TTS 뜻부터 원리와 STT 차이, 영상 활용까지 한 번에

숏폼이나 제품 소개 영상을 보다 보면 또박또박 읽어 주는 목소리가 사람인지 기계인지 헷갈릴 때가 있는데요. 편집 프로그램 메뉴에서도, 내비게이션 설정에서도 TTS라는 세 글자를 만나지만 정확한 TTS 뜻은 모른 채 넘어가기 쉽습니다. 영상에 목소리를 넣어야 하는 팀이라면 뜻과 원리를 한 번 짚어 두면 도구를 고를 때 도움이 돼요.

#TTS는 무슨 뜻인가요?

TTS는 Text to Speech의 줄임말로, 글자로 된 문장을 사람 목소리 같은 소리로 바꿔 주는 기술입니다. 우리말로는 텍스트 음성 변환이라고 하고, 연구 분야에서는 음성 합성이라는 이름으로 더 자주 불러요.

미리 녹음해 둔 파일을 트는 것과는 다른데, 처음 보는 문장도 그 자리에서 소리로 만들어 낸다는 점이 TTS의 특징이에요. 그래서 TTS라는 말은 기술 자체를 가리키기도 하고, 그 기술로 글을 읽어 주는 프로그램이나 기능을 가리키기도 합니다.

#TTS는 어떻게 글을 소리로 바꾸나요?

과정은 글을 읽을 준비를 하는 단계와 소리를 만드는 단계로 나눠 볼 수 있어요. 요즘 널리 쓰이는 신경망 방식은 소리를 만드는 단계를 다시 둘로 나눕니다.

• 📖 글 분석: 숫자, 기호, 줄임말을 읽는 말로 풀고 어디서 끊어 읽을지 정해요. '3/4'을 사분의 삼으로 읽을지 삼월 사일로 읽을지 고르는 일이 여기에 들어가요.
• 🎼 소리 설계: 문장의 높낮이, 길이, 세기를 예측해서 스펙트로그램이라는 소리의 설계도를 그려요.
• 🔊 음성 생성: 보코더라는 모델이 그 설계도를 실제로 들을 수 있는 파형으로 바꿔요.

이 구조를 보여 준 대표 사례가 구글 연구진이 2017년에 공개한 논문이에요. 글에서 스펙트로그램을 예측하는 모델과 파형을 만드는 모델을 이어 붙여 사람의 녹음에 가까운 음성을 만들었다고 보고했습니다.

#예전 기계음과 요즘 AI 음성은 무엇이 다른가요?

소리를 만드는 방식이 달라요. 예전에는 성우가 녹음한 음성을 잘게 잘라 두었다가 문장에 맞게 이어 붙이는 방식이 많이 쓰였는데, 조각이 만나는 이음매에서 억양이 끊겨 기계가 읽는 티가 났습니다.

지금은 많은 양의 음성으로 학습한 신경망이 파형을 직접 만들어요. 딥마인드가 2016년에 발표한 WaveNet 연구가 이 흐름을 연 사례로 자주 꼽히고, 그 뒤로 말끝의 높낮이와 문장 사이의 쉼이 훨씬 자연스러워졌습니다.

WaveNet 논문은 1초에 적어도 16,000개의 샘플로 이루어진 소리를 다뤘는데, 샘플 하나하나를 그 앞의 샘플 전체를 보고 예측하는 방식이었어요. 녹음 조각을 이어 붙이지 않으니 이음매가 생기지 않았고, 논문의 듣기 평가에서도 기존 두 방식보다 자연스러움 점수가 높았습니다.

*단, 자연스러워졌다고 해서 틀리지 않는 것은 아니에요. 사람 이름, 브랜드명, 외래어, 숫자는 지금도 잘못 읽는 경우가 있어서 결과를 끝까지 들어 봐야 합니다.

#TTS 음성이 자연스러운지는 어떻게 재나요?

