구글이 표현력과 제어력을 대폭 강화한 차세대 음성 합성 모델을 선보였다.
구글은 15일(현지시간) 차세대 텍스트 음성 변환(Text-to-Speech) 모델 ‘제미나이 3.1 플래시 TTS(Gemini 3.1 Flash TTS)’를 공개했다.
이 모델은 개발자와 기업, 일반 사용자 모두에게 차례로 서비스된다.
개발자는 제미나이 API와 구글 AI 스튜디오를 통해 프리뷰 형태로 사용할 수 있으며, 기업 고객은 버텍스 AI에서 접근 가능하다. 협업 도구인 구글 '비드(Vids)'를 통해 워크스페이스 사용자에게도 기능이 제공된다.
가장 큰 특징은 음성 품질과 표현력이다. 제미나이 3.1 플래시 TTS는 수천건의 블라인드 인간 평가를 기반으로 하는 ‘아티피셜 애널리시스 TTS’ 벤치마크에서 Elo 점수 1211을 기록하며, 구글이 지금까지 선보인 모델 중 가장 자연스럽고 표현력이 뛰어난 음성 생성 성능을 달성했다.
동시에 고품질과 낮은 비용을 동시에 만족시키는 ‘최적 구간’에 위치한 모델로 평가받고 있다.
아티피셜 애널리시스 TTS 벤치마크 (사진=구글)
기술적 진보의 핵심은 ‘오디오 태그(audio tags)’다. 사용자는 텍스트 입력에 자연어 형태의 지시를 삽입하는 방식으로 음성의 스타일, 속도, 억양, 감정 표현 등을 세밀하게 조정할 수 있다. 특정 장면의 분위기나 캐릭터의 감정을 설명하면, 모델이 이를 반영해 극적이고 몰입감 있는 음성을 생성한다.
여기에 더해 다중 화자(native multi-speaker) 대화를 지원하는 점도 주목된다.
기존 TTS 시스템은 화자별로 별도 호출이 필요해 대화 흐름이 끊기는 문제가 있었지만, 이번 모델은 여러 화자가 자연스럽게 상호작용하는 대화를 한 번에 생성할 수 있다. 이는 팟캐스트, 드라마, AI 비서 인터페이스 등 다양한 응용 분야에서 활용도를 크게 높일 것으로 기대된다.
Gemini 3.1 Flash TTS is our most controllable text-to-speech model yet.
With new Audio Tags, you can easily direct vocal style, delivery, and pace through text commands.
pic.twitter.com/Bq4SD8eLUN
— Google DeepMind (@GoogleDeepMind)
April 15, 2026
개발자 경험도 강화됐다. 사용자는 장면 설정과 캐릭터 역할을 정의하는 ‘디렉터 모드(Director Mode)’를 통해 음성 콘텐츠를 연출할 수 있으며, 화자별 음성 프로필과 세부 지시를 결합해 문장 중간에서도 표현을 바꿀 수 있다.
완성된 음성 설정은 코드 형태로 내보낼(export) 수 있어, 다양한 프로젝트에서 동일한 음성을 재현할 수 있다.
제미나이 3.1 플래시 TTS는 70개 이상의 언어를 지원하며, 각 언어의 억양과 방언까지 반영할 수 있는 점도 특징이다. 이를 통해 글로벌 서비스에서 지역 맞춤형 음성 경험을 구현하는 것이 가능해졌다.
고도화된 생성 음성 기술에 따른 신뢰성 문제를 해결하기 위해 구글은 모든 생성 음성에 신스ID(SynthID) 워터마킹을 적용했다. 이 기술은 사람이 인지할 수 없는 방식으로 오디오에 식별 정보를 삽입해 AI 생성 콘텐츠 여부를 판별할 수 있도록 하며, 허위 정보 확산 방지와 투명성 확보를 목표로 한다.
박찬 기자 cpark@aitimes.com
댓글
0