카카오는 8월 4일 자체 개발 옴니 AI 모델 Kanana-o의 음성 생성 기술을 고도화했다고 밝혔다. 사용자는 “아주 빠르게”, “낮은 목소리로”, “슬픈 목소리로”, “경상도 사투리로” 같은 자연어 지시만으로 말투와 속도, 음량, 음높이, 감정, 억양, 강도를 조절할 수 있다. 스포츠 중계하듯, 아나운서처럼, 동화책을 읽어주듯 같은 역할 지시와 여러 조건을 한 문장에 묶은 복합 지시도 처리한다. 한국어 데이터를 중심으로 학습했지만 영어 음성 생성에서도 같은 방식의 지시를 수행한다.
실사용 관점에서 핵심은 여러 설정을 따로 조작하는 대신 원하는 발화 조건을 문장 하나로 전달할 수 있다는 점이다. 카카오는 음성 생성 모듈에 온라인 강화학습을 적용하고, 언어모델 친화적 음성 토크나이저 LM-SPT(LM-aligned SPeech Tokenizer)를 새로 넣었다. 기존 Kanana-o가 음성을 초당 25개 토큰으로 표현한 것과 달리 LM-SPT는 초당 12.5프레임으로 압축한다. 생성 시퀀스를 절반으로 줄이고 중간 멜 스펙트로그램을 거치지 않은 채 파형을 직접 복원해 디코딩 구조도 단순화했다. 음성 안내, 콘텐츠 낭독, 대화형 서비스처럼 목소리의 톤과 속도를 세밀하게 맞춰야 하는 분야에서 활용 가능성을 보여준다.
| 항목 | 공개 수치·사실 | 의미 |
|---|---|---|
| 발화 지시 | 말투·속도·음량·음높이·감정·억양·강도 | 자연어 한 문장으로 세부 제어 |
| 생성 효율 | 초당 25개 토큰에서 12.5프레임으로 축소 | 순차 생성 시간 단계와 디코딩 부담 감소 |
| 지시 이행 평가 | Kanana-o 94.50점, GPT-4o-mini-tts 91.10점, Gemini-2.5-flash-preview-tts 95.38점 | 한국어 InstructTTSEval 결과 비교 |
| 향후 방향 | 음성 이해·생성 통합, 웃음·한숨·감탄 등 비언어 표현 | 더 세밀한 음성 제어로 확장 |
한국어 InstructTTSEval에서 온라인 강화학습을 적용한 Kanana-o는 94.50점을 기록했다. 같은 평가에서 GPT-4o-mini-tts는 91.10점, Gemini-2.5-flash-preview-tts는 95.38점이었다. 이 결과는 자연어 발화 지시를 따르는 능력을 비교한 수치이며 실제 서비스의 응답 지연이나 운영비를 직접 보여주는 지표는 아니다. 노병석 카카오 유니파이드 파운데이션 모델 성과리더는 Kanana-o를 다양한 서비스에 적용해 자연스럽고 편리한 AI 음성 경험을 제공하겠다고 밝혔다.
카카오는 음성 이해와 생성을 하나의 구조로 처리하는 연구를 이어가고 웃음, 한숨, 감탄 같은 비언어적 표현도 자연스럽게 생성하도록 기술을 확장할 계획이다. 다만 적용할 서비스 이름과 제공 시점, API 공개 여부, 사용료, 실제 응답 지연, 연산 비용은 공개하지 않았다. 기업과 개발자는 벤치마크뿐 아니라 운영비와 지연 시간, 서비스 통합 방식을 추가로 확인해야 한다. Kanana-o는 자연어 지시형 음성 제어의 기술적 진전을 보여줬지만 상용 도입 판단에 필요한 정보는 아직 제한적이다.
저작권자 © STORIUM 무단전재 및 재배포 금지
