최근 텍스트 음성 변환(TTS) 기술이 발전하면서, 고가의 전용 그래픽 처리 장치(GPU) 없이도 일반 중앙 처리 장치(CPU)만으로 현실적인 품질의 음성을 생성할 수 있게 되었습니다. '코코로(Kokoro)'는 이러한 발전을 대표하는 82M 파라미터 모델로, 개인정보 유출 우려 없이 로컬 환경에서 음성 합성을 가능하게 하여 주목받고 있습니다.
코코로는 영어에 최적화되어 있지만 중국어, 힌디어 등 다양한 언어를 지원하며 약 50가지 음성을 제공합니다. 가장 쉬운 사용법은 '코코로-FastAPI' 컨테이너를 실행하는 것으로, 미리 학습된 음성 모델이 포함되어 있어 이미지 크기는 약 5GB에 달합니다. 특히 OpenAI 스피치 API와 호환되는 인터페이스를 제공하여, 기존 OpenAI API 기반 프로그램을 로컬 TTS로 비교적 쉽게 전환할 수 있다는 장점이 있습니다. 실제 테스트 결과, 12년 전 출시된 인텔 코어 i7-4770K CPU에서도 짧은 문단 합성에 4.7초가 소요되는 등, 오래된 CPU에서도 충분히 활용 가능한 성능을 보여줍니다.
이러한 로컬 TTS 솔루션의 등장은 여러 면에서 중요한 의미를 가집니다. 첫째, 개인 정보 보호 측면에서 민감한 텍스트 데이터를 외부 서비스에 전송할 필요 없이 자체적으로 처리할 수 있게 됩니다. 둘째, GPU를 대규모 언어모델(LLM) 추론 등 다른 고성능 작업에 할당하고 TTS는 CPU가 담당함으로써 자원 활용의 효율성을 높일 수 있습니다. 셋째, 로컬 LLM과 결합하면 LLM의 답변을 읽는 대신 음성으로 들을 수 있는 새로운 사용자 경험을 제공하여, 접근성을 향상시키고 더욱 자연스러운 인터랙션을 가능하게 할 것입니다. 이는 오디오북이 없는 전자책을 음성으로 듣거나, 웹페이지 콘텐츠를 음성으로 소비하는 등 다양한 애플리케이션으로 확장될 잠재력을 가지고 있습니다.