피파 한 줄 정리: 음성 제어에는 무엇을 말할지, 누가 말할지, 어떻게 말할지 세 통로가 있어. 가장 강력한 연출 도구는 의외로 텍스트 자체야.
머릿속 모형: 음성 생성을 스튜디오 믹서의 세 채널로 생각해 봐. 첫째는 무엇을 말하는지, 둘째는 누가 말하는지, 셋째는 어떻게 말하는지다. 각각 독립적으로 조절할 수 있고 세 채널을 정밀하게 맞출 때 원하는 연기가 나온다.
채널 1, 무엇을 말하나: TTS
TTS는 글을 음성으로 바꾼다. 현대 모델은 GPS의 로봇 음성을 넘어 블라인드 테스트에서 사람 녹음과 구별하기 어려운 수준까지 왔다.
- 발음: 일반 단어는 잘 처리하지만 전문 용어, 상표, 낯선 단어는 틀릴 수 있어 발음 힌트를 지원하는 플랫폼이 유용하다.
- 문장부호: 쉼표는 짧은 멈춤, 마침표는 종결, 긴 대시는 극적인 멈춤, 물음표는 올라가는 억양을 만든다. 문장부호가 곧 연기 지시다.
- 길이와 속도: 짧은 문장은 빠르고 긴박하게, 길고 흐르는 문장은 사색적으로 들린다.
채널 2, 누가 말하나: 음성 정체성과 복제
- 즉석 복제: 15–60초 샘플로 빠르게 쓸 수 있는 복제 음성을 만들지만 정확도는 낮다.
- 전문 복제: 스튜디오 녹음 5–30분으로 충실도가 높은 복제 음성을 만들어 상업 성우의 음성 라이선스에 쓴다.
ElevenLabs는 청자가 같은 화자임을 알아볼 수 있는 94% 음성 유사도를 보고한다. 오디오북, 시리즈, 게임처럼 긴 프로젝트에서 원 화자를 매번 부르지 않고도 캐릭터 목소리를 유지할 수 있다.
채널 3, 어떻게 말하나: 감정과 스타일
“신나게”나 “슬프게”라는 지시는 여러 음성 매개변수를 한꺼번에 바꿔야 해서 가장 섬세하다.
- 운율: 말의 리듬, 강세, 억양. 즐거운 말은 음높이 변화가 크고 빠르며, 슬픈 말은 평평하고 느리다.
- 강조: “그가 훔쳤다고 말한 적 없어”에서 어느 단어를 누르느냐에 따라 뜻이 달라진다.
- 속도: 전달 속도와 멈춤 위치, 호흡의 무늬를 정한다.
- 음질: 숨 섞임, 거침, 맑음, 긴장, 속삭임, 외침을 조절한다.
핵심 정리
- 음성은 내용, 화자 정체성, 전달 방식의 세 채널로 제어한다.
- 작은 샘플에서도 약 94% 유사도의 음성 복제가 가능하지만 윤리적 책임이 따른다.
- 감정은 스타일 매개변수뿐 아니라 문장 구조에서도 만들어진다.
- 문장부호와 문장 길이가 가장 기본적인 연출 도구다.