CPU용 공개 음성 합성 모델 4종의 속도와 품질 비교
Neo라는 도구가 시험 코드와 방법을 만들고 실행 환경을 구성한 뒤, CPU에서 180번의 음성 생성을 시간 측정해 비교했다. 대상은 82M, Supertonic 3, Inflect-Nano, Kyutai Pocket TTS 등 공개 모델 4종이며, 결과는 차트와 표 파일로 정리됐다.
Pocket TTS는 5초짜리 참고 음성만으로 목소리를 복제했고, GPU나 없이 CPU에서 작동했다. 82M은 귀로 들었을 때 가장 자연스러웠고, 음성 길이보다 약 1.5배 빠르게 생성했다.
Supertonic 3는 고품질 모드에서 음성 길이보다 약 4배 빠르게 생성했다. 자동 음질 평가 도구 UTMOS는 Inflect-Nano에 괜찮은 점수를 줬지만, 실제 음성은 잡음이 섞인 듯하고 기계적으로 들려 자동 점수와 청감이 어긋났다.
핵심 포인트
- CPU에서 공개 모델 4종을 총 180번 생성해 비교했다.
- Pocket TTS는 5초의 참고 음성만으로 목소리를 복제하며 GPU와 이 필요 없었다.
- 82M은 가장 자연스럽게 들렸고 음성 길이보다 약 1.5배 빠르게 생성했다.
- Supertonic 3는 고품질 모드에서 음성 길이보다 약 4배 빠르게 생성했다.
- Inflect-Nano는 UTMOS 점수와 사람이 직접 들은 품질이 일치하지 않았다.