구글, 제미나이 3.8 Flash TTS 출시: 프롬프트로 맞춤형 목소리 제작

게임 캐릭터나 팟캐스트, 오디오북에 어울리는 개성 있는 목소리를 만들려면 성우를 섭외하거나 값비싼 타사 음성 생성 플랫폼을 구독해야 하는 번거로움이 있었습니다.

구글은 9월 23일, 이러한 제작 방식을 바꾸는 새로운 텍스트 음성 변환(TTS) 모델인 'Gemini 3.8 Flash TTS'와 경량화 모델인 'Gemini 3.8 Flash-Lite TTS'를 발표했습니다. 고정된 음성 프리셋 목록에서 고르는 방식을 벗어나, 자연어 프롬프트로 원하는 목소리를 직접 디자인할 수 있는 작업 공간을 제공합니다.

프롬프트로 목소리를 빚고, 한 줄씩 연기를 디렉팅하다

가장 눈길을 끄는 기능은 생성형 음성 디자인입니다. 텍스트 프롬프트에 배역의 성격이나 억양을 묘사하기만 하면 모델이 백지상태에서 새로운 목소리를 만들어냅니다. 멜버른 출신의 활기찬 라디오 DJ나 거친 숨소리를 내는 판타지 드래곤 같은 캐릭터도 텍스트 한 줄로 구현할 수 있습니다.

기존 목소리를 재현하는 복제 기능도 대폭 간소화되었습니다. 30초 분량의 참조 오디오 샘플만 있으면 안정적인 음성 프로필을 생성합니다. 딥페이크 악용을 방지하기 위해 음성 소유자의 구두 동의 녹음 검증을 거쳐야 하며, 생성된 모든 오디오에는 SynthID 비가시성 워터마크와 C2PA 디지털 자격 증명이 적용됩니다.

실제 오디오 콘텐츠 제작자를 위한 연출 기능도 강화되었습니다. 대본 안에 웃음, 한숨, 헐떡임 같은 비언어적 표현이나 맞장구치는 추임새 태그를 삽입해 정밀하게 타이밍을 조절할 수 있습니다. 단일 스크립트에서 두 캐릭터가 자연스럽게 대화를 주고받는 2인 대화 연출도 기본 지원해, 장시간 오디오에서도 음색이 튀지 않고 안정적으로 유지됩니다.

벤치마크 1위와 대폭 낮아진 비용

두 모델은 100개 이상의 언어와 방언을 지원하며, 2000개 이상의 상용 음성 라이브러리를 기본 제공합니다. 성능 면에서도 Hume AI의 음성 디자인 벤치마크에서 71.4점으로 종합 1위를 기록했고, 억양 모델링 부문에서도 선두를 차지했습니다. 블라인드 평가 플랫폼인 Voice Arena에서는 업계 선두 주자로 꼽히던 ElevenLabs와 대등하거나 이를 앞서는 반응을 이끌어냈습니다.

Gemini 3.8 Flash TTS는 섬세한 연출이 필요한 오디오북과 게임 캐릭터에 적합하고, Flash-Lite TTS는 대규모 더빙과 실시간 고객 상담용 에이전트에 최적화되었습니다. 두 모델은 현재 Gemini API와 Google AI Studio를 통해 바로 테스트할 수 있으며, Gemini Notebook과 Google Vids에도 탑재됩니다.

왜 중요한가

우리는 이번 발표가 합성 음성 기술이 특화 서비스의 영역에서 클라우드 인프라의 기본 기능으로 흡수되는 흐름을 보여준다고 봅니다. 그동안 고품질 음성 합성은 비싼 가격표가 붙어 있어 인디 게임 개발자나 1인 크리에이터가 대량으로 도입하기 어려웠습니다. 구글이 강력한 언어 모델의 지시 이해 능력을 음성 생성과 결합하고 이를 저렴한 API로 풀면서, 제작 진입 장벽이 크게 낮아졌습니다.

반면 음성 생성만을 주력으로 삼던 스타트업들에게는 상당한 압박이 될 것으로 보입니다. 프롬프트 기반 음성 디자인과 2인 대본 연출, 감정 제어가 빅테크의 저렴한 플랫폼에서 기본 제공되기 시작하면 음질만으로 차별화하기는 점점 어려워집니다.

다만 30초 샘플만으로 목소리를 모사할 수 있게 된 만큼, 음성 복제에 따른 권리 침해와 딥페이크 위험은 여전히 시험대에 오를 것입니다. 구글이 구두 동의 검증과 SynthID 워터마크 같은 안전장치를 마련했지만, 실제 생태계에서 악용 사례를 얼마나 철저히 막아낼 수 있을지가 상용화의 핵심 변수가 될 것입니다.