Text-to-speech(TTS)는 작성된 텍스트를 말하는 오디오로 바꾸는 AI 기술로, 제공된 텍스트를 읽어 주는 인간 같은 음성을 합성합니다. 현대 AI 기반 TTS 시스템은 이전 세대의 로봇 같은 기계적 음성에서 극적으로 발전해, 적절한 운율, 리듬, 감정적 억양으로 녹음된 인간 음성과 구별하기 어려울 수 있는 자연스러운 음성을 생성합니다.

현대 TTS 시스템은 인간 음성 녹음 대규모 데이터셋으로 트레이닝된 신경망 아키텍처를 사용해 자연스러운 음성의 음향 특성, 타이밍, 감정적 질감을 학습합니다. 여러 음성 스타일, 억양, 언어를 만들 수 있고, 말하기 속도와 강조를 조절하며, 일부 시스템에서는 짧은 오디오 샘플에서 특정 음성을 클론해 특정 인물처럼 들리는 음성을 생성합니다. 선도 TTS 플랫폼은 다큐 콘텐츠용 권위 있는 내레이션 음성, 소셜 미디어용 친근한 대화 음성, 엔터테인먼트용 캐릭터 음성 등 용도별로 설계된 다양한 음성을 제공합니다. 텍스트에서 고품질 음성을 생성하는 능력으로 전문급 보이스오버 제작이 녹음 세션이나 보이스 탤런트 비용 없이 가능해졌습니다.

AI 비디오 제작 워크플로에서 text-to-speech는 생성 시각 콘텐츠에 동반되는 내레이션, 보이스오버, 대사 오디오를 생성하는 데 흔히 쓰입니다. AI 생성 비디오와 합성 음성을 매칭하면 설명 비디오, 소셜 미디어 클립부터 더 긴 내러티브까지 녹음 오디오 없이 완전히 AI 제작 비디오 콘텐츠를 만들 수 있어, 세련된 오디오비주얼 콘텐츠 제작에 필요한 리소스를 크게 줄입니다.