Gemini 3.8 TTS vs Inworld Realtime TTS-2: 어느 스코어보드를 믿느냐가 답을 바꾼다

나란히 놓고 보면 Gemini 3.8 Flash TTS와 Inworld Realtime TTS-2는 Artificial Analysis Provider Voice Arena에서 답이 뻔해 보인다: 2위 대 4위, Elo 1,260 대 1,245, 각각 아레나 음성 8개, 그리고 백만 자당 정규화된 $16.50 대 $20.80. 벤더는 순위에서도 가격에서도 앞서고, 15점 차이는 어차피 두 행 모두의 신뢰 구간 안에 들어 있다.

Artificial Analysis가 공개하는 다른 리더보드로 가면 순위가 뒤집힙니다. Inworld Realtime TTS-2는 Controlled Voice Arena에서 Elo 1,123으로 1위를 차지하고 있으며, Flash 변형은 1,075입니다. 이는 반올림 차이가 아닙니다 — 다른 모델이 승리하고 있다는 뜻이며, 그 이유는 두 리더보드가 같은 것을 측정하고 있지 않기 때문입니다. 제품용 음성을 고르고 있다면, 사용 사례가 실제로 이 두 질문 중 어느 쪽을 묻고 있는지 아는 것이 결정의 전부입니다.

두 개의 보드, 두 가지 다른 질문

Provider Voice Arena는 모델 자체의 네이티브 보이스, 즉 공급업체가 제공하고 호스팅하는 보이스에 점수를 매깁니다. Controlled Voice Arena는 보이스를 고정한 채, 각 모델이 자기 목소리가 아닌 보이스로 말하도록 요청받았을 때 얼마나 잘 수행하는지 점수를 매깁니다. 동일한 심사위원, 동일한 종류의 블라인드 비교, 다른 변수.

그 구분은 서로 다른 두 가지 작업에 대응합니다:

• 공급자 순위는 "이 모델이 기본 상태에서도 좋게 들리는가"에 답한다. 이는 고정된 내레이터 음성 세트와 함께 제공되며 아무것도 복제하지 않는 제품에 적합한 평가 기준이다.

• 통제된 랭킹은 "이 모델이 보이스 명세를 준수하는가"에 답합니다. 이는 보이스가 고객의 것인 제품, 즉 복제된 브랜드 보이스, 라이선스된 배우, 테넌트별 아이덴티티에 적합한 보드입니다.

Google의 모델은 첫 번째에서 앞서고, Inworld의 모델은 두 번째에서 앞선다. 두 진술은 동시에 참이며 어느 하나도 모순이 아니다. 바로 그래서 “어떤 TTS 모델이 가장 좋은가”에 대한 단일 답변은 보통 작성자가 한 보드만 골라 보고 다른 보드는 보지 않았다는 신호다.

Inworld의 1위 위치가 실제로 무엇을 의미하는가

1위 {{1}}Controlled{{/1}} 결과는 지시에 대한 충실성에 관한 주장이며, 지시에 대한 충실성은 {{2}}클로닝{{/2}}이 사용 가능한지를 결정하는 속성이다.

Inworld의 클로닝 경로는 두 가지 형태로 제공됩니다. 인스턴트 클로닝은 짧은 샘플로 작동합니다 — 공급업체가 제시한 수치는 5~15초의 참조 오디오입니다 — 그리고 프로페셔널 클로닝 티어는 베타 상태이며 약 10분 정도를 요구합니다. 둘 다 공급업체가 보고한 내용이며, 아레나가 독립적으로 검증한 것은 아닙니다. 아레나가 측정하는 것은 모델이 음성을 갖게 된 이후의 동작이지, 그 음성을 생성한 클로닝 단계의 품질이 아닙니다.

그 패밀리에 붙은 지연 시간 주장들도 같은 범주에 속한다. Flash 변형의 첫 바이트 수치 — 제3자 측정을 통해 보고된 25밀리초 — 와 전체 모델의 p99 수치는 Inworld 자체 수치이며, 아레나는 둘 중 어느 것에 대해서도 할 말이 없다. 그것들은 실시간 지향 모델에 그럴듯하고 검증되지 않았는데, 그것이 그것들을 다루는 올바른 방식이다.

따라서 실질적인 해석은 이렇습니다: 제품이 음성을 복제한다면 Inworld의 Controlled 결과가 두 점수 중 더 관련성 높은 점수이며, 이것이 더 낮은 Provider 순위가 실격 사유가 되지 않는 이유입니다. 제품이 복제하지 않는다면 그 이점은 보이지 않으며, Provider 보드를 읽어야 합니다.

가격 사다리는 세 단계로 구성되어 있으며, 가장 저렴한 단계는 구독입니다.

가격 하나를 가격 하나와 비교하는 방식으로는 이 맞대결을 제대로 평가할 수 없습니다. Inworld에는 가격이 아니라 사다리가 있기 때문입니다.

