텍스트 음성 변환이란? 쉽게 풀어 쓴 가이드

텍스트 음성 변환(TTS)은 음성 합성이라고도 하며, 텍스트를 소리 내어 읽어 주는 소프트웨어입니다. 문장을 입력하면 그 문장을 말하는 음성을 오디오 파일이나 실시간 스트림으로 돌려줍니다. 이 음성은 사람이 내 문장을 그대로 읽어 녹음한 것이 아닙니다. 특정 목소리가 소리, 단어, 문장을 어떻게 발음하는지 학습한 컴퓨터 모델이 그 자리에서 만들어 낸 것입니다.

여러분도 이미 TTS를 들어 보셨을 가능성이 높습니다. 내비게이션 길 안내, 전화 자동 응답 메뉴, 시각 장애인과 저시력인이 사용하는 화면 낭독기, 전자책의 '소리 내어 읽기' 기능에서 쓰이고 있으며, 최근에는 YouTube 내레이션과 짧은 영상에서도 점점 더 많이 쓰이고 있습니다.

현재 대부분의 시스템은 크게 세 단계로 작동합니다. 사용자 눈에는 보이지 않지만, 이 단계를 알아 두면 왜 특정 텍스트에서 문제가 생기는지 이해하는 데 도움이 됩니다.

1. 텍스트 읽기와 정규화

먼저 시스템은 실제로 무엇을 말해야 하는지 판단합니다. "3개"는 '세 개'로, "3층"은 '삼 층'으로 읽어야 하고, "2026"은 보통 '이천이십육'으로 읽지만 전화번호 속 숫자라면 '이, 영, 이, 육'처럼 한 자리씩 읽어야 할 수도 있습니다. "5,000원"은 '오천 원'이 됩니다. 또한 텍스트를 문장 단위로 나누고 각 단어를 어떻게 발음할지 정하는데, 이는 생각보다 어렵습니다. 예를 들어 "눈"은 하늘에서 내리는 눈인지 얼굴의 눈인지에 따라 소리의 길이가 달라지고, "같이"는 쓰인 대로가 아니라 '가치'로 발음됩니다.

2. 소리 설계하기

다음으로 신경망이 문장이 어떻게 들려야 할지 예측합니다. 어떤 음절에 힘을 줄지, 음높이가 어디서 오르내릴지, 각 소리를 얼마나 길게 낼지, 짧은 숨을 어디에 넣을지를 정합니다. 이러한 억양과 리듬을 운율(prosody)이라고 하며, 사람처럼 들리는 음성과 기계가 목록을 읽는 듯한 음성을 가르는 가장 큰 차이가 바로 이것입니다.

3. 오디오 만들기

마지막으로 또 다른 모델(흔히 보코더라고 부릅니다)이 이 설계를 실제로 재생할 수 있는 음파로 바꿉니다. 예전 시스템은 미리 녹음해 둔 아주 작은 음성 조각을 이어 붙였기 때문에 소리가 뚝뚝 끊겼습니다. 신경망 시스템은 파형을 직접 생성하기 때문에 오늘날의 음성은 매끄럽게 들립니다.

• 운율. 자연스러운 리듬과 억양은 음질 그 자체보다 더 중요합니다. 깨끗하더라도 단조로운 음성은 여전히 인공적으로 들립니다.
• 언어와 억양의 일치. 한 언어로 학습된 음성은 대개 다른 언어의 단어를 어색하게 읽습니다. 텍스트의 언어에 맞는 음성을 고르고, 가능하다면 청취자가 기대하는 억양까지 맞추세요.
• 텍스트 자체. 약어, 낯선 이름, 빠진 문장 부호, 지나치게 긴 문장이 이상한 결과의 가장 흔한 원인입니다. 텍스트 음성 변환용 대본 작성법 가이드에서 해결 방법을 다룹니다.
• 속도와 피치 설정. 작은 조정만으로도 큰 효과가 있습니다. 반대로 극단적인 설정은 어떤 음성이든 이상하게 들리게 만듭니다.

• 접근성. 읽는 대신 들으면 저시력, 난독증, 피로 등 읽기에 어려움이 있는 분들에게 도움이 됩니다. 접근성을 위한 텍스트 음성 변환을 참고하세요.
• 영상 내레이션. 크리에이터들은 직접 목소리를 녹음할 수 없거나 녹음하고 싶지 않을 때 YouTube 설명 영상, 튜토리얼, 짧은 영상에 TTS를 사용합니다. YouTube 내레이션 만들기를 참고하세요.
• 언어 학습. 원어민 억양의 음성으로 문장을 느리게 들으면 발음 연습에 도움이 됩니다. 언어 학습을 위한 텍스트 음성 변환을 참고하세요.
• 교정. 내가 쓴 글을 귀로 다시 들어 보는 것은 어색한 문장과 빠진 단어를 찾아내는 가장 빠른 방법 중 하나입니다.
• 오디오북과 긴 글 듣기. TTS로 오디오북 내레이션하기를 참고하세요.

좋은 AI 음성이라도 흔하지 않은 이름, 브랜드명, 외래어를 잘못 발음할 수 있습니다. AI 음성은 사람 내레이터처럼 텍스트를 이해하지 못하기 때문에 농담, 비꼬는 말투, 강한 감정은 밋밋하게 표현되는 경우가 많습니다. 또한 합성 음성이 이제는 매우 사실적이기 때문에 실존 인물을 흉내 내거나 청취자를 속이는 데 절대 사용해서는 안 됩니다.

이러한 한계 대부분에 대한 현실적인 해결책은 음성과 씨름하는 것이 아니라 텍스트를 고치는 것입니다. 어려운 이름은 소리 나는 대로 적고, 긴 문장은 나누고, 쉬어 가고 싶은 곳에는 문장 부호를 넣으세요.

스튜디오에서는 한 번에 최대 2,000자까지 붙여 넣고, 76개 언어의 583개 음성 중에서 고르고, 속도와 피치를 조절한 뒤 들어 보고 결과를 다운로드할 수 있습니다. 계정은 필요 없습니다. 어떤 음성으로 시작할지 모르겠다면 알맞은 AI 음성 고르는 법을 읽어 보세요.