TL;DR

Kitten TTS는 ONNX 기반으로 15M에서 80M 파라미터 모델을 제공하여 디스크 크기를 25MB에서 80MB로 유지하면서 CPU 환경에서 24 kHz 품질의 음성 합성을 실행할 수 있도록 설계된 경량 TTS 라이브러리이다. 입력 텍스트는 normalize_text 전처리를 거쳐 숫자와 약어가 사람이 읽는 형태로 변환되며 모델은 지정된 보이스와 speed 파라미터를 사용해 NumPy 배열 형태의 오디오를 생성하거나 파일로 직접 저장할 수 있다. 이번 v0.8 릴리스로 다양한 크기 옵션과 Hugging Face Spaces 데모가 공개되어 즉시 체험이 가능하며 int8 변형 등 저용량 배포 옵션은 저장 공간과 메모리 제약이 있는 엣지 환경에서 유용하지만 일부 int8 모델에서 문제가 보고된 점이 존재한다. 개발자 프리뷰 상태로 API 변경 가능성이 명시되어 있으며 상업 지원과 커스텀 보이스 개발 옵션이 제공되어 엔터프라이즈 통합 경로가 준비되어 있다.

핵심 포인트

• 경량화에 초점을 맞춘 모델 라인업을 제공한다. 15M에서 80M 파라미터 범위의 모델을 제공하며 int8 변형은 디스크 크기를 25MB까지 낮추어 작은 장치에서도 모델을 호스팅할 수 있다. 이러한 크기 설계는 전통적으로 큰 TTS 모델이 요구하는 대규모 자원 없이도 배포가 가능하다는 점에서 차별화 요소이다.
• CPU-최적화 ONNX 추론 경로를 기본으로 사용한다. ONNX 포맷과 CPU 친화적 구현을 통해 GPU 없이도 실용적인 추론 성능을 달성하며 필요 시 CUDA 백엔드를 선택하여 GPU 가속을 활용할 수 있다. 이 접근은 다양한 실행 환경에서 동일한 모델 포맷을 유지하면서도 배포 유연성을 제공한다.
• 텍스트 전처리와 실사용 편의성에 집중한 API를 제공한다. normalize_text 함수는 원문과 정규화된 결과의 문자 매핑 정보를 반환하여 전처리 오류를 추적할 수 있으며 generate_to_file 같은 편의 함수로 빠른 통합이 가능하다. 이로 인해 개발자가 별도 전처리 파이프라인을 구축하지 않고도 실용적 TTS 워크플로를 시작할 수 있다.
• 제공한다 CPU에서 동작하는 ONNX 기반 추론 경로를 통해 GPU 없이도 음성 합성을 수행할 수 있다. 모델 파일은 25MB에서 80MB 범위로 제공되어 임베디드나 경량 서버에 배포하기 용이하다. 내부적으로 텍스트 정규화와 음성 합성 파이프라인을 결합하여 입력 텍스트에서 바로 WAV 파일을 생성한다.

벤치마크