Kokoro로 로컬 CPU에서 고품질 TTS 구현
원제: Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro
왜 중요한가
경량 오픈소스 TTS 모델이 GPU 없이 구동 가능해져, 프라이버시를 유지하면서 로컬 AI 음성 서비스 구축의 문턱이 대폭 낮아졌다.
2026년 3월, 오픈소스 TTS 모델 Kokoro(82M 파라미터)를 CPU만으로 로컬 환경에서 구동하는 방법이 공개됐다. Kokoro-FastAPI 컨테이너 이미지(약 5GB)를 사용해 Docker 또는 Podman으로 간단히 배포 가능하며, OpenAI Speech API와 호환되는 인터페이스를 제공한다. 영어·중국어·힌디어 등 다국어와 약 50가지 음성을 지원한다.
Kokoro는 HuggingFace에 공개된 82M 파라미터 규모의 경량 TTS 모델로, GPU 없이 CPU만으로도 고품질 음성 합성이 가능하다. 배포에는 Kokoro-FastAPI 컨테이너 이미지를 활용하며, `podman run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu` 명령어 한 줄로 서버를 실행할 수 있다. 실행 후 `localhost:8880/web`에서 웹 UI를 통해 즉시 음성을 생성·재생할 수 있다.
성능 측정 결과, 단문 단락 기준 생성 시간은 Intel Core i7-4770K(12년 전 출시)에서 4.7초, Apple M2 Pro에서 4.5초, AMD Ryzen 7 8745HS에서 1.5초였다. OpenAI Speech API와 호환되어 기존 애플리케이션에 쉽게 통합 가능하며, JavaScript 및 Python 샘플 코드가 GitHub(github.com/remotebrowser/speak)에 공개돼 있다.
대안으로는 Speaches(speaches.ai)가 소개됐다. Speaches는 음성 모델을 컨테이너에 번들하지 않고 API를 통해 별도 다운로드해야 하지만, OpenAI의 STT 시스템인 Whisper를 함께 포함하고 있어 TTS와 STT를 동시에 필요로 하는 애플리케이션에 적합하다. Kokoro를 로컬 LLM과 결합하면 LLM 응답을 텍스트 대신 음성으로 청취하는 것도 가능하다.