Hume AI, 문맥과 감정 읽어내는 음성 LLM 'Octave' 출시

기존 텍스트 음성 변환(TTS) 도구들의 가장 큰 한계는 목소리가 기계적이라는 점보다 자기가 무슨 말을 하고 있는지 전혀 이해하지 못한 채 글자를 소리로만 바꾼다는 데 있었습니다. 비꼬는 대사나 격한 감정이 실린 문장을 주어도 어김없이 평온한 내비게이션 안내원 톤으로 읽어 내려가기 일쑤였습니다.

Hume AI가 2월 26일 공개한 Octave는 바로 이 지점을 파고든 새로운 음성 합성 모델입니다. 회사는 Octave를 문맥 속 단어의 의미를 파악하는 TTS용 음성 언어 모델(Speech-language model)이라고 소개했습니다.

배우처럼 대본을 해석하는 음성 모델

Octave는 텍스트의 흐름을 읽고 음조, 리듬, 음색을 유추해 소리를 냅니다. 예를 들어 로고 색상 회의를 비꼬는 대본을 넣으면 별도의 세부 설정 없이도 쌀쌀맞고 비아냥거리는 억양을 살려냅니다. 강한 혐오나 공포가 담긴 문장에서는 거친 호흡과 당황한 어조를 재현합니다.

자연어 프롬프트로 목소리를 직접 설계하는 Voice Design 기능도 갖췄습니다. 차분한 ASMR 톤의 상담사나 거친 런던 사투리를 구사하는 고블린 경매사 같은 묘사를 적으면 그에 맞는 목소리를 만듭니다. 목소리 설정을 아예 비워두고 대사만 입력해도, 문장에 쓰인 어휘와 말투를 바탕으로 모델이 알아서 어울리는 배역의 목소리를 지어냅니다.

동일한 목소리에 연기 디렉팅을 주는 Acting Instructions 기능도 지원합니다. 같은 대사라도 속삭이듯 말할지, 분노에 차서 외칠지, 아니면 차갑게 경멸하듯 읊조릴지 지시할 수 있습니다. 현재 48kHz 고음질 출력과 60개 이상의 기본 음성, 오디오북 및 팟캐스트 제작용 인터페이스를 제공하며, 5초 분량의 오디오로 복제하는 음성 클로닝 기능도 조만간 추가될 예정입니다.

ElevenLabs와의 블라인드 테스트

Hume AI는 업계 강자인 ElevenLabs의 Voice Design과 1:1 블라인드 비교 평가를 진행했습니다. 180명의 평가자가 120개의 다양한 프롬프트로 생성된 결과물을 청취했습니다.

평가 결과에 따르면 Octave는 음질 선호도에서 71.6%, 자연스러움에서 51.7%의 선택을 받았습니다. 프롬프트에 적힌 캐릭터 묘사와 생성된 음성이 얼마나 잘 일치하는지를 묻는 항목에서도 57.7%의 선호도를 기록하며 우위를 보였습니다. Hume AI는 감정 표현력 중심의 음성 평가를 위해 Expressive TTS Arena라는 공개 벤치마크도 함께 열었습니다.

왜 중요한가

그동안 음성 AI 업계는 음질을 사람과 똑같이 만드는 데 집중해 왔지만, 실제 팟캐스트나 게임, 오디오북 현장에서는 여전히 어색한 감정선 때문에 작업자가 일일이 피치와 쉼표를 수정해야 했습니다.

Octave처럼 언어 모델의 문맥 파악 능력을 음성 생성 단계에 결합하는 방식은 창작자들의 후반 작업 부담을 크게 덜어줄 수 있습니다. 인디 게임 개발자나 1인 크리에이터라면 대본만으로도 감정이 살아 있는 캐릭터 음성을 빠르게 뽑아낼 수 있어 충분히 사용해 볼 만합니다.

우리는 단순히 음질을 개선하는 대신 맥락 이해를 앞세운 이번 접근이 매우 영리하다고 봅니다. 다만 텍스트 추론에 의존하는 만큼, 복잡한 대본에서 AI가 맥락을 오판했을 때 오히려 감정이 과장되거나 엉뚱하게 튀는 현상이 발생할 수 있습니다. 시장을 쥐고 있는 ElevenLabs의 강력한 API 생태계를 넘어서려면 실제 프로덕션 환경에서의 지연 시간과 비용 효율성을 증명해야 할 것입니다.