인월드 AI, 맥락·감정 읽는 음성 모델 '실시간 TTS-2' 공개...아티피셜 애널리시스 1위 등극

AI 음성 기술이 한 단계 진화하면서, 이제는 단순한 목소리의 재현을 넘어 실제 대화의 맥락과 감정을 이해하는 혁신적인 모델이 등장했다. 음성 AI 전문 기업인 인월드 AI(Inworld AI)는 2일(현지시간) 실시간 음성 생성 모델 '실시간 TTS-2'를 공개하며, AI 음성 기술의 새로운 장을 열었다. 이번 모델은 사용자의 말투와 감정 상태를 실시간으로 분석하고, 이를 바탕으로 자연스러운 대화를 생성하는 데 중점을 두고 있다.

실시간 TTS-2의 혁신적인 기능

'실시간 TTS-2'는 기존의 텍스트 음성 변환(TTS) 기술을 한 걸음 더 발전시킨 모델이다. 전통적인 TTS 시스템은 주로 고정된 텍스트를 기반으로 음성을 생성하는 반면, TTS-2는 이전 대화의 오디오를 분석하여 사용자의 감정과 말하기 속도, 어조 등을 파악한다. 이를 통해 대화의 흐름에 따라 적절한 음성을 생성할 수 있다.

예를 들어, 같은 문장이라도 농담을 건넨 직후와 불행한 소식을 전할 때의 어조는 달라야 한다. TTS-2는 이러한 미묘한 감정 표현을 가능하게 하여, 사람과 AI 사이의 대화가 더욱 자연스럽고 몰입감 있게 진행될 수 있도록 돕는다. 특히, 개발자는 음성의 표현 방식을 자연어로 직접 지정할 수 있어, 좀 더 세밀하고 다양한 감정 표현이 가능하다. 예를 들어, [excited]라는 지시어를 통해 흥분된 음성을 생성하거나, [calm]을 통해 차분한 대화를 연출할 수 있다.

다국어 지원과 고품질 음성 생성

TTS-2는 200개 이상의 언어와 500개 이상의 방언을 지원하며, 언어가 바뀔 때에도 일관된 음성 정체성을 유지할 수 있도록 설계됐다. 이는 글로벌 사용자들이 원하는 다양한 언어로도 자연스러운 대화를 가능하게 하여, 국제적인 시장에서의 경쟁력을 높인다. 특히, 텍스트 중간에 음성 효과 태그를 넣으면 웃음, 한숨, 숨소리와 같은 비언어적 표현도 자연스럽게 포함될 수 있다.

또한, 인월드는 TTS-2와 함께 '실시간 TTS-2 플래시'라는 경량 모델도 선보였다. 이것은 대규모 음성 서비스가 필요한 애플리케이션에 최적화되어 있으며, 빠른 처리 성능을 자랑한다. 이 두 모델은 모두 웹소켓 기반의 스트리밍을 지원해, 실시간 대화의 유연성을 더욱 증가시킨다.

AI 음성 기술의 미래

인월드는 이번 TTS-2 모델이 AI 캐릭터, 게임, 교육 및 고객 지원 등 다양한 분야에 활용될 것이라고 전망하고 있다. 특히 AI 기반 게임에서는 사용자의 선택에 따라 실시간으로 새로운 대사를 생성해야 하기 때문에, 자연스러운 감정 표현과 낮은 지연 시간이 필수적이다.

실시간 TTS-2는 아티피셜 애널리시스의 '제어 음성 아레나'에서 1위에 오르며 그 기술력을 인정받았다. 향후 이 기술이 더욱 발전하게 된다면, 사람과 AI 간의 경계가 더욱 희미해지고, 더욱 풍부한 대화가 가능해질 것으로 기대된다. 다양한 분야에서의 응용 가능성을 고려할 때, 음성 AI 기술의 발전은 우리의 일상에 혁신적인 변화를 가져올 것이다.