Hurston-1, 영어 억양을 골라도 같은 목소리가 유지될까?

같은 억양을 요청해도 같은 사람이 말하는 것은 아니다

Hurston-1을 고정 진행자의 음성 엔진으로 선택하려면 화자 일관성부터 따져야 한다. Destined AI 제작자는 Hacker News 공개 글에서 프롬프트 사이에 정확히 같은 목소리를 유지하지 못하며 음성 복제도 지원하지 않는다고 밝혔다. 팟캐스트처럼 같은 진행자가 계속 말해야 하는 용도에는 이 제한이 직접 영향을 준다.

반면 여러 사람이 말하는 상황을 시험하려는 개발자에게는 다른 기준이 필요하다. 예를 들어 영어 음성인식 서비스에 같은 예약 문장을 다양한 화자로 넣어 보는 테스트에서는 화자 다양성이 목적이 될 수 있다. 그러나 “예약 시간을 정확히 알아들었는가”와 “지난번과 같은 사람이 말했는가”는 서로 다른 검사다.

따라서 샘플 하나의 억양이 마음에 든다는 이유만으로 긴 내레이션이나 브랜드 음성에 바로 채택하기는 어렵다. 반복 생성에서도 같은 화자가 필요한지 먼저 정해야 한다.

읽을 문장과 원하는 음성 설명을 나눠 넣는다

Hurston-1 모델 카드는 미국 남부와 나이지리아 등 지역별 영어 억양을 설명으로 지정하는 방식을 제시한다. 영어 전용 모델이며, 여기서 미국 남부는 남아메리카를 뜻하지 않는다. 아프리카 지역의 영어 억양 역시 아프리카 여러 언어를 직접 합성한다는 의미가 아니다.

기반 모델인 Maya1의 입력 구조는 원하는 목소리를 설명하는 부분과 실제 읽을 문장을 구분한다. 이 방식에서는 억양·말하는 속도 같은 방향을 글로 요청한다. 녹음된 특정 사람의 목소리를 참조하는 복제 방식과 선택 기준이 다르다.

개발 단계에서는 읽을 문장을 고정하고 음성 설명만 바꿔 결과를 비교할 수 있다. 이름·숫자·짧은 응답처럼 서비스가 실제로 처리해야 할 문장을 사용하면, 단순히 듣기 좋은 샘플을 고르는 것보다 목적에 맞는 평가가 된다. 문장 전달이 정확한지와 원하는 억양이 나오는지는 결과에 따로 기록한다.

전화 모드는 오디오 변환이고, 통화 연결은 따로 필요하다

Hurston-1의 전화 모드는 합성된 음성을 전화 대역으로 가공하고 8kHz G.711 mu-law로 내보낼 수 있다. 제작자는 음성인식 테스트와 모의 발신자에 이 출력을 활용하는 방법을 제시한다. 전화처럼 제한된 대역으로 듣는 조건을 만들 수 있다는 점이 핵심이다.

이를 Twilio 통화에 넣으려면 Media Streams 메시지 규격까지 맞춰야 한다. Twilio가 요구하는 media.payload는 8,000Hz mu-law 원시 오디오를 base64로 인코딩한 값이다. WAV 파일을 헤더까지 통째로 넣는 형식이 아니다.

통화 앱이 재생 중인 음성을 멈추는 처리도 따로 있다. Twilio는 받은 음성을 순서대로 버퍼링하며, 대기 중인 음성을 끊을 때는 clear 메시지를 사용한다. 전화용 파일을 만들었다는 사실만으로 끼어들기와 응답 타이밍까지 갖춘 대화 서비스가 완성되는 것은 아니다.

모델 페이지가 공개돼 있어도 파일 접근 동의는 남아 있다

Hurston-1 페이지에는 파일 접근을 위해 Hugging Face 정보 공유에 동의해야 한다는 안내가 표시된다. 모델을 살펴보는 단계와 가중치를 다운로드하는 단계가 구분돼 있다.

Hugging Face의 gated model 안내에 따르면 접근 요청은 로그인한 사용자가 브라우저에서 진행한다. 승인은 모델 설정에 따라 자동 또는 수동이며, 스크립트로 파일을 받을 때는 승인된 계정의 인증도 필요하다.

시험을 시작할 때는 접근 권한을 마련하고, 실제 서비스 문장을 작은 묶음으로 준비한 뒤, 억양·문장 전달·화자 일관성을 따로 평가하는 순서가 알맞다. 다양한 영어 테스트 음성이 필요하다면 살펴볼 모델이지만, 한 사람의 목소리를 계속 유지해야 한다면 그 요구를 충족하는지부터 판정해야 한다.