Qwen3-TTS ์ฌ์ฉ๋ฒ: ๋ฌด๋ฃ AI ๋ณด์ด์ค ํด๋ก๋, ์ธํ ๋ด์ฅ GPU 10๋ฐฐ ๊ฐ์
8์ด ๋ น์์ผ๋ก ๋ชฉ์๋ฆฌ ๋ณต์ . ์ธํ ๋ด์ฅ GPU์์ ํ ๋ฌธ์ฅ 20์ด ๋ฏธ๋ง, CPU๋ณด๋ค 10๋ฐฐ ์ด์ ๋น ๋ฆ ๋๋ค. XPU ์ค์น๋ถํฐ ํด๋ก๋, ๊ธฐ๋ณธ ์์ฑ, ํ๊ตญ์ด ์ค์ธก๊น์ง.

์คํ์์ค TTS(ํ ์คํธ ์์ฑ ๋ณํ) ์๋ฆฌ์ฆ์ ์ธ ๋ฒ์งธ ๊ธ์ ๋๋ค. ๋ฌด๋ฃ TTS๋ก ๊ฒ์ AI ๋๋น์์ ์ฌ๋ฌ ๋ชจ๋ธ์ ๋น๊ตํ๊ณ , ์ง๋ ๊ธ CosyVoice 3 ์ฌ์ฉ๋ฒ์์๋ CPU๋ง์ผ๋ก๋ ๋์๊ฐ๋ ๋ณด์ด์ค ํด๋ก๋์ ์๊ฐํ์ต๋๋ค. ์ด๋ฒ์๋ Qwen3-TTS ์ฐจ๋ก์ ๋๋ค.
์ ์ฒด ๋น๊ต ๊ธ์์ Qwen3-TTS์ ๋ณด์ด์ค ํด๋ก๋์ CPU๋ก ๋๋ ธ์ ๋๋ ๋์ฌ ํ ์ค์ 4๋ถ ๋๊ฒ ๊ฑธ๋ ธ์ต๋๋ค. ๊ทธ๋ ๋ด๋ฆฐ ๊ฒฐ๋ก ์ "๋ณต์ ํ ๋ชฉ์๋ฆฌ๋ก ๋์ฌ๋ฅผ ๋ง์ด ์์ฑํ๋ ค๋ฉด ๊ฒฐ๊ตญ NVIDIA ๊ทธ๋ํฝ์นด๋๊ฐ ์์ด์ผ ํ๋ค"์์ต๋๋ค. ์ด๋ฒ์๋ ๋ ธํธ๋ถ์ Intel ๋ด์ฅ GPU๋ก ๋ฐ๊ฟจ๋๋ ๊ฐ์ ๋ฌธ์ฅ์ด 16~18์ด ๋ง์ ๋๋ฌ์ต๋๋ค. ์ด๋ฒ ์ธก์ ์์๋ 10๋ฐฐ ์ด์ ๋นจ๋ผ์ก๊ณ , ํจํค์ง ์์ค ์ฝ๋๋ฅผ ๊ณ ์น ํ์๋ ์์์ต๋๋ค. ๋ค๋ง CPU๋ก ์ธก์ ํ ๋๋ ๋ค๋ฅธ ํ๋ก๊ทธ๋จ๋ ์ด๋ ค ์์๊ณ , ๋ด์ฅ GPU๋ก ์ธก์ ํ ๋๋ ๋ค๋ฅธ ๋ถํ๊ฐ ์์์ต๋๋ค. ์ด ๊ธ์์๋ Intel ๋ด์ฅ GPU(PyTorch XPU) ์ค์น ๊ณผ์ ์ ์ ๋ฆฌํ๊ณ , ์ ๋ชฉ์๋ฆฌ๋ก ์ง์ ๋ณด์ด์ค ํด๋ก๋์ ์์ฐํ ๊ฒฐ๊ณผ๋ฅผ ๋ด์์ต๋๋ค.
Qwen3-TTS๋? ์์ ์ ์ผ๋ก ์จ๋ ๋ ๊น?
Qwen3-TTS๋ ์๋ฆฌ๋ฐ๋ฐ ํต์ด์ฒธ์(Qwen) ํ์ด 2026๋ 1์ 22์ผ์ ์คํ์์ค๋ก ๊ณต๊ฐํ ์์ฑ ์์ฑ ๋ชจ๋ธ ์๋ฆฌ์ฆ์ ๋๋ค. ์๋ ์ ๋ณด๋ GitHub์ Hugging Face ๋ชจ๋ธ ํ์ด์ง์์ 2026-11-21์ ํ์ธํ ๋ด์ฉ์ ๋๋ค.
ํญ๋ชฉ | ๋ด์ฉ |
|---|---|
๋ผ์ด์ ์ค | Apache-2.0, ์์ ์ ์ด์ฉ ๊ฐ๋ฅ |
ํฌ๊ธฐ | 0.6B(6์ต ํ๋ผ๋ฏธํฐ), 1.7B(17์ต ํ๋ผ๋ฏธํฐ) |
์ธ์ด | ์ค๊ตญ์ด, ์์ด, ์ผ๋ณธ์ด, ํ๊ตญ์ด, ๋ ์ผ์ด, ํ๋์ค์ด, ๋ฌ์์์ด, ํฌ๋ฅดํฌ๊ฐ์ด, ์คํ์ธ์ด, ์ดํ๋ฆฌ์์ด ๋ฑ 10๊ฐ |
๋ณด์ด์ค ํด๋ก๋ | ๊ณต์ ์ค๋ช ์ ๋ฐ๋ฅด๋ฉด 3์ด์ง๋ฆฌ ์ฐธ์กฐ ์์ฑ์ด๋ฉด ์ถฉ๋ถ |
ํ์ต ๋ฐ์ดํฐ | ๊ธฐ์ ๋ณด๊ณ ์ ๊ธฐ์ค 10๊ฐ ์ธ์ด, 500๋ง ์๊ฐ ์ด์์ ์์ฑ |
์ค์น |
|
์ธ ๊ฐ์ง ๋ชจ๋ธ: Base, CustomVoice, VoiceDesign
Qwen3-TTS๋ ์ฉ๋์ ๋ฐ๋ผ ์ธ ๊ฐ์ง๋ก ๋๋ฉ๋๋ค. ์ด๋ฆ์ ๋ค์ด ์๋ 12Hz๋ ์ด ๋ชจ๋ธ์ด ์ฐ๋ ์์ฑ ํ ํฌ๋์ด์ ๋ฅผ ๊ฐ๋ฆฌํต๋๋ค.
