수퍼톤, CPU만으로 31개 언어 읽는 온디바이스 TTS 공개

• 수퍼톤이 새 온디바이스 텍스트 음성 변환(TTS) 모델 수퍼토닉 3를 공개함

  • 한국어 포함 31개 언어를 지원함
  • 인터넷 연결 없이 PC, 모바일, 브라우저, 임베디드 기기에서 직접 실행하는 구조임
  • 깃허브에 공개됐고 상업적 사용도 가능하며, 깃허브 트렌딩 차트 1위 인기 저장소에 올랐음

• 이전 버전 대비 가장 큰 변화는 언어 지원 범위임

  • 수퍼토닉 2는 영어, 한국어, 스페인어, 포르투갈어, 프랑스어 등 5개 언어를 지원했음
  • 수퍼토닉 3는 일본어, 독일어, 아랍어, 러시아어, 터키어, 베트남어 등을 포함해 총 31개 언어로 확장됨

• 모델은 ONNX 기반의 경량 TTS 시스템으로 설계됨

  • 모델 규모는 약 9,900만 매개변수(99M) 수준임
  • 공개된 ONNX 자산 전체 크기는 약 404MB임
  • 7억~20억 매개변수급 대형 오픈소스 TTS 모델보다 훨씬 작아서 다운로드, 메모리, 실행 속도에서 유리함

• 수퍼토닉 3는 GPU 없이 CPU만으로 빠르게 동작하도록 만들어졌음

  • 전자잉크 리더기 오닉스 부크스 고 6에서도 비행기 모드 상태로 실시간에 가까운 음성 생성을 구현했다고 함
  • 브라우저에서는 onnxruntime-web 기반으로 순수 클라이언트 실행이 가능함
  • 모바일, 라즈베리파이 같은 저전력 장치에서도 동작하는 쪽을 겨냥함

• 음성 품질 쪽에서는 반복, 생략, 발음, 화자 유사성을 개선했다고 강조함

  • TTS에서 자주 터지는 단어 반복이나 문장 누락 오류를 줄였다고 설명함
  • 실제 제품 환경에서 안정성을 높였다는 게 수퍼톤의 주장임

• 감정 표현 태그도 새로 들어감

  • 텍스트 안에 , , , 같은 태그를 넣으면 웃음, 숨소리, 한숨 같은 표현을 음성에 반영할 수 있음
  • 별도 전처리 시스템 없이 텍스트만으로 감정과 호흡을 제어할 수 있어서 음성 비서나 접근성 서비스에 꽤 쓸 만해 보임

• 텍스트 정규화(Text Normalization)도 제품 관점에서는 꽤 큰 포인트임

  • 일반 TTS는 금액, 날짜, 전화번호, 단위 표기를 자연스럽게 읽기 위해 별도 전처리가 필요한 경우가 많음
  • 수퍼토닉 3는 “$5.2M”을 “520만달러”, “30kph”를 “시속 30킬로미터”처럼 읽을 수 있다고 설명함
  • 수퍼톤은 오픈AI TTS-1, 제미나이 2.5 플래시 TTS, 마이크로소프트, 일레븐랩스 등이 일부 금융·단위 표현에서 오류를 보인 테스트에서 수퍼토닉 3가 정확히 처리했다고 주장함

• 내부 구조는 음성 오토인코더와 플로우 매칭 기반 생성을 유지하면서 정렬 정확도를 높이는 쪽으로 개선됨

  • LARoPE(Length-Aware Rotary Position Embedding)를 추가함
  • 자체 정화 플로우 매칭(Self-Purifying Flow Matching) 기법을 넣음
  • 이 조합으로 단 2번의 추론 단계만으로 자연스러운 음성을 생성할 수 있다는 설명임

• 수퍼톤은 보이스 빌더까지 붙여 개발자용 확장성도 밀고 있음

  • 개발자가 자신의 음성을 기반으로 맞춤형 TTS 모델을 만들 수 있게 지원함
  • 로컬 실행, 다국어, 감정 태그, 개인 음성 제작이 한 세트로 묶이면 음성 앱 프로토타입 만드는 비용이 꽤 내려갈 수 있음

---

기술 맥락

• 수퍼토닉 3의 선택은 “클라우드에서 좋은 음성을 받아오자”가 아니라 “기기 안에서 충분히 좋은 음성을 만들자”에 가까워요. 그래서 모델 크기, 런타임, CPU 성능이 전부 제품 요구사항으로 연결돼요.

• ONNX를 쓰는 이유는 실행 환경을 넓히기 위해서예요. 같은 모델을 브라우저, 모바일, 임베디드, 라즈베리파이 같은 곳에서 돌리려면 특정 프레임워크에 강하게 묶이면 배포가 귀찮아지거든요.

• 99M 매개변수와 404MB 자산 크기는 품질과 실행성 사이의 타협점이에요. 7억~20억 매개변수 모델은 품질은 좋을 수 있지만, 다운로드 용량과 메모리 부담 때문에 온디바이스 제품에는 바로 넣기 어렵죠.

• 텍스트 정규화가 강조되는 것도 실제 서비스에서는 중요해요. 숫자, 금액, 단위를 이상하게 읽으면 모델이 아무리 자연스러운 목소리를 내도 사용자 입장에서는 바로 깨진 제품처럼 느껴지거든요.

• 단 2번의 추론 단계로 음성을 만든다는 설명은 지연시간을 줄이려는 선택이에요. 음성 비서나 접근성 기능은 버튼 누르고 몇 초씩 기다리는 순간 사용성이 확 떨어지기 때문에, 생성 속도는 품질만큼 중요한 지표예요.