AI 70+ 연구원
미래를 준비하자! 설 땅이 없다
🎯 테스트의 마지막 목표는 결국 실제 영상 한 편을 만드는 것이었다.
Voicebox를 설치하고 목소리를 복제한 뒤,
0.6B와 1.7B를 비교하고 숫자 발음과 긴 문장까지 여러 번 시험했다.
하지만 테스트 결과가 아무리 좋아도
실제 유튜브 영상에서 사용할 수 없다면 의미가 없다.
그래서 직접 쇼츠 영상 한 편을 완성해 보기로 했다.
🎬 1. 드디어 실제 쇼츠 한 편을 완성했다
박정희 대통령의 군복무 사진을 이용해
실제 유튜브용 쇼츠를 제작했다.
사진과 컬러 복원 자료를 준비하고,
Voicebox에서 내 목소리로 나레이션을 만든 뒤
Filmora에서 사진·음성·자막·배경음악을 하나의 영상으로 편집했다.
🖼️ 사진과 복원 자료 준비
🎙️ Voicebox 나레이션 생성
✂️ Filmora에서 영상·음성 편집
📝 자막 배치
🎵 배경음악 추가
🎞️ MP4 쇼츠 영상 출력
▲ Voicebox 복제 음성과 Filmora를 이용해 완성한 실험용 쇼츠
🎙️ 2. 결국 평소 내 목소리가 가장 좋았다
그동안 만들어 둔 여러 목소리 샘플을 실제 영상에 적용해 비교했다.
✅ 최종 선택
「내목소리_기본_01」
특별히 힘을 주거나 나레이션 느낌을 과장한 목소리보다
평소 내 목소리를 녹음한 기본 샘플이
가장 자연스럽고 실제 영상에도 잘 어울렸다.
앞으로 Voicebox를 사용할 때는
「내목소리_기본_01」을 기본 프로필로 사용하기로 했다.
⚡ 3. 예상과 달리 전체 나레이션을 한 번에 생성했다
앞선 테스트에서는 긴 문장을 생성하면
뒤로 갈수록 목소리 톤과 볼륨이 떨어지는 현상이 나타났다.
그래서 처음에는 안전하게
약 15초씩 나누어 음성을 만들 계획이었다.
⚠️ 처음 예상한 방식
전체 대본
↓
약 15초씩 나누기
↓
여러 개의 음성 파일 생성
↓
Filmora에서 다시 연결
그런데 실제 쇼츠에서는 전체 나레이션을
한꺼번에 생성해도 비교적 안정적으로 유지됐다.
✅ 실제 제작에서 사용한 방식
전체 나레이션을 Voicebox에서 한 번에 생성한다.
↓
Filmora로 가져간다.
↓
장면과 사진 길이에 맞게 필요한 부분을 자른다.
여러 개의 음성 파일을 따로 관리하지 않아도 되기 때문에
작업 과정도 훨씬 단순해졌다.
⭐ 4. 같은 내용은 두 번 생성해서 골랐다
Voicebox 테스트에서 이미 확인했듯이
같은 목소리와 같은 문장을 사용해도
결과가 항상 완전히 똑같지는 않았다.
억양, 첫 음량, 말의 속도,
문장 끝의 높낮이에 미세한 차이가 생겼다.
실제 사용 방법
1회 생성 → 들어본다.
2회 생성 → 다시 들어본다.
두 결과 가운데
내 목소리에 더 가깝고 자연스러운 음성을 선택한다.
여러 번 무한정 생성할 필요는 없었다.
이번 작업에서는 두 번 정도 비교하는 방식이
시간과 품질을 함께 생각했을 때 적당했다.
✂️ 5. Voicebox는 음성을 만들고, Filmora는 영상을 완성했다
Voicebox에서 좋은 나레이션을 선택한 뒤
실제 영상 작업은 Filmora에서 진행했다.
🎬 실제 작업 흐름
① 사진과 영상 자료를 준비한다.
② 나레이션 대본을 작성한다.
③ Voicebox에서 「내목소리_기본_01」을 선택한다.
④ 전체 나레이션을 두 번 생성한다.
⑤ 더 자연스러운 음성을 선택한다.
⑥ Filmora에서 장면에 맞게 음성을 자른다.
⑦ 사진·영상·자막·배경음악을 배치한다.