연구에서는 사람에게 음성을 직접 들려주고 점수를 매기게 하는 평균 의견 점수(MOS)를 흔히 써요. 국제전기통신연합 전기통신표준화부문(ITU-T)의 권고 P.800은 듣는 사람이 음성 품질을 Excellent부터 Bad까지 다섯 단계 가운데 하나로 고르게 하고, 각각 5점부터 1점을 매겨 그 산술 평균을 MOS로 부르도록 정해 두었습니다. 1996년에 나온 전화 품질 평가 방법이지만 합성 음성 연구도 같은 척도를 빌려 써요.

딥마인드의 2016년 WaveNet 논문도 같은 5점 척도로 북미 영어 음성을 평가했어요. 표는 논문의 표 1에 실린 평균값이고, 녹음 음성 두 가지 가운데 16비트 원음의 값을 옮겼습니다. 같은 논문에서 중국어 표준어는 WaveNet이 4.08점, 16비트 원음이 4.21점이었어요.

앞에서 본 구글 연구진의 2017년 논문은 Tacotron 2라는 이름으로 알려져 있는데, 글에서 멜 스펙트로그램을 예측하고 그 설계도를 WaveNet 방식의 보코더로 파형으로 바꾸는 구조였어요. 논문 초록에서는 이 모델의 MOS가 4.53점으로 전문가가 녹음한 음성의 4.58점과 견줄 만하다고 보고했는데, 5점 척도에서 평균 0.05점 차이였다는 뜻입니다.

*단, MOS는 평가에 쓴 문장과 듣는 사람, 언어에 따라 달라지는 점수예요. 서로 다른 시험에서 나온 점수끼리는 바로 견줄 수 없으니, 도구를 고를 때는 우리 대본의 한 단락을 여러 도구로 만들어 같은 사람들이 나란히 들어 보세요.

#TTS와 STT는 무엇이 다른가요?

방향이 반대입니다. STT는 Speech to Text의 줄임말로 사람의 말소리를 글자로 받아 적는 기술이고, 음성 인식이라고도 불러요.

회의록 받아쓰기나 영상 자동 자막은 STT이고, 내비게이션 안내 음성이나 영상 내레이션 생성은 TTS예요. AI 스피커와 음성 비서는 둘을 이어서 쓰는데, 사람의 말을 STT로 알아듣고 대답할 문장을 TTS로 읽어 주는 구조입니다.

#TTS는 어디에 쓰이나요?

글을 읽기 어렵거나 화면을 볼 수 없는 상황에서 먼저 쓰였고, 지금은 콘텐츠 제작으로 범위가 넓어졌어요.

• ♿ 접근성: 시각장애가 있는 사용자가 화면 낭독기로 웹과 문서를 들어요.
• 🚗 안내: 내비게이션과 고객센터 자동 응답이 상황에 맞는 문장을 그때그때 읽어 줘요.
• 🎧 듣는 콘텐츠: 기사, 전자책, 학습 자료를 오디오로 바꿔요.
• 🎬 영상 제작: 숏폼, 제품 소개, 사내 교육 영상의 내레이션을 녹음 없이 만들어요.

#TTS 도구에는 어떤 종류가 있나요?

어디에 들어 있느냐에 따라 네 가지로 나눠 볼 수 있어요. 서비스마다 목소리 수와 요금, 이용 조건이 자주 바뀌기 때문에 이름보다 유형을 먼저 정하는 편이 고르기 쉽습니다.

• 📱 기기 내장 기능: 스마트폰과 PC에 들어 있는 읽어 주기 기능이에요. 따로 설치할 것이 없지만 목소리를 고를 폭이 좁아요.
• 🌐 웹 서비스: 대본을 붙여 넣고 목소리를 골라 음성 파일로 내려받아요.
• 🎞️ 영상 편집 프로그램 내장: 만든 음성이 바로 타임라인에 올라가서 자막과 길이를 맞추기 편해요.
• 🧩 개발자용 API: 앱이나 서비스 안에서 문장을 자동으로 읽게 할 때 써요.

#사람이 녹음한 목소리와 비교하면 어떤가요?

어느 쪽이 낫다고 정해져 있지는 않고, 영상의 성격에 따라 달라져요.

