[더테크 이지영 기자]  카카오가 자체 개발한 옴니 AI 모델 'Kanana-o(카나나-오)'의 음성 생성 기술을 고도화하며 자연어만으로 말투와 감정, 억양까지 제어하는 음성 AI 기술을 공개했다.

카카오는 4일 테크블로그를 통해 Kanana-o의 음성 생성 기능을 개선했다고 밝혔다. 이번 기술은 이용자가 별도의 설정 없이 자연어 명령만으로 음성의 속도와 음량, 음높이, 감정, 억양 등을 세밀하게 제어할 수 있도록 한 것이 특징이다.

기존 음성 AI가 텍스트를 자연스럽게 읽어주는 데 집중했다면, Kanana-o는 발화 방식 자체를 사용자의 의도에 맞게 조절한다. 예를 들어 "아주 빠르게 읽어줘", "낮은 목소리로 읽어줘", "슬픈 목소리로 읽어줘", "경상도 사투리로 읽어줘"와 같은 명령을 이해해 음성을 생성한다.

또 "스포츠 중계하듯", "아나운서처럼", "동화책을 읽어주듯"과 같은 역할 기반 지시는 물론, "톤을 낮춰서 빠르게 슬픈 목소리로 읽어줘"처럼 여러 조건을 동시에 반영하는 복합 명령도 수행할 수 있다. 한국어 중심으로 학습했지만 영어 음성 생성에서도 동일한 발화 지시를 지원한다.

성능도 글로벌 AI 모델과 경쟁할 수준을 기록했다. Kanana-o는 발화 지시 수행 능력을 평가하는 한국어 벤치마크 'InstructTTSEval'에서 94.50점을 획득했다. 이는 GPT-4o-mini-tts(91.10점)를 웃도는 수치이며, 구글 Gemini-2.5-flash-preview-tts(95.38점)에 근접한 성능이다.

카카오는 음성 생성 속도와 효율 향상을 위해 자체 개발한 음성 토크나이저 'LM-SPT(LM-aligned SPeech Tokenizer)'도 적용했다. 이 기술은 음성을 더 적은 수의 토큰으로 압축해 표현함으로써 AI가 처리해야 하는 데이터 양을 줄여 음성 생성 속도를 높인다.

LM-SPT는 한국어와 영어 음성 이해·생성 성능 평가에서 Mimi, DualCodec, CosyVoice2 등 최신 글로벌 음성 기술 기반 모델보다 우수한 성능을 기록했으며, 음성의 자연스러움과 화자 유사도를 평가하는 전문가 청취 테스트에서도 가장 높은 점수를 받았다.

카카오는 앞으로 음성 이해와 음성 생성을 하나의 통합 구조로 처리하는 연구를 통해 음성 AI를 더욱 고도화할 계획이다. 또한 웃음, 한숨, 감탄 등 비언어적 표현까지 자연스럽게 생성하는 기술을 개발해 보다 사람과 유사한 음성 경험을 제공한다는 방침이다.

노병석 카카오 유니파이드 파운데이션 모델 성과리더는 "이번 Kanana-o 음성 기술 고도화는 자연스러운 음성 생성뿐 아니라 이용자가 원하는 말투와 감정, 억양까지 자연어 지시에 따라 표현할 수 있도록 하는 데 초점을 맞췄다"며 "향후 Kanana-o를 다양한 서비스에 적용해 더욱 자연스럽고 편리한 AI 음성 경험을 제공하겠다"고 말했다.