๋ชจ๋ธ | ์ฉ๋ | 0.6B | 1.7B | ์ง์๋ฌธ์ผ๋ก ๋งํฌ ์ ์ด |
|---|---|---|---|---|
Base | ๋ณด์ด์ค ํด๋ก๋, ํ์ธํ๋์๋ ์ฌ์ฉ ๊ฐ๋ฅ | ์์ | ์์ | ๋ถ๊ฐ |
CustomVoice | ๊ธฐ๋ณธ ์์ฑ 9์ข | ์์ | ์์ | 1.7B๋ง ๊ฐ๋ฅ |
VoiceDesign | ์ํ๋ ๋ชฉ์๋ฆฌ๋ฅผ ๊ธ๋ก ์ค๋ช ํด ์ ๋ชฉ์๋ฆฌ ์์ฑ | ์์ | ์์ | ๊ฐ๋ฅ |
์ด ๊ธ์์๋ ๋ชจ๋ 0.6B๋ฅผ ์ผ์ต๋๋ค. Hugging Face์์ ๋ด๋ ค๋ฐ์ผ๋ฉด Base์ CustomVoice๊ฐ ๊ฐ๊ฐ ์ฝ 2.4GB์ ๋๋ค.
๊ธฐ๋ณธ ์์ฑ 9์ข
CustomVoice์์ ์ ๊ณตํ๋ ๊ธฐ๋ณธ ์์ฑ์ ๋๋ค(๊ณต์ ์ค๋ช ๋ฒ์ญ).
์ด๋ฆ | ๋ชฉ์๋ฆฌ | ๋ชจ๊ตญ์ด |
|---|---|---|
Vivian | ๋ฐ๊ณ ๊ฐ์ฑ ์๋ ์ ์ ์ฌ์ฑ ๋ชฉ์๋ฆฌ | ์ค๊ตญ์ด |
Serena | ๋ฐ๋ปํ๊ณ ๋ถ๋๋ฌ์ด ์ ์ ์ฌ์ฑ ๋ชฉ์๋ฆฌ | ์ค๊ตญ์ด |
Uncle_Fu | ๋ฎ๊ณ ๋ถ๋๋ฌ์ด ์ค๋ ๋จ์ฑ ๋ชฉ์๋ฆฌ | ์ค๊ตญ์ด |
Dylan | ๋ฒ ์ด์ง ์ต์์ ์ ์ ๋จ์ฑ ๋ชฉ์๋ฆฌ | ์ค๊ตญ์ด(๋ฒ ์ด์ง์ด) |
Eric | ์ฒญ๋ ์ถ์ ์ ํ๊ธฐ์ฐฌ ๋จ์ฑ ๋ชฉ์๋ฆฌ, ์ฝ๊ฐ ํ์คํคํจ | ์ค๊ตญ์ด(์ฐ์ดจ์ด) |
Ryan | ๋ฆฌ๋ฌ๊ฐ์ด ๊ฐํ ๋จ์ฑ ๋ชฉ์๋ฆฌ | ์์ด |
Aiden | ๋ฐ์ ๋ฏธ๊ตญ ๋จ์ฑ ๋ชฉ์๋ฆฌ | ์์ด |
Ono_Anna | ์ฅ๋๊ธฐ ์๊ณ ๊ฒฝ์พํ ์ฌ์ฑ ๋ชฉ์๋ฆฌ | ์ผ๋ณธ์ด |
Sohee | ๋ฐ๋ปํ๊ณ ๊ฐ์ ์ด ํ๋ถํ ์ฌ์ฑ ๋ชฉ์๋ฆฌ | ํ๊ตญ์ด |
๊ณต์ ์ค๋ช ์ ๋ฐ๋ฅด๋ฉด ๊ฐ ๋ชฉ์๋ฆฌ๋ ๋ชจ๊ตญ์ด๋ก ์ฌ์ฉํ ๋ ๊ฒฐ๊ณผ๊ฐ ๊ฐ์ฅ ์ข์ง๋ง, ๋ชจ๋ ๋ชฉ์๋ฆฌ๋ก 10๊ฐ ์ธ์ด๋ฅผ ๋ชจ๋ ๋งํ๊ฒ ํ ์ ์์ต๋๋ค.
์ฌ์: NVIDIA ๊ทธ๋ํฝ์นด๋ ์์ด๋ ๋์๊ฐ๊น?
๋์๊ฐ๋๋ค. ๊ณต์ ์์ ๋ ๋ชจ๋ device_map="cuda:0"์ bfloat16๊ณผ FlashAttention 2๋ฅผ ์ฐ๊ณ , GitHub์ ๋ชจ๋ธ ํ์ด์ง ์ด๋์๋ CPU๋ Intel ๊ทธ๋ํฝ์ ๋ํ ์ค๋ช
์ ์์ต๋๋ค. ํ์ง๋ง ์ค์ ๋ก๋ CPU๋ก๋, Intel ๋ด์ฅ GPU๋ก๋ ๋์๊ฐ๋๋ค.
์ ๋ ธํธ๋ถ์๋ Intel Core Ultra 5 322(6์ฝ์ด)์ Panther Lake ๋ด์ฅ GPU๊ฐ ํ์ฌ๋์ด ์๊ณ , ์ธ์ฅ ๊ทธ๋ํฝ์นด๋๋ ์์ต๋๋ค. 0.6B๋ก ์ ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํด ์ฝ 6์ด ๋ถ๋์ ๋์ผํ ์ค๊ตญ์ด ๋์ฌ(๊ฐ์ฒด์๋ก ์ ๋ ฅ)๋ฅผ ์ฝ๊ฒ ํ ๊ฒฐ๊ณผ์ ๋๋ค.
์คํ ํ๊ฒฝ | ์์ฑ ์๊ฐ | ์์ ์๊ฐ ๋ฐฐ์จ(๋ฎ์์๋ก ๋น ๋ฆ) |
|---|---|---|
CPU(6์ฝ์ด) | ์ฝ 270์ด | ์ฝ 42 |
Intel ๋ด์ฅ GPU(PyTorch XPU) | 16~18์ด | 2.7~3.0 |
Intel ๋ด์ฅ GPU, bfloat16์ผ๋ก ๋ณ๊ฒฝ | ์ฝ 12์ด | ์ฝ 2.2 |
์์ ์๊ฐ ๋ฐฐ์จ์ ์์ฑ ์๊ฐ์ ์์ฑ ๊ธธ์ด๋ก ๋๋ ๊ฐ์ ๋๋ค. ์๋ฅผ ๋ค์ด 3.0์ด๋ฉด 1์ด ๋ถ๋์ ์์ฑ์ ๋ง๋๋ ๋ฐ 3์ด๊ฐ ๊ฑธ๋ฆฐ๋ค๋ ๋ป์ ๋๋ค.
CPU๋ ๋ ๋ฒ ์ธก์ ํด์ 272์ด์ 402์ด๊ฐ ๋์์ต๋๋ค. ์ธก์ ํ ๋ ๋ค๋ฅธ ํ๋ก๊ทธ๋จ๋ ์ด๋ ค ์์ด์ ์ฐจ์ด๊ฐ ํฌ์ง๋ง, ์ด๋ ์ชฝ์ด๋ 4๋ถ ๋ฐ ์ด์ ๊ฑธ๋ ธ์ต๋๋ค. ๋ด์ฅ GPU๋ ๋ค๋ฅธ ๋ถํ๊ฐ ์๋ ์ํ์์ ๊ฐ์ ๋ฌธ์ฅ์ 3๋ฒ ์ฐ์ ์์ฑํ์ต๋๋ค. ์ฒซ ๋ฒ์งธ ์์ฑ์๋ ์ปดํ์ผ ๊ณผ์ ์ด ์์ด ์ฝ 20์ด๊ฐ ๊ฑธ๋ ธ๊ณ , ๊ทธ ๋ค๋ก๋ 16~18์ด๊ฐ ๊ฑธ๋ ธ์ต๋๋ค.
