카카오가 옴니 모델 '카나나-오(Kanana-o)'의 음성 생성 기술을 업데이트해 자연어 지시만으로 말투·감정·억양을 제어할 수 있게 했다. "톤을 낮춰서 빠르게 슬픈 목소리로" 같은 복합 지시나 사투리 스포츠 중계 스타일까지 구현하며, 발화 지시 이행 벤치마크 'InstructTTSEval' 한국어 평가에서 94.50점으로 GPT-4o-미니-tts(91.10점)를 앞섰고 제미나이-2.5-플래시-프리뷰-tts(95.38점)에 근접했다. 자체 음성 토크나이저 'LM-SPT'로 더 적은 토큰으로 음성을 압축해 생성 속도·효율을 높였으며, Mimi·DualCodec·CosyVoice2 대비 우수한 성능과 전문가 청취 평가 최고점을 기록했다. 향후 웃음·한숨 등 비언어 표현 생성과 음성 이해·생성 통합 구조 연구를 이어갈 계획이다.

• •자연어 지시만으로 말투·감정·억양·속도 제어, 복합 지시도 처리 가능
• •InstructTTSEval 한국어 94.50점으로 GPT-4o-미니-tts(91.10점) 추월, 제미나이-2.5-플래시(95.38점)에 근접
• •자체 음성 토크나이저 'LM-SPT'로 토큰 수를 줄여 생성 속도·효율 향상
• •LM-SPT는 Mimi·DualCodec·CosyVoice2 대비 우수 성능, 전문가 청취 평가 최고점
• •웃음·한숨 등 비언어 표현 생성과 음성 이해·생성 통합 구조 연구 진행 중