TTS는 변환이 아니라 연출이다
일레븐랩스의 Text to Speech는 원고를 음성 파일로 바꾸는 기능이다. 하지만 실전에서는 단순 변환기로 쓰면 결과가 평범해진다. 같은 목소리, 같은 문장이라도 모델, 음성, 설정, 문장부호, 줄바꿈에 따라 전혀 다른 보이스오버가 나온다.
기본 제작 흐름은 단순하다. 텍스트를 입력하고, 음성을 선택하고, 필요하면 voice settings를 조정한 뒤 Generate를 누른다.1 이 네 단계만 알면 누구나 음성을 만들 수 있다. 그러나 좋은 결과물은 세 번째 단계와 첫 번째 단계에서 갈린다. 즉, 설정을 어떻게 잡는지, 원고를 어떻게 쓰는지가 핵심이다.
초보자는 처음부터 긴 대본을 넣지 않는 것이 좋다. 10초 정도의 짧은 문단을 준비해 같은 문장으로 여러 번 테스트한다. 먼저 목소리만 바꿔 본다. 그다음 모델을 바꿔 본다. 마지막으로 Stability, Similarity, Style, Speed를 하나씩만 움직인다. 한 번에 여러 값을 바꾸면 무엇이 결과를 좋게 만들었는지 알 수 없다.
또 하나 기억할 점이 있다. 일레븐랩스의 생성 결과는 완전히 고정된 값이 아니다. 같은 설정값을 넣어도 매번 100% 같은 음성이 나오지는 않는다. 설정은 결과를 하나로 못 박는 버튼이 아니라, 결과가 나올 범위를 정하는 장치에 가깝다. 그래서 실전에서는 "한 번에 완성"보다 "짧게 만들고, 듣고, 조정하고, 다시 생성"하는 방식이 훨씬 안정적이다.
AI 생성 이미지
Voice Settings의 실제 의미
일레븐랩스에서 가장 자주 만지는 설정은 Stability, Similarity Boost, Style Exaggeration, Speaker Boost, Speed다. API 기준으로 보면 stability와 similarity_boost는 0부터 1 사이 값이고, style의 기본값은 0, speed의 기본값은 1이다. Speaker Boost는 켜고 끄는 방식이며, 켜면 약간의 지연 시간이 늘어날 수 있다.2
Stability: 안정성과 감정 폭
Stability는 목소리가 얼마나 일정하게 유지되는지를 조절한다. 낮추면 감정 변화가 커지고 연기처럼 들릴 수 있다. 대신 예측이 어려워지고, 어떤 문장은 너무 빠르거나 과장되게 나올 수 있다. 높이면 차분하고 일관된 톤이 된다. 대신 감정이 줄어들고 단조롭게 들릴 수 있다.
처음에는 50% 안팎에서 시작하자. 정보형 유튜브, 강의, 뉴스형 콘텐츠라면 50~70% 사이가 무난하다. 숏폼, 광고, 미스터리, 스토리텔링처럼 감정 변화가 필요한 콘텐츠라면 35~55% 사이에서 테스트해 볼 만하다. 다만 낮은 Stability는 매력적이지만 위험하다. 짧은 영상에서는 살아 있는 느낌을 주지만, 긴 오디오북에서는 피로감을 만들 수 있다.
Similarity Boost: 선택한 목소리를 얼마나 유지할 것인가
Similarity Boost는 선택한 음성의 고유한 음색을 얼마나 강하게 따라갈지 정한다. 보이스 클로닝이나 특정 캐릭터 음성을 사용할 때 중요하다. 높이면 원본 목소리와 더 비슷하게 들릴 수 있다. 그러나 원본 샘플에 잡음, 울림, 나쁜 발음 습관이 있었다면 그 특징까지 따라갈 수 있다.
일반적인 시작점은 75% 안팎이다. 기성 음성을 사용할 때는 너무 민감하게 만질 필요가 없다. 다만 한국어에서 특정 받침이나 외래어가 이상하게 들린다면 Similarity를 조금 낮춰 보는 것도 방법이다. 목소리의 개성보다 발음 안정성이 더 중요할 때가 있기 때문이다.
Style Exaggeration: 표현을 얼마나 과장할 것인가
Style은 말투의 특징과 감정 표현을 더 강하게 밀어붙이는 설정이다. 광고, 예고편, 캐릭터 대사에서는 도움이 될 수 있다. 하지만 공식 가이드에서는 기본적으로 0을 권장한다. 값을 올리면 계산량이 늘고 지연 시간이 증가할 수 있으며, 결과가 조금 불안정해질 수 있기 때문이다.1
실전에서는 이렇게 접근하면 된다. 먼저 Style을 0으로 두고 원고와 문장부호만으로 원하는 느낌을 만든다. 그래도 너무 밋밋하면 5~15% 정도만 올려 본다. 숏폼 광고처럼 에너지가 필요한 경우에도 처음부터 크게 올리지 않는다. AI 음성은 과장보다 일관성이 먼저다.