๊ทธ ๋ฐ์ ๋ชจ๋ธ์ ๋ถ๋ฌ์ค๋ ๋ฐ ์ฝ 6~10์ด๊ฐ ๊ฑธ๋ฆฝ๋๋ค. ๊ธฐ๋ณธ ์์ฑ(CustomVoice)๋ ๋ด์ฅ GPU์์์ ์๋๋ ๋น์ทํด์, ์ฝ 8์ด์ง๋ฆฌ ๋์ฌ๋ฅผ ๋ง๋๋ ๋ฐ ์ฝ 18~20์ด๊ฐ ๊ฑธ๋ ธ์ต๋๋ค.
์ง๋ ๊ธ์ CosyVoice 3์ ๋น๊ตํ๋ฉด, ๊ฐ์ ๋ณด์ด์ค ํด๋ก๋์ด๋ผ๋ Qwen3-TTS๊ฐ ๋ด์ฅ GPU์์ ์ฝ 2๋ฐฐ ๋น ๋ฆ ๋๋ค. ๊ฐ์ ๋ น์, ๊ฐ์ ๋์ฌ ๋ ์ค๋ก ๋น๊ตํ๋๋ Qwen3-TTS๋ ํ ์ค์ 16~28์ด, CosyVoice 3๋ 29~61์ด์์ต๋๋ค. (CosyVoice 3 ๊ธ์ ์ ์ ๋ฐฐ์จ 2.5๋ ๋ น์ทจ๋ฌธ ์์ด ๋๋ฆฌ๋ ๋ค๊ตญ์ด ๋ชจ๋ ์์น๋ผ์, ์๊ณ ๋ฅผ ํจ๊ป ์ฃผ๋ ํด๋ก๋๋ณด๋ค ๋น ๋ฆ ๋๋ค.) CPU์์๋ ์ฐจ์ด๊ฐ ๋ ๋ฒ์ด์ง๋๋ค. CosyVoice 3๋ CPU๋ก ํ ์ค์ ๋ณต์ ํ๋ ๋ฐ ์ฝ 2๋ถ, Qwen3-TTS๋ 4๋ถ ๋ฐ ์ด์ ๊ฑธ๋ฆฝ๋๋ค. Qwen3-TTS๋ก ๋ณด์ด์ค ํด๋ก๋์ ํ๋ ค๋ฉด ๋ด์ฅ GPU๊ฐ ์ฌ์ค์ ํ์์ ๋๋ค.
Qwen3-TTS ์ค์น ๋ฐฉ๋ฒ(CPU ๋ฒ์ )
์ ํ๊ฒฝ์ Linux(Arch)์ด๊ณ , Python์ uv๋ก ๊ด๋ฆฌํฉ๋๋ค. ๊ณต์ ๋ฌธ์์์๋ Python 3.12๋ก ์ ํ๊ฒฝ์ ๋ง๋ค ๊ฒ์ ๊ถ์ฅํฉ๋๋ค.
mkdir -p ~/tools/qwen3-tts && cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv
VIRTUAL_ENV=.venv uv pip install --index-url https://download.pytorch.org/whl/cpu torch torchaudio
VIRTUAL_ENV=.venv uv pip install qwen-tts soundfiletorch๋ ๋จผ์ PyTorch์ CPU ์ ์ฉ ์ ์ฅ์์์ ์ค์นํฉ๋๋ค. ๊ทธ๋ ์ง ์์ผ๋ฉด Linux์์๋ ๊ธฐ๋ณธ์ผ๋ก CUDA๊ฐ ํฌํจ๋ ๋ฒ์ ์ ๋ด๋ ค๋ฐ์ ๋ช GB๋ฅผ ๋ ์ฐจ์งํฉ๋๋ค.
๊ณต์ ๋ฌธ์๋ ์๋๋ฅผ ๋์ด๋ ค๋ฉด FlashAttention 2๋ ์ค์นํ๋ผ๊ณ ๊ถํ์ง๋ง, ์ด๊ฑด ์ ํ ์ฌํญ์ด๊ณ ํธํ๋๋ ๊ทธ๋ํฝ์นด๋๊ฐ ์์ด์ผ ํฉ๋๋ค. CPU์ Intel ๋ด์ฅ GPU์์๋ ์ธ ์ ์์ผ๋ ๊ฑด๋๋ฐ์ด๋ ๋ฉ๋๋ค.
์ฒซ ๋ฌธ์ฅ ์์ฑํ๊ธฐ
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# ๋ณด์ด์ค ํด๋ก๋: Base ๋ชจ๋ธ + ์ฐธ์กฐ ์์ฑ + ์ฐธ์กฐ ์์ฑ์ ๋
น์ทจ๋ฌธ
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="์ฝ์ ๋์ฌ", language="Chinese",
ref_audio="ref.wav", ref_text="์ฐธ์กฐ ์์ฑ์์ ๋งํ ๋ด์ฉ")
sf.write("out.wav", wavs[0], sr)์ฒ์ ์คํํ๋ฉด Hugging Face์์ ๋ชจ๋ธ์ ์๋์ผ๋ก ๋ด๋ ค๋ฐ์ต๋๋ค. ๊ธฐ๋ณธ ์์ฑ์ ์ฐ๋ ค๋ฉด CustomVoice ๋ชจ๋ธ๋ก ๋ฐ๊ฟ๋๋ค.
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="์ฝ์ ๋์ฌ", speaker="Uncle_Fu", language="Chinese")language์๋ Chinese, English, Japanese, Korean ๊ฐ์ ์ธ์ด ์ด๋ฆ์ ์ฐ๊ฑฐ๋, Auto๋ก ๋๊ณ ๋ชจ๋ธ์ด ์์์ ํ๋จํ๊ฒ ํ ์ ์์ต๋๋ค.
Intel ๋ด์ฅ GPU๋ก ๊ฐ์ํ๋ ๋ฐฉ๋ฒ(PyTorch XPU)
์ด ๊ธ์ ํต์ฌ์ ๋๋ค. PyTorch์์ Intel ๊ทธ๋ํฝ์ ์ฌ์ฉํ๋ ๋ฐฑ์๋๋ฅผ XPU๋ผ๊ณ ํฉ๋๋ค. ๊ณต์ ์ ์ฅ์์์ ๋ฏธ๋ฆฌ ๋น๋๋ XPU ๋ฒ์ ์ ๋ฐ๋ก ์ค์นํ ์ ์์ด ์ง์ ์ปดํ์ผํ ํ์๊ฐ ์์ต๋๋ค.
