TTS 발음 벤치마크: 상용 스트리밍 모델의 실전 텍스트 처리 성능 비교

요약 브리프

실시간 스트리밍 TTS 환경에서 텍스트 정규화 성능을 비교한 결과, Async Flash v1.0이 압도적인 정확도와 낮은 지연 시간으로 1위를 차지했습니다. 기존 모델들은 날짜나 단위를 단순 숫자로 읽는 오류가 잦은 반면, Async 모델은 문맥에 맞는 자연스러운 발음을 구현했습니다.

새로운 점

LLM 전처리가 불가능한 실시간 WebSocket 스트리밍 환경에서의 텍스트 정규화 성능을 체계적으로 측정한 최초의 벤치마크입니다.

핵심 메커니즘

원문 입력 → WebSocket 스트리밍 → TTS 모델 내장 정규화 → 음성 생성 → Gemini 3.1 Pro 기반 자동 채점

핵심 수치

• Async Flash Unit Accuracy: 88.6%- 2,228개 단위 테스트 결과
• Async Flash Sentence Accuracy: 81.2%- 1,016개 문장 테스트 결과
• p95 Latency: < 200ms- Async Flash v1.0 기준
• Human-LLM Agreement: 97.4%- 전문 언어학자와 Gemini 채점 결과 비교