Speaker Boost: 존재감과 선명도
Speaker Boost는 화자의 존재감과 명료도를 조금 더 앞으로 당기는 설정이다. 배경음악이 깔린 유튜브 영상이나 모바일 시청자를 겨냥한 광고에서는 도움이 될 수 있다. 다만 효과는 극적으로 크지 않고, 약간의 지연 시간이 늘어날 수 있다. 또한 Eleven v3에서는 사용할 수 없다는 점도 확인해야 한다.1
내레이션이 음악에 묻히면 먼저 믹싱을 조정해야 한다. BGM 볼륨을 낮추고, 음성 볼륨을 적절히 올리고, 그래도 부족할 때 Speaker Boost를 켜는 순서가 좋다. 설정값으로 모든 문제를 해결하려고 하면 오히려 소리가 딱딱해진다.
Speed: 빠르게 말하게 할 것인가, 천천히 이해시키게 할 것인가
Speed는 발화 속도를 조절한다. 1.0이 기본값이고, 낮추면 느려지며, 높이면 빨라진다. 공식 범위는 보통 0.7에서 1.2 사이로 이해하면 된다.1 극단적인 값은 품질을 해칠 수 있다.
초보자가 자주 하는 실수는 원고가 길다는 이유로 Speed를 올리는 것이다. 그러면 음성은 빨라지지만 이해도는 떨어진다. 더 좋은 방법은 문장을 줄이는 것이다. 불필요한 수식어를 빼고, 한 문장에 하나의 정보만 담는다. 속도 설정은 마지막 보정용이어야 한다.
모델 선택이 결과의 성격을 바꾼다
모델은 음성의 성격을 결정한다. Eleven v3는 표현력이 강한 TTS 모델로 소개되며, 오디오 태그와 감정 맥락을 활용해 속삭임, 웃음, 한숨, 반응 같은 표현을 만들 수 있다.3 영상, 오디오북, 미디어형 콘텐츠에 잘 맞는다. 다만 실시간 대화용으로는 권장되지 않는다. 지연 시간이 중요한 음성 에이전트나 실시간 서비스에서는 Turbo나 Flash 계열을 고려하는 편이 낫다.3
Eleven Multilingual v2는 안정적인 다국어 낭독과 긴 콘텐츠에 강하다. 숫자, 날짜, 문구를 더 자연스럽게 처리해야 하는 경우에는 더 큰 모델이 유리할 수 있다. 반대로 Turbo나 Flash는 빠른 응답이 장점이다. 대신 숫자, 약어, 주소, URL처럼 복잡한 요소를 덜 자연스럽게 읽을 수 있다.4
정리하면 이렇다.
숏폼, 광고, 드라마틱한 내레이션: Eleven v3
긴 강의, 오디오북, 정보형 영상: Multilingual v2 또는 안정적인 모델
실시간 대화, 앱 응답, 빠른 미리듣기: Turbo 또는 Flash
한국어 발음이 중요한 콘텐츠: 모델보다 실제 문장 테스트가 우선
모델 이름만 보고 결정하지 말자. 반드시 자신의 원고로 테스트해야 한다. "안녕하세요"를 잘 읽는 목소리와 "2026년 5월 21일, 서울시 강남구 테헤란로"를 자연스럽게 읽는 목소리는 다를 수 있다.
v3 오디오 태그로 연기를 설계하기
Eleven v3의 강점은 텍스트 안에 감정과 동작을 지시할 수 있다는 점이다. 오디오 태그는 대괄호 안에 소문자로 넣는다. 예를 들어 [whispers], [laughs], [sighs], [excited]처럼 쓴다.3 이 태그는 음성을 납작한 낭독에서 장면이 있는 연기로 바꾸는 데 도움을 준다.
예를 들어 같은 문장도 이렇게 달라진다.
오늘 밤, 이상한 소리가 들렸습니다.
[whispers]오늘 밤, 이상한 소리가 들렸습니다.
[sighs]오늘 밤, 이상한 소리가 들렸습니다.
[excited]오늘 밤, 이상한 소리가 들렸습니다!
첫 문장은 평범한 내레이션이다. 두 번째는 공포나 미스터리 채널에 어울린다. 세 번째는 회상이나 다큐멘터리 느낌이 난다. 네 번째는 숏폼 후킹에 가깝다.
장르별로는 다음처럼 쓸 수 있다.