PyTorch ๊ณต์ XPU ์๋ด์ ๋ฐ๋ฅด๋ฉด, ์ง์ํ๋ Intel ๊ทธ๋ํฝ์ Arc A/B ์๋ฆฌ์ฆ ์ธ์ฅ ๊ทธ๋ํฝ์นด๋์ Core Ultra์ ๋ด์ฅ GPU(Meteor Lake, Arrow Lake, Lunar Lake, Panther Lake)์ ๋๋ค. ๊ณต์ ๋ชฉ๋ก์ ์๋ ์ด์์ฒด์ ๋ Windows 11๊ณผ Ubuntu(Panther Lake๋ Ubuntu 26.04 ํ์)์ ๋๋ค. ์ ๋ ๋ชฉ๋ก์ ์๋ Arch Linux๋ฅผ ์ฐ๋๋ฐ๋ ์ ๋์๊ฐ์ต๋๋ค.
๋ด์ฅ GPU ์ ์ฉ ํ๊ฒฝ์ ๋ฐ๋ก ๋ง๋ค๊ณ , CPU ๋ฒ์ ํ๊ฒฝ์ ๊ทธ๋๋ก ๋์์ต๋๋ค.
1. Intel ์ปดํจํธ ๋ฐํ์ ์ค์น
์ผ๋ฐ์ ์ธ ๋ฐ์คํฌํฑ ์์คํ ์๋ ํ๋ฉด ํ์์ฉ ๋๋ผ์ด๋ฒ๋ง ์ค์น๋์ด ์์ต๋๋ค. PyTorch๊ฐ GPU๋ก ์ฐ์ฐํ๊ฒ ํ๋ ค๋ฉด Intel ์ปดํจํธ ๋ฐํ์(Level Zero)๋ ์ค์นํด์ผ ํฉ๋๋ค. Arch Linux์์๋ ๋ค์๊ณผ ๊ฐ์ต๋๋ค.
sudo pacman -S intel-compute-runtime2. XPU ๋ฒ์ PyTorch ์ค์น
cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"True Intel(R) Graphics๊ฐ ์ถ๋ ฅ๋๋ฉด ๋ด์ฅ GPU๋ฅผ ์ธ์ํ ๊ฒ์
๋๋ค. ์ ๋ PyTorch 2.15.0์ด ์ค์น๋์ต๋๋ค.
3. torch ๋ฒ์ ์ ๊ณ ์ ํ ๋ค qwen-tts ์ค์น
์ด์ด์ qwen-tts๋ฅผ ์ค์นํ๋ฉด ํจํค์ง ๊ด๋ฆฌ ๋๊ตฌ๊ฐ torch์ ์์กด์ฑ ์กฐ๊ฑด๋ ํ์ธํฉ๋๋ค. ์ด๋ ํจํค์ง ๊ด๋ฆฌ ๋๊ตฌ์ ๋งก๊ฒจ ๋๋ฉด ๋ฐฉ๊ธ ์ค์นํ XPU ๋ฒ์ ์ ์ผ๋ฐ ๋ฒ์ ์ผ๋ก ๋ฐ๊ฟ ๋ฒ๋ฆด ์ ์์ต๋๋ค. ๊ทธ๋์ ๋จผ์ ์ ์ฝ ํ์ผ์ ๋ง๋ค์ด ๋ฒ์ ์ ๊ณ ์ ํ์ต๋๋ค.
cat > xpu-constraints.txt <<'EOF'
torch==2.15.0+xpu
torchaudio==2.11.1+xpu
EOF
VIRTUAL_ENV=.venv-xpu uv pip install -c xpu-constraints.txt \
--index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/xpu \
qwen-tts soundfile๋ฒ์ ๋ฒํธ๋ ์ค์ ๋ก ์ค์น๋ ๋ฒ์ ์ผ๋ก ๋ฐ๊พธ์ธ์(uv pip list๋ก ํ์ธํ ์ ์์ต๋๋ค). --index-strategy unsafe-best-match๋ฅผ ๋ถ์ด๋ฉด uv๊ฐ PyPI์ PyTorch์ XPU ์ ์ฅ์ ์์ชฝ์์ ํจํค์ง๋ฅผ ๊ณ ๋ฅผ ์ ์์ต๋๋ค.
์ง๋ ๊ธ์ CosyVoice 3๋ ์ด ๋จ๊ณ์์ triton ์ถฉ๋์ด ์์์ต๋๋ค. openai-whisper๊ฐ ์์ ๋ฒ์ ์ triton์ ํจ๊ป ์ค์นํ๋ฉด์ XPU์ ํ์ํ triton-xpu๋ฅผ ๋ฎ์ด์ฐ๋ ๋ฌธ์ ์์ต๋๋ค. Qwen3-TTS๋ openai-whisper๋ฅผ ์ฐ์ง ์์์ ์ด๋ฒ์๋ ์ด ๋ฌธ์ ๊ฐ ์์์ต๋๋ค. cannot import name 'make_tensordesc_args' ์ค๋ฅ๊ฐ ๋์จ๋ค๋ฉด ์ง๋ ๊ธ์ ํด๊ฒฐ ๋ฐฉ๋ฒ์ ์ฐธ๊ณ ํ์ธ์.
4. device_map์ xpu๋ก ๋ณ๊ฒฝ
CosyVoice 3์ ๊ฐ์ฅ ๋ค๋ฅธ ๋ถ๋ถ์
๋๋ค. CosyVoice ์ฝ๋๋ CUDA๋ง ์ธ์ํด์, ๋จผ์ CPU์์ ๋ถ๋ฌ์จ ๋ค์ ๋ชจ๋ธ์ ์ง์ ๋ด์ฅ GPU๋ก ์ฎ๊ฒจ์ผ ํ์ต๋๋ค. Qwen3-TTS๋ Hugging Face transformers ๋ฐฉ์์ผ๋ก ๋ชจ๋ธ์ ๋ถ๋ฌ์ค๊ธฐ ๋๋ฌธ์ device_map์ "xpu"๋ก ๋ฐ๊พธ๊ธฐ๋ง ํ๋ฉด ๋๊ณ , ํจํค์ง ์์ค ์ฝ๋๋ฅผ ๊ณ ์น ํ์๊ฐ ์์ต๋๋ค.
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype์ ๋ชจ๋ธ์ด ๊ณ์ฐ์ ์ฐ๋ ์ซ์์ ์ ๋ฐ๋์
๋๋ค. float32๋ 32๋นํธ ๋ถ๋์์์ ์๋ก ์ ๋ฐ๋๋ ๋์ง๋ง ๋๋ฆฌ๊ณ ๋ฉ๋ชจ๋ฆฌ๋ ๋ง์ด ์๋๋ค. bfloat16์ 16๋นํธ๋ง ์จ์ ๋น ๋ฅด๊ณ ๋ฉ๋ชจ๋ฆฌ๋ ์๋ ์ ์์ง๋ง ์ ๋ฐ๋๋ ๋ฎ์ต๋๋ค. ๊ณต์ ์์ ๋ dtype=torch.bfloat16์ ์๋๋ค.
