Gemini 3.8 TTS가 내세운 기능을 시험해 봤습니다 - 한국어 목소리, Voice design, 태그, style, 긴 글
Gemini TTS 3.8 시험기 3편 중 3편입니다. 1편 네 모델 비교 · 2편 내 목소리 복제 · 3편 3.8 기능 시험
1편에서 Gemini TTS 네 모델을 비교하면서 3.8의 가격과 API 변경, 품질을 봤습니다. 이번에는 문서가 3.8의 장점으로 내세운 기능을 하나씩 돌려 봤습니다. 판정 모델의 청취가 걸린 시험에는 태그나 지시를 뺀 같은 문장을 대조군으로 함께 만들어, 대조군에서도 같은 자리에서 같은 소리가 들렸다고 하면 그 판정은 쓰지 않았습니다.
결론부터
| 기능 | 결과 |
|---|---|
| 한국어 목소리 | 117개 있습니다. 기본 목소리 Leda·Charon은 미국 영어 목소리였습니다. 한국어 목소리 두 개로 바꾸자 청크 간 게스트 흔들림이 줄고, 다시 만들 때 차이는 커졌습니다. 3.1에서는 쓸 수 없습니다 |
| Voice design | 글로 설명하면 30초 만에 목소리를 만듭니다. 문서와 달리 2인 한 번 호출에 들어갑니다. 흔들림은 줄지 않았습니다 |
| 영어 고유명사 | 목소리를 바꿔도 다른 단어로 읽었습니다 |
| 인라인 태그 | 웃음과 기침은 들어갔고, 한숨은 모델마다 달랐습니다 |
| style 지시 | 속삭임, 외침, 느리게가 수치로 분명히 드러났습니다 |
| 긴 글 한 번에 | 5분 분량도 뒷부분이 뭉개지지 않았습니다. 3.8이 3.1보다 3배 빨랐습니다 |
| 스트리밍 | 첫 소리가 1.7초에 나옵니다 |
한국어 목소리가 117개 있습니다
목소리 목록(GET /v1beta/voices)을 끝까지 넘겨 보니 기본 제공 목소리가 2,089개였고, 그중 한국어(ko-KR)가 117개였습니다. 팟캐스트 진행자, 내레이터, 상담원 같은 유형과 나이, 음 높이 설명이 붙어 있고, 103개가 서울말, 14개가 부산 사투리로 분류돼 있습니다.
그런데 제 팟캐스트 스킬이 쓰던 Leda와 Charon은 미국 영어(en-US) 목소리였습니다. 한국어 대본을 미국 영어 목소리로 읽혀 온 셈입니다. 한국어 팟캐스트 진행자 목소리 두 개(ko-kr-podcaster-4 여성, ko-kr-podcaster-8 남성)로 바꿔 같은 시험을 돌렸습니다.
- 2인 대화를 한 번에 만드는 방식에 그대로 들어갑니다.
- 3.8 Flash로 1편과 똑같은 일관성 시험(같은 대본, 청크 4개, 3회)을 했습니다. 청크 간 게스트 흔들림이 15.6% → 8.4%로 줄었고, 다시 만들 때의 차이는 1.2% → 6.6%로 커졌습니다. 언어만이 아니라 목소리 자체가 바뀐 비교이고, 두 목소리만 측정했습니다.
- 영어 고유명사 문제는 남았습니다. 3회 중 1회는 PostgreSQL을 알파벳 한 글자씩 읽었습니다.
표로 보기: 최악값과 다시 만들 때 차이 포함
| 3.8 Flash 목소리 | 청크끼리 평균 | 청크끼리 최악 | 다시 만들 때 |
|---|---|---|---|
| 한국어 목소리 | 8.0% / 8.4% | 10.5% / 17.3% | 1.0% / 6.6% |
| Voice design 목소리 | 12.0% / 16.1% | 14.7% / 17.8% | 2.0% / 6.9% |
| Leda / Charon(1편) | 8.2% / 15.6% | 11.5% / 22.6% | 2.4% / 1.2% |
각 칸은 진행자 / 게스트다. 한 편 안에서 청크별 화자 음 높이 중앙값이 벌어진 정도(3회 평균과 최악)와, 세 회차의 편 평균이 서로 벌어진 정도다. 방법은 1편과 같다
- 3.1에서는 쓸 수 없습니다. “No matching speaker voice found”로 거절됩니다.
3.8 Flash + 한국어 목소리 (1편의 네 모델과 같은 대본, 1회차)
부산 사투리 목소리(ko-kr-assistant-2)는 확인하지 못했습니다. 표준어 문장을 읽히면 판정 모델 두 개가 모두 서울말 억양이라고 했고, 사투리 문장(“억수로 좋네예”)을 읽히면 판정이 갈렸습니다. 서울말 목소리에 같은 사투리 문장을 읽혀도 똑같이 갈려서, 판정 모델이 억양을 가리지 못한다고 봤습니다. 두 음성을 나란히 둡니다.
