AI 음성과 오디오. 음성 합성, 실시간 대화, 음악 생성, 음성 인식과 이해.
xAI는 짧은 녹음으로 자신의 목소리를 복제해 Grok Text to Speech와 Voice Agent API에서 사용할 수 있는 Custom Voices를 발표했다. xAI 콘솔에서 약 1분 분량의 자연스러운 음성을 녹음하면 2분 이내에 실서비스에 쓸 수 있는 음성 모델이 만들어진다. Text to Speech와 Voice Agent API에서 사용해도 추가 요금은 없다.
선정 이유: 녹음으로 음성 클론을 만드는 절차와 본인 확인의 2단계 검증, 추가 요금이 없다는 조건이 구체적으로 제시되어 있어 도입 여부를 판단하기 쉽다.
xAI는 Grok Voice 기반으로 실서비스용 음성 에이전트를 설정할 수 있는 노코드 플랫폼 「Voice Agent Builder」를 베타 공개했다. 전화 회선, 지식 검색, 도구, 가드레일, MCP, 관측 기능을 한곳에서 사용할 수 있다. 요금은 API 요금 기준 분당 $0.08이며, 플랫폼 이용료는 별도로 부과되지 않는다.
선정 이유: 통화 구축부터 요금 체계까지 하나의 화면과 소수의 과금 항목으로 정리되어 있어, 기존 음성 기반 서비스와의 차이를 비교하는 자료로 활용할 수 있다.
xAI는 speech-to-speech 모델 Grok Voice 3.0을 발표하고 같은 날부터 API로 제공을 시작했다. Artificial Analysis의 Speech-to-Speech Index에서 86.9점으로 1위를 차지했으며, 지연 시간은 1초 미만이라고 밝혔다. 요금은 이전 세대와 같은 $0.08 / min($4.80 / hr)이다.
선정 이유: 독립 평가 기관의 점수와 경쟁 모델과의 비교, 요금과 도입 실적이 함께 정리되어 있어 음성 에이전트를 선택할 때 참고하기 좋다.
Google은 9월 AI 관련 발표를 정리하며 최신 프런티어 모델 Gemini 4 Argon을 가장 앞에 꼽았다. 출력 상한은 100만 토큰이며, 현재는 Fairwind Program을 통해 신뢰할 수 있는 사이버 방어 담당자에게 제공하고 있다. 이 밖에도 Gemini 3.8 Flash, Gemini 앱의 Connected Apps, WeatherNext 3, Googlebook 사전 예약 접수 등을 소개했다.
선정 이유: Gemini 4 Argon을 중심으로 음성, 연동 앱, 날씨 예보, 게놈 연구까지 9월 발표가 한눈에 정리되어 있어 전체 흐름을 파악하기 좋다.
Google이 지원 Android 기기의 Gemini Live에서 카메라 영상을 음성으로 실시간 설명하는 'Guided Vision'의 제공을 시작했다. 시각장애인과 저시력자를 주요 대상으로 하며, 주변 설명, 추가 질문에 대한 답변, 카메라 방향을 바로잡는 음성 안내를 지원한다. Android 9 이상에서 Gemini Live를 사용할 수 있는 지역과 언어에서 이용할 수 있다.
선정 이유: 시각장애인을 위해 카메라 공유 기반 음성 안내를 제공하며, 실행 방법과 이용 조건, 길 안내 용도로는 쓸 수 없다는 제한까지 구체적으로 보여준다는 점에서 추천한다.
Google이 음성 생성 모델 Gemini 3.8 Flash TTS와 Gemini 3.8 Flash-Lite TTS를 발표했다. 자연어 프롬프트로 새로운 목소리를 만들 수 있으며, 100개 이상의 언어와 방언을 지원한다. 오늘부터 Gemini API와 Google AI Studio에서 이용할 수 있고, Gemini Notebook과 Google Vids에도 순차적으로 제공된다.
