Kanana-o 멀티모달을 Flutter 앱에 녹이며 – 강점 3가지와 비결정성을 다루는 패턴

작성자:

카카오 AI 앰배서더로 활동하며 한 달 가까이 Kanana-o를 사용해 직접 코드에 녹여봤다.

결과물은 음성 감정 분석 기반 의사결정 도우미 앱 “아무거나(amuguna)”이다.

GitHub: github.com/PlutoJoshua/amuguna

Kanana-o 베타 테스터 후기 글들을 찾아 읽어보면 명함 분석, 채용 챗봇, 음성 페르소나 같은 사례는 많은데

실제 모바일 네이티브 앱에 연동한 사례는 드물다.

한 달동안 Flutter 앱에 직접 연동하면서 검증한 강점과

비결정적 멀티모달 모델을 클라이언트에서 다루는 패턴을 정리한다.

글은 두 부분으로 나뉜다. 1부는 Kanana-o의 강점이 코드 한 줄 한 줄에 어떻게 영향을 줬는지 검증한 결과다.

2부는 이 검증 과정에서 부딪힌 비결정성을 클라이언트에서 어떻게 우회했는지의 패턴이다.

1부 — 검증된 Kanana-o 강점 3가지

1-1. DPO 감정 미러링: 분기 코드 100줄이 사라진다

가장 인상 깊었던 부분이다.

사용자 음성이 피곤하면 응답 음성도 부드럽게 나온다. 코드로 제어하지 않는다.

DPO(Direct Preference Optimization) 학습 효과로 모델이 알아서 감정 미러링을 한다.

처음엔 “음성 감정 분석 → 분류 → 톤 분기 → 응답 생성” 100줄짜리 로직을 짜려 했다.

막상 시스템 프롬프트 4줄만 넣어보니 모델이 알아서 했다.

5. 감정/의도 이해는 본문에 자연스럽게 녹여라.
   예) "지금 좀 지쳐 보이는데, 따뜻한 칼국수 어때요?"
   예) "오, 들떠있네! 매콤한 거 한 번 도전해볼래?"

(lib/features/chat/data/prompts/mode_a_prompt.dart)

GPT-4o로 같은 프롬프트를 넣었을 때 응답 텍스트는 비슷했지만 음성 톤은 평이했다.

DPO의 진짜 가치는 텍스트가 아닌 음성 응답에서 드러난다.

1-2. 옴니모달 단일 모델: 모달 간 컨텍스트가 사라지지 않는다

“아무거나”는 두 모드를 가진다.

  • 모드 A: 음성 대화로 메뉴 좁히기
  • 모드 B: 메뉴판 사진 + 그 안에서 음성 대화

같은 옴니모달 모델이 음성·이미지·텍스트를 다 처리하니

모드 A에서 파악한 맥락이 모드 B로 자연스럽게 이어진다.

구현은 같은 messages 배열에 다 넣는 것이다.

'content': [
  {'type': 'image_url',
   'image_url': {'url': dataUrl}},
  {'type': 'input_audio',
   'input_audio': {'data': base64Audio, 'format': 'wav'}},
  {'type': 'text',
   'text': '아까 빨리 먹어야 한다고 했잖아요...'}
]

(lib/features/chat/data/repositories/chat_repository.dart)

비전+음성을 별도 모델로 분리한 구조라면 모달 간 컨텍스트 옮기는 코드를 한참 짜야 한다.

단일 옴니모달이라 통째로 사라진다.

모바일에서 카메라 → 마이크 전환이 빈번한 UX일수록 이 단순함이 핵심이 된다.

1-3. 한국어 STT 정확도: fine-grained NLP의 출발점

Kanana-o의 한국어 음성 인식 CER은 6.45다. (GPT-4o 23.19, Gemini 17.11)

받아쓰기가 정확해야 fine-grained 룰베이스 로직을 클라이언트에 짤 수 있다.

