어젯밤에 쇼츠를 넘기다가 같은 목소리를 세 번 연속으로 들었습니다. 하나는 부동산, 하나는 다이어트, 하나는 연예인 얘기였는데 읽어주는 사람은 한 명이었습니다. 정확히는 사람이 아니었고요.

쇼츠 AI 목소리 넣는 법을 검색하면 방법 자체는 금방 나옵니다. 캡컷을 켜고, 텍스트를 치고, 목소리를 고르면 끝입니다. 문제는 그다음입니다. 다들 같은 방법을 쓰니까 다들 같은 목소리가 나옵니다. 이 글에서는 쇼츠에 AI 목소리를 넣는 방법 네 가지를 비교하고, 원본 음성은 음소거해야 하는지, 목소리를 어느 자리에 얹어야 하는지까지 정리했습니다.

쇼츠에 AI 목소리 넣는 방법 4가지

먼저 답부터 드립니다. 목소리를 만드는 기술은 이제 어디나 비슷합니다. 실제로 갈리는 건 읽을 대본을 어디서 가져오느냐고, 여기서 방법이 넷으로 나뉩니다.

대본을 어디서 가져오나	실제로 하는 일	되는 곳
내가 직접 친다	텍스트를 치고 목소리를 고르면 읽어준다	캡컷, 타입캐스트, 일레븐랩스, 오푸스클립, 알파컷
따로 쓴 대본을 파일로 받아 붙인다	음성 파일을 내려받아 편집기로 옮긴다	타입캐스트, 일레븐랩스
클립을 뽑은 다음 그 위에 얹는다	롱폼에서 클립을 추출하고 보이스오버를 붙인다	오푸스클립, 알파컷
툴이 영상 내용을 보고 써준다	영상을 분석해 대본 초안을 만들어준다	알파컷

첫 줄이 우리가 흔히 "AI 목소리 넣는다"고 부르는 그것입니다. 어느 툴을 켜도 됩니다. 그래서 이 방법만 쓰면 결과물이 서로 닮습니다.

아래로 내려갈수록 내가 쓰는 글이 줄어듭니다. 그런데 두 번째는 툴을 하나 더 열어야 하고, 세 번째와 네 번째는 그 툴이 내 영상을 이미 갖고 있어야 가능합니다. 목소리 성능이 아니라 이 조건이 방법을 가릅니다.

가장 많이 쓰이는 첫 번째 방법부터 짚고 가면, 캡컷은 세 단계입니다. 영상에 텍스트를 올리고, 그 텍스트를 선택한 상태에서 '텍스트 음성 변환'을 켜고, 목록에서 목소리를 고른 뒤 속도와 위치를 영상에 맞춥니다. 어렵지 않습니다. 다만 PC판과 모바일판에서 뜨는 목소리 목록이 서로 다르다는 얘기가 사용자들 사이에서 꾸준히 나옵니다. 모바일에서 듣고 마음에 들어 찾던 목소리가 PC에는 없는 경우가 있으니, 쓰던 목소리가 안 보이면 반대쪽 기기를 켜보는 게 빠릅니다.

왜 요즘 쇼츠 AI 목소리는 안 먹힐까

동아일보가 올해 1월에 이 현상을 기사로 다뤘습니다. 쇼츠를 켜면 어디서나 들리는 그 목소리, "저 됐어요!" 하는 음성의 정체가 대부분 캡컷 내장 TTS의 기본 목소리라는 내용이었습니다. Backlinko 집계로 캡컷은 2025년 10월 기준 전 세계 앱 다운로드 9위입니다. 같은 앱을 전 세계가 쓰고, 그 앱의 기본 목소리를 다 같이 쓰면 결과는 정해져 있습니다.

같은 기사에서 전문가들이 짚은 지점도 비슷합니다.

"매끄럽고 무난하지만 반복 노출될 경우 피로도가 높아질 수 있다"김헌식 대중문화평론가

"AI 음성으로 제작한 짧은 콘텐츠가 범람할 경우, 정보의 응축성이나 촌철살인 같은 매력이 빠르게 소모될 수 있다"윤석진 충남대 교수

시청자 쪽 반응 중에는 "말투만 남고 내용은 잘 기억나지 않는다"는 말도 있었습니다.

