4B 파라미터 기반에 스트리밍 TTS로, 실시간 음성 앱 시장에서 폐쇄형 음성 API와 정면 승부를 시작한 거예요

미스트랄이 오픈웨이트 음성합성 모델 Voxtral TTS를 공개했어요. 4B 파라미터 기반에 스트리밍 TTS로, 실시간 음성 앱 시장에서 폐쇄형 음성 API와 정면 승부를 시작한 거예요.

구조가 꽤 실용적으로 나왔어요. 3.4B Transformer 디코더가 의미를 만들고, 390M Flow-Matching Acoustic Transformer가 음향 특성으로 바꾸고, 300M 뉴럴 오디오 코덱이 최종 파형을 복원하거든요.

핵심 성능은 지연시간이에요. 10초 음성 샘플·500자 입력 기준 모델 레이턴시가 70ms라서, 대화형 에이전트나 실시간 번역 같은 저지연 워크플로에 바로 넣기 좋은 수준이에요. 라이선스는 CC BY-NC예요.

결국 텍스트·전사 다음으로 ‘오디오 출력 레이어’까지 채우면서, 개발자가 비용·프라이버시 제약을 덜고 음성 제품을 직접 설계할 선택지가 더 커진 거예요.