주요 특징

• 가장 큰 특징은 '생성'이 아니라 '편집'에 초점을 맞췄다는 점입니다. 이미 만들어진 음성 오디오를 입력으로 받아 감정(두려움, 행복, 슬픔, 분노, 놀람 등)이나 말하는 방식(속삭임, 아이 목소리, 노인 톤, 진지한 어조, 과장된 어조 등)을 텍스트 지시만으로 다시 바꿀 수 있다고 저장소가 설명합니다. 여러 차례 반복 편집을 거치며 점진적으로 원하는 결과에 가까워지는 반복 편집(iterative editing) 방식을 지원한다는 점도 특징입니다.
• 제로샷 음성 클로닝 기능도 함께 제공하며, 표준중국어·영어·쓰촨 방언·광동어를 기본 지원하고 2025년 11월 이후 일본어·한국어가 추가됐다고 문서가 밝힙니다. 한자 발음이 여러 개인 다음자(폴리폰) 문제는 병음을 직접 치환해 발음을 지정하는 방식으로 제어할 수 있다고 안내합니다.
• 학습 방식은 LLM 기반에 강화학습(RL)을 결합한 구조로, 저장소는 이 조합 덕분에 제로샷 클로닝과 감정·스타일 제어 품질에서 Minimax, Doubao 등 상용/경쟁 시스템 대비 우수한 성능을 보였다고 주장합니다. 특히 감정 제어의 경우 한 차례 편집만 거쳐도 경쟁 시스템 대비 정확도가 크게 개선됐다고 설명합니다.
• 실행 방식은 `tts_infer.py`를 이용한 커맨드라인 추론, `app.py` 기반 Gradio 웹 인터페이스, Docker 컨테이너 실행을 모두 지원하고, vLLM과 연동한 고속 추론 경로도 마련돼 있습니다. 기본 모델은 약 12GB GPU 메모리가 필요하지만 AWQ 4비트 양자화 버전은 6~8GB 수준으로 요구 사양을 낮췄다고 문서가 안내합니다.
• 제약도 명확합니다. 문서는 한 번의 추론에서 처리할 오디오 길이를 30초 이내로 권장하고, NVIDIA CUDA GPU와 리눅스 환경을 기준으로 테스트됐다고 밝힙니다. 무엇보다 저장소 자체가 무단 음성 클로닝, 신원 사칭, 사기 목적 사용을 명시적으로 금지하는 사용 유의사항을 포함하고 있어, 실서비스에 적용할 때는 동의 없는 음성 복제에 대한 안전장치를 함께 마련해야 합니다.