CPU 음성 합성 모델 비교: 빠른 모델과 품질 좋은 모델이 갈렸다
작은 모델 4종을 그래픽카드 없이 CPU에서 비교한 결과다. 테스트 대상은 82M, Supertonic 3, Inflect-Nano-v1, Kyutai의 Pocket TTS였다. 환경은 Intel Xeon 8272CL CPU 4코어, 메모리 15.6GB였고, CUDA는 꺼 두어 그래픽카드를 쓰지 않았다.
글 길이는 12자부터 1,712자까지 6단계로 나눴고, 각 조건을 예열 실행 뒤 5번씩 재서 총 180번 실행했다. 음성 품질은 UTMOS로 점수를 매겼다. 평균 RTF는 Supertonic 3 2단계가 0.121로 가장 빨랐지만 품질 점수는 1.53으로 낮았다.
Inflect-Nano-v1은 RTF 0.145, 품질 3.48이었다. Supertonic 3 5단계는 RTF 0.240, 품질 4.32였고, 82M은 ONNX와 모두 RTF 약 0.64~0.67, 품질 약 4.44~4.46이었다. Pocket TTS는 RTF 0.714, 품질 4.10으로, 빠르지는 않지만 CPU만으로도 쓸 수 있는 수준의 품질을 보였다.
핵심 포인트
- 그래픽카드 없이 CPU 4코어 환경에서 작은 모델들을 비교했다.
- Supertonic 3 2단계는 가장 빨랐지만 음성 품질 점수가 낮았다.
- 82M은 속도는 느린 편이지만 품질 점수가 가장 높았다.
- Pocket TTS는 새 구조의 모델로 비교됐고, CPU에서도 중간 이상 품질을 냈다.
- 의 출력 비용과 서버 구성을 고를 때 참고할 수 있다.