⑧ MP4 영상으로 출력한다.
🔍 6. 테스트 때 예상했던 방법도 실제 제작에서는 바뀌었다
앞선 PART에서는 긴 음성의 톤 저하 문제 때문에
여러 가지 방법을 시험했다.
하지만 실제 쇼츠를 완성해 보니
모든 상황에서 복잡한 규칙을 적용할 필요는 없었다.
테스트 단계
긴 문장은 짧게 나누는 것이 안전하다고 생각했다.
15초 정도씩 생성하는 방법도 검토했다.
실제 제작 후
쇼츠 전체 나레이션을 먼저 한 번에 생성한다.
결과가 안정적이면 그대로 사용한다.
문제가 있는 부분만 다시 생성하거나 편집한다.
결국 무조건 잘게 나누는 것보다
먼저 전체를 생성해 보고 판단하는 방식이
실제 작업에서는 더 빠르고 편리했다.
🎯 7. Voicebox를 실제로 써 본 최종 결론
테스트 단계에서의 만족도는 약 70%였다.
발음이 가끔 달라지고,
첫마디가 크게 시작되거나
뒤로 갈수록 톤이 떨어지는 문제도 경험했다.
그러나 실제 쇼츠에서는
좋은 결과를 골라 사용하고 Filmora에서 편집하니
실제 제작에 충분히 활용할 수 있었다.
Voicebox가 모든 문장을 한 번에 완벽하게 만들어 주는 것은 아니다.
하지만 내 목소리를 복제하고,
결과를 비교해 좋은 음성을 고른 뒤,
영상 편집 프로그램에서 다듬는 방식이라면
유튜브 나레이션 제작에 실용적으로 사용할 수 있다고 판단했다.
✅ 앞으로 사용할 Voicebox 기본 규칙
🎙️ 기본 목소리는 「내목소리_기본_01」을 사용한다.
📝 쇼츠 전체 나레이션을 먼저 한 번에 입력한다.
⭐ 같은 내용은 두 번 정도 생성해 비교한다.
👂 가장 자연스럽고 안정적인 음성을 선택한다.
✂️ 필요한 구간은 Filmora에서 자르고 조정한다.
⚠️ 발음이나 톤이 이상한 부분만 다시 생성한다.
📖 다음에는 더 긴 목소리 작업에도 도전해 본다
이번 경험으로 짧은 유튜브 나레이션에서는
Voicebox를 실제로 활용할 수 있다는 가능성을 확인했다.
앞으로는 오래전부터 생각해 온
「금강경 한글 독송」처럼
훨씬 긴 음성 작업에도 내 목소리 복제 기술을 활용해 보고 싶다.
다만 쇼츠와 긴 독송은 조건이 다르다.
이번에 얻은 기본 목소리와 제작 방법을 출발점으로 삼고,
긴 음성은 별도의 방법으로 다시 시험해 볼 예정이다.
장문 나레이션 테스트를 거쳐 실제 쇼츠 한 편까지 완성했다.
이제 Voicebox는 더 이상 시험용 프로그램이 아니라
필요할 때 실제 유튜브 제작에 활용할 수 있는 도구가 되었다.
# Tags
#Voicebox #Voicebox테스트 #AI음성 #AI음성복제
#내목소리복제 #AI나레이션 #유튜브나레이션
#유튜브쇼츠 #Qwen3TTS #한국어TTS
#Filmora15 #영상편집 #AI보이스
#박정희사진복원 #금강경한글독송 #KimFont
내 목소리로
쇼츠 한 편을 완성하다
실제 영상 제작으로 확인한 Voicebox 활용법과 최종 결론
Voicebox를 설치하고, GPU를 연결하고, 여러 목소리를 시험하는 데서
끝낼 수는 없었다. 가장 중요한 것은 이 음성이
실제 유튜브 영상 제작에 사용할 수 있는가였다.
그래서 박정희 대통령의 군복무 사진을 이용해 직접 쇼츠 영상 한 편을
완성했다. 이번 PART 08은 그 제작 결과와 Voicebox의 실제 사용 경험을
정리하는 Voicebox 연재의 완결편이다. 🎙️
01.
실제 쇼츠 영상 한 편을 완성했다 🎬
흑백 군복무 사진과 컬러 복원 사진을 준비하고, Voicebox로 내레이션을
만든 뒤 Filmora에서 사진·음성·자막·배경음악을 편집했다.
