Gradium AI 새 TTS 모델 출시: 216ms 첫 음성 출력에 81% 정확도 — 음성 에이전트 정확도 비교
음성 AI 에이전트가 주문번호, 이메일, IBAN을 읽다가 한 글자씩 깨지는 경험, 한 번쯤 있으실 겁니다. Gradium AI가 새 TTS 모델을 공개하며 이런 문제를 직접 겨냥했습니다. 평가자 기준 통과율 81.0%, 첫 음성 출력까지 216ms라는 수치를 공개했습니다.
음성 에이전트가 자주 실패하는 이유
전화 응대 AI는 사실 가장 쉬운 문장보다 가장 어려운 문장에서 실패합니다. 발신자가 "주문번호 8A2-19473 다시 알려주세요"라고 말하면, TTS는 그 숫자와 알파벳을 정확히 읽어줘야 합니다. 한 글자만 틀려도 고객은 불만입니다. Gradium 측은 이런 "어려운 케이스" 500개를 직접 만들어 모델을 평가했습니다.
Gradium TTS란 무엇인가
TTS(Text-to-Speech, 텍스트 음성 변환)란 글로 쓴 문장을 기계가 사람 목소리로 읽어주는 AI 기술입니다. Gradium AI는 2026년 8월 31일부터 자체 API와 스튜디오의 기본 TTS 모델을 새 버전으로 교체했습니다. 기존에 쓰던 음성이나 커스텀 복제 음성은 그대로 유지되니 별도 마이그레이션 없이 바로 쓸 수 있습니다.
핵심 스펙 한눈에 보기
- 지원 언어: 영어, 독일어, 프랑스어, 스페인어, 포르투갈어 (총 5개)
- 평가 세트: 500문장 (10개 카테고리 × 100문장)
- 평가 데이터 라이선스: Hugging Face에서 CC BY 4.0으로 공개
- 기본 모델 교체일: 2026년 8월 31일
- 별도 코드 수정: 불필요
정확도 81.0%는 어떤 의미인가
Gradium는 Hugging Face(전 세계 AI 모델과 데이터셋을 공유하는 오픈소스 플랫폼)에 평가 데이터셋을 통째로 공개했습니다. 5개 언어, 10개 카테고리에 걸쳐 각 100문장, 총 500개입니다. 7개 단일 카테고리는 철자, 약어, 영숫자 혼합, 날짜, 일반 숫자, 대량·소수 숫자, 이메일을 다루고, 3개 복합 카테고리(주문, IT 티켓, 클레임)는 실제 통화 한 턴을 그대로 흉내냅니다.
채점은 사람이 직접 합니다. 모국어 평가자가 모든 요소를 빠짐없이 정확히 발음했을 때만 "통과"로 인정하고, 숫자 하나만 빠져도 "실패"입니다. 단순히 "그럴듯한 음성"이 아니라 "숫자까지 정확한 음성"을 검증한 셈입니다.
난해 케이스 통과율 비교 (5개 모델)
| 모델 | 통과율 |
|---|---|
| Gradium TTS (신규) | 81.0% |
| Cartesia Sonic 3.6 | 75.1% |
| ElevenLabs v3 Conversational | 65.4% |
| Fish Audio S2.1 Pro | 49.5% |
| Inworld TTS 1.5 Max | 46.5% |
ElevenLabs 대비 약 15.6% 포인트 차이입니다. 전화 응대처럼 한 글자 실수가 치명적인 업무에서 이 격차는 그대로 신뢰도 차이로 이어집니다.
216ms의 첫 음성 출력은 어떤 의미인가
TTFA(Time-to-First-Audio, 첫 음성 출력까지의 시간)란, TTS에 텍스트를 보내고 첫 오디오 바이트가 도착하기까지의 지연 시간입니다. 이 수치가 작을수록 사용자가 답답함을 덜 느끼게 됩니다. Gradium는 P50(백분위 50, 사실상 중앙값) 기준 216ms로 보고했는데, 직전 모델보다 170ms 빨라졌습니다.
단, Gradium는 P50 단일 수치보다 IQR(사분위 범위, 중간 50%의 응답 폭)을 더 강조합니다. 480회 실행에서 P25~P75 구간이 단 30ms로, 테스트된 5개 모델 중 가장 안정적입니다. Cartesia Sonic 3.6은 P50이 454ms이지만 분포 폭이 165ms에 달해, 중앙값은 그럴듯해도 사용자가 실제로 겪는 "꼬리 지연" 구간이 길어진다는 의미입니다.
