구글, 실시간 대화를 위한 새로운 AI 오디오 모델 'Gemini 3.1 Flash Live' 발표

섹션별 상세

기존 AI 오디오 시스템은 입력과 출력 사이의 지연 시간과 부자연스러운 억양으로 인해 대화의 흐름이 끊기는 문제가 있었다. Gemini 3.1 Flash Live는 실시간 상호작용을 위해 설계되어 음성 생성의 속도와 리듬을 대폭 개선했다. 연구에 따르면 최적의 음성 인식을 위한 지연 시간 한계는 약 300ms이며, 이 모델은 이에 근접한 성능을 목표로 한다. 이를 통해 사용자는 기계와의 대화에서 느끼는 이질감을 줄이고 더 몰입감 있는 경험을 할 수 있다.

모델의 성능을 객관적으로 검증하기 위해 다양한 오디오 관련 벤치마크 테스트가 수행되었다. ComplexFuncBench Audio 테스트 결과, Gemini 3.1 Flash Live는 복잡한 다단계 작업을 수행하는 능력이 크게 향상된 것으로 나타났다. 또한 1,000개의 오디오 질문으로 추론 능력을 평가하는 Big Bench Audio에서도 최고 수준의 성적을 기록했다. 이러한 수치는 모델이 단순한 음성 합성을 넘어 오디오 컨텍스트를 깊이 이해하고 추론할 수 있음을 보여준다.

구글은 이 모델을 자사 서비스에 통합하는 동시에 외부 개발자들에게도 생태계를 개방하고 있다. 오늘부터 일부 구글 제품에 롤아웃이 시작되었으며, 개발자들은 이 모델을 사용하여 자신만의 대화형 로봇이나 서비스를 구축할 수 있다. 이는 실시간 고객 상담, 대화형 학습 도구 등 오디오 기반 AI 서비스의 확산을 가속화할 것으로 예상된다.

용어 해설

지연 시간(Latency): — 데이터가 시스템에 입력되어 결과가 출력되기까지 걸리는 시간이다. 실시간 대화형 AI에서는 지연 시간이 짧을수록 대화의 흐름이 끊기지 않으며, 연구에 따르면 300ms 이하가 최적의 대화 경험을 제공하는 한계치로 간주된다.
억양 및 리듬(Cadence): — 말소리의 높낮이, 강약, 속도의 변화를 의미한다. AI 생성 오디오에서 자연스러운 억양은 기계적인 느낌을 줄이고 실제 사람과 대화하는 듯한 몰입감을 주는 핵심적인 요소이다.
빅 벤치 오디오(Big Bench Audio): — 1,000개의 오디오 질문을 통해 AI 모델의 추론 능력을 평가하는 벤치마크 테스트이다. 모델이 단순히 소리를 생성하는 것을 넘어 오디오 컨텍스트를 얼마나 깊이 이해하고 논리적으로 사고하는지 측정한다.

기술

Gemini 3.1 Flash Live

활용 사례

실시간 대화형 에이전트
음성 기반 고객 상담
대화형 학습 도구