Underdog가 31.7MB짜리 음성 합성 모델 Woof를 내놨다. 브라우저 탭에서, 인터넷이 끊긴 기기에서도 문장을 소리 내어 읽는다.
Woof, 31.7MB에 담긴 것
크기부터 봐야 한다. Underdog는 11월 5일 텍스트를 음성으로 바꾸는 모델 Woof를 공개했고, 파일 크기는 31.7MB다. 파라미터는 3,100만 개이고, 테크크런치는 누구나 내려받을 수 있다고 전했다.
이 숫자가 중요한 이유는 배포 방식이다. 음성 합성은 보통 클라우드 API로 처리하고, 글자 수나 초 단위로 요금이 붙는다. Woof는 그 자리에 정적 자산 하나를 올린다. 사용자가 늘어도 청구서가 같이 늘지 않는다.
browser speech model이 보여준 데모
데모는 작은 게임이다. 레트로 느낌의 방에 타자기와 CRT 모니터, 누르면 딸깍 소리가 나는 스탠드 조명, 음악 튜너가 놓여 있다. 키보드로 문장을 치면 모델이 그 문장을 소리 내어 읽는다.
도입부에는 마을에 들어온 "간섭이 심한" 클라우드 사업자 이야기가 나온다. 클라우드 모델을 겨냥한 농담이다. Darkcloud라는 캐릭터를 이기면 초대장을 받는 구조다.
데모를 게임으로 만든 이유도 분명한데, 설치 없이 탭을 열면 바로 소리가 나야 한다는 점과 모델 파일이 페이지와 함께 내려온다는 점을 한 화면에서 동시에 보여주려는 것이다.
on-device TTS를 만들려는 이유
회사보다 사람이 먼저다. 창업자 Sigil Wen은 테크크런치에 자기 시스템을 갖고 싶었고, 모델이 사용자 기기에서 돌아야 데이터도 사용자 손에 남는다고 봤다고 말했다. 몇 달 안에 지금의 쓸 만한 모델 대부분이 사람들이 이미 가진 기기에서 돌아갈 것이라는 전망도 함께 내놨다.
회사가 그린 그림은 이어져 있다. 몇 주 전에는 엣지 기기용 음성 인식 모델 Bark를 167MB로 내놨다. 노트북에서 돌아간다는 270억 파라미터 모델도 있고, Muse와 Instinct의 로컬 대안을 표방한 앱은 대기 명단을 받고 있다.
클라우드 모델을 쓰는 앱은 문장 하나를 말할 때마다 서버를 거치고, 로컬 모델은 그 왕복을 없애는 대신 기기 성능을 그대로 끌어다 쓴다. 얻는 것과 내주는 것이 이렇게 갈린다.
small speech model의 한계
질문은 품질이다.
성능 자료가 없다. 단어 오류율도, 자연스러움 점수도, 청취 테스트도 공개되지 않았고 독립 평가도 아직 없다. 테크크런치는 이 크기의 모델이 더 큰 음성 모델을 대체하기는 어렵지만, 로컬 비서 경험이나 개인화된 팟캐스트에는 충분할 수 있다고 적었다.
품질을 확인할 방법이 없다는 점이 가장 큰 변수인데, 같은 문장을 읽혀도 억양과 쉼이 어색하면 사용자는 음성 기능을 꺼 버리고 제품에서는 다시 켜지 않기 때문이다.
기기 조건도 붙는다. 브라우저 탭에서 돌리려면 CPU나 GPU 자원이 필요하고, 최신 브라우저와 자바스크립트 실행 환경이 전제다. 회사가 말한 범위는 "대부분의 기기"이지 모든 스마트폰이나 스피커가 아니다. 파일 크기가 작다는 사실만으로 음성 품질이 낮다고 단정할 수는 없지만, 같은 문장을 여러 기기에서 읽혀 보고 결과를 비교하기 전에는 어떤 제품에도 기본값으로 쉽게 넣기 어렵다.
Underdog 32MB speech model, 지금 할 수 있는 일
그럼 지금 서비스에 붙여도 될까?
빌더에게 실질적인 변화는 백엔드가 사라진다는 점이다. 웹 페이지에 음성을 붙이려고 서버와 API 키와 요금 계산기를 준비하던 일이, 정적 파일 하나를 올리고 브라우저가 감당할 수 있는지 확인하는 일로 줄어든다.
음성을 붙일 자리가 정해져 있다면 먼저 읽힐 문장 목록을 뽑아 두는 편이 낫다. 모델은 주어진 문장을 소리로 바꿀 뿐이고, 무엇을 읽힐지는 여전히 사람이 정한다.
상업적 이용 조건은 확인되지 않았다. 다운로드가 열려 있다는 것과 회사가 라이선스 조건을 정리했다는 것은 다른 문제다. 배포 전에 저장소의 라이선스를 직접 읽어야 한다.
국내 서비스라면 기기 편차가 먼저 걸린다. 갤럭시 보급형과 구형 아이폰을 같이 놓고 같은 문장을 읽혀 보면서 발음이 무너지는 지점을 찾는 식이다. 쇼핑몰 상품 안내나 키오스크 음성처럼 같은 문장이 반복되는 자리는 서버 비용이 사라지는 이득이 바로 보이지만, 감정이 실려야 하는 광고 음성은 아직 검증되지 않은 영역으로 남는다.