부산 사투리 목소리 - 사투리 문장
서울말 목소리 - 같은 사투리 문장
Voice design: 만들기는 쉬웠지만 더 흔들렸습니다
Voice design은 목소리를 글로 설명하면 새 목소리를 만들어 주는 기능입니다. 진행자와 게스트를 이렇게 설명해 만들었습니다.
- 진행자: 「30대 중반의 한국 여성 팟캐스트 진행자. 밝고 또렷한 목소리로, 호기심 많고 친근하게 질문을 던진다. 표준 서울말.」
- 게스트: 「40대 초반의 한국 남성 IT 분석가. 차분하고 낮은 목소리로, 설명을 조리 있게 풀어낸다. 표준 서울말.」
하나 만드는 데 30초 안팎이 걸렸고, 만들면서 37초짜리 미리 듣기 음성을 함께 돌려줍니다. 문서상 프로젝트에 저장하는 방식만 되고(1년 보관), 복제 목소리와 달리 동의 녹음은 필요 없습니다.
설계한 진행자 목소리 - 미리 듣기
설계한 게스트 목소리 - 미리 듣기
문서와 달리 2인 대화를 한 번에 만드는 방식에도 들어갔습니다. 문서는 설계한 목소리도 대사별로 따로 만들라고 합니다. 들어가긴 하는데 다른 목소리로 바뀌는 건 아닌지 확인하려고, 진행자 대사만 넣어 한 번에 만든 결과를 미리 듣기 음성과 비교했습니다. 유사도가 0.965로, 같은 목소리를 단독으로 합성한 결과(0.960)와 같았고 다른 목소리(0.845)와는 달랐습니다. 복제 목소리는 같은 방식에서 400 오류가 났으니 둘의 처리가 다릅니다.
다만 이 대본에서는 나아진 점이 없었습니다. 위 표에서 진행자는 기본 목소리보다 더 흔들렸고 게스트는 비슷했으며, 영어 고유명사는 3회 모두 다른 단어로 읽었습니다. 문서가 흔들림 원인으로 든 긴 연기 지시문은 제 스킬이 원래 쓰지 않으므로, 문서의 주장을 반박하는 결과는 아닙니다.
3.8 Flash + Voice design 목소리 (1편의 네 모델과 같은 대본, 1회차)
목소리를 바꿔도 영어 고유명사는 틀렸습니다
1편에서 3.8 Flash가 대본의 두 번째 “PostgreSQL은”을 다른 단어로 읽었습니다. 목소리 탓인지 보려고 같은 15줄 대본을 목소리만 바꿔 3회씩 만들었습니다.
| 3.8 Flash 목소리(각 3회) | 두 번째 PostgreSQL을 판정 모델 두 개가 들은 것 |
|---|---|
| Leda / Charon(1편) | 포스트지피티, 포스트클라우드, 포스트그레스 |
| 한국어 목소리 | 포스트그레스 에스큐엘, 피오에스지알이(알파벳을 한 글자씩), 포스트그레스 |
| Voice design 목소리 | 패스터지피티, 포스트위스퍼, 포스트지알아이 |
목소리를 바꿔도 사라지지 않았고, 설계한 목소리는 3회 모두 틀렸습니다. 「위스퍼」는 대본 뒤쪽의 whisper가 섞여 든 것으로 보입니다. 대본에 영어 대신 한글 발음(포스트그레스큐엘)으로 적는 것이 여전히 가장 확실합니다.
인라인 태그: 웃음과 기침은 들어갔습니다
대본 중간에 <laugh>, <sigh>, <cough>, <short pause>, <breath>를 넣고, 판정 모델에게 어떤 소리를 넣었는지 알려 주지 않은 채 “말이 아닌 소리가 들리면 위치에 표시하라”고 물었습니다. 판정 모델 두 개가 같은 자리에서 같은 소리를 들은 경우만 셌습니다.
| 모델(각 2회) | 웃음 | 한숨 | 기침 | 태그를 글자로 읽음 |
|---|---|---|---|---|
| 3.8 Flash | 2/2 | 0/2 | 2/2 | 없음 |
| 3.8 Flash-Lite | 2/2 | 2/2 | 2/2 | 없음 |
| 3.1 Flash | 1/2 | 1/2 | 2/2 | 없음 |
3.8 두 모델은 한국어 목소리(ko-kr-podcaster-8), 3.1은 한국어 목소리를 쓸 수 없어 Charon으로 만들었다
<short pause>와<breath>는 판정할 수 없었습니다. 태그가 없는 대조군에서도 판정 모델이 숨소리를 들었다고 했습니다.- 3.8 Flash 대조군 하나는 태그가 없는데도 두 판정 모델이 웃음을 들었습니다. 태그를 넣은 자리와는 다른 곳이라 위 표의 판정은 그대로 두었습니다. 모델이 스스로 웃음을 넣었을 수 있습니다.
- 3.1도 꺾쇠 태그를 글자로 읽지 않고 소리로 냈습니다.
와, 정말요?
