일레븐랩스, 음성 합성 모델 'Eleven v3' 정식 출시

AI 음성으로 오디오북이나 내레이션을 만들어본 사람이라면, 숫자가 나오는 순간 맥이 탁 풀리는 경험을 해봤을 것입니다.

경기 스코어 102-98을 102 빼기 98로 읽어버리거나, 전화번호를 수백만 단위의 큰 숫자로 한 번에 읽어버리는 식입니다. 아무리 감정이 풍부한 목소리라도 이런 실수가 나오면 듣는 사람은 바로 몰입이 깨집니다.

ElevenLabs가 음성 합성 모델 Eleven v3의 알파 테스트를 마치고 모든 플랫폼에서 정식 출시했다고 밝혔습니다. 이번 정식 버전의 핵심은 바로 이 골치 아픈 특수 기호와 숫자 처리 능력의 개선입니다.

전화번호와 경기 점수를 제대로 알아채다

텍스트 음성 변환 모델의 진짜 난관은 소리를 내는 것 자체가 아니라, 문맥에 따라 기호가 무슨 뜻인지 먼저 파악하는 데 있습니다.

예를 들어 콜론이나 하이픈은 문맥에 따라 시간, 화면비, 경기 스코어 등 전혀 다른 의미로 쓰입니다. 이전 모델들은 이를 문맥에 맞게 구별하지 못하고 엉뚱하게 발음하는 일이 잦았습니다.

ElevenLabs는 8개 언어와 27개 특수 범주를 대상으로 자체 벤치마크 테스트를 진행했습니다. 스포츠 점수, 화학식, 통화 표기, 좌표 등이 포함되었습니다.

그 결과 전체 오류율이 기존 15.3%에서 4.9%로 떨어지며 오독이 68% 감소했습니다.

이제 ¥250,000 같은 금액 표기에서 자릿수를 빠뜨리지 않고 정확한 크기로 읽으며, 화학식 SO₂도 뭉개진 소리 대신 규격대로 발음합니다. 이용자 블라인드 테스트에서도 72%가 이전 알파 버전보다 정식 버전을 선호한 것으로 나타났습니다.

왜 중요한가

우리는 생성형 AI 음성 시장의 무게중심이 자연스러운 감정 표현에서 실무에 쓸 수 있는 안정성으로 옮겨가고 있다고 봅니다.

오디오북 제작사나 뉴스 미디어, 음성 봇을 개발하는 엔지니어 입장에서 기호 오독은 제작 비용을 폭증시키는 주원인이었습니다. 그동안은 AI가 엉뚱하게 읽지 못하도록 숫자를 일일이 한글이나 철자로 풀어쓰는 전처리 작업을 거쳐야 했기 때문입니다. 오류율이 4.9% 수준으로 내려왔다는 것은 이런 번거로운 교정 작업이 크게 줄어든다는 뜻입니다.

ElevenLabs가 화려한 새 기능을 내세우기보다 문맥 해석이라는 기초 체력 강화에 집중한 점은 꽤 영리해 보입니다. 산업 현장에서 대량으로 오디오를 뽑아내려면 결국 이런 사소한 디테일에서 결함이 없어야 하기 때문입니다.

다만 오류율이 4.9% 남아 있다는 것은 스무 번에 한 번꼴로 여전히 실수가 나올 수 있음을 의미합니다. 금융 수치나 의료 정보처럼 오독이 치명적인 분야에서는 여전히 사람의 최종 검수가 필수적입니다.