보손 AI, Higgs TTS 3 공개: 텍스트 태그로 감정 연출, 가중치 오픈

AI 음성을 쓰면서 가장 답답했던 점은 특유의 무미건조한 낭독 톤이었습니다. 말 중간에 한숨을 쉬거나 순간적으로 목소리를 낮추며 긴장감을 주려면 오디오 편집 툴을 켜고 구간을 잘라 붙여야만 했습니다.

Boson AI가 대화형 에이전트에 최적화된 새로운 음성 합성 모델 Higgs TTS 3를 발표하고 모델 가중치를 Hugging Face에 공개했습니다. 가장 큰 특징은 텍스트 흐름 사이에 태그를 넣어 마치 감독이 현장에서 배우를 디렉팅하듯 실시간으로 억양과 감정을 조절할 수 있다는 점입니다.

대본에 태그를 적어 실시간 연기 지시

기존의 TTS는 텍스트가 완성된 뒤 단순히 글자를 소리로 바꾸는 마지막 단계에 머물렀습니다. 하지만 Higgs TTS 3는 대화 흐름 속에서 자연스럽게 반응하고 호흡을 조절하도록 설계되었습니다.

개발자는 텍스트 스트림 안에 인라인 태그를 직접 삽입할 수 있습니다. 한 문장을 말하는 도중에도 감정, 발화 스타일, 말하는 속도, 음높이, 멈춤, 효과음을 즉각 바꿀 수 있어 생성 파이프라인을 끊을 필요가 없습니다.

AI가 당황스러운 질문을 받았을 때 잠시 머뭇거리거나, 비밀스러운 이야기를 할 때 속삭이듯 톤을 낮추는 연출이 가능해진 셈입니다. 숏폼 더빙이나 오디오북 제작 시 대본의 맥락에 맞춰 목소리의 호흡을 세밀하게 제어할 수 있습니다.

모델은 스트리밍 방식과 블로킹 방식을 모두 지원하며, 참조 오디오를 활용한 음성 복제도 가능합니다. 로컬 배포를 원하는 개발자는 SGLang-Omni를 통해 서빙할 수 있습니다.

100개 이상 언어에서 오류율 최소화

연기력뿐 아니라 낭독의 정확도 역시 탄탄하게 다졌습니다.

Boson AI 발표에 따르면 Higgs TTS 3는 100개 이상의 언어에서 한 자릿수 단어 및 문자 오류율을 기록했습니다. 자체 111개 언어 벤치마크는 물론 Seed-TTS, CV3, MiniMax-Multilingual 등 공개 벤치마크 전반에서 이전 세대인 Higgs TTS 2보다 낮은 오류율을 달성했습니다.

Fish Audio S2 Pro, Qwen3-TTS-1.7B, VibeVoice-7B, IndexTTS-2 등 공개 및 상용 모델과의 비교에서도 자연스러운 대화 반응 면에서 우위를 점했습니다. 해당 벤치마크 결과는 SGLang-Omni 팀에 의해서도 재현 검증을 마쳤습니다.

관심 있는 이용자는 Boson Workspace 웹에서 브라우저로 직접 목소리를 테스트해보거나, API 및 Hugging Face 가중치를 받아 로컬에서 돌려볼 수 있습니다.

왜 중요한가

음성 AI 시장에서 음질 자체는 이미 상향 평준화되었고, 이제 진짜 승부처는 사람처럼 호흡하고 감정을 싣는 뉘앙스에 있습니다.

콘텐츠 제작자와 개발자 입장에서 Higgs TTS 3는 오디오 제작 방식을 획기적으로 바꿉니다. 프롬프트가 우연히 좋은 감정을 뱉어내길 기도하거나 후작업으로 음성을 덧대는 대신, 텍스트 안에 지시어를 심어 감정을 확정 지을 수 있기 때문입니다. 숏폼 콘텐츠와 인디 게임의 음성 제작 비용이 대폭 줄어듭니다.

무엇보다 이 정도 제어력을 갖춘 모델 가중치를 오픈소스로 풀었다는 점이 업계에 미치는 파장이 큽니다. 그동안 미세 감정 조절이 가능한 음성 기술은 대부분 폐쇄형 상용 API 뒤에 숨겨진 진입 장벽이었습니다. 가중치가 풀리고 로컬 서빙이 쉬워지면서 독점 상용 서비스들의 가격 인하와 기능 개방을 강하게 압박할 것입니다.

텍스트 생성 흐름 안에 제어 태그를 직접 태우는 방식은 LLM 기반 에이전트와 결합하기에 대단히 직관적입니다. 상위 LLM이 태그 형식을 실수로 잘못 출력했을 때의 예외 처리는 숙제로 남겠지만, AI 음성을 단순 낭독기에서 살아있는 대화 상대로 끌어올렸다는 점에서 주목할 가치가 충분합니다.