여러 차례의 시험이 마침내 하나의 MP4 결과물로 이어졌다.
▲ Voicebox 복제 음성과 Filmora를 이용해 완성한 실험용 쇼츠
사진 준비
박정희 대통령의 군복무 사진 3장과 컬러 복원 자료를 선정했다.
음성 생성
Voicebox에서 평소 목소리를 복제해 전체 나레이션을 만들었다.
영상 편집
Filmora에서 음성을 자르고 사진·자막·음악과 함께 편집했다.
02.
가장 자연스러운 목소리를 찾았다
기본 목소리가 가장 좋았다
만들어 둔 샘플 목소리를 모두 시험해 본 결과,
「내목소리_기본_01」,
즉 평소 내 목소리가 가장 자연스럽고 안정적이었다.
특별히 힘을 주거나 억양을 과장한 목소리보다 평소 말하는 목소리가
실제 영상의 나레이션에도 가장 잘 어울렸다. 앞으로 Voicebox 작업에서는
이 샘플을 기본으로 선택하기로 했다.
03.
15초씩 나누지 않고 한 번에 생성했다
긴 문장을 생성하면 뒤로 갈수록 목소리의 볼륨이 낮아지는 현상이 있었다.
이를 막기 위해 나레이션을 15초 단위로 나누어 생성할 생각이었다.
이번에는 쇼츠 전체 나레이션을 한꺼번에 생성했다. 그 결과 목소리의
볼륨과 음색이 끝까지 비교적 잘 유지됐다. 짧게 나누어 여러 파일을
만들 필요가 없었다.
전체 음성을 만든 뒤 Filmora에서 자른다
Voicebox에서는 전체 내용을 한 번에 생성하고, Filmora 편집 단계에서
사진과 장면에 맞게 필요한 부분을 잘라 배치했다.
이 방법은 음성 파일 수를 줄이고 편집 과정도 단순하게 만들었다.
이번 쇼츠 제작에서는 이 방식이 정확히 적중했다. ⚡
04.
같은 내용은 두 번 생성해서 골랐다
한 번의 결과만 믿지 않았다
같은 내용을 샘플 목소리별로 각각 두 번씩 생성했다. 같은 목소리와
같은 문장이라도 억양, 속도, 첫 음량, 문장 끝의 높이가 조금씩 달랐다.
두 결과를 직접 들어 본 뒤 더 자연스럽고 안정적인 음성을 골라
영상에 사용했다. Voicebox를 사용할 때는
한 번 생성하고 끝내기보다 두 번 만들어 비교하는 방식이
효과적이었다.
05.
앞으로 사용할 작업 방식
평소 목소리에 가장 가까운 기본 샘플을 우선 사용한다.
쇼츠 분량은 처음부터 15초 단위로 잘게 나누지 않는다.
억양과 볼륨을 비교하여 더 좋은 음성을 선택한다.
사진과 자막의 길이에 맞추어 음성을 나누고 배치한다.
시험을 실제 결과물 한 편으로 끝낸다.
06.
Voicebox 실전 사용의 최종 결론
이제 Voicebox의 무료 기능을 이용해 내 목소리와 비슷한 나레이션을
만들고, 이를 실제 유튜브 영상에 활용할 수 있게 됐다.
어떤 샘플을 선택해야 하는지 알았고, 음성을 어떻게 생성하고
골라야 하는지도 확인했다. 무엇보다 시험 파일에 머물지 않고
실제 쇼츠 영상 한 편을 완성했다는 점이 가장 큰 성과다.
Voicebox는 모든 문장을 항상 완벽하게 읽어 주는 도구는 아니다.
그러나 결과를 두 번 생성해 비교하고 Filmora에서 필요한 부분을
편집하면 충분히 실용적으로 사용할 수 있었다.
07.
다음 목표는 「금강경 한글 독송」
이번 경험을 바탕으로 언젠가 오래전부터 바라왔던
「금강경 한글 독송」에도 내 목소리 복제 음성을 활용할 계획이다.
다만 쇼츠보다 훨씬 긴 독송은 별도의 시험이 필요하다.
이번에 확정한 기본 목소리와 음성 생성 방법을 출발점으로 삼아,
서두르지 않고 차근차근 준비할 것이다.
