AI 음성(TTS)으로 유튜브 나레이션 만들기 — 톤 지시법과 주의사항
핵심 요약: AI 음성(TTS) 나레이션의 품질은 도구 선택이 아니라 지시 방법이 결정한다. 안정성·속도 같은 설정값으로 톤의 뼈대를 잡고, 대본을 40자 이내 구어체 문장으로 전처리하면 시청자 대부분이 AI인지 구분하기 어려운 수준에 도달한다. 단, 유튜브의 합성 콘텐츠 공개 라벨 정책과 TTS 서비스의 상업적 이용 라이선스는 업로드 전에 반드시 확인해야 한다.
왜 나레이션부터 AI로 바꾸는가
영상 제작 공정에서 나레이션은 시간 대비 병목이 가장 큰 구간이다. 10분 분량 영상을 기준으로 세 가지 방식을 비교하면 격차가 분명해진다.
| 방식 | 10분 영상 기준 비용 | 소요 시간 | 수정 비용 |
|---|---|---|---|
| 직접 녹음 | 0원 (마이크·방음 별도) | 2~4시간 (재녹음 포함) | 전체 재녹음 |
| 외주 성우 | 회당 5만~20만 원 | 2~7일 | 건당 추가 결제 |
| AI TTS | 월 1만~3만 원 구독 | 10~20분 | 문장 단위 즉시 재생성 |
특히 "대본 수정 → 재녹음" 루프가 사라지는 것이 핵심이다. 썸네일·제목을 바꾸면서 인트로 첫 문장을 고치는 일은 매주 일어나는데, TTS는 그 문장 하나만 다시 생성하면 끝난다. 주 2회 이상 업로드하는 채널이라면 나레이션 자동화만으로 편집 일정 자체가 바뀐다.
도구 선택 — 채널 유형별 추천
2026년 기준 한국어 유튜브 나레이션에 쓸 만한 도구는 사실상 네 가지로 좁혀진다.
| 도구 | 한국어 자연스러움 | 비용(기준) | 추천 채널 유형 |
|---|---|---|---|
| ElevenLabs | 상 — 감정 표현 폭이 가장 넓음 | 월 $5~22 | 스토리텔링·다국어 확장 |
| 타입캐스트 | 상 — 한국어 특화, 감정 프리셋 다수 | 월 2만~4만 원대 | 정보성·교육·리뷰 |
| 수퍼톤 플레이 | 상 — 연기 톤·캐릭터 보이스 강점 | 체험 후 유료 | 캐릭터·예능형 |
| Google Cloud TTS | 중 — 균일하지만 평탄함 | 사용량 과금 | 대량 자동화·쇼츠 공장형 |
선택 기준은 단순하다. 감정 기복이 필요한 스토리형이면 ElevenLabs, 또박또박한 정보 전달형이면 타입캐스트가 기본값이다. 무료 체험으로 같은 대본 한 문단을 각각 생성해 이어폰으로 비교하는 데 30분이면 충분하다.
톤 지시법 ① — 설정값으로 뼈대를 잡는다
TTS의 톤은 "말로 부탁"하는 게 아니라 파라미터로 지시한다. ElevenLabs 기준 핵심은 두 가지다.
- 안정성(Stability): 낮출수록 감정 기복이 커지고, 높일수록 아나운서처럼 평탄해진다. 스토리텔링은 30
40, 정보 전달은 5570이 출발점이다. - 속도: 1.0배는 유튜브에서 느리게 들린다. 1.05
1.1배로 생성하거나, 편집 단계에서 58% 배속하는 것이 시청 지속에 유리하다.
같은 문단을 설정만 바꿔 3~5개 버전 생성한 뒤 가장 나은 것을 고르는 "컷 선별" 방식이 기본이다. 생성 비용은 문단당 수십 원 수준이므로 아끼지 않는 게 오히려 이득이다.
톤 지시법 ② — 지시어와 문맥으로 연기를 시킨다
최신 모델은 태그와 문맥을 연기 지시로 해석한다.
- 오디오 태그: ElevenLabs v3 계열은
[whispers],[excited],[sighs]같은 태그를 문장 앞에 넣으면 해당 구간의 발성이 바뀐다. - 감정 프리셋: 타입캐스트는 "밝게·차분하게·다급하게" 같은 프리셋을 문장 단위로 지정할 수 있다. 인트로 3문장만 '다급하게'로 바꿔도 후킹 체감이 달라진다.
- 문맥 유도: 태그를 지원하지 않는 도구라면 대본 자체에 감정이 실리는 문장을 쓴다. "결과는 충격적이었습니다."는 평서문 "결과가 나왔습니다."보다 어떤 엔진에서든 톤이 살아난다.
자연스러움의 80%는 대본 전처리에서 나온다
어색한 AI 음성의 원인은 대부분 음성 엔진이 아니라 대본이다. 생성 전에 이 다섯 가지를 고치면 품질이 한 단계 뛴다.
- 문장을 40자 이내로 자른다. 긴 복문은 호흡이 무너지는 1순위 원인이다.
- 구어체 어미로 바꾼다. "~하였습니다" → "~했습니다", "~할 수 있다" → "~할 수 있어요".
