카페에서 녹음한 목소리로 복제했다가 참교육당한 썰 — 그리고 텍스트 음성 변환이 진짜 쓸모 있는 순간들
수요일 오후 세 시. 회사 근처 카페 2층 구석 자리에서 제품 데모 영상 나레이션을 급하게 만들고 있었다. 클라이언트가 대본을 반나절 만에 갈아엎었고, 성우 섭외는 이미 물 건너갔다. 그때 머릿속에 스친 생각 — 아, 요즘 목소리 복제 있잖아. 내가 읽으면 AI가 대신 읽어주는 거.
그래서 폰을 꺼내 화면을 보며 200자쯤 읽었다. 뒤에서는 원두 갈리는 소리, 옆 테이블 수다, 컵이 받침에 부딪히는 쨍한 소리. 괜찮겠지, AI가 알아서 정리해주겠지.
결과물은 욕조 밑에서 올라오는 목소리였다. 글자는 또렷한데 사람이 물속에 잠긴 느낌. 끝음마다 웅웅거리는 안개가 끼어 있었다. 클라이언트는 5초쯤 침묵하다가 이렇게 말했다. "그냥 성우님 기다릴게요."
그날 프로젝트 파일을 지우고 처음부터 다시 했다.
그날 내가 복제 도구에 뭘 먹였는지
미리 말하자면, 내가 쓴 건 아주 평범한 무료 음성 복제 흐름이었다. 내 녹음 올리고, 음색 학습시키고, 타이핑해서 읽히는 것. 도구는 잘못이 없었다. 내가 문제였다.
그 녹음을 세 번 돌려듣고 나서야 알았다. 원두 그라인더는 저역 노이즈, 옆 테이블 수다는 중역 방해, 결정적으로 입에서 20cm쯤 떨어진 폰이 방 울림을 전부 먹었다. 복제 모델은 음색을 배우는데, 배운 게 내 목소리만이 아니었다. 카페 전체를 같이 배웠다.
더 바보 같은 건 따로 있다. "감정을 살려야지" 싶어서 일부러 반음 낮춰 읽었다. 결과물은 피곤에 절은, 감기 걸린 나였다.
"넣은 대로 나온다." 이 말은 음성 복제에서 문자 그대로다.
재녹음: 결국 옷장에 들어갔다
다시 녹음한 날, 나는 꽤 촌스러운 짓을 세 가지 했다.
- 장소를 바꿨다. 옷장. 등 뒤에 패딩 두 벌, 폰은 옷걸이에 걸고 입에서 주먹 하나 거리. 옷장은 창피하지만, 어떤 노이즈 캔슬링 플러그인보다 흡음이 확실하다.
- 대본을 바꿨다. 뉴스 낭독 대신 평소 말투로 내가 쓴 에세이를 읽었다. 복제가 원하는 건 "당신이 말하는 방식"이지, "당신이 아나운서 흉내 내는 방식"이 아니다.
- 길게 녹음했다. 4분. 중간에 멈춤도, 숨소리도, 한 번 잘못 읽고 웃어버린 것도 다 남겼다.
그리고 다시 업로드. 이번엔 듣다가 좀 멍해졌다. 평소의 나였다. 내용만 바뀐.
참고로 온라인 텍스트 음성 변환 진입장벽은 이제 거의 없다. 열면 바로 쓴다. 어려운 건 "소재 준비" 단계고, 그건 아무도 대신해주지 않는다.
소리가 깨끗해지고 나서야 보이는 것들
솔직히 무료 TTS에서 어려운 건 "무료"가 아니다. 들을 만한 소재가 있느냐다.
내가 시도한 경로는 두 갈래였다. 하나는 무료 음성 복제 프로그램을 로컬에 깔고 드라이버와 그래픽카드랑 싸우는 길. 다른 하나는 음성 복제 온라인 — 웹 열고, 업로드하고, 타이핑하고, 소리 뽑기. 가입 없이 음성 합성이 되고 계정조차 안 만든다. 영상을 얼른 넘기고 싶은 사람에게 두 번째 길이 아끼는 건 돈이 아니라 멘탈이다.
- 유튜브 쇼츠·릴스 내레이션: 대본을 열 번 고치면 녹음도 열 번이었다. 이제 글자만 고치면 소리가 나온다. 시행착오 비용이 거의 0에 가깝다.
