구글, 텍스트 태그로 말투 연출하는 '제미나이 3.1 플래시 TTS' 공개

인공지능으로 음성을 만들 때 가장 까다로운 부분은 미묘한 감정 표현이었습니다. 텍스트를 매끄럽게 읽어 내려가는 모델은 많았지만, 문장 중간에 목소리를 낮추거나 감정을 격하게 바꾸려면 대사를 잘게 쪼개어 수동으로 합성해야 했습니다.

Google이 오늘 공개한 Gemini 3.1 Flash TTS는 이러한 연출 한계를 정면으로 겨냥한 음성 모델입니다. 자연어 지시문을 텍스트 입력창 안에 직접 태그 형태로 넣어 음성의 톤, 속도, 연기 방식을 제어할 수 있는 오디오 태그 기능을 전면에 내세웠습니다.

이 모델은 현재 프리뷰로 제공되고 있습니다. 개발자는 Gemini API와 Google AI Studio에서, 기업 고객은 Vertex AI에서 시험해 볼 수 있으며, 일반 워크스페이스 이용자는 Google Vids 영상 제작 도구 안에서 바로 활용할 수 있습니다.

대본에 직접 연기 지시를 적는 방식

핵심 변화는 오디오 태그입니다. 개발자는 음향 파라미터를 복잡하게 조정할 필요 없이, 대사 사이에 자연어 명령을 삽입해 모델의 발화 방식을 실시간으로 바꿀 수 있습니다. 문장을 말하는 도중에 톤을 급변시키는 것도 가능합니다.

Google AI Studio에는 연출자가 스튜디오를 지휘하는 듯한 환경이 마련되었습니다. 장면 지시 기능을 통해 대화가 이루어지는 배경 환경을 설정해 두면, 여러 턴이 오가는 대화 속에서도 각 캐릭터가 성격을 일정하게 유지합니다.

인물별 세부 설정도 지원합니다. 각 캐릭터에 오디오 프로필을 지정하고 연출 메모를 추가해 억양과 전반적인 발화 속도를 조절할 수 있습니다. 완벽한 연출이 완성되면 이 설정을 Gemini API 호출 코드로 곧바로 내보내어 프로젝트 전반에 일관된 목소리를 적용할 수 있습니다.

성능 면에서도 성과를 보였습니다. 평가 기관 Artificial Analysis의 TTS 리더보드에서 1,211점의 Elo 점수를 기록하며 고품질과 저비용을 동시에 만족하는 영역에 올랐습니다. 70개 이상의 언어와 자체 다자간 대화를 지원하며, 생성된 모든 오디오에는 AI 생성물 식별을 위한 SynthID 비가청 워터마크가 기본 적용됩니다.

왜 중요한가

게임 속 NPC 대화나 오디오북, 숏폼 영상 내레이션을 제작하는 창작자에게 감정 제어가 쉬워진 음성 API는 작업 속도를 획기적으로 바꿔놓을 수 있습니다. 어색함을 지우기 위해 여러 번 재합성하던 비용과 시간을 줄이고, 텍스트 편집만으로 몰입감 있는 드라마를 제작할 수 있게 됩니다.

음성 AI 시장 관점에서는 ElevenLabs와 같은 전문 음성 스타트업들이 긴장할 수밖에 없는 움직임입니다. 그동안 빅테크의 기본 TTS API는 기능적인 명료함에 치중했고, 개성 있고 연기력이 뛰어난 음성은 특화 기업들의 독무대였습니다. 하지만 Google이 Flash 수준의 저렴한 비용과 다국어 지원, 그리고 세밀한 감정 지시 기능을 한 번에 묶어 제공하기 시작하면서 진입 장벽이 크게 무너졌습니다.

스튜디오 플레이그라운드에서 연출한 결과를 즉시 API 코드로 변환해 주는 개발자 경험은 영리한 설계라고 판단됩니다. 다만 자연어로 내리는 연출 지시가 다국어 환경에서 얼마나 일관된 결과물을 낼 수 있는지는 지속적인 검증이 필요해 보입니다. 더불어 음성의 감정 표현이 사람과 구분하기 힘들 정도로 자연스러워진 만큼, 딥페이크나 사칭 범죄에 맞서는 SynthID의 탐지 신뢰성 역시 시험대에 오를 것입니다.