카카오, AI 언어모델 ‘카나나-o’ 성능 공개…음성·이미지 인식하고 사투리까지

카카오는 통합 멀티모달 언어모델 ‘카나나-o’와 오디오 언어모델 ‘카나나-a’의 성능과 개발 후기를 1일 공식 블로그에 공개했다.

‘카나나-o’는 국내 최초로 텍스트와 음성, 이미지까지 다양한 형태의 정보를 동시에 이해하고 처리하는 모델이다. 텍스트, 음성, 이미지 조합의 질문에 텍스트나 자연스러운 음성으로 응답한다.

카카오는 ‘모델 병합’ 기술을 기반으로 이미지 처리에 특화된 모델 ‘카나나-v’와 오디오 이해 및 생성에 특화된 ‘카나나-a’ 모델을 통합해 ‘카나나-o’를 개발했다.

음성 감정 인식 기술로 사용자의 의도를 올바르게 해석하고, 상황에 맞는 적절한 반응과 답변을 제공한다. 억양, 말투, 목소리 떨림 등 비언어적 신호를 분석하고, 대화 맥락에 맞는 감정적이고 자연스러운 음성의 응답을 생성한다.

대규모 한국어 데이터셋을 활용해 한국어의 특수한 발화 구조, 억양, 어미 변화 등을 정밀하게 반영했다. 제주도, 경상도 등 지역 방언을 인식하고 이를 표준어로 변환해 자연스러운 음성을 생성한다. 지속적인 성능의 고도화를 위해 독자적인 한국어 음성 토크나이저(오디오 신호를 일정 단위로 작게 분해하는 도구)를 개발하고 있다.

스트리밍 방식의 음성 합성 기술을 적용해 사용자가 기다릴 필요 없이 응답을 제공한다. 예를 들어, 이미지와 함께 “이 그림에 어울리는 동화를 만들어 줘”라고 입력하면, 해당 음성을 이해하고 사용자의 억양과 감정 등을 분석해 자연스럽고 창의적인 이야기를 실시간으로 생성해 들려준다.

‘카나나-o’는 한국어 및 영어 벤치마크에서 글로벌 최고 모델들과 유사한 수준을 기록했다. 한국어 벤치마크에서는 높은 우위를 보였다. 감정 인식 능력에서는 한국어와 영어 모두에서 큰 격차를 자랑했다. 이미지와 음성을 통합적으로 이해해야 하는 ‘이미지-음성 QA(질의응답)’ 태스크에서도 강력한 성능을 달성했다.

카카오는 향후 ‘카나나-o’로 다중 턴 대화 처리, 양방향 데이터 동시 송수신 기술 대응 능력 강화, 부적절한 응답 방지를 위한 안전성 확보 등을 목표로 연구를 지속할 방침이다.

김병학 카카오 카나나 성과리더는 “카나나 모델은 복합적인 형태의 정보를 통합적으로 처리해 기존의 텍스트 중심 AI를 넘어 사람처럼 보고 듣고 말하며 공감하는 AI로 진화하고 있다”며 “독자적인 멀티모달 기술을 바탕으로 인공지능 기술 경쟁력을 강화하는 한편, 지속적 연구 결과 공유로 국내 AI 생태계 발전에 꾸준히 기여할 계획”이라고 말했다.