발화 지시 벤치마크 94.50점 기록…자연어로 말투·감정·사투리·속도까지 제어
[더파워 류동우 기자] “슬픈 목소리로 빠르게 읽어줘”, “경상도 사투리로 말해줘”와 같은 자연어 지시만으로 인공지능 음성의 말투와 감정, 속도, 억양을 바꿀 수 있게 됐다.
카카오는 자체 개발한 옴니 인공지능 모델 ‘카나나-오’의 음성 생성 기술을 고도화했다고 4일 밝혔다.
기존 음성 인공지능이 입력된 문장을 자연스럽게 읽는 데 초점을 맞췄다면, 개선된 카나나-오는 이용자가 원하는 발화 방식까지 반영해 음성을 생성한다.
이용자가 “아주 빠르게 읽어줘”, “낮은 목소리로 읽어줘”, “슬픈 목소리로 말해줘”라고 지시하면 속도와 음량, 음높이뿐 아니라 감정과 억양, 표현 강도까지 조절한다.
“스포츠 중계하듯”, “아나운서처럼”, “동화책을 읽어주듯”과 같은 역할 기반 지시도 처리할 수 있다.
여러 조건을 한꺼번에 적용하는 것도 가능하다. “톤을 낮추고 빠르면서 슬픈 목소리로 읽어줘”처럼 목소리 높이와 속도, 감정을 함께 요구해도 이를 음성에 반영한다.
지역별 억양을 적용한 사투리 음성도 생성한다. 카카오는 한국어 데이터를 중심으로 모델을 학습했지만 영어 음성에서도 같은 방식의 발화 지시를 수행할 수 있다고 설명했다.
카나나-오는 발화 지시 수행 능력을 측정하는 ‘InstructTTSEval’ 한국어 벤치마크에서 94.50점을 기록했다.
카카오가 공개한 평가 결과에 따르면 이는 오픈AI의 GPT-4o-mini-tts가 기록한 91.10점보다 높고, 구글 Gemini-2.5-flash-preview-tts의 95.38점과 비슷한 수준이다.
음성 생성 속도와 처리 효율도 개선했다. 카카오는 자체 개발한 음성 토크나이저 ‘LM-SPT’를 카나나-오에 적용했다.
음성 토크나이저는 사람의 음성을 인공지능이 처리할 수 있는 작은 정보 단위인 토큰으로 변환하는 기술이다. LM-SPT는 같은 음성을 더 적은 수의 토큰으로 압축해 모델이 처리해야 할 데이터양을 줄인다.
처리할 토큰이 줄어들면 음성 생성에 필요한 연산량과 시간이 감소한다. 긴 문장을 읽거나 대화를 실시간으로 생성하는 서비스에서 응답 속도를 높이는 데 활용할 수 있다.
카카오는 LM-SPT를 적용한 모델이 한국어와 영어 음성 이해·생성 평가에서 미미와 듀얼코덱, 코지보이스2 등 글로벌 음성 기술을 적용한 모델보다 높은 성능을 보였다고 밝혔다.
합성 음성의 자연스러움과 원래 화자의 목소리를 얼마나 유사하게 재현했는지를 평가하는 전문가 청취 평가에서도 가장 높은 점수를 기록했다는 설명이다.
카카오는 앞으로 음성 이해와 생성을 하나의 구조에서 처리하는 기술을 개발해 자연스럽고 끊김 없는 대화 경험을 구현할 계획이다.
웃음과 한숨, 감탄 등 문장으로 표현하기 어려운 비언어적 소리까지 생성할 수 있도록 음성 제어 기능도 확대한다. 고도화한 카나나-오 음성 기술은 향후 카카오의 다양한 서비스에 적용할 예정이다.
노병석 카카오 유니파이드 파운데이션 모델 성과리더는 “사람처럼 자연스러운 음성을 만드는 것을 넘어 이용자가 원하는 말투와 감정, 억양까지 자연어 지시에 따라 표현하는 데 초점을 맞췄다”며 “다양한 서비스에 적용해 자연스럽고 편리한 인공지능 음성 경험을 제공하겠다”고 말했다.
류동우 더파워 기자 rdw2026@thepowernews.co.kr
이미지 확대보기
