AI 목소리가 너무 기계적이야? 나는 끊는 법, 강조, 속도를 3주 동안 하나씩 고쳤어
솔직히 말하면, 기계음의 8할은 모델이 아니라 '숨'의 문제다
내 블로그에 올릴 400자짜리 리뷰 스크립트를 네 가지 다른 음성 모델에 차례대로 먹여 봤어. 해외 것도, 국내 것도, 오픈소스도, 초당 과금되는 것도 다. 결과는 똑같더라고. 전부 교과서 낭독처럼 들려서, 결국 내 문장이 너무 정석이라서 그런 줄 알았어. 그러다 라디오에서 일하는 친구가 테스트를 해준 거지. 같은 문장, 같은 스타일 모델인데, 친구가 끊는 위치와 강조점만 살짝 조절했더니 듣자마자 '기계가 읽는 거'에서 '사람이 말하는 거'로 변하는 거야. 그 순간 깨달았어. 듣감의 차이는 대부분 음색이 아니라 리듬에서 온다는 걸.
음색은 청취자가 계속 들을지 말지 결정하지만, 리듬은 내용이 귀에 들어올지 결정하거든. 이 발견 이후 내 모든 녹음 과정이 바뀌었어. 예전에는 모델을 갈아타고, 음색을 비교하고, 신상 사이트가 감정 엔진 업데이트했다고 하면 가입부터 했지. 지금은 새 문장을 받으면 순수 텍스트 단계에서부터 리듬을 다듬고 나서 모델에 넘겨. 똑같은 모델인데도, 손 본 텍스트와 원본 텍스트는まるで 다른 도구처럼 들린다니까.
이런 걸 직접 테스트해 보고 싶다면, 무료 TTS 도구를 써볼 수 있는 곳에서 시작해 보는 게 좋아.
끊기: AI는 문장 부호를 따르고, 사람은 의미 단위를 따른다
AI가 끊는 첫 번째 논리는 문장 부호야. 쉼표는 반 박자, 온점은 한 박자, 띄어쓰기는 거의 안 쉼. 합리적으로 들리지만, 사람이 말할 때의 논리 단위는 문장 부호가 아니라 '의미 단위'거든. 40자짜리 긴 문장 중간에 완전한 의미 덩어리가 두 개쯤 숨겨 있을 수 있어. 사람은 의미 덩어리 경계에서 숨을 쉬는데, 기계는 쉼표 있는 곳에서만 헉헉대지. 청취자가 느끼는 '딱딱함'의 뿌리는 바로 여기야. 호흡이 잘못된 자리에 박혀 있는 거지.
내 방법은 이렇다. 먼저 25자를 넘는 긴 문장은 모두 두세 개 짧은 문장으로 쪼개. 각 짧은 문장에는 하나씩 의미만 담게. 다음으로 나란히 열거된 성분 사이의 쉼표를 체크해. 쉼표를 쓸 곳은 쉼표로, 띄어쓰기로 처리해서 한 번에 쭉 읽게 만드는 거야. 마지막으로 문어체에 붙은 불필요한 조사를 없애. 읽을 때 의미도 안 지니는 조사들이 멈춤 예산만 갉아먹거든. 고치고 다시 들어보면 '호흡'이 정돈되면서 긴장감과 이완감이 자연스럽게 살아나.
실제 비교를 해보면 확 와닿아. 제품 장점을 설명하는 원고는 원래 89초였는데, 끊기를 다듬고 나니 74초가 됐어. 의미 없는 경직된 멈춤이 다 소화돼서 정보 밀도는 오히려 더 높아졌고. 더 놀라웠던 건 재구매 데이터야. 똑같은 홍보 영상에 끊기만 다듬은 버전을 넣었더니 완료율이 거의 20%나 오른 거지. 시청자들은 뭐가 변했는지 말 못 해. 근데 몸은 솔직하더라고.
강조: 한 문장에 하나의 단어만 강조해
사람이 말할 때, 한 문장에 진짜 강조는 하나야. 그 순간 가장 강조하고 싶은 단어에만 힘을 주고, 나머지는 전부 풀어. 초록 잎이 빨간 꽃을 받쳐 주는 느낌이지. AI 문제는 모든 키워드를 힘껏 읽으려 한다는 거야. 명사도 강조, 동사도 강조, 형용사도 강조. 모든 단어가 중요해지면, 결국 강조되는 건 하나도 없어. 청취자가 두 시간 동안 균일한 힘에 시달리면, 기억나는 건 무작위보다도 적어.
내 소심하지만 효과적인 방법은 자제력이야. 한 문장에서 가장 기억하게 만들고 싶은 단어 하나만 고르고, 나머지는 모두 relaxed 상태로 둬. 강조를 표시하는 방법은 원시적이야. 강조할 단어 앞에 안 보이는 문자를 넣으면, 많은 모델이 이를 약한 멈춤 신호로 인식해서 강조가 자연스럽게 살아나. 아니면 그 문장만 따로 한 번 더 생성해서, 편집 프로그램으로 원래 파형과 교체하는 방법도 있어. 이 단계를 우습게 보면 안 돼. 똑같은 제품 설명인데도, 청취자가 나중에 떠올릴 수 있는 정보 포인트가 하나에서 세 개로 늘어난다니까.
강조에는 숨은 법칙도 있어. 숫자, 대비, 결론어가 가장 강조할 만해. "세 배 비싸", "두 배 빨라", "하지만", "진짜" 같은 단어는 청취자가 결정을 내릴 때 정말로 붙잡는 앵커거든. 이런 지점을 잘 살려두면 전체 골격이 서.
