Google, 목소리를 만들고 연기까지 지시하는 Gemini 3.8 TTS 공개

요약

구글이 자연어 프롬프트로 목소리를 설계하고 대사별 연기 지시와 감정 표현이 가능한 'Gemini 3.8 Flash TTS'와 비용 효율적인 'Flash-Lite TTS'를 공개했다.
두 모델은 100개 이상의 언어를 지원하며 음성 복제, 장시간 대화 생성, 비언어적 발성 제어 기능을 제공한다.

원하는 목소리와 말투를 자연어로 만들고 대사별로 연기를 지시하는 Gemini 3.8 Flash TTS와, 대량 음성 생성의 비용 효율성을 높인 Flash-Lite TTS를 공개함
Flash TTS는 2,000개 이상의 목소리를 제공하며, 새로운 목소리를 직접 설계하거나 사용 권한이 있는 목소리를 30초 음성 샘플로 복제할 수 있음
두 모델 모두 대사마다 속도와 감정, 웃음과 한숨, 맞장구를 지정하고, 두 사람이 주고받는 대화와 수 시간 길이의 오디오를 일관된 목소리로 생성
100개 이상의 언어를 지원하며, Google 발표 기준 Hume AI의 음성 품질 평가에서 Flash와 Flash-Lite가 각각 1위와 2위를 기록함
Google AI Studio와 Gemini API에서 순차 제공하며, 음성 복제에는 목소리 소유자의 동의 녹음이 필요하고 생성 오디오에는 SynthID 워터마크가 삽입됨

창작용 Flash TTS와 대규모 생성용 Flash-Lite TTS

Gemini 3.8 Flash TTS는 게임, 몰입형 오디오북, 팟캐스트, 인터랙티브 미디어의 캐릭터 설계와 세밀한 음성 연출에 초점을 맞춤
- 자연어 프롬프트로 새로운 목소리를 만들고, 대사마다 연기 지시, 말의 속도와 호흡, 방언 전환, 맞장구를 제어할 수 있음
Gemini 3.8 Flash-Lite TTS는 대규모 더빙, 오디오 콘텐츠 제작, 표현력 있는 음성 에이전트를 비용 효율적으로 운영하도록 최적화됨
- 어조, 속도, 표현의 미묘한 차이를 세밀하게 조절할 수 있음
두 모델은 3.5 Live Translate, 3.5 Transcribe, 3.8 Live 및 3.8 Live Extended Thinking에 이어 Gemini Audio 제품군에 추가됨

목소리 생성, 복제, 저장과 리믹스

Flash TTS의 생성형 음성 설계는 기존 30개 목소리 중 고르는 방식에서, 원하는 목소리를 직접 만들어 저장하는 방식으로 확장
- 100개 이상의 언어와 방언에서 역할, 억양, 목소리 특성을 자연어로 지정할 수 있음
- 불을 뿜는 극적인 용이나 지역 특유의 운율을 지닌 내레이터처럼 독창적인 캐릭터와 일관된 브랜드 목소리를 만들 수 있음
- 시연에는 활기찬 멜버른 DJ, 매우 가늘고 단조로운 로봇, 일본어로 말하는 용의 목소리가 포함됨
2,000개 이상의 제작용 음성을 제공하며, 멕시코 스페인어, 퀘벡 프랑스어, 스코틀랜드 영어 같은 지역별 변형도 지원함
음성 복제는 본인 또는 사용 권한을 가진 목소리의 30초 오디오 샘플로 일관된 음성 특성을 재현함
- 동의 검증, SynthID 워터마크, C2PA 자격 증명을 내장해 개발자와 목소리 제공자를 보호함
설계한 맞춤형 목소리를 저장하고 관리해 여러 프로젝트에서 일관된 연기를 유지하고 음성 특성의 변화를 최소화할 수 있음
음성 리믹스는 추후 제공 예정이며, 라이브러리의 목소리를 골라 음색, 음높이, 속도, 억양을 조정하는 기능임
- “미국 남부 억양을 살짝 추가”하거나 “더 부드럽게 말하기” 같은 프롬프트를 사용할 수 있음