STT가 부정확하면 사용자가 어떤 단어를 말했는지조차 모르니까 클라이언트 NLP 자체가 안 된다.

이 정확도가 무엇을 가능하게 하는지는 2부에서 구체 사례로 보여준다.

2부 — 비결정적 멀티모달 모델을 다루는 패턴

옴니모달은 강력하지만 비결정적이다. 같은 입력에 같은 출력이 보장되지 않는다.

클라이언트에서 이걸 다루지 못하면 UX가 깨진다.

한 달 동안 부딪힌 패턴들이다.

2-1. 음성 모달리티의 시스템 프롬프트 약화

디버그 로그를 보다가 발견했다. [DECISION], [USER_HEARD], [INTENT] 같은 메타 태그를 시스템 프롬프트에서 강하게 요구해도 음성 응답에서는 일관성이 떨어진다.

텍스트 호출에서는 잘 나오는데 음성에서만 빠진다.

가설은 음성 모달리티에서 시스템 프롬프트의 후반부 지시가 약하게 적용된다는 것이다.

대응: 매 음성 호출마다 짧은 텍스트 리마인더를 audio와 같은 user 메시지로 묶어 보낸다.

static const _voiceReminder = '''(시스템 리마인더 — 음성으로 읽지 마)
응답: 2-3문장, 친한 카톡 톤, 메뉴 최대 2개.
카테고리 나열 금지, 질문은 한 번에 하나만.''';

// 호출 시
'content': [
  {'type': 'input_audio', 'input_audio': {...}},
  {'type': 'text', 'text': _voiceReminder},  // 동봉
]

이 한 트릭으로 메타 태그 일관성이 눈에 띄게 올라갔다.

2-2. 한국어 confirm regex의 함정

리마인더로도 100% 일관성은 안 나온다.

그래서 클라이언트에 룰베이스 폴백을 만들었다.

사용자 발화에서 결정 확정 키워드를 매칭하는 단순한 패턴이다.

처음엔 짧았다.

final confirm = RegExp(r'(좋아|좋다|콜|오케이|그걸로|할게|가자|그래)');

디버그 로그에서 오탐이 줄줄이 보였다.

  • "그래" → "그래서", "그래도" 안에 그대로 잡힘
  • "좋아?" (질문) → 확정으로 오인
  • "안 좋아" (부정) → 확정으로 오인
  • 첫 턴 "좋아 빨리 정해줘" → 추천도 안 했는데 결정 트리거

수정:

// 어미 anchoring + 모호한 표현 제거
final confirm = RegExp(
  r'(좋아[!.]?$|좋다[!.]?$|콜|오케이|그걸로|할게|가자|이걸로|결정)',
);

// 부정/질문 명시 제외
if (RegExp(r'(안 좋|별로|좋아\?|싫)').hasMatch(user)) return null;

// 최소 2턴 조건 (첫 턴 false trigger 방지)
if (state.turnCount < 2) return null;

한국어는 어미와 문맥이 의미를 뒤집는 경우가 많다. 영어 NLP 패턴을 그대로 가져오면 다친다. 이 디버깅이 가능했던 출발점이 1-3절의 STT 정확도였다는 점을 다시 강조한다.

2-3. 단일 모달리티 폴백 호출

음성 호출이 USER_HEARD를 빠뜨리면 받아쓰기가 비고,

그러면 클라이언트 룰베이스 폴백도 무력해진다 (사용자 발화를 모르니까).

대응: USER_HEARD가 빠진 경우에만 단일 목적 폴백 호출을 보낸다. 받아쓰기 하나만 시킨다.

static const _transcribePrompt =
    '''한국어 음성을 듣고 그대로 받아 적어. 다른 말 금지.
출력은 받아 적은 한국어 문장 한 줄만.''';

받아쓰기 한 가지만 시키면 모델이 다른 작업과 안 섞여서 형식 일관성이 훨씬 높다.

