이미지: METAL LAB 생성
요약
- 카르테시아의 스트리밍 TTS 모델 Sonic-3.6이 아티피셜 애널리시스의 두 음성 리더보드에서 동시에 1위를 기록했다
- 8개 동일 기준 목소리로 엔진만 비교하는 컨트롤드 보이스 보드에서 Sonic-3.5, ElevenLabs Eleven v3를 앞섰다
- 트랜스포머 대신 스테이트 스페이스 모델 구조를 쓰며, 베타 상태로 카르테시아 API에서만 제공된다
- 모델
- Cartesia Sonic-3.6 (스트리밍 TTS, Sonic-3.5 이후 약 3개월 만)
- 프로바이더 보이스 Elo
- 1,283점, 아티피셜 애널리시스 리더보드 1위
- 컨트롤드 보이스 Elo
- 1,123점, 1위(2위 Sonic-3.5, 3위 ElevenLabs Eleven v3)
- 아키텍처
- 트랜스포머 대신 스테이트 스페이스 모델(SSM) 기반
- 지연시간
- 첫 오디오 생성까지 90ms 미만(제조사 발표치)
- 공개 형태
- 베타, 카르테시아 API로만 제공, 오픈 웨이트·허깅페이스 저장소 없음
- 가격
- 100만 자당 49달러, ElevenLabs Eleven v3(100달러)의 절반, Speechify Simba 3.2(10달러)보다 고가
- 요금제
- Free/Pro 5달러, Startup 49달러/월, Scale 299달러/월(약 10,667분, 동시요청 15건)
목소리를 통일해도 이긴 이유
실시간 음성합성 모델의 순위를 매기는 아티피셜 애널리시스에는 두 개의 리더보드가 있다. 하나는 각 회사가 파는 목소리 그대로 겨루는 프로바이더 보이스 보드, 다른 하나는 모든 모델을 똑같은 8개의 기준 목소리로 복제해 겨루는 컨트롤드 보이스 보드다. 후자는 목소리 카탈로그의 매력을 걷어내고 합성 엔진 자체의 실력만 남긴다. 카르테시아(Cartesia)가 새로 내놓은 Sonic-3.6은 이 두 보드에서 동시에 1위를 차지했다 — 프로바이더 보이스에서 1,283점, 컨트롤드 보이스에서 1,123점이다. 컨트롤드 보이스 결과가 더 의미 있는 이유는 목소리가 아니라 엔진 자체가 개선됐다는 뜻이기 때문이다. 이 보드에서 Sonic-3.5가 2위, ElevenLabs의 Eleven v3가 3위를 기록했다.
Sonic-3.6이 바꾼 것
Sonic-3.6은 전작 Sonic-3.5가 나온 지 약 3개월 만에 출시됐다. 가장 큰 변화는 목소리의 자연스러움이며, 이 부분은 외부에서 독립적으로 검증할 수 있다는 게 특징이다. 카르테시아의 MarkTechPost는 “이번 변화는 자연스러움이며, 이는 독립적으로 확인 가능하다”고 평가했다. 이 모델은 트랜스포머 대신 스테이트 스페이스 모델(SSM) 구조로 작동한다. 트랜스포머는 문장이 길어질수록 계산량이 늘지만, SSM은 순차적으로 상태를 갱신하는 방식이라 실시간 스트리밍에 유리하다. 카르테시아는 이 구조 덕분에 첫 오디오가 나오기까지 걸리는 시간이 90ms 미만이라고 밝혔다. 다만 이 수치는 회사가 자체 측정한 모델 지연시간으로, 실제 서비스에서 오가는 왕복 지연과는 다를 수 있다.
베타, 그리고 접근 조건
Sonic-3.6은 아직 베타 단계이며 카르테시아 자체 API로만 쓸 수 있다. 직접 내려받아 서버에 올리는 오픈 웨이트 형태가 아니고, 허깅페이스 같은 공개 저장소에도 올라와 있지 않다. 임차하는 방식의 상용 모델이라는 뜻이다. 회사 공식 문서에는 여전히 Sonic-3.5가 안정 버전으로 표기돼 있고, 파트너사들도 대부분 3.5를 쓰고 있다.
| 요금제 | 대상 | 비용 |
|---|---|---|
| Free / Pro | 솔로 개발자·초기 스타트업 | 0~5달러 |
| Startup | 콜센터를 운영하는 성장기 기업 | 월 49달러 |
| Scale | 규제 대응이 필요한 대기업 | 월 299달러 (약 10,667분 TTS, 동시요청 15건) |
가격 면에서는 아티피셜 애널리시스가 Sonic-3.6을 100만 자당 49달러로 산정했다. 이는 ElevenLabs Eleven v3(100달러)의 절반 수준이지만, 1,240점을 받은 Speechify Simba 3.2(10달러)보다는 비싸다.
