Hume AI, 차세대 음성 모델 'Octave 2' 공개: 200ms 미만 지연시간에 가격은 절반

대다수 음성 생성 모델이 사람 같은 목소리를 흉내 내는 단계에 머물러 있는 사이, 감정 AI 전문 기업 흄(Hume)은 음성을 포토샵처럼 픽셀 단위로 보정하는 기능에 주목했습니다.

흄은 10월 1일 차세대 텍스트 음성 변환 모델인 '옥타브 2(Octave 2)'를 공개하고 플랫폼과 API를 통해 프리뷰 버전을 제공하기 시작했습니다.

15초 음성 복제와 음소 단위 편집 기능

옥타브 2는 한국어와 영어를 비롯해 일본어, 아랍어, 프랑스어, 독일어, 힌디어, 이탈리아어, 포르투갈어, 러시아어, 스페인어 등 11개 언어를 지원합니다. 향후 몇 달 안에 지원 언어를 20개 이상으로 늘릴 계획입니다.

원어민의 음성 15초만 있으면 즉각적인 목소리 복제가 가능합니다. 복제된 목소리로 다른 언어를 생성할 때 원래 화자의 억양까지 자연스럽게 반영해 발화합니다.

가장 눈에 띄는 기능은 곧 출시될 음성 변환과 음소 직접 편집입니다. 음성 변환은 발화자의 타이밍과 어조를 그대로 유지한 채 목소리 톤만 다른 사람으로 바꿀 수 있어 더빙 작업에 유용합니다.

음소 편집은 한 발 더 나아가 텍스트만으로는 제어하기 힘든 이름의 발음이나 특정 단어의 강세를 미세하게 조절할 수 있게 해줍니다. 기존 음소들을 조합해 텍스트에 없는 새로운 발음을 만들어내는 것도 가능합니다.

200ms 미만 지연 시간과 비용 절반 인하

속도와 효율성도 대폭 개선되었습니다. 옥타브 2는 이전 버전 대비 40% 빨라져 200밀리초 미만의 지연 시간으로 음성을 생성합니다. 생소한 단어나 반복어, 숫자 및 기호 발음의 정확도도 개선했습니다.

품질을 유지하면서 속도를 끌어올리기 위해 흄은 AI 반도체 기업 삼바노바(SambaNova)와 협력하여 전용 추론 스택을 개발했습니다.

가격은 옥타브 1의 절반 수준으로 책정되었습니다. 전용 인프라로 배포할 경우 1분 분량의 오디오를 1센트 미만으로 생성할 수 있습니다. 흄은 이 모델을 기반으로 한 음성 대화 API인 'EVI 4 mini'도 함께 선보였습니다.

왜 중요한가

콘텐츠 제작자나 게임 개발자 입장에서 AI 음성의 가장 큰 걸림돌은 고유명사를 잘못 읽거나 억양이 어색할 때 처음부터 다시 생성해야 한다는 점이었습니다. 음소 단위 편집 기능은 오디오 작업자에게 일종의 부분 보정 도구를 쥐어준 셈이어서 실무 활용 가치가 높습니다.

업계 전반으로 보면 200밀리초 미만의 지연 시간과 분당 1센트 미만의 비용 구조는 실시간 AI 고객센터나 게임 NPC 같은 대규모 대화형 서비스 도입의 진입 장벽을 크게 낮춥니다. 일레븐랩스 등 경쟁사들에게도 지연 시간과 운영 단가 경쟁을 강하게 압박할 것으로 보입니다.

다만 가장 주목받는 음소 편집 기능이 아직 정식 도입 전인 점은 감안해야 합니다. 또한 함께 공개된 대화형 모델 EVI 4 mini가 텍스트 자체를 생성하지 못해 외부 거대언어모델을 연결해야 한다는 점은 아직 완전한 엔드투엔드 음성 모델로 가기 전의 과도기적 한계를 보여줍니다.