몇 년 전만 해도 내 목소리로 읽은 오디오를 만들려면 마이크 앞에 앉아 같은 문장을 스무 번쯤 다시 읽어야 했다. 지금은 30초짜리 녹음 파일 하나를 올리면, 내가 입에 올린 적 없는 문장까지 내 음색으로 흘러나온다. 돈 한 푼 안 내고 말이다.
다들 무료 보이스 클로닝은 품질이 문제라고 한다. 정말 그런가. 품질은 생각보다 빨리 합격선을 넘는다. 무료 사용자를 진짜로 세워버리는 벽은 완전히 다른 자리에 있고, 그 벽이 뭔지는 이 글 뒷부분에서 꺼낸다.
기계가 읽어주던 시절과 지금 사이에 벌어진 일
초창기 음성 합성은 미리 녹음해둔 소리 조각을 이어 붙이는 방식이었다. 단어 하나하나는 사람 목소리인데 문장으로 붙이면 억양이 평평해진다. 내비게이션 안내 음성을 떠올리면 된다. 누가 들어도 기계였고, 그래서 아무도 그걸 자기 목소리라고 착각하지 않았다.
딥러닝이 들어오면서 판이 바뀌었다. 화자 한 명의 녹음을 몇 시간 분량으로 모아 전용 모델을 통째로 학습시키면 억양과 호흡까지 따라갔다. 문제는 비용이다. 성우와 계약하고, 스튜디오를 잡고, 대본을 읽히고, 그걸 다시 학습에 돌리는 과정은 방송사나 대기업이 아니면 손대기 어려웠다.
지금 무료로 풀린 기술은 그 앞 단계와 원리가 다르다. 짧은 샘플에서 음색의 특징만 숫자 덩어리로 뽑아내고, 발음과 억양을 만들어내는 본체 모델은 이미 학습된 것을 그대로 쓴다. 학습이라기보다 조회에 가깝다. 계산량이 적으니 무료로 뿌려도 서비스가 버틴다. 공짜가 된 이유가 인심이 아니라 구조라는 뜻이다.
무료 등급에서 실제로 손에 쥐어지는 것
무료 플랜의 생김새는 서비스마다 이름만 다를 뿐 뼈대가 비슷하다. 월 단위로 생성할 수 있는 글자 수나 분량에 상한이 걸리고, 저장할 수 있는 목소리 슬롯이 한두 개로 제한되며, 다운로드 파일은 압축률 높은 mp3로만 나온다. 생성물에 서비스 이름을 표기하라는 조건이 붙는 곳도 흔하다.
체감 품질은 문장 길이에 따라 갈린다. 두세 문장짜리 짧은 오디오는 원본과 구분하기 어려울 만큼 비슷하게 나온다. 반대로 길어질수록 티가 난다. 쉼표 없는 긴 문장에서 숨을 안 쉬거나, 감정이 올라가야 할 자리에서 톤이 그대로 평평하게 지나간다. 예를 들어 3분짜리 정보 영상 내레이션은 무난히 통과하지만, 20분짜리 오디오북을 통으로 맡기면 중반부터 듣는 쪽이 지친다.
그래서 무료 등급이 잘 맞는 자리는 정해져 있다. 유튜브 영상 내레이션 초안, 사내 교육 자료 음성, 외국어 더빙 시안처럼 여러 번 고쳐 쓸 전제로 만드는 결과물이다. 한 번 뽑아서 그대로 최종본으로 내보내는 용도라면 무료 등급은 매번 아쉬움이 남는다.
한국어만 유독 어색하게 들리는 이유는 뭘까?
같은 서비스로 영어 문장을 읽히면 멀쩡한데 한국어만 외국인 억양처럼 들리는 경험, 이유는 두 갈래다. 하나는 학습 데이터가 영어에 크게 쏠려 있다는 점이고, 다른 하나는 한국어 문장 구조 자체가 불리하다는 점이다. 한국어는 조사와 어미가 문장 끝에 몰려 있어서, 끝부분 처리가 조금만 흐려져도 문장 전체가 어색해진다.
숫자와 영문이 섞인 대본에서 오류가 두드러진다. 단위를 잘못 읽거나, 알파벳 약어를 글자 그대로 발음하거나, 연도와 금액을 같은 규칙으로 처리해버리는 식이다. 한자어의 장단음이나 고유명사도 약한 지점이다. 실사용 후기들에서 공통으로 나오는 지점이 바로 여기다.
