ElevenLabs 대신 무료 AI 목소리 복제 5분 실습

ElevenLabs 구독 끊어도 됩니다 — 무료 AI 목소리 복제 5분 실습

ElevenLabs 매달 결제하고 계신가요? Starter 플랜이 월 $6, Creator 플랜은 월 $22입니다. 마케팅 영상 나레이션 하나 만들려고 이 금액을 매달 낸다면, 이번 글은 읽어볼 만합니다.

이번 주 GitHub 트렌딩 상위에 오른 Chatterbox TTS를 소개합니다. Resemble AI가 MIT 라이선스로 공개한 오픈소스 음성 합성 모델입니다. 상업적으로 써도 별도 비용이 없고, pip 한 줄로 설치가 끝납니다.

Chatterbox 도입 상담 · AI 활용 문의: 📧 [email protected] 🌐 https://www.visionc.co.kr/ai-solution

맹검 테스트에서 ElevenLabs를 이겼습니다

Resemble AI가 Podonos 플랫폼을 통해 진행한 맹검 청취 평가 결과, 평가자의 63.75%가 ElevenLabs보다 Chatterbox를 선호했습니다. 어느 쪽이 어떤 도구인지 모른 채 들었을 때 나온 수치입니다.

맹검(blind) 평가란 평가자가 어떤 도구로 만들었는지 모르는 상태에서 음질만 비교하는 방식입니다. ElevenLabs를 지지하는 편견이 끼어들 여지가 없는 조건입니다.

▲ Chatterbox TTS 핵심 수치 · 출처: resemble.ai/learn/models/chatterbox, github.com/resemble-ai/chatterbox

Chatterbox에는 목적에 따라 고를 수 있는 모델이 세 가지 있습니다.

한국어 음성을 만들어야 한다면 Multilingual V3를 쓰시면 됩니다. 아랍어, 일본어, 중국어 등 23개 언어와 함께 한국어(ko)가 정식으로 지원됩니다.

MIT 라이선스는 중요한 포인트입니다. 생성한 음성을 마케팅 영상에 쓰거나, 고객 안내 멘트로 활용하거나, 상품 홍보용으로 배포해도 별도 허가나 추가 비용이 없습니다. 단, 생성된 음성에는 PerTh 신경망 워터마크가 자동으로 삽입됩니다. 사람 귀에는 들리지 않지만, 생성 AI 음성임을 기술적으로 추적할 수 있는 장치입니다.

그렇다면 설치부터 음성 생성까지 실제로 얼마나 걸릴까요?

pip 한 줄, 코드 세 줄이면 됩니다

먼저 내 컴퓨터가 되는지 확인하세요

솔직히 말씀드립니다. 한국어를 지원하는 Multilingual V3(500M)와 Turbo(350M)는 엔비디아 GPU(CUDA)가 있어야 쾌적하게 돌아갑니다. 회사 데스크탑에 게임용 그래픽카드가 달려 있다면 대부분 가능합니다. 클라우드 서버(AWS, GCP, Colab)를 빌려서 쓰는 방법도 있습니다.

GPU가 없는 일반 노트북이나 PC라면 Nano 모델을 선택하시면 됩니다. GitHub README에 명시된 대로, 8코어 CPU에서 실시간의 3배 속도로 음성을 생성합니다. 다만 Nano는 영어 전용입니다.

한국어가 꼭 필요하고 GPU도 없다면, Hugging Face 데모에서 먼저 체험해보시는 것을 권합니다.

설치부터 음성 생성까지

▲ Chatterbox 설치·실행 3단계 · 출처: github.com/resemble-ai/chatterbox README

① 설치 (터미널에 한 줄 붙여넣기)

pip install chatterbox-tts

② 참고 음성 파일(WAV) 준비 복제하고 싶은 목소리를 5~10초 이상 녹음하거나, 보유한 음성 파일을 WAV 형식으로 준비합니다. 이 파일이 새로 생성할 음성의 "목소리 원본"이 됩니다.

③ 코드 실행 — 한국어(Multilingual V3) 기준

import torchaudio as ta
from chatterbox.mtl_tts import ChatterboxMultilingualTTS

model = ChatterboxMultilingualTTS.from_pretrained(device="cuda", t3_model="v3")
wav = model.generate("안녕하세요, 저희 가게를 방문해 주셔서 감사합니다.", language_id="ko")
ta.save("output-korean.wav", wav, model.sr)

처음 실행할 때는 모델 파일을 내려받아야 해서 시간이 걸립니다. 두 번째부터는 곧바로 음성이 나옵니다.

