문장부호로 억양·멈춤 반영…한국어는 지원 언어 목록에 없어

어셈블리AI(AssemblyAI)의 음성합성 모델 AssemblyAI-TTS-1은 입력 문장에 따라 물음표를 상승 억양으로, 말줄임표를 멈춤으로 반영한다. 문장부호가 음성의 전달 방식에도 영향을 주는 구조다.

어셈블리AI는 10월 27일 공개한 모델 출시 안내에서 철자와 문장부호를 입력된 형태대로 반영한다고 밝혔다. 이는 AssemblyAI-TTS-1에 관한 회사 설명이다.

출시 안내에는 물음표가 상승 억양을, 말줄임표가 멈춤을 유도하는 예시가 담겼다. 문장에 적힌 표기를 음성 출력에도 반영하는 방식이다.

입력된 “um”도 음성으로 출력할 수 있다. 문장에 머뭇거림을 표시하면 그 표현이 음성에 반영될 수 있다는 설명이다.

어셈블리AI는 대규모 언어모델(LLM)이 멈춤이나 망설임을 담은 문장을 쓰도록 프롬프트하면 TTS 출력에도 반영할 수 있다고 설명했다. 이런 효과는 해당 모델에 대한 회사 설명으로, 모든 음성합성 모델에 일반화할 수는 없다.

어셈블리AI의 기술 설명은 글에 적힌 숫자와 약어를 말할 수 있는 형태로 정리하고 발음을 정한 뒤, 억양·강세·멈춤 같은 운율을 구성하는 과정을 제시한다. TTS는 이 과정을 거쳐 텍스트를 음성으로 바꾸는 기술이다.

대화형 음성 에이전트에서는 LLM이 답변을 작성하는 동안 일부 문장을 먼저 음성으로 내보낼 수 있다. 어셈블리AI는 문장이 완성되기 전 출력을 시작하는 환경에서 응답 지연과 대화 흐름도 품질 요소로 다뤘다.

본지는 앞서 음성 인식부터 답변 생성, 음성 출력까지 어셈블리AI API 키 하나로 연결하는 구성을 다뤘다. 이번 안내는 그 구성 가운데 마지막 음성 출력 단계에서 입력 문장이 억양과 멈춤에 미치는 영향을 설명한다.

다만 문장부호 활용은 전용 운율 제어 기능과 다르다. 출시 안내 기준 AssemblyAI-TTS-1은 음성합성 마크업 언어인 SSML, 말하기 속도 매개변수, 사용자 지정 발음 사전, 감정 태그를 지원하지 않았다.

회사는 짧은 응답의 어조와 첫 음성까지의 응답 지연을 대화형 음성 품질 요소로 제시했다. 여기서 응답 지연은 말하는 속도와 구별되는 지표다.

어셈블리AI는 자체 비교 실험에서 첫 오디오 바이트까지 걸린 시간의 중앙값을 47밀리초로 제시했다. 이 수치는 회사가 사용한 측정 방식에 따른 결과다.

Cekura는 10월 28일 업데이트한 벤치마크에서 AssemblyAI-TTS-1의 스트리밍 지연 중앙값을 159밀리초로 집계했다. 시험은 27개 모델에 같은 음성 에이전트 문장 104개를 각각 세 차례씩 읽히고, 미국 동부의 단일 클라우드 리전에서 진행됐다.

Cekura는 마지막 단어를 보낸 시점부터 첫 음성이 들릴 때까지를 스트리밍 지연으로 계산했다. 어셈블리AI의 47밀리초는 첫 오디오 바이트가 돌아올 때까지의 자체 측정값이어서 두 수치를 직접 비교할 수 없다.

어셈블리AI 제품 페이지에 기재된 지원 언어는 영어·스페인어·프랑스어·독일어·이탈리아어·포르투갈어 등 6개다. 한국어는 지원 목록에 포함되지 않았다.