맥에서 문장을 소리로… 올라마, Phonon 음성 지원

올라마(Ollama)가 맥에서 텍스트를 음성으로 읽는 Phonon 모델 지원을 10월 24일 공식 소개했다. Gradium이 만든 모델을 기기에서 실행하며, 글 전체의 음성 변환이 끝나기 전에 재생을 시작한다. 발표 글은 Apple Silicon 맥과 Ollama 0.40.11 이상을 안내한다. 윈도와 리눅스의 음성 모델 지원은 추후 제공할 예정이며 날짜는 밝히지 않았다.

입력은 읽어 줄 텍스트다. 다른 채팅 모델이 만든 답을 Phonon으로 넘기면 먼저 나온 문장부터 소리로 들을 수 있다. 공식 음성 가이드는 첫 한두 문장이 도착하면 재생이 시작된다고 설명한다. 터미널에서 실행한 소리는 해당 컴퓨터의 재생 장치로 나가며, 출력을 파일로 돌리면 WAV로 저장된다. 문서는 스피커가 없는 서버에서도 파일 저장이 가능하다고 설명한다. 음성을 듣고 대화 내용을 이해하는 기능과는 구분된다.

회사가 공개한 처리량 비교에서는 M5 Max 맥북 프로에서 올라마의 음성 생성 처리량이 Gradium의 자체 실행기 ptts보다 35% 높았다. 45초 분량의 음성을 열 번 생성한 중앙값을 비교한 결과다. 두 실행기의 정밀도 설정은 달랐다. 올라마는 bf16을 썼고, ptts는 CPU의 8비트 가중치와 Neural Engine의 fp16, GPU의 f32를 사용했다.

정확도는 별도 영어 시험으로 제시했다. Seed-TTS 영어 시험 세트의 200개 문장을 생성한 뒤 Whisper large-v3로 받아쓰게 해 단어 오류율을 비교했다. 올라마는 Hugging Face Transformers의 기준 구현과 같은 수준이라고 설명했다.

모델은 크기와 언어에 따라 나뉜다. 기본 영어 모델의 파라미터는 오디오 토크나이저를 제외하고 3,100만 개다. 올라마 모델 목록에 기록된 M5 Max 로딩 메모리는 121MB이며, 4,000만 파라미터 모델들은 141MB다. 큰 모델은 영어·프랑스어·독일어·스페인어·포르투갈어의 개별 모델과 다섯 언어를 묶은 다국어 모델로 제공된다. 한국어는 지원 목록에 없다. Gradium이 공개한 영어 8비트 가중치 파일은 64.5MB로, 실행 중 로딩 메모리와는 다른 수치다.

이용 조건도 같은 Phonon 이름 아래에서 달라진다. 3,100만 파라미터 영어 모델은 Apache 2.0으로 공개됐다. 4,000만 파라미터 영어 모델과 나머지 언어·다국어 모델에는 비상업적 이용으로 제한하는 CC BY-NC 4.0이 적용된다.

목소리는 모델과 별도의 카탈로그로도 공개돼 있다. Gradium의 현재 목록은 일곱 지역 구분에 걸친 일반 목소리 90개와 영어 캐릭터 목소리 12개, 총 102개를 담고 있다. 각 항목은 Phonon이 직접 읽는 음성 임베딩 파일로, 제공된 파일을 쓰는 데 별도의 목소리 복제 단계가 없다는 설명이다. 이 목록의 Apache 2.0 표기와 4,000만 파라미터 모델의 비상업 라이선스는 서로 다른 파일에 대한 조건이다.

앱에서는 OpenAI 호환 /v1/audio/speech 경로로 생성 중인 소리를 받을 수 있다. 호환 문서에 따르면 기본 출력은 24kHz·16비트 모노 WAV이며 PCM은 헤더 없는 원시 샘플로 반환된다. speed는 현재 1만 지원하고, 지원하지 않는 값은 400 오류로 처리한다. API의 입력 한도는 요청당 4,096자다. 터미널 명령은 더 긴 글을 문단과 문장 경계에서 나눠 처리한다.