<laugh>그건 전혀 몰랐네요.<sigh>사실 저도 어젯밤을 꼬박 새웠거든요.<cough>아, 실례했습니다.<short pause>그럼 다시 시작해 볼까요?<breath>좋습니다.
3.8 Flash - 태그 있음
3.8 Flash - 태그 없음(대조군)
3.8 Flash-Lite - 태그 있음
style 지시: 수치로 분명히 드러났습니다
같은 문장(“오늘 회의는 여기까지 하겠습니다. 다음 주에는 새로운 기능을 발표할 예정이니 많이 기대해 주세요.”)을 style 필드만 바꿔 만들었습니다. 속삭이면 성대가 울리지 않으니 유성음 비율이 떨어지고, 느리게 말하면 길이가 늘어야 합니다.
표로 보기: 음량과 판정 모델 결과 포함
| 3.8 Flash(각 2회) | 길이 | 음량 | 유성음 비율 | 음 높이 | 판정 모델 |
|---|---|---|---|---|---|
| 지시 없음 | 5.8~6.1초 | -17dB | 0.67~0.79 | 127~138Hz | 보통 2/2 |
whispering softly | 8.2초 | -31~-36dB | 0.00~0.04 | - | 속삭임 2/2 |
shouting with excitement | 6.9~7.0초 | -16~-17dB | 0.62 | 207~284Hz | 신나게 외침 2/2 |
speaking very slowly and calmly | 13.7~13.9초 | -17~-20dB | 0.62~0.68 | 114~118Hz | 느리고 차분함 2/2 |
외침은 음량이 거의 그대로인 대신 음 높이로 표현됐다
Flash-Lite도 같은 방향으로 움직였습니다(속삭임 유성음 비율 0.00~0.06, 느리게 약 2배). 다만 외침과 느리게는 판정 모델이 2회 중 1회만 그렇게 들었습니다.
지시 없음
whispering softly
shouting with excitement
speaking very slowly and calmly
긴 글을 한 번에: 5분까지는 뭉개지지 않았습니다
예전 모델은 긴 대본을 한 번에 만들면 뒤로 갈수록 발음이 뭉개져서, 제 팟캐스트 스킬은 대본을 620자씩 나눠 만듭니다. 문서는 3.8을 “긴 글에서도 흔들리지 않는” 모델로 소개합니다. 50줄, 2,309자 대본을 나누지 않고 한 번에 넣었습니다.
전체를 받아써 대본과 글자 단위로 맞추고, 앞·중간·뒤 세 구간의 오류율(CER, 공백과 문장부호 제외)을 구했습니다. 판정 모델 두 개로 받아쓴 결과의 범위입니다.
표로 보기: 회차별 범위
| 모델(각 2회) | 음성 길이 | 생성 시간 | 앞 | 중간 | 뒤 |
|---|---|---|---|---|---|
| 3.8 Flash | 5분 2초, 5분 11초 | 34~37초 | 2.5~3.3% | 0.9~3.4% | 0.0~2.4% |
| 3.1 Flash | 4분 37초, 4분 42초 | 106~108초 | 0.9~2.7% | 0.4~2.5% | 0.5~2.7% |
두 모델 모두 뒷부분 오류율이 늘지 않았습니다. 예전에 겪은 문제는 이번 5분 분량에서는 재현되지 않았습니다. 3.8은 3배 빨랐습니다. 한 편을 네 구간으로 나눈 음 높이 편차는 3.8이 진행자 6%, 게스트 4%와 16%, 3.1이 진행자 9~12%, 게스트 6~8%로, 한 번에 만들어도 흔들림이 없어지지는 않았습니다. 3.1은 새 API(Interactions)에서 화자 지정을 받지 않아 예전 방식(generateContent)으로 만들었습니다.
스트리밍: 첫 소리는 1.7초
stream: true로 요청하면 첫 음성 조각이 1.65~1.74초 만에 도착했습니다(3회). 같은 문장의 전체 완료는 스트리밍 16.5~23.5초, 일반 요청 13.5~14.8초로 스트리밍이 오히려 느렸습니다. 팟캐스트처럼 파일로 받을 때는 일반 요청이 낫고, 음성 비서처럼 바로 말을 시작해야 할 때 쓸 기능입니다.
측정하지 않은 것
130개 언어 지원, μ-law·A-law 같은 출력 형식, Batch·Flex 요금제는 이 글에서 시험하지 않았습니다.
읽을 때 감안할 점
- 표본이 작습니다. 인라인 태그와 style은 모델당 2회, 긴 글은 2회, 한국어·설계 목소리 일관성과 고유명사는 3회입니다.
- 판정을 모델에게 맡겼습니다. 받아쓰기와 청취 판정은 Gemini 음성 인식 모델 두 개로 따로 받아, 둘이 일치한 것만 결론으로 썼습니다.
- 한국어 목소리와 설계 목소리는 한 쌍씩만 시험했습니다. 다른 목소리에서는 결과가 다를 수 있습니다.