Gemini 3.8, 30초 녹음으로 음성 복제 지원

구글이 9월 23일 음성 합성 모델 두 종Gemini 3.8 Flash TTS와Gemini 3.8 Flash-Lite TTS를 공개했다. 전자는 어조를 세밀하게 제어하고 캐릭터를 만드는 창작 용도를, 후자는 대량·저비용 호출을 겨냥한다. 두 모델 모두 당일부터 Gemini API와 Google AI 스튜디오에서 사용할 수 있으며, 기업용 Gemini Enterprise도 뒤이어 지원될 예정이다.

무엇을 할 수 있나

음성 소스는 세 가지다. 기본 제공되는 30가지 음색, 상업적으로 바로 쓸 수 있는 기성 음색 2,000여 개, 그리고 사용자가 직접 만드는 커스텀 음색이다. 커스텀 음색은 30초짜리 녹음 샘플만 있으면 만들 수 있고, 구글에 따르면 100개 이상의 언어와 방언을 지원한다. 음색 혼합 기능은 "출시 예정"으로 표시돼 있다.

제어 방식으로는 개발자가 대사 한 줄 한 줄에 자연어로 연기 지시를 쓸 수 있다. 어느 문장에서 목소리를 낮출지, 어디서 웃을지 등을 지정하는 식이다. 모델은 2인 대화 장면을 기본 지원하며, 대본에 따라 웃음소리, 한숨, 숨을 들이쉬는 소리, "음", "그래" 같은 맞장구를 삽입할 수 있다. 구글은 또 몇 시간 분량의 긴 콘텐츠를 생성해도 음질이 눈에 띄게 떨어지지 않는다고 밝혔다.

두 모델은 일반 소비자용 제품에도 반영됐다. Flash TTS는 Gemini Notebook에, Flash-Lite TTS는 Google Vids에 탑재돼 일반 사용자도 쓸 수 있다. Agora, LiveKit, Pipecat, Vercel, Figma, HeyGen 등 10개 업체가 1차 통합 파트너로 참여했다.

음성 복제, 지역별 제한 있어

구글은 복제 기능에 여러 안전장치를 뒀다. 생성되는 모든 오디오에는 SynthID 워터마크가 삽입되고, 복제 전에는 동의 확인 절차를 거쳐야 하며, C2PA 콘텐츠 자격 증명도 함께 붙는다. 복제 기능은 미국 일리노이주, 텍사스주, 유럽경제지역(EEA), 영국, 스위스, 인도에서는 아직 사용할 수 없다. 일리노이주와 텍사스주에는 각각 생체정보 보호를 위한 별도 법이 있다.

벤치마크와 관련해 구글은 Hume AI의 음색 디자인 지표를 인용하며 Flash TTS가 종합 순위 1위, 억양 구현에서도 1위를 차지했다고 밝혔다. Voice Arena의 일본어, 브라질 포르투갈어, 베트남어, 현대 표준 아랍어, 멕시코 스페인어, 힌디어 순위에서도 상위권에 들었다고 한다. 이는 모두 구글이 인용한 제3자 랭킹 결과이며, 발표문에는 한국어 성능이 별도로 언급돼 있지 않다.

비용을 계산해보면

Gemini API 요금 페이지에 따르면 오디오 출력은 초당 25토큰으로 계산된다. 음성 1시간이면 9만 오디오 토큰에 해당한다. 100만 토큰당 출력 가격을 기준으로 시간당 비용을 대략 계산하면 다음과 같다.

텍스트 입력은 연말까지 100만 토큰당 0.5달러, 내년부터는 1달러인데, 1시간 분량 대사는 많아야 수만 자 정도라 이 비용은 거의 무시할 수 있는 수준이다. 배치 처리를 쓰면 추가로 절반 가격이 된다.

이 계산대로라면 올해 남은 3개월가량은 신모델이 구버전 프리뷰보다 저렴하다. 하지만 내년부터는 Flash 버전이 시간당 약 80% 비싸지고, Flash-Lite도 구버전보다 비싸진다. "처음엔 반값, 기한 지나면 두 배"라는 가격 구조에 대해 구글은 별다른 설명을 내놓지 않았다. 오디오북, 팟캐스트, 고객 상담처럼 시간 단위로 음성을 많이 쓰는 업무에는 시간당 1달러 안팎의 비용이 여전히 성우보다 훨씬 저렴하며, 실제 채택 여부를 가르는 건 음질과 복제 재현도일 가능성이 크고 몇십 센트 수준의 가격 차이가 미치는 영향은 제한적일 것이다.

참고 출처: 구글 공식 블로그, Gemini API 요금 페이지, CocoLoop, Hume AI. 음색 수, 복제 샘플 길이, 지역 제한, 100만 오디오 토큰당 출력 가격을 확인함.