텍스트 투 뮤직(Text-to-music)
텍스트 투 뮤직(text-to-music)은 장르, 분위기, 악기, 템포 같은 글 설명으로부터 음악 오디오를 생성하는 작업입니다. 일부 시스템은 가사를 쓰고 노래까지 부릅니다.
다른 이름: AI music generation, music generation, AI song generator
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
원하는 것을 설명하면, 예를 들어 "부드러운 빗소리가 섞인 느린 로파이 피아노, 70 bpm"이라고 하면, 모델이 오디오 클립을 돌려줍니다. Suno와 Udio 같은 노래 중심 서비스는 프롬프트와 가사로 보컬이 있는 완전한 트랙을 생성할 수 있습니다.
작동 방식
두 계열이 주류입니다. 언어 모델 방식은 신경 코덱으로 오디오를 이산 토큰으로 바꾼 뒤, 텍스트 모델이 단어를 예측하듯 토큰을 하나씩 예측합니다. Meta의 MusicGen이 공개된 예로, 여러 오디오 토큰 스트림을 다루는 단일 트랜스포머이며 텍스트나 멜로디를 조건으로 줄 수 있습니다. Stable Audio 3 Medium 같은 확산 방식은 이미지용 확산 모델처럼 디노이징으로 오디오를 생성합니다.
용도
동영상, 팟캐스트, 게임의 배경 음악, 작곡가를 위한 빠른 데모, 주제의 변주입니다. 일부 도구는 클립을 늘리거나, 스템을 분리하거나, 허밍한 멜로디를 따라갈 수 있습니다.
관련 용어
텍스트 투 뮤직은 음성 합성의 형제입니다. 둘 다 오디오를 생성하지만, 음성 모델은 명확한 단어를, 음악 모델은 리듬, 화성, 음색을 목표로 합니다.
한계
긴 곡은 구조를 잃을 수 있고, 가사가 뭉개져 나올 수 있습니다. 권리 문제는 정리되지 않았습니다. 저작권이 있는 녹음으로 학습한 것이 소송으로 이어졌고, 출력의 상업적 사용 조건은 서비스마다 다르니 게시하기 전에 읽으십시오.
관련 용어
- 음성 합성(Text-to-speech)
- 음성 합성(text-to-speech, TTS)은 글로 쓴 텍스트를 말소리 오디오로 바꾸는 소프트웨어입니다. 현대 TTS는 텍스트로부터 말소리를 예측하는 신경망을 쓰고, 이를 파형으로 렌더링합니다.
- 확산 모델
- 확산 모델(diffusion model)은 여러 단계에 걸쳐 노이즈를 조금씩 제거하면서 무작위 노이즈를 이미지 같은 데이터로 바꾸는 법을 배우는 생성 모델입니다.
- 자기회귀 모델
- 자기회귀 모델(autoregressive model)은 시퀀스를 한 조각씩 생성하는 모델로, 앞선 모든 토큰으로 다음 토큰을 예측하고 그 출력을 다시 입력으로 넣습니다. 대부분의 대규모 언어 모델이 이렇게 동작합니다.
- 보이스 클로닝(Voice cloning)
- 보이스 클로닝(voice cloning)은 AI를 써서 음성 합성 시스템이 특정인의 녹음으로부터 배운 그 사람의 목소리로 말하게 하는 것입니다. 일부 시스템은 짧은 샘플만 있으면 됩니다.
- 모델 라이선스(Model license)
- 모델 라이선스(model license)는 모델의 가중치, 그리고 경우에 따라 코드와 데이터를 사용, 변경, 공유할 수 있는 법적 조건입니다. 허용적인 오픈 라이선스부터 비상업용 또는 자체 제한 라이선스까지 다양합니다.