17개 언어로 다국어 복제.
• 가장 빠른 zero-shot 음성 복제: F5-TTS — ~3초의 오디오, flow-matching, RTX 4070에서 ~3~5배 실시간.
• 가장 유연한 오픈소스 툴킷: Coqui TTS — VITS, Tacotron2, XTTS 백엔드 지원, 20개 이상의 언어 모델.
• 유일한 생성적 오디오: Bark — 웃음, 한숨, 음악, 환경음. 모든 엔진 중 가장 느림.
• 최고의 영어 내레이션 품질: StyleTTS 2 — 확산 기반 스타일 전달, LJSpeech 벤치마크에서 거의 인간에 가까운 MOS.
• 상업적 사용 무료: Piper, Bark, StyleTTS 2(MIT); Kokoro, Tortoise(Apache 2.0); Coqui TTS 툴킷(MPL 2.0, 조건부). 비상업용: XTTS v2(CPML), F5-TTS(CC-BY-NC-4.0).
• XTTS v2 음성 및 언어: 고정된 음성 목록이 없습니다 — 6초의 참조 클립을 제공하면 그 음성을 복제합니다. 모델에는 내장 화자 프리셋이 함께 제공되며, 17개 언어로 생성합니다: en, es, fr, de, it, pt, pl, tr, ru, nl, cs, ar, zh-cn, ja, hu, ko, hi.
• XTTS v2 VRAM: 모델 가중치 ~2 GB; 실행에 최소 4 GB, 실시간 추론에 4~6 GB 권장.
• CI/Docker에서 CPML 수락: export COQUI_TOS_AGREED=1 — 대화형 프롬프트가 필요 없습니다.
• VRAM 요구 사항: Piper: CPU 전용. Kokoro: CPU / 1~2 GB. StyleTTS 2: 2~4 GB. Coqui VITS: 2~4 GB. F5-TTS: 3~5 GB. XTTS v2: 4~6 GB. Bark: 4~8 GB. Tortoise: 4~8 GB.

로컬 TTS가 중요한 이유

• 프라이버시: 텍스트 콘텐츠가 컴퓨터를 벗어나지 않습니다. 의료 받아쓰기, 법적 요약, 기밀 문서 낭독에 필수적입니다.
• 비용: 클라우드 TTS 가격은 일반적으로 백만 문자당 $4~$30입니다. 월 1천만 문자를 생성하는 개발자는 로컬 설정으로 월 $40~$300을 절약할 수 있습니다.
• 지연 시간: 네트워크 왕복 없음. Piper는 CPU에서 50ms 미만에 첫 오디오 토큰을 생성합니다.
• 사용자 지정: 음성 복제(XTTS v2, F5-TTS, Coqui)는 몇 초의 오디오에서 사용자 지정 음성을 만들 수 있습니다.
• 오프라인 운영: 비행기, 보안 시설, 인터넷이 없는 원격 지역에서 작동합니다.
• 스마트 홈: Piper는 항상 켜져 있는 로컬 음성 인터페이스를 위한 주요 TTS 레이어입니다 — Raspberry Pi에서 실시간, GPU 불필요. 스마트 홈용 로컬 음성 어시스턴트 →를 참조하십시오.

비교 표

첫 오디오 지연 시간 비교

Piper TTS — 가장 빠른 경량 옵션

• 아키텍처: ONNX 추론이 있는 VITS 신경망 TTS. 단일 보드 컴퓨터와 임베디드 Linux용으로 설계.
• 설치: pip install piper-tts. 사전 학습된 음성 패키지는 Hugging Face의 Piper voices 저장소에서 사용 가능합니다.
• 음성 패키지: 20개 이상의 언어, 언어당 다양한 음성 옵션. 각 음성 패키지는 20~200 MB의 ONNX 모델 파일입니다.
• 속도: 최신 데스크톱 CPU에서 실시간보다 ~10배 빠릅니다. Raspberry Pi 5에서 실시간. 첫 오디오 지연 시간 50ms 미만.
• Apple Silicon: M5 Pro에서 ~15배 실시간(CPU, ARM NEON).
• 이상적인 용도: 홈 어시스턴트, 키오스크 장치, 임베디드 음성 인터페이스, GPU가 없는 프라이버시 중심의 낭독.
• 제한 사항: 음성 복제 없음. 품질은 "좋음" — XTTS v2 또는 StyleTTS 2에 비해 명확히 합성음으로 들립니다.
• 라이선스: MIT — 완전한 상업적 사용 가능.
• 샘플 듣기: Piper 음성 샘플
• Kokoro TTS — Piper의 대안: Kokoro TTS는 CPU에서 빠른 속도를 유지하면서 Piper보다 더 자연스러운 음질을 달성합니다. Apache 2.0 라이선스. Kokoro

