AI로 만든 상담 음성이 왜 그렇게 어색하게 들릴까? 내가 직접 겪은 실수 전부 공개
지난달에 친구 카페 전화 상담봇 음성을 만들어줬다. 자주 묻는 질문만 음성으로 녹음해두면 끝이라고, 얼마 안 걸릴 줄 알았지. 그런데 1차 버전을 들려줬더니 친구가 3초 정도 참더니 이렇게 물었어. "이거... 게임 NPC 목소리 아니에요?"
그 순간 좀 데였다. 분명 '음성 합성 무료'라고 광고하는 툴을 썼는데 왜 이렇게 플라스틱 맛이 나는 걸까. 일주일 넘게 계속 뜯어고치면서 문제를 하나씩 잡아냈고, 결론은 이거였다. 목소리가 가짜가 아니라, 내가 전부 잘못 쓰고 있었던 거다.
실수 1: 텍스트 복붙으로 끝 — 문장이 전부 뭉개짐
가장 흔한 폭망 케이스. 상담 멘트를 통째로 복사해서 넣은 거야. "안녕하세요 문의해 주셔서 감사합니다 저희 영업시간은 매일 오전 10시부터 저녁 10시까지이며 궁금하신 점이 있으시면..." 사람은 읽을 수 있지만 기계는 못 읽어.
기계한테는 쉼표랑 마침표가 곧 호흡이야. 문장 부호가 없으면 숨도 안 쉬고 처음부터 끝까지 쏟아내. 랩처럼. 멘트를 문장 단위로 잘라서, 쉬어야 할 자리에 제대로 마침표를 찍었더니 같은 목소리인데 완전 다른 사람처럼 들리더라.
디테일 하나 더. 숫자랑 단위. "1000ml"라고 쓰면 "천 밀리리터"라고 읽을 수도 있고 "일영영영 엠엘"이라고 읽을 수도 있어. 작성 형식에 따라 달라지는 거다. 귀찮아도 "1000밀리리터"처럼 풀어서 쓰는 게 안전해.
실수 2: 기본 설정 그대로 — 들리긴 하는데 사람이 아님
텍스트 음성 변환 무료로 쓸 수 있는 툴들, 기본 속도랑 톤이 전부 출고값이야. 안정적이긴 한데 기계적이지. 진짜 상담원은 말에 감정의 오르내림이 있잖아. 인사말은 좀 밝게, 에러 안내는 천천히.
VoxClone에서 실험해봤는데, "고객님, 주문하신 상품이 발송되었어요"라는 같은 문장도 속도를 1.05로 살짝 올리고 톤을 살짝 끌어올리니까 분위기가 아예 달라졌다. 파라미터를 크게 건드릴 필요 없어. 아주 조금만 만져도 들리는 차이가 어마어마해. 구체적인 수치는 더 많은 튜토리얼에서 참고했는데, 아이디어 상당수가 거기서 왔다.
실수 3: 아나운서 톤을 골랐더니 상담 톤이 무너짐
제일 놓치기 쉬운 부분일걸. 나도 그랬지만, 사람들이 목소리 고를 때 뉴스 앵커처럼 정확하고 또박또박한 톤을 고른다고 '전문적일 것 같아서'. 근데 상담은 대화지 뉴스 낭독이 아니잖아. 앵커 톤으로 "안녕하세요, 무엇을 도와드릴까요?"라고 하면... 뭐랄까, 보이스피싱 첫 마디 같은 느낌. 이거 진짜 위험한 방향이다.
상담 시나리오에는 자연스럽고 부드럽고 속도가 살짝 느린 목소리가 필요해. 플랫폼이 커스텀 음성을 지원하면 더 편해지는데, VoxClone은 무료 음성 복제를 지원해서 카페 실제 상담 직원분 목소리를 조금만 녹음해도 복제된 음성에 '우리 직원' 특유의 친근함이 남아. 이 기능이 가입 없이 음성 합성으로 바로 쓸 수 있어서 좋았다. 페이지 열고 바로 작업, 이메일 인증도 심사도 없음. 빠르게 돌려보고 싶은 소상공인한테 진짜 착한 구조야.
실수 4: 샘플이 너무 짧아서 복제 음성이 '텅 빔'
AI 음성 복제 온라인 툴을 쓰더라도 원본 녹음 품질이 안 좋으면 다 소용없어. 내 첫 시도는 20초짜리 녹음에 배경에서 카페 직원들 부르는 소리까지 섞여 있었지. 복제 결과물이 마치 벽 너머에서 듣는 소리였다.
두 번째 때는 똑똑해졌다. 체크포인트는 이래:
- 조용한 방에서 휴대폰으로 1~2분 녹음. 속도는 자연스럽게, 경문 낭독처럼 하진 말기
- "음", "어", "네에" 같은 감탄사를 몇 개 섞기
- 폰과의 거리 20cm 정도 유지, 갑자기 멀어졌다 가까워졌다 하지 말기
소스가 좋아지니까 복제 음성의 자연스러움이 한 단계 올라갔다. 진짜로.
FAQ
복제한 목소리로 상담봇을 만들어도 되나요?
본인 목소리거나 상대방의 명확한 동의를 받은 거라면 문제없어. 남의 목소리를 무단으로 상업적으로 쓰는 건 절대 금지. 이 선은 건드리면 안 돼.
무료 음성 복제 플랫폼 결과물도 상업적으로 쓸 수 있나요?
요즘 플랫폼들 꽤 잘 만들어져 있어. VoxClone 같은 무료 음성 복제 지원 툴은 상담 멘트 같은 짧은 문장 시나리오에서 충분히 쓸 만해. 다만 본격 적용 전에 소규모로 들어보고 결정하는 걸 추천해.
같은 문장을 다른 톤으로 바꾸려면 또 복제해야 하나요?
아니. 음성 복제는 한 번이면 충분하고, 톤은 텍스트 문장 부호 수정이랑 속도·피치 조절로 해결돼. 진짜 시간이 드는 건 기술이 아니라 멘트 다듬기야.
마무리하며
결국 합성 음성이 가짜처럼 들리는 건, 70%는 쓰는 사람 손맛이고 30%만 툴 탓이야. 오늘 밤에라도 해볼 수 있는 것: 조용한 곳에서 녹음한 목소리 하나 준비해서 VoxClone에서 복제를 한 번 돌려보고, 실제 상담 멘트 한 문장으로 속도를 조절해보는 것. 10분이면 귀로 차이를 느낄 수 있을 거야. 아, 그리고 대량 생성이 필요하면 무료 음성 합성 API도 한번 살펴봐. 전화 시스템에 연결해두면 하나하나 수작업으로 만들 필요가 없거든. 혹시 오디오북 음성 만들기나 영상 내레이션 AI 쪽도 궁금하면 댓글로 남겨줘 — 다음 편 주제로 다뤄볼게.