뉴스형: 태그를 거의 쓰지 않는다. 필요하면
[pause]정도만 사용한다.다큐형:
[sighs],[whispers],[pause]처럼 절제된 태그를 쓴다.숏폼 후킹형:
[excited],[rushed],[pause]로 속도와 긴장감을 만든다.광고형:
[excited],[confident],[emphasized]로 혜택과 행동 요청을 살린다.오디오북: 대사에는 감정 태그를 쓰되, 지문에는 과하게 쓰지 않는다.
태그는 많이 넣을수록 좋은 것이 아니다. 공식 예시에서도 태그는 속도, 멈춤, 호흡, 강조를 조절하는 장치로 쓰인다.5 태그를 남발하면 음성이 산만해진다. 먼저 문장 자체로 감정을 만들고, 꼭 필요한 순간에만 태그를 넣는다.
문장부호는 보이지 않는 디렉터다
TTS에서 문장부호는 장식이 아니다. 마침표, 쉼표, 줄바꿈, 말줄임표는 음성의 리듬을 바꾼다. 일레븐랩스의 공식 권장사항도 자연스러운 대본, 적절한 문장부호, 명확한 감정 맥락을 강조한다.4
마침표는 생각을 닫는다. 쉼표는 짧은 호흡을 만든다. 줄바꿈은 장면 전환이나 의미 단위를 나눈다. 말줄임표는 망설임과 무게감을 만든다. 대문자 강조는 영어에서 강세를 줄 수 있지만, 한국어 원고에서는 남용하지 않는 편이 좋다. 대신 단어를 분리하거나 문장을 짧게 나누는 방식이 더 자연스럽다.
나쁜 예를 보자.
지금 바로 신청하시면 30퍼센트 할인과 무료 상담 그리고 추가 자료까지 모두 받을 수 있습니다 놓치지 마세요
듣는 사람은 어디가 중요한지 알기 어렵다. 아래처럼 바꾸면 훨씬 낫다.
지금 신청하시면, 세 가지를 받을 수 있습니다.
첫째, 30퍼센트 할인.
둘째, 무료 상담.
셋째, 추가 자료.
단, 이번 주까지만 가능합니다.
같은 정보지만 리듬이 생겼다. AI가 자연스럽게 읽기 쉬운 구조가 된 것이다.
침묵도 연출이다.
이 방법을 쓰면 조회수가 오릅니다.
이 방법을 쓰면...
[pause]조회수가 오릅니다.
두 번째 문장은 기대감을 만든다. 하지만 모든 문장에 말줄임표와 [pause]를 넣으면 싸구려 예고편처럼 들린다. 침묵은 중요한 곳에만 써야 힘이 생긴다.
TTS가 어려워하는 표현은 미리 풀어 쓴다
AI가 글자를 읽는 방식과 사람이 말하는 방식은 다르다. 특히 숫자, 날짜, 주소, URL, 전화번호, 약어, 브랜드명, 외래어는 그대로 넣으면 어색해지기 쉽다. 좋은 TTS 원고는 입력 전에 이미 낭독용으로 정리되어 있어야 한다.
다음 규칙을 기본으로 삼자.
숫자:
10,000원→만 원퍼센트:
CTR 3.2%→클릭률 삼 점 이 퍼센트날짜:
2026.05.21→이천이십육년 오월 이십일일시간:
14:30→오후 두 시 삼십 분전화번호:
010-1234-5678→공일공, 일이삼사, 오육칠팔URL:
www.example.com→예시 사이트 주소는 설명란에서 확인하세요약어:
ROI→알오아이, 즉 투자 대비 수익률브랜드명: 낯선 이름은 한글 발음을 따로 적는다.
외래어: 실제 한국인이 말하는 발음으로 쓴다.
예를 들어 "API를 통해 TTS를 호출합니다"라는 문장이 있다. 개발자 대상 영상이라면 그대로 두어도 된다. 하지만 일반 사업자 대상 강의라면 이렇게 바꾸는 편이 낫다.
에이피아이, 쉽게 말해 프로그램끼리 연결하는 방식으로 음성을 자동 생성합니다.
청자는 화면을 보고 있지 않을 수도 있다. 귀로 들어도 이해되는 문장이 좋은 원고다.
글이 아니라 말로 다시 쓰기
블로그 글을 그대로 TTS에 넣으면 대부분 딱딱하게 들린다. 눈으로 읽는 글은 문장이 길고, 정보가 압축되어 있고, 괄호와 쉼표가 많다. 반면 귀로 듣는 대본은 짧고, 순서가 분명하고, 감정의 방향이 보여야 한다.
뉴스형
원문:
인공지능 음성 합성 기술의 발전으로 콘텐츠 제작 환경이 빠르게 변화하고 있으며, 제작 비용 절감과 다국어 확장 가능성이 주요 장점으로 평가된다.
대본:
AI 음성 기술이 빠르게 발전하고 있습니다.
