- Kokoro는 파라미터 82M짜리 경량 음성 합성 모델이다. 영어·중국어·힌디어 등 다국어로 현실적인 음성을 만들고 약 50개 음성을 제공(영어 최적화)
- 핵심은 GPU 없이 CPU만으로 돈다는 것. 82M이라는 작은 크기로 전문가급 품질을 내면서 소비자 하드웨어에서 실용적이다
- 실행은 컨테이너 한 줄. Kokoro-FastAPI 컨테이너를 띄우면 OpenAI 호환 API가 /v1에 뜬다 — 기존 OpenAI TTS 코드를 거의 그대로 붙일 수 있음
- 속도도 실용적 — 12년 된 인텔 CPU에서도 문단 하나를 4.7초, 최신 Ryzen에서는 1.5초에 읽음. 음성이 로컬에서 처리되니 프라이버시도 유지
Kokoro가 뭐고 왜 주목할 만한가
Kokoro는 82M(8,200만) 파라미터짜리 경량 TTS 모델이다. 이 크기로 영어·중국어(만다린)·힌디어를 포함한 다국어 음성을 현실적으로 합성하고 약 50개의 음성을 제공한다(영어에 주로 최적화).
값어치는 품질 대 효율 비율이다. 8,200만 파라미터면 요즘 LLM 기준으로 아주 작은데, 이 크기로 전문가급 음성 합성을 하면서 소비자 CPU에서 돌아간다. 클라우드를 안 거치고 로컬에서 처리하니 프라이버시도 지켜진다.
로컬에서 돌리는 법
설치는 컨테이너 하나다(약 5GB):
podman run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu띄운 뒤 localhost:8880/web로 웹 UI에 들어가면 바로 테스트할 수 있다. 컨테이너는 /v1에 OpenAI 호환 인터페이스를 제공하므로, 기존 OpenAI TTS를 쓰던 코드라면 base URL만 바꿔 붙이면 된다.
예를 들어 JavaScript 샘플은 이렇게 쓴다:
export TTS_API_BASE_URL=http://127.0.0.1:8880/v1
export TTS_VOICE="am_eric"
./speak.js "Good morning! How are you today?"음성은 TTS_VOICE 환경변수로 고른다.
성능
목성 설명 문단 하나를 읽히는 테스트에서:
- Intel Core i7-4770K(12년 된 CPU): 4.7초
- Apple M2 Pro: 4.5초
- AMD Ryzen 7 8745HS: 1.5초
GPU 없이 이 속도라는 게 핵심이다. (HN에서는 M2·Ryzen은 내장 GPU를 쓰면 더 빨라질 거라는 지적도 나왔다.)
종합
Kokoro는 “고품질 TTS = 큰 모델 + GPU”라는 등식을 깨는 사례다. 82M 파라미터로 다국어 음성을 CPU에서 뽑고 OpenAI 호환 API라 기존 코드에 얹기 쉽다. 로컬 LLM과 엮거나(Speaches는 Whisper STT까지 묶는 대안으로 언급됨), 프라이버시가 필요하거나 클라우드 비용을 아끼려는 프로젝트에 바로 투입할 만하다.
Loading comments...