Kyutai Pocket TTS: CPU 기반 고속 로컬 TTS 엔진
1. 개요
- 정의: Kyutai에서 개발한 Pocket TTS는 별도의 GPU 서버나 클라우드 API 호출 없이 오직 CPU만을 활용하여 엣지 디바이스나 로컬 개발 환경에서 빠르게 구동되는 100M(1억) 파라미터 규모의 고속 가량 음성 합성(TTS) 모델입니다.
- 장점: AI 에이전트 파이프라인 구축 시 고비용 GPU 리소스 요건을 피하고 프라이버시가 보장되는 온디바이스 음성 피드백 루프를 실현할 수 있습니다.
2. 주요 성능 및 기술 사양
- 속도 및 리소스: 2개의 CPU 코어만 사용하여 실시간 대비 6배 빠른(6× real-time speed) 음성 합성을 처리합니다.
- 첫 청크 지연 시간(Latency): 첫 오디오 청크를 반환하기까지 약 200ms가 소요됩니다.
- 음성 복제 (Voice Cloning): 임의의 짧은 단일 WAV 파일 입력만으로도 해당 발화자의 목소리를 복제하여 음성을 생성해 낼 수 있습니다.
- 스트리밍 지원: 합성이 완전히 끝나지 않더라도 실시간 오디오 스트리밍 출력을 지원합니다.
- 다국어 처리: 영어, 프랑스어, 독일어, 포르투갈어, 이탈리아어, 스페인어 등 다국어 번역 발화를 지원합니다.
3. 개발 연동성
- OpenAI 호환 API:
pocket-tts serve 명령어를 사용하여 실행하면 OpenAI 오디오 API 규격을 제공하는 로컬 HTTP 웹 서버로 동작하므로, 기존 애플리케이션의 Drop-in 대체가 쉽습니다.
- 텍스트 길이 무제한: 긴 텍스트 입력 시 인위적인 텍스트 청킹(Chunking) 없이 한 번에 긴 처리가 가능합니다.
- 브라우저 구동: 커뮤니티 구현체를 통해 WebAssembly(Wasm) 기반으로 웹 브라우저 로컬 샌드박스에서 직접 구동할 수 있습니다.