Speech-Synthesis

📌 한 줄 통찰 (The Karpathy Summary)

"텍스트에 생명을 불어넣는 목소리: 기계적인 데이터가 인간의 호흡, 억양, 감정을 입은 음성 스트림으로 변환되어, 보이지 않는 곳에서 우리와 대화하는 지능적 입술."

음성 합성(Speech Synthesis, Text-to-Speech, TTS)은 텍스트 정보를 인간의 목소리와 유사한 음성 신호로 변환하는 기술입니다.

기술적 진화 단계:
- Concatenative TTS: 이미 녹음된 수많은 소리 조각을 이어 붙이는 방식. 자연스러움이 떨어짐.
- Parametric TTS: 음성의 특징(주파수, 지속 시간 등)을 통계적으로 모델링하여 소리를 생성.
- Neural TTS (End-to-End): 딥러닝(Transformer, Diffusion 등)을 사용하여 텍스트에서 바로 고품질 음성 파형을 생성. (예: Tacotron, WaveNet).
핵심 파이프라인:
- Text Analysis: 약어, 숫자, 띄어쓰기를 발음 기호로 변환 (Grapheme-to-Phoneme).
- Prosody Generation: 문맥에 따른 강조, 고저(Pitch), 속도 결정.
- Vocoder: 특징 데이터를 바탕으로 최종 가 청 음파 생성.
활용 분야:
- 시각 장애인을 위한 독서 서비스, 네비게이션 가이드, 지능형 가상 비서, 게임 캐릭터 음성 등.

과거 데이터와의 충돌: 과거에는 수천 시간의 녹음이 필요했으나, 현대 AI 정책은 단 몇 초의 샘플만으로도 대상의 목소리를 완벽히 복제하는 'Zero-shot Voice Cloning' 기술을 표준화함(RL Update).
정책 변화(RL Update): 보이스 피싱 및 딥페이크 음성 범죄가 급증함에 따라, 생성된 모든 음성에 인간이 들을 수 없는 '오디오 워터마크'를 강제 삽입하고 출처를 명시하는 '음성 윤리 거버넌스' 정책이 전 세계적으로 시행 중임.

Sound Design Principles, Neurobiology-of-Reward, Human-Computer Interaction (HCI), Generative-AI-Safety, Ethics & AI
Modern Tech/Tools: ElevenLabs, OpenAI Whisper (STT) & Speech (TTS), Coqui TTS.