로컬 음성 클론으로 유료 TTS 구독을 끊은 이유와 그 한계

구독을 끊기 전에 요금 페이지를 다시 읽었다. 금액 옆에 붙은 숫자가 문제였다.

유료 TTS를 쓰다가 다운로드 한도나 상업 이용 조건에 걸려 멈춘 분, 그래서 로컬로 옮길지 말지 재고 있는 분을 위한 글이다.

여기서는 설치 순서를 다루지 않는다. 이 글이 답하는 건 "어떻게"가 아니라 "왜 그렇게 설계돼 있는가"다.

유료 TTS 요금제의 과금 지점

TTS 요금제를 처음 보면 월 금액에 눈이 간다. 실제로 작업을 막는 건 그 옆의 한도다.

서비스	플랜	월 요금	한도 단위	한도
타입캐스트	프로	39,000원	다운로드 시간	150분
타입캐스트	베이직	9,900원	다운로드 시간	60분
일레븐랩스	크리에이터	22달러	문자 크레딧	121,000자
일레븐랩스	스타터	6달러	문자 크레딧	30,000자

한도 단위가 다르다는 점이 중요하다. 타입캐스트는 시간, 일레븐랩스는 글자로 센다. 같은 대본이라도 어느 쪽에서 더 빨리 소진되는지는 문장 길이와 낭독 속도에 따라 달라진다.

생성이 아니라 다운로드에 과금된다

타입캐스트 요금 페이지에는 이렇게 적혀 있다. 음성 생성과 재생은 모든 플랜에서 무료이며, 음성 다운로드 시에만 플랜별 다운로드 시간이 차감된다.

이 문장의 실무적 의미는 두 가지다. 첫째, 결과가 마음에 들 때까지 듣는 건 한도를 먹지 않는다. 둘째, 파일로 확보하는 순간 차감된다. 그래서 "생성이 막혀서 못 쓴다"는 표현은 정확하지 않다. 막히는 건 확보다.

무료 플랜에는 음성 복제가 없다

무료 플랜을 유료의 축소판으로 생각하면 계산이 어긋난다. 축소가 아니라 특정 기능의 제거이기 때문이다.

• 타입캐스트 무료 플랜: 클로닝 기능이 제공되지 않는다. 다운로드한 콘텐츠에는 출처 표기 의무가 붙는다.
• 일레븐랩스 무료 플랜: 음성 복제가 없고, 상업적 이용이 불가하다.

두 서비스가 공통으로 유료 위에 올려둔 기능이 "내 목소리"다. 무료 플랜으로 아껴 쓰는 전략이 성립하지 않는 이유가 여기 있다. 아껴 쓸 대상 자체가 없다.

한도를 옮길 수 있는 곳은 실행 위치뿐이다

요금제를 잘 고르는 방식으로는 이 구조가 풀리지 않는다. 한도를 정하는 주체가 요금제이고, 요금제는 사업자의 서버에 붙어 있기 때문이다. 사용자 쪽에 조정 가능한 변수가 없다.

남는 선택지는 실행 위치를 옮기는 것이다. 음성을 만드는 계산을 내 컴퓨터에서 돌리면 한도를 세는 주체가 사라진다. 배달 계약을 바꾸는 대신 정수기를 다는 쪽에 가깝다.

보이스박스의 구성과 근거 자료

jamiepine/voicebox는 깃허브에 공개된 데스크톱 애플리케이션이다. 확인한 사실은 다음과 같다.

항목	값	확인처
별	49,427개	깃허브 API
최신 릴리스	v0.5.0 (2026-04-25)	릴리스 페이지
윈도우 설치 파일	517MB	릴리스 자산
누적 다운로드	2,009,482	공식 사이트 하단
라이선스	MIT	LICENSE 파일
기반 모델	Qwen3-TTS	API 자기소개 문자열

공식 README는 이 프로그램을 "일레븐랩스와 위스퍼플로우의 무료 오픈소스 대안"으로 소개한다. 비교 프레임을 외부에서 씌운 게 아니라 프로젝트가 스스로 선언한 위치다.

MIT 라이선스가 바꾸는 것

MIT 라이선스 원문은 이 소프트웨어의 사본을 얻은 누구에게나 무상으로 사용 권한을 부여한다고 적고 있다. 산출물의 상업적 이용에 제약이 없고, 출처 표기 의무도 없다.

앞에서 언급한 무료 플랜의 출처 표기 조건과 대비하면 차이가 분명하다. 무료 플랜의 제약은 서비스 약관에서 나오고, 로컬 실행에는 그 약관이 적용되지 않는다. 나레이션을 영상에 얹거나 판매 페이지 음성으로 쓰는 데 추가 조건이 붙지 않는다.

참조 음성 30초로 클론이 만들어지는 이유

공식 문서는 참조 음성을 몇 초에서 최대 30초로 안내한다. 짧은 이유는 이 방식이 화자의 음색·억양 특징을 추출해 조건으로 넣는 구조이기 때문이다. 화자별로 모델을 새로 학습시키지 않는다.

