NVIDIA, 82M 음성 합성 Kokoro의 ONNX 최적화 저장소 공개

NVIDIA가 Hugging Face에 nvidia/kokoro-82M-onnx-opt 저장소를 올린 것이 관측됐다. 오픈 웨이트 음성 합성 모델 Kokoro(파라미터 8200만 개)를 ONNX 런타임에서 돌리도록 최적화한 변형이다. 저장소는 2026-05-28(UTC)에 만들어졌고 2026-10-23(UTC)에 마지막으로 수정됐으며, 이를 처음 관측한 시각은 한국 시각 2026-10-24 00:17이다. 공개 발표 시각과 같다고 볼 수는 없다.

모델 카드에는 Hugging Face 공개일이 2026-05-29로 적혀 있다. 이 모델은 NVIDIA가 만든 것이 아니라 hexgrad가 개발했고, NVIDIA는 제3자 모델이라고 밝혔다. 라이선스는 Apache-2.0이며 상업·비상업 용도로 모두 쓸 수 있고 배포 지역 제한은 없다(Global). 카드에 적힌 버전은 v1.0이다.

실행 환경은 ONNXRuntime win-x64-gpu_cuda13-1.24.3이다. 권장 운영체제는 Windows 10/11이고, 지원 GPU 구조는 NVIDIA Turing, Ampere, Lovelace, Blackwell이다. 가속 엔진으로는 TensorRT, CUDA, CoreML, Xnnpack, Nnapi, DirectML이 나열돼 있다. 테스트 하드웨어는 GeForce RTX 4090, RTX 3070 Ti, RTX 2060이다.

입력과 출력 사양

입력은 텍스트 문자열이며 최대 길이는 약 500토큰이다. 카드는 100~200토큰 단위로 나눠 넣기를 권한다. 영어는 완전히 지원하고, 일본어, 중국어(만다린), 스페인어, 프랑스어, 힌디어, 이탈리아어, 브라질 포르투갈어는 부분 지원이다. 한국어는 지원 언어로 적혀 있지 않다. 출력은 .wav 또는 .mp3 오디오이며 입력 1,000자당 약 1분 분량이 나온다.

구조는 트랜스포머 계열의 StyleTTS 2와 ISTFTNet을 쓴 디코더 전용 방식이며, yl4579/StyleTTS2-LJSpeech를 바탕으로 개발됐다. 카드는 가벼운 구조에도 더 큰 모델과 견줄 만한 품질을 내면서 훨씬 빠르고 비용 효율이 높다고 설명한다. 이는 모델 카드의 자체 설명이며 수치를 담은 비교는 없다.

학습 데이터

카드에 따르면 Kokoro는 저작권 문제가 없는 허용적 라이선스 오디오와 IPA 음소 라벨만으로 학습했다. 공개 도메인 녹음, 허용 라이선스로 풀린 오디오, 비공개(클로즈드 소스) 음성 합성 모델이 만든 합성 음성이 포함된다. 전체 분량은 수백 시간이며 데이터 크기는 1만 시간 미만이다. 수집은 자동과 합성을 섞었고 라벨링은 자동이다. 테스트와 평가 데이터셋은 공개하지 않았다.

NVIDIA는 파운데이션 모델을 시스템에 넣을 때 사용 사례별 데이터로 추가 시험이 필요하다고 안내했다. 대상 사용자는 음성 비서, 오디오 생성 서비스 등을 만드는 개발자와 기업이다.