BroadRouter

음성 합성(TTS, text-to-speech)

업데이트

TTS(text-to-speech), 즉 음성 합성은 글로 쓴 텍스트를 음성 오디오로 변환합니다. TTS API는 텍스트, 목소리, MP3나 WAV 같은 출력 형식을 받아 생성된 음성을 반환합니다. 오디오를 텍스트로 바꾸는 음성 인식(STT)의 반대 방향입니다.

다른 이름: TTS, 텍스트 음성 변환, 음성 합성, 텍스트를 음성으로, TTS API, AI 음성 생성, text to speech, text-to-speech, speech synthesis

음성 인식은 듣고, 음성 합성은 대답합니다. 음성 비서에는 둘 다 필요합니다.

작동 방식

TTS API는 세 가지를 받습니다. 텍스트, 목소리, 오디오 형식입니다. OpenAI 가이드의 Python 예시는 이런 형태입니다.

from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
    model="gpt-4o-mini-tts",
    voice="coral",
    input="Today is a wonderful day to build something people love!",
    instructions="Speak in a cheerful and positive tone.",
) as response:
    response.stream_to_file("speech.mp3")

가이드는 /v1/audio/speech 엔드포인트, 내장 목소리 13종, 그리고 MP3(기본값), Opus, AAC, FLAC, WAV, PCM 출력 형식을 문서화합니다. PCM은 헤더 없는 24kHz 16비트 원시 샘플입니다. 청크 전송 인코딩(chunked transfer encoding)으로 스트리밍을 지원하므로 파일이 다 만들어지기 전에 재생을 시작할 수 있으며, 가장 빠른 응답에는 WAV나 PCM을 권합니다. 가이드는 또 tts-1, tts-1-hd, gpt-4o-mini-tts를 지원 중단 예정으로 표시하며, 종료일은 2027년 1월 6일입니다. 특정 모델을 기반으로 만들기 전에 현재 모델 목록을 확인하세요.

많은 엔진이 W3C의 음성 합성용 XML 마크업인 SSML도 받습니다. 루트 <speak> 요소는 version="1.1"과 xml:lang을 선언합니다. 그 밖에 쉼을 넣는 <break>, 날짜나 숫자를 표시하는 <say-as>, 정확한 발음(예: IPA)을 지정하는 <phoneme>, 다른 언어로 된 구절을 위한 <lang> 등이 있습니다.

<speak version="1.1" xml:lang="en-US">
  Pasta should be cooked <lang xml:lang="it">al dente</lang>.
  <break/> Enjoy your meal.
</speak>

왜 중요한가

  • 음성 제품은 파이프라인입니다. 음성 봇은 음성 인식, 채팅 모델, TTS 순으로 이어집니다. 단계마다 지연 시간과 비용이 더해지며, 각 단계를 다른 제공업체가 맡을 수도 있습니다.
  • 형식 선택. 출력 형식에 따라 파일 크기와 재생 지원 여부가 달라집니다. 예를 들어 WhatsApp은 Ogg Opus 음성 메시지를 재생합니다.
  • 고지. OpenAI는 TTS 목소리가 AI로 생성되었다는 사실을 최종 사용자에게 알리도록 요구합니다.

BroadNet Inference에서는

BroadNet은 TTS를 제공하지 않습니다. API 레퍼런스가 문서화한 엔드포인트는 POST /v1/chat/completions와 POST /v1/audio/transcriptions뿐입니다. 대신 반대 방향을 제공합니다. BroadNet Transcribe Arabic과 BroadNet Transcribe는 WAV나 MP3 오디오를 텍스트로 바꾸며, 요금은 분당 각각 $0.0042, $0.002입니다. BroadNet은 라이브 또는 실시간 음성도 제공하지 않습니다.

제품이 말을 해야 한다면 BroadNet의 전사와 채팅에 별도의 TTS 제공업체를 조합하세요. 텍스트, 음성, 비전에서 BroadNet이 맡을 수 있는 작업과 다른 서비스가 필요한 부분을 정리했고, WhatsApp 챗봇 아키텍처 글은 파이프라인의 음성 메시지 쪽을 보여 줍니다.

흔한 실수

  • TTS와 STT를 혼동하는 것. 음성 인식 API는 오디오를 생성하지 않습니다. “speech”라는 단어만 보지 말고 엔드포인트 목록을 확인하세요.
  • SSML이 어디서나 동작한다고 가정하는 것. 일반 텍스트나 SSML의 일부만 받는 API가 많습니다.

자주 묻는 질문

BroadNet Inference는 TTS를 제공하나요?

아니요. BroadNet이 문서화한 엔드포인트는 채팅 완성과 오디오 전사 두 가지입니다. /v1/audio/speech는 없습니다. 앱이 말을 해야 한다면 별도의 TTS 제공업체를 쓰세요.

SSML이란 무엇인가요?

Speech Synthesis Markup Language로, W3C 권고안(버전 1.1, 2010년)입니다. 합성 음성의 발음, 쉼, 음높이, 속도, 언어 전환을 제어하는 XML입니다. 지원 범위는 TTS 제공업체마다 다릅니다.

목소리가 AI로 생성됐다고 사용자에게 알려야 하나요?

OpenAI의 사용 정책은 TTS 가이드에 인용된 대로, 목소리가 AI로 생성되었다는 사실을 명확히 고지하도록 요구합니다. 사용하는 제공업체의 약관과 현지 법률을 확인하세요.

Markdown으로 읽기ChatGPT에 질문하기Claude에 질문하기Perplexity에 질문하기