์ ๋ ํ์ float32๋ฅผ ์ฐ๋๋ฐ, bfloat16๋ ์ํํด ๋ดค์ต๋๋ค. ๊ฐ์ ๋ฌธ์ฅ์ ์์ฑ ์๊ฐ์ด 16~18์ด์์ ์ฝ 12์ด๋ก ์ค์๊ณ , ์์ฑ ์ธ์(Whisper)์ผ๋ก ๋ค์ ํ ์คํธ๋ก ๋ณํํด ๋ด๋ ๋ด์ฉ์ด ์ ํํ์ต๋๋ค. ๋ค๋ง ๋ ๋ฒ ์์ฑํ ์์ฑ์ ๊ธธ์ด๊ฐ ๋ฌ๋์ผ๋(bfloat16์ 5.3์ด, float32๋ 6.0์ด), ์๋๋ฅผ ๋น๊ตํ ๋ ์ด ์ฐจ์ด๋ ๊ฐ์ํด์ผ ํฉ๋๋ค.
๋ ๋ฒ์ ์ ๋น๊ตํด ๋ค์ด ๋ณด๋ ์์ง ์ฐจ์ด๋ ์์ฃผ ์์์, ๊ท ๊ธฐ์ธ์ฌ ๋ค์ด์ผ ๊ฒจ์ฐ ๊ตฌ๋ณํ ์ ์์์ต๋๋ค. ๊ทธ๋์ Intel ๋ด์ฅ GPU๋ก ๋๋ฆฐ๋ค๋ฉด ๊ทธ๋ฅ bfloat16์ ์ฐ๋ ๊ฑธ ์ถ์ฒํฉ๋๋ค. ์ด๋ฒ ํ ์คํธ์์๋ ํ ๋ฌธ์ฅ๋ง๋ค ์๊ฐ์ ์ฝ 30% ๋ ์ค์ผ ์ ์์์ต๋๋ค.
๋ด์ฅ GPU์์ ์ฒ์ ์์ฑํ ๋๋ ์ฐ์ฐ ํ๋ก๊ทธ๋จ์ ๋จผ์ ์ปดํ์ผํ๋๋ผ ๋๋ฆฝ๋๋ค. ํ๋ก๊ทธ๋จ์ ์ข ๋ฃํ์ง ์๊ณ ์ด์ด์ ์์ฑํ๋ฉด ๊ทธ๋ค์๋ถํฐ๋ ์ ์ ์๋๊ฐ ๋์ต๋๋ค. ๊ทธ๋์ ๋์ฌ๋ฅผ ์ฌ๋ฌ ์ค ๋ง๋ค ๋๋ ๋ชจ๋ธ์ ํ ๋ฒ๋ง ๋ถ๋ฌ์จ ๋ค์ ํ ์ค์ฉ ์ด์ด์ ์ฝ๊ฒ ํ๊ณ , ์ค๋ง๋ค ํ๋ก๊ทธ๋จ์ ๋ค์ ์คํํ์ง ๋ง์ธ์.
์ ๋ CPU์ ๋ด์ฅ GPU์์ ์คํํ๋ ๋ฐฉ์์ ๋ช
๋ น์ด ํ๋๋ก ํตํฉํด ~/tools/qwen3-tts/์ ๋๊ณ , ์ด๋ ํ๋ก์ ํธ์์๋ ๋ฐ๋ก ๋ถ๋ฌ ์๋๋ค. --device xpu๋ฅผ ๋ถ์ด๋ฉด ๋ด์ฅ GPU ํ๊ฒฝ์ผ๋ก ๋ฐ๋๋๋ค.
์คํ 1: ์ ๋ชฉ์๋ฆฌ๋ก ๋ณด์ด์ค ํด๋ก๋ ์์ฐ
์ฐธ์กฐ ๋ น์์ ์ง๋ ๊ธ์์ ์ด ๊ฒ๊ณผ ๊ฐ์ ๋ น์์ผ๋ก, ํด๋ํฐ์ผ๋ก ๋ น์ํ 8์ด์ง๋ฆฌ ์ ๋ชฉ์๋ฆฌ์ ๋๋ค.
์๋ด: ์ด ์น์ ์ ๋ชจ๋ ์์ฑ ์ํ์ ์ (Terry L)์ ์ค์ ๋ชฉ์๋ฆฌ์ด๊ฑฐ๋ ์ ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํ ๊ฒฐ๊ณผ์ ๋๋ค. ์ ์๊ถ์ ์ ์๊ฒ ์์ผ๋ฉฐ, ๋ค์ด๋ก๋ยท์ฌ๋ฐฐํฌ๋ ๋ค๋ฅธ ๊ณณ์์์ ์ฌ์ฉ(๋ณต์ ์ฉ์ผ๋ก ์ฐ๋ ๊ฒ ํฌํจ)์ ๊ธํฉ๋๋ค.
์๋ ๋ ๋ฌธ์ฅ์ ์ ๊ฐ ํ ๋ฒ๋ ๋งํ ์ ์ด ์์ต๋๋ค. Qwen3-TTS 0.6B๊ฐ Intel ๋ด์ฅ GPU์์ ์ ๋ น์๊ณผ ํด๋น ๋ น์ทจ๋ฌธ์ ๋ฐํ์ผ๋ก ์ ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํด ์์ฑํ ์์ฑ์ ๋๋ค. ๋์ฌ์ ์๊ณ ๋ ๋ชจ๋ ๊ฐ์ฒด์๋ก ๋ฐ๊ฟ์ ๋ฃ์์ต๋๋ค(์ด์ ๋ ์คํ 2์์ ์ค๋ช ํฉ๋๋ค).
๋ ๋ฒ์งธ ๋ฌธ์ฅ์ ์ฝ๊ธฐ๊ฐ ๋ ์ด๋ ต์ต๋๋ค. "Intel", "NVIDIA"์ ์ค๊ตญ์ด "ๅ ง้กฏ(๋ด์ฅ ๊ทธ๋ํฝ)", "้กฏ็คบๅก(๊ทธ๋ํฝ์นด๋)"๊ฐ ์์ฌ ์๊ธฐ ๋๋ฌธ์ ๋๋ค. 3๊ฐ์ง ๋ฒ์ ์ ์ฐ๋ฌ์ ์์ฑํ๋๋ฐ, ์์ ๋ ๊ฐ๋ "้กฏ็คบๅก"๋ฅผ ์๋ชป ์ฝ๊ฑฐ๋ "NVIDIA"๋ฅผ ๋ญ๊ฐ์ ๋ฐ์ํ๊ณ , ์ธ ๋ฒ์งธ์์์ผ ์์ ํ ์ ํํ์ต๋๋ค. Qwen3-TTS๋ก ์ด๋ฐ ๋์ฌ๋ฅผ ์ฝํ ๋๋ ์ฌ๋ฌ ๋ฒ์ ์ ๋ง๋ค์ด ๋ณด๊ณ ๊ณ ๋ฅด์ธ์.
์์ฑ๋ ์ค๊ตญ์ด ์์ฑ์ ์ ๋ชฉ์๋ฆฌ์ ์์ฃผ ๋น์ทํ๊ฒ ๋ค๋ ธ์ต๋๋ค.
