음성 모델

확인할 점

선택지를 가르는 질문을 중요한 순서대로 정리했습니다.

1. 01

   음성 텍스트 변환: 명시된 테스트 세트에서의 단어 오류율

   단어 오류율(WER)은 모델이 틀린 단어의 비율로 낮을수록 좋지만, 테스트 세트가 명시되어야만 의미가 있습니다. Artificial Analysis의 AA-WER v2는 약 8시간 분량의 오디오를 평균합니다. 에이전트 방식의 대화(50%), 유럽 의회 연설(25%), 실적 발표 통화(25%)이며, 정리된 참조 대본을 씁니다. 2026년 10월 기준 선두는 약 2%이고, Whisper large-v3-turbo는 4.6%입니다. 업체가 자체 데이터로 주장하는 WER은 비교할 수 없으니, 내 억양, 전문 용어, 소음이 담긴 비슷한 오디오로 시험하십시오.

2. 02

   음성 텍스트 변환: 속도, 스트리밍, 기능

   배치 전사는 속도 배율, 즉 처리 1초당 오디오 몇 초로 평가합니다. Deepgram Nova-3는 실시간의 600배 이상, Scribe v2는 약 63배입니다. 실시간 자막과 음성 에이전트에는 지연 시간이 낮은 진짜 스트리밍 모델이 필요하며, 이는 대개 별도의 모델과 가격입니다(Scribe v2 Realtime, Gemini 3.5 Transcribe Live, gpt-live-transcribe). 그다음 화자 분리(누가 말했는가), 단어 타임스탬프, 사용자 지정 어휘, 언어 감지를 확인하고, 일부 기능은 한 요청에서 함께 쓸 수 없다는 점에 유의하십시오.

3. 03

   텍스트 음성 변환: 블라인드 투표 품질, 조심해서 읽기

   Artificial Analysis의 Speech Arena는 청취자 선호에서 나온 Elo로 목소리 순위를 매기며, 각 모델은 자체 내장 목소리를 씁니다. 통제된 목소리를 쓰는 별도 보드도 있습니다. Eleven v4와 v4 Turbo가 1330 근처로 앞서고, Cartesia Sonic 3.6과 Gemini 3.8 Flash TTS가 바짝 뒤따릅니다. 초당 글자 수와 이름, 코드, 숫자, 날짜에 대한 발음 견고성 점수도 보고하는데, 고객 지원 회선과 에이전트에는 이것이 Elo보다 중요합니다. Arena 투표는 듣기 좋은 짧은 클립을 선호하니, 긴 내레이션은 직접 시험하십시오.

4. 04

   텍스트 음성 변환: 에이전트를 위한 첫 오디오까지의 시간

   음성 에이전트에서 중요한 것은 전체 생성 시간이 아니라 텍스트를 보낸 뒤 첫 소리가 얼마나 빨리 도착하는가입니다. 업체들은 자체 네트워크에서 잰 수치를 제시합니다(ElevenLabs는 v4 Turbo의 첫 음성까지 약 150 ms라고 밝힙니다). 내 리전에서 스트리밍 WebSocket으로 시험하십시오. 목소리가 발밑에서 바뀌지 않도록 Cartesia가 제공하는 것 같은 고정된 모델 스냅샷을 찾으십시오.

5. 05

   음성 복제와 동의 안전장치

   짧은 샘플로 목소리를 복제하는 것이 이제 흔하므로, 공급자가 오용을 막기 위해 무엇을 하는지 확인하십시오. 동의 확인, 워터마크(Google의 SynthID, Chatterbox에 들어간 Resemble의 Perth 워터마크), 지역 제한(Gemini의 음성 복제는 EEA와 영국에서 쓸 수 없습니다)입니다. 오픈 모델은 대개 사용자의 행동에 맡기며, Chatterbox에는 동의 확인이 없습니다. 실제 사람을 복제한다면 도구와 관계없이 서면 동의를 받으십시오.

6. 06

   언어, 그리고 각 언어를 얼마나 잘 다루는가

   긴 언어 목록이 각 언어에서의 좋은 품질과 같지는 않습니다. Parakeet v3는 유럽 언어 25개만 다루고, Whisper는 99개를 받지만 카드는 약 10개에서만 강한 결과를 주장합니다. 모델 카드의 언어별 결과를 확인하거나 대상 언어를 직접 시험하십시오. 특히 Hinglish 같은 언어 혼용에 주의하십시오.

