2026 한국어 오픈소스 TTS 모델 5가지 비교 분석!

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

2026년 상반기 한국어 오픈소스 TTS 5종은 기본 나레이션에서는 상향 평준화됐지만, 숫자·터미널 명령어·감정 표현·하드웨어·라이선스 조건에 따라 최적 모델이 달라집니다.

📌 핵심 요점

1. 기본 한국어 나레이션은 모델 간 차이가 크지 않아 대부분의 후보를 콘텐츠 자동화에 활용할 수 있다.
2. 숫자, 금액, 버전, 주문번호와 터미널 명령어는 모든 모델이 실수할 수 있으므로 사람이 읽는 형태로 대본을 전처리해야 한다.
3. 경량 모델인 스포토닉 3는 CPU에서도 생성할 수 있고 공식 음성이 다양해 입문용으로 추천됐지만, 복잡한 숫자와 명령어 처리에는 약점이 있었습니다.
4. 익스 TTS3는 GPU 자원을 많이 요구하는 대신 감정 표현과 매끄러운 음성에서 가장 좋은 평가를 받았고, 복스 CPM2는 터미널 명령어 테스트에서 상대적으로 선전했습니다.
5. 모델 선택은 단순 음질 순위가 아니라 콘텐츠 유형, VRAM, 다국어 지원, 보이스 클론 필요성, 반복 생성 안정성 및 상용 라이선스를 함께 고려해야 한다.

🧩 배경과 문제 정의

• 콘텐츠 자동화에서는 화면과 편집이 잘 구성돼도 음성이 어색하면 영상 전체가 기계적으로 느껴질 수 있다.
• 발표자는 2026년 상반기 공개 후보 가운데 5개 모델을 추려 한국어 발음, 숫자, 명령어, 다국어, 감정 표현, 속도, 하드웨어 요구량과 자동화 적합성을 비교했습니다.
• 목표는 절대적인 1등을 선정하는 것이 아니라 각 모델이 어느 정도 쓸 만하며 어떤 용도와 실행 환경에 적합한지 판단하는 것입니다.

🕒 시간순 섹션별 상세정리

1. 콘텐츠 자동화에서 음성이 중요한 이유

• 화면과 편집을 자동화해도 음성이 부자연스러우면 영상이 기계적으로 느껴지지만, 자연스러운 목소리는 같은 영상의 완성도를 높입니다. [00:16]
• 발표자는 한국어 발음뿐 아니라 숫자·명령어·감정 표현·생성 속도·하드웨어·반복 안정성을 함께 살펴보겠다고 보여준다. [01:10]

2. 후보 선정과 실험 환경

• 약 9개 모델을 먼저 들어본 뒤 품질이 떨어진 후보를 제외하고 5개를 비교 대상으로 선정했습니다. [01:37]
• 오픈소스 저장소를 내려받아 코덱스나 클로드 코드로 설치할 수 있으며, 실험은 RTX 5090 VRAM 32GB에서 진행하고 생성 음성은 모두 1.1배속으로 맞췄습니다. [02:24]

3. 모델 특성과 평가 방법

• 후보에는 Qu엔 3 TTS, 복스 CPM2, 익스 TTS3, 경량 스포토닉 3과 최신 오디오 8이 포함되며 파라미터 크기·속도·지원 언어가 서로 다릅니다. [03:15]
• 벤치마크 점수보다 직접 듣는 정성 평가가 중요하다고 보고, 나레이션·호흡·보컬·숫자·명령어·일본어·감정 표현을 비교하도록 구성했습니다. [05:32]

4. 기본 나레이션 비교

• 같은 자동화 문장을 생성한 결과 발표자는 복스 CPM2에서 약간 인공지능 같은 느낌을 받았고, 익스 TTS3의 깔끔하고 매끄러운 표현을 가장 선호했습니다. [06:34]
• 경량 스포토닉 3도 충분한 성능을 보였으며, 일반적인 나레이션에서는 후보 간 차이가 크지 않아 어느 모델을 사용해도 큰 문제가 없다고 평가했습니다. [07:37]