- 숫자·단위를 읽는 그대로 쓴다. "1,000명" → "천 명", "3.5%" → "삼 점 오 퍼센트". 오독이 잦은 구간은 한글 표기가 안전하다.
- 영어는 발음대로 병기한다. "RPM" → "알피엠", "CTR" → "씨티알".
- 문장부호로 호흡을 설계한다. 부호는 장식이 아니라 호흡 지시어다.
| 부호 | 음성에서의 효과 | 활용처 |
|---|---|---|
| 쉼표(,) | 0.2~0.3초 반 호흡 | 긴 문장의 호흡 분리 |
| 마침표(.) | 0.5초 내외 완결 호흡 | 리듬의 기본 단위 |
| 물음표(?) | 끝음 상승 | 인트로 후킹 질문 |
| 말줄임표(…) | 여운, 속도 저하 | 반전·전환 직전 |
생성 후 후처리 — 3가지만 챙긴다
- 무음 통일: 문단 사이 무음을 0.4초 내외로 트리밍한다. TTS는 구간마다 무음 길이가 들쭉날쭉해 이것만 정리해도 "사람이 편집한 느낌"이 난다.
- 볼륨 기준: 나레이션은 -14 LUFS 근처로 노멀라이즈하고, BGM은 나레이션보다 15~20dB 낮게 깐다. 유튜브 자동 볼륨 보정과 충돌하지 않는 안전 범위다.
- 문단 단위 재생성: 어색한 부분은 이펙트로 살리려 하지 말고 그 문단만 다시 생성한다. 수정 비용이 0에 가까운 것이 TTS의 존재 이유다.
주의사항 — 라이선스와 유튜브 정책
- 상업적 이용 플랜인지 확인한다. 무료 플랜은 대부분 수익 창출 영상에 쓸 수 없다. 약관의 "commercial use" 항목을 결제 전에 읽어야 한다.
- 음성 복제는 본인 또는 서면 동의를 받은 목소리만. 유명인·성우 목소리 복제는 퍼블리시티권 침해로 채널 삭제를 넘어 법적 문제가 된다.
- 합성 콘텐츠 공개 라벨: 유튜브는 사실처럼 보이는 AI 생성 콘텐츠에 공개 라벨을 요구한다. 업로드 화면의 "변형 또는 합성 콘텐츠" 항목에 체크하는 것으로 충분하며, 일반 나레이션은 노출에 불이익이 없다.
- 수익화 정책: TTS 사용 자체는 문제가 없지만, 편집·화면 구성 없이 음성만 자동으로 얹은 영상은 "반복적 콘텐츠"로 수익화가 거절될 수 있다. 독창적 기획과 편집이 결합되어야 한다.
업로드 전 최종 체크리스트
- 문장 40자 이내, 구어체 어미로 전처리했는가
- 인트로 3문장은 별도 톤(다급함·궁금증)으로 지시했는가
- 문단별 3버전 이상 생성 후 컷 선별했는가
- 무음 0.4초 통일, BGM -15dB 이하로 깔았는가
- 상업적 이용 플랜 + 합성 콘텐츠 라벨을 확인했는가
welcl Studio의 AI 5단계 제작 파이프라인에서도 나레이션 공정은 이 순서를 그대로 따른다. 도구는 계속 바뀌지만 "전처리 → 톤 지시 → 컷 선별 → 후처리"라는 공정 자체는 바뀌지 않는다. 오늘 만들 영상의 첫 문단부터 적용해 보면 차이를 바로 듣게 된다.
자주 묻는 질문
Q. AI 음성으로 만든 영상도 유튜브 수익화가 되나요? 됩니다. TTS 사용 자체는 수익화 결격 사유가 아닙니다. 다만 편집이나 독창적 기획 없이 음성만 자동으로 얹은 영상이 반복되면 "반복적 콘텐츠" 정책으로 거절될 수 있으므로, 화면 구성·자막·편집이 결합된 형태여야 안전합니다.
Q. 한국어 유튜브 나레이션에 가장 자연스러운 TTS는 뭔가요? 감정 기복이 필요한 스토리형은 ElevenLabs, 또박또박한 정보 전달형은 타입캐스트가 기본값입니다. 같은 대본 한 문단을 두 도구에서 각각 생성해 이어폰으로 비교하는 것이 가장 확실한 선택법이며, 30분이면 끝납니다.
Q. AI 음성을 쓰면 유튜브에 표시해야 하나요? 사실처럼 보이는 합성 콘텐츠에는 공개 라벨이 필요합니다. 업로드 화면의 "변형 또는 합성 콘텐츠" 항목에 체크하면 되고, 일반적인 정보성 나레이션은 라벨을 달아도 노출이나 수익에 불이익이 없습니다. 유명인 음성 복제는 라벨과 무관하게 금지입니다.
Q. TTS 음성이 어색하게 들리는데 어떻게 고치나요? 엔진을 바꾸기 전에 대본을 고치세요. 문장을 40자 이내로 자르고, 구어체 어미로 바꾸고, 숫자를 읽는 그대로 표기하면 대부분 해결됩니다. 그래도 어색한 문단은 안정성 설정을 바꿔 3~5버전을 생성한 뒤 고르는 컷 선별이 가장 빠른 해결책입니다.