주식회사 에트피아(ATPIA)가 오픈소스 음성 생성 모델 Qwen3-TTS를 자체 로컬 GPU 서버에서 구동하는 음성 합성 웹서비스를 개시했다. 사용자가 참조 음성 파일을 올리거나 브라우저에서 직접 목소리를 녹음하면, 그 음색을 바탕으로 입력한 문장을 새로운 음성으로 합성하는 Voice Clone 방식이다. 서비스는 qwentts.atpia.com에서 운영된다.
Qwen3-TTS, ‘텍스트를 읽는 기계음’에서 ‘참조 목소리로 말하는 AI’로
이번에 ATPIA가 서비스화한 모델은 Qwen3-TTS-12Hz-1.7B-Base다. 개발보고서에 따르면 모델과 12Hz 음성 토크나이저를 로컬 서버에 내려받아 NVIDIA RTX 3060 GPU에서 상시 구동하도록 구성했다. 사용자는 합성할 텍스트와 참조 음성, 참조 음성의 대사를 입력하면 새로운 문장을 해당 목소리 특성에 맞춰 WAV 음성으로 생성할 수 있다.
Qwen3-TTS 공식 프로젝트는 Base 계열 모델을 짧은 참조 음성으로 빠르게 Voice Clone을 수행할 수 있는 모델로 소개한다. ATPIA 웹서비스는 이 기능을 실제 사용자가 브라우저에서 이용할 수 있도록 파일 업로드, 마이크 녹음, 입력 검증, GPU 추론, 결과 저장과 재생·다운로드까지 하나의 흐름으로 연결했다.
파일 업로드부터 마이크 녹음·프리셋·이력까지, “쓸 수 있는 서비스”로
서비스 화면에서는 WAV·MP3·WebM·M4A 형식의 참조 음성을 최대 50MB까지 올릴 수 있고, 파일을 끌어다 놓는 드래그앤드롭 방식도 지원한다. 브라우저 마이크로 직접 목소리를 녹음하는 기능도 구현했다. 특히 브라우저 MediaRecorder가 생성하는 WebM/Opus 파일을 Python 음성 라이브러리가 바로 읽지 못하는 문제를 해결하기 위해, 클라이언트의 AudioContext에서 음성을 디코딩한 뒤 16-bit PCM WAV로 변환해 서버에 전송하도록 했다.
자주 사용하는 목소리는 이름을 붙여 음성 프리셋으로 저장하고 다시 선택할 수 있다. 합성 결과는 화면에서 즉시 재생하거나 WAV 파일로 내려받을 수 있으며, 최근 합성 이력을 20건 단위로 조회하고 과거 텍스트를 다시 불러와 재사용할 수 있다. temperature, top_k, top_p, repetition_penalty, max_new_tokens 등 생성 파라미터도 조정할 수 있게 했다.
현재 서비스 핵심 기능
기능 | 구현 내용 | 현재 상태 |
|---|---|---|
Voice Clone TTS | 참조 음성 + 대사 + 새 텍스트로 음성 합성 | 운영 |
참조 음성 입력 | 파일 업로드·드래그앤드롭·마이크 녹음 | 운영 |
음성 프리셋 | 저장·목록·선택·삭제 후 재사용 | 운영 |
결과 활용 | 24kHz WAV 인라인 재생·다운로드 | 운영 |
합성 이력 | 20건 페이지네이션·텍스트 재사용 | 운영 |
접근 관리 | 공유 비밀번호 세션 인증 | 적용 |
모델 설치가 아니라 ‘엔드투엔드 Speech AI 운영 기술’을 확보했다
이번 개발의 핵심은 오픈소스 모델을 한 번 실행해 본 데 있지 않다. 브라우저에서 들어온 요청이 HTTPS를 거쳐 웹 애플리케이션으로 전달되고, 인증·입력검증·파일관리·데이터베이스 기록을 거친 뒤 로컬 GPU 추론 데몬으로 넘어가며, 생성된 음성을 다시 웹에서 재생·다운로드하는 전 과정을 직접 연결했다.