| 모델 | 100만 자당 가격 | 벤치마크 Elo |
|---|---|---|
| Speechify Simba 3.2 | 10달러 | 1,240 |
| Cartesia Sonic-3.6 | 49달러 | 1,283 (프로바이더 보이스) |
| ElevenLabs Eleven v3 | 100달러 | 컨트롤드 보이스 3위 |
실무에 붙는 기능들
Sonic-3.6은 내레이션보다 상담원 대화 스크립트에 맞춰 설계된 제어 기능을 여럿 넣었다. 대본에 "[laughter]" 같은 표현 태그를 그대로 적어 넣으면 웃음소리 같은 비언어적 표현이 재생된다. 약 10초 분량의 음성만 있으면 즉석에서 목소리를 복제할 수 있고, subpoena(소환장) 같은 단어의 발음을 IPA 표기로 직접 지정하는 "<<s|ə|ˈ|p|i|n|ə>>" 방식의 발음 사전도 지원한다. 속도·음량·감정 값은 API와 LiveKit Agents 플러그인을 통해 조절할 수 있고, 주문번호나 전화번호 같은 영숫자 조합도 별도 전처리 없이 정확히 읽어낸다. 공개된 시연 영상에는 자연스러운 멈춤과 말버릇이 섞인 영어, 힌디어와 영어를 오가는 코드스위칭 사례가 담겼다.
어떻게 써보나
① 카르테시아 웹사이트의 요금제 페이지에서 Free 또는 Pro 티어를 선택하는 것으로 시작한다. ② 계정을 만들면 API 키가 발급되고, 이를 자신의 앱이나 LiveKit Agents 같은 통합 도구에 연결한다. ③ 대본 텍스트를 API로 보내면서 표현 태그와 발음 사전, 속도·감정 파라미터를 함께 지정하면 원하는 톤의 음성이 스트리밍으로 돌아온다. 회사가 밝힌 대상 업종은 금융, 헬스케어, 리테일·이커머스, 물류, 채용, SaaS 고객지원, 소비자용 동반 앱, 미디어 현지화 등이다. 예를 들어 콜센터라면 인바운드 상담 자동응답이나 아웃바운드 확인 전화에, 미디어 회사라면 콘텐츠 더빙 현지화에 붙여볼 수 있다. 다만 상용 서비스로 쓰려면 최소 Pro 티어(5달러)부터 시작해야 하고, 대규모 운영에는 별도 통화 요금(분당 0.06달러)이 추가로 붙는다.
에디터의 시선
이번 발표에서 눈여겨볼 지점은 순위 자체보다 어느 보드에서 이겼느냐다. 목소리 카탈로그가 좋아서 이기는 것과 엔진이 좋아서 이기는 것은 다른 이야기인데, 컨트롤드 보이스 보드는 그 차이를 걷어내고 순수하게 합성 품질만 잰다. 카르테시아가 여기서도 1위를 했다는 건, 목소리 마케팅이 아니라 모델 자체의 자연스러움이 실제로 개선됐다는 뜻으로 읽힌다.
이 분야를 몇 년 지켜본 사람이라면 익숙한 패턴이 반복되는 중이다. 트랜스포머 기반 TTS가 품질을 끌어올리는 동안 지연시간은 늘 발목을 잡았는데, 스테이트 스페이스 모델을 들고 나온 회사들이 최근 그 트레이드오프를 하나씩 깨고 있다. Sonic-3.6이 90ms 미만의 첫 오디오 지연을 내세우면서도 리더보드 1위를 가져간 건, 속도와 품질 중 하나를 포기하지 않아도 된다는 걸 보여주는 사례다.
국내 콜센터나 고객지원팀이라면 이 발표를 가격표부터 볼 필요가 있다. 100만 자당 49달러는 ElevenLabs보다 싸지만 Speechify보다는 비싼 중간 지점이고, 여기에 분당 0.06달러의 통화 요금이 별도로 붙는다는 점을 놓치면 월말 청구서에서 놀라기 쉽다. 소규모로 먼저 Pro 티어에서 발음 사전과 표현 태그를 테스트해 본 뒤 Startup 이상으로 넘어가는 순서가 안전하다. 오픈 웨이트가 아니라 임차형 API라는 점도 자체 인프라에 음성 엔진을 얹으려는 팀에는 제약으로 작용한다.
다음 몇 주 안에는 카르테시아 문서가 Sonic-3.5에서 3.6을 안정 버전으로 바꿀지, 그리고 ElevenLabs가 이 순위에 어떻게 응수할지가 관전 포인트다. 두 리더보드 모두에서 1위를 뺏기 위한 다음 라운드는 이미 시작됐다고 봐도 무방하다.
