xAI가 개발자와 기업 고객을 겨냥한 음성 AI API를 새롭게 공개하며, 음성 기술 시장 공략에 나섰다.
xAI는 17일(현지시간) '그록' 음성-텍스트(STT) 및 텍스트-음성(TTS) 변환 API를 공개했다.
이번 API는 기존 ‘그록 보이스(Grok Voice)’ 기술을 기반으로 하며, 테슬라 차량 시스템과 스타링크(Starlink) 고객 지원 인프라에도 활용하는 것과 동일한 기술 스택 위에서 개발됐다.
xAI는 이를 통해 음성 에이전트, 실시간 자막 생성, 접근성 도구, 팟캐스트 제작, 인터랙티브 오디오 서비스 등 다양한 활용 사례를 겨냥하고 있다.
그록 STT는 높은 정확도와 낮은 지연 시간이 장점으로 꼽힌다. REST API를 활용하면 대용량 오디오 파일을 빠르게 텍스트로 변환할 수 있으며, 웹소켓(WebSocket) API를 통해 실시간 음성 인식도 지원한다.
여기에 단어 단위 타임스탬프, 화자 구분, 멀티채널 처리 기능이 포함돼 회의, 통화, 방송 등 다양한 환경에서 정밀한 분석이 가능하다.
한국어를 포함해 25개 이상의 언어에 대해 다국어 지원을 제공한다. 다국어 대화 중에도 언어를 자동으로 인식해 끊김 없이 텍스트로 변환하는 '다국어 유창성(Multilingual fluency)'을 강점으로 들었다.
또 하나의 특징은 ‘역 텍스트 정규화(Inverse Text Normalization)’ 기능이다. 이는 음성으로 입력된 숫자, 날짜, 통화 단위 등을 자동으로 구조화된 형태로 변환해 준다. 예를 들어 “six ninety-nine”라는 발화를 자동으로 “$6.99”로 변환하는 식이다. 이러한 기능은 후처리 과정을 줄여 기업 환경에서의 활용도를 높인다.
성능 면에서도 경쟁력을 강조하고 있다. 전화 통화 기반 엔터티 인식 테스트에서 그록 STT는 약 5%의 오류율을 기록하며, 일레븐랩스, 딥그램, 어셈블리AI 등 주요 경쟁사 대비 낮은 오류율을 보였다고 밝혔다. 다만 영상 및 팟캐스트 전사에서는 경쟁 모델들과 유사한 수준의 성능을 나타냈다.
분야별 오류율 (사진=xAI)
TTS 기능도 차별화를 시도했다. 텍스트를 자연스럽고 감정이 담긴 음성으로 변환하며, [laugh], [whisper], <emphasis>와 같은 간단한 태그를 통해 감정 표현과 발화 스타일을 제어할 수 있다. 이를 통해 개발자는 복잡한 설정 없이도 생동감 있는 음성 콘텐츠를 구현할 수 있다는 설명이다.
한국어를 포함한 20개 이상의 언어를 지원한다. BCP-47 표준 언어 코드를 사용해 한국어 음성을 명시적으로 호출할 수 있다.
또 TTS API는 단순히 텍스트를 읽어주는 것을 넘어, 고유한 톤을 가진 5가지 기본 보이스(Ara, Eve, Leo, Rex, Sal)를 제공한다. 예를 들어, 레오는 권위적이고 교육적인 내레이션에 적합하고, 살은 균형 잡힌 가장 범용적인 목소리로 소개됐다.
가격 정책도 공격적이다. STT는 배치 처리 기준 시간당 0.10달러, 실시간 스트리밍은 시간당 0.20달러로 책정됐으며, TTS는 100만 문자당 4.20달러로 제공된다. 이는 기존 시장 대비 경쟁력 있는 수준으로 평가된다.
박찬 기자 cpark@aitimes.com
댓글
0