로컬 TTS·보이스 클로닝으로 다국어 더빙 비용 줄이기: 실측과 도입 기준

로컬 TTS와 보이스 클로닝을 쓰면 다국어 더빙의 합성비는 줄일 수 있습니다. 그런데 실제로 돈이 아껴지는지는 재생성과 검수, 편집까지 다 넣고 봐야 알 수 있어요. 비교 기준도 생성한 음성 전체가 아니라 최종 채택한 더빙 분량으로 잡아야 합니다. 그래서 저는 가지고 있는 장비로 같은 대본을 먼저 돌려 보고, 검수를 통과한 음성 1분에 얼마가 들었는지 계산해 보길 권합니다.

발음이 틀려 여러 번 다시 뽑거나 영상 길이에 맞추느라 시간이 길어지면, 합성비가 낮다는 이점은 금세 줄어듭니다. 흔히 헷갈리는 지점은 버린 음성까지 산출량에 넣는 경우예요. 그러면 분당 비용이 실제보다 낮게 나옵니다. 현금 지출과 작업 시간을 함께 적어 두면 이런 착시를 피할 수 있어요.

장비를 살지는 측정 결과를 본 다음에 정해도 늦지 않습니다.

클로닝 모델과 목표 언어 품질, 무엇부터 볼까

다국어 보이스 클로닝은 참조 음성에서 화자의 특성을 가져와 다른 언어의 텍스트를 읽게 하는 방식입니다. Qwen3-TTS는 별도 미세조정 없이 출력할 텍스트와 언어, 참조 음성을 넣는 경로를 갖추고 있어요. 덕분에 한국어로 녹음한 목소리로 외국어 발화를 만들 수 있습니다. 다만 번역문 작성, 구간 길이 조정, 영상 편집 비용은 여기에 들어 있지 않으니 따로 계산해 두세요.

모델 이름은 처음부터 구분해 두는 게 좋습니다. Qwen3-TTS의 12Hz-0.6B-Base와 12Hz-1.7B-Base가 클로닝용이고, CustomVoice는 미리 설정된 화자를 쓰는 모델이에요. 기본 클로닝에는 참조 음성과 그 녹음의 텍스트를 함께 넣습니다. 텍스트를 빼는 모드도 있지만 품질이 낮아질 수 있으니, 입력 조건은 공식 저장소에서 확인하세요.

지원 언어가 몇 개인지보다 목표 언어의 발음과 화자 유사도를 먼저 봐야 합니다. 지원 목록에 들어 있다고 해서 원하는 억양이 나온다는 뜻은 아니거든요. 목표 언어를 검수할 수 있는 사람이 숫자, 제품명, 영문 약어의 발음을 직접 듣고, 원래 화자의 특징이 남아 있는지도 함께 확인하는 편이 안전합니다.

같은 대본으로 총비용과 재작업 시간 재기

비교하려면 대본과 품질 기준부터 고정해야 합니다. 번역문이 자꾸 바뀌면 합성 오류 때문에 다시 한 작업과 번역 수정 때문에 다시 한 작업을 가려내기 어려워져요. 아래 순서대로 재면 비용이 어디서 불어나는지 보기 쉽습니다.

1. 사용 권한을 확보한 참조 음성과 동일한 원문을 준비하고, 목표 언어별 번역문을 확정합니다.
2. 모델·체크포인트·리비전·장비·정밀도·생성 설정을 기록합니다.
3. 숫자·제품명·영문 약어가 포함된 구간을 합성하고 생성 시간을 잽니다.
4. 재생성 분량, 검수·편집 시간, 최종 채택 음성 분량을 기록합니다.

비용은 이렇게 계산하면 됩니다.

검수 완료 1분당 비용 = (장비비 배분액 + 전력비 + 구축·운영 인건비 + 번역·검수·편집비 + 외부 서비스비) ÷ 최종 채택 음성 분량(분)

장비비는 이 작업에 배분한 감가상각액으로 잡고, 작업 시간은 인건비로 바꿔 넣습니다. 이미 있는 장비를 쓰는 경우와 새로 사는 경우는 나눠서 계산해야 결과가 명확해요. 외부 서비스와 비교할 때도 합성 요금만 보면 안 됩니다. 같은 품질 기준을 통과하기까지 드는 작업비를 더해야 공정한 비교가 됩니다.

반복 생성이 많다면 참조 특징을 재사용하고 오류 구간만 다시 뽑는 방식도 시험해 볼 만해요. Qwen3-TTS의 create_voice_clone_prompt는 같은 화자의 참조 특징을 재사용해서 매번 다시 추출하지 않게 해 주는 기능입니다. 문장이나 구간마다 식별자를 붙여 번역문, 음성, 설정을 묶어 두면 고칠 곳을 찾기도 수월해집니다. 그렇다고 구간을 너무 잘게 쪼개면 이어 붙인 곳의 억양과 호흡이 어색해질 수 있어요. 줄어든 생성 시간과 늘어난 편집 시간을 나란히 놓고 비교하세요.

라이선스와 성능 수치, 어떻게 읽어야 할까

상업용 더빙이라면 성능 시험보다 사용 조건 확인이 먼저입니다. Qwen3-TTS는 기술 보고서에서 모델과 토크나이저를 Apache 2.0으로 공개했다고 밝히고 있어요. 반면 XTTS-v2에 함께 배포된 Coqui Public Model License는 모델과 출력물의 사용을 비상업적 용도로 제한합니다. 실제로 도입할 모델 리비전의 라이선스와, 목소리를 복제할 화자의 동의 범위를 함께 확인해 두세요.

성능 수치는 무엇을 잰 값인지부터 구분해서 읽어야 합니다. Qwen3-TTS 기술 보고서에 나오는 3초 참조 음성은 클로닝 기능에 대한 설명이에요. 어떤 녹음 조건에서든 충분한 품질이 나온다는 뜻으로 넓혀 읽기는 어렵습니다. 97ms도 첫 음성 패킷이 나오기까지의 지연이라서, 영상 전체를 합성하는 시간이나 일반 PC에서의 처리 속도와는 다른 이야기입니다.

GPU를 살지는 검수를 통과한 음성당 비용과 예상 작업량을 기준으로 정하세요. 재생성과 검수까지 포함했을 때 비용이 실제로 줄어드는지, 필요한 분량을 정해진 시간 안에 끝낼 수 있는지가 도입 여부를 가르는 기준이에요. 구체적인 절감률은 측정 결과를 손에 쥔 뒤에 계산하는 편이 맞습니다.