AI 연구연구 프리프린트
Qwen3-TTS 음성 복제, 입력 조건과 녹음 환경에 따라 결과가 달랐다
원문 읽기 · arxiv.org ↗(새 탭에서 열림)깨끗한 낭독 음성에서의 복제 순위만으로 회의·감정 대화·잡음 많은 무전 음성의 결과를 예측하기 어렵다는 평가다.
배경과 방법
- 연구진은 Qwen3-TTS의 전사문을 함께 주는 ICL과 음성 특징 벡터만 주는 X-Vector를 세 비교 모델과 네 영어 영역에서 시험했다. 자동 음향 지표 18개와 AMI 청취, 음성 LLM 판정, 재학습하지 않은 AASIST 탐지기를 함께 사용했다.
실험 근거
- 정확한 전사와 긴 참조에서는 ICL 음색 보존이 좋았지만 짧은 전사 오류에 취약했다. X-Vector는 시간 양상에 강했다. AMI 듣기 시험에서 복제음을 실제로 고른 비율은 X-Vector 35.6%, ICL 27.0%였고 비교 모델은 최대 9.0%였다.
적용 조건
- 영어 자료 네 영역·각 한 시간과 세 사람의 듣기 결과다. 한 배포형 탐지기가 항공교신에서 실패한 사실을 모든 음성 탐지가 실패한다는 뜻으로 확대하지 않는다. 자동 품질 지표와 LLM 판정은 청자의 순위를 일관되게 재현하지 못했다.
함께 확인할 조건
- 영어 네 말뭉치 각 1시간과 AMI의 세 청자 평가다. 배포형 AASIST 한 종류를 재학습·재보정 없이 적용한 결과여서 다른 탐지기 실패나 실제 전화 사기를 입증하지 않는다. LLM 음성 판정도 제시 순서에 민감한 비심사 프리프린트다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.