7. 07

   가격 단위와 오픈 웨이트

   음성 텍스트 변환은 오디오 분이나 시간당, 텍스트 음성 변환은 글자당 또는 오디오 토큰당 가격이 매겨져 비교가 까다롭습니다. Artificial Analysis는 STT를 1,000분당 달러로, TTS를 1M 글자당 달러로 정규화합니다. 예정된 인상(Gemini 3.8 Flash TTS는 2027년 1월 두 배가 됩니다)과 별도의 스트리밍 요금을 주의하십시오. 오픈 웨이트(Whisper MIT, Parakeet CC BY 4.0, Kokoro Apache 2.0, Chatterbox MIT)는 대량일 때 가장 싸고 오디오를 내 서버에 두지만, 정확도나 자연스러움에서 대가를 치릅니다.

도구 19개 비교

저희 평점 순입니다. 각 리뷰에서 출처, 가격, 전체 평가를 확인할 수 있습니다.

음성 모델 도구 비교

도구	평점	저희 평가	추천 대상	가격
Eleven v4 and v4 Turbo모델	4.7/5	공개 리더보드에서 이보다 나은 소리는 없습니다. 하지만 Google의 Gemini 3.8 Flash TTS가 v4 가격의 약 5분의 1로 60 Elo 포인트 이내까지 따라옵니다.	가장 표현력 있는 목소리가 필요한 오디오북, 게임, 더빙 제작사, 그리고 Turbo의 낮은 요율로 최상위 품질을 원하는 음성 에이전트 팀.	API: v4는 1,000자당 $0.08, v4 Turbo는 $0.04. 구독은 월 $6의 Starter부터 월 $990의 Business까지 있으며 글자 수 할당량이 포함됩니다.
Gemini 3.8 Flash TTS모델	4.5/5	블라인드 투표 5위에 Eleven v4 Turbo의 절반도 안 되는 가격인 Gemini 3.8 Flash TTS는 싼 편이지만, 그 가격은 1월 1일에 끝납니다.	최상위에 가까운 품질을 원하고 1월 가격 인상을 감당할 수 있는, 장편 내레이션이나 다국어 더빙을 만드는 개발자.	Flash TTS: 2026년 12월 31일(31 Dec 2026)까지 1M 텍스트 토큰 입력당 $0.50, 1M 오디오 토큰 출력당 $9(오디오 1시간당 약 $0.81)이며, 2027년 1월 1일(1 Jan 2027)에 두 배가 됩니다. Flash-Lite: 1M 오디오 토큰 출력당 $6. Batch는 절반 가격, AI Studio에 무료 등급 있음.
Cartesia Sonic 3.6모델	4.4/5	Sonic 3.6은 한 번의 출시로 ElevenLabs와의 격차를 대부분 좁혔고 글자당 비용도 Eleven v4보다 낮습니다. 다만 옵트아웃하지 않으면 고객 콘텐츠로 학습합니다.	적당한 가격에 안정적이고 버전이 고정된 음성이 필요한, 실서비스 음성 에이전트를 만드는 팀.	Free 요금제는 월 20K 크레딧(상업 라이선스 없음), Pro $5(100K), Startup $49(1.25M), Scale $299(8M)이며, 초과분은 1M 크레딧당 $38에서 $65입니다. 1 크레딧은 1자이며, 오디오 1분에 약 750에서 800자입니다.
ElevenLabs Scribe v2모델	4.4/5	Scribe v2는 정확하게 전사하고 가림 처리와 화자 작업까지 대신해 줍니다. 하지만 이제 Microsoft가 절반도 안 되는 가격에 더 나은 정확도를 판매합니다.	정확한 전사와 함께 화자 표시와 가림 처리가 필요한 회의, 미디어, 임상 제품.	API: Scribe v2와 v2 Medical은 오디오 시간당 $0.22, Scribe v2 Realtime은 시간당 $0.39, 핵심어 프롬프팅은 시간당 $0.05가 추가됩니다. 월 $6부터 시작하는 요금제에 시간이 포함됩니다.
AssemblyAI도구	4.4/5	AssemblyAI는 저렴하고 정확하며 계약하기 쉽습니다. 다만 데이터 약관부터 읽으십시오. 무료 계정은 모델 학습에 쓰이며 거부할 수 없습니다.	공개된 낮은 가격, 무료 BAA, EU 옵션을 원하며 앱에 받아쓰기나 실시간 자막을 넣는 개발자.	녹음: Universal-3.5 Pro 시간당 $0.21, Universal-2 시간당 $0.15. 스트리밍: Universal-3.6 Pro Realtime 시간당 $0.45, Universal-Streaming 시간당 $0.15. Voice Agent API 시간당 $4.50. 부가 기능 시간당 $0.01부터, Medical Mode 시간당 +$0.15. $50 무료 크레딧.