Coqui TTS — 최고의 오픈소스 툴킷

• 설치: pip install TTS. 모델은 첫 사용 시 자동으로 다운로드됩니다.
• 백엔드 옵션: VITS(가장 빠름, 좋은 품질), Tacotron2(구형, 더 느림), XTTS(최고 품질).
• 언어: tts --list_models를 통해 20개 이상의 언어 모델 사용 가능.
• VRAM: VITS 백엔드: 2~4 GB; XTTS 백엔드: 4~6 GB.
• Apple Silicon: M5 Pro에서 ~8배 실시간(CPU). Metal GPU 가속 없음.
• 커뮤니티 현황: Coqui Inc는 2024년 1월에 문을 닫았습니다. 오픈소스 저장소(coqui-ai/TTS)는 커뮤니티에서 유지 관리합니다. 활성 상업적 지원은 없습니다.
• 라이선스: MPL 2.0 — 상업적 사용 허용, 단 수정 사항의 소스 코드를 공개해야 합니다.
• 이상적인 용도: 허용적 라이선스의 오픈소스 툴킷으로 음성 복제를 원하는 개발자.

XTTS v2 — 최고의 음성 복제 품질

• 음성 복제: 6초의 참조 오디오로 설득력 있는 음성 복제가 가능합니다. 3초도 허용 가능한 품질을 생성합니다.
• 다국어 복제: 한 언어로 음성을 복제하고 동일한 음성 특성으로 17개 언어에서 말하기를 생성합니다.
• 언어(17개): 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어, 폴란드어, 터키어, 러시아어, 네덜란드어, 체코어, 아랍어, 중국어(zh-cn), 일본어, 헝가리어, 한국어, 힌디어. 한국어와 힌디어는 XTTS v2.0.3에서 추가되었습니다.
• "XTTS v2 음성": 이름이 지정된 고정 음성 카탈로그는 없습니다. XTTS v2는 복제 모델입니다 — 6초의 참조 클립을 제공하면 해당 화자를 재현합니다. 저장소에는 빠른 테스트를 위한 몇 가지 내장 화자 프리셋이 제공되지만, 의도된 워크플로는 자신의 speaker_wav를 제공하는 것입니다.
• VRAM: 모델 가중치는 ~2 GB입니다. 4 GB VRAM이 실질적인 최소치이며, 실시간 추론에는 4~6 GB가 권장됩니다. CPU에서도 동작하지만 ~5~10배 느립니다.
• 속도: 느림 — RTX 4070에서 ~2배 실시간. 실시간 음성 어시스턴트 파이프라인에 적합하지 않습니다.
• Apple Silicon: M5 Pro에서 ~3배 실시간(CPU, Metal 가속 없음).
• 샘플 듣기: Hugging Face의 XTTS v2 데모
• 라이선스: CPML(Coqui Public Model License) — 비상업용. CPML은 모델 및 그 오디오 출력의 개인, 연구, 취미 용도를 허용하지만, 별도의 상업용 계약 없이는 상업적 사용(유료 제품, SaaS, 광고 지원 콘텐츠, 클라이언트 작업)을 금지합니다. Coqui Inc가 2024년 1월에 문을 닫았으므로 현재 XTTS v2 상업용 라이선스를 판매하는 주체가 없습니다 — 실질적으로 XTTS v2를 비상업용으로만 취급하십시오. COQUI_TOS_AGREED 환경 변수는 CPML 비대화형 수락 섹션을 참조하십시오.

from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
tts.tts_to_file(
    text="안녕하세요, 저는 당신의 음성 어시스턴트입니다.",
    speaker_wav="reference_voice.wav",
    language="ko",
    file_path="output.wav"
)

Bark — 음성을 넘어선 생성적 오디오

• 고유한 기능: 텍스트에 `[laughs], [sighs], [music]`를 포함하면 Bark가 음성과 함께 해당 사운드를 생성합니다.
• 속도: 느림 — RTX 4090에서도 실시간보다 2~4배 느립니다.
• Apple Silicon: M5 Pro에서 ~1.5배 실시간(CPU, 부분적 MPS).
• 이상적인 용도: 창의적 오디오, 음향 효과가 있는 팟캐스트 제작, 인터랙티브 픽션.
• VRAM: GPU 4~8 GB.
• 설치: pip install suno-bark. 모델은 첫 실행 시 다운로드됩니다(~2 GB).
• 라이선스: MIT — 완전한 상업적 사용 가능.
• 제한 사항: 신뢰할 수 있는 음성 복제 없음.