이 목소리에는 이름까지 붙었습니다. 캡컷 TTS의 '애덤' 모델인데, 사용자들 사이에서는 "샤갈 목소리"로 불립니다. 목소리 하나에 별명이 생겼다는 건 그만큼 많이 쓰였다는 뜻입니다.

목소리를 다른 걸로 바꿔봐도 잘 해결되지 않습니다. 어차피 같은 앱의 같은 목록에서 고르는 거라서요. 인기 있는 목소리 몇 개에 사용이 몰리고, 나머지는 억양이 어색해서 잘 안 쓰입니다. 결국 유행하는 목소리를 한 발 늦게 따라가는 모양이 됩니다.

정리하면 이렇습니다. 후킹하려고 넣은 목소리가 이제는 "또 저 목소리네" 신호가 됐습니다. 시청자는 0.5초 만에 알아챕니다.

쇼츠 AI 목소리, 정작 시간이 드는 건 목소리가 아닙니다

한 번이라도 직접 해보셨으면 아실 겁니다. 목소리를 만드는 데는 5초도 안 걸립니다. 텍스트를 치고 생성 버튼을 누르면 끝나니까요.

시간이 가는 건 그다음입니다. 뽑힌 음성 파일을 영상에 가져와서, 들어가야 할 지점으로 끌어다 놓고, 앞뒤를 자르고, 화면이랑 안 맞으면 다시 옮깁니다. 문장이 다섯 개면 이걸 다섯 번 합니다. 대본도 내가 씁니다. 영상 다시 돌려보면서 어디에 무슨 말을 얹을지 직접 정해야 합니다.

같은 나레이션을 넣는데, 손이 어디서 가는가

A TTS 툴 + 편집기

대본
직접 쓰기

›

음성 생성

›

영상에
불러오기

›

위치 맞추기

↻ 문장 수만큼 3~4단계 반복

B 영상을 이미 가진 툴

자막·대본
자동

›

목소리 고르기

›

문장이
알아서 배치

반복 구간이 없습니다. 클립 길이와 문장 수를 툴이 이미 알고 있어서요.

이게 툴이 부실해서 생기는 일이 아닙니다. 구조가 그렇습니다. TTS 툴은 텍스트를 넣으면 음성이 나오는 상자입니다. 내 영상을 본 적이 없습니다. 그래서 무슨 말을 넣을지도, 어디에 넣을지도 전부 사람이 채워 넣어야 합니다.

툴이 이미 그 영상을 갖고 있으면 이 손이 사라집니다. 영상 내용을 알고 있으니 대본 초안을 써줄 수 있고, 클립 길이를 알고 있으니 몇 문장이 들어가는지 계산이 되고, 문장이 어느 지점에 놓여야 하는지도 나옵니다. 알파컷 오디오 탭에 대본 추천 버튼이 있는 이유가 이겁니다. 원본 영상이 있다는 전제가 없으면 만들 수 없는 기능이니까요.

쇼츠에 TTS 넣을 때 원본 음성은 음소거해야 할까

검색해서 여기까지 오셨다면 답부터 필요하실 겁니다. 영상 세 종류로 갈립니다.

판단이 안 서면 소리를 끄고 한 번 돌려보세요. 내용이 그대로 전달되면 음소거해도 되는 영상이고, 뭔가 빠진 느낌이면 원본 말이 일을 하고 있던 겁니다.

음소거보다 더 자주 하는 실수

1번에서 원본 트랙을 아예 0으로 내려버리는 경우입니다. 발소리, 도마 소리, 바람 소리까지 사라지면 화면이 붕 뜹니다. TTS 목소리가 유독 기계처럼 들리는 영상들이 대개 이 상태예요.

알파컷 오디오 탭에 AI 보이스와 BGM이 같은 자리에 있는 이유가 이겁니다.

3번은 앞의 둘과 다릅니다. 목소리를 통으로 깔 수 없고 문장 단위로 움직여야 합니다. 음성 파일 하나가 통으로 깔려 있으면 "여기만 얹기"가 애초에 불가능하니까요.

쇼츠 AI 목소리, 어디에 넣어야 효과가 있나

원본 위에 얹는 방식이라면 위치가 전부입니다. 실제로 효과가 나는 자리는 네 군데입니다.

