핵심 포인트

• 자연어 태그를 삽입하여 음성의 감정, 억양, 스타일을 단어 수준에서 정밀하게 제어한다.
• 10~30초의 짧은 음성 샘플만으로 화자의 음색과 특징을 복제하는 제로샷 보이스 클로닝을 수행한다.
• SGLang 서버를 활용해 H200 GPU 기준 0.195의 RTF와 100ms 미만의 첫 오디오 생성 시간을 달성한다.
• 단일 컨텍스트 내에서 여러 화자의 토큰을 관리하여 자연스러운 다인 대화 음성을 생성한다.