Qwen3-TTS가 뭔데 이렇게 난리야?

2026년 1월 22일, 알리바바 클라우드의 Qwen 팀이 Qwen3-TTS를 깜짝 공개했습니다. 핵심은 단순합니다. 기존에 음성복제 시장은 ElevenLabs, MiniMax 같은 유료 서비스가 독점하고 있었고, 오픈소스 진영은 품질이 늘 한 단계 아래였습니다. “무료를 원하면 품질을 포기해라”가 불문율이었죠. Qwen3-TTS는 그 공식을 정면으로 깨뜨렸습니다.

500만 시간 이상의 음성 데이터로 학습된 이 모델은 벤치마크에서 ElevenLabs와 MiniMax를 앞서면서도, Apache 2.0 라이선스로 상업적 이용까지 완전 무료입니다. 한국어를 포함해 중국어·영어·일본어·독일어·프랑스어·러시아어·포르투갈어·스페인어·이탈리아어까지 총 10개 언어를 지원하며, 한국어 네이티브 화자 Sohee가 기본 내장되어 있습니다. 유튜브 나레이션, 게임 NPC 음성, 오디오북, 고객센터 IVR — 한국어 콘텐츠 제작자라면 지금 당장 주목해야 할 도구입니다.

▲ 목차로 돌아가기

한국어 성능, 진짜 ElevenLabs를 이기나?

공식 기술 보고서(arXiv: 2601.15621)에 공개된 다국어 벤치마크 수치를 직접 확인해봤습니다. 성능 지표는 WER(Word Error Rate, 단어 오류율)로, 낮을수록 좋습니다. 아래 표가 핵심입니다.

한국어에서 Qwen3-TTS의 WER 1.755%는 ElevenLabs(1.865%)보다 낮습니다. MiniMax(1.747%)와는 오차 범위 수준입니다. 결국 한국어 콘텐츠 제작 목적으로는 세 서비스 품질이 사실상 동등한 셈인데, 유독 Qwen3-TTS만 무료입니다. 화자 유사도(Speaker Similarity, SIM) 측면에서도 한국어 0.799로 ElevenLabs(0.700)를 앞섭니다. 즉, 목소리 닮음 정도도 더 낫습니다.

제가 직접 Hugging Face 무료 데모에서 한국어 문장을 입력하고 Sohee 화자로 생성해본 결과, 억양과 감정 표현이 꽤 자연스러웠습니다. 특히 긴 문장에서 자연스러운 끊김 처리가 인상적이었고, 기존 국산 TTS들이 어색하게 처리하던 외래어 발음도 상당히 개선되어 있었습니다.

▲ 목차로 돌아가기

핵심 기능 3가지: 복제·디자인·스트리밍

13초 음성복제 (Voice Clone)

참조 음성 파일 3초 분량만 있으면 해당 화자의 목소리를 복제합니다. 복제된 음성은 10개 언어 모두로 합성 가능합니다. 한국어로 녹음한 본인 목소리를 영어·일본어·독일어로 말하게 할 수 있다는 뜻입니다. 유튜브 다국어 채널 운영자나 글로벌 오디오북 제작자에게 실질적인 무기가 됩니다. Seed-TTS 벤치마크에서 영어 WER 1.24%로 CosyVoice3(1.45%), MiniMax(1.65%)를 앞섭니다.

2자연어 음성 디자인 (Voice Design)

존재하지 않는 목소리를 자연어 설명만으로 만들어냅니다. “20대 초반 여성, 밝고 경쾌한 톤, 살짝 높은 음역대”라고 입력하면 해당 특성의 가상 캐릭터 음성이 생성됩니다. InstructTTSEval 벤치마크에서 설명-음성 일관성(DSD) 81.1점을 기록해 GPT-4o-mini-tts(52.3점)와 Hume(75.3점)을 크게 앞섰습니다. 게임 개발자나 오디오드라마 제작자라면 이 기능 하나만으로도 써야 할 이유가 충분합니다.