StyleTTS 2 — 최고의 자연스러운 품질

• 품질: LJSpeech 벤치마크에서 오픈소스 영어 TTS 엔진 중 가장 높은 MOS 점수.
• 이상적인 용도: 오디오북 내레이션, 전문 보이스오버, 팟캐스트 제작.
• 설치: GitHub 저장소 클론, pip install -r requirements.txt, 모델 체크포인트 다운로드(~500 MB).
• 언어 지원: 주로 영어. 영어 이외의 언어 사용은 권장하지 않습니다.
• 음성 복제: 지원되지 않습니다.
• VRAM: GPU 2~4 GB. RTX 4070에서 ~5~8배 실시간.
• 라이선스: MIT — 완전한 상업적 사용 가능.
• 샘플 듣기: GitHub의 StyleTTS 2

F5-TTS — Zero-shot 음성 복제, 완전 개방형

• 아키텍처: Flow-matching(확산의 변형). 일반적으로 경쟁력 있는 품질로 더 빠른 추론을 제공합니다.
• 음성 복제: ~3초의 참조 오디오로 zero-shot 음성 복제가 가능합니다.
• 품질: 영어에서 XTTS v2와 경쟁적. 커뮤니티 평가에서 MOS 약 ~4.1.
• 속도: RTX 4070에서 ~3~5배 실시간.
• VRAM: GPU 3~5 GB 권장.
• 설치: pip install f5-tts 또는 GitHub에서 클론.
• 라이선스: CC-BY-NC-4.0 — 비상업적 사용만 가능.
• 중요한 이유: XTTS v2가 너무 느리거나 CPML 라이선스가 우려되는 경우 F5-TTS가 주요 대안입니다.

라이선스 및 상업적 사용 — 이 TTS 엔진을 상업적으로 사용할 수 있습니까?

CPML(Coqui Public Model License)이란 무엇입니까?

• 정식 명칭: Coqui Public Model License(CPML) — Coqui AI가 XTTS v2 모델 가중치를 위해 특별히 작성한 소스 공개형 비상업용 라이선스.
• 상업적 사용, 공식 상태: 허용되지 않음. CPML 문서는 상업적 이용을 명시적으로 제한하며, 현재 공식 상업용 라이선스는 판매되지 않습니다 — Coqui Inc는 2024년 1월에 문을 닫았습니다.
• CPML의 비상업용 범위: 개인 사용, 연구, 학술 작업은 허용되며 생성된 오디오 출력의 사용도 포함됩니다 — 단, 해당 배포에서 수익이 발생하지 않는 경우에 한합니다.
• 오픈소스가 아님: Open Source Initiative(OSI)는 CPML을 승인하지 않았습니다. 모델 가중치가 공개적으로 다운로드 가능하더라도, 이는 오픈소스가 아닌 소스 공개형입니다.
• 모델 가중치에 적용되며 툴킷에는 적용되지 않음: CPML은 XTTS v2 모델 파일 자체를 규정합니다. 이를 둘러싼 Coqui TTS 툴킷 코드는 별도로 MPL 2.0 하에 라이선스되어 있으며, 수정 사항 공개를 조건으로 상업적 이용이 허용됩니다.

CPML 비대화형 수락 (COQUI_TOS_AGREED)

• 셸 / CI: 스크립트를 실행하기 전에 export COQUI_TOS_AGREED=1.
• Docker: Dockerfile에 ENV COQUI_TOS_AGREED=1을 추가하거나 docker run에 -e COQUI_TOS_AGREED=1을 전달하십시오.
• Python(모델 로드 전에 설정): `import os; os.environ["COQUI_TOS_AGREED"] = "1" — TTS(...)`가 XTTS 모델을 인스턴스화하기 전에 실행되어야 합니다.
• 기능: CPML의 비대화형 수락을 기록하여 모델 로드가 y/n 프롬프트에서 멈추지 않도록 합니다. 상업용 라이선스가 아니며 비상업용 제한을 제거하지 않습니다.

