Together AI, 자연스러운 다국어 전환 지원하는 Rime Arcana V3 음성 모델 출시

섹션별 상세

Rime Arcana V3 Turbo 모델은 영어와 스페인어가 혼용되는 이중 언어 환경에서 최적의 성능을 발휘하도록 설계되었다. 실제 이중 언어 사용자의 음성 패턴을 학습하여 문장 중간에 언어가 바뀔 때 발생하는 일시 정지 위치나 강세 변화를 자연스럽게 재현한다. Together AI 전용 엔드포인트 기준 약 120ms의 TTFA(Time-to-First-Audio)를 달성하여 실시간 대화에 적합한 반응 속도를 제공한다.

Rime Arcana V3 모델은 총 11개 언어를 지원하며 단일 모델 내에서 언어 간 자유로운 전환이 가능하다. 기존에는 언어별로 별도의 TTS 모델을 라우팅해야 했으나, V3는 하나의 엔드포인트에서 다국어를 처리하므로 인프라 관리 비용을 절감하고 언어 전환 시의 음색 및 운율 일관성을 유지한다. 이 모델의 평균 TTFA는 약 160ms 수준으로 측정되었다.

Together AI 플랫폼은 음성 에이전트 구축을 위해 LLM, STT, TTS 워크로드를 동일한 인프라 내에 공동 배치(Co-location)한다. 이러한 구조는 네트워크 지연 시간을 최소화하여 전체 파이프라인(인식-추론-합성)의 지연 시간을 인간이 자연스럽게 느끼는 700ms 임계값 이내로 유지하게 돕는다. 개발자는 단일 API와 통합된 모니터링 도구를 통해 전체 음성 파이프라인을 관리할 수 있다.

다국어 메트로 지역의 고객 센터나 금융, 의료와 같은 규제 산업에서 활용도가 높다. 사용자가 전문 용어는 영어로, 증상이나 상황 설명은 모국어로 말하는 실제 대화 패턴을 정확히 지원함으로써 자동화된 시스템의 사용자 유지율을 높인다. 또한 높은 동시 접속 처리 능력을 갖춰 대규모 콜센터 운영 시 GPU 효율성을 극대화할 수 있다.

용어 해설

코드 스위칭(Code-switching): — 대화 중 한 언어에서 다른 언어로 자연스럽게 전환하는 현상이다. 다국어 환경의 사용자가 문장 중간에 언어를 섞어 쓰는 패턴을 의미하며, 음성 AI에서는 언어 경계에서도 억양과 리듬을 유지하는 것이 핵심 기술이다.
첫 오디오 생성 시간(Time-to-First-Audio (TTFA)): — 사용자의 입력이 끝난 후 시스템이 첫 번째 음성 출력을 생성할 때까지 걸리는 지연 시간이다. 실시간 대화형 AI의 반응성을 결정하는 핵심 지표로, 자연스러운 대화를 위해 보통 700ms 이내의 전체 파이프라인 지연 시간이 요구된다.
운율(Prosody): — 언어의 리듬, 강세, 억양 등 음성적 특징을 포괄하는 개념이다. 텍스트를 음성으로 변환할 때 단순히 단어를 읽는 것을 넘어 감정과 문맥에 맞는 자연스러운 소리를 만드는 데 필수적인 요소이다.
음성 인식(STT): — 음성 신호를 텍스트 데이터로 변환하는 기술(Speech-to-Text)이다. 음성 에이전트 파이프라인의 첫 단계로, 정확도와 처리 속도가 전체 시스템의 성능에 직접적인 영향을 미친다.