397ms 초저지연 스트리밍

Dual-Track LM 아키텍처 덕분에 단 한 글자만 입력돼도 즉시 음성 출력이 시작됩니다. 첫 오디오 패킷 전송까지 97ms, 일반 TTS 대비 3배 이상 빠릅니다. 실시간 AI 상담 챗봇이나 라이브 더빙 서비스처럼 지연이 치명적인 환경에서 빛을 발합니다. 고객센터 IVR 구축 비용이 월 단위 SaaS 구독에서 서버 유지비만으로 줄어드는 시나리오가 현실적으로 가능해집니다.

▲ 목차로 돌아가기

모델 5종 완전 해부 — 나한테 맞는 건?

Qwen3-TTS는 용도에 따라 5개 모델로 나뉩니다. 파라미터 크기(0.6B / 1.7B)와 기능(CustomVoice / VoiceDesign / Base)을 조합한 구성입니다. 내 상황에 맞는 모델을 고르는 것이 비용(GPU 메모리)과 품질 사이의 최적점을 찾는 핵심입니다.

한국어 콘텐츠 제작이 목적이라면 12Hz-1.7B-CustomVoice가 첫 번째 선택입니다. 한국어 네이티브 화자 Sohee(따뜻하고 감정이 풍부한 여성 목소리)가 내장되어 있고, 인스트럭션으로 어조를 자유롭게 조절할 수 있습니다. GPU 메모리가 부족하거나 서버 비용이 신경 쓰인다면 0.6B 모델도 품질 차이가 크지 않으니 충분히 고려할 만합니다.

▲ 목차로 돌아가기

Python 실전 코드: 한국어 목소리 3분 만에 뽑기

GPU가 있는 로컬 환경 또는 Google Colab에서 바로 실행할 수 있는 코드입니다. Python 3.12 환경이 권장되며, Conda로 격리된 환경을 만드는 것이 충돌을 방지하는 가장 안전한 방법입니다.

① 환경 설치

# Conda 가상환경 생성 (Python 3.12)
conda create -n qwen3-tts python=3.12 -y
conda activate qwen3-tts
# 패키지 설치
pip install -U qwen-tts
# GPU 메모리 최적화 (FlashAttention 2)
pip install -U flash-attn --no-build-isolation

② 한국어 음성 생성 (CustomVoice — Sohee)

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel
# 모델 로드 (첫 실행 시 자동 다운로드, 약 3.4GB)
model = Qwen3TTSModel.from_pretrained(
"Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
device_map="cuda:0",
dtype=torch.bfloat16,
attn_implementation="flash_attention_2",
)
# 한국어 네이티브 화자 Sohee로 생성
wavs, sr = model.generate_custom_voice(
text="안녕하세요, 오늘도 좋은 하루 보내세요. Qwen3-TTS로 만든 한국어 음성입니다.",
language="Korean",
speaker="Sohee",
instruct="따뜻하고 친근한 어조로, 자연스럽게",  # 어조 지정 (선택사항)
)
sf.write("korean_sohee.wav", wavs[0], sr)
print("✅ korean_sohee.wav 저장 완료")

③ 내 목소리 3초로 복제하기 (Base 모델)

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel
model = Qwen3TTSModel.from_pretrained(
"Qwen/Qwen3-TTS-12Hz-1.7B-Base",
device_map="cuda:0",
dtype=torch.bfloat16,
attn_implementation="flash_attention_2",
)
# 참조 음성: 3초 이상의 본인 목소리 WAV 파일
ref_audio = "my_voice_sample.wav"   # 로컬 파일 경로
ref_text  = "이 문장은 참조 음성에서 말한 내용입니다."  # 참조 음성의 원문
# 복제된 목소리로 새 문장 합성
wavs, sr = model.generate_voice_clone(
text="복제된 제 목소리로 새로운 콘텐츠를 만들고 있습니다. 놀랍지 않나요?",
language="Korean",
ref_audio=ref_audio,
ref_text=ref_text,
)
sf.write("my_voice_cloned.wav", wavs[0], sr)
print("✅ 음성복제 완료: my_voice_cloned.wav")

