Gradium의 온디바이스 Phonon TTS, 2주 만에 다운로드 20만 회 돌파

Gradium은 2026년 11월 5일, Phonon 온디바이스 텍스트 음성 변환 모델이 출시 후 첫 2주 동안 20만 회 넘게 다운로드됐다고 Hugging Face에 기술 후속 보고서를 발표하며 밝혔습니다.

Gradium에 따르면 Phonon은 Open TTS Leaderboard의 독일어와 스페인어 명료도 부문에서 1위를 차지했고, 평가한 모든 언어에서 상위 3위 안에 들었습니다. 최대 100배 더 큰 모델들과 나란히 경쟁한 결과입니다.

Gradium의 첫 오디오 생성까지 걸리는 CPU 시간 95백분위수 차트에서 Phonon 31m 영어 모델은 28밀리초로 1위, Phonon 40m 영어 모델은 38밀리초로 2위를 차지했고, Pocket TTS는 165밀리초를 기록했습니다. 값이 낮을수록 좋습니다. 첫 오디오 생성 시간은 사용자가 재생 가능한 음성을 듣기까지 기다리는 시간을 측정하므로, 음성 에이전트와 기타 대화형 애플리케이션에 직접 관련이 있습니다.

순위가 측정하는 항목

후속 보고서는 명료도, 실시간 계수의 역수, 첫 오디오 생성 시간, 자동 자연스러움 측정치를 포함해 23개 언어를 평가했다고 설명합니다. 음성 복제 평가에는 화자 유사도도 포함됩니다. Hugging Face의 리더보드 평가 방법론은 자동 음성 인식 결과와 원래 프롬프트를 비교하고 단어 오류율이나 문자 오류율을 계산해 명료도를 평가합니다.

스트리밍 테스트는 공통 프롬프트와 동일한 하드웨어를 사용해 한 번에 발화 하나씩 진행합니다. 스트리밍 인터페이스가 없는 모델은 재생을 더 일찍 시작할 수 없으므로 발화 전체를 생성하는 데 걸리는 시간을 측정합니다. 음성 복제 평가는 생성된 오디오와 기준 음성 클립에서 추출한 화자 임베딩을 별도로 비교합니다.

Hugging Face는 음성 인식 기반 오류율이 명료도를 가늠하는 대리 지표인 반면, 임베딩 유사도는 음성 정체성이 얼마나 보존됐는지를 추정하는 지표라고 주의를 당부합니다. 어느 쪽도 자연스러움, 표현력 또는 청취자의 선호를 직접 입증하지는 않으므로, 자동 순위가 사람을 대상으로 한 선호도 평가를 대체하지 않습니다. 방문자는 ‘듣기’ 탭에서 측정치의 바탕이 된 생성 음성을 비교하고 투표할 수 있습니다.

오픈 웨이트와 상업적 이용 조건

기반이 된 오픈 웨이트 모델은 2026년 10월 20일에 공개됐으며, 이번 발표는 별도의 모델 출시라기보다 초기 도입 및 평가 현황 업데이트에 해당합니다. 영어 Phonon 31m 모델 카드에는 8비트 양자화 가중치 64.5MB가 Apache 2.0 라이선스로 제공된다고 나와 있으며, 이 라이선스는 상업적 이용을 허용합니다.

40m 변형 모델의 양자화 가중치는 74.6MB이며, 별도의 언어별 체크포인트 또는 단일 다국어 모델을 통해 영어, 프랑스어, 독일어, 스페인어, 포르투갈어를 지원합니다. 비상업적 용도의 체크포인트를 기반으로 상용 제품을 개발하는 경우 Gradium은 생성한 음성의 양이 아니라 사용자 수를 기준으로 라이선스 비용을 책정합니다.

Phonon은 모노 24kHz 오디오를 생성하며, 생성이 진행되는 동안 음성을 스트리밍할 수 있습니다. 클라우드 왕복 시간을 기다릴 수 없는 오프라인 어시스턴트, 접근성 도구, 게임 및 대화형 애플리케이션을 위한 모델로, 텍스트는 사용자의 기기에 유지됩니다. 내장 음성은 100개가 넘습니다. Gradium Studio에서는 화자의 동의를 얻어 짧은 녹음으로 음성을 복제하거나, 텍스트 설명을 바탕으로 음성을 설계해 다운로드한 뒤 로컬에서 사용할 수도 있습니다.

배포 방식과 한계

Gradium의 ptts 실행 환경은 Rust로 작성됐으며 PyTorch가 필요하지 않습니다. Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML 및 지원되는 Snapdragon 하드웨어를 아우르는 CPU, GPU, NPU 백엔드를 지원합니다. 패키지는 브라우저, 모바일, 데스크톱 및 로컬 서버 통합을 지원합니다.

Phonon은 Transformers에서도 버전 5.21부터 참조용 PyTorch 구현으로 제공됩니다. ptts가 단일 온디바이스 스트림에 중점을 두는 반면, Transformers는 배치 생성과 전체 그래프를 통해 GPU 처리량을 높이는 데 초점을 맞춥니다 torch.compile. Transformers 문서에 따르면 인과적 트랜스포머가 12.5Hz에서 연속적인 32차원 오디오 잠재 표현을 생성하며, 이를 디코딩해 24kHz 오디오로 변환합니다. 음성은 미리 계산된 512차원 화자 잠재 표현으로 지정합니다.

이러한 작동 방식 때문에 체크포인트 외부에서 일부 통합 작업이 필요합니다. 화자 코덱은 공개되지 않았고 오디오 토크나이저는 디코더 전용이므로, Transformers에서는 녹음본만으로 음성을 직접 복제할 수 없습니다. 또한 토크나이저는 Gradium 실행 환경과 달리 숫자, 금액, 기호 또는 주소를 말로 풀어 쓰지 않습니다. 긴 입력은 문장 단위로 나뉘어 전체 텍스트에 걸쳐 운율이 이어지지 않습니다.

따라서 배포 방식은 명확히 나뉩니다. ptts는 사용자의 하드웨어에서 비공개 단일 스트림을 처리하고, Transformers는 배치 방식의 GPU 음성 합성을 처리합니다. 두 방식 모두 체크포인트 자체와 함께 음성 준비, 숫자·기호·주소를 언어에 맞게 처리하는 작업이 통합에 포함됩니다.