Kakao의 Kanana 팀은 사용자가 원하는 대로 말할 수 있는 multimodal language model인 Kanana-o의 음성 생성 능력을 개선하는 연구를 진행했습니다. 주요 목표는 두 가지입니다. 첫째, LM-SPT 기술을 통해 음성 토큰 시퀀스를 효율적으로 줄여 생성 속도를 높이는 것이고, 둘째는 사용자의 다양한 지시(속도, 볼륨, 감정 등)를 정확하게 따르는 것입니다. 이를 위해 Semantic Speech-Resynthesis Distillation과 Multi-objective Online Reinforcement Learning 같은 기술을 적용하여, 음질 저하 없이 사용자의 의도를 정교하게 반영할 수 있도록 했습니다. 앞으로는 실시간 음성 인터페이스와 비언어적 표현(웃음, 한숨 등)까지 지원하는 더욱 진화된 모델을 목표로 하고 있습니다.