최근 코코로(Kokoro)라는 새로운 텍스트-음성 변환(TTS) 모델이 등장하며, 로컬 환경에서 고품질 음성 합성이 CPU만으로도 가능하다는 사실을 입증해 주목받고 있습니다. 불과 몇 년 전만 해도 현실적인 로컬 음성 생성은 상상하기 어려웠지만, 이제는 뛰어난 품질과 함께 개인 정보 보호까지 보장하며 새로운 가능성을 열고 있습니다.
코코로 모델은 단 82M(8천2백만) 개의 파라미터(매개변수)를 가졌음에도 영어, 중국어, 힌디어 등 여러 언어로 사실적인 음성을 생성하며, 주로 영어에 최적화된 약 50가지의 다양한 목소리를 제공합니다. 특히 인상적인 점은 이 모든 작업이 GPU 없이 CPU만으로 이루어진다는 것입니다. 12년 전 출시된 인텔 코어 i7-4770K와 같은 구형 CPU에서도 짧은 문단을 4.7초 만에 합성할 정도로 효율적이며, 애플 M2 Pro나 AMD 라이젠 7 8745HS 같은 최신 CPU에서는 1.5초 만에 합성을 완료합니다. 코코로-FastAPI(Kokoro-FastAPI) 컨테이너 이미지를 통해 쉽게 서버를 구축할 수 있으며, OpenAI 음성 API와 호환되어 기존 애플리케이션에 통합하기도 용이합니다.
이러한 로컬 CPU 기반 TTS 시스템은 여러 면에서 중요한 의미를 가집니다. 첫째, 클라우드 서비스에 의존하지 않고 사용자의 기기에서 직접 음성을 생성하므로 개인 정보 보호(privacy) 측면에서 매우 유리합니다. 민감한 정보가 외부 서버로 전송될 필요가 없어 보안 우려를 줄일 수 있습니다. 둘째, 저사양 기기나 인터넷 연결이 불안정한 환경에서도 고품질 음성 합성을 이용할 수 있게 되어 접근성이 크게 향상됩니다. 셋째, 대규모 언어모델(LLM)과 결합하여 LLM의 답변을 음성으로 들려주는 등 다양한 로컬 AI 애플리케이션 개발에 활용될 수 있습니다. 이는 개발자들에게 새로운 서비스와 제품을 만들 기회를 제공하며, AI 기술의 대중화와 개인화를 가속화할 잠재력을 가지고 있습니다.