구글, 텍스트 설명만으로 AI 음성을 만드는 Flash TTS 모델 공개
구글이 100개 이상 언어를 지원하는 Gemini 3.8 Flash TTS와 Flash-Lite TTS 두 음성 생성 모델을 공개했습니다. Flash TTS는 텍스트 설명만으로 새로운 음성을 처음부터 설계할 수 있고, 30초 음성 샘플로 음성 복제도 가능합니다. 두 모델 모두 대사별 연출 지시, 두 음성 대화 모드, 웃음·한숨 같은 비언어적 표현을 지원하며 Gemini API와 Google AI Studio를 통해 제공됩니다.
구글이 텍스트 설명만으로 AI 음성을 처음부터 설계할 수 있는 새로운 Flash TTS 모델 공개 마티아스 바스티안 | 2026년 9월 23일
핵심 요약
- 구글이 100개 이상 언어를 지원하는 두 개의 새로운 텍스트-투-스피치(TTS) 모델, Gemini 3.8 Flash TTS와 Flash-Lite TTS를 공개했다.
- Flash TTS는 텍스트 설명만으로 새로운 음성을 만들 수 있으며, 30초짜리 오디오 샘플로 음성 프로필을 생성하는 음성 복제 기능도 제공한다.
- Flash TTS는 팟캐스트, 오디오북, 게임 캐릭터 등 창작 용도를 겨냥하고, Flash-Lite TTS는 더빙, 오디오 콘텐츠, 음성 에이전트를 위한 대규모 저비용 음성 생성용으로 설계되었다.
- 두 모델 모두 대사별 연출 지시(stage direction), 두 음성 대화, 웃음이나 한숨 같은 비언어적 소리를 지원한다.
- Gemini API와 Google AI Studio를 통해 순차 공개되며, 이후 Gemini Enterprise API 접근도 이어질 예정이다.
구글은 음성 생성을 위한 두 개의 새로운 모델인 Gemini 3.8 Flash TTS와 Flash-Lite TTS를 선보였다. Flash TTS는 텍스트 설명만으로 새로운 음성을 만들 수 있으며, 두 모델 모두 100개 이상 언어를 지원하고 사용자가 대화 대사 각 줄에 연출 지시를 추가할 수 있다.
구글에 따르면 Gemini 3.8 Flash TTS는 게임 캐릭터, 오디오북, 팟캐스트 같은 창작 프로젝트용으로 설계됐고, Gemini 3.8 Flash-Lite TTS는 더빙, 오디오 콘텐츠, 음성 에이전트를 위한 대규모 저비용 음성 생성에 초점을 맞추고 있다.
Flash TTS로 텍스트 설명만으로 음성 생성 Gemini 3.8 Flash TTS를 사용하면 사용자가 음성을 처음부터 설계할 수 있다. 구글에 따르면 텍스트 프롬프트 하나로 다양한 언어와 방언에 걸쳐 음성의 역할, 억양, 발성 특징을 정의할 수 있다. 처음부터 시작하고 싶지 않은 사용자를 위해 구글은 멕시코식 스페인어, 퀘벡 프랑스어, 스코틀랜드 영어 같은 지역 변형을 포함해 2,000개 이상의 프리셋 음성 라이브러리도 제공한다.
음성 복제 기능은 30초짜리 오디오 샘플로 음성 프로필을 만들 수 있다. 이 기능을 사용하려면 복제되는 목소리의 당사자가 음성 동의 발언을 녹음해야 하며, 해당 녹음의 목소리가 샘플과 일치해야 한다. 구글에 따르면 Gemini 오디오 모델이 생성하는 모든 클립에는 AI 생성 음성을 감지하는 데 도움이 되는 청각적으로 들리지 않는 SynthID 워터마크가 포함된다.
구글은 라이브러리 음성의 음색, 높낮이, 속도, 억양을 조정할 수 있는 '보이스 리믹싱(Voice Remixing)' 기능도 발표했지만, 아직 사용할 수는 없다.
스크립트 연출 지시로 대화와 전달 방식 제어 두 모델 모두 사용자가 각 대사에 대한 지시를 작성하거나 모델이 스스로 스크립트 단서를 해석하게 할 수 있다. 구글은 두 모델이 최소한의 '스피커 드리프트(화자 변화)'로 수 시간 분량의 오디오를 생성할 수 있다고 말했다. 즉, 시간이 지나도 음성이 거의 변하지 않는다는 뜻이다.
회사에 따르면 두 음성 모드는 하나의 스크립트에서 대화를 생성하면서도 각 음성을 구별되게 유지한다. 사용자는 웃음, 한숨, "음흠" 같은 소리도 스크립트에 넣어 반응과 멈춤을 원하는 정확한 위치에 배치할 수 있다.
기자가 직접 진행한 두 번의 테스트에서는 프리셋 음성에 짙은 독일 억양으로 영어를 말하는 짜증 난 베를린 시민을 흉내 내달라는 스타일 프롬프트를 사용했다. 스타일 제어 기능은 설득력 있는 억양과 억양새를 만들어냈지만, 두 테스트 모두 일부 구간에서 배경에 고음의 잡음이 섞였다. 그중 하나에서는 클립 끝에서 목소리가 바뀌기도 했다.
스타일 프롬프트 예시: 외국어로 영어를 말하는 베를린 출신 독일인 남성. 짙고 확실한 독일 억양으로 말하며, 명백히 원어민이 아니다. 영어 단어를 독일식으로 발음하고, 독일어의 리듬과 억양새를 영어 문장에 적용한다. "Th"는 "z"나 "d"로 발음하고("ze", "sink", "dat"), "w"는 "v"로("vat", "vell"), 단어 끝 자음은 더 강하게 발음한다("bad"를 "bat"처럼). "r"은 목구멍에서 나는 걸걸한 소리이며 영어의 "r"이 결코 아니다. 모음은 평평하고 짧아서 미국식이나 영국식 영어의 부드러움이 없다. 목소리는 비음이 섞이고 약간 힘이 들어간 중음역대로, 허스키한 질감이 있다.