음성 파일을 참고하도록 설정하려면 generate() 호출에 audio_prompt_path="참고파일.wav" 인자를 추가하면 됩니다. 그 목소리 톤·억양으로 읽어줍니다.

설치나 연동이 막히는 부분이 있다면: 📧 [email protected] 🌐 https://www.visionc.co.kr/ai-solution

중소기업은 이렇게 씁니다

1. 마케팅 영상 나레이션

온라인몰을 운영하는 의류업체 사례를 가정해봅니다. 신상품이 나올 때마다 소개 영상 나레이션이 필요했는데, 성우에게 의뢰하면 1분 분량에 3~10만 원이 들었습니다. ElevenLabs로 전환했지만 Creator 플랜(월 $22, 약 3만 원)을 쭉 내왔습니다.

Chatterbox를 도입하면 어떻게 될까요? 대표 목소리를 10초 녹음해두면, 신상품이 나올 때마다 상품 설명 텍스트만 입력해 나레이션을 즉시 뽑아낼 수 있습니다. 월 구독료는 0원, 생성 횟수 제한도 없습니다.

2. 매장 안내 방송과 SNS 광고 음성

카페, 식당, 소매점처럼 일정한 안내 멘트가 필요한 업종에도 맞습니다. 계절 메뉴, 이벤트 공지, 영업시간 변경처럼 내용이 자주 바뀌는 멘트를 그때그때 새로 녹음하는 대신, 텍스트를 바꿔서 음성 파일을 다시 뽑으면 됩니다. 녹음 스튜디오 예약이나 성우 섭외 없이, 데스크탑 하나로 끝납니다.

3. 전화 대기 안내 멘트

"현재 통화량이 많아 잠시 기다려주시기 바랍니다. 잠시 후 연결해드리겠습니다." 이런 멘트를 바꿀 일이 생길 때, 녹음 비용 없이 직접 만들 수 있습니다. 텍스트를 수정하고 파일을 다시 생성하면 됩니다. 목소리 톤과 억양도 원본 음성 파일 하나를 기준으로 일관성 있게 유지할 수 있습니다.

(주)비젼솔루션이 보는 관점

ElevenLabs 같은 클라우드 TTS 서비스는 편리하지만, 여러분의 목소리 데이터가 외부 서버를 거칩니다. Chatterbox처럼 로컬에서 실행되는 오픈소스 도구는 그 데이터가 내 컴퓨터 밖을 나가지 않습니다. 브랜드 목소리는 회사 자산입니다. 클라우드 서비스가 내일 요금을 두 배로 올리거나, 정책이 바뀌거나, 서비스를 종료해도 로컬 도구는 그대로 동작합니다. 기술을 고를 때 "편리함"만큼 "통제권"을 따져보는 것이 작은 회사에는 더 중요할 수 있습니다. 한 번 외부 서비스에 종속되면 빠져나오는 데도 비용이 생기기 때문입니다.

자주 묻는 질문

Q. 한국어로 음성을 만들 수 있나요? Chatterbox Multilingual V3가 한국어(ko)를 공식 지원합니다. 코드에서 language_id="ko"로 지정하면 됩니다. 단, 한국어 지원 모델(Multilingual V3)은 GPU가 있는 환경에서 권장됩니다.

Q. 노트북에서도 쓸 수 있나요? GPU가 없는 경우, 영어 전용 Nano 모델을 CPU 모드로 실행할 수 있습니다. device="cpu"로 바꿔서 로드하면 됩니다. 한국어가 필요하다면 GPU 환경이나 Hugging Face 데모를 먼저 활용해보시길 권합니다.

Q. 상업적으로 써도 되나요? MIT 라이선스라 상업적 이용이 허용됩니다. 단, 생성된 음성 파일에는 사람 귀에 들리지 않는 PerTh 신경망 워터마크가 자동 삽입됩니다.

Chatterbox 설치를 해보셨나요? AI 음성 도구를 실제 업무에 연결하는 단계가 막히거나, 어떤 도구를 선택하면 좋을지 판단이 서지 않는다면 (주)비젼솔루션에 문의해 주세요. AI 도구 선정부터 업무 자동화 연결까지 함께 검토해드립니다.

Vision Solution AI 솔루션 문의: 📧 [email protected] 🌐 https://www.visionc.co.kr/ai-solution