PC에 설치하는 오픈소스 TTS
부여의 문화유산을 소개하는 유튜브 영상을 만들 때 화면만큼 중요한 것이 내레이션이다. [보이스박스(Voicebox)](https://voicebox.sh/)는 작성한 원고를 음성으로 바꾸거나 녹음한 목소리를 바탕으로 새 음성을 생성하는 무료 오픈소스 프로그램이다. 웹사이트에서 원고를 입력하는 서비스가 아니라 컴퓨터에 설치해 음성 모델을 구동하는 방식이다.
설치 방법은 운영체제에 따라 다르다. 윈도 이용자는 공식 홈페이지에서 64비트 MSI 설치 파일을 내려받아 실행하면 된다. 맥은 Apple Silicon용과 Intel용 중 기기에 맞는 파일을 선택한다. 리눅스는 현재 사전 제작된 설치 파일이 없어 소스코드로 빌드해야 한다. 첫 음성을 생성할 때 선택한 모델을 추가로 내려받기 때문에 충분한 저장 공간도 필요하다. 공식 권장 사양은 메모리 16GB 이상과 여유 저장 공간 10GB 이상이다.
활용 장면을 부여 정림사지 오층석탑 소개 영상으로 가정해 보자. 카메라가 탑의 전경에서 지붕돌과 기둥의 세부 모습으로 이동한다면, 그에 맞춰 “부여 정림사지 오층석탑은 백제시대에 세워진 국보입니다. 정림사지 절터 한가운데 서 있는 이 탑에는 백제 석탑의 건축적 특징이 남아 있습니다”라는 원고를 내레이션으로 사용할 수 있다.
이 원고를 보이스박스에서 음성으로 만든 뒤 영상 편집 프로그램의 오디오 트랙에 배치하면 화면과 설명을 맞출 수 있다. 제작자가 자신의 목소리를 쓰고 싶다면 녹음 자료로 음성 프로필을 만들 수도 있다. 보이스박스 공식 문서는 목소리 복제용으로 잡음이 적은 10~30초 분량의 녹음을 권장한다.
이런 문화유산 영상에서는 한 번에 긴 원고를 읽히는 것보다 장면에 따라 문장을 나누는 편이 편집에 유리하다. 탑의 전경을 보여주는 문장, 건축적 특징을 설명하는 문장, 마무리 문장을 각각 음성으로 만들면 화면 길이에 맞춰 조정하거나 어색한 부분만 다시 생성할 수 있다. 보이스박스는 생성 결과를 저장하고 여러 음성 클립을 배치하는 편집 기능도 제공한다.
사용성을 공식 기능과 문서로 검토하면, 보이스박스의 장점은 반복해서 만드는 영상의 음성을 자신의 PC에서 제작·관리할 수 있다는 점이다. 반면 처음에는 음성 모델 다운로드가 필요하고, PC 성능에 따라 생성 속도가 달라진다. 부여의 문화유산처럼 지명과 전문 용어가 중요한 영상에서는 생성한 음성을 끝까지 들어보고 ‘정림사지’ 같은 핵심 명칭의 발음과 문장 사이 호흡을 확인해야 한다. 이번 평가는 공식 자료를 바탕으로 한 활용 분석이며, 한국어 음질과 생성 속도를 직접 측정한 실사용 평가는 아니다.