5. 공식 음성과 보이스 클론 가능성

• 모델마다 고정된 공식 성우 목록이 있거나 임의 클로닝으로 음성을 만들어야 하며, 고정 성우가 없다는 것은 보이스 클론이 가능하다는 의미로 설명됩니다. [08:21]
• Qu엔 계열과 스포토닉 3의 여러 남녀 음성을 들려준 뒤 취향에 맞는 음성을 선택하되, 보이스 클론의 상세 비교는 별도 콘텐츠로 다루겠다고 예고했습니다. [09:35]

6. 숫자·금액·버전 읽기 테스트

• 날짜, RTX 5090, 32GB VRAM, API 버전, 금액, 할인율과 주문번호가 섞인 문장을 읽히자 Qu엔 3 TTS와 복스 CPM2 모두 금액과 버전에서 오류를 냈습니다. [11:05]
• 더 많은 GPU를 사용하는 익스 TTS3도 모든 항목을 정확히 읽지는 못했고, 경량 스포토닉 3과 오디오 8은 복잡한 숫자와 전문 용어에서 더 큰 오류를 보였습니다. [13:16]

7. 터미널 명령어와 전처리 필요성

• 경로와 명령어를 포함한 테스트에서는 복스 CPM2가 상대적으로 잘 읽었지만, 다른 모델들은 uv run·python·파일 경로 등을 자주 잘못 발음했습니다. [14:32]
• 기술 콘텐츠에서는 숫자와 명령어 오류가 실제로 발생하므로 대본을 사람이 읽는 형태로 바꾸거나 모델을 교체하고, 검수·승인 절차를 두어야 한다고 조언합니다. [15:30]

8. 영어·일본어와 다국어 활용

• 영어는 모든 후보가 잘 읽어 별도 비교를 생략했고, 일본어 음성도 발표자가 듣기에 전반적으로 수준급 이상이었습니다. [16:32]
• 일본어 화자를 복제해 한국어를 생성하면 일본어 특유의 억양이 반영될 수 있으며, 해외 채널과 글로벌 수익화를 준비한다면 다국어 기능을 시험해 볼 것을 권했습니다. [17:08]

9. 감정 표현 비교

• 기쁨·분노·속삭임·슬픔을 담은 문장으로 Qu3 TTS, 복스 CPM2와 익스 TTS3를 비교했으며 모델마다 감정 태그 문법과 지원 수준이 다르다고 설명했습니다. [18:39]
• 익스 TTS3가 기쁨과 분노에서 가장 자연스럽고 표현력이 좋은 평가를 받았고, 속삭임은 후보들이 어느 정도 표현했지만 완전한 ASMR 수준은 아니었습니다. [20:00]

10. 콘텐츠 유형과 하드웨어에 따른 선택

• 감정이 필요한 스토리형 롱폼은 자원이 허용될 때 익스 TTS3가 적합하며, 일반 입문자는 경량 스포토닉 3로 시작하는 방안이 추천됐습니다. [20:45]
• 사용자는 엔비디아 GPU의 VRAM 크기와 측정된 최대 메모리 사용량을 비교해 자신의 환경에서 모델을 실행할 수 있는지 확인해야 합니다. [21:07]

11. 상업적 이용과 라이선스

• 익스 TTS3는 유료 앱·API·서비스 제공 시 별도 라이선스 신청이 필요할 수 있으며, 수익화 영상과 대량 서비스는 구분해서 봐야 한다고 보여준다. [21:41]
• 스포토닉은 동의 없는 성대모사와 딥페이크를 금지하며 실행 코드는 MIT이지만 모델 가중치는 별도 라이선스가 적용되므로 추가 확인이 필요합니다. [22:14]