속도: 숫자만 올리지 말고, 변화를 줘라
속도 슬라이더를 빠르게 밀기는 초보가 가장 직관적으로 하는 조작이야. 하지만 균일한 빠른 속도도, 균일한 중간 속도도 똑같이催眠처럼 들려. 사람의 말 속도는 파도야. 중요한 부분은 느리게 해서 청취자에게 생각할 시간을 주고, 넘어가는 부분은 빠르게 해서 리듬을 타게, 배경음악이 깔리는 곳에서는 아예连珠炮처럼 쏴도 돼. 전체를 한 속도로 가다 보면 청취자 집중력은 일정한 속도로 줄어들 뿐, 아무도 눈치 채지 못해.
지금 내 고정 프로세스는 이렇다. 먼저 분당 260자 안팎의 기준 속도로 전체를 생성해. 한국어 입말로는 안전한 구간이고, 더 빠르면 발음이 뭉치기 시작해. 그런 다음 다시 들으면서 강조가 꼭 필요한 세 군데에서 다섯 군데를 표시해. 보통 핵심 판매 포인트, 전환점, 행동 유도 문구야. 그런 문장들만 따로 느린 버전으로 한 번 더 생성해, 기준 속도의 80% 정도로. 마지막으로 편집 프로그램에서 느린 파형을 원래 자리에 교체해. 접합부에 50밀리초 교차 페이드를 주면 편집 흔적이 안 나. 30분짜리 작업으로 전체에 숨결을 불어넣는 거지.
속도에 관한 반직관적인 경험 하나. 전체를 반 박자 빠르게 하는 것보다, 도입부 첫 3초를 적당히 느리게 하는 게 청취자를 붙잡는 데 훨씬 효과적이야. 숏폼 영상에서는 첫 3초가 나머지 시청자 수를 결정하거든. 나는 정보 밀도를 좀 낮추더라도, 첫 문장은 깔끔하게 떨어지도록 하는 쪽을 택해.
클라이언트에게 세 번 퇴짜 맞은 뒤에 추가한 두 단계
클라이언트에게 수정 요청을 받을 때 가장 두려운 건 수정 자체가 아니라, '뭔가 좀 이상해'라는 말만 듣고 이유를 알 수 없는 거야. 예전 프로젝트에서는 '느낌이 좀 달라'며 세 번이나 되돌려 받았는데, 증거를 내놓을 수가 없었지. 그래서 흐름에 두 가지 동작을 강제로 추가했어. 먼저 모든 원고에 텍스트 단계에서 '리듬 초안'을 한 부 저장해. 긴 문장의 분할 위치, 강조 단어, 느린 구간을 표시해 둔 거야. 음성과 함께 전달하면, 클라이언트가 리듬을 고치고 싶을 때는 이 표시된 원고를 고치는 거지, 내가 추측하게 하지 않아. 그다음 생성 완료 후에는 이어폰으로 환경 소음을 먼저 듣고, 그다음 스마트폰 외부 스피커로 한 번 더 들어. 이어폰은 디테일을 잡고, 외부 스피커는 전체를 봐. 이어폰에서는 안 들리는 경직됨이 외부 스피커에서는 확 드러나거든.
이 두 단계를 추가한 뒤 수정률이 절반에서 10% 미만으로 떨어졌고, 수정 요청이 와도 10분 안에 문제 지점을 찾아낼 수 있어. 남에게 이렇게 하니까, 내 자신에게도 마찬가지야. 자신의 귀에 신뢰할 수 있는 흐름을 만들어야지, 감각에만 의존하면 안 돼.
내 목소리를 그대로 쓰고 싶다면, 내 목소리 복제하는 페이지에서 직접 해보면 돼.
3주를 지나면서 남게 된 습관
원고를 쓸 때는 반드시 소리 내 읽어 봐. 입에 안 붙는 곳이 있으면 그 자리에서 바로 짧은 문장으로 고치고. 후반에 살리려고 기대하지 마. 입에 안 붙는 건 의미 단위가 너무 길거나 조사나 연결 어미가 너무 많아서 그런 건데, 모델은 이런 문제를 예쁘게 다듬어 주지 않고 오히려 키울 뿐이야.
생성하기 전에는 긴 문장을 세 보라고. 25자를 넘으면 반드시 쪼개. 예외는 없어.
강조는 한 번에 한 단어만. 억누르는 것이 힘을 주는 것보다 더 고급스러워.
느린 부분은 정말로 중요한 내용에만 남겨. 어디에나 진지하게 접근하면 안 돼.
이 몇 가지는 모델을 바꾸거나 강의를 들을 필요도 없어. AI에게 건네주는 텍스트의 리듬 자체를 고치는 일이니까.
듣감이라는 건 글자 의미 안에 숨겨 있는 거지, 연산 능력 안에 있는 게 아니야. 똑같은 도구로도 어떤 이는 마케팅 계정 톤을 내고, 어떤 이는 동행감을 만들어 내. 차이는 이런 세부 사항의 누적에 있어. 3주를 조절하고 난 뒤 내 가장 큰 수확은 어떤 신통방통한 매개변수가 아니라, 도구의 한계는 원고의 하한선이고, 리듬은 원고의 뼈대라는 걸 인정하게 됐다는 거야.
다른 언어로 된 콘텐츠도 다룰 일이 있다면, 다국어 음성 합성 도구를 참고해 보면 좋아.