성우 섭외, 스튜디오 예약, 수정 반복 요청. 광고 나레이션 하나 만들려면 이 과정을 다 거쳐야 했습니다.
마이크로소프트가 그 번거로움을 없앨 AI를 공개했어요. 이름은 VibeVoice. 그것도 완전 무료입니다.
GitHub에서 별이 쏟아진 AI
2026년 초, 마이크로소프트 GitHub 저장소 하나가 조용히 공개됐습니다. 공개 직후 수만 개의 별을 모으며 개발자 커뮤니티를 뒤흔들었어요.
이름은 VibeVoice(github.com/microsoft/VibeVoice). 마이크로소프트가 연구 성과를 그대로 오픈소스로 내놓은 음성 AI입니다.
"또 영어권 기술이겠지" 싶으셨나요? 한국어를 포함한 50개 언어를 지원해요. 그것도 내 목소리를 그대로 복제하는 기능까지 품고 있습니다.
학계에서도 인정받았습니다. VibeVoice-TTS는 AI 분야 최고 학회 중 하나인 ICLR 2026에서 구두 발표(Oral) 로 채택됐어요.
음성 복제가 뭔가요? 30초면 이해됩니다
음성 합성(TTS)이란, 텍스트를 AI가 읽어주는 기술입니다. 네비게이션 안내 목소리를 떠올리면 됩니다.
그런데 VibeVoice는 다릅니다. 기존 TTS는 정해진 목소리만 냈어요. VibeVoice는 내 목소리 녹음 파일을 넣으면, 그 목소리로 말해줍니다.
이걸 '제로샷 음성 복제(Zero-shot Voice Cloning)'라고 해요. 쉽게 말하면, 별도 학습 없이 짧은 샘플만으로 목소리를 재현하는 기술입니다. 5~30초짜리 녹음 파일만 있으면 충분해요.
녹음이 길수록 품질이 높아집니다. 20~30초 분량이 가장 안정적이에요.
이렇게 만든 내 목소리로, 최대 90분 분량의 나레이션을 한 번에 생성할 수 있습니다. 광고 한 편, 매장 안내방송 한 세트, ARS 안내 전체—한꺼번에 가능합니다.
내 PC에서 될까요? 솔직하게 따져봅니다
VibeVoice는 두 가지 TTS 모델이 있습니다. 내 PC 사양에 따라 골라 쓰면 됩니다.
▲ VibeVoice 모델 크기별 최소 VRAM 요구사항 · 출처: sacesta.com, sonusahani.com
| 모델 | 최소 VRAM | 지원 언어 | 특징 |
|---|---|---|---|
| Realtime-0.5B | 4GB | 9개 언어 | 실시간 생성, 가장 가벼움 |
| VibeVoice-1.5B | 7~8GB | 50개 이상 | 고품질, 한국어 안정 지원 |
RAM은 최소 16GB, 여유가 있으면 32GB가 좋습니다. GPU가 없다면? Google Colab(무료 클라우드 GPU)에서도 돌아갑니다.
솔직한 장단점 비교
잘 될 때: 무료인데, 내 데이터가 외부 서버로 나가지 않습니다. 90분 분량 음성도 끊김 없이 만들 수 있고, 수정할 때마다 비용이 들지 않아요.
걸리는 점도 있습니다. GPU 없이 CPU만으로는 생성 속도가 매우 느려요. 처음 설치하는 과정이 초보자에겐 낯설 수 있고, 목소리 복제 품질은 샘플 녹음 길이와 음질에 크게 좌우됩니다.
다른 선택지와 비교하면
| 선택지 | 비용 | 한국어 | 핵심 차이 |
|---|---|---|---|
| VibeVoice | 무료 | ✅ | 로컬 실행, 무제한 생성 |
| ElevenLabs | 월 $6~$22 (플랜별) | ✅ | UI 쉬움, 클라우드 |
| 성우 외주 (크몽·숨고) | 건당 평균 12만 1천원 | ✅ | 완성도 높음, 수정 번거로움 |
수정이 잦은 콘텐츠라면 VibeVoice가 유리합니다. 완성도 중심의 대형 프로젝트는 여전히 성우가 낫습니다.
