구글이 Gemini 3.1 Flash TTS를 새롭게 선보였습니다. 한마디로 말하면, "글을 읽어주는 AI"를 넘어 감정, 속도, 말투까지 꽤 섬세하게 다룰 수 있는 차세대 음성 생성 모델입니다.1
이번 변화가 중요한 이유는 분명합니다. 이제 AI 음성은 단순 안내 멘트가 아니라, 고객센터 상담원·오디오 콘텐츠 내레이터·실시간 앱 음성 인터페이스처럼 "사람처럼 들려야 하는" 영역으로 들어가고 있기 때문입니다.
Gemini 3.1 Flash TTS란 무엇인가
Gemini 3.1 Flash TTS는 텍스트를 음성으로 바꾸는 모델입니다. 그런데 포인트는 단순한 TTS가 아니라는 점입니다. 구글은 이 모델을 비용 효율적이면서도 표현력이 높고, 제어 가능한 음성 생성 모델로 소개했습니다.2
쉽게 말해 "문장을 읽어라" 수준이 아니라, "조금 차분하게", "속도를 늦춰서", "강조를 살려서", "두 사람이 대화하듯" 같은 연출이 더 중요해진 겁니다. DeepMind 소개 페이지에서도 스타일, 페이스, 전달 방식에 대한 세밀한 제어와 2인 대화형 생성 기능을 핵심으로 내세우고 있습니다.3
즉, 이제 TTS의 경쟁력은 발음 정확도만이 아니라 "얼마나 연기처럼 말할 수 있느냐"로 옮겨가는 중입니다.
왜 Gemini 3.1 Flash TTS가 주목받을까
가장 큰 이유는 자연스러움과 속도의 균형입니다. 기존 고품질 음성은 좋지만 느리거나 비싸고, 빠른 음성은 기계적인 경우가 많았습니다. Gemini 3.1 Flash TTS는 이름 그대로 Flash 계열답게 저지연 응답을 지향하면서도 표현력을 강화한 모델로 보입니다.24
또 하나는 멀티언어 가능성입니다. Gemini 오디오 계열은 원래부터 다국어 이해와 생성에 강점을 보여 왔고, 음성 번역 쪽에서는 70개 이상 언어와 2000개 이상의 언어 페어를 지원한다고 소개됩니다.3 이 흐름을 보면 Flash TTS도 글로벌 서비스에 잘 맞는 방향으로 진화하고 있다고 해석할 수 있습니다.
콘텐츠 제작자 입장에서도 반가운 변화입니다. 짧은 광고 멘트, 긴 내레이션, 팟캐스트 형식 대화처럼 서로 다른 포맷을 하나의 계열 모델로 다룰 수 있다면 제작 파이프라인이 훨씬 단순해집니다.
Gemini 3.1 Flash Live와 함께 보면 더 잘 보이는 변화
이번 TTS를 이해하려면 Gemini 3.1 Flash Live도 함께 봐야 합니다. Flash Live는 실시간 음성 대화를 위한 오디오-투-오디오 모델로, 낮은 지연과 자연스러운 대화 흐름, 복잡한 작업 수행 능력을 강조합니다.56
반면 Flash TTS는 "대화"보다 "출력 음성의 표현력"에 초점이 있습니다. 둘의 차이를 간단히 정리하면 이렇습니다. Flash Live는 실시간 음성 에이전트의 입과 귀에 가깝고, Flash TTS는 잘 훈련된 성우나 내레이터에 가깝습니다.
이 구분은 실무에서 꽤 중요합니다. 고객과 실시간으로 주고받는 상담 봇이라면 Live가 더 맞고, 교육 콘텐츠 낭독이나 앱 음성 가이드처럼 완성도 높은 출력이 중요하다면 TTS가 더 어울립니다. 실제로 개발자 커뮤니티에서도 실시간 스트리밍이 아닌 녹음 파일 처리에는 Live보다 일반 API가 더 적합하다는 식의 판단이 공유되고 있습니다.7
누가 어떻게 써볼 만할까
가장 먼저 떠오르는 분야는 고객 경험입니다. 딱딱한 안내 음성 대신 브랜드 톤을 살린 음성을 만들 수 있다면, 같은 정보라도 체감 품질이 달라집니다.
두 번째는 콘텐츠 자동화입니다. 블로그를 오디오 기사로 바꾸거나, 교육 자료를 음성 강의로 변환하거나, 인터뷰 형식 스크립트를 두 사람 대화처럼 읽게 만드는 식입니다. "텍스트를 소리로 변환"하는 수준에서 "콘텐츠를 퍼포먼스로 재해석"하는 수준으로 올라가는 셈이죠.
세 번째는 접근성입니다. 시각 정보 접근이 어려운 사용자를 위해 더 듣기 편하고 감정선이 살아 있는 음성을 제공하면, 정보 전달력 자체가 달라집니다.
시사점
Gemini 3.1 Flash TTS는 AI 음성이 더 이상 부가 기능이 아니라, 제품 경험의 핵심 인터페이스가 되고 있음을 보여줍니다. 앞으로 중요한 질문은 "음성을 넣을까?"가 아니라 "우리 서비스에 맞는 목소리와 말투를 어떻게 설계할까?"가 될 가능성이 큽니다.
실무적으로는 먼저 용도를 나눠 보는 것이 좋습니다. 실시간 상호작용이면 Flash Live, 완성도 높은 음성 출력이면 Flash TTS라는 식으로 접근하면 판단이 쉬워집니다. 그리고 이제는 텍스트 프롬프트만큼이나 음성의 스타일 설계가 경쟁력이 될 것입니다.
참고
1Gemini 3.1 Flash TTS: the next generation of expressive AI speech
2Release notes | Gemini API | Google AI for Developers
3Gemini Audio -- Google DeepMind
4Models | Gemini API | Google AI for Developers
5Gemini 3.1 Flash Live: Making audio AI more natural and reliable
6Gemini 3.1 Flash Live Preview | Gemini API | Google AI for Developers
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.