④ 자연어로 가상 캐릭터 음성 설계 (VoiceDesign)

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel
model = Qwen3TTSModel.from_pretrained(
"Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign",
device_map="cuda:0",
dtype=torch.bfloat16,
attn_implementation="flash_attention_2",
)
# 자연어 설명만으로 존재하지 않는 목소리 생성
wavs, sr = model.generate_voice_design(
text="오늘 방문해주셔서 감사합니다. 원하시는 상품을 찾아드리겠습니다.",
language="Korean",
instruct="30대 초반 여성, 전문적이고 차분한 어조, 백화점 안내방송 스타일",
)
sf.write("designed_character.wav", wavs[0], sr)
print("✅ 캐릭터 음성 설계 완료: designed_character.wav")

▲ 목차로 돌아가기

GPU 없어도 된다 — 무료 데모 & API 활용법

로컬 GPU가 없어도 세 가지 경로로 Qwen3-TTS를 무료로 체험하고, 실제 서비스에 연동할 수 있습니다. 각 방법의 특성을 정확히 알고 골라야 시간과 비용을 낭비하지 않습니다.

방법 1 — Hugging Face 무료 데모: 브라우저에서 바로 텍스트를 입력하고 음성을 들어볼 수 있습니다. 회원가입도 불필요합니다. URL은 huggingface.co/spaces/Qwen/Qwen3-TTS이며, CustomVoice·VoiceDesign·Base 모델 모두 체험 가능합니다. 단, 무료 데모는 생성 속도가 느리고 대기열이 길 수 있습니다.

방법 2 — ModelScope 데모 (중국 본토 접속자 추천): modelscope.cn/studios/Qwen/Qwen3-TTS-Demo에서 서비스됩니다. 국내에서도 접속 가능하며 Hugging Face보다 응답이 빠른 경우가 많습니다.

방법 3 — DashScope API (실제 서비스 연동 시 추천): 알리바바 클라우드의 DashScope API를 통해 실시간 스트리밍 음성 생성을 연동할 수 있습니다. 신규 가입 시 무료 크레딧이 제공되며, 이후 종량제 과금입니다. 고객센터 IVR이나 앱 내 TTS 기능을 구현하려면 이 경로가 가장 안정적입니다. 공식 문서는 help.aliyun.com/zh/model-studio/qwen-tts-realtime에서 확인할 수 있습니다.

로컬 웹 UI도 제공합니다. pip install qwen-tts 후 qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --port 8000 명령 한 줄로 브라우저 인터페이스를 띄울 수 있습니다. 팀 내부에서 비개발자도 쉽게 음성을 생성할 수 있는 환경이 5분 만에 구축됩니다.

▲ 목차로 돌아가기

주의사항: 음성복제가 합법인 경우 vs 불법인 경우

Qwen3-TTS의 음성복제 기능은 강력한 만큼 오용 가능성도 큽니다. Apache 2.0 라이선스는 기술적 사용을 허용하지만, 법적 책임은 전적으로 사용자에게 있습니다. 아래 기준을 반드시 숙지하세요.

한국은 2024년부터 ‘딥페이크 성범죄 처벌법’ 강화, 2025년에는 AI 생성 콘텐츠 고지 의무 논의가 활발히 이루어지고 있습니다. 음성복제 기술을 쓸 때는 반드시 콘텐츠 내에 ‘AI 생성 음성 포함’ 고지를 붙이는 습관을 들이는 것이 필요합니다. 기술이 아무리 좋아도 신뢰 없이는 쓸 수 없습니다.

▲ 목차로 돌아가기

Q&A 5가지