Qwen3-TTS는 Alibaba Qwen 팀이 2026-01-22 공개한 오픈 가중치 TTS 모델군(0.6B·1.7B)이다. 한국어를 포함한 10개 언어를 공식 지원하고, 가중치가 Apache 2.0이라 로컬 실행과 상업 이용이 모두 가능하다. 호스팅 전용인 2026-07-24-qwen-audio-3-0-tts와는 별개 모델이다.
핵심 정보
| 항목 | 내용 |
|---|---|
| 공개 | 2026-01-22, GitHub QwenLM/Qwen3-TTS(스타 약 1.37만, 2026-10 기준) |
| 규모 | 0.6B, 1.7B (토크나이저 Qwen3-TTS-Tokenizer-12Hz) |
| 언어 | 10개: 중국어·영어·일본어·한국어·독일어·프랑스어·러시아어·포르투갈어·스페인어·이탈리아어 |
| 라이선스 | Apache 2.0 |
| 지연 | 스트리밍 시 첫 오디오까지 최저 97ms(제작사 주장) |
| 설치 | pip install -U qwen-tts, Python 3.12 권장, vLLM-Omni 오프라인 추론 지원 |
모델 구성
| 모델 | 용도 | 지시 제어 |
|---|---|---|
| 1.7B-VoiceDesign | 글로 묘사한 목소리를 새로 만든다 | ✅ |
| 1.7B-CustomVoice | 내장 화자 9명 + 지시문으로 감정·말투 제어 | ✅ |
| 0.6B-CustomVoice | 내장 화자 9명 | — |
| 1.7B-Base / 0.6B-Base | 3초 참조 음성으로 복제, 파인튜닝 출발점 | — |
모든 모델이 스트리밍을 지원한다. 내장 화자 중 한국어 원어민 음색은 Sohee(감정이 풍부한 따뜻한 여성 목소리) 하나다. README는 화자의 모국어로 말할 때 품질이 가장 좋다고 안내한다.
한국어 품질
README의 평가 표에서 한국어 행만 옮겼다(제작사 자체 측정). 공개 모델은 12Hz 계열이다.
| 설정 | 12Hz-0.6B | 12Hz-1.7B | 비교 |
|---|---|---|---|
| 음성 복제(Base) WER ↓ | 1.741 | 1.755 | MiniMax 1.747, ElevenLabs 1.865 |
| 음성 복제(Base) 화자 유사도 SIM ↑ | 0.812 | 0.799 | MiniMax 0.779, ElevenLabs 0.700 |
| 내장 화자(CustomVoice) WER ↓ | 3.053 | 1.741 | GPT-4o-Audio Preview 2.763 |
- 음성 복제 기준 한국어 정확도는 MiniMax와 비슷하고 ElevenLabs보다 조금 낫다. 화자 유사도는 둘보다 높다.
- 내장 화자로 쓸 때는 1.7B가 0.6B보다 확실히 낫다(WER 1.741 vs 3.053). 한국어 내장 화자를 쓸 거라면 1.7B를 고른다.
- 2026-10-03-fish-audio-s2-pro도 같은 MiniMax 다국어 테스트셋에서 한국어 WER 1.18%를 보고했다. 비교군 수치(MiniMax 1.75, ElevenLabs 1.87)가 거의 같아서 같은 계열 평가로 보인다. 그렇다면 Fish S2 Pro의 정확도가 더 높지만, 둘 다 자체 측정이라 확정할 수는 없다.
- 2026-10-03-supertonic-3의 한국어 CER 3.26은 지표(CER)가 달라 직접 비교하지 않는다.
- 억양·감정의 자연스러움은 수치로 확인되지 않았다.
한국어 실사용 이슈 (2026-10-11 확인)
- 마지막 단어 잘림(#55): 한국어·일본어로 생성하면 마지막 단어가 늘 잘린다는 보고가 2026-01-24부터 열려 있다. 러시아어·일본어 사용자도 같은 증상을 확인했고, 2026-10-11 현재 메인테이너 답변이 없다. 시험할 땐 문장 끝부터 들어 본다.
- Sohee 상업 이용(#353): 내장 한국어 화자 출력을 수익화한 YouTube에 써도 되는지, 음색 권리를 확인해 달라는 질문에 답이 없다.
- 저장소는 2026-03-17 이후 push가 없다.
Fish Audio S2 Pro·VoxCPM2와의 한국어 3자 비교는 2026-10-11-fish-audio-s2-pro-vs-voxcpm2-korean에 있다.
다른 로컬 TTS와의 위치
2026-07-25-local-open-tts-models 기준으로 보면, 한국어를 공식 지원하면서 상업 이용이 자유롭고 음성 복제까지 되는 드문 조합이다. Fish S2 Pro는 비상업 라이선스이고, Supertonic 3은 복제가 없으며, XTTS-v2는 CPML 제약이 있다. 반면 0.6B라도 GPU가 있는 편이 낫고(README는 GPU 메모리를 줄이려면 FlashAttention 2를 권장), CPU 전용 환경이라면 Supertonic 3이 더 가볍다.
관련 페이지
- moc-tts — TTS 노트 이정표
- 2026-07-25-local-open-tts-models — 로컬 오픈소스 TTS 비교
- 2026-07-24-qwen-audio-3-0-tts — 같은 Qwen 계열의 호스팅 전용 TTS
- 2026-10-03-fish-audio-s2-pro — 같은 테스트셋의 한국어 수치 비교 대상
- 2026-10-03-supertonic-3 — CPU 전용 한국어 TTS 대안
- 2026-10-10-huggingface-breezeblue-breeze-tts-2 — Qwen3-TTS 오디오 토크나이저를 기반으로 한 Breeze TTS 2
- 2026-03-21-voicebox — Qwen3-TTS를 엔진으로 내장한 로컬 음성 스튜디오(복제 품질 저하 사용자 보고 있음)