1.8GB 경량화로 CPU 구동 지원하는 로컬 음성 복제 TTS 'Tontaube V1.1' 공개
Craitech이 1.8GB 크기의 4비트 양자화 버전과 5가지 발화 스타일 조절 노브를 지원하는 로컬 텍스트 음성 변환 모델 Tontaube V1.1을 공개했습니다.
인공지능 오디오 전문 개발팀 Craitech이 2026년 11월 15일, 사용자 개인 PC 환경에서 음성 복제와 실시간 스트리밍 생성을 지원하는 텍스트 음성 변환(TTS, Text-to-Speech) 모델 'Tontaube V1.1'의 가중치와 추론 서버를 공개했습니다.

이미지 출처: Hane Lab
이번 릴리즈는 클라우드 서버에 음성 데이터를 전송하지 않고 온디바이스 환경에서 오디오를 합성할 수 있도록 설계된 것이 핵심입니다. 특히 4비트(int4) 정수 양자화 기술을 적용해 다운로드 용량을 1.8GB 수준으로 줄이면서, 고가의 AI 가속용 그래픽카드 없이 일반 중앙처리장치(CPU)와 보급형 GPU에서도 구동할 수 있는 경로를 열었습니다.
로컬 환경에서 음성 복제를 지원하는 Tontaube V1.1의 주요 변화
Tontaube V1.1은 텍스트를 음성으로 변환해 읽어주는 TTS 시스템입니다. 기존 상용 음성 합성 서비스 다수가 클라우드 API 호출 방식을 채택해 오디오 분당 과금과 프라이버시 노출 문제를 수반했던 것과 달리, 로컬 하드웨어에서 독립적으로 동작하는 구조를 지닙니다.
이번 판올림의 핵심 기능은 목표 화자의 짧은 음성 샘플을 기반으로 어조와 음색을 재현하는 음성 복제(Voice Cloning)와 긴 문장 낭독, 그리고 입력된 문장을 처리하면서 첫 단어부터 지연 없이 소리를 출력하는 저지연 스트리밍 순차 생성입니다.
특히 V1.1에서는 발화 표현력을 세부적으로 다듬을 수 있는 5가지 조절 장치(노브)와 함께, 보컬 및 음성 모델 생태계의 외부 음성 엔진인 'VibeVoice'와의 연동 파이프라인이 정식 탑재되었습니다. 오디오 제작자가 단순히 텍스트만 넘겨주는 형태를 벗어나 오디오 파라미터를 직접 통제할 수 있는 기반이 마련된 셈입니다.
4비트 양자화로 낮춘 하드웨어 진입 장벽과 CPU 추론
Tontaube V1.1의 가장 두드러진 기술적 진전은 모델 용량과 연산 자원의 다이어트입니다.
통상 고품질 음성 합성 모델은 소수점 데이터를 정밀하게 다루는 16비트 부동소수점 형식으로 배포됩니다. Tontaube 역시 원본 정규 가중치 버전은 다운로드 크기가 약 6.4GB에 달하며, 오픈소스 고속 서빙 엔진인 vLLM을 활용해 완전 정밀도로 지연 없이 구동하려면 최소 24GB 이상의 GPU 전용 메모리(VRAM)가 필요합니다. 이는 개인 창작자나 일반 데스크톱 사용자에게는 상당한 하드웨어 장벽이었습니다.
Craitech은 이러한 연산 부담을 극복하기 위해 연산 단위를 4비트 정수로 압축하는 int4 양자화 버전을 별도로 배포했습니다.
- 다운로드 크기 1.8GB 축소: 정규 버전 대비 용량을 70% 이상 줄여 저장공간과 네트워크 다운로드 부담을 크게 덜었습니다.
- CPU 및 보급형 GPU 추론 지원: 대용량 VRAM을 갖춘 데이터센터급 가속기가 없어도 일반 데스크톱의 CPU와 엔트리급 외장 그래픽카드에서 모델을 적재해 곧바로 추론할 수 있습니다.
작업 공간의 인터넷 연결이 제한되거나 개인 목소리 데이터의 외부 유출을 원천 차단해야 하는 로컬 워크플로에서, 1.8GB 크기의 경량 모델은 온디바이스 보이스 파이프라인의 실용적인 시작점이 될 수 있습니다.
5가지 발화 스타일 조절 노브와 VibeVoice 연동
기존 로컬 음성 합성 모델들은 화자의 목소리를 복제하더라도 어조가 밋밋하거나 문맥에 맞지 않게 일정한 톤으로 출력되는 한계가 잦았습니다. Tontaube V1.1은 이를 개선하기 위해 다섯 가지 직관적인 발화 조절 노브를 도입했습니다.
- 발화 속도(Speaking Rate): 전체적인 읽기 템포를 조절해 긴 내레이션이나 빠른 대화체를 구성합니다.
- 일시정지(Pauses): 문장 부호와 단락 사이의 숨고르기 간격을 제어해 호흡감을 만듭니다.
- 억양(Intonation): 문장 끝의 높낮이나 강조점을 조절해 전달력을 보강합니다.
- 피치(Pitch): 음의 기본 주파수 높낮이를 미세 조정해 목소리의 밝기나 묵직함을 바꿉니다.
- 발음 명확도(Clarity of Pronunciation): 음소 단위의 조음 강도를 조절해 자연스러운 구어체와 또렷한 낭독체를 오갈 수 있습니다.
여기에 더해 다른 음성 변환 모델인 VibeVoice 연동을 지원함으로써, 생성된 음성의 질감을 다듬거나 추가적인 사운드 텍스처를 부여하는 후처리 워크플로 연결이 한층 수월해졌습니다.
지원 언어의 한계와 이원화된 라이선스 체계
Tontaube V1.1을 프로덕션이나 개인 프로젝트에 도입하기 전에 점검해야 할 명확한 기술적·법적 제약 사항도 존재합니다.
첫째는 언어 지원 범위입니다. 이번 버전에서 공식 지원하는 언어는 영어, 독일어, 스페인어, 프랑스어, 이탈리아어, 네덜란드어, 포르투갈어 등 총 7개 유럽 권역 언어에 국한됩니다. 한국어와 일본어를 포함한 아시아권 언어는 지원 목록에 포함되지 않았으므로, 국내 사용자가 한국어 대본을 직접 낭독하거나 한국어 목소리를 복제하는 용도로는 즉각 활용할 수 없습니다.
둘째는 오픈소스 라이선스 정책의 이원화 구조입니다.
- 추론 서버 코드: 오픈소스 표준인 Apache-2.0 라이선스로 배포되어 파이프라인 통합과 수정 배포가 비교적 자유롭습니다.
- 모델 가중치(Weights): 범용 오픈소스가 아닌 전용 '커뮤니티 라이선스'가 적용되어 상업적 활용 조건이나 재배포 범위에 별도의 제한 규정이 따릅니다.
따라서 음성 복제 기술을 상용 서비스나 외부 상업용 콘텐츠 파이프라인에 탑재하려는 기업 및 창작자는 공식 모델 저장소에 명시된 커뮤니티 라이선스 이용약관을 사전에 면밀히 확인해야 합니다.
출처
- Hugging Face 공식 모델 저장소: TontaubeAI/TontaubeV1.1
- Hane Lab 기술 리포트: Generative AI News: Seedance 2.5 Flash, Tontaube V1.1 and Wonder 4