딥그램, 실시간 음성 합성 API '오라' 출시…AI 에이전트에 목소리 부여

고객센터에 전화를 걸었을 때 어색한 침묵 끝에 흘러나오는 기계적인 음성을 듣는 것만큼 답답한 일도 없습니다.

음성인식 기술로 입지를 다진 딥그램이 3월 12일 실시간 텍스트 음성변환 API인 아우라를 선보였습니다. 거대언어모델과 결합해 콜센터 등 고객 응대 현장에 투입되는 실시간 대화형 AI 에이전트를 겨냥한 서비스입니다.

0.3초 만에 말문 트는 실시간 음성합성

그동안 사람 목소리처럼 자연스러운 음성 모델은 연산 비용이 비싸고 생성 속도가 느렸습니다. 반면 지연 시간이 짧은 모델은 기계음 티가 뚜렷해 자연스러운 통화가 어려웠습니다.

딥그램의 공동 창업자이자 최고경영자인 스콧 스티븐슨은 기업들이 실시간으로 듣고 이해해 말하는 AI 봇을 원하지만, LLM 호출 비용이 이미 높은 상황에서는 높은 정확도와 낮은 지연 시간, 수용 가능한 가격이 필수적이라고 설명했습니다.

아우라는 음성 렌더링을 0.5초 이내에 마치며, 첫 음성이 나오기까지 걸리는 시간은 통상 0.3초 미만입니다. 1초 미만인 LLM의 답변 생성 시간과 결합하면 대화가 끊기지 않고 자연스럽게 이어집니다.

가격은 1000자당 0.015달러로 책정되었습니다. 이는 구글 웨이브넷이나 아마존 폴리의 뉴럴 음성이 받는 0.016달러보다 소폭 저렴하며, 아마존의 고가 플랜과 비교하면 확연히 낮은 수준입니다.

자체 구축 모델의 속도와 남은 과제

현재 아우라는 약 12종의 음성 모델을 지원합니다. 성우들과 협력해 직접 구축한 데이터셋을 바탕으로 모든 모델을 사내에서 자체 훈련했습니다.

스티븐슨 대표는 뛰어난 응답 속도와 정확도, 저렴한 가격을 동시에 맞추기 위해 창업 초기 4년 동안 제품 출시를 미루고 기반 인프라를 다지는 데 집중했다고 밝혔습니다.

실제 테스트 결과 반응 속도는 대단히 인상적이었지만, 일부 단어에서 다소 어색한 발음이 튀어나오는 현상이 간혹 관찰되기도 했습니다.

왜 중요한가

콜센터 자동화나 실시간 음성 비서를 개발 중인 팀이라면 아우라는 지금 즉시 도입을 검토해 볼 가치가 있습니다. 대화의 흐름을 깨뜨리는 딜레이 문제를 해결하는 것이 급선무인 서비스에 적합합니다.

우리는 딥그램이 음성 복제나 과도한 감정 묘사 같은 부가 기능 대신 지연 시간 단축과 비용 절감이라는 기업의 핵심 통증에 집중한 점이 영리하다고 판단합니다. 첫 음성 출력을 0.3초 안으로 줄여줌으로써 LLM이 답변을 추론하는 데 필요한 시간을 벌어주기 때문입니다.

업계 전반으로 봐도 빅테크 기업들이 장악한 음성 인프라 시장에 유의미한 긴장감을 불어넣고 있습니다. 스타트업이 구글과 아마존보다 더 빠른 속도와 저렴한 단가를 내세우면서 클라우드 서비스 기업들의 가격 및 성능 경쟁을 자극할 것으로 보입니다.

다만 선택 가능한 음성이 아직 12개 안팎에 불과하다는 점은 다양한 브랜드 정체성을 구현하려는 기업에게 아쉬운 대목입니다. 테스트에서 드러난 간헐적인 발음 오류 역시 까다로운 고객 응대 환경에 투입하기 전 면밀히 점검해야 할 숙제입니다.