์ธ์ด๋ฅผ ๋๋๋๋ ํด๋ก๋: ๊ฐ์ ์ค๊ตญ์ด ๋ น์์ผ๋ก ํ๊ตญ์ด, ์์ด, ์ผ๋ณธ์ด๋ ๋งํ๊ฒ ํ ์ ์์ต๋๋ค.
์ผ๋ณธ์ด ๋ฌธ์ฅ์ ์์ฑ ์ธ์(Whisper)์ผ๋ก ๋ค์ ํ ์คํธ๋ก ๋ณํํด ๋น๊ตํด ๋ณด๋ ๋ด์ฉ์ด ์์ ํ ์ ํํ์ต๋๋ค. ์์ด ๋ฌธ์ฅ๋ "Qwen3-TTS"๋ผ๋ ์ด๋ฆ์ด ๋ค๋ฅธ ๋จ์ด๋ก ๋ฐ๋ ๊ฒ ๋ง๊ณ ๋ ๋ชจ๋ ์ ํํ๊ณ , ๋ ์ฝ๊ฑฐ๋ ๋น ๋จ๋ฆฐ ๋จ์ด๋ ์์์ต๋๋ค.
ํ์ง๋ง ๋ด์ฉ์ด ๋ง๋๋ค๊ณ ๋ฃ๊ธฐ ์ข์ ๊ฑด ์๋๋๋ค. ์์ด ๋ฌธ์ฅ์ ์ ๊ฐ ๋ฃ๊ธฐ์ ๋ง์ด ์์ฃผ ๋๋ ๋๊ฒจ์ ์์ฐ์ค๋ฝ์ง ์์์ต๋๋ค. ๊ฐ์ ๋ น์์ผ๋ก ์์ด๋ฅผ ๋งํ๊ฒ ํ๋ฉด ์ง๋ ๊ธ์ CosyVoice 3๊ฐ ํ์คํ ํจ์ฌ ๋งค๋๋ฝ์ต๋๋ค. ์ ๋ชฉ์๋ฆฌ๋ก ๋ค๋ฅธ ์ธ์ด๋ฅผ ๋งํ๊ฒ ํ๋ ํด๋ก๋์์๋ CosyVoice 3๊ฐ ๋ ๋์์ต๋๋ค.
์คํ 2: ๋ก๋ด ๋ฐํ ๋ ์์์ ํ๊ตญ์ด ๋์ฌ
์น์ฌ์ดํธ ์ฒซ ํ๋ฉด์ 3D ๋ฌ ๊ธฐ์ง ๋ฏธ๋ ๊ฒ์์ด๊ณ , ๊ธฐ์ง ์ ๋ฐ์ ๋ฐํ ๋๋ ๋ก๋ด ์์์ ๋๋ค. ์ํ ใํจ์ ์ ์คใ(Passengers, 2016)์ ๋ฐํ ๋์๊ฒ ๋ฐ์น๋ ์ค๋ง์ฃผ์ธ๋ฐ, ๋ง์ดํด ์ฐ์ ๋ชฉ์๋ฆฌ๋ ์ผ๋ถ๋ฌ ํ๋ด ๋ด์ง ์์๊ณ ์ง๊ธ์ ์ ๋ชฉ์๋ฆฌ๋ก ๋งํฉ๋๋ค. ์์์ ๋์ฌ๋ฅผ ํ๊ตญ์ด๋ก ์ฝ๊ฒ ํ์ต๋๋ค.
์ค๊ตญ์ด๋ฅผ ์ฝ๊ฒ ํ ๋๋ ๋์ฌ๋ฅผ ๋จผ์ ๊ฐ์ฒด์๋ก ๋ฐ๊ฟ์ผ ํฉ๋๋ค. ๋ฒ์ฒด์๋ก ๋ฃ์ผ๋ฉด ์ฌ๋ฌ ๋ฐ์์ด ์๋ ๊ธ์๋ฅผ ์๋ชป ์ฝ๋๋ฐ, ์ ๊ฐ ๋ค์ด ๋ณด๋ "่กๆฅญ(์ ๊ณ)"๋ฅผ "ๅ่ญฐ(์์ํ๋ค)"๋ก ์ฝ์๊ณ ๊ฐ์ฒด์๋ก ๋ฃ์ผ๋ ์ ๋๋ก ์ฝ์์ต๋๋ค. ๋ณํ์ Python์ OpenCC ํจํค์ง๋ก ํ ์ค์ด๋ฉด ๋ฉ๋๋ค.
from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("้ๆฏ้ไปฝ่กๆฅญ็็ฅ่ไฟก็จ") # ๊ฐ์ฒด์ ๋ณํ ๊ฒฐ๊ณผ: ่ฟๆฏ่ฟไปฝ่กไธ็็ฅๅฃไฟก็จ์ด ์ ์ CosyVoice 3๊ฐ ๋ ํธํฉ๋๋ค. ๋ฒ์ฒด์๋ฅผ ๊ทธ๋๋ก ๋ฃ์ด๋ ๋๋ถ๋ถ ์ ๋๋ก ์ฝ๊ณ , ๋ช๋ช ๊ธ์๋ง ๊ณ ์น๋ฉด ๋ฉ๋๋ค.
์คํ 3: ๊ธฐ๋ณธ ์์ฑ 9์ข (CustomVoice)
ํด๋ก๋์ ํ๊ณ ์ถ์ง ์๊ฑฐ๋ ์บ๋ฆญํฐ์ ์ฐธ์กฐ ์์ฑ์ด ์์ง ์๋ค๋ฉด ๊ธฐ๋ณธ ์์ฑ์ ๊ทธ๋๋ก ์ฐ๋ฉด ๋ฉ๋๋ค. ์๋๋ ๋ชจ๋ 0.6B CustomVoice๋ฅผ ๋ด์ฅ GPU์์ ๋๋ ค ๋ง๋ค์์ต๋๋ค. ๋์ฌ๋ "ๆญก่ฟไพๅฐๆ็ๅบๅฐ็้ ๅงใไปๅคฉๆณๅ้ปไป้บผ๏ผ"(๋ฌ ๊ธฐ์ง์ ๋ฐ์ ์ค์ ๊ฒ์ ํ์ํฉ๋๋ค. ์ค๋์ ๋ญ ๋์๊ฒ ์ด์?)์ด๊ณ , ๊ฐ์ฒด์๋ก ๋ฐ๊ฟ ์ ๋ ฅํ์ต๋๋ค.
๋ค์์ ์์ด ๊ธฐ๋ณธ ์์ฑ Aiden์ ๋๋ค. ๋์ฌ๋ "Welcome to the bar on the lunar base. What can I get you tonight?"์ ๋๋ค.
Eric์ ๋งํ๊ธฐ ์์ํ๋ ์๊ฐ ์ฐ์ดจ ์ต์์ด ๋ค๋ฆฝ๋๋ค. ์บ๋ฆญํฐ์ ์ง๋ฐฉ ์ต์์ ์กฐ๊ธ ๋ฃ๊ณ ์ถ๋ค๋ฉด ๋ฐ๋ก ์ธ ์ ์์ต๋๋ค.