구조는 브라우저 → Apache/PHP BFF → FastAPI TTS 데몬의 3계층으로 분리했다. PHP와 MariaDB는 세션·인증, 업로드 관리, 프리셋과 합성 이력을 담당하고, Python FastAPI 데몬은 Qwen3-TTS 모델을 GPU 메모리에 상주시켜 추론을 전담한다. 모델을 요청마다 다시 불러오는 대신 데몬에 상주시켜 로딩 비용을 피했으며, 단일 GPU에서 여러 요청이 충돌하지 않도록 asyncio.Lock으로 합성을 직렬 처리했다. systemd는 데몬 자동 시작과 장애 시 재시작을 관리하고, Apache와 Let’s Encrypt가 도메인·HTTPS·음성 파일 서빙을 맡는다.
브라우저 → HTTPS / Apache → PHP BFF + MariaDB → 127.0.0.1 FastAPI → RTX 3060 / Qwen3-TTS 1.7B → WAV
개발의 시행착오도 제품 기술로 남겼다
개발보고서에는 실제 서비스 구축 과정의 실패와 해결 과정도 기록돼 있다. CUDA 초기화 오류는 커널·라이브러리 불일치를 확인한 뒤 재부팅으로 정상화했고, 기존 Qwen3-VL 서비스가 사용하던 FastAPI 포트와 충돌하자 TTS 데몬을 8002번으로 분리했다. php-curl이 없는 서버에서는 file_get_contents와 stream_context 방식으로 호출 구조를 바꾸고, MariaDB TCP 접속이 막힌 환경에서는 UNIX 소켓으로 전환했다.
긴 텍스트 합성도 무리하게 기능으로 남기지 않았다. 약 1,024 오디오 토큰을 넘어가면 1분 30초 전후부터 잡음이 발생했고, 문장별 청크 합성과 fade in/out을 적용해 이어붙이는 실험에서도 청크 경계의 끊김음을 충분히 제거하지 못했다. ATPIA는 이 기능을 롤백하고 현재 1,000자 제한을 유지했다. 개발 결과를 과장하기보다 모델의 실제 품질 한계를 확인한 뒤 서비스 정책에 반영한 것이다.
Qwen3 → Qwen3-VL → Qwen3-TTS… ATPIA AI 기술이 ‘언어·시각·음성’으로 연결
ATPIA는 앞서 Qwen3 로컬 LLM을 자체 서버에서 웹서비스화하며 텍스트 생성과 추론 서비스를 운영하는 기반을 확보했고, Qwen3-VL에서는 사진·스크린샷·문서 이미지를 이해하는 비전-언어 모델을 로컬 GPU에서 구동해 ‘보는 AI’로 영역을 넓혔다. 이번 Qwen3-TTS 오픈으로 서비스 포트폴리오는 다시 음성 생성으로 확장됐다.
이를 기능의 언어로 바꾸면 Qwen3는 “생각하고 쓰는 AI”, Qwen3-VL은 “보고 이해하는 AI”, Qwen3-TTS는 “목소리로 말하는 AI”에 해당한다. 세 프로젝트는 서로 다른 오픈소스 모델을 가져다 놓은 단순 전시가 아니라, 로컬 GPU 추론·API·웹 UI·인증·SSL·프로세스 관리·데이터 저장을 실제 서비스 형태로 반복 구현하면서 ATPIA 내부에 재사용 가능한 AI 서비스 운영 기술을 축적한다는 데 공통점이 있다.
