어셈블리AI, 어셈블리AI-TTS-1(AssemblyAI-TTS-1) 음성 합성 정식 출시

음성 합성은 말을 알아듣는 음성 인식과 반대 방향의 처리다. 이 서비스가 받는 입력은 텍스트이며 출력은 오디오다. 제품 페이지는 동시 요청 증가에 맞춰 사용량으로 과금하고, 별도 사전 약정 없이 처리한다고 설명한다. 대화를 이해하고 업무를 수행하는 전체 AI가 무료로 포함된다는 뜻은 아니며, 발표된 가격은 음성을 만드는 단계의 요금이다.

문자 과금에는 공백과 문장부호도 포함된다. 제품 안내는 음색별 추가 비용과 최소 이용액, 사용량 과금에서의 계약 의무가 없다고 명시한다. 따라서 같은 통화 시간이라도 입력한 텍스트 양에 따라 합성 비용은 달라진다. 분당 가격으로 고정 환산하려면 실제 발화 분량을 알아야 하므로, 이 발표만으로 통화 한 건의 비용을 단정할 수는 없다.

제공되는 음색 목록 외에 짧은 녹음으로 목소리를 복제하는 기능도 있다. 제품 설명은 업로드 때 화자의 허락을 확인하도록 안내한다. 지원 언어 수와 음색 수는 다른 정보다. 여러 억양과 목소리를 고를 수 있더라도 출시 언어 여섯 개에 한국어가 추가되는 것은 아니며, 향후 언어 확대 계획을 현재 지원으로 계산해서도 안 된다.

속도 수치에는 측정 기준 차이가 있다. 회사가 10월 28일자 비교표에 제시한 첫 오디오 바이트 수신 시간의 중앙값은 47밀리초였다. 같은 클라이언트에서 업체별 API에 한 번에 한 요청씩 보낸 결과다. 실제 네트워크와 지역을 고려한 첫 음성 시간은 90밀리초로 안내했다. 두 값은 같은 지표의 상·하한이 아니며, 음성 인식과 답변 생성까지 포함한 최종 통화 지연을 측정한 값도 아니다.

10월 28일 공개한 기술 설명은 한 번의 요청에 전체 문장을 보내는 HTTP 방식과, 연결을 유지하며 텍스트를 보내고 음성을 받는 웹소켓(WebSocket) 방식을 구분한다. 후자는 대화마다 하나의 연결을 유지하면서 여러 발화 요청을 처리한다. 이는 이미 완성한 오디오 파일을 내려받는 것과 달리, 대화가 진행되는 동안 텍스트와 음성의 흐름을 이어 가는 기능이다.

같은 기술 설명에는 말을 끊는 상황의 처리도 나온다. 듣는 사람이 끼어들면 진행 중인 합성을 취소할 수 있고, 답변 텍스트를 점진적으로 보내다가 출력할 구간을 확정할 수 있다. 단어별 시각 정보도 반환한다. 이런 기능은 자연스러운 목소리의 품질과 별개로, 통화 시스템이 발언 순서와 재생 상태를 관리하는 데 필요한 동작이다.

동시 접속 제한이 없다는 상품 설명과 연결의 운영 제한은 구별된다. 기술 문서는 전송이 없는 상태가 2분 이어지면 연결이 닫히고, 연결 하나의 최대 수명은 한 시간이라고 설명한다. 연결 유지 신호와 분당 새 연결 수에도 제한이 있다. 동시 요청을 늘릴 수 있다는 것이 모든 연결을 무기한 유지하거나 새 연결을 제한 없이 만들 수 있다는 뜻은 아니다.

출시 발표는 정교하게 추가 학습한 음성 복제, 전용 발음 사전과 감정 태그가 아직 제공되지 않는다고 명시했다. 발음을 세밀하게 지정하는 음성 합성 마크업 언어(SSML)와 속도 설정도 당시 지원하지 않았다. 이번 서비스의 변화는 합성의 가격과 스트리밍 제공 방식에서 확인된다. 통화 성공률이 높아진다는 홍보 문구를 입증할 독립적인 운영 성과는 이 자료에 제시되지 않았다.