오디오에서 추론→음성 생성→실시간 소통···구글, “대화가 AI와 소통하는 핵심적인 방법될 것”

구글이 제미나이에서 제공하는 오디오 기능은 단순한 음성 합성이나 인식의 단계가 아니라 인간과 AI가 실시간으로 소통하는 가장 중요한 방법이 될 것이라고 밝혔다. 구글 I/O 2025에서 쏟아냈던 다양한 AI 서비스와 기능 중에 하나였던 AI 기반 오디오 대화 및 생성에 대한 좀 더 자세한 설명을 블로그를 통해 3일 공개했다.

제미나이 2.5 플래시 프리뷰(Gemini 2.5 Flash preview)에서 제공하는 기본적인 오디오 대화(native audio dialog) 기능은 실제 사람과 이야기하는 것처럼 자연스러운 대화(Natural conversation)가 핵심이다. 말할 때의 리듬, 웃음, 어조, 짧은 지연 시간 등을 통해 실제 사람 목소리에 가까운 대화 음성을 생성한다.

우선 스타일 제어(Style control)는 자연어 프롬프트를 활용해 대화 안에서 전달 방식을 조절하고, 특정 악센트를 선택하며 다양한 톤과 표현을 생성할 수 있다. 그래서 속삭이는 것처럼 말할 수 있다. 게다가 배경 음성, 주변 대화, 관련 없는 오디오를 구분하고 무시하도록 훈련되어 있어서, 이른바 낄 때 끼고 빠질 때 빠질 수 있다고 구글은 설명한다.

대화 중에 도구와 함수 호출이 가능한 도구 통합(Tool integration) 기능도 지원한다. 이를 활용하면 구글 검색 등으로부터 얻은 정보를 실시간으로 통합하거나, 개발자가 개발한 도구를 활용해 대화를 나눌 수 있다. 스트리밍 오디오와 비디오를 지원하기 때문에 비디오 피드(feed)나 화면 공유 내용에 관해서도 대화하는 것이 가능하다.

같은 단어를 말해도 상황에 따라 다른 대화로 이어질 수 있다는 것을 인식하는 감정적 대화(Affective dialog)를 할 수 있고, 음성 대화에서의 추론 기능을 강화해 일관되고 지능적인 상호작용이 가능한 것도 특징이다. 또한, 24개 이상의 언어를 지원하고, 여러 가지 언어를 혼합해서 사용할 수 있다.

제어 가능한 텍스트 음성 변환(Controllable text-to-speech)도 돋보이는 부분이다. 문자를 음성으로 변환할 때 흔하게 경험했던 경직되고 부자연스러운 말투 대신, 실제 사람 목소리와 가까운 톤이나 감정 표현을 프롬프트를 통해 요청하고 이를 적용한 자연스럽고 다양한 음성을 생성할 수 있다.

예를 들어 ‘놀리는 것 같은 장난스러운 말투로, 가벼우면서 도발적인 느낌의 목소리로, 낄낄 거리는 소리를 문장 안에 자연스럽게 넣으세요. [흐흐흐] 잠깐만요, [크크크] 방금 [크크] 아, 그거 좀 과한데.’ 같은 텍스틀 입력하면, 책을 읽는 것이 아니라 배우가 연기하는 것처럼 자연스러운 음성을 생성한다.

시, 뉴스 등 장르에 맞게 생동감 있는 표현을 넣거나 특정 감정을 표현하고 요청에 따라 악센트를 추가하는 역동적인 퍼포먼스(Dynamic performance), 말하는 속도를 조절하고 특정 단어를 포함한 발음의 정확성을 높이는 향상된 속도 및 발음 제어(Enhanced pace and pronunciation control) 기능을 제공한다.

구글은 “이러한 기본 오디오 기능의 모든 개발 단계에서 잠재적 위험을 사전에 평가하고, 이를 통해 얻은 정보를 바탕으로 완화 전략을 수립했다. 책임감 있는 배포를 위한 포괄적인 레드팀 구성을 포함하여 엄격한 내부 및 외부 안전 평가를 통해 이러한 조치를 검증한다. 또한 모델의 모든 오디오 출력에는 워터마킹 기술인 신스ID(SynthID)가 내장되어 있어 AI가 생성한 오디오를 식별할 수 있게 함으로써 투명성을 보장한다”고 밝혔다.
dl-ciokorea@foundryco.com