애플리케이션은 녹음 직후 그 음성을 자동으로 전사한다. 참조 음성과 그 텍스트를 쌍으로 넣으면 발음 대응이 정확해진다. 사용자가 따로 받아쓸 필요가 없다.

비교 조건을 먼저 고정했다

품질 비교에서 흔히 무너지는 지점은 조건이다. 원본 녹음이 다르거나 문장이 다르면 어느 쪽 결과인지 구분할 수 없다. 그래서 네 가지를 먼저 맞췄다.

통제 항목	설정
화자	동일인
낭독 문장	동일한 98자 문장
클론 학습에 쓴 원본 녹음	동일 계열 파일
청취 방식	파일명을 A·B로 치환하고 재생 순서를 섞음

비교 대상은 보이스박스 로컬 클론과 유료 클론 서비스에서 만든 클론이다. 한쪽에만 좋은 재료를 몰아줄 여지를 없앤 상태에서 들었다.

같은 조건에서 갈린 지점

차이는 문장의 종류에 따라 갈렸다.

• 감정이 실린 문장: 억양이 크게 오르내리는 구간에서 유료 결과의 표현 폭이 넓다.
• 잔잔한 서술 문장: 뚜렷한 차이를 느끼기 어려웠다.

나레이션 대본은 대부분 두 번째에 속한다. 그래서 실무 판정은 "감정 표현은 유료가 앞서고, 무료도 실사용 가능"이 됐다.

한 가지 덧붙이면, 이 비교의 질문 설정 자체에 문제가 있다. 한쪽은 매월 비용이 발생하고 한쪽은 발생하지 않는다. 동일 선상에 놓고 우열을 매기는 구도가 성립하지 않는다.

긴 대본을 처리하는 구조

애플리케이션의 생성 요청 스키마에는 청크 분할 관련 필드가 있다. max_chunk_chars의 기본값은 800이고 설명은 긴 텍스트 분할용 청크당 최대 문자 수다. crossfade_ms의 기본값은 50이며 청크 사이 크로스페이드 길이를 뜻한다. 입력 텍스트의 최대 길이는 50,000자다.

README도 같은 내용을 적고 있다. 대본·기사·챕터 단위의 긴 글을 위한 자동 청킹과 크로스페이드 기능이다.

정리하면 문장을 하나씩 나눠 넣을 필요가 없다. 통째로 넣으면 분할과 이어붙이기를 애플리케이션이 처리한다.

스토리즈 탭의 역할은 부분 재생성이다

여기서 오해가 생기기 쉽다. 스토리즈라는 타임라인 편집 화면이 있으니 통짜 생성이 안 되는 것 아니냐는 추측이다. 반대다.

스토리즈는 이미 생성한 결과 중 일부만 다시 뽑기 위한 도구다. 트랙 위의 조각 하나는 생성 요청 한 건에 대응한다. 대본을 통째로 한 번 넣었다면 조각도 하나다. 문장 단위로 따로 생성해 얹었다면 그만큼 조각이 늘어난다.

부분 재생성이 되는지 여부가 실무 도입을 가른다. 한 문장을 고치려고 전체를 다시 만들어야 하는 도구는 결국 쓰지 않게 된다.

확인해보고 사실이 아니었던 것

작업 중에 확인해보고 접은 가정이 두 개 있다.

첫째, 말투 지시가 통할 거라고 봤다. 같은 문장에 지시를 넣어 생성해봤지만 결과 길이가 11.52초에서 12.00초 사이로 움직였고, 지시 없는 기준값 11.84초와 구분되지 않았다. 화면에도 지시를 넣는 칸이 없다. 언어·엔진·이펙트 세 가지뿐이다.

둘째, 다른 엔진은 한국어가 안 될 거라고 짐작했다. 사실이 아니다. 챗터박스 멀티링구얼은 공식 지원 언어에 한국어가 들어 있다. 내가 Qwen을 고른 건 다른 엔진이 안 돼서가 아니라 직접 돌려보고 한국어 결과가 가장 나았기 때문이다.

남는 제약

정직하게 적으면 이렇다.

• 감정 연기가 필요한 대본에서는 유료 쪽이 낫다. 광고 내레이션이나 캐릭터 연기가 여기 해당한다.
• 첫 설치에 모델 4.3GB를 내려받아야 한다. 저장공간과 초기 시간이 든다.
• 생성 속도는 하드웨어에 따라 크게 달라진다. 엔비디아 그래픽카드가 없는 환경에서는 대기 시간이 길어진다.

이 선택이 맞는 경우

정리하면 판단 기준은 세 가지다. 자기 목소리를 써야 하는가, 산출물로 수익을 내는가, 대본이 감정 연기를 요구하는가.

앞의 두 개가 예이고 마지막이 아니라면 로컬 클론이 유리하다. 마지막이 예라면 유료 구독을 유지하는 편이 낫다. 두 가지를 함께 쓰는 것도 가능하다. 실행 위치가 다를 뿐 산출물은 같은 음성 파일이다.

만드는 과정 전체를 영상으로 정리해뒀다. 유튜브 채널 방구석컴퍼니에서 볼 수 있다.