Supertonic 3 심층 분석 — 온디바이스 TTS가 ‘API 비용’과 ‘음성 개인정보’ 문제를 어떻게 바꾸나

1. Supertonic은 무엇인가: 로컬에서 돌아가는 다국어 TTS

Supertonic은 텍스트를 음성으로 바꾸는 TTS 시스템이다. 일반적인 클라우드 TTS는 사용자가 텍스트를 서버로 보내고, 서버가 음성을 만들어 다시 내려주는 구조다. 반면 Supertonic은 모델 파일을 내려받은 뒤 사용자의 기기에서 직접 합성한다. GitHub README는 “no cloud, no API calls, no privacy concerns”라는 메시지로 이 포지션을 분명히 한다.

기술적으로는 ONNX Runtime을 중심에 둔다. ONNX는 모델을 여러 런타임과 언어에서 돌릴 수 있게 해주는 교환 형식에 가깝다. 그래서 Supertonic 저장소에는 Python뿐 아니라 Node.js, Browser, Java, C++, C#, Go, Swift, Rust, iOS 예제가 들어 있다. 이 프로젝트의 강점은 단일 데모가 아니라 “여러 제품 스택에 넣기 쉬운 배포 형태”에 있다.

2. Supertonic 3의 업데이트 포인트: 5개 언어에서 31개 언어로

Supertonic 3의 가장 눈에 띄는 변화는 언어 지원 확대다. Hugging Face 모델 카드와 GitHub README는 Supertonic 3가 기존 5개 언어에서 31개 언어로 확장됐다고 설명한다. 영어, 한국어, 일본어뿐 아니라 독일어, 프랑스어, 스페인어, 힌디어, 러시아어, 터키어, 우크라이나어, 베트남어 등 주요 언어가 포함된다.

또 하나의 중요한 변화는 읽기 안정성이다. 모델 카드에는 반복(repeat)과 스킵(skip) 실패가 줄고, 공유 언어 세트에서 화자 유사도가 개선됐다고 되어 있다. TTS 품질에서 반복·스킵은 실제 제품에서 치명적이다. 짧은 안내 문장이 반복되거나 긴 문장에서 일부 문장이 빠지면 사용자는 곧바로 오류로 인식한다. 음성 AI 제품의 품질은 “목소리가 자연스러운가”보다 “실패가 얼마나 적은가”에서 먼저 갈린다.

3. 왜 중요한가: 음성 합성도 ‘클라우드 API’에서 ‘제품 내장’으로 내려온다

최근 AI 제품은 대체로 클라우드 API 중심으로 발전했다. 품질이 좋고 업데이트가 빠르기 때문이다. 그러나 음성 합성은 다른 문제가 있다. 텍스트를 서버에 보내야 하고, 음성 생성마다 비용이 발생하며, 네트워크가 느리거나 끊기면 사용자 경험이 망가진다. 고객센터, 의료·교육, 내부 문서 낭독, 키오스크, 차량, 로봇처럼 민감한 환경에서는 이 문제가 더 커진다.

Supertonic의 온디바이스 접근은 이 지점을 찌른다. 합성이 기기 안에서 끝나면 API 호출 비용은 줄고, 지연시간은 예측 가능해지며, 텍스트가 외부 서버로 나가지 않아 개인정보 부담도 낮아진다. 물론 첫 모델 다운로드와 기기 성능 요구는 남는다. 그래도 반복적으로 많은 문장을 읽어주는 서비스라면 로컬 합성의 경제성이 생긴다.

4. 어디에 쓸 수 있나: 업무툴·콘텐츠·상담·임베디드

Supertonic을 바로 떠올릴 수 있는 사용처는 문서 읽기, 자동 내레이션, 교육 콘텐츠, 고객 안내, 접근성 기능이다. 하지만 더 중요한 시장은 “목소리가 주 인터페이스가 되는 제품”이다. 예를 들어 매장 키오스크가 안내 문구를 즉석에서 읽어주거나, 사내 지식검색 봇이 답변을 현장에서 음성으로 읽어주거나, 교육 앱이 학생의 언어에 맞춰 해설을 들려주는 구조다.

특히 브라우저 예제와 iOS 예제가 포함된 점은 의미가 있다. 웹앱에서 서버 없이 음성을 만들거나, 모바일 앱 내부에 TTS 기능을 넣는 구성이 가능하기 때문이다. 또한 Python SDK는 개발자 진입 장벽을 낮춘다. PyPI 설명에 따르면 `pip install supertonic`으로 설치하고, 첫 실행 시 약 305MB 모델을 Hugging Face에서 내려받는 구조다.

