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.
다른 이름: TTS, speech synthesis, AI voice generator
작성 Divya Sharma · 2026년 11월 15일 확인 · 리뷰 방식
TTS는 화면 낭독기, 내비게이션 앱, 오디오북, 음성 에이전트의 목소리입니다. 예전 시스템은 녹음한 말소리 조각을 이어 붙였습니다. 신경망 TTS는 대신 몇 시간 분량의 녹음된 목소리로부터 텍스트가 어떻게 소리 나야 하는지 배웁니다.
작동 방식
Google의 Tacotron 2는 고전적인 2단계 설계를 보여 줍니다. 한 네트워크가 문자를 시간에 따른 소리 에너지 변화를 그린 그림인 멜 스펙트로그램으로 대응시킵니다. 두 번째 네트워크인 보코더가 그 그림을 오디오로 바꿉니다. 많은 새 모델은 스펙트로그램을 건너뛰고, 언어 모델이 단어를 예측하는 것과 같은 방식으로 오디오 토큰을 직접 예측합니다.
TTS 모델 고르기
개발자에게 중요한 것은 자연스러움, 첫 오디오까지의 지연, 언어 범위, 속도와 감정 제어, 문자당 가격입니다. ElevenLabs 같은 호스팅 서비스가 노트북에서 돌아가는 Kokoro 82M 같은 작은 오픈 모델과 경쟁합니다.
관련 용어
TTS는 음성 인식의 반대입니다. TTS가 특정한 한 사람처럼 들리게 하는 것은 보이스 클로닝입니다. 실시간 대화에서는 음성 대 음성 모델이 텍스 트 단계를 아예 대체할 수 있습니다.
한계
TTS는 이름, 숫자, 약어를 잘못 발음할 수 있고, 긴 구절에서는 어조가 흐트러질 수 있습니다. 사람처럼 들리는 출력은 다른 사람을 사칭하는 데 악용될 수 있습니다.
관련 용어
- 음성 인식(Speech-to-text)
- 음성 인식(speech-to-text)은 자동 음성 인식(ASR)이라고도 하며, 말소리 오디오를 글로 바꾸는 소프트웨어입니다. 전사, 자막, 음성 명령, 그리고 음성 에이전트의 듣는 쪽을 맡습니다.
- 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.
- 음성 대 음성 모델(Speech-to-speech model)
- 음성 대 음성 모델(speech-to-speech model)은 음성을 먼저 텍스트로 바꿨다가 되돌리지 않고, 말소리 오디오를 받아 말소리 오디오를 직접 내놓는 모델입니다. 실시간 음성 대화와 통역에 쓰입니다.
- 음성 에이전트(Voice agent)
- 음성 에이전트(voice agent)는 실시간으로 음성 대화를 나누는 AI 에이전트로, 사람의 말을 듣고, 무엇을 말하거나 할지 정하고, 합성 음성으로 답하며, 흔히 전화선이나 앱을 통해 작동합니다.
- 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.