선정 이유: 음성 설계, 복제, 줄 단위 연출 지시까지의 기능과 제공처가 정리되어 있어, TTS를 제작이나 개발에 도입할 때 비교 자료로 쓸 수 있다.
Google DeepMind는 음성 대화 모델 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking을 발표했다. 전자는 규모와 비용 효율, 후자는 복잡한 작업을 위해 설계되었다. Extended Thinking은 Artificial Analysis의 Speech to Speech Quality Index에서 종합 1위(82.6)를 차지했으며, 두 모델 모두 오늘부터 순차적으로 제공된다.
선정 이유: 비용을 중시하는 Live와 고난도 작업용 Extended Thinking, 두 모델의 포지셔닝과 벤치마크 결과, 제공 범위가 한눈에 정리되어 있다.
Google가 음성 대화 모델 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking을 발표했다. 전자는 규모와 비용 효율성을, 후자는 고도의 다단계 추론을 중시하고 있다. Extended Thinking은 Artificial Analysis의 Speech to Speech Quality Index에서 82.6점으로 1위를 차지했으며, 두 모델 모두 발표일부터 순차적으로 제공이 시작되고 있다.
선정 이유: 저비용용과 고난도 작업용의 2개 모델 구성으로, 음성 에이전트의 평가 지표와 제공처가 구체적으로 제시되어 용도에 따른 선택을 검토하기 쉽다.
Google이 8월 AI 관련 발표를 정리했다. Gemini 3.7 Flash, Gemini 3.5 Transcribe, Pixel 11 시리즈 등을 공개했다. Gemini 앱의 월간 이용자 수가 10억 명을 넘었다고 설명했다.
선정 이유: Gemini 3.7 Flash, Pixel 11, Gemini Omni 1.1 Flash 등 8월 발표를 한눈에 볼 수 있어 Google의 제품 전개 전체 모습을 파악하기 쉽다.
Google이 70개 이상 언어에서 거의 실시간으로 음성을 음성으로 번역하는 음성 모델 Gemini 3.5 Live Translate를 공개했다. 화자의 억양, 말하는 속도, 음높이를 유지한 자연스러운 번역 음성을 생성한다. 개발자를 위해 Gemini Live API와 Google AI Studio에서 퍼블릭 프리뷰로 제공되며, Google 번역 앱(Android, iOS)에도 적용이 시작됐다.
선정 이유: 개발자용 API, Google Meet, Google 번역 앱으로의 적용 범위가 한꺼번에 정리되어 있어 이용 경로를 비교하기 쉽다.
Mistral AI가 음성 인식 모델 패밀리 Voxtral Transcribe 2를 공개했다. 배치용 Voxtral Mini Transcribe V2와 지연 시간을 200ms 미만까지 설정할 수 있는 실시간용 Voxtral Realtime으로 구성된다. Realtime은 4B 파라미터 규모로 Apache 2.0 오픈 웨이트 형태이며 Hugging Face Hub에서 배포된다. Mini Transcribe V2의 API 요금은 1분당 $0.003이다.
선정 이유: 배치용과 실시간용 두 모델에 대해 지연 시간 설정, 요금, 지원 언어가 나란히 제시되어 용도별 선택을 판단하기 쉽다.
Mistral AI는 음성 이해 모델 Voxtral을 공개했다. 프로덕션용 24B와 로컬·엣지용 3B, 두 가지 크기로 제공되며 모두 Apache 2.0 라이선스다. API는 $0.001 per minute부터 이용할 수 있으며, Voxtral Mini Transcribe는 OpenAI Whisper를 웃도는 성능을 절반 미만의 가격으로 제공한다고 밝혔다.
선정 이유: 음성 인식과 음성 이해를 하나의 모델로 처리하도록 설계되어 있으며, Whisper 등 타사 API와의 비교와 가격이 제시되어 있어 도입 판단의 근거로 활용하기 좋다.