대응은 모델 탓을 하기보다 대본을 고치는 쪽이 빠르다. 숫자는 한글로 풀어 쓰고, 긴 문장은 두 개로 자르고, 쉼표를 호흡 표시처럼 넣어준다. 원본 샘플을 녹음할 때도 영어가 아니라 한국어로, 평소 말하는 속도로 읽는 편이 결과가 낫다. 그리고 애초에 한국어 지원을 명시한 다국어 모델을 고르는 게 먼저다. 지원 언어 목록에 한국어가 없는 서비스는 아무리 후기가 좋아도 시간 낭비다.
관련: 앤트로픽 IPO 11월 연기, 속도조절론 때문이 아니다
즉석 복제, 정밀 복제, 상용 라이선스는 유리한 사람이 다 다르다
보이스 클로닝은 보통 세 갈래로 나뉜다. 짧은 샘플로 바로 만드는 즉석 복제, 긴 녹음과 본인 확인을 요구하는 정밀 복제, 그리고 결과물을 사업에 쓸 수 있도록 권리까지 정리해서 파는 상용 라이선스다. 무료라는 말은 보통 첫 번째 칸에만 해당한다.
| 항목 | 즉석 복제(무료 등급) | 정밀 복제(유료) | 상용 라이선스·API |
|---|---|---|---|
| 필요한 녹음 | 대개 30초~1분 | 대개 10분 이상, 조용한 환경 | 정밀 복제와 동일하거나 그 이상 |
| 결과물 느낌 | 음색은 닮고 감정은 평평 | 호흡·억양까지 근접 | 정밀 복제와 같고 안정성 보장 |
| 한국어 안정성 | 긴 문장에서 흔들림 | 대본 손질하면 실사용 가능 | 대량 처리에서도 일관 |
| 본인 확인 | 없음 | 동의 문구 낭독 녹음 요구 | 계약·서면 동의 |
| 상업적 이용 | 금지 또는 표기 조건부 | 플랜에 따라 허용 | 허용이 전제 |
| 잘 맞는 사람 | 시안 비교, 개인 실험 | 주기적으로 콘텐츠 올리는 개인 | 기업, 외주 제작사 |
표에서 눈여겨야 할 칸은 본인 확인이다. 정밀 복제가 동의 문구 낭독을 요구하는 건 품질 때문이 아니라 책임 때문이다. 무료 즉석 복제에는 그 절차가 없다. 아무 음성 파일이나 올려도 만들어진다는 뜻이고, 이 한 줄이 뒤에서 다룰 문제의 출발점이다.
목소리가 곧 브랜드인 사람에게 무료 즉석 복제는 권하지 않는다. 같은 대본을 다시 돌려도 톤이 미세하게 달라져서, 에피소드를 이어 들으면 사람이 바뀐 것 같은 순간이 생긴다. 이럴 바엔 서비스가 권리를 정리해둔 기성 합성 음성 라이브러리를 유료로 쓰는 편이 낫다. 내 목소리는 아니지만 매번 똑같고, 분쟁 소지도 없다.
무료로 만든 목소리로 수익을 내도 되나?
이 질문은 두 층으로 나눠야 답이 나온다. 하나는 서비스 약관이고, 다른 하나는 법이다. 둘은 별개로 걸린다. 약관을 지켰어도 법에 걸릴 수 있고, 법적으로 깨끗해도 약관 위반으로 계정이 막힐 수 있다.
약관부터 보면, 무료 플랜의 결과물을 상업적으로 쓰지 못하게 막거나 서비스명 표기를 조건으로 다는 곳이 많다. 걸렸을 때 돌아오는 건 경고 메일이 아니라 계정 정지와 기존 결과물 사용 중단 요구다. 영상 수십 개를 그 목소리로 올려둔 상태라면 타격이 크다. 여기에 플랫폼 정책이 하나 더 얹힌다. 합성 음성이 들어간 콘텐츠는 그 사실을 표시하도록 요구하는 흐름이 자리를 잡았다.
많이들 “내 목소리니까 내 마음대로 써도 된다”고 알고 있다. 실제로는 다르다. 목소리의 주인은 나라도, 그 목소리를 복제해 만든 오디오 파일을 팔거나 광고에 쓸 권리는 가입할 때 눌렀던 약관이 정한다.