12. 최종 추천과 후속 콘텐츠

• 균형형 후보로 오디오 8과 복스 CPM 계열을 언급하고, 일반 사용자는 남녀 각 5개 음성을 제공하는 스포토닉 3부터 출발하라고 권합니다. [22:47]
• 발표자는 반응이 좋으면 보이스 클론 비교를 후속으로 준비하겠다고 예고하며 전체 한국어 오픈소스 TTS 비교를 마무리합니다. [23:01]

🧾 결론

• 일반적인 나레이션 자동화라면 특정 모델을 고집할 필요가 없을 정도로 기본 품질이 개선됐습니다.
• 입문자는 스포토닉 3부터 시작하고, 감정이 중요한 스토리형 콘텐츠는 자원이 허용될 때 익스 TTS3를 검토하는 것이 발표자의 권고입니다.
• 기술 콘텐츠처럼 숫자와 명령어가 자주 등장한다면 모델 교체만으로 해결하려 하지 말고 대본 전처리와 승인 절차를 자동화 파이프라인에 포함해야 한다.
• 유료 앱·API·대량 서비스로 확장할 때는 코드와 모델 가중치의 라이선스를 별도로 확인해야 한다.

📈 투자·시사 포인트

• 기본 나레이션 품질이 상향 평준화되면서 차별화의 중심은 음질 자체보다 대본 전처리, 검수, 재생성 같은 운영 시스템으로 이동할 가능성이 있다.
• CPU에서도 실행 가능한 경량 모델은 고성능 GPU가 없는 개인과 소규모 제작자의 콘텐츠 자동화 진입 장벽을 낮춥니다.
• 감정형 롱폼과 다국어 해외 채널은 더 높은 표현력과 수익화 기회를 제공할 수 있지만, GPU 비용과 음성별 억양 검증이 함께 필요하다.
• 오픈소스라는 명칭만으로 상업적 이용이 모두 허용되는 것은 아니므로, 서비스 사업에서는 모델 가중치와 보이스 클론 관련 권리 검토가 핵심 리스크가 된다.

⚠️ 불확실하거나 확인이 필요한 부분

• 평가는 발표자가 직접 들은 결과에 기반한 정성 평가이므로 목소리 선호도와 자연스러움의 순위는 청자에 따라 달라질 수 있다.
• 실험이 RTX 5090 VRAM 32GB 환경과 1.1배속 음성을 중심으로 진행돼 다른 GPU·CPU 및 원래 재생 속도에서 동일한 결과가 나오는지는 확인이 필요하다.
• 도입부에서 반복 생성 안정성과 생성 속도를 평가 기준으로 제시했지만, 모델별 반복 측정값과 상세 안정성 결과는 본문에 충분히 제시되지 않았습니다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 사용할 장비의 CPU·GPU·VRAM을 확인하고 후보 모델의 최대 메모리 사용량과 생성 속도를 실제 환경에서 측정한다.
• 한국어 나레이션, 금액, 날짜, 버전, 주문번호, 경로, 터미널 명령어를 포함한 대표 테스트 대본을 만들어 같은 조건으로 비교한다.
• 숫자·영문 약어·명령어를 사람이 읽는 형태로 변환하는 정규식 또는 언어 모델 기반 전처리 단계를 TTS 앞에 배치한다.
• 자동 생성 뒤 샘플 청취와 승인 절차를 두고, 오류가 발견되면 대본 보정 또는 모델 교체 후 재생성하도록 구성한다.

❓ 열린 질문

• 동일 대본을 여러 번 생성했을 때 모델별 발음과 감정 표현은 얼마나 일관되게 유지될까요?
• CPU와 보급형 GPU에서 스포토닉 3 이외 후보의 실제 생성 속도와 메모리 사용량은 어느 수준일까요?
• 별도 영상으로 예고된 보이스 클론 비교에서는 한국어 자연스러움, 타 언어 억양 전이, 동의 및 권리 문제가 어떻게 평가될까요?