Qwen Audio 3.1, 음성 AI의 평가 기준을 바꾸다
음성 AI는 더 이상 발음의 자연스러움만으로 평가하기 어렵다. 실제 서비스에서는 인식 정확도뿐 아니라 응답 속도, 대화 중단 처리, 소음 대응, 음성 제어 범위, 운영비를 함께 따져야 한다. Alibaba의 Qwen 팀이 공개한 Qwen Audio 3.1은 이러한 요구를 인식·합성·실시간 상호작용 모델로 나눠 다루는 제품군이다.
인식·합성·실시간 대화를 분리한 모델군
Qwen-Audio-3.1은 음성 인식, 음성 합성, 실시간 상호작용을 담당하는 5개 모델로 구성된다. 각 기능을 구분해 서비스 목적에 맞는 모델을 선택할 수 있도록 한 구조다.
ASR-Next는 여러 화자를 식별하고 타임스탬프를 제공한다. 감정과 주변음, 기계 소음도 감지하므로 단순한 음성 전사를 넘어 대화가 이루어진 상황까지 파악할 수 있다. TTS-Next는 언어 모델과 확산 방식을 결합해 음성뿐 아니라 효과음과 배경 오디오를 함께 생성한다.1
Realtime의 초점은 자연스러운 대화 흐름이다. 사용자의 말을 들으면서 동시에 응답할 수 있고, 사용자가 끼어들면 즉시 대화를 중단할 수 있다.1 관련 기술 보고서에 따르면 이전 버전 대비 작업 성공률은 78.4%에서 82.0%로 높아졌고, 배경 음성에 잘못 반응한 비율은 73.0%에서 13.0%로 낮아졌다.2 이는 실시간 음성 AI에서 답변 속도만큼이나 ‘언제 듣고, 말하고, 멈출지’를 판단하는 능력이 중요하다는 점을 보여준다.
TTS를 음성 생성에서 연출 도구로 확장
Qwen-Audio-3.1-TTS-Flash는 텍스트를 입력받아 오디오를 출력하는 실시간 상호작용용 음성 합성 모델이다. 다국어와 방언을 지원하며, 스트리밍 방식으로 음성을 생성한다.3
제어 범위도 넓다. 감정, 어조, 페르소나, 말하기 속도, 음량을 태그로 세밀하게 조절할 수 있고 자유 형식 지시도 따른다. 음성 복제에서는 참조 오디오에 포함된 소음과 잔향에 대한 견고성을 강화했다.3 따라서 상황에 따라 말투를 바꿔야 하는 상담, 게임 캐릭터, 접근성 기능 등에 적용 가능성을 검토할 수 있다.
다만 도입 전에는 샘플의 음질만 비교해서는 부족하다. 다음 항목을 실제 사용 환경에서 확인해야 한다.
첫 음성이 출력되기까지 걸리는 시간
감정·속도·음량 지시의 준수 수준
소음과 잔향이 있는 환경에서의 일관성
사용자의 끼어들기에 대한 중단 속도
장시간 운영 시 발생하는 총비용
가격 인하가 실용성에 미치는 영향
Alibaba는 TTS 가격을 약 70%, Realtime 가격을 약 85%, ASR 가격을 최대 95% 인하했다.1 비용 절감 폭이 실제 운영비에 그대로 반영되는지는 사용량과 서비스 구성에 따라 달라지지만, 장시간 상담이나 상시 음성 인터페이스처럼 호출량이 많은 서비스의 도입 장벽을 낮출 수 있다.
결국 Qwen Audio 3.1을 평가할 때는 개별 모델의 성능보다 전체 상호작용을 봐야 한다. 얼마나 정확히 듣는지, 원하는 방식으로 말하는지, 사용자의 개입에 자연스럽게 반응하는지, 그리고 그 경험을 감당 가능한 비용으로 유지할 수 있는지가 핵심 판단 기준이다.
요약: Qwen Audio 3.1의 핵심은 더 자연스러운 목소리 하나가 아니라, 인식·합성·실시간 대화를 목적별로 세분화하고 비용을 낮춰 음성 AI의 실제 운영 가능성을 높인 데 있다.
1Alibaba launches Qwen Audio 3.1 with new models and slashes AI audio prices by up to 95 percent
2Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction
3qwen-audio-3.1-tts-flash Model Info-Alibaba Cloud Model Studio(Model Studio)-阿里云帮助中心
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.