"'가난하게 컸어?' 슬프게 읽어줘"...카카오 카나나-오, 속도·억양도 조절

GPT-4o 넘어서…"음성 기술 꾸준히 발전시킬 것"

카카오는 자체 개발 옴니 인공지능(AI) 모델 '카나나-오(Kanana-o)'의 음성 생성 기술을 한 단계 발전시켰다고 4일 밝혔다. 

회사는 이용자가 원하는 말투와 감정, 억양까지 자연어 지시만으로 제어할 수 있도록 음성 생성 기술을 고도화했으며, 자체 개발 음성 토크나이저를 통해 생성 속도와 효율도 함께 높였다.

기존 음성 AI가 자연스럽게 텍스트를 읽는 데 초점을 맞췄다면, 새롭게 개선된 카나나-오는 이용자의 지시에 따라 음성 표현 자체를 제어해준다. 이용자가 "아주 빠르게 읽어줘", "낮은 목소리로 읽어줘", "슬픈 목소리로 읽어줘", "경상도 사투리로 읽어줘"와 같이 자연어로 원하는 발화 방식을 말하면 AI가 ▲속도 ▲음량 ▲음높이 ▲감 ▲억양 ▲강도까지 세밀하게 반영해 음성을 생성해준다.

(사진=카카오)

이 밖에도 "스포츠 중계하듯", "아나운서처럼", "동화책을 읽어주듯" 등 역할 기반의 지시에 이어 "톤을 낮춰서 빠르게 슬픈 목소리로 읽어줘"와 같이 여러 조건을 동시에 담은 복합 지시도 수행할 수 있다. 한국어 데이터를 중심으로 학습했음에도, 영어 음성 생성에서도 동일한 발화 지시를 무리 없이 수행하는 것이 특징이다.

카나나-오는 발화 지시 이행 능력을 평가하는 'InstructTTSeval' 한국어 벤치마크에서 94.50점을 기록했다. 이는 GPT-4o-mini-tts(91.10점)를 넘어서는 수준으로, 구글 Gemini-2.5-flash-preview-tts(95.38점)와 견줄 만한 성과다.

음성 생성의 품질뿐 아니라 속도와 효율도 향상됐다. 카카오는 이를 위해 자체 개발한 음성 토크나이저 'LM-SPT(LM-aligned SPeech Tokenizer)'를 새롭게 적용했다. LM-SPT는 AI가 음성을 보다 적은 수의 토큰으로 압축해 표현하는 기술로, AI가 처리해야 하는 데이터의 양을 줄여 빠르고 효율적으로 음성을 생성할 수 있도록 한다.

LM-SPT는 다양한 음성 언어모델의 한국어, 영어 음성 이해와 생성 능력을 비교한 평가에서 ▲Mimi ▲DualCodec ▲CosyVoice2 등 최신 글로벌 기술을 적용한 모델에 비해 우수한 성능을 보였다. 합성된 음성의 자연스러움과 화자 유사도를 청취 후 지표화 하는 전문가 평가에서도 가장 높은 점수를 기록했다.

카카오는 향후 카나나-오 음성 기술을 꾸준히 발전시켜 나갈 계획이다. 음성 이해 및 생성 능력을 하나의 통합 구조로 처리하는 연구를 통해 음성 처리 기술을 고도화하고, 자연스럽고 끊김 없는 음성 경험을 제공하는데 집중할 예정이다. 이 밖에도 ▲웃음 ▲한숨 ▲감탄 같은 비언어적 표현을 자연스럽게 생성하는 기술 등 세밀한 음성 제어를 위한 개발을 이어갈 계획이다.

노병석 카카오 유니파이드 파운데이션 모델 성과리더는 "이번 음성 기술 고도화는 사람처럼 자연스러운 음성 생성과 이용자가 원하는 말투와 감정, 억양까지 자연어 지시에 따라 표현할 수 있는 능력을 갖추는 데 초점을 뒀다"며 "향후 다양한 서비스에 적용해 자연스럽고 편리한 AI 음성 경험을 제공할 것"이라고 말했다.