ATPIA가 연결해 가는 AI 기술 포트폴리오
프로젝트 | 핵심 AI 영역 | 축적 기술 |
|---|---|---|
Qwen3 | Language AI | 로컬 LLM 추론·Reasoning·모델 서빙 |
Qwen3-VL | Multimodal / Vision AI | 이미지 이해·멀티모달 메시지·실시간 스트리밍 |
Qwen3-TTS | Speech AI | Voice Clone·음성 토크나이징·GPU TTS 서빙 |
ATPIA 한자 자전 | Knowledge AI | 문자·어휘 데이터 통합·필기인식·검색 |
Historical OCR | Document AI / R&D | 고문헌 검출·인식·문서 구조 분석 연구 |
“AI를 소개하는 회사를 넘어, AI를 만드는 회사”라는 창립 비전의 첫 증명들
에트피아는 창립기사에서 스스로를 “AI를 소개하는 회사를 넘어, AI를 만드는 회사”로 정의했다. 여기서 ‘만든다’는 의미는 반드시 거대 기반모델을 처음부터 학습한다는 뜻에만 머물지 않는다. 공개된 AI 모델을 실제 산업과 사용 환경에 맞게 선택하고, GPU에서 안정적으로 구동하고, 데이터·API·웹서비스·보안·운영 자동화를 연결해 사용 가능한 제품으로 완성하는 일 역시 AI 기술기업의 핵심 역량이다.
Qwen3-TTS는 그 비전을 Speech AI에서 실제로 보여준 사례다. 앞선 Qwen3와 Qwen3-VL까지 합치면 ATPIA는 언어 생성, 이미지 이해, 음성 합성이라는 서로 다른 AI 처리 영역을 자체 서버에서 운영하는 경험을 확보했다. 여기에 한자 자전의 Knowledge AI와 고문서 OCR의 Document AI 연구가 연결되면서, 회사가 창립 당시 제시한 ‘음성·언어·비전·문자·문서 데이터를 아우르는 AI 풀스택’의 윤곽도 한층 구체화됐다.
회사가 제시한 “작지만 강한 AI 기술기업, 연구와 제품이 끊기지 않는 팀”이라는 목표도 같은 방향을 가리킨다. 작은 실험으로 기술 가능성을 확인하고, API와 UI를 갖춘 서비스로 만들고, 그 과정에서 확보한 기술을 다시 기업용 Local·Private AI와 업무 자동화 제품으로 확장하는 선순환을 만들겠다는 것이다.
다음 단계는 더 긴 음성, 회원제, Voice Design·Custom Voice
현재 Qwen3-TTS 서비스는 최대 1,000자 입력을 기준으로 운용하며, GPU 한 장에서 동시에 한 건씩 합성한다. 합성 시간은 텍스트 길이와 복잡도에 따라 수십 초가 걸릴 수 있고, 개발보고서가 확인한 안정적인 음성 길이는 약 85초 수준이다. 이는 상용 서비스 수준의 동시처리 성능을 주장하기보다, 현재 하드웨어에서 품질과 안정성을 우선한 운영 기준이다.
후속 과제로는 긴 텍스트 품질 개선, 회원제 전환과 사용자별 이력·프리셋 분리, Qwen3-TTS CustomVoice·VoiceDesign 모델을 활용한 기능 탭 확장, MP3 변환, 오래된 결과 파일의 자동 정리 등이 제시돼 있다. 이 기능들이 더해지면 단순한 음성 데모를 넘어 안내방송, 콘텐츠 낭독, 교육, 접근성 지원, 기업 내부 음성 인터페이스 등 다양한 업무형 Speech AI로 확장할 수 있는 기반이 된다.
Qwen3-TTS 서비스 안내
서비스 Qwen3-TTS 음성 합성 / Voice Clone
AI 모델 Qwen3-TTS-12Hz-1.7B-Base · NVIDIA RTX 3060 로컬 GPU
출력/구조 24,000Hz WAV · Apache + PHP + MariaDB + FastAPI + systemd + Let’s Encrypt
운영 기준 최대 1,000자 · GPU 동시 합성 1건 · contact@atpia.com 으로 사용 문의