Retell AI도구	4.4/5	Retell은 청구서가 가장 명확하고 컴플라이언스 장애물이 가장 적은 전화 에이전트 플랫폼입니다. 에이전트를 직접 만드는 것을 괜찮게 여긴다면 말입니다.	예측 가능한 분당 비용과 무료 BAA를 원하며 수신이나 발신 전화 에이전트를 직접 만드는 개발자와 운영팀.	종량제 음성 분당 $0.07에서 $0.31(음성 인프라 $0.055에 목소리와 LLM 추가), 무료 크레딧 $10, 동시 통화 20건 무료 후 통화당 월 $8, 전화번호 월 $2. Enterprise 맞춤 견적.
Vapi도구	4.3/5	Vapi는 개발자에게 음성 제공업체를 섞고 맞출 가장 큰 자유를 주며, 에이전트가 민감한 것을 다루는 순간 그 값을 받습니다.	자기 제품에 음성 에이전트를 넣으며 음성, 모델, 목소리 제공업체를 하나씩 고르고 바꾸고 싶은 개발자.	분당 호스팅 $0.05에 제공업체 비용은 원가, 무료 크레딧 $5. Core 월 $29(동시 통화 10건, 30일 보관), Pro 호스팅 수수료 10%에 월 최소 $999, Premier 맞춤 견적. HIPAA 추가 기능 월 $2,000, 추가 동시 실행 회선당 월 $10.
Gemini 3.5 Transcribe모델	4.2/5	대부분의 전사 작업에 충분할 만큼 정확하고 저렴합니다. 하지만 어느 기준으로 봐도 더 이상 당연한 선택은 아닙니다.	이미 Gemini API를 쓰고 있으며, 한 공급업체에서 분당 약 0.5센트로 파일 전사와 스트리밍 전사를 원하는 팀.	Transcribe는 분당 약 $0.005(1M 토큰당 입력 $2 / 출력 $12), Transcribe Live는 분당 약 $0.009($3.50 / $21). AI Studio와 API에 무료 등급 있음.
Parakeet TDT 0.6B v3모델	4.1/5	Parakeet v3는 전사 분야의 속도 기록 보유자입니다. 정확도는 Whisper급이고, 지원 범위는 유럽에서 딱 끊깁니다.	유럽 언어 오디오를 대량으로 전사하며 속도와 낮은 비용을 중시하는 개발자.	CC BY 4.0으로 무료입니다. Together AI의 호스팅 버전은 분당 $0.0015($1.50 per 1,000 minutes)입니다.
pyannote speaker-diarization-community-1모델	4.1/5	화자를 구분하는 오픈 기본값의 자리는 여전히 지키고 있고 3.1보다 분명히 나아졌습니다. 하지만 같은 제작사의 유료 모델은 어려운 오디오에서 오류가 약 3분의 1 적습니다.	허용적인 라이선스로 화자 라벨이 필요한, 자체 호스팅 회의, 통화, 팟캐스트 전사를 만드는 엔지니어.	CC BY 4.0으로 무료입니다. pyannoteAI 호스팅은 오디오 1시간당 €0.035입니다. 유료 Precision-3 모델은 1시간당 €0.112(Developer, 월 €19) 또는 €0.096(Starter, 월 €99)입니다.
Deepgram Nova-3모델	4.0/5	Nova-3는 실시간 통화 오디오에 쓸 만큼 빠르고 쌉니다. 하지만 중립적인 테스트에서는 정확도 선두권보다 오류가 두 배 넘게 많습니다.	자체 서버를 포함해 전화 오디오를 빠르고 높은 동시성으로 받아써야 하는 콜센터와 실시간 자막 팀.	녹음 오디오는 종량제로 $0.0043/분(단일 언어) 또는 $0.0052/분(다국어)입니다. 스트리밍은 프로모션가 $0.0048/분, 정가 $0.0077입니다. 연 $4,000부터 시작하는 Growth 플랜이 더 쌉니다. 무료 크레딧은 $200입니다.
OmniVoice모델	4.0/5	OmniVoice는 다른 어떤 모델도 지원하지 않는 언어가 필요할 때 찾을 오픈 TTS 모델입니다. 단, 토크나이저 라이선스는 변호사에게 먼저 보여야 합니다.	상용 및 오픈 선두 모델이 지원하지 않는 언어로 된 오픈 자체 호스팅 음성이 필요한 개발자.	가중치는 무료입니다. 코드는 Apache 2.0, 오디오 토크나이저는 Boson Higgs Audio 2 Community License를 따릅니다(연간 활성 사용자 100,000명 초과 시 확장 라이선스 필요).
Maya 2 Native모델	4.0/5	인도 언어 음성 에이전트라면 Maya 2 Native가 출발점으로 삼을 오픈 모델입니다. 힌디어에서는 유료 선두 모델에 가깝고 대규모로 돌리는 비용이 낮습니다. 다만 다른 언어에서는 증거 대신 자동 점수만 있습니다.	허용 범위가 넓은 라이선스로 자체 호스팅하면서 인도 언어 음성 에이전트, IVR, 내레이션을 만드는 개발자.	Apache 2.0으로 무료(Mimi 코덱은 CC BY 4.0), 자체 GPU에서 자체 호스팅. 자사 호스팅 가격은 공개되지 않음.