• 👍 TTS는 대본이 바뀌어도 그 문장만 다시 만들면 되고, 시리즈 영상에서 같은 목소리를 유지하기 쉬워요.
• 👎 웃음이 섞인 말투나 울먹임처럼 미묘한 감정 연기는 사람의 녹음이 여전히 앞서는 경우가 많아요.

정보 전달이 목적인 설명 영상과 자주 고쳐야 하는 광고 소재에는 TTS가 잘 맞습니다. 브랜드 필름처럼 목소리의 연기가 인상을 좌우하는 영상이라면 성우 녹음과 나란히 들어 본 뒤에 정하세요.

#TTS를 쓸 때 무엇을 조심해야 하나요?

목소리에도 주인이 있다는 점을 먼저 확인해야 합니다. TTS의 목소리는 실제 사람의 녹음을 학습해서 만들어지고, 특정인의 목소리를 흉내 내는 음성 복제 기능을 함께 제공하는 도구도 있기 때문이에요.

• 📄 만든 음성을 광고와 판매용 영상에 써도 되는지 서비스 약관에서 확인해요.
• 🙋 실제 인물의 목소리를 복제하려면 당사자의 동의를 먼저 받아요.
• 🏷️ 영상을 올릴 플랫폼이 AI로 만든 음성에 표시를 요구하는지 살펴봐요.

이용 조건은 서비스와 요금제에 따라 다르고 바뀌기도 하니, 영상을 내보내기 전에 해당 서비스의 최신 약관을 직접 읽어 보세요.

#국내 법은 AI로 만든 음성에 무엇을 요구하나요?

2026년 1월 22일부터 시행된 인공지능 발전과 신뢰 기반 조성 등에 관한 기본법 제31조는 인공지능사업자에게 투명성 의무를 지웁니다. 생성형 인공지능의 결과물에는 생성형 인공지능으로 만들었다는 사실을 표시해야 하고(제2항), 실제와 구분하기 어려운 가상의 음향, 이미지, 영상을 제공할 때는 이용자가 명확하게 인식할 수 있는 방식으로 고지하거나 표시해야 해요(제3항). 사람 목소리와 구분하기 어려운 TTS 음성도 이 가상의 음향에 들 수 있습니다.

법이 말하는 인공지능사업자에는 인공지능을 개발해 제공하는 자뿐 아니라, 남이 만든 인공지능을 이용해 제품이나 서비스를 제공하는 인공지능이용사업자도 들어가요(제2조 제7호). 표시 방법과 예외는 대통령령으로 정하도록 되어 있어서(제31조 제4항), 우리 영상이 대상인지와 어떻게 표시할지는 시행령과 과학기술정보통신부 안내를 확인한 뒤 정하는 편이 안전합니다. 예술적이거나 창의적인 표현물이라면 감상을 방해하지 않는 방식으로 표시할 수 있다는 단서도 같은 조 제3항에 있어요.

#영상 내레이션에 TTS를 쓰려면 대본을 어떻게 다듬나요?

눈으로 읽는 글과 귀로 듣는 글은 다르게 써야 해요. TTS는 적힌 대로 읽기 때문에 대본에서 미리 손을 봐 두면 다시 만드는 횟수가 줄어듭니다.

• ✍️ 한 문장에 내용을 하나만 담아요. 문장이 길면 어디서 숨을 쉴지를 모델이 임의로 정해요.
• 🔢 숫자와 단위, 영어 약자는 읽는 소리대로 풀어 써요. '30%'를 삼십 퍼센트로 적는 식이에요.
• ⏸️ 쉬어 갈 자리에 쉼표나 줄바꿈을 넣어요.
• 👂 완성본을 화면과 함께 끝까지 듣고, 어색한 문장만 골라 다시 만들어요.

쉼과 속도, 높낮이를 태그로 지정하는 W3C 표준 표기법 SSML을 지원하는 도구도 있어요.

#TTS가 자주 잘못 읽는 것은 무엇인가요?