이제 크리에이터는 녹음실 없이도 내레이션을 만들 수 있습니다.
비용은 줄고, 다국어 콘텐츠 제작은 쉬워지고 있습니다.
뉴스형은 감정보다 명료도가 중요하다. Stability를 약간 높이고, Style은 0에 가깝게 둔다.
다큐형
원문:
오래된 시장은 지역의 기억을 보존하는 공간이며, 상인과 손님의 관계 속에서 독특한 문화를 형성해 왔다.
대본:
이 시장은, 단순히 물건을 사고파는 곳이 아닙니다.
수십 년 동안 이 동네의 기억을 품어 온 공간입니다.[pause]
그리고 그 기억은, 아직도 상인들의 목소리 속에 남아 있습니다.
다큐형은 쉼과 무게가 중요하다. [pause], 말줄임표, 낮은 속도를 조심스럽게 쓴다.
숏폼 후킹형
원문:
많은 사람들이 유튜브 채널을 시작하지만 대부분은 초반에 포기한다.
대본:
유튜브를 시작한 사람 대부분이, 30일 안에 포기합니다.
이유는 간단합니다.
영상을 못 만들어서가 아닙니다.
계속 만들 시스템이 없기 때문입니다.
숏폼은 첫 세 문장이 승부다. 빠르게 말하게 하기보다 문장을 짧게 쪼개야 한다. 필요하면 [rushed]나 [excited]를 첫 문장에만 쓴다.
강의형
원문:
본 강의에서는 ElevenLabs의 주요 파라미터를 이해하고 콘텐츠 유형별로 적절한 설정을 적용하는 방법을 다룬다.
대본:
이번 강의에서는 일레븐랩스의 핵심 설정을 하나씩 살펴보겠습니다.
Stability는 안정성.
Similarity는 목소리의 유사도.
Style은 표현의 강도입니다.
어렵게 외우지 않아도 됩니다.
예제를 들으면서 차이를 확인해 보겠습니다.
강의형은 친절해야 한다. 전문 용어를 말한 뒤 바로 쉬운 설명을 붙인다.
광고형
원문:
당사의 온라인 강의는 바쁜 직장인을 위해 설계되었으며, 짧은 시간 안에 실무 역량을 향상시킬 수 있도록 구성되어 있다.
대본:
퇴근 후 한 시간.
그 시간만으로 실무 감각을 바꿀 수 있다면 어떨까요?
이 강의는 바쁜 직장인을 위해 만들었습니다.
짧게 배우고, 바로 써먹을 수 있게.
지금 첫 강의를 무료로 확인해 보세요.
광고형은 혜택과 행동 요청이 분명해야 한다. 다만 AI 음성이 너무 들뜨면 신뢰감이 떨어진다. [excited]보다 [confident], [emphasized]처럼 절제된 방향이 더 잘 맞을 때가 많다.
실전 기본값과 작업 순서
처음 TTS 작업을 한다면 다음 순서로 진행하자.
원고를 10초 분량으로 자른다.
목적에 맞는 모델을 고른다.
같은 원고로 세 개의 음성을 테스트한다.
가장 자연스러운 음성을 선택한다.
Stability 50, Similarity 75, Style 0, Speed 1.0에서 시작한다.
문제가 되는 부분만 하나씩 조정한다.
숫자, 약어, 브랜드명을 낭독용으로 고친다.
마지막에 전체 문단을 생성한다.
이 순서를 지키면 크레딧 낭비가 줄고, 결과를 판단하기 쉬워진다. 특히 긴 콘텐츠에서는 전체 원고를 한 번에 생성하지 말자. 문단 단위로 만들고, 문제가 있는 구간만 다시 생성하는 편이 훨씬 효율적이다.
좋은 AI 보이스오버는 사람을 속이는 음성이 아니다. 듣는 사람이 편하게 이해하도록 설계된 음성이다. 목소리 선택은 출발점일 뿐이다. 진짜 완성도는 설정, 모델, 문장부호, 호흡, 원고의 말투가 함께 맞아떨어질 때 나온다.
일레븐랩스 TTS를 잘 쓴다는 것은 슬라이더를 많이 만진다는 뜻이 아니다. 듣는 사람의 귀를 기준으로 문장을 다시 쓰고, 필요한 만큼만 감정을 더하고, 불필요한 소음을 줄이는 것이다. 그때 AI 음성은 기계적인 낭독을 넘어 콘텐츠의 신뢰와 몰입을 만드는 보이스오버가 된다.
참고
1Text to Speech product guide | ElevenLabs Documentation
2Edit voice settings | ElevenLabs Documentation
3Eleven v3: Most Expressive AI TTS Model Launched
4Text to Speech best practices | ElevenLabs Documentation
5Eleven v3 Audio Tags: Precision delivery control for AI speech
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.