AI TTS API 비교 | 언어권별 주력·자동화·실사용 후기 (2026)

AI TTS(텍스트 음성 변환)는 이제 영상 나레이션, 음성 에이전트, 오디오북, 다국어 더빙까지 파이프라인의 기본 부품이 됐다. 서비스마다 API·SDK·가격·지연 시간·감정 표현이 달라서, 데모 30초만 듣고 고르면 나중에 비용이나 품질에서 손해를 보는 경우가 많다.

실무에서는 언어권별로 검증된 기본값이 먼저 정해지고, 그 위에 목적(저비용·실시간·클로닝·셀프호스팅) 에 맞는 글로벌 서비스를 얹는 하이브리드가 흔하다. 중국어는 Minimax 등 본토 서비스, 한국어는 슈퍼톤 플레이·타입캐스트, 영어 중심 다국어는 일레븐랩스가 가장 널리 쓰인다. 아래는 API·자동화 관점에서 커뮤니티 후기와 공식 문서를 교차해 정리한 비교다.

1. 언어권별 주력 서비스가 갈리는 이유

글로벌 TTS 시장은 「하나의 모델이 모든 언어를 다 이긴다」기보다, 학습 데이터·발음 규칙·감정 연기 문화가 언어마다 달라서 지역 특화 제품이 살아남는 구조다. 오픈소스 모델 대부분은 영어·중국어에 치우쳐 있어 한국어는 국내 상용 API나 다국어 강자를 직접 들어보는 편이 안전하다.

커뮤니티에서 반복되는 교훈은 실제 스크립트 5~10개 목소리로 직접 테스트하는 것과, 언어별로 따로 벤치마크하는 것이다.

그림 1. 언어권마다 검증된 기본 TTS가 다르다

2. 중국어: Minimax와 중국 본토 서비스

2.1. Minimax TTS

중국어권에서는 Minimax가 사실상의 기본 선택지로 자주 언급된다. 감정 깊이, 비음이 섞인 자연스러운 톤, 보이스 클로닝 자유도가 강점으로 꼽힌다. Replicate의 minimax/speech-02-hd, speech-2.6-turbo 등으로 HTTP API 파이프라인에 붙이기 쉽고, language_boost로 중국어·광둥어 등 방언 인식을 강화할 수 있다.

2.2. Volcano Engine(火山引擎)·Tencent Cloud TTS

바이트댄스 계열 Volcano Engine, Tencent Cloud TTS 등 중국 본토 클라우드 TTS는 대량 처리·국내 규제·결제 체계와 맞물려 현지 프로덕션에서 널리 쓰인다. 해외 개발자에게는 문서·결제·네트워크 진입 장벽이 있을 수 있다.

2.3. CosyVoice(오픈소스)

Alibaba 계열 CosyVoice는 오픈소스로 공개돼 셀프호스팅·클로닝 커스터마이징에 쓰인다. 중국어·다국어 클로닝을 API 비용 없이 실험하려는 팀에 맞다. 품질·안정성은 직접 GPU 환경에서 검증해야 한다.

3. 한국어: 슈퍼톤 플레이와 타입캐스트

한국어는 국내 특화 서비스가 주력이라는 점이 뚜렷하다. 글로벌 오픈소스(Kokoro, Chatterbox 등)의 한국어 품질은 커뮤니티에서 검증이 부족한 편이다.

3.1. 슈퍼톤 플레이(Supertone Play)

슈퍼톤은 한국 스타트업으로, Play 웹과 Supertone API가 통합 크레딧을 공유한다(2026년 1월 통합 안내). 공식 문서 기준 31개 언어, 200+ 프리미열 보이스, 50+ 감정 스타일, 약 10초 샘플 클로닝, Python·TypeScript SDK를 제공한다.

API는 x-sup-api-key 헤더 인증, 요청당 텍스트 300자( SDK는 자동 청킹). 클론 보이스는 Play에서 등록 후 API에서 즉시 사용한다. Predict Duration API로 크레딧 소모 전 길이를 미리 볼 수 있다.

커뮤니티·실무 후기에서는 한국어 감정·억양의 자연스러움, 스타일 다양성, 엔터·음악 도메인 노하우가 강점으로 거론된다. 하이브 계열 배경이 반영된 제품이라는 인식도 있다.