중소기업이 실제로 써먹는 3가지 방법
① 광고 나레이션 직접 제작
경기도 수원에서 인테리어 회사를 운영하는 A 대표(47세). 분기마다 SNS 광고에 들어가는 나레이션 외주비로 20만 원 이상 써왔습니다.
이제 직접 만들어요. 본인 목소리 30초를 녹음해서 VibeVoice에 넣고, 광고 대본을 입력하면 됩니다. 3분이면 나레이션 파일이 나옵니다.
② 매장 안내방송 자동화
카페나 미용실을 운영 중이라면, 안내방송 음성을 직접 만들 수 있어요. "손님 여러분, 오늘의 추천 메뉴는..." 같은 문구를 입력하면 됩니다. 생성된 파일을 스피커에 연결해 반복 재생하면 끝이에요.
계절마다 문구를 바꿔야 할 때도, 텍스트만 수정하고 다시 생성하면 됩니다.
③ ARS 전화 안내 음성 제작
"안녕하세요. 영업 문의는 1번, 배송 문의는 2번을 눌러주세요." 이런 ARS 음성을 성우에게 맡기면 10만~20만 원이 듭니다.
VibeVoice로 직접 생성하면 수정 비용이 없어요. 텍스트만 바꿔서 재생성하면 되거든요.
더 나아가면, 생성된 음성 파일을 홈페이지나 고객 응대 시스템에 연결할 수 있습니다. ARS·안내방송·챗봇 목소리를 일관된 '회사 목소리'로 통일하는 거예요. 그 이상의 시스템 연동이 필요하다면, 직접 구현보다는 전문가 상담이 효율적입니다.
비젼솔루션이 보는 시각
음성 AI는 이미 수년째 대기업 콜센터에서 쓰이고 있었습니다. 그런데 오픈소스가 되는 순간, 진입 장벽이 사라졌어요.
기술은 평등해졌습니다. 남은 질문은 하나입니다. 쓸 줄 아는가, 모르는가.
마이크로소프트가 무료로 내놓은 도구를 먼저 쓰는 사람과 아직 모르는 사람 사이의 차이는 시간이 갈수록 벌어집니다. 작은 사업장도 이 기술을 충분히 활용할 수 있다—그게 우리가 이 글을 쓰는 이유입니다.
직접 따라해보세요 — VibeVoice 설치 5단계
▲ VibeVoice 로컬 설치 흐름 · 출처: github.com/microsoft/VibeVoice README
준비물: Windows 10/11 또는 Ubuntu, macOS(M3 이상), Python 3.10 이상, NVIDIA GPU(VRAM 4GB 이상 권장)
① 저장소 받기
git clone https://github.com/microsoft/VibeVoice.git
cd VibeVoice② 가상환경 만들기
python -m venv vibevoice-env
# Windows:
vibevoice-env\Scripts\activate
# macOS/Linux:
source vibevoice-env/bin/activate③ 패키지 설치
pip install torch --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt④ 내 목소리 녹음
스마트폰 기본 녹음 앱으로 조용한 환경에서 20~30초를 녹음합니다. 파일을 WAV 형식으로 저장해두세요. 조용한 환경일수록 복제 품질이 올라갑니다.
⑤ 음성 생성
실행 방법과 옵션 전체는 공식 GitHub의 README.md에 상세히 나와 있습니다. 첫 실행 시 모델 파일이 자동으로 다운로드됩니다(약 3~10GB).
Q. GPU가 없으면 포기해야 하나요? 아니에요. Google Colab에서 무료 GPU를 이용해 실행할 수 있습니다. VibeVoice Colab 튜토리얼을 참고하세요.
Q. 한국어 품질은 어떤가요? Realtime-0.5B는 실험적 지원 수준입니다. 1.5B 이상 모델에서 한국어 품질이 안정됩니다.
음성 AI를 사업에 연결하는 게 막막하다면, 무료 상담으로 편하게 물어보세요.
이 글이 도움이 되셨나요? AI 궁금해하는 분 계시면 공유해 주세요. 댓글로 질문하시면 성심껏 답변드릴게요!
Vision Solution AI 솔루션 문의: 📧 [email protected] 🌐 https://www.visionc.co.kr/ai-solution