0.6B CustomVoice๋ ์ง์๋ฌธ์ผ๋ก ๋งํฌ๋ฅผ ์ ์ดํ ์ ์์ต๋๋ค. "ํ๋ ๋งํฌ๋ก ๋งํด" ๊ฐ์ ์ง์๋ก ๋งํฌ๋ฅผ ์ ์ดํ๋ ค๋ฉด 1.7B๋ฅผ ์จ์ผ ํฉ๋๋ค.
Qwen3-TTS์ CosyVoice 3, ๋ฌด์์ ๊ณ ๋ฅผ๊น?
๋ ๋ค ์๋ฆฌ๋ฐ๋ฐ๊ฐ ์คํ์์ค๋ก ๊ณต๊ฐํ Apache-2.0 ๋ผ์ด์ ์ค ๋ชจ๋ธ์ด๊ณ , ์์ ์ ์ผ๋ก ์ธ ์ ์์ต๋๋ค. ๊ฐ์ ๋ ธํธ๋ถ์์ ๋ ๋ค ํ ์คํธํ์ต๋๋ค.
ํญ๋ชฉ | Qwen3-TTS 0.6B | CosyVoice 3(0.5B) |
|---|---|---|
๋ผ์ด์ ์ค | Apache-2.0 | Apache-2.0 |
์ธ์ด | 10๊ฐ | 9๊ฐ(ํฌ๋ฅดํฌ๊ฐ์ด ์์) |
๋ฐฉ์ธ | ๊ธฐ๋ณธ ์์ฑ์ ๋ฒ ์ด์ง์ด, ์ฐ์ดจ์ด | 18์ข ์ด์, ์ง์๋ฌธ์ผ๋ก ์ ํ |
์ค๊ตญ์ด ์ ๋ ฅ | ๋จผ์ ๊ฐ์ฒด์๋ก ๋ณํํด์ผ ํจ | ๋ฒ์ฒด์๋ ๋๋ถ๋ถ ๊ทธ๋๋ก ์ ๋ ฅ ๊ฐ๋ฅ |
์ง์๋ฌธ์ผ๋ก ๋งํฌ ์ ์ด | 0.6B๋ ๋ถ๊ฐ(1.7B์ CustomVoice์ VoiceDesign์ ๊ฐ๋ฅ, Base๋ ๋ถ๊ฐ) | ๊ฐ๋ฅ(๋ฐฉ์ธ, ๋งํ๊ธฐ ์๋, ๊ฐ์ ) |
Intel ๋ด์ฅ GPU ์ฌ์ฉ |
| ๋ชจ๋ธ์ ์ง์ ๋ด์ฅ GPU๋ก ์ฎ๊ฒจ์ผ ํจ |
๋ด์ฅ GPU๋ก ํ ์ค ๋ณต์ (๊ฐ์ ๋์ฌ) | 16~28์ด(bfloat16์ด๋ฉด ๋ ๋น ๋ฆ) | 29~61์ด |
CPU๋ก ํ ์ค ๋ณต์ | 4๋ถ ๋ฐ ์ด์ | ์ฝ 2๋ถ |
์ธ์ด๋ฅผ ๋๋๋๋ ๋ณต์ (์ค๊ตญ์ด ๋ น์์ผ๋ก ์์ด) | ๋ง์ด ๋๊น | ํจ์ฌ ๋งค๋๋ฌ์ |
๊ฐ๋จํ ์ ๋ฆฌํ๋ฉด ์ด๋ ์ต๋๋ค.
- Intel ๋ด์ฅ GPU๊ฐ ์๊ณ , ์๋๊ฐ ์ค์ํ๊ณ , ๊ธฐ๋ณธ ์์ฑ์ ๋ฐ๋ก ์ฐ๊ณ ์ถ๋ค๋ฉด: Qwen3-TTS. ์ค์ ์ด ๊ฐ์ฅ ๊ฐ๋จํ๊ณ ํด๋ก๋๋ ๋ ๋น ๋ฆ ๋๋ค.
- ๋ด ๋ชฉ์๋ฆฌ๋ก ์์ด ๋ฑ ๋ค๋ฅธ ์ธ์ด๋ฅผ ๋งํ๊ฒ ํ๊ณ ์ถ๋ค๋ฉด: CosyVoice 3. ์ธ์ด๋ฅผ ๋๋๋๋ ํด๋ก๋์ด ํจ์ฌ ๋งค๋๋ฝ์ต๋๋ค.
- ๋์ฌ๊ฐ ์ฃผ๋ก ๋ฒ์ฒด์ ์ค๊ตญ์ด์ด๊ณ , ๋ฐฉ์ธ์ด๋ ๊ฐ์ ์ง์๊ฐ ํ์ํ๋ค๋ฉด: CosyVoice 3. ๋ฒ์ฒด์๋ฅผ ๋๋ถ๋ถ ๊ทธ๋๋ก ๋ฃ์ ์ ์๊ณ , ๊ด๋ฅ์ด, ์ฐ์ดจ์ด, ๋งํ๊ธฐ ์๋, ๊ฐ์ ๋ ํ ๋ฌธ์ฅ์ผ๋ก ์ง์ ํ ์ ์์ต๋๋ค.
- CPU๋ง ์๋ค๋ฉด: CosyVoice 3๋ ํ ์ค ๋ณต์ ์ ์ฝ 2๋ถ, Qwen3-TTS๋ 4๋ถ ๋ฐ ์ด์ ๊ฑธ๋ฆฌ๋ฏ๋ก CosyVoice 3๊ฐ ๋ ์ค์ฉ์ ์ ๋๋ค.
๋ค๋ฅธ ์ฌ๋์ ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํด๋ ๋ ๊น?
๊ธฐ์ ์ ์ผ๋ก๋ ๊นจ๋ํ ๋ น์๋ง ์์ผ๋ฉด ๊ฐ๋ฅํฉ๋๋ค. ํ์ง๋ง ๋ณต์ ๋ ๋ด ๋ชฉ์๋ฆฌ, ๋๋ ๋น์ฌ์์ ๋์๋ฅผ ๋ฐ์ ๋ชฉ์๋ฆฌ๋ก๋ง ํ์ธ์. Apache-2.0 ๋ผ์ด์ ์ค๊ฐ ์์ ์ ์ด์ฉ์ ํ์ฉํ๋ ๋์์ ๋ชจ๋ธ ์์ฒด์ด๋ฉฐ, ๋๊ตฌ์ ๋ชฉ์๋ฆฌ๋ ๋ง์๋๋ก ์จ๋ ๋๋ค๋ ๋ป์ ์๋๋๋ค. ์ ๋ช ์ธ์ ๋ชฉ์๋ฆฌ๋ ์ธ๊ฒฉ๊ถ์ผ๋ก ๋ณดํธ๋ฐ๊ณ , ๋ค๋ฅธ ์ฌ๋์ ๋ชฉ์๋ฆฌ๋ก ๊ทธ ์ฌ๋์ด ํ์ง ์์ ๋ง์ ํ๊ฒ ํ๋ฉด ์ฌ๊ธฐ๋ ๋ช ์ํผ์์ ํด๋นํ ์๋ ์์ต๋๋ค.
