Google Gemini 3.1 Flash TTS

오디오 태그는 대표 기능이다. 자연어 명령을 텍스트에 바로 넣는다. 예를 들어 [very fast]나 [sarcastically, one slow word at a time]라고 쓰면 모델이 그에 맞춰 연기한다. 정해진 목록이 없어서 평범한 단어로 태그를 써도 모델이 최선을 다해 해석한다. [cough], [sighs], [gasp] 같은 비언어 소리도 더할 수 있다. 짧은 태그, 큰 변화다.

Gemini 3.1 Flash TTS는 70개 이상 언어를 아우르고, 하나의 평평한 말투 대신 지역 억양을 제공한다. 그래서 같은 대본도 하나의 일반적인 목소리로 번역된 듯하지 않고 진짜 그 지역처럼 들릴 수 있다. 예를 들어 영어에는 Southern US, California Valley, Brixton, 표준 영국식 같은 억양이 있다. 모델이 입력 언어를 스스로 감지하므로 손으로 표시할 필요가 없다.

모델은 한 번의 출력에서 여러 목소리를 만들어 내고, 각 목소리를 발화가 바뀌어도 일관되게 유지한다. 각 캐릭터에 오디오 프로필을 지정한 뒤 감독 노트로 화자마다 속도와 어조, 억양을 전환한다. 긴 대화가 중간에 같은 목소리로 흐르지 않는다.

장면 연출은 녹음 전체의 맥락을 정한다. 배경과 대화 지시를 서술한다. 모델은 그 세계관을 활용해 캐릭터를 역할에 붙잡아 둔다. 긴장된 심문실로 잡힌 장면은 심야 편의점과 다르게 읽히고, 모델은 그런 신호에 반응한다. 같은 대본, 다른 방. 전달이 달라진다.

수천 건의 블라인드 인간 선호로 만든 지표인 Artificial Analysis의 TTS 리더보드에서 이 모델은 Elo 1,211을 기록했다고 Google은 밝힌다. 회사는 이를 지금까지 가장 자연스럽고 표현력 있는 음성 모델이라고 부른다. Artificial Analysis도 품질과 비용의 균형 부문에서 "가장 매력적인 사분면"에 올렸다. 숫자만으로 다 설명되지는 않지만, 그 점수는 최상위에 가까운 위치를 보여 준다.

모델이 생성한 모든 클립에는 SynthID 워터마크가 붙는다. 음성과 함께 따라다니고 Google이 제공하는 도구로 확인할 수 있는, Google의 보이지 않고 기계 검증이 가능한 표식이다. 플랫폼과 감사자가 그 음성이 이 모델에서 나왔음을 확인하게 해 준다. 음성 복제와 허위 정보를 걱정하는 발행자에게는 추가 옵션이 아니라 기본 내장된 출처 확인이다.

AI Studio에서 목소리를 조정하고 나면 설정 전체를 Gemini API 코드로 내보낼 수 있다. 그러면 프로젝트를 넘어서도 캐릭터의 소리가 일관되게 유지되어, 앱을 바꿀 때마다 목소리를 처음부터 다시 만들지 않아도 된다. 같은 내레이터를 두 제품에서 쓰고 싶다면? 한 번 내보내고 어디서든 재사용하면 된다.