대사별 연출과 장시간 대화 생성

두 모델 모두 대사별 전달 방식을 제어할 수 있으며, 직접 연기 지시를 쓰거나 대본의 자연스러운 단서를 바탕으로 Gemini가 연출하도록 할 수 있음
- 차분한 고객 서비스 상담원부터 속삭이는 서스펜스 장면까지 구현할 수 있음
- 시연에는 인터랙티브 음성 에이전트의 대화, 몰입형 오디오, 애니메이션 대화 장면과 대본 기반 연기가 포함됨
장시간 생성에서는 수 시간의 연속 오디오에 걸쳐 높은 음성 품질, 자연스러운 속도, 캐릭터의 음색을 유지하면서 화자 특성의 변화를 최소화함
- 팟캐스트와 오디오북 제작에 적합함
두 사람이 대화하는 장면 만들기를 기본 지원해 단일 대본으로 여러 차례 주고받는 대화를 연출할 수 있음
- 두 목소리를 뚜렷하게 구분하면서 자연스럽게 발언 순서를 전환함
비언어적 발성과 맞장구를 대본에 넣어 대화의 질감과 반응 시점을 조절할 수 있음
- <laughs>, <sigh>, <gasp>로 웃음, 한숨, 놀라는 숨소리를 지정함
- |mhm|, |yeah| 같은 경청 반응으로 코미디 타이밍과 반응 지점을 조절함

음성 품질과 다국어 평가 결과

Gemini 3.8 Flash TTS는 Hume AI Voice Design Benchmark에서 종합 점수 71.4로 1위를 기록했으며, 억양 모델링에서도 60.8로 선두를 차지함
Overall Quality Index에서는 Flash TTS가 1위, Flash-Lite TTS가 2위를 기록함
- Gemini 3.1 Flash TTS와 비교해 장시간 콘텐츠와 두 화자 대본 제어 등 여러 사용 사례에서 크게 개선됨
Voice Arena의 블라인드 선호도 평가에서 두 모델은 일본어, 브라질 포르투갈어, 베트남어, 현대 표준 아랍어(MSA), 멕시코 스페인어, 힌디어 등 주요 언어에서 경쟁 모델 대비 상위권을 기록함
- 사람이 직접 듣고 선호도를 평가함
100개 이상의 언어 지원으로 창작자, 개발자, 기업이 다국어 음성 경험을 구축할 수 있음

음성 소유자의 동의와 생성 콘텐츠 식별

음성 복제 동의 검증을 통과하려면 목소리 소유자가 구두로 동의한 녹음을 제출해야 하며, 녹음의 화자가 참조 음성의 화자와 일치해야 함
Gemini Audio 모델이 생성한 모든 오디오에는 지각하기 어려운 SynthID 워터마크가 출력에 직접 삽입됨
- AI 생성 음성을 탐지할 수 있게 해 허위 정보 방지를 도움
안전성과 책임 있는 사용에 관한 세부 사항은 모델 카드 에서 확인할 수 있음

Google AI Studio와 개발 플랫폼 통합

Google AI Studio 오디오 플레이그라운드 에서 출시일부터 새 음성 생성 기능을 체험할 수 있음
- 프롬프트로 새로운 목소리를 설계하거나 본인의 목소리를 복제할 수 있음
- 만든 목소리를 두 화자 대본 편집기로 바로 가져와 대사별 전달 방식을 연출할 수 있음
Gemini API를 활용하는 Agora, LiveKit, Pipecat, Vercel 등의 개발 플랫폼에서 음성 생성 기능을 구축하고 배포할 수 있음
Figma, HeyGen, Linguana, Wondercraft, 99.co, Ollang은 최신 TTS 모델을 통합하고 있음
- 글로벌 더빙 가속, 세밀한 지역 억양을 반영한 미디어 현지화, 대규모 대화형 음성 에이전트에 활용함

모델별 제공 경로

Gemini 3.8 Flash TTS는 출시일부터 순차 제공됨
- 개발자는 Gemini API와 Google AI Studio에서 이용할 수 있음
- 일반 사용자는 Gemini Notebook에서 이용할 수 있음
Gemini 3.8 Flash-Lite TTS도 출시일부터 순차 제공됨
- 개발자는 Gemini API와 Google AI Studio에서 이용할 수 있음
- 일반 사용자는 Google Vids에서 이용할 수 있음
두 모델의 기업용 API는 Gemini Enterprise 를 통해 추후 제공될 예정임