์์ฃผ ๋ฌป๋ ์ง๋ฌธ
Qwen3-TTS๋ ์์
์ ์ผ๋ก ์จ๋ ๋๋์?
๋ฉ๋๋ค. Qwen3-TTS์ ๋ชจ๋ธ๊ณผ ์์ฑ ํ ํฌ๋์ด์ ๋ชจ๋ Apache-2.0 ๋ผ์ด์ ์ค์ ๋๋ค. ๋ค๋ง ์ฐธ์กฐ ์์ฑ์ ๋ด ๋ชฉ์๋ฆฌ์ด๊ฑฐ๋ ๋น์ฌ์์ ๋์๋ฅผ ๋ฐ์ ๊ฒ์ด์ด์ผ ํฉ๋๋ค.
NVIDIA ๊ทธ๋ํฝ์นด๋ ์์ด Qwen3-TTS๋ฅผ ์ค์นํด์ ๋๋ฆด ์ ์๋์?
์์ต๋๋ค. 0.6B๋ CPU๋ก๋ ๋์๊ฐ์ง๋ง, ๋ณด์ด์ค ํด๋ก๋์ ํ ์ค์ ๋ช ๋ถ์ฉ ๊ฑธ๋ฆฝ๋๋ค. Intel Core Ultra ๋ด์ฅ GPU๋ Arc ๊ทธ๋ํฝ์นด๋๊ฐ ์๋ค๋ฉด XPU ๋ฒ์ PyTorch๋ฅผ ์ค์นํ๊ณ device_map์ "xpu"๋ก ๋ฐ๊พธ์ธ์. ์ ๋
ธํธ๋ถ์์๋ 6์ด์ง๋ฆฌ ๋์ฌ ๋ณต์ ๊ฐ ์ฝ 16~18์ด๋ก, CPU๋ณด๋ค 10๋ฐฐ ์ด์ ๋นจ๋์ต๋๋ค.
Qwen3-TTS๋ ํ๊ตญ์ด๋ฅผ ์ง์ํ๋์?
์ง์ํฉ๋๋ค. ํ๊ตญ์ด๋ 10๊ฐ ์ง์ ์ธ์ด ์ค ํ๋์ด๊ณ , ํ๊ตญ์ด๊ฐ ๋ชจ๊ตญ์ด์ธ ๊ธฐ๋ณธ ์์ฑ Sohee๋ ์์ต๋๋ค. ์ค๊ตญ์ด ๋ น์์ผ๋ก ์ ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํด ํ๊ตญ์ด๋ฅผ ๋งํ๊ฒ ํ ์์๋ ์์ ์คํ 1๊ณผ ์คํ 2์์ ๋ค์ ์ ์์ต๋๋ค.
Qwen3-TTS๋ ์ค๊ตญ์ด ๋ฐฉ์ธ์ ๋งํ ์ ์๋์?
๊ณต์ ์ง์ 10๊ฐ ์ธ์ด์๋ ๊ด๋ฅ์ด์ ๋ฏผ๋์ด๊ฐ ์์ต๋๋ค. ๊ธฐ๋ณธ ์์ฑ์ ๋ฐฉ์ธ๋ ๋ฒ ์ด์ง์ด(Dylan)์ ์ฐ์ดจ์ด(Eric)๋ฟ์ ๋๋ค. ๊ด๋ฅ์ด๊ฐ ํ์ํ๋ค๋ฉด ์ง์๋ฌธ์ผ๋ก ๊ด๋ฅ์ด๋ฅผ ์ง์ ํ ์ ์๋ CosyVoice 3๋ฅผ ๊ณ ๋ คํด ๋ณด์ธ์.
Qwen3-TTS 0.6B์ 1.7B๋ ๋ฌด์์ด ๋ค๋ฅธ๊ฐ์?
1.7B์๋ VoiceDesign(์ํ๋ ๋ชฉ์๋ฆฌ๋ฅผ ๊ธ๋ก ์ค๋ช ํด ์์ฑํ๋ ๊ธฐ๋ฅ)์ด ์๊ณ , CustomVoice๋ ์ง์๋ฌธ์ผ๋ก ๋งํฌ๋ฅผ ์ ์ดํ ์ ์์ต๋๋ค. 0.6B์๋ ๋ณด์ด์ค ํด๋ก๋๊ณผ ๊ธฐ๋ณธ ์์ฑ๋ง ์์ต๋๋ค. ๋ ํฌ๊ธฐ์ ๋ชจ๋ธ ๋ชจ๋ 10๊ฐ ์ธ์ด๋ฅผ ์ง์ํฉ๋๋ค.
๋ณด์ด์ค ํด๋ก๋์ฉ ์ฐธ์กฐ ๋
น์์ ์ผ๋ง๋ ๊ธธ์ด์ผ ํ๋์?
๊ณต์ ์ค๋ช ์ผ๋ก๋ 3์ด๋ฉด ๋ณต์ ํ ์ ์์ต๋๋ค. ์ ๋ 8์ด์ง๋ฆฌ ๋ น์์ ํ ๊ธ์๋ ํ๋ฆฌ์ง ์์ ๋ น์ทจ๋ฌธ์ ํจ๊ป ๋ฃ์์ต๋๋ค. ์กฐ์ฉํ ๊ณณ์์ ํ ์ฌ๋๋ง ๋งํ๋ ์์ฑ์ ๋ น์ํ์ธ์.
๋ง์น๋ฉฐ: Intel ๋ด์ฅ GPU๋ก๋ ๋ณด์ด์ค ํด๋ก๋์ ํ ์ ์๋ค
์ ์ฒด ๋น๊ต ๊ธ์ ์ธ ๋๋ง ํด๋ NVIDIA ๊ทธ๋ํฝ์นด๋๊ฐ ์์ผ๋ฉด Qwen3-TTS๋ก ๋ชฉ์๋ฆฌ๋ฅผ ๋ณต์ ํ๋ ๊ฑด ํฌ๊ธฐํด์ผ ํ๋ค๊ณ ์๊ฐํ์ต๋๋ค. Intel ๋ด์ฅ GPU๋ก ๋ฐ๊พธ๋ ๊ฐ์ ๋ฌธ์ฅ์ ์์ฑ ์๊ฐ์ด 4๋ถ ๋ฐ ์ด์์์ 16~18์ด๋ก ์ค์๊ณ , ๋ฐ๊พผ ๊ฑด device_map ํ๋ผ๋ฏธํฐ ํ๋๋ฟ์ด์์ต๋๋ค. Core Ultra ๋
ธํธ๋ถ์ ์ฐ๊ณ ์๋ค๋ฉด ๊ผญ ํ๋ฒ ํด ๋ณด์ธ์.
Qwen3-TTS๋ฅผ ์จ ๋ดค๊ฑฐ๋ Intel ๋ด์ฅ GPU๋ก ๋ค๋ฅธ AI ๋ชจ๋ธ์ ๋๋ ค ๋ณธ ์ ์ด ์๋ค๋ฉด Threads๋ X์ ๋๊ธ์ ๋จ๊ฒจ ์ฃผ์ธ์.