- 강의·지식 오디오: 강의 원고를 오디오로 만들어 출퇴근길에 혼자 들어본다. 어색한 문장은 귀가 눈보다 정직하게 잡아준다.
- 오디오북 음성 만들기, 블로그 글 읽기: 얼굴도 목소리도 안 내놓고 싶을 때, 내 복제 음성으로 읽으면 기계 합성음보다 훨씬 편하다.
- 부모님용 음성: 긴 글, 제품 설명서, 복약 알림을 음성으로. 카톡으로 긴 문자 보내는 것보다 훨씬 잘 들린다.
- 제품 데모·접근성: 데모 영상이나 화면 낭독 자료. 사람 목소리는 필요한데 사람이 매번 녹음할 순 없다.
- 다국어 음성 합성 무료: 같은 대본을 여러 언어로 뽑아 해외 채널에 올릴 때. AI 더빙 무료로 쇼츠 더빙 돌리는 것도 여기서 나온다.
전부 같은 순서다. 음색을 저장하고, 텍스트로 합성한다. 가입 없이 음성 합성이 되고 글자 수가 칼같이 막히지 않으니, 같은 문장을 세 가지 톤, 두 가지 끊어읽기로 계속 뽑아볼 수 있다. 이 자유가 기능 목록에 스위치 몇 개 더 있는 것보다 훨씬 중요하다.
무료 AI 음성, 진입장벽은 이제 "조용한 방에서 3분 진지하게 녹음하기"까지 내려왔다.
더 많은 튜토리얼에 실제 작업 기록이 있다. 내처럼 부딪히면서 배우는 것보다 훨씬 빠르다.
지금 내 고정 루틴
고정이다. 조용한 방 → 폰 마이크 → 평소 톤 → 3~5분 녹음 → 음색 업로드 → 타이핑 → 듣기 → 별로면 텍스트의 쉼표와 마침표를 고친다.
맞다, 문장부호. 이게 또 하나의 교훈이었다. 쉼표는 짧은 쉼, 마침표는 긴 쉼, 말줄임표는 "여기서 숨 한 번". 부호를 제대로 쓰면 리듬이 맞는다. 툴에서 파라미터를 만지는 것보다 훨씬 효과적이다.
결과물은 사람 목소리에 꽤 가깝고, 돈은 한 푼도 안 들었다. 영상 만들기 3년 차에 상상도 못 했던 일이다.
자주 묻는 세 가지
전문 마이크가 꼭 필요해요?
아니요. 옷장에서 폰으로 녹음한 그 파일로 충분했다. 소재를 망치는 건 장비가 아니라 환경 소음과 거리다. 조용한 방에 주먹 하나 거리, 이게 시끄러운 거실에 놓인 비싼 마이크보다 낫다.
복제한 목소리, 상업적으로 써도 되나요?
누구 목소리를 복제했는지, 그리고 플랫폼 약관이 어떤지에 달렸다. 내 목소리면 제일 간단하다. 남의 목소리 — 회사 동료라도 — 는 먼저 물어봐라. 요즘 딥보이스 관련 논의도 활발하고, 목소리 권리나 개인정보보호법 문제로 번질 수 있다. 아낀 돈보다 뒷감당이 훨씬 크다.
무료랑 유료 차이 큰가요?
영구 무료 음성 복제 흐름으로 만든 결과물은 충분히 쓸 만하다. 차이는 극단적인 요구에서 난다. 초장문 텍스트, 아주 미세한 감정 기복 같은 것. 일상적인 내레이션, 강의, 안내 방송은 무료 텍스트 음성 변환으로 다 커버된다. 개발자 지인이 무료 음성 합성 API를 물어보면 나는 항상 같은 답을 한다. 웹에서 소재와 텍스트를 먼저 매끄럽게 돌려보고 API를 생각해라. 안 그러면 노이즈를 대량 생산할 뿐이다.
마지막으로
오늘 밤 조용한 방 하나 찾아서, 폰으로 3분만 녹음해보자. 옆에 있는 아무 글이나, 힘 빼고. 그걸 올리고 한 문장 타이핑해서 들어보면 된다.
나는 그날 오후를 통째로 날렸고, 대신 이걸 얻었다. 복제에서 8할은 "녹음"에 써야 하고, "조정"에 쓰는 게 아니다. 나머지 2할은 도구가 알아서 한다.