VOICEBOX PART 01~08 완결
설치, GPU 연결, 목소리 생성, 오류 해결, 샘플 비교,
실제 쇼츠 제작까지 모든 과정을 마쳤다.
Voicebox 연구는 여기서 끝내고, 이제 필요한 작업에 실제로 활용한다.
어느 모델이 내 목소리를 더 자연스럽게 만들어 줄까?
Voicebox에는 Qwen3-TTS 0.6B와 1.7B 모델이 있다.
이름만 보고 판단하지 않고,
실제로 같은 문장을 여러 번 생성해 직접 들어보기로 했다.
같은 조건으로 비교했다
두 모델을 공정하게 비교하기 위해 조건은 모두 같게 했다.
목소리 프로필 : 같은 원본 사용
언어 : Korean
문장 : 동일한 문장 사용
효과 : No effects
반복 횟수 : 각 모델 여러 번 생성
가장 내 목소리에 가깝고 자연스러운 결과에는
★ 표시를 해 두었다.
먼저 0.6B를 테스트했다
같은 문장을 여러 번 생성해 들어보니,
목소리 자체는 분명히 내 목소리와 비슷했다.
하지만 매번 억양과 소리 높낮이가 조금씩 달랐다.
0.6B에서 느낀 점
① 내 목소리와 비슷하게 들린다.
② 같은 문장인데도 억양이 조금씩 달라진다.
③ 음성의 높낮이도 매번 미세하게 차이가 난다.
④ 긴 문장에서는 뒤로 갈수록 톤이 낮아지는 경우가 있었다.
⑤ 숫자나 연도 발음에서 문제가 나타나기도 했다.
같은 문장을 반복 생성하고 가장 좋은 결과에 ★ 표시를 했다.
같은 조건으로 1.7B도 테스트했다
1.7B 역시 같은 문장과 같은 설정으로 여러 번 생성했다.
여기에서도 결과마다 아주 미세한 차이는 있었다.
그러나 전체적으로는 0.6B보다
내 목소리와 더 자연스럽게 닮아 있고,
한국어 발음도 안정적이라는 느낌을 받았다.
1.7B에서 느낀 점
① 내 목소리와 더 자연스럽게 비슷하다.
② 같은 문장을 반복해도 차이는 매우 미세했다.
③ 숫자와 연도 발음이 0.6B보다 안정적이었다.
④ 문장 끝으로 갈수록 톤이 낮아지는 현상은 여전히 있었다.
⑤ 생성 시간은 0.6B와 큰 차이가 없었다.
1.7B 역시 반복 생성 후 가장 자연스러운 음성에 ★ 표시를 했다.
생성 시간은 예상과 달랐다
0.6B는 작은 모델이고 1.7B는 더 큰 모델이기 때문에
처음에는 0.6B가 훨씬 빠를 것으로 예상했다.
그러나 실제 테스트에서는
두 모델의 생성 시간 차이가 거의 느껴지지 않았다.
또한 같은 작업을 반복할수록 생성 속도는 점점 빨라졌다.
내가 사용하는 Windows PC에 NVIDIA 그래픽카드가 있다는 점도
이 부분에서 도움이 된 것으로 보인다.
현재까지는 1.7B가 더 좋았다
0.6B
목소리 복제는 가능하지만,
숫자 발음과 자연스러움에서 아쉬움이 있었다.
1.7B
내 목소리와 더 자연스럽게 닮았고,
한국어 발음도 비교적 안정적이었다.
생성 시간
실제 사용에서는 두 모델의 차이가 거의 느껴지지 않았다.
따라서 현재 단계에서는
1.7B를 중심으로 다음 테스트를 계속 진행하기로 했다.
이번 테스트에서 발견한 중요한 점
같은 문장과 같은 목소리를 사용해도
AI가 생성하는 억양과 높낮이는 매번 완전히 같지 않았다.
그래서 실제 나레이션을 만들 때는
한 번만 생성하고 끝내기보다
2~3번 생성해서 가장 자연스러운 결과를 고르는 방식이
더 좋겠다는 생각이 들었다.
실제 역사 나레이션에서 자주 사용하는 숫자와 고유명사를
Voicebox가 어떻게 읽는지 확인해 보았다.