Gemini 3.8 TTS: 자연어로 목소리를 만들고 줄 단위로 연기를 지시한다
Gemini 3.8 text-to-speech
TL;DR Highlight
Gemini 3.8 Flash TTS는 프롬프트로 목소리를 만들고 대사를 줄마다 연출한다
Who Should Read
음성 에이전트나 오디오북·더빙 기능에 쓸 TTS API를 고르고 있는 백엔드 개발자
Core Mechanics
- TTS 모델이 둘로 나뉜다
- Gemini 3.8 Flash TTS는 캐릭터 보이스 설계와 세밀한 연출용이다.
- Gemini 3.8 Flash-Lite TTS는 대량 더빙·콘텐츠·음성 에이전트용이다.
- 프롬프트로 목소리를 새로 만든다
- 역할·억양·음색을 자연어로 지정해 100개 넘는 언어와 방언에서 보이스를 만든다.
- 기본 제공 보이스는 2,000개 이상이다.
- 30초 샘플로 목소리를 복제한다
- 본인 목소리나 사용 권한이 있는 목소리의 30초 샘플이면 된다.
- 음성 소유자의 동의 녹음 검증, SynthID 워터마크, C2PA 크리덴셜이 붙는다.
- 대사를 줄 단위로 연출한다
- 연기 지시, 속도, 방언 전환, 맞장구(backchanneling, 상대 말에 끼어드는 추임새)를 제어한다.
- <laughs>, <sigh>, <gasp> 같은 비언어 큐와 |mhm|, |yeah| 같은 추임새를 스크립트에 넣는다.
- 긴 오디오와 2인 대화를 지원한다
- 몇 시간짜리 연속 오디오에서도 화자 변질(speaker drift)을 최소화한다고 한다.
- 한 스크립트로 2명이 번갈아 말하는 장면을 만든다.
Community Reactions
- 프롬프트 무시와 연출 한계를 지적한 의견
- 데모 대부분에서 프롬프트의 핵심 요소 일부가 무시된다는 의견이 있었다.
- Monologue 데모는 <chuckles>, <laughing> 큐를 무시한다는 지적도 있었다.
- Eleven v3에서 갈아탄 경험
- 사내 앱의 듣기 기능에서 Eleven v3 TTS를 3.8로 교체해 봤더니 표현력이 비슷하게 뛰어났다는 경험이 있었다.
- 연동도 아주 쉬웠다고 한다.
- 비용과 롤아웃 관련 반응
- 대화 모드로 실험해 봤더니 대부분 1센트 미만이었다는 경험이 있었다.
- AI Studio에서 Voice Design 생성 오류가 나고, 가격 안내가 없다는 불만도 있었다.
- 플랫폼별 기능 차이에 대한 불만
- Google의 소비자·프로슈머·클라우드 플랫폼마다 제공 범위와 기능이 달라 조직 정책에 따라 못 쓸 수 있다는 의견이 있었다.
- 로컬 대안이 있다는 정보
- Gemma 4와 Qwen3 TTS Voice Design으로 로컬 오디오북 생성기를 만들었다는 사례가 있었다.
- 8GB GPU에서 돌고 인용구 화자 식별 정확도는 97.2%(485/499)라고 한다.
How to Apply
- AI Studio 오디오 플레이그라운드에서 내 대본 돌려보기
- 오늘 실제 서비스 대사 5~10줄을 2인 대본 편집기에 넣는다.
- 줄마다 연기 지시와 <laughs> 같은 큐를 붙여 반영 여부를 확인한다.
- 현재 TTS와 같은 문장으로 A/B 듣기 테스트하기
- 같은 대본을 기존 TTS와 Flash TTS, Flash-Lite TTS로 각각 생성한다.
- 표현력·큐 반영·화자 일관성을 체크리스트로 비교한다.
- 대량·실시간은 Flash-Lite부터 검증하기
- 더빙이나 음성 에이전트 후보 구간에 Flash-Lite TTS를 먼저 적용한다.
- 품질이 모자란 대사만 Flash TTS로 올린다.
- 보이스 복제 기능은 지역과 동의 절차 먼저 확인하기
- 서비스 대상 지역이 일리노이, 텍사스, EEA, 영국, 스위스, 인도인지 확인한다.
- 해당되면 AI Studio 복제를 쓸 수 없으므로 대안을 정한다.
Try It
# Claude나 ChatGPT에 붙여넣기 (Gemini 3.8 TTS용 줄 단위 연출 대본 만들기, 논문 방법의 간이 버전)
너는 TTS 연출가다. 아래 대사를 2인 대화 스크립트로 바꿔라.
- 화자 A, B의 목소리 설명을 자연어로 한 줄씩 먼저 써라 (역할, 억양, 말투).
- 각 대사 앞에 괄호로 연기 지시(톤, 속도, 감정)를 붙여라.
- 필요한 곳에만 <laughs>, <sigh>, <gasp> 같은 비언어 큐와 |mhm|, |yeah| 같은 맞장구를 넣어라.
{{원본 대사나 설명문}}
이어서 해 볼 것: 결과를 Google AI Studio 오디오 플레이그라운드의 듀얼 스피커 편집기에 붙여 넣고 어떤 큐가 반영되는지 확인하라.Terminology
관련 논문
Mercury 3: 규모를 키운 diffusion LLM, 초당 1,000토큰 이상
Diffusion LLM을 40배 키웠더니 속도 4~8배, 품질은 속도 특화 모델 수준
Timestral: Mistral의 시계열 파운데이션 모델
209M 파라미터 시계열 모델이 3대 벤치마크 1위, CPU에서도 돌아간다
DeepSeek V4.1 Flash 1017 (Max) 성능·속도·가격 분석
DeepSeek V4.1 Flash 1017 Max는 지능 지수 45에 211 tok/s, 입력 $0.30
LLM 프록시를 직접 안 돌리면 무슨 일이 벌어지는지 어떻게 아나
자체 LLM 프록시를 세웠더니 키·모델·캐시 미스를 직접 볼 수 있다
DeepSeek V4.1 Flash 1017: 싼 가격에 1M 컨텍스트를 주는 에이전트용 모델
DeepSeek V4.1 Flash 1017은 입력 $0.05/M, 1M 컨텍스트의 에이전트용 모델
DeepSeek-V4.1-Flash-1017 공개: 더 짧게 생각하고 더 빠르게 일하는 에이전트용 모델
DeepSeek V4.1 Flash 마이너 업데이트로 코딩·에이전트 벤치 점수↑, 실행 시간·출력 길이↓
Llmspeed: 로컬 LLM 속도를 하드웨어 구매 전에 체감해 보는 시뮬레이터
GPU·모델을 고르면 로컬 LLM 속도를 미리 체감하게 해 주는 시뮬레이터