30초 클립에서 AI 목소리를 얹는 자리

1

2

여긴 그대로

3

4

0:000:100:200:30

• 1첫 3초 — 결론이나 숫자 한 문장
• 2맥락이 빠진 구간
• 3화면은 좋은데 말이 없는 구간
• 4원본 음질이 나쁜 구간
• ✕감정이 실린 구간 — 덮지 않습니다

첫 3초. 원본이 인사말이나 뜸 들이는 말로 시작할 때가 많습니다. 그 위에 결론이나 숫자를 던지는 한 문장을 얹습니다. "3년 동안 이거 하나로 버텼습니다" 같은 문장이 앞에 붙으면 그다음 원본 대사가 살아납니다. 한국어 기준으로 15자에서 25자면 3초 안에 들어갑니다. 두 문장을 넣으면 대개 넘칩니다.

맥락이 빠진 구간. 롱폼에서는 앞에서 설명한 내용이라 넘어갔는데, 쇼츠로 잘라내면 무슨 얘긴지 모르게 되는 구간이 생깁니다. 여기에 한 문장만 얹으면 됩니다.

화면은 좋은데 말이 없는 구간. 작업 장면, 이동 장면, 클로즈업. 원본에 소리가 거의 없는 곳입니다.

원본 음질이 나쁜 구간. 바람 소리에 묻혔거나 마이크가 안 잡힌 부분. 자막만 띄우는 것보다 목소리를 넣는 편이 낫습니다.

반대로 넣지 말아야 할 곳도 분명합니다. 화자가 감정을 실어 말하는 구간, 인터뷰에서 답이 나오는 순간, 웃음이나 침묵이 의미가 되는 자리. 여기에 AI 목소리를 덮으면 영상의 제일 좋은 부분을 지우는 셈입니다.

알파컷으로 쇼츠에 AI 목소리 넣는 법

크게 세 덩어리입니다. 쇼츠를 만들고, 목소리를 얹고, 올립니다.

앞에서 말한 손이 사라지는 지점이 2단계 마지막 줄입니다. 음성 파일을 받아 끌어다 놓는 과정이 없어서, 마음에 안 드는 문장만 그 자리에서 고치면 됩니다.

남의 영상으로 쇼츠 만들 때 AI 목소리가 필요한 이유

이 기능이 제일 크게 쓰이는 데가 하나 더 있습니다.

유튜브에는 게시자가 재사용을 허용해둔 영상들이 있습니다. 크리에이티브 커먼즈로 표시된 영상들인데, 알파컷은 이걸 따로 필터로 걸러서 보여줍니다. 내가 찍은 영상이 없어도 여기서 소재를 가져올 수 있습니다.

문제는 그 영상에 내 목소리가 없다는 겁니다. 원본 화자의 말이 그대로 남아 있으면 내 채널 콘텐츠처럼 보이지 않습니다. 원본 화면 위에 내 해석을 얹어야 비로소 새 콘텐츠가 됩니다.

다만 재사용 허용 표시가 있다고 아무거나 가져다 써도 되는 건 아닙니다. 게시자가 라이선스를 나중에 바꿀 수 있고, 영상 안에 들어간 음악이나 방송 화면, 인물과 상표는 별도 권리라 따로 확인해야 합니다. 쓰기 전에 원본 영상 설명의 라이선스 항목을 직접 보는 게 안전합니다.

재사용 허용 영상을 실제로 어디서 찾고 어디까지 손대도 되는지는 따로 한 편으로 정리하겠습니다.

쇼츠에 AI 목소리 쓰면 유튜브에 공개해야 하나

업로드할 때 '변경되거나 합성된 콘텐츠' 항목을 체크해야 하는지 묻는 분이 많습니다. 유튜브 규정은 AI를 썼는지로 나누지 않습니다.

나레이션이나 더빙을 위해 자기 목소리를 복제한 경우, 이미 녹음된 오디오의 음질을 손본 경우는 표시 대상이 아닙니다. 반대로 실제 인물이 하지 않은 말을 한 것처럼 들리게 만들었다면 표시 대상입니다. AI로 만든 음악도 여기 들어갑니다.

기준은 "실제 사람이 한 것처럼 오해할 수 있느냐" 한 줄입니다. 특정인을 흉내 내지 않는 나레이션 목소리는 여기 걸리지 않습니다. 애매하면 체크하는 쪽이 낫고, 표시했다고 노출이 깎이지도 않습니다.

목소리를 바꾸는 게 아니라, 목소리가 필요한 자리를 아는 게 편집입니다.