감정을 이해하는 AI, 무엇을 확인할까

음성 AI를 “감정을 이해하는 제품”이라고 소개하려면 먼저 무엇을 입력받아 어떤 결과를 내는지 밝혀야 한다. 목소리에서 표현을 분석하는 기능, 전사된 대화 구간에 감성 분류를 붙이는 기능, 답변을 공감하는 말투로 합성하는 기능은 다르다. 그다음 해당 기능으로 고객의 어떤 일을 바꿀지와 그 결과를 확인한 근거를 연결한다. “공감하는 AI”라는 설명만으로 고객의 마음을 정확히 알거나 상담이 개선됐다고 말할 수는 없다.

B2B 소개에서 기술 이름을 고객 결과로 바꾸는 일은 필요하다. 다만 측정한 기능과 아직 시험하지 않은 효과 사이의 단계를 생략하면 구매자는 실제 제공 범위를 오해할 수 있다. 공개 제품 문서와 공급자의 평가 원문을 읽고, 상담 검토 업무에 적용할 때 어떤 설명이 필요한지 살펴보자. 아래 상담 사례와 소개 문장 예시는 가정이며 실제 고객 성과가 아니다.

같은 감정 AI라는 말 아래 입력과 출력이 다르다

Hume의 현재 Expression Measurement API는 음성 구간의 감정 표현과 음성 특성 점수를 반환한다. Amazon Connect의 Transcript 문서는 대화 구간의 내용·위치·참여자와 함께 Sentiment를 긍정·중립·부정으로 정의한다. 반면 Azure Speech의 SSML 스타일은 합성해 내보낼 음성의 말하기 방식을 조정한다. 이름에 감정이나 공감이 들어가도 같은 분석을 수행한다는 뜻은 아니다.

예를 들어 문제가 반복된 통화를 담당자가 다시 듣게 하려는 팀이라면, 필요한 것은 검토할 구간을 찾는 처리다. 그 기능을 설명하면서 답변 음성을 친절하게 바꾸는 시연만 보여주면 다른 과업의 결과를 제시한 셈이다. 친절한 음성 안내가 필요한 팀은 출력의 말투와 내용 정확성을 평가할 수 있지만, 그 시연으로 고객 감정 분석까지 확인했다고 표현하지 않는다.

제품을 소개하는 원고에는 입력 매체, 분석 대상, 출력 단위와 적용할 업무를 함께 적는다. “통화 전체의 고객 감정을 읽습니다”보다 해당 제품이 실제로 제공하는 음성 구간·전사 메시지·합성 답변 중 무엇을 다루는지 드러내야 한다. 이 비교는 각 기능의 문서 정의를 대조한 것이며 이번에 API를 실행해 세 제품의 정확도를 비교한 결과는 아니다.

표현 점수는 고객의 속마음을 직접 읽은 값이 아니다

Hume는 표현 점수가 목소리나 얼굴에서 사람이 지각하는 의미와 연결된다고 설명한다. 당사자의 감정 경험은 주관적이고 사람과 상황에 따라 표현이 달라지므로, 그 점수는 실제 느낌을 직접 읽은 값이 아니다. “이 구간에서 답답함의 표현이 감지됐다”는 설명과 “이 고객은 실제로 화가 났다”는 확정은 같은 수준의 주장이 아니다.

같은 목소리에서도 여러 표현 점수가 함께 높을 수 있고, 각 점수는 독립적이다. Hume는 이를 하나의 전체 감정 분포로 합산하거나 점수끼리 비교하도록 설계하지 않았다고 안내한다. 따라서 반환된 목록에서 가장 큰 숫자만 고른 뒤 고객의 유일한 감정으로 붙이는 해석은 원문 정의를 건너뛴다.

빈 배열도 “감정이 없었다”는 뜻으로 쓰지 않는다. 문서상으로는 해당 배열의 반환 기준을 넘은 점수가 없었다는 유효한 결과다. 또 음성 특성인 voice_attributes의 값은 사람 평가자의 강도 판단에 맞춰 보정된 값으로 설명돼 표현 배열과 의미가 다르다. 필드 이름이 같다고 같은 확률이나 강도로 읽으면 안 된다.

상담 검토 화면을 설계하는 가정에서는 원음과 해당 구간, 전사 내용, 분석 결과를 함께 확인할 수 있게 제안할 수 있다. 점수 하나가 올라갔다고 고객의 성격을 분류하거나 불만이 해결됐다고 기록하는 대신, 담당자가 해당 문의와 처리 이력을 읽을 단서로 쓰는 것이다. 실제 제품이 이런 연결과 검토 흐름을 제공하는지 확인하기 전에는 소개 문장에도 제공했다고 적지 않는다.

공개 평가에서 높은 점수는 어떤 일을 잘했다는 뜻인가

Hume가 2026년 10월 6일 발표한 자체 평가 원문은 음성 AUC를 녹음의 표현 순서를 구분하는 점수로 설명한다. 사람이 슬픔이 있다고 표시한 녹음에 그렇지 않은 녹음보다 높은 슬픔 점수를 주는지를 살피는 방식이다. 이는 감정 라벨을 정확히 맞힌 통화의 비율이나 상담 해결률이 아니다.

