이미지:아이스톡
구글이 차세대 텍스트-음성 변환(TTS) 모델 ‘제미나이 3.1 플래시 TTS(Gemini 3.1 Flash TTS)’를 공개하고, 인공지능 음성 기술이 단순 합성을 넘어 ‘연출 가능한 미디어’ 단계로 진화하고 있다.
구글은 15일(현지시간) 발표를 통해 해당 모델이 기존 대비 음성 품질, 표현력, 제어 가능성 측면에서 크게 개선됐으며, 개발자와 기업, 일반 사용자 모두가 활용할 수 있는 차세대 AI 음성 플랫폼으로 자리매김할 것이라고 밝혔다.
“가장 자연스럽고 표현력 높은 음성”...품질 경쟁 본격화
제미나이 3.1 플래시 TTS는 자연스러움과 감정 표현에서 큰 폭의 성능 향상을 이뤘다. 특히 음성 품질 평가 지표 중 하나인 ‘아티피셜 애널리시스 TTS 리더보드(Artificial Analysis TTS Leaderboard)’에서 Elo 점수 1,211을 기록하며, 인간 청취 기반 평가에서도 높은 선호도를 확보했다(아래 표 참조).
이는 단순히 텍스트를 읽는 수준을 넘어, 감정·억양·리듬까지 자연스럽게 구현하는 단계에 진입했음을 의미한다. 또한 고품질 음성과 저비용을 동시에 달성하며, AI 음성 시장에서 ‘성능 대비 효율성’ 측면에서도 경쟁력을 확보했다는 평가다.
이번 모델의 가장 큰 특징은 ‘오디오 태그(audio tags)’ 기능이다. 사용자는 텍스트 입력 내에 자연어 형태의 지시문을 삽입해 말투, 속도, 감정, 억양 등을 세밀하게 제어할 수 있다.
예를 들어 특정 장면 설정이나 감정 상태를 지정하면, AI가 해당 맥락을 반영해 음성을 생성하는 방식이다. 이는 기존 TTS가 단순한 음성 출력 도구였다면, 이는 “사용자가 연출하는 음성 콘텐츠 제작 도구”로 전환되고 있음을 의미한다.
멀티 스피커·캐릭터 구현...콘텐츠 제작 패러다임 변화
로고 이미지
제미나이 3.1 플래시 TTS는 멀티 스피커 대화 기능을 기본 지원하며, 캐릭터 기반 음성 생성이 가능하다. 각 화자별로 음성 프로파일을 설정하고, 대사 중간에도 표현을 변경할 수 있어 보다 입체적인 대화 연출이 가능하다.
또한 장면 설정(Scene Direction), 연출 지시(Director’s Notes) 기능을 통해 등장인물 간 상호작용 유지, 감정 흐름 제어, 상황 기반 대화 생성 등이 가능해졌다. 이러한 기능은 영상 콘텐츠, 게임, 교육, 마케팅 등 다양한 산업에서 활용될 것으로 기대된다.
이번 모델은 70개 이상의 언어를 지원하며 글로벌 확장성을 강화했다. 특히 억양, 속도, 발음 등 지역별 특성을 세밀하게 제어할 수 있어, 단순 번역을 넘어 현지화된 음성 콘텐츠 제작이 가능해졌다. 이는 글로벌 서비스 기업들이 국가별 맞춤형 AI 음성 경험을 제공하는 데 중요한 기반이 될 것으로 보인다.
구글은 해당 모델을 개발자는 제미나이 API 및 Google AI Studio(
보기
), 기업은 Vertex AI(
보기
), 일반 사용자는 Google Vids(
보기
) 등 다양한 플랫폼을 통해 제공한다. 특히, 개발자는 AI 스튜디오에서 설정한 음성 파라미터를 코드 형태로 내보낼 수 있어, 다양한 서비스에서 동일한 음성을 일관되게 구현할 수 있다. 이는 AI 음성의 ‘브랜드화’와 ‘표준화’를 가능하게 하는 요소로 평가된다.
한편, 제미나이 3.1 플래시 TTS로 생성된 모든 음성에는 신스아이디(SynthID) 기반 워터마크가 삽입된다. 이는 사람이 인지할 수 없는 형태로 음성에 포함되며, AI 생성 콘텐츠 여부를 추적할 수 있도록 설계됐다. 구글은 이를 통해 AI 음성 악용 및 허위 정보 확산을 방지하고, 책임 있는 AI 사용 환경을 구축한다는 방침이다.
이번 발표는 AI 음성 기술이 단순 기능을 넘어 콘텐츠 제작 인프라로 자리 잡고 있음을 보여준다. 특히 텍스트 기반으로 음성을 ‘연출’할 수 있는 기능은 향후 영상 제작, 게임 산업, 교육 콘텐츠, 가상 인간(버추얼 휴먼) 등 다양한 분야에서 핵심 도구로 활용될 가능성이 높다.
댓글
0