Together AI, 업계 최고 수준의 음성 합성 모델 MiniMax Speech 2.6 Turbo 출시

섹션별 상세

MiniMax Speech 2.6 Turbo는 Artificial Analysis Arena에서 인간 평가 1위를 기록한 최상위권 TTS 모델이다. 기존 모델들이 오디오북이나 팟캐스트 낭독 데이터를 학습한 것과 달리, 1억 5천만 명의 사용자를 보유한 Talkie의 실제 대화 데이터를 기반으로 학습되어 대화의 맥락에 맞는 자연스러운 호흡과 억양을 구현한다.

40개 이상의 글로벌 언어를 지원하며 문장 중간에서도 실시간으로 언어를 전환하는 스트리밍 인라인 스위칭 기능을 제공한다. 모델이 언어 경계를 자동으로 감지하여 원어민 수준의 발음으로 즉시 전환하므로, 다국어 사용자를 대상으로 하는 글로벌 서비스 배포에 최적화되어 있다.

별도의 프롬프트 엔지니어링 없이도 텍스트의 의미적 맥락을 분석하여 자동으로 감정을 조절한다. LLM이 사과하는 문장을 생성하면 모델이 이를 감지해 공감하는 톤으로 출력하며, 경고나 인사 등 상황에 맞는 운율을 자동으로 적용하여 대화의 몰입도를 높인다.

단 10초의 오디오 샘플만으로 특정 목소리를 복제할 수 있으며, 복제된 목소리는 40개 이상의 언어를 원어민 억양으로 구사할 수 있다. 배경 소음이나 부정확한 발음이 포함된 샘플에서도 고유의 음색을 정확히 추출하여 브랜드 고유의 목소리를 전 세계에 일관되게 적용할 수 있는 기능을 제공한다.

Together AI의 전용 GPU 엔드포인트를 통해 250ms 미만의 초저지연 성능을 보장한다. TTS를 LLM 및 STT 워크로드와 동일한 인프라에 배치함으로써 공급업체 간 네트워크 오버헤드를 제거하고, 실시간 대화형 AI 파이프라인 전체의 속도를 극대화했다.

용어 해설

음성 합성(TTS): — 텍스트를 인공적인 음성으로 변환하는 기술이다. 딥러닝을 통해 인간의 목소리 톤, 억양, 감정을 모방하여 자연스러운 대화를 가능하게 하며, 고객 서비스나 콘텐츠 제작에 핵심적으로 사용된다.
지연 시간(Latency): — 시스템에 입력이 들어온 후 결과가 출력되기까지 걸리는 시간이다. 실시간 음성 에이전트에서는 대화의 흐름을 유지하기 위해 250ms 이하의 낮은 지연 시간이 필수적이다.
음성 복제(Voice Cloning): — 짧은 오디오 샘플을 분석하여 특정 인물의 목소리 특징을 학습하고 재현하는 기술이다. 10초 정도의 짧은 샘플만으로도 원본의 음색과 습관을 유지하며 여러 언어를 구사하게 할 수 있다.
운율(Prosody): — 말소리의 고저, 강약, 장단 등 언어의 리듬과 멜로디를 의미한다. 자연스러운 음성 합성을 위해서는 문맥에 맞는 적절한 운율 처리가 감정 표현과 전달력에 결정적인 역할을 한다.
전용 엔드포인트(Dedicated Endpoint): — 특정 사용자나 애플리케이션을 위해 격리된 컴퓨팅 자원을 할당하는 방식이다. 공용 자원과 달리 성능 간섭이 없어 안정적인 추론 속도와 높은 가용성을 보장한다.

기술

MiniMax Speech 2.6 Turbo
Together AI Infrastructure
Cartesia
Rime
WebSocket

활용 사례

실시간 고객 서비스 음성 에이전트
다국어 오디오북 및 교육 콘텐츠 제작
게임 및 인터랙티브 엔터테인먼트 캐릭터 음성
글로벌 브랜드 보이스 복제 및 배포

언급된 리소스

API DocsTogether AI TTS Documentation

문서Artificial Analysis Arena