폴백 결과로 룰베이스 추출(INTENT/DECISION)을 재시도한다.

2-4. 수동 결정 버튼 — 사전 미커버 케이스

룰베이스 폴백의 한계는 메뉴 사전이다.

미리 짜둔 한국 메뉴 사전 40개(국밥, 김치찌개, 삼겹살 등)는 일반 한식엔 통하지만

메뉴판 OCR로 나오는 식당 고유 메뉴(예: 스파이시 토마토 파스타 + 미트볼)는 못 잡는다.

해결: 채팅 입력창 위에 “이걸로 결정!” 버튼을 둔다.

탭하면 AI 직전 응답에서 굵게 표시된 메뉴(**...**)를 자동으로 입력란에 채워주고

사용자가 확인/수정 후 확정한다.

자동(메타 태그) → 룰베이스 폴백 → 수동 버튼. 3중 안전망이다.

한 곳이 실패해도 다음 곳에서 잡힌다.

2-5. 인앱 디버그 로그 시스템

위 모든 디버깅이 가능했던 건 턴 단위 관찰성을 일찍 만들어둔 덕분이다. 매 턴 자동 기록되는 항목:

class DebugLogEntry {
  final String sessionId;
  final int turnIndex;
  final ChatMode mode;

  // 입력
  final bool wasVoice;
  final int? audioBytes;
  final double? audioSeconds;
  final String? userText;
  final String? userTranscript;

  // 모델 응답
  final String rawResponse;
  final String body;
  final String? metaBlock;

  // 파싱된 메타
  final String? intent;
  final EmotionData? emotion;
  final String? decision;
  final List<String> quickReplies;

  // 진단 플래그
  final bool metaSeparated;     // 메타 분리 마커 정상 적용 여부
  final bool metaFromFallback;  // 폴백 호출로 메타가 채워졌는지
}

홈 우상단 디버그 아이콘으로 즉시 조회한다.

메타 태그 누락, regex 오탐, 폴백 호출 실패, 다 여기서 발견했다.

비결정적 멀티모달 모델을 다루려면 턴 단위 관찰성 인프라가 거의 필수다.

다른 LLM 통합 작업에도 그대로 적용 가능한 패턴이다.

모바일 연동 디테일 짧게

위 패턴들 외에 Flutter 모바일 연동 자체에서 부딪힌 디테일도 짧게 정리한다.

  • SSE 스트리밍: Dart에 OpenAI SDK가 없어서 http 패키지로 SSE 파서를 100줄 안짝으로 자체 구현. OpenAI 호환 덕에 base_url + model 변경만으로 동작한다.
  • 오디오 파이프라인: Kanana-o가 16kHz mono WAV를 요구한다. macOS에선 record 패키지의 sampleRate 옵션이 일부 무시돼 한참 헤맸고 결국 패키지가 직접 WAV 헤더를 쓰게 우회했다.
  • 키 보안: OSS 공개를 위해 BYO-key 모델을 채택. 사용자가 본인 Kanana-o 키를 입력해야 동작하고 라우팅 가드가 키 미설정 시 설정 화면으로 강제 이동시킨다. 호출 비용 사용자 책임, 운영 비용 0.

마치며

Kanana-o의 진짜 가치는 “한국어 잘함”이 아니라, 한국 사용자가 한국어로 말할 때 발생하는 미묘한 것들을 모델이 알아서 처리해준다는 점이다. 그리고 옴니모달의 진짜 가치는 모달 간 컨텍스트 옮기는 코드가 통째로 사라진다는 점이다.

코드를 짧게 만드는 모델이 좋은 모델이다.

전체 코드는 GitHub에 공개해뒀다 → github.com/PlutoJoshua/amuguna

이 글은 카카오 AI 앰배서더 Kanana-o 베타 테스트 프로그램의 일환으로 작성됐다.

댓글 남기기