5. 라이선스와 상용화: 코드 MIT, 모델 OpenRAIL-M을 분리해서 봐야 한다

주의할 점은 라이선스다. GitHub API 기준 저장소 라이선스는 MIT로 표시된다. 반면 Hugging Face 모델 카드에는 모델 라이선스가 OpenRAIL-M으로 표기돼 있다. 즉 샘플 코드와 모델 가중치의 사용 조건을 같은 것으로 보면 안 된다. 상용 서비스에 넣을 때는 “코드는 MIT라 괜찮다”에서 끝내지 말고, 모델 라이선스의 제한·책임·금지 사용처를 따로 확인해야 한다.

또한 Voice Builder는 별도의 상용 서비스로 보인다. GitHub README는 2026년 1월 Voice Builder가 공개됐고, 자신의 목소리를 deployable edge-native TTS로 만들 수 있으며 permanent ownership을 강조한다고 설명한다. 이 대목은 Supertonic 공개 모델과 Supertone의 사업화 경로가 만나는 지점이다. 공개 엔진은 개발자 생태계를 넓히고, 커스텀 음성 제작은 상용화 포인트가 될 수 있다.

6. 레드팀: Supertonic을 과대평가하면 안 되는 지점

Supertonic은 흥미로운 프로젝트지만 모든 음성 문제의 답은 아니다. 첫째, 온디바이스 모델은 기기 성능에 영향을 받는다. 오래된 모바일 기기나 저가형 키오스크에서는 지연시간과 발열, 배터리 문제가 생길 수 있다. 둘째, 모델 다운로드가 약 305MB 수준이라면 초경량 앱에는 부담이다. 셋째, 공개 모델의 기본 음성 스타일이 상용 프리미엄 TTS나 전문 성우 녹음 수준을 항상 대체한다고 보기는 어렵다.

넷째, 다국어 지원은 “말할 수 있다”와 “현지인이 자연스럽게 느낀다” 사이에 차이가 있다. 숫자, 날짜, 약어, 외래어, 고유명사, 코드스위칭 문장은 실제 서비스에서 별도 테스트가 필요하다. 다섯째, 온디바이스 합성은 개인정보 측면에서 유리하지만, 모델 파일 배포와 업데이트 관리, 악용 방지, 음성 워터마킹 같은 운영 과제는 남는다.

7. 투자·산업 관점: Supertone은 ‘음성 생성 모델 회사’보다 ‘음성 인프라 회사’에 가까워진다

Supertone은 HYBE가 2023년 지분 56.1%를 확보했다고 보도된 음성 AI 기업이다. Supertonic 공개는 단순 홍보 이상의 의미가 있다. 개발자들이 로컬 TTS를 쉽게 테스트하고, 다양한 언어·플랫폼 예제를 통해 제품에 붙여볼 수 있게 만들면 생태계 진입면이 넓어진다. 특히 GitHub 기준 별 4,300개 이상, 포크 440개 수준의 관심은 온디바이스 음성 합성에 대한 개발자 수요가 작지 않다는 신호다.

사업적으로는 공개 모델과 상용 커스텀 보이스의 조합이 중요하다. 기본 엔진은 공개해 사용성을 넓히고, 기업이 원하는 브랜드 음성·캐릭터 음성·개인 음성은 Voice Builder 같은 서비스로 연결할 수 있다. 이 구조는 오픈소스 LLM 생태계에서 “기본 모델은 공개, 운영·튜닝·배포·엔터프라이즈 기능은 상용화”하는 패턴과 비슷하다.

음성 AI 시장의 다음 경쟁은 단순히 더 자연스러운 목소리가 아니라, 비용·지연시간·권리·배포·개인정보까지 묶은 제품 인프라 경쟁이 될 가능성이 크다. Supertonic은 그 방향을 보여주는 사례다.

8. 최종 판단: 지금 볼 포인트는 ‘데모 품질’보다 ‘제품화 가능성’

Supertonic 3를 볼 때 데모 음성이 얼마나 자연스러운지만 들으면 절반만 보는 것이다. 더 중요한 질문은 “이걸 어디에 넣으면 클라우드 TTS보다 낫나”다. 개인정보가 민감하고, 네트워크가 불안정하고, 대량 호출 비용이 부담이고, 여러 플랫폼에 동일한 TTS를 넣어야 하는 제품이라면 검토 가치가 있다.

반대로 프리미엄 광고 음성, 감정 연기가 중요한 콘텐츠, 법적 고지가 필요한 유명인·개인 음성 복제, 극도로 작은 앱 용량이 필요한 서비스라면 아직 신중해야 한다. 공개 모델의 품질과 상용 보이스 제작 서비스의 품질도 구분해야 한다. Supertonic의 핵심 가치는 “가장 좋은 목소리”가 아니라 “제품 안에 넣을 수 있는 충분히 좋은 음성 엔진”이라는 점이다.