모델
Qwen3-TTS, Fish S2 Pro, MOSS-TTS 및 VoxCPM2: 4개의 음성 조건 인터페이스
음성합성 / 오픈모델 비교
음성합성 / 오픈모델 비교
음성 합성 / 기술 비교
텍스트를 소리 내어 읽는다는 점만 공통된 외형이다. 이들 오픈 가중치 방식은 음성 지시, 참조 오디오, 긴 컨텍스트, 스트리밍을 서로 다르게 정의한다. 화자 유사도, 자연스러움, 첫 패킷 지연 시간은 서로 바꿔 쓸 수 있는 지표가 아니다.
이산 오디오 모델은 일반적으로 p(a₁…a_T | text, c)를 학습한다. 여기서 a_t는 음향 토큰이고, c는 참조 화자, 음성 지시 또는 이전 컨텍스트일 수 있다.
L_AR = -Σ_t log p(a_t | a_<t, text, c)
Qwen3-TTS는 자유 형식 음성 설계와 짧은 참조를 이용한 복제를 함께 제공한다. Fish S2 Pro는 음색과 운율을 확인할 수 있는 고충실도 이산 음성 방식을 제공한다. MOSS-TTS는 8B 용량 프로필과 약 100M 규모의 Nano 속도 기준을 모두 공개한다. VoxCPM2는 또 다른 제로샷 참조 및 장문 발화 방식을 제공한다. 따라서 각 모델의 입력 규약을 따로 기록해야 한다.
WER은 내용 오류를 측정하고, 화자 유사도는 임베딩을 비교하며, MOS는 청취자에게 좌우된다. 지연 시간은 첫 오디오와 전체 실시간 계수를 구분한다. 음색을 보존하면서 단어를 잘못 읽을 수도 있고, 낮은 WER을 달성하면서도 다른 화자처럼 들릴 수도 있다.
네 프로젝트는 서로 다른 코퍼스, 언어 분포, 참조 길이, 평가자, 연산 조건을 사용한다. 직접 비교하려면 동일한 텍스트, 프롬프트 오디오, 디코딩 설정이 필요하다. 게시자가 제공한 표의 출처 표시는 그대로 유지해야 하며, 수치를 합산해 인위적인 총점을 만들어서는 안 된다.
Qwen3-TTS, Fish Speech, MOSS-TTS, VoxCPM은 모두 음성 생성 기능을 공개하지만 조건화 인터페이스는 서로 다르다. 다국어 지시와 음색 제어, 코덱 토큰, 긴 컨텍스트, 프롬프트 오디오에 두는 비중이 제각각이다. 이 비교는 하나의 보편적 서열이 아니라 작업 범위를 다룬다.
오픈 TTS는 텍스트 인코딩, 이산 음향 토큰, 연속 생성, 화자 조건화, 스트리밍 디코딩을 거쳐 발전해 왔다. 공개된 MOS, 유사도, WER, 실시간 계수에는 서로 다른 코퍼스, 평가자, 연산 조건이 사용되므로 직접 순위를 정하려면 공통 조건으로 다시 실행해야 한다.
Q=(WER↓, SIM↑, MOS↑, T_first↓, RTF↓)WER내용 오류율, 낮을수록 좋음SIM/MOS정체성 유사도와 지각된 자연스러움T_first/RTF첫 오디오와 전체 실행 속도WER은 단어 오류, SIM은 임베딩 근접도, MOS는 사람의 선호도를 측정하며 첫 오디오 지연 시간과 RTF는 지연 시간을 서로 다른 관점에서 보여 준다. 한 항목의 우위가 다른 항목의 우위를 뜻하지는 않는다.
Qwen3-TTS, Fish, MOSS-TTS, VoxCPM2는 조건화 인터페이스, 코퍼스, 공개 평가가 서로 다르다. 직접 비교하려면 텍스트, 프롬프트 오디오, 연산 조건, 디코딩을 고정해야 한다.
논문, 코드, 가중치는 Qwen3-TTS / Fish Speech / MOSS-TTS에서 확인할 수 있다.
각 행은 출처의 아키텍처, 지표 또는 작업 정의를 그대로 유지한다. 공통 프로토콜이 없는 결과는 분리해서 다룬다.
| 모델 | 아키텍처 또는 근거 | 범위 |
|---|---|---|
| Qwen3-TTS | 다국어 지시와 음색 조건 | 언어 전환, 내용, 제어 |
| Fish Speech / MOSS-TTS | 코덱 또는 긴 컨텍스트 방식 | 반복, 장문, 참조 오염 |
| VoxCPM | 또 다른 오픈 생성 아키텍처 | 공통 자료에서의 자연스러움과 지연 시간 |
유사도, 감정, 운율을 보기 전에 숫자, 날짜, 약어, 언어 전환, 장문 누락부터 확인해야 한다. 비슷한 목소리가 잘못된 단어를 말할 수 있고, WER이 낮은 샘플이 다른 사람처럼 들릴 수도 있다.
첫 오디오 지연 시간, 전체 실시간 계수, 장문 안정성은 따로 보고해야 한다. 짧은 문장의 속도로 장문 동작을 예측할 수 없으며, 매개변수 수가 자연스러움이나 화자 유사도를 결정하지도 않는다.
프로젝트별로 공개한 점수는 합산할 수 없다. 공통 코퍼스, 일치하는 지표 또는 출처 내부 결과라고 명시된 경우에만 직접 비교할 수 있다.
음성 복제에는 허가와 명확한 고지가 필요하다. 기술적 능력이 사칭을 허용하는 것은 아니다.
모델 이름, 수치, 한계는 아래 논문, 저장소 또는 모델 카드에서 확인할 수 있다.