알리바바, 실시간 음성합성 ‘큐원-오디오-3.0-TTS’ 공개…스피치 아레나 1위

현지 시각 7월 20일 알리바바 통이랩의 발표와 마크테크포스트 등 외신에 따르면, 알리바바가 차세대 음성합성(TTS) 모델 ‘큐원-오디오-3.0-TTS’를 공개했다. 속도를 앞세운 플래시와 품질을 앞세운 플러스 두 종으로 구성되며, 플러스 모델은 음성 평가 플랫폼 아티피셜 애널리시스의 스피치 아레나에서 품질 점수 1,237점으로 1위에 올랐다. 구글 제미나이 3.1 플래시 TTS와 일레븐랩스의 일레븐 v3, 미니맥스 스피치 2.8 HD를 앞선 기록이다.

이 모델은 가중치를 공개하는 오픈웨이트 방식이 아니라, 알리바바 클라우드의 모델 스튜디오에서 API로 제공된다. 웹소켓 스트리밍으로 실시간 합성을 지원하고 PCM·WAV·MP3·오퓨스 형식으로 출력한다. 지원 언어는 한국어와 영어, 중국어, 일본어를 포함해 16개로 이전 세대보다 7개 늘었고, 중국어 20개 방언 표현도 개선됐다.

성능 면에서는 플래시의 첫 패킷 지연이 약 300밀리초로 낮아 실시간 대화에 적합하고, 플러스의 화자 유사성은 16개 언어 평균 82.75%로 대부분 언어에서 최상위권을 기록했다. 자연어 지시로 감정과 말투를 제어할 수 있어 “차분한 뉴스 앵커처럼” 같은 문장으로 톤을 바꿀 수 있고, 웃음이나 한숨 같은 비언어 표현을 넣는 인라인 태그를 86종 제공한다. 한 번에 최대 3분 분량을 생성하며 48킬로헤르츠 초해상도 음질을 낸다.

가격은 플러스가 100만 문자당 27.59달러(약 4만 원)로, 일레븐랩스나 미니맥스의 약 3분의 1 수준이다. 다만 생성 속도가 초당 약 16자로 다소 느린 점은 한계로 지적된다.

자세한 내용은 마크테크포스트에서 확인할 수 있다.

이미지 출처: 알리바바