TTFA 비교 (P50 중앙값)
| 모델 | P50 | IQR 폭 |
|---|---|---|
| Inworld TTS 2 | 166ms | — |
| Gradium TTS (신규) | 216ms | 30ms |
| Fish Audio S2.1 Pro | 291ms | — |
| ElevenLabs v3 Conversational | 329ms | — |
| Cartesia Sonic 3.6 | 454ms | 165ms |
Gradium의 강점은 단순 속도가 아니라 "250ms 미만에서 가장 낮은 실패율 + 가장 작은 분산"이라는 결합 지점에 있습니다. 일관성 있는 응답은 자동화 시스템에서 사용자 신뢰를 좌우합니다.
어떻게 시작하나
기존 Gradium 사용자는 아무것도 안 해도 됩니다. 신규 팀은 다음 순서로 시작합니다.
- Python SDK 설치 — pip로 gradium-sdk를 설치합니다. SDK(Software Development Kit)란 특정 플랫폼에서 개발할 때 필요한 도구·라이브러리·문서를 묶어놓은 키트입니다.
- WebSocket 엔드포인트 연결 — WebSocket(서버와 실시간 양방향 통신을 하는 표준 프로토콜)을 통해 TTS 엔드포인트에 스트리밍으로 접속합니다.
- 기존 음성 ID 재사용 — 이전에 쓰던 음성 ID를 그대로 전달합니다.
추가로 Gradium은 완전한 난해 케이스 실패 리포트를 제출하는 사용자에게 Discord에서 100만 크레딧을 제공한다고 밝힙니다.
핵심 요약 5가지
- 2026년 8월 31일부로 새 Gradium TTS가 API·Studio 기본 모델이 되었습니다. 마이그레이션 불필요.
- 500문장 난해 케이스에서 평가자 기준 81.0% 통과율을 기록, Cartesia·ElevenLabs·Fish Audio·Inworld 모두 추월.
- Coval 기준 P50 216ms, IQR 30ms로 5개 모델 중 가장 안정적인 응답.
- 전화번호·이메일·IBAN(국제 은행 계좌 번호)·참조 코드를 텍스트 변환 없이 그대로 정확히 읽음.
- 벤치마크 자체는 업체가 직접 돌렸지만, 500문장 평가 세트는 Hugging Face에서 CC BY 4.0으로 누구든 검증 가능.
자주 묻는 질문 (FAQ)
Q1. Gradium TTS와 ElevenLabs는 뭐가 다른가요?
둘 다 텍스트를 음성으로 바꿔주는 TTS 서비스입니다. 이번 평가에서 ElevenLabs v3 Conversational은 65.4%, Gradium은 81.0%의 통과율을 기록했습니다. 특히 복잡한 숫자·이메일·IBAN 읽기에서 Gradium이 앞서나갔습니다.
Q2. 216ms는 빠른 편인가요?
절대값만 보면 Inworld TTS 2의 166ms가 더 빠릅니다. 다만 Gradium은 "속도 + 일관성"을 같이 챙긴 점이 다릅니다. IQR이 30ms로 매우 작아 응답이 안정적이라, 음성 에이전트처럼 매 응답이 중요한 환경에서 강점을 보입니다.
Q3. 기존에 쓰던 커스텀 음성은 어떻게 되나요?
커스텀 복제 음성을 포함한 기존 음성은 그대로 작동합니다. 별도 코드 변경 없이 새 모델이 기본값으로 적용되며, 음성 ID만 그대로 넘기면 됩니다.
Q4. 한국어도 지원하나요?
이번 평가에 포함된 5개 언어는 영어·독일어·프랑스어·스페인어·포르투갈어입니다. 한국어 포함 여부는 별도로 확인이 필요합니다.
Q5. IBAN 같은 코드를 왜 그대로 읽는 게 중요한가요?
IBAN(International Bank Account Number, 국제 은행 계좌 번호)은 ISO 13616 표준으로 정의된 전 세계 은행 계좌 식별용 국제 표준 번호입니다. 국가 코드·체크 디지트·은행/계좌 식별자로 구성되어 한 글자만 틀려도 송금이 실패할 수 있어, TTS가 텍스트 정규화 없이 그대로 정확히 읽어내는 능력이 필수입니다.