한국어 TTS가 자주 틀리는 자리는 같은 글자를 상황에 따라 다르게 읽어야 하는 곳이에요. 모델이 앞뒤 문맥으로 고르기는 하지만, 대본에서 소리 나는 대로 풀어 두면 발음이 흔들릴 여지가 줄어듭니다. 풀어 쓰면 읽는 소리의 길이도 달라지니, 고친 뒤에는 문장마다 몇 초가 걸리는지 다시 재야 컷 길이가 맞아요.

#SSML로는 무엇을 지정할 수 있나요?

대본을 풀어 쓰는 대신 태그로 읽는 법을 알려 줄 수도 있어요. W3C가 2010년 9월 7일 권고로 낸 SSML 1.1에는 다음과 같은 요소가 정해져 있습니다. 예를 들어 sub 요소의 alias 속성에 읽을 말을 적어 두면 W3C라는 글자를 더블유 쓰리 시로 읽게 할 수 있어요.

*단, 지원하는 요소와 값은 도구마다 달라서 같은 태그를 넣어도 결과가 다를 수 있어요. 쓰려는 도구의 공식 안내에서 지원 목록을 먼저 확인하세요.

#AI로 영상을 만들 때 TTS는 어느 단계에 넣나요?

목소리를 먼저 만들고 화면을 거기에 맞추는 순서를 권합니다. 내레이션의 길이가 정해져야 컷마다 몇 초를 쓸지가 정해지기 때문이에요.

대본을 문장 단위로 나눠 음성을 만든 다음 문장별 길이를 적어 두면, 그 초 수가 영상을 생성할 때 컷 길이의 기준이 돼요. 화면을 먼저 만들었다면 반대로 음성의 속도를 조절하거나 문장을 줄여서 길이를 맞춥니다.

#자주 묻는 질문

#TTS는 우리말로 뭐라고 하나요?

텍스트 음성 변환이라고 해요. 문자 음성 변환, 음성 합성이라는 말도 같은 기술을 가리킵니다.

#AI 보이스와 TTS는 같은 말인가요?

거의 같은 뜻으로 쓰이고, 우리말로 AI 목소리라고 부르기도 해요. 다만 AI 보이스는 TTS로 읽어 주는 목소리뿐 아니라 음성 복제와 목소리 변환까지 묶어서 부르는 더 넓은 말입니다.

#화면 낭독기도 TTS인가요?

네, 화면 낭독기는 화면의 글과 버튼 이름을 TTS로 읽어 주는 프로그램이에요. 웹 접근성 기준인 WCAG 2.2가 이미지마다 대체 텍스트를 요구하는 것도(1.1.1 텍스트 아닌 콘텐츠, A 등급) 화면 낭독기가 그 글을 소리로 읽어 줄 수 있게 하려는 것입니다. 영상에 TTS 내레이션을 넣을 때도 같은 문장을 자막이나 대본으로 함께 올려 두면, 소리를 끄고 보는 사람과 화면을 보기 어려운 사람이 같은 정보를 얻을 수 있어요.

#TTS와 AI 더빙은 무엇이 다른가요?

TTS는 글을 소리로 바꾸는 기술이고, AI 더빙은 그렇게 만든 음성을 영상에 입히는 작업을 가리키는 말이에요. 다른 언어로 옮긴 대사를 입히는 일까지 포함해서 쓰기도 합니다.

#오늘 바로 해볼 것

1. 만들려는 영상의 대본에서 30초 분량만 골라 소리 내어 읽고, 숨이 차는 문장을 둘로 나눠요.
2. 숫자와 영어 약자를 읽는 소리대로 풀어 쓴 뒤 TTS 도구 한 곳에서 음성으로 만들어요.
3. 화면 없이 소리만 들어 보고, 잘못 읽은 단어와 어색하게 끊긴 자리를 표시해요.

※ 이 글은 2026년 10월 9일 기준으로 작성했어요. TTS 서비스의 기능과 이용 조건은 자주 바뀌니 사용 전에 각 서비스의 공식 안내를 확인하세요.