# 1) Shell / CI — accept the CPML once for the session
export COQUI_TOS_AGREED=1

# 2) Dockerfile — bake acceptance into the image
# ENV COQUI_TOS_AGREED=1

# 3) Python — set it before the model is created
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # must be set BEFORE the TTS() call below

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# Model now loads without the interactive license prompt

로컬 TTS vs ElevenLabs 및 클라우드 TTS

• 품질 상한선: ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper.
• 지연 시간: 로컬 Piper(첫 오디오 ~30~50 ms)는 ElevenLabs API 왕복(~300~500 ms)보다 빠릅니다.
• 비용: ElevenLabs는 월 $5~99 요금을 청구합니다. 로컬 TTS는 초기 하드웨어 이후 $0입니다.
• 프라이버시: 로컬 TTS = 오디오 데이터가 어디에도 전송되지 않음. 민감한 콘텐츠에 필수적입니다.
• 오프라인 기능: 로컬 = 완전 오프라인. ElevenLabs = 인터넷 필요.
• 클라우드를 사용할 때: 전문 음성 제작, 최고 품질이 필요한 고객 대면 제품.
• 로컬을 사용할 때: 프라이버시 중요 오디오, 임베디드 장치, 비용에 민감한 배치 처리, 오프라인 환경.

선택 방법

• 음성 복제가 필요합니까? → 예: XTTS v2(최고 품질, CPML) 또는 F5-TTS(더 빠름, CC-BY-NC-4.0) 또는 Coqui VITS(좋은 품질, MPL 2.0). 아니오: Piper(속도), StyleTTS 2(품질).
• CPU / Raspberry Pi 전용으로 실행해야 합니까? → Piper만. Kokoro는 더 높은 품질 CPU 대안입니다.
• 비음성 사운드가 있는 창의적 오디오가 필요합니까? → Bark.
• 최고의 영어 내레이션 품질이 필요합니까? → StyleTTS 2.
• 다국어 지원이 필요합니까? → XTTS v2(17개 언어, 다국어 복제), Coqui(20개+ 언어), Piper(20개+ 언어 패키지).
• 완전히 상업적인 MIT 라이선스가 필요합니까? → Piper, Bark 또는 StyleTTS 2.
• 음성 어시스턴트 파이프라인을 구축 중입니까? → 낮은 지연 시간 TTS 출력을 위해 Piper를 사용하십시오(/ko/power-local-llm/build-local-voice-assistant-2026 참조).

자주 묻는 질문

참고 자료

• GitHub의 Piper TTS — 소스 코드, 음성 패키지, ONNX 모델 다운로드 및 Raspberry Pi 설정 가이드.
• GitHub의 Coqui TTS — 소스 코드, 모델 목록, 음성 복제 문서 및 Python API 참조.
• XTTS v2 문서 — XTTS v2 모델 카드, 라이선스(CPML) 및 음성 복제 API.
• GitHub의 Bark — 소스 코드, 오디오 프롬프트 토큰, 모델 다운로드 및 출력 예제.
• GitHub의 StyleTTS 2 — 아키텍처 논문, 모델 체크포인트 및 추론 가이드.
• GitHub의 F5-TTS — zero-shot 음성 복제가 있는 flow-matching TTS.
• GitHub의 Kokoro TTS — Apache 2.0 라이선스의 경량 고품질 TTS, CPU에 최적화.
• GitHub의 Tortoise TTS — 음성 복제가 있는 고품질 다중 음성 TTS, Apache 2.0 라이선스. 매우 느리지만 상업적으로 친화적.
• Hugging Face의 XTTS-v2 LICENSE.txt (CPML) — XTTS v2를 규율하는 Coqui Public Model License의 전체 텍스트.
• Hugging Face의 Piper voices — 음성별 라이선스 정보와 함께 사용 가능한 모든 언어/음성 패키지.
• Piper 음성 샘플 — 지원되는 언어의 모든 Piper 음성에 대한 오디오 데모.

관련 읽을거리

• 2026년 완전 오프라인 음성 어시스턴트 구축 — 완전한 Whisper + LLM + TTS 파이프라인의 출력 레이어로 Piper 또는 Coqui TTS를 사용합니다.
• 로컬 음성 인식 2026: Whisper.cpp vs faster-whisper — 음성 파이프라인의 입력 측면: TTS를 보완하는 STT.
• 로컬 멀티모달 AI 파이프라인 2026 — 완전한 멀티모달 스택의 음성 출력 레이어로 TTS를 통합합니다.
• 스마트폰에서 로컬 음성 어시스턴트 구축 — iOS 시스템 TTS 또는 Piper를 사용한 모바일 음성 어시스턴트.
• 로컬 LLM용 최고의 예산 GPU — XTTS v2, F5-TTS, Bark 또는 StyleTTS 2 추론 실행을 위한 GPU 선택.
• 콘텐츠 크리에이터를 위한 최고의 AI 텍스트 음성 변환 — Piper vs Coqui XTTS vs ElevenLabs Local: 음성 품질 및 지연 시간 비교.