이제 AI에게 사진을 보여주며 "이게 뭐야?"라고 물어볼 수 있습니다. 목소리로 말을 걸면 목소리로 답도 하죠. 글만 주고받던 AI가 언제 이렇게 눈과 귀와 입을 갖게 됐을까요?
그런데 뉴스에는 멀티모달, STT, TTS 같은 알파벳 줄임말이 쏟아집니다. 뜻은 모른 채 '좋다더라'만 듣고 넘어가기 일쑤죠. 저만 그런 게 아닐 겁니다.
그래서 오늘은 AI가 글 너머 음성과 이미지를 다루는 입출력 용어 4가지를 초등학생 눈높이로 풀어 봅니다. 이 4개면 요즘 AI 뉴스의 절반은 읽힙니다.
1. 멀티모달 (Multimodal)
글·이미지·음성 등 여러 형태를 한꺼번에 다루는 AI. 오감을 두루 쓰는 사람과 비슷합니다.
모달(Modal)은 정보의 '형태'를 뜻합니다. 글, 그림, 소리처럼요. 멀티모달(Multimodal, 다중 형태)은 이런 여러 형태를 한 모델이 함께 이해하고 만들어 내는 것을 말합니다. 사진을 보여주면 설명해 주고, 그림을 그려 달라면 그려 주죠. 사람이 눈·귀·입을 함께 쓰듯, AI도 여러 감각을 갖춘 셈입니다. 왜 중요할까요? 글로만 주고받던 한계를 넘어 활용 범위가 확 넓어지기 때문입니다.
이럴 때 써요: "이 모델은 멀티모달이라 사진을 올리고 질문할 수 있어요."
2. STT (Speech-to-Text)
말을 글자로 바꾸는 기술. 회의 내용을 받아 적는 비서라고 보면 됩니다.
STT(Speech-to-Text, 음성-글 변환)는 사람이 말한 음성을 텍스트로 옮기는 기술입니다. 스마트폰 음성 입력, 유튜브 자동 자막이 모두 STT예요. 받아쓰기를 대신 해 주는 셈이죠. 시끄러운 곳에서는 틀리기도 하지만, 요즘은 꽤 정확합니다.
이럴 때 써요: "STT로 1시간짜리 회의를 자동으로 받아 적었어요."
3. TTS (Text-to-Speech)
글자를 사람 목소리로 읽어 주는 기술. STT와 정반대 방향입니다.
TTS(Text-to-Speech, 글-음성 변환)는 글을 자연스러운 목소리로 소리 내어 읽는 기술입니다. 오디오북, 내비게이션 안내 음성, 화면 낭독이 대표적이죠. STT가 '말에서 글'이라면 TTS는 '글에서 말', 딱 반대 방향입니다. 방향만 바꿨을 뿐인데 쓰임새가 전혀 달라집니다.
이럴 때 써요: "TTS로 블로그 글을 오디오로 만들어 들려줬어요."
4. 텍스트 투 이미지 (Text-to-Image)
글로 설명하면 그림을 그려 주는 기술. 말로 주문하는 화가와 같습니다.
텍스트 투 이미지(Text-to-Image, 글-그림 변환)는 원하는 장면을 문장으로 적으면 그에 맞는 그림을 만들어 주는 기술입니다. "노을 지는 바닷가"라고 쓰면 그런 그림이 뚝딱 나오죠. 손으로 못 그려도 말로 설명만 하면 됩니다(그림 실력과 이별할 시간이죠). 다만 세밀한 요구는 여러 번 고쳐 말해야 원하는 그림에 가까워집니다.
이럴 때 써요: "텍스트 투 이미지로 발표 자료 삽화를 직접 만들었어요."
자주 묻는 질문
STT와 TTS는 어떻게 다른가요?
방향이 정반대입니다. STT는 말을 글로 바꾸고(받아쓰기), TTS는 글을 말로 바꿉니다(소리 내어 읽기). 이름 속 순서를 보면 쉬워요. Speech-to-Text는 음성(Speech)이 먼저, Text-to-Speech는 글(Text)이 먼저입니다. 앞에 오는 것이 '입력'이라고 기억하면 헷갈리지 않습니다.
멀티모달이면 무조건 더 좋은 AI인가요?
용도에 따라 다릅니다. 글만 다루면 되는 작업에는 멀티모달이 굳이 필요 없을 수 있어요. 대신 사진 설명, 그림 생성, 음성 대화처럼 형태를 넘나드는 일에는 큰 힘을 발휘합니다. 기능이 많다고 항상 정답은 아니며, 하려는 일에 맞는지가 더 중요합니다.
텍스트 투 이미지로 만든 그림을 마음대로 써도 되나요?
서비스마다 이용 약관이 다릅니다. 상업적 사용을 허용하는 곳도, 제한하는 곳도 있어요. 또 유명 인물이나 저작권 있는 캐릭터를 흉내 내면 문제가 될 수 있습니다. 사용 전에 해당 서비스의 약관을 꼭 확인하는 편이 안전합니다.
멀티모달·STT·TTS·텍스트 투 이미지. AI가 글을 넘어 보고 듣고 그리는 방식이 조금 선명해지셨나요? 다음 편에서는 AI에게 최신 정보와 자료를 붙여 더 똑똑하게 답하게 만드는 'RAG' 관련 용어를 같은 눈높이로 이어 가겠습니다.
참고: OpenAI 음성 인식 가이드