▶ 슈퍼톤 플레이 — AI 보이스 체험하기

한국어 감정·억양 · 보이스 클로닝 · Play·API 통합 크레딧 (제휴 링크)

3.2. 타입캐스트(Typecast, 네오사피엔스)

타입캐스트는 캐릭터형 보이스·감정 연기·영상 워크플로에 강한 국내 서비스다. ssfm-v30 모델로 한국어·영어·일본어·중국어·베트남어 등 다국어를 지원하고, 스트리밍 TTS, 타임스탬프 자막, 인스턴트 클로닝 API가 있다. Python·JavaScript·Go·Rust 등 10개 이상 공식 SDK를 제공해 자동화 친화적이다.

감정은 7개 프리셋과 수동 미세 조정이 가능하고, 대화형 에이전트·턴테이킹에 맞춘 API 설계를 내세운다. 한국 콘텐츠 제작(유튜브·교육·광고)에서 오래 쓰인 서비스 중 하나다.

3.3. 한국어 보조 옵션

대량·저비용 한국어 자동화가 필요하면 Google Cloud TTS(Chirp 3 HD / Gemini TTS) 가 보조로 자주 언급된다. 월 100만 자 무료 티어가 있어 배치 나레이션에 유리하나, 감정 연기·캐릭터 톤은 슈퍼톤·타입캐스트·일레븐랩스 대비 밋밋할 수 있다.

그림 2. 한국어는 국내 특화 API가 실무 기본값이다

4. 외국어·다국어: 일레븐랩스(ElevenLabs)

영어 중심 다국어 외국어 콘텐츠에서는 일레븐랩스가 가장 널리 알려진 표준에 가깝다. 70개 이상 언어, 방대한 보이스 라이브러리, 보이스 클로닝·더빙·사운드 이펙트까지 오디오 플랫폼 전체를 제공한다.

「최고 품질」 단정보다, 다국어 외국어 콘텐츠의 안전한 기본값이면서 비용·지연이 병목이 될 수 있다고 보는 편이 실무적이다.

▶ 일레븐랩스 — 다국어 TTS 체험하기

70+ 언어 · 보이스 클로닝 · ElevenAPI · 스트리밍 (제휴 링크)

5. 저비용 대량 자동화: 빅테크 클라우드 TTS

언어와 무관하게 볼륨·안정성·SDK가 우선일 때 빅테크 API가 선택된다.

5.1. OpenAI TTS

커뮤니티에서는 「저렴 + 다국어 + 정식 출시 + 높은 rate limit」을 동시에 만족하는 조합으로 자주 추천된다. 사실성은 좋으나 응답 속도가 다소 느리다는 지적이 있고, GPT 워크플로와 통합이 쉬운 점이 강점이다. gpt-4o-mini-tts는 말하는 방식을 instructions로 조절할 수 있어 감정·톤 실험에 유리하다.

5.2. Google Cloud Text-to-Speech

Chirp 3 HD와 Gemini TTS가 같은 세대로 묶여 논의된다. 380+ 보이스, 75+ 언어로 커버리지가 넓고, Chirp 3 HD는 정식 출시·다국어·속도 면에서 무난하다는 평이 많다. Gemini TTS는 표현력이 더 좋고, Chirp는 안정·실시간에 가깝다는 구분이 있다. 월 100만 자 무료가 가성비 논의의 핵심이다. 다만 1초대 지연이 실시간 대화에는 부담될 수 있다.

5.3. Amazon Polly

「AWS의 잊혀진 자식」이라는 냉정한 평도 있으나, 저렴·빠름·SSML·MP3 배치에 강해 대규모 안정 배치에 여전히 쓰인다. 최신 감정형 모델 대비 뒤처졌다는 인식은 있다.

5.4. Microsoft Azure Neural TTS

안정성·저지연·가격이 강점이나 「뉴스 앵커처럼 밋밋하다」는 후기가 반복된다. 고객 응대·안내에는 충분하나 설득·감정 콘텐츠에는 부족했다는 실사용 사례가 있다. 엔터프라이즈 SLA·커스텀 보이스가 필요할 때 후보가 된다.

6. 실시간·음성 에이전트 특화

전화·보이스봇·실시간 대화에서는 지연 시간(TTFB) 이 품질만큼 중요하다.

6.1. Cartesia(Sonic)

State Space Model(SSM) 기반으로 40ms대 TTFB(Turbo) 를 내세운다. 스트리밍이 빠르고 AI 통화 캠페인에서 지연이 거의 느껴지지 않는다는 후기가 많다. Pro 플랜 $5/월에 10만 크레딧(약 1크레딧=1자), Startup $49/월 125만 크레딧 수준이다. 3초 오디오로 인스턴트 클론이 가능하다.

약점은 영어 중심이고, 이탈리아어·힌디어 등 비영어·커스텀 보이스에서 제한이 있다는 프로덕션 지적이 있다. Sonic Turbo는 요청당 500자 제한으로 긴 문장은 청킹이 필요하다.

