Kits AI에서 상업용 음반 제작에 바로 투입할 수 있는 커스텀 AI 보이스 모델(Custom Voice Models)을 성공적으로 구축하려면, 데이터셋 준비 과정을 음원 마스터링 수준으로 정밀하게 다뤄야 합니다. 보컬 클로닝 결과물에서 흔히 발생하는 금속성 잡음, 음정 불안정, 위상 왜곡은 인공지능 엔진 자체의 오류라기보다는, 리버브 잔향, 과도한 오토튠, 배경 노이즈, 스테레오 위상 왜곡이 남아 있는 미정제 드라이 오디오를 그대로 업로드했기 때문에 발생합니다.
상업 음원 수준의 커스텀 보이스 자산을 구축하기 위해서는 4단계의 표준 워크플로가 필수적입니다: 10~30분 분량의 정밀 건조(Dry) 보컬 데이터 구축, DAW 내 음향 노이즈 제거 및 레벨 정렬, Kits AI 훈련 파라미터 최적화, 스튜디오 믹싱 체인 내 후반 처리입니다.
1. 아티팩트의 원인: 미처리 오디오가 유발하는 3가지 기술적 충돌
Kits AI의 신경망 음성 합성 엔진은 입력된 오디오를 기본 주파수($F_0$ 피치 추적), 배음 포먼트 특성, 음소 발음, 호흡 다이내믹의 독립적인 레이어로 분해하여 학습합니다. 믹싱 프로젝트에서 일반 보컬 트랙을 그대로 내보내 업로드하면 다음과 같은 음향적 문제가 발생합니다:
- 리버브 및 공간 잔향 간섭: 리버브와 스테레오 딜레이는 지속적인 시간 지연 반사음을 남깁니다. 신경망은 보컬의 성대 공명과 디지털 리버브 알고리즘을 구별하지 못해, 공간의 탁함을 모델의 고유 음색으로 영구 학습하게 됩니다. 그 결과 합성되는 모든 음정에 속이 빈 듯한 금속성 울림이 고착됩니다.
- 과도한 오토튠 학습으로 인한 기계음 발생: Auto-Tune이나 Melodyne으로 계단식 강제 튜닝이 적용된 오디오를 업로드하면, 피치 추출 알고리즘이 이러한 디지털 단차를 가수의 생리학적 음정 특징으로 오인합니다. 새로운 멜로디를 합성할 때 부자연스러운 기계적 떨림과 왜곡이 나타납니다.
- 스테레오 위상 캔슬레이션: 모노 보컬을 스테레오 파일로 잘못 출력하면 좌우 채널 간의 미세한 위상 차이가 발생합니다. Kits AI는 모노 오디오를 기반으로 학습하므로, 스테레오 파일은 200MB 업로드 한도를 낭비할 뿐만 아니라 특징 추출 과정에서 빗살 필터(Comb Filtering) 왜곡을 유발합니다.
상업적 완성도를 확보하기 위한 기본 전제는 잔향과 반주가 전혀 없는 순수한 트루 모노(True Mono) 드라이 보컬입니다.