같은 원문 안에도 평가의 범위가 다르다. 공개 데이터 평균에서는 Hume가 가장 높았다고 보고하지만, 내부 사람 평가의 더 세부적인 표현 비교에서는 Gemini와 비슷했다고 설명한다. 후자의 평가에서는 넓은 상위 감정 범주를 제외했다. 어느 대상과 표현을 평가했는지, 어떻게 평균을 냈는지를 지우면 서로 다른 결과가 하나의 우월성 주장으로 바뀐다.

이 자료는 공급자가 발표한 평가다. 편집부가 원시 녹음과 평가자를 확보해 재현한 독립 시험이 아니다. 도입 팀은 자사의 언어·통화 환경·잡음·발화 상황과 사용할 표현 범주를 정한 뒤, 해당 평가가 같은 조건의 근거인지 확인한다. 한국어 지원 표기나 전체 평균만으로 한국어 고객 상담의 모든 상황에서 잘 작동한다고 결론 내리지 않는다.

벤더에게 받을 자료도 “정확도가 높습니다”라는 문구에서 끝내지 않는다. 제품과 모델의 당시 버전, 평가한 입력과 언어, 사람의 판단 기준, 지표 정의, 실패·미반환 구간과 비교 대상을 요청한다. 상대 모델보다 평균이 높다는 결과가 있어도 고객 업무에서 놓친 사례와 잘못 표시한 사례의 비용은 따로 남는다. 이것은 검증할 자료의 제안이며 이번에 그 오류 수를 측정한 보고가 아니다.

검토할 통화를 찾는 기능과 문제를 해결하는 업무를 연결한다

구독 서비스의 상담 관리자가 반복 문의를 검토하려 한다고 가정하자. 음성 표현 분석으로 검토 후보 구간을 표시할 수 있는 제품을 도입하더라도, 구간을 골랐다는 사실만으로 문의 원인이 해결되지는 않는다. 담당자가 내용을 읽고 이전 처리와 대조한 뒤, 환불 조건의 오해나 같은 오류의 재발 등 실제 문제를 확인할 일이 남는다.

예시 팀의 목적이 검토할 통화를 찾는 것이라면, 실제로 필요한 구간을 더 잘 찾았는지와 불필요한 검토가 늘지는 않았는지를 평가한다. 문제 해결을 주장하려면 처리 기록과 후속 문의까지 이어서 보아야 한다. 친절한 합성 음성으로 응대한 경우에도 환불 조건을 잘못 안내했다면 말투의 자연스러움과 업무의 정확성을 따로 평가한다.

평가 표본에는 실제로 서비스할 조건을 남긴다. 어떤 언어·녹음 품질·문의 종류를 포함했고, 판단이 어려운 구간과 분석 결과가 없는 구간은 어떻게 처리했는지 적는다. 성공한 시연만 골라 보여주는 자료와 같은 범위에서 실패까지 확인한 자료는 다르다. 제품 소개에 실제 점검 결과를 넣으려면 공개 가능한 원자료 위치와 적용 범위도 함께 확보한다.

B2B 원고에는 제공 기능과 검증된 결과를 다른 문장으로 쓴다

아직 상담 개선을 측정하지 않았다면 “고객의 감정을 정확히 읽어 만족도를 높입니다”라는 문장은 근거보다 앞서간다. 제품이 실제로 해당 흐름을 제공한다는 조건 아래 “음성 구간의 표현 신호를 분석해 담당자가 검토할 구간을 찾도록 돕습니다”처럼 입력·출력·사용자를 드러내는 소개를 검토할 수 있다. 정확한 기능 명칭은 해당 제품의 구현과 현재 문서로 확인해야 한다.

Azure의 neural voice 스타일도 선택한 음성의 지원 범위를 확인해야 한다. 문서의 공감 말투는 내보내는 합성 음성의 성격이며, 고객 감정의 분석 결과를 자동으로 받아 처리하는 완성된 상담 시스템이라는 뜻은 아니다. 분석과 응답 생성을 연결해 제공한다면 그 연결 방식과 오류 시 처리까지 별도로 설명한다.

현재 Hume Expression Measurement 문서는 제한 공개 상태이며 접근을 위해 팀에 연락하도록 안내한다. 문서에 기능이 있다는 사실과 자사 계정에서 어떤 버전을 쓸 수 있는지는 다른 확인이다. 도입 안내를 쓸 때는 실행 가능한 범위와 아직 협의하거나 시험해야 할 조건을 나누어 적는다.

고객 결과를 실제로 확인했다면 기능 설명 다음에 별도 문장으로 붙인다. 누가 어떤 업무와 기간에서 무엇을 비교했고, 무엇이 달라졌으며 확인하지 못한 것은 무엇인지 적는다. 고객의 한마디, 공급자 공개 평가, 자사 기능 시험, 상담 후 결과를 하나의 성공 사례로 합치지 않는다. AI 답변이 소개 문장의 일부를 가져가더라도 제품이 하는 일과 근거의 범위가 함께 남아야 한다.

문서와 원보고서는 2026년 10월 13일 확인했다. 실제 고객의 음성을 수집하거나 제품 API를 실행하지 않았고, 고객의 감정·상담 개선·문의·매출과 AI 인용을 측정하지 않았다. 상담 관리 업무와 소개 문장은 적용 판단을 위한 가정이며 대표 사진도 생성한 설명 이미지다.