남의 목소리라면 이야기가 무거워진다. 한국에는 초상권처럼 음성권만 따로 규정한 단일 조항은 없지만, 부정경쟁방지법에 타인의 성명·초상·음성 등을 상업적으로 무단 사용하는 행위를 부정경쟁행위로 보는 조항이 들어 있다. 이건 잘 안 알려져 있는데, 그 조항은 경제적 가치가 인정되는 목소리를 전제로 해서 사실상 유명인 쪽에 무게가 실린다. 일반인은 인격권 침해에 따른 손해배상으로 가는 경로가 현실적이다. 고인이 된 성우나 가수의 목소리는 유족 동의 문제가 따로 붙고, 선거 국면에서는 공직선거법상 별도 제한도 있다.
그래서 남의 목소리를 쓸 계획이라면 구두 동의로 끝내지 않는 게 맞다. 용도, 사용 기간, 2차 활용 범위, 중단 요청 절차를 한 장짜리 문서로 남겨야 한다. 번거롭게 들리겠지만, 분쟁이 생겼을 때 이 종이 한 장이 있느냐 없느냐가 전부를 가른다.
내 목소리가 남의 채널에서 말하고 있을 때
반대 입장도 생각해야 한다. 공개된 영상이나 팟캐스트에 목소리를 오래 노출한 사람이라면, 누군가 그 음성을 샘플로 쓰는 걸 기술적으로 막을 방법이 없다. 즉석 복제에 본인 확인 절차가 없다는 말은 곧 그런 뜻이다.
도용 여부를 검색하듯 찾아내는 도구는 아직 쓸 만하지 않다. 이미지처럼 역검색이 되는 구조가 아니라서, 현실적으로는 이름·채널명·주요 대사 키워드로 알림을 걸어두고 제보가 들어오는 경로를 열어두는 쪽이 빠르다. 플랫폼마다 사칭 신고 창구가 따로 있고, 음성 사칭도 여기에 접수된다.
대비는 사후가 아니라 사전에 해두는 게 효율적이다. 원본 녹음 파일과 업로드 시각 기록을 지우지 말고 보관하면, 나중에 무엇이 먼저였는지를 따질 때 근거가 된다. AI 음성 탐지 도구는 참고용이다. 확률 점수만 던져줄 뿐이라 그 자체로 결정적 증거가 되기는 어렵고, 배경음이 섞이면 정확도가 더 떨어진다.
무료로 어디까지 가능하냐는 질문의 답
앞에서 미뤄둔 벽 이야기를 할 차례다. 무료 보이스 클로닝을 실제로 막아 세우는 건 음질이 아니다. 상업적 사용을 제한하는 약관, 재생성할 때마다 미묘하게 흔들리는 일관성, 그리고 남의 목소리든 내 목소리든 권리 정리가 안 된 상태에서 쌓이는 위험이다. 소리는 이미 충분히 그럴듯한데, 그 소리를 내 것이라고 주장할 근거가 무료 등급에는 거의 없다.
써먹는 순서는 단순하다. 무료 등급에서는 시안을 뽑는 데 집중한다. 같은 대본을 서너 개 목소리로 돌려보고, 3분짜리 긴 문장으로도 읽혀보고, 숫자가 섞인 문단을 넣어 한국어 처리 수준을 확인한다. 쓸 만한 조합이 정해지면 그 서비스의 최소 유료 등급으로 올라가 정밀 복제와 동의 녹음까지 끝낸다. 예를 들어 주 2회 10분짜리 영상을 올린다면 월 80분 안팎이 필요한데, 무료 쿼터로 감당되는 분량인지부터 계산해보면 언제 돈을 내야 하는지가 저절로 나온다.
대본도 손봐야 한다. 눈으로 읽는 글과 귀로 듣는 글은 다르다. 문장을 짧게 끊고, 숫자를 한글로 풀고, 쉼표로 호흡을 지정한 대본은 무료 등급에서도 결과가 눈에 띄게 달라진다. 모델을 바꾸기 전에 대본을 바꿔보는 게 순서다.
마이크 앞에서 같은 문장을 스무 번 다시 읽던 시절로 돌아가고 싶은 사람은 없을 것이다. 이제 읽지 않아도 목소리는 나온다. 다만 읽지 않은 그 목소리가 어디까지 내 것인지는 기술이 답해주지 않는다. 그 선을 먼저 정해두고 시작하는 사람만 이 도구를 오래 쓴다.