2. 데이터셋 규격: 스튜디오 기준 오디오 사양
Kits AI에서 완성도 높은 모델을 훈련하려면 다음 음향 엔지니어링 규격을 준수해야 합니다:
| 주요 항목 | 스튜디오 권장 사양 | 기술적 고려 사항 |
|---|---|---|
| 데이터 총 길이 | 15~30분 (최소 10분 이상) | 10분은 기초 음소 학습의 최소 요건이며, 20~30분 확보 시 전 옥타브에 걸친 표현력과 다이내믹을 완벽히 학습합니다. |
| 파일 포맷 | 무손실 16-bit 또는 24-bit WAV / AIFF | MP3 등 손실 압축 포맷은 고음역 압축 아티팩트를 보컬 배음 노이즈로 오인 학습시킬 위험이 있습니다. |
| 채널 설정 | 트루 모노 (True Mono) | 200MB 용량 제한 내 효율성을 극대화하고 좌우 위상 간섭을 근본적으로 차단합니다. |
| 샘플레이트 | 44.1 kHz 또는 48 kHz | 표준 마스터링 작업 규격에 맞추어 불필요한 보간 처리 없이 고주파수 정보를 보존합니다. |
| 피크 헤드룸 | -12 dBFS ~ -6 dBFS 피크 유지 | 샘플 간 피크 왜곡과 디지털 클리핑을 방지하고 풍부한 다이내믹 레인지를 확보합니다. |
| 가창 구성 | 타깃 장르 가창 70%, 극한 다이내믹 30% | 일반적인 멜로디 외에 고음 벨팅, 흉성 저음, 가성과 호흡 위스퍼, 긴 모음 발성을 골고루 포함합니다. |
3. DAW 사전 정제 워크플로: 노이즈 제거와 레벨링
음향 처리가 되지 않은 방에서 대충 녹음하거나 편집되지 않은 파일을 그대로 업로드해서는 안 됩니다. Pro Tools, Logic Pro, Ableton Live, Cubase 등의 DAW에서 다음 처리 체인을 실행하십시오:
[원초적 보컬 녹음 건조(Dry) 소스]
│
▼
[1. 스펙트럴 노이즈 및 마우스 노이즈 제거] (iZotope RX)
│
▼
[2. 감산형 하이패스 및 공명 노치 EQ] (<60Hz 컷, 부밍 주파수 정리)
│
▼
[3. 투명한 다이내믹 디에서] (5–8 kHz 치찰음 제어)
│
▼
[4. 완만한 레벨링 컴프레서] (2–3 dB 게인 리덕션, 자연스러운 호흡 유지)
│
▼
[5. 무음 구간 및 호흡 트림] (1.5초 이상 무음 구간 정리)
│
▼
[통합 트루 모노 WAV 내보내기]
단계 A: 음향 환경 노이즈 및 입술 소리 정리
차음 부스나 리플렉션 필터를 사용하여 녹음합니다. 마이크 프리앰프 잡음이나 미세한 에어컨 소음이 존재할 경우, iZotope RX Voice De-noise를 부드러운 임계값으로 적용하여 지속적인 배경 잡음을 제거합니다. 또한 Mouth De-click으로 끈적이는 입술 소리를 정리합니다.
단계 B: 감산형 EQ (Subtractive EQ)
60Hz~80Hz 대역에 18dB/oct 기울기의 하이패스 필터를 걸어 바닥 진동과 불필요한 초저역을 차단합니다. 250Hz~600Hz 구간에서 좁은 Q값으로 노치 필터를 스위핑하여 공간 울림으로 인한 먹먹한 공명을 깎아냅니다. 이 단계에서는 고역대를 부스트하지 말고 원본 목소리의 주파수 밸런스를 그대로 보존합니다.
단계 C: 디에싱과 부드러운 컴프레션
'ㅅ', 'ㅊ', 'ㅌ' 등의 강한 치찰음은 AI 보코더의 음성 합성을 깨뜨리는 주원인입니다. 5kHz~8kHz 구간에 디에서를 설정하여 날카로운 피크를 억제합니다. 이후 광학(Opto) 컴프레서 등을 사용하여 최대 2~3dB 이내로 부드럽게 레벨을 정돈하여 다이내믹 표현력을 유지합니다.
단계 D: 무음 구간 정리
프레이즈 사이의 긴 공백은 훈련 자원을 낭비할 뿐만 아니라 배경의 암소음을 목소리의 일부로 학습하게 만듭니다. 가창 프레이즈 간 1.5초 이상의 무음은 잘라내고, 각 소절 앞뒤로 약 300밀리초 정도의 자연스러운 룸 톤을 남겨둡니다.