6.2. Deepgram(Aura-2)

STT+TTS를 묶은 음성 에이전트 스택으로 호평받는다. 전화 오디오 품질에서 강점이 있으나 다국어 편차·code-switching에서 정확도가 떨어질 수 있다는 한계도 언급된다.

6.3. Rime AI

대화체로 훈련해 방송인 느낌이 덜하다는 차별점을 내세운다. 발음 커스터마이징·무료 체험 분이 있으나, 직접 테스트하라는 권고가 커뮤니티에도 있다.

6.4. Inworld TTS

저렴했다는 추천과 함께 가격 5배 인상 이슈가 커뮤니티에 올라와 비용 안정성 측면에서 주의가 필요하다.

그림 3. 대량 배치와 실시간 통화는 다른 TTS가 맞다

7. 표현력·크리에이티브 (후기가 엇갈리는 서비스)

7.1. Hume AI(Octave)

LLM 기반으로 문맥 감정을 이해한다는 컨셉이나, 후기는 갈린다. 「노이즈 아티팩트」「텍스트에 없는 말을 지어냄」 같은 구체적 불만과, 기대에 못 미쳤다는 평이 공존한다. 프로덕션 도입 전 충분한 샘플 테스트가 필요하다.

7.2. PlayHT(Play.ai)

Meta 인수 이후 청구·지원·서비스 종료 관련 격앙된 후기가 다수라, 신규 도입은 신중해야 한다는 경고가 커뮤니티에 반복된다. 영어 품질 자체는 인상적이었으나 신뢰성 리스크가 크다.

7.3. Fish Audio

인스턴트 클론·보이스 슬롯 게이트키핑 없음이 강점이나, 클론 품질·문장 끝 upspeak·크레딧 소모 속도에 대한 불만도 있다. 가성비와 품질 평가가 서비스마다 갈린다.

7.4. Resemble AI(상용 API·Chatterbox 오픈소스)

상용 API는 초당 과금·워터마킹이 특징이다. 오픈소스 Chatterbox는 로컬 TTS에서 자주 「최고」로 꼽히며, ~5초 인스턴트 클론·Turbo 150ms 미만 TTFS가 강점이다. 환각·억양 랜덤 전환은 고품질 30~45초 레퍼런스로 완화된다는 반박도 있다.

8. 오픈소스·셀프호스팅

GPU·서버 비용을 감수하면 API 과금 없이 볼륨을 키울 수 있다.

Minimax처럼 Replicate·fal.ai에서 특정 언어 모델만 골라 쓰는 방식도 흔하다. 한국어는 오픈소스만으로는 리스크가 크다.

9. API·자동화 연동 시 체크리스트

파이프라인에 붙이기 전에 아래를 표로 점검하면 재작업을 줄일 수 있다.

슈퍼톤·타입캐스트·일레븐랩스·OpenAI·Google은 공식 SDK가 있어 Node·Python 자동화에 유리하다. Replicate 경유 Minimax는 예측 폴링 패턴을 감안해야 한다.

10. 상황별 선택표

그림 4. 언어별 기본값 위에 목적별 서비스를 얹는 하이브리드가 실무적이다

11. 마무리

앞에서 다룬 AI TTS API 선택의 핵심만 짧게 정리한다.

• 언어권 기본값을 먼저 정한다 — 중국어 Minimax, 한국어 슈퍼톤·타입캐스트, 외국어 일레븐랩스
• 목적이 다르면 서비스를 섞는다 — 대량은 Google·OpenAI, 실시간은 Cartesia, 로컬은 Chatterbox·Kokoro
• 데모가 아니라 실제 스크립트로 검증 — 5~10개 보이스·언어별로 들어본 뒤 API 연동
• 청킹·크레딧·자/토큰 과금을 미리 계산 — Predict Duration(슈퍼톤) 등 미리보기 API 활용
• 한국어는 오픈소스 단독 도입을 피한다 — 국내 상용 또는 다국어 강자로 검증
• PlayHT·Hume·Inworld는 커뮤니티 부정 신호를 확인한 뒤 도입
• 가격·모델명·한도는 시점마다 변한다 — 공식 pricing·docs를 배포 전에 다시 확인

「언어별 검증된 기본값 위에, 비용·실시간·볼륨 목적만 글로벌 API로 보완하는 하이브리드가 가장 덜 후회하는 구성이다.」 — 파이프라인 설계 시 언어·분당 생성량·지연 요구사항을 먼저 적어 두고 후보를 좁히면 된다.

