알리바바 Qwen팀이 9월 23일 음성 모델 'Qwen-Audio-3.1' 시리즈를 공개했다. 인식·합성·실시간 대화·오디오 생성을 아우르는 5개 모델을 한 번에 내놓으면서, 음성 제품 라인 전반의 가격도 함께 낮췄다. 음성 합성(TTS)은 약 70%, 실시간 음성(Realtime)은 약 85%, 음성 인식(ASR)은 최대 95% 인하됐다.
5개 모델은 크게 두 그룹으로 나뉜다. 기존 제품군을 업그레이드한 모델이 세 가지다.
- Qwen-Audio-3.1-ASR: 단일 모델로 30개 언어와 16개 중국어 방언을 지원한다. 회사 측은 11개 방언 테스트 세트에서 최고 성적을 기록했으며, 원저우 방언처럼 난도가 높은 방언에서도 향상 폭이 컸고, 첫 응답 시간은 약 160밀리초라고 밝혔다;
- Qwen-Audio-3.1-TTS: 다국어 합성을 지원하며 언어 간 음색 전이가 가능하다. 자연어로 어조를 지정할 수 있어, 예를 들어 "단호하고 반박의 여지가 없는 어조로 읽어달라"는 식의 지시도 처리한다;
- Qwen-Audio-3.1-Realtime: 전이중 대화를 지원해 말하면서 동시에 듣고, 언제든 끼어들 수 있으며, 도구 호출도 가능하다. 회사 측은 사용자의 기분이 가라앉았다고 감지하면 말하는 속도를 늦춘다고 설명했다.
나머지 두 모델은 새로 선보이는 제품이다.
- TTS-Next: 언어 모델과 확산 모델을 결합한 통합 프레임워크로, 음성·효과음·배경음을 한 번에 생성한다. 오디오북, 팟캐스트, 게임, 광고를 겨냥한다;
- ASR-Next: 여러 화자가 있는 음성에서 화자를 구분하고 타임스탬프와 정렬된 텍스트를 제공하며, 감정과 주변 소음, 기계음까지 인식해 음성 설명, 이벤트 위치 파악, 오디오 질의응답을 수행한다.
방언 성적표
Qwen이 발표 자료에서 공개한 방언 관련 수치에 따르면, 중국어 방언 음성 인식의 평균 문자 오류율은 10.38%, 방언 번역의 평균 의미 문장 정확도는 82.10%다. 이는 모두 자체 테스트 수치이며, 테스트 세트 구성은 완전히 공개되지 않았고 제3자의 재현 결과는 아직 없다.
중국 내 개발자들에게 방언 인식은 실질적인 수요다. 고객 상담, 행정 민원 전화, 지방 라이브 커머스에서는 표준 중국어 인식은 정확해도 방언이 나오면 바로 흐트러지는 경우가 많아, 음성 제품이 실제 서비스로 이어지지 못하는 대표적인 지점으로 꼽힌다. 16개 방언을 하나의 모델에 담으면서 최소한 지역별로 모델을 바꿔야 하는 번거로움은 줄었다.
ElevenLabs와 비교하면
음성 합성 분야에서 해외 비교 대상으로 흔히 거론되는 것이 ElevenLabs다. 서드파티 라우팅 서비스 OrcaRouter가 정리한 가격에 따르면, 전작인 Qwen-Audio-3.0의 TTS Plus 등급은 100만 자당 약 27.6달러, Flash 등급은 약 15달러다. 반면 ElevenLabs의 Eleven v3는 표준 가격 기준 100만 자당 약 100달러, Flash 등급은 약 50달러다.
"약 70% 인하"를 단순 계산하면 3.1 버전 Plus 등급은 100만 자당 8달러를 조금 웃도는 수준이 될 것으로 보인다. 어디까지나 추정치이며, 발표 자료에는 인하 폭만 제시됐을 뿐 구체적인 신규 가격은 알리바바 클라우드 바이롄(百煉) 가격표를 따른다.
품질 면에서는 Artificial Analysis의 음성 아레나 8월 데이터 기준 Qwen-Audio-3.0-TTS-Plus의 Elo가 1234, Eleven v3가 1168이었다. 3.1 버전 TTS는 아직 어떤 공개 아레나에도 등록되지 않아, 음질이 개선됐는지 후퇴했는지는 현재로선 제조사 측 주장뿐이다.
어디에 쓰이나
Qwen은 이번에 음성 모델을 자사 제품군과 함께 묶어 소개했다. 코딩 에이전트 Qoder, Qwen 오피스, 그리고 QwenNote, A2, Eva, Qwen AI 글라스, 러치(Leqi) AI 글라스 같은 하드웨어다. 안경이나 녹음기 같은 기기는 분당·건당으로 음성 API를 호출하므로, 인식과 실시간 대화가 85~95% 인하된 것은 하드웨어 업체의 기기당 서비스 비용에 가장 직접적으로 영향을 준다.
인하 폭이 두 번째로 큰 것은 실시간 대화다. 실시간 통화는 보통 인식·추론·합성을 동시에 돌려야 해서 음성 제품 중에서도 단위 비용이 높은 축에 속한다. 이번 가격 인하로 음성 비서를 무료 사용자에게 장기간 개방할 수 있을지는 각 업체가 다음 분기에 어떻게 가격을 책정하느냐에 달려 있다.
참고 출처: Qwen 공식 발표, IT之家, The Decoder, CocoLoop, OrcaRouter 가격 정리. 인하 폭과 방언 테스트 데이터는 Qwen 공식 수치이며, 구버전과 ElevenLabs 가격은 제3자가 정리한 것이고, 아레나 점수는 Artificial Analysis 공개 순위를 따른다.