• 온디맨드 — Realtime TTS-2는 백만 자당 $25.00, Flash는 $15.00입니다. 이는 종량제(pay-as-you-go) 이용자가 보게 되는 요금이며, 공급업체가 직접 공개한 수치입니다.

• Creator plan — 동일한 두 모델에 대해 $20.00과 $10.00이며, 이는 미터링 대신 플랜을 약정했을 때 각각 20%와 33% 할인입니다. 공급업체 보고 기준이며, 약정하기 전에 실시간 가격 페이지에서 다시 확인해 볼 가치가 가장 큰 단계입니다. 플랜 약관이 정가 요율보다 더 빠르게 변하기 때문입니다.

정규화 — 아레나의 100만 문자당 환산은 Realtime TTS-2의 경우 $20.80, Flash의 경우 $10.40을 산출하며, 이는 어느 공급업체의 견적이 아니라 해당 보드의 계산입니다.

그에 반해, Google의 요금은 토큰 기반이며 프로모션 성격입니다: 2026년 12월 31일까지 텍스트 입력 토큰 100만 개당 $0.50, 오디오 출력 토큰 100만 개당 $9.00이고, 이후에는 $18.00입니다. Flash-Lite TTS는 $0.50 및 $6.00이고, 이후에는 $12.00입니다. 정규화하면 $16.50과 $11.00입니다.

두 가지를 함께 읽어 보면 그림은 “Google이 더 저렴하다”보다 더 흥미롭다. 오늘 공개된 수치로 보면 Flash TTS가 세 모델 중 가장 저렴하고 Inworld의 Flash 변형이 두 번째로 저렴하다 — 두 Flash 모델은 차이가 충분히 작아서 오디오-텍스트 비율이 조금만 달라져도 어느 쪽 청구액이 더 낮아질지 뒤바뀔 수 있다. 2027년 1월 1일 Google 요금이 두 배가 되면 순서가 정리되어 Inworld가 자체 요금 사다리의 모든 단계에서 더 저렴한 옵션이 된다. 9월에 이 둘을 비교하고 12월에 확정하는 사람은 잘못된 수치를 비교하고 있는 것이다.

각각이 더 나은 답인 경우

두 모델은 품질 면에서 충분히 비슷해서 차별점은 구조적인 것이므로, 솔직한 표현은 결론이라기보다 조건들의 목록이다.

음성을 직접 고를 수 있다면 Gemini 3.8 Flash TTS를 선택하세요. 작성된 설명을 바탕으로 한 음성 설계, 단일 호출에서의 2인 대화, 턴 단위 스타일링, 그리고 Google 자체 집계 기준으로 둘 중 가장 넓은 언어 지원 범위 — 이 비교에서 Inworld는 이 중 어느 것도 따라가지 못합니다. 또한 오늘날 더 저렴한 모델이며, 그 형제 격인 Flash-Lite는 동일한 API 안에서 두 번째 가격대를 제공합니다.

고객의 목소리가 필요할 때 Inworld Realtime TTS-2를 선택하세요. 최고 수준의 Controlled Voice 행, 참조 오디오의 몇 초로 측정되는 즉석 복제 경로, 더 많은 기능이 필요한 경우를 위한 전문가용 복제 티어, 그리고 공급업체가 공개한 첫 바이트 주장에 뒷받침되는 실시간 지향성 — 단, 해당 주장은 공급업체의 주장이라는 점을 유의하세요. 공급업체 자체 문서에 따르면 영어 전용이므로, 다른 언어가 필요하다면 이는 강력한 제약 조건입니다.

이 두 모델 중 어느 것도 OrcaRouter가 호스팅하지 않으며, 그렇지 않은 듯 암시하기보다는 그 점을 분명히 말할 가치가 있습니다: Gemini 3.8 Flash TTS를 호출할 곳은 Google 자체 API와 Google이 9월 23일에 밝힌 서피스들이고, Inworld Realtime TTS-2를 호출할 곳은 Inworld 자체 플랫폼입니다. OrcaRouter의 역할은 그 선택을 둘러싼 모든 것 — 200개 이상의 모델을 단일 키로 공급자 정가에 마크업 없이 제공하여, 1월의 변동과 같은 공급업체 요율 변경이 같은 날 우리 쪽에 반영되고, 자동 장애 조치를 통해 평가된 모델이 프로덕션 의존성이 될 필요가 없으며, 단일 음성이 전체 작업을 감당하지 못할 때 모델들을 하나의 호출로 구성하는 라우팅 DSL을 제공합니다.

이 두 가지를 모두 후보로 남겨두어야 하는 이유는 1월 요율 변경과 Controlled 대 Provider 구분이 답이 달라질 수 있는 서로 별개의 이유이기 때문입니다. 둘 중 하나만 호출할 수 있는 파이프라인은 어느 쪽도 따라갈 수 없습니다.