Text-To-Speech(TTS)란 무엇인가? D-ID로 1분 만에 말하는 AI 아바타 영상 생성하기

이번 포스팅에서는 Text-To-Speech(TTS)가 어떤 기술인지 소개하고, TTS와 AI를 활용해서 말하는 AI 아바타를 생성하는 서비스인 D-ID로 영상을 생성하는 과정을 공유하겠습니다.

Text-To-Speech(TTS)란 무엇인가?

Text-To-Speech(TTS)는 컴퓨터나 디지털 장치가 사람의 언어를 인식하고, 이를 사람의 음성처럼 발음할 수 있게 하는 기술입니다.

초기에는 시각 장애인이나 독서에 어려움을 겪는 사람들을 위한 보조 기술로 개발되었지만, 최근에는 GPS 내비게이션부터 음성 비서, 오디오북 제작에 이르기까지 다양한 분야에서 활용되고 있습니다.

문자를 인간의 언어로 변환하는 과정은 크게 두 단계로 나눌 수 있습니다.

1. 텍스트 분석: 먼저, 입력된 텍스트에 대한 문법적 이해와 발음 결정을 위한 분석이 진행됩니다.

이 단계에서는 각 단어의 발음 방법, 강조해서 읽어야 하는 부분, 그리고 문장 중 어떤 부분이 질문하는 내용인지 등을 파악합니다.

2. 음성 합성: 텍스트 분석 후에는, 분석된 정보를 기반으로 사람의 음성을 모방해 음성을 합성합니다. 이 단계에서는 사전에 녹음된 음성 샘플을 재조합하거나 디지털 신호 처리를 통해 '합성 음성'을 생성합니다.

초기 TTS 시스템은 음성의 자연스러움과 품질에 한계가 있었습니다. 하지만, 최근 딥러닝과 같은 AI 기술의 발전에 따라 음성 합성 기술이 빠르게 발전하여 사람의 목소리와 거의 구분할 수 없는 수준의 TTS 기술이 등장했습니다.

TTS는 현재 음성 비서, 오디오 북, 자동 전화 응답 시스템 등의 분야에서 주로 활용되고 있습니다.

미래에는 더 많은 언어를 지원하고, 감정 표현능력이 향상되며, 다양한 사람들의 목소리를 흉내 낼 수 있는 기능이 개발될 것으로 예상됩니다. 이런 기능 강화를 통해 TTS는 다양한 분야에서 더욱 넓게 활용될 수 있을 것으로 보입니다.

시각 장애인 지원: TTS는 시각 장애인이나 학습 장애가 있는 사람들에게 필수적인 도구입니다. 이 기술은 컴퓨터가 텍스트를 읽어주어 시각 장애인도 책, 뉴스, 웹사이트 등 다양한 정보를 손쉽게 접할 수 있도록 지원합니다.

음성 인터페이스: TTS 기술은 스마트폰, 스마트 스피커, 자동차 내비게이션 등의 디바이스에서 널리 활용되며, 이를 통해 사용자는 텍스트를 직접 읽는 것이 어려운 상황에서도 필요한 정보를 쉽게 얻을 수 있습니다.

예를 들어, 요리 레시피를 제공하는 앱에 TTS 기능이 내장되어 있다면, 요리를 하면서도 스마트폰이나 스마트 스피커에게 레시피를 음성으로 읽어달라고 요청할 수 있습니다.

이렇게 하면 요리하는 동안 레시피를 확인하기 위해 휴대폰을 만지거나 레시피를 잊어버리는 등의 문제를 해결할 수 있습니다.

교육: 교육 분야에서도 TTS는 다양한 방식으로 활용됩니다. E-러닝 콘텐츠 제작, 언어 학습 및 독서 능력 향상 도구 등에 활용됩니다.

엔터테인먼트: 엔터테인먼트 분야에서는 오디오 북 제작, 게임 내 음성, 동영상 자막 읽기 등에 TTS를 활용하고 있습니다.

D-ID는 TTS와 AI를 활용해서 말하는 AI 아바타 영상을 생성하는 서비스입니다.

D-ID는 사용법이 간단하고, 디자인이 직관적이어서 D-ID를 처음 이용하는 사용자도 손쉽게 영상을 생성할 수 있습니다.

지금부터 D-ID로 말하는 AI 아바타 영상을 생성하는 과정을 상세히 설명하겠습니다.

영상을 생성하기 위해 D-ID에 접속 후 기본 제공되는 Presenter 중 하나를 선택합니다.

Presenter를 선택한 후 스크립트 입력하고, 언어와 목소리를 선택합니다. 목소리는 여러 가지 유형의 남녀 목소리가 지원됩니다.

모든 설정이 완료되면, 우측 상단에 위치한 'GENERATE VIDEO' 버튼을 클릭해서 영상을 생성할 수 있습니다.

D-ID는 사용자가 원하는 모습의 Presenter를 AI로 생성하는 기능도 제공합니다.

Generate AI Presenter 옵션을 선택한 후, 가운데 명령어 입력창에 원하는 AI Presenter에 대한 묘사와 요청사항을 입력합니다.

저는 잘생긴 정장을 입은 남자 Presenter를 생성하기 위해 명령어에 'Fully dressed handsome gentleman in formal suit. The face must be shown'을 입력했습니다.

D-ID로 Presenter를 생성하면 얼굴이 잘리는 경우가 종종 있어, 'The face must be shown'이라는 요청사항을 추가했습니다.

명령어 입력 후 Generate 버튼을 누르면 내가 생성한 Presenter가 Presenter 옵션에 추가됩니다

Presenter가 스피치 할 스크립트는 챗GPT로 생성해 보겠습니다. 저는 제 첫 전자책을 구매하신 분들께 전할 감사 인사 문구를 요청해 보았습니다.

아래 영상은 제가 생성한 Presenter에 챗GPT로 생성한 스크립트를 반영해서 생성한 영상입니다.

최근 TTS와 AI를 활용해서 생성된 밈이 상당한 인기를 끌고 있습니다.

아래 영상은 Harry Potter by Balenciaga라는 제목의 영상인데, 2023년 7월 30일 기준, 조회수가 무려 1,066만 회입니다.

구독자분들께서도 D-ID로 직접 영상을 만들어보며 TTS에 대한 이해도도 향상시키고, 자신만의 독창적인 아바타 영상을 만드는 재미도 느껴보시길 바랍니다.