연재 · 전 5화
로컬 TTS 뽑기
오픈소스 TTS를 집 GPU에서 돌려 나레이션을 만들며 배운 것. 첫 LoRA의 실패, 장문에서 무너지지 않는 체크포인트 고르기, 이어 붙인 나레이션의 이음새, 학습 없이 레퍼런스만으로 목소리를 낸 Drama3와 맥·스파크·5090 속도 비교.
- 1화첫 TTS LoRA는 긴 문단에서 음량이 5%까지 무너졌다: 단문만 배운 탓채널 나레이션 목소리를 Fish Speech S2 Pro에 LoRA로 학습시켰다. 검증 손실도 발음도 좋았지만, 긴 문단을 읽히면 뒤로 갈수록 목소리가 작아졌다. 원인은 단문뿐인 학습 데이터였다.2026.09.30
- 2화로컬 TTS LoRA는 25스텝을 골랐다: 검증 손실이 좋을수록 장문 목소리가 작아졌다문장 세 개가 이어지는 장문 샘플을 만들어 LoRA를 다시 학습했다. 검증 손실은 250스텝까지 좋아졌지만 긴 문단의 마지막 문장은 갈수록 작아졌다. 그래서 300스텝이 아니라 25스텝을 골랐다.2026.09.30
- 3화나레이션 이음새는 무음 대신 방 소리로 메웠다: 경계 튐 0.087→0.0052분 원고를 한 번에 읽히면 뒤로 갈수록 작아지고, 나눠 만들어 붙이면 뚝뚝 끊겼다. 문단 사이를 디지털 무음 대신 녹음에서 떠낸 방 소리로 채우고 경계에 15ms 크로스페이드를 걸어 이음새를 지웠다.2026.09.30
- 4화Drama3는 LoRA 없이 18초 레퍼런스로 채널 목소리를 냈다: 걸린 것은 문단 속 긴 침묵이었다Fish Audio의 새 TTS 모델 Drama3에 18초짜리 레퍼런스와 그 대본만 넣어 부르바키 채널 목소리를 냈다. 영상 두 편 29문단을 받아쓰기로 되돌려 보니 원고와 거의 같았지만, 맥에서 만든 18문단 중 13문단에 1.3~4.2초 침묵이 끼어 잘라 내야 했다.2026.10.20
- 5화Drama3는 맥스튜디오 4비트에서 가장 빨랐다: 음성 1초에 0.51초, 스파크 0.85초, 5090 3.36초로컬 음성 모델 Drama3를 맥스튜디오(MLX 8비트·4비트), DGX Spark, RTX 5090에서 같은 원고와 같은 참조 음성으로 돌렸다. 음성 1초를 만드는 데 맥 4비트 0.51초, 스파크 0.85초, 맥 8비트 1.02초, 5090 3.36초가 걸렸다. 받아쓰기·숫자 발음·화자 유사도는 네 설정이 같은 범위였고, 차이는 속도와 준비 과정에서 났다.2026.10.20