알리바바, 'Qwen3-TTS' 공개…3초 오디오 복제 및 프롬프트 음성 설계 지원

AI 음성을 만들려면 기존 프리셋 중에서 고르거나, 긴 음성 데이터를 준비해 학습시키는 것이 일반적이었습니다.

알리바바 큐원(Qwen) 팀이 새로운 음성 생성 라인업인 'Qwen3-TTS'를 공개했습니다. 이번에 선보인 모델은 VoiceDesign-VD-Flash와 VoiceClone-VC-Flash 두 가지입니다.

텍스트로 음성 설계, 3초 만에 목소리 복제

VoiceDesign은 기본 프리셋 없이 자연어 텍스트 지시만으로 음성의 톤, 리듬, 감정, 페르소나를 제어할 수 있습니다. 알리바바는 이 모델이 롤플레잉 벤치마크에서 GPT-4o-mini-tts와 Gemini-2.5-pro를 앞섰다고 밝혔습니다.

함께 공개된 VoiceClone은 단 3초 분량의 오디오만으로 음성을 복제합니다. 중국어, 영어, 일본어, 스페인어 등 10개 언어를 지원하며, 문맥을 인식하는 자연스러운 억양과 호흡을 구현했습니다.

다국어 테스트에서 ElevenLabs 및 GPT-4o-Audio 대비 단어 오류율(WER)이 15% 낮다고 알리바바는 설명했습니다. 현재 두 모델 모두 Qwen Chat에서 이용 가능합니다.

왜 중요한가

콘텐츠 제작자와 개발자에게는 텍스트 프롬프트로 고유한 목소리를 설계하거나 3초 만에 음성을 복제하는 기능이 오디오 제작 비용을 크게 낮춰줄 것으로 보이며, 지금 바로 Qwen Chat에서 시험해 볼 만합니다.

산업 측면에서는 음성 합성 분야 강자인 일레븐랩스(ElevenLabs)와 오픈AI에 직접적인 도전장을 던진 셈입니다. 대형 모델 플랫폼이 고품질 TTS를 기본 인프라로 제공하면서 음성 전용 툴의 입지는 좁아질 수 있습니다.

프리셋을 없애고 텍스트 지시로 음성을 설계하도록 한 점은 영리하지만, 3초라는 짧은 복제 조건은 음성 위조나 사칭 위험을 키울 수 있어 향후 보안 대응책이 뒷받침되어야 할 것으로 보입니다.