KKokoro-82M모델	3.9/5	이만큼 작은 모델 중 이만큼 좋은 소리를 내는 것은 없지만, 2025년 8월 이후 업데이트가 없으므로 앞으로 나아질 프로젝트가 아니라 완성된 소프트웨어로 보아야 합니다.	내레이션, 접근성, 프로토타입용으로 저렴하고 허용적 라이선스의 음성이 필요한 개발자.	Apache 2.0으로 무료입니다. 호스팅은 Replicate에서 100만 자당 $0.65(Artificial Analysis 기준)로 리더보드 최저가이며, DeepInfra에서는 $0.99입니다.
GPT Transcribe모델	3.9/5	OpenAI를 쓰는 곳에는 합리적인 업그레이드입니다. 다만 이 모델이 기대고 있는 지원 종료로 화자 구분과 타임스탬프가 사라지며, 이 모델은 그것을 되돌려주지 않습니다.	2027년 2월 전에 Whisper나 GPT-4o Transcribe에서 옮겨야 하고, 화자 구분이나 타임스탬프가 필요 없는 OpenAI API 사용 팀.	오디오 분당 $0.0045(1,000분당 $4.50), Batch 미지원. 스트리밍용 gpt-live-transcribe는 분당 $0.017입니다.
MOSS-Transcribe-Diarize 0.9B모델	3.9/5	MOSS-Transcribe-Diarize는 모델 두 개로 이루어진 회의 파이프라인을 작은 모델 하나로 대체합니다. 벤치마크 우위는 대부분 중국어 표준어(Mandarin)에서 나왔습니다.	자체 GPU로 긴 다화자 녹음, 특히 중국어 녹음을 받아쓰면서 별도 화자 분리 모델 없이 화자 라벨을 얻고 싶은 팀.	Apache 2.0으로 무료입니다. 더 큰 Pro 모델은 MOSI의 온라인 플레이그라운드에서 제공되며, API 가격은 공개되지 않았습니다.
Breeze TTS 2모델	3.8/5	Breeze TTS 2는 최상위권 음성 모델처럼 들리지만, 라이선스 때문에 실서비스에 넣을 수 있는 ElevenLabs 대체재가 아니라 집에서 돌려 보는 데모에 가깝습니다.	비상업적 용도에 머물거나 실서비스에는 BreezeBlue 호스팅 요금제를 살 연구자, 취미 사용자, 오픈 음성 품질을 평가하는 팀.	가중치는 연구 및 비상업적 용도에 한해 무료입니다. 호스팅 요금제: Free(하루 400 크레딧, 크레딧당 10자), Starter 월 $9, Creator 월 $19, Pro 월 $99, Scale 월 $299, Business 월 $999입니다. 100만 자당 약 $30, 연간 결제 시 약 $25입니다. Enterprise는 견적 문의입니다.
Whisper large-v3-turbo모델	3.7/5	Whisper turbo는 이제 이기는 모델이 아니라, 새 음성 모델들이 비교 기준으로 삼는 저렴하고 제약 없는 기준선입니다.	자체 호스팅하거나 시간당 몇 센트에 살 수 있는 저렴하고 관대한 라이선스의 전사가 필요하고, 2군 수준의 정확도를 감수할 수 있는 팀.	MIT 라이선스로 무료입니다. 호스팅 버전도 저렴합니다. Artificial Analysis는 Groq를 1,000분당 약 $0.67로 표시합니다.
Chatterbox모델	3.7/5	Chatterbox는 워터마크 덕분에 컴플라이언스 팀이 승인할 수 있는 오픈 음성 복제 모델이지만, 청취자가 고를 모델은 아닙니다.	출처 표시가 가능한 상업용 오픈 음성 복제가 필요하고 중간 수준의 음질을 받아들일 수 있는 팀.	MIT 라이선스로 무료입니다. Artificial Analysis는 호스팅 Chatterbox를 100만 문자당 $25, Resemble의 Chatterbox HD를 $40로 기재합니다.

사양 비교

이 단계에서 중요한 사양입니다. 2026년 10월 19일에 확인했습니다. 도입 전에 공급업체 사이트에서 확인하세요.

일대일 비교와 순위 가이드

• 최고의 텍스트 음성 변환(TTS) 모델
• 최고의 음성 텍스트 변환(STT) 모델

이 단계가 쓰이는 곳

• 동영상 제작: Eleven v4 and v4 Turbo부터 시작하겠습니다.
• 음성 에이전트: Parakeet TDT 0.6B v3, Cartesia Sonic 3.6부터 시작하겠습니다.

이 가이드의 출처

• Artificial Analysis: speech-to-text leaderboard
• Artificial Analysis: text-to-speech leaderboard
• Whisper large-v3-turbo model card