4. Kits AI 훈련 워크플로: 인스턴트 vs 프로페셔널 보이스 클로닝
Kits AI는 작업 목적과 구독 요금제에 따라 두 가지 모델링 방식을 제공합니다:
┌─────────────────────────┐
│ 클로닝 방식 선택 │
└────────────┬────────────┘
│
┌───────────────────────┴───────────────────────┐
▼ ▼
┌─────────────────────────────────┐ ┌─────────────────────────────────┐
│ 인스턴트 보이스 클로닝 (IVC) │ │ 프로페셔널 커스텀 모델 훈련 │
│ • 필요 오디오: 15–30초 건조 소스 │ │ • 필요 오디오: 10–30분 정제 소스│
│ • 소요 시간: 수 초 (제로샷 추론) │ │ • 소요 시간: 클라우드 GPU 10–30분│
│ • 주 용도: 가이드 데모, 탑라인 │ │ • 주 용도: 상업 음반 출시, 앨범 │
└─────────────────────────────────┘ └─────────────────────────────────┘
인스턴트 클로닝(IVC)과 프로페셔널 모델 비교
- Instant Voice Cloning (IVC): 단 15~30초의 깨끗한 드라이 오디오로 즉각적인 모델을 생성합니다. 대기 시간이 없어 빠른 데모 제작, 화음 라인 구성, 편곡 아이디어 확인에 이상적입니다. 다만 감정의 폭이나 급격한 음역 변화에 대한 대응력은 제한적입니다.
- Professional Voice Cloning: 10~30분의 정제된 오디오 데이터셋을 클라우드 GPU를 통해 딥러닝 훈련합니다. 가수의 성대 공명, 진성/가성 전환 테크닉, 미세한 음색 뉘앙스를 정밀하게 복제하여 상업용 음원 트랙에 즉시 투입할 수 있습니다.
훈련 진행 단계:
- 스튜디오 접속: Kits AI에 로그인한 뒤 Models 메뉴에서 Train a Voice Model을 선택합니다(브라우저에서 직접 음성을 녹음하려면 Guided Voice Cloning 사용).
- 모델 타입 지정: 반드시 Vocalist / Singing을 선택합니다. 그래야 일반 낭독 음성이 아닌, 가창 특유의 피치 궤적 및 배음 트래킹 알고리즘이 적용됩니다.
- 데이터셋 업로드: 사전 정제된 트루 모노 WAV 파일 또는 ZIP 압축 파일을 드래그하여 업로드합니다(배치당 최대 200MB).
- 입력 노이즈 필터 점검: DAW에서 이미 정밀하게 노이즈를 제거했다면, Kits AI 내부의 자동 노이즈 게이트 설정을 낮추거나 꺼서 미세한 호흡음이 잘리지 않도록 합니다.
- 훈련 시작: Train 버튼을 클릭합니다. 클라우드 훈련이 완료되면 나만의 비공개 보이스 라이브러리에 모델이 저장됩니다.
5. 스튜디오 믹싱 통합: 음성 변환부터 최종 마스터링까지
훈련된 AI 모델을 실제 음악 프로젝트에 적용할 때 완성도를 좌우하는 것은 가이드 보컬 트랙의 준비 상태와 변환 후 믹싱 기법입니다.
가이드 보컬(입력 오디오) 준비 원칙
커스텀 모델로 음성을 변환(Convert)할 때:
- 음역대 일치: 가이드 가수의 음역대가 타깃 모델과 유사할수록 가장 자연스러운 결과가 나옵니다. 남성 가이드 보컬로 여성 소프라노 모델을 변환할 경우, Kits AI 변환 패널에서 Pitch Shift를 +12 세미톤(1옥타브) 올려서 변환해야 부자연스러운 포먼트 왜곡을 방지할 수 있습니다.
- 가이드 음정 및 박자 정돈: AI 모델은 입력 보컬의 타이밍, 발음 습관, 음정 오차를 그대로 복제합니다. 변환을 시작하기 전에 가이드 트랙의 음정과 박자를 DAW에서 깔끔하게 정돈해 두어야 합니다.
Kits AI 변환 파라미터 세부 설정
- Conversion Strength / Model Blend (변환 강도): 타깃 모델의 음색을 원본에 얼마나 강하게 반영할지 결정합니다. 통상 80%~95% 사이로 설정하면 가이드 보컬의 유기적인 감정선을 살리면서 모델의 독자적인 톤을 완벽히 입힐 수 있습니다.
- Pitch Shift (음정 이동): 별도의 외부 플러그인 없이도 프로젝트의 조성을 맞춰 음질 손실을 최소화합니다.
- 프리 노이즈 필터: 가이드 트랙이 이미 깨끗하게 녹음되었다면 필터를 비활성화하여 첫 자음의 어택감을 온전히 보존합니다.