자주 묻는 질문

• 한국어 TTS API는 무엇을 쓰는 게 일반적인가요?

  실무에서는 슈퍼톤 플레이와 타입캐스트가 주력으로 쓰인다. 둘 다 REST API·공식 SDK를 제공하며, 한국어 감정·억양·캐릭터 연기에 강하다. 대량·저비용 배치가 필요하면 Google Cloud Chirp 3 HD를 보조로 검토한다.

• 중국어 TTS는 Minimax만 쓰면 되나요?

  Minimax는 중국어에서 가장 자주 언급되는 선택지이며 Replicate API로 자동화하기 쉽다. Volcano Engine·Tencent Cloud 같은 본토 클라우드와 CosyVoice 오픈소스를 함께 보면 상용·셀프호스팅을 모두 커버할 수 있다.

• 외국어·다국어 콘텐츠에는 어떤 TTS가 많이 쓰이나요?

  영어 중심 다국어에서는 일레븐랩스가 가장 널리 알려진 표준에 가깝다. 70개 이상 언어, 클로닝·더빙·스트리밍 API를 갖추었으나 대량 사용 시 비용과 지연을 함께 검토해야 한다.

• 저비용으로 대량 나레이션을 자동화하려면?

  OpenAI tts-1(약 $15/100만 자), Google Cloud Chirp 3 HD(월 100만 자 무료 티어), Amazon Polly가 커뮤니티에서 자주 추천된다. 감정 연기보다 볼륨·안정성·SDK가 우선일 때 적합하다.

• 실시간 음성 에이전트·AI 통화에는 어떤 TTS가 맞나요?

  Cartesia Sonic이 지연 시간 면에서 강점으로 꼽힌다. Deepgram Aura-2는 STT와 묶인 전화·에이전트 스택으로 호평받으나 다국어 편차가 있다. 영어 실시간이면 Cartesia, STT 통합이면 Deepgram을 비교한다.

• 슈퍼톤 API와 Play 웹 크레딧은 같나요?

  2026년 1월부터 슈퍼톤 Play와 TTS API가 통합 크레딧 체계를 쓴다. 한 계정으로 웹·API를 함께 쓰고, Play 대시보드나 API 콘솔·Get Credit Balance로 잔액을 확인할 수 있다.

• 타입캐스트 API의 특징은 무엇인가요?

  네오사피엔스의 타입캐스트는 ssfm-v30 모델, 스트리밍 TTS, 타임스탬프 자막, 인스턴트 클로닝, 10개 이상 언어 SDK를 제공한다. 캐릭터형 감정 연기와 대화형 에이전트 설계가 강점이다.

• Minimax TTS를 Replicate에서 쓰려면?

  minimax/speech-02-hd 또는 speech-2.6-turbo 모델에 Replicate API 토큰으로 예측을 생성한다. text, voiceid, languageboost(예: Chinese)를 넣고, Mandarin·Cantonese 프리셋 보이스 ID를 선택하면 된다.

• 일레븐랩스 API 가격은 어떻게 되나요?

  2026년 기준 ElevenAPI는 Flash/Turbo 약 $0.05/1,000자, Multilingual v2/v3 약 $0.10/1,000자 수준이며 PAYG(선불 충전)도 있다. 구독 플랜 크레딧과 별도로 API는 달러 과금이며 무료 티어는 상업 라이선스가 없을 수 있다.

• OpenAI gpt-4o-mini-tts는 tts-1과 무엇이 다른가요?

  gpt-4o-mini-tts는 instructions 파라미터로 말투·감정을 지시할 수 있고 토큰 과금이다. tts-1·tts-1-hd는 자당 고정 과금($15·$30/100만 자)으로 단순 배치에 유리하다. 통합·표현 제어는 전자, 예측 가능한 단가는 후자가 낫다.

• 오픈소스 TTS로 비용을 줄일 수 있나요?

  Chatterbox(클로닝), Kokoro(경량·Apache 2.0), CosyVoice(중국어), 슈퍼톤 Supertonic 3(온디바이스) 등이 자주 언급된다. GPU·운영 부담과 환각·밋밋함 트레이드오프가 있으며 한국어는 상용 API 검증이 안전하다.

• PlayHT·Hume·Inworld는 왜 주의가 필요하다고 하나요?

  PlayHT는 인수 이후 청구·지원·서비스 신뢰성 관련 부정 후기가 많다. Hume Octave는 품질·환각 편차 후기가 갈린다. Inworld는 가격 대폭 인상 이슈가 있어 장기 비용 예측이 어렵다. 신규 도입 전 실스크립트 테스트와 최신 pricing 확인이 필요하다.