DAW 내 AI 보컬 믹싱 체인
변환 완료된 WAV 스템을 다운로드하여 DAW 세션에 불러온 뒤 다음 믹싱 체인을 권장합니다:
- 합성 후 정밀 피치 튜닝: 이 시점에서 Auto-Tune Pro나 Melodyne을 적용합니다. AI 합성 후에 튜닝을 진행하면 훈련 데이터셋을 손상시키지 않으면서도 최신 팝 음악 기준의 완벽한 음정을 구현할 수 있습니다.
- 다이내믹 EQ를 통한 고음역 정리: AI 보컬은 3.5 kHz~4.5 kHz 부근에서 금속성 부밍이, 7.5 kHz 부근에서 민감한 치찰음이 발생하는 경향이 있습니다. FabFilter Pro-Q 3의 다이내믹 모드로 해당 주파수가 솟아오를 때만 정밀하게 2~3dB 억제합니다.
- 포먼트 미세 조정 (선택 사항): 믹스 안에서 보컬이 다소 얇거나 무겁게 느껴진다면 Little AlterBoy 등의 툴로 포먼트를 약 0.5 세미톤 미세 조율하여 악기 세션 중앙에 단단히 안착시킵니다.
- 공간계 이펙트 및 패러럴 새추레이션: 드라이 상태로 생성된 보컬이므로 리버브, 딜레이, 코러스, 테이프 새추레이션이 매우 자연스럽게 스며들며, 실제 라이브 악기들과 이질감 없이 조화를 이룹니다.
6. 요금제, 보이스 슬롯 및 상업적 라이선스
Kits AI는 보이스 슬롯, 다운로드 시간, 상업적 권한을 기준으로 요금제를 구성합니다:
| 요금제 | 보이스 슬롯 (모델 수) | 다운로드 시간 (월) | 프로듀서 활용 기준 |
|---|---|---|---|
| Free | 1개 (기본 블렌더 전용) | 0분 | 플랫폼 기능 및 스템 분리 체험용; 오디오 다운로드 불가. |
| Starter (연간 결제 시 약 $9.99/월) | 2개 커스텀 슬롯 | 15분 / 월 | Instant Voice Cloning 지원; 인디 데모 스케치용. |
| Producer (연간 결제 시 약 $19.99/월) | 무제한 슬롯 | 60분 / 월 | 고음질 Professional Voice Cloning 전면 지원; 음악 제작 표준 요금제. |
| Professional (연간 결제 시 약 $39.99/월) | 무제한 슬롯 | 무제한 다운로드 | 대규모 상업 음반 발매 및 무제한 스템 추출 환경 제공. |
상업적 권리와 데이터 보안
본인이 직접 녹음했거나 정당한 라이선스를 보유한 보컬 소스로 훈련한 커스텀 모델의 경우, 생성된 결과물에 대한 상업적 저작권은 전적으로 창작자에게 귀속되며 음원 스트리밍 사이트 발매 및 수익 창출이 가능합니다. 모든 커스텀 모델은 계정 내에 비공개로 안전하게 보호됩니다.
프로듀서를 위한 핵심 체크리스트
- 완성 믹스 트랙을 그대로 쓰지 말 것: 15~30분 분량의 무반주 순수 모노 WAV 드라이 오디오를 구축하십시오.
- 리버브, 딜레이, 강한 오토튠을 배제할 것: 원초적 다이내믹을 학습시키고, 튜닝과 공간계 효과는 합성 후 DAW 믹싱 단계에서 적용하십시오.
- 피크 레벨을 -12 dBFS ~ -6 dBFS로 유지할 것: 클리핑 왜곡은 신경망 음성 합성의 질을 떨어뜨립니다.
- 작업 목적에 따라 클로닝 방식을 구분할 것: 데모 스케치는 인스턴트 클로닝으로, 정식 발매 곡은 프로페셔널 모델로 제작하십시오.
- 다이내믹 EQ로 3.5k~4.5kHz를 다듬을 것: AI 고유의 고역대 금속성 누적을 정리하여 라디오 방송용 상업 음원 사운드를 완성하십시오.