통화 연결음과 안내 문구는 어떻게 음성이 될까: TTS와 대기 음악

통화 연결음의 안내 멘트는 사람이 녹음하지 않아도 만들 수 있습니다. 글로 쓴 문구를 컴퓨터가 사람 목소리로 읽어 주는 음성 합성(TTS, Text-to-Speech) 덕분입니다. 제로콜에서는 '통화 연결음'에 안내 문구와 재생 속도를 정하고 '생성'을 누르면 음성을 미리 들어 볼 수 있습니다. 이 글에서는 문구가 음성이 되는 과정과, 직접 올리는 대기 음악 파일 형식의 차이를 정리합니다.

음성 합성(TTS)은 어떤 단계를 거칠까

음성 합성은 크게 네 단계로 이해할 수 있습니다. 먼저 글을 읽을 수 있는 형태로 정리합니다. '10:00'을 '열 시'로, '2층'을 '이 층'으로 풀어 쓰는 식입니다. 다음으로 어디서 끊어 읽고 어느 음절을 올리고 내릴지 억양을 정합니다. 그다음 이 정보를 바탕으로 실제 소리의 파형을 만들고, 마지막으로 전화로 재생할 수 있는 음성 파일로 저장합니다. 요즘 음성 합성은 대부분 많은 사람의 말소리를 학습한 인공지능 모델이 이 과정을 처리해 자연스러운 억양을 냅니다.

재생 속도를 바꾸면 왜 다시 생성해야 할까

제로콜의 통화 연결음은 '안내 문구'(최대 500자)와 '재생 속도'를 정한 뒤 '생성'으로 미리 듣고, 마음에 들면 '이 음성으로 적용'을 누른 다음 상단 토글을 켜는 순서로 설정합니다. 문구나 속도를 바꾸면 다시 생성해야 합니다. 이는 전화가 올 때마다 그 자리에서 읽어 주는 방식이 아니라, 정해 둔 문구와 속도로 음성을 미리 만들어 두고 재생하는 방식으로 이해할 수 있습니다. 미리 만들어 두면 전화를 받을 때 기다림 없이 바로 재생되고, 매번 같은 목소리가 나온다는 장점이 있습니다.

속도는 듣는 사람의 이해도와 직결됩니다. 너무 빠르면 주소나 시간 같은 정보를 놓치고, 너무 느리면 고객이 기다림을 길게 느낍니다. 미리 듣기를 할 때는 휴대폰 스피커가 아니라 실제 통화처럼 수화기를 귀에 대고 들어 보는 것이 좋습니다. 전화망은 일반 음악보다 좁은 대역의 소리만 전달하기 때문에, 스피커로 들을 때보다 발음이 덜 또렷하게 느껴질 수 있습니다.

음성 합성이 잘 읽는 문구 쓰는 법

• 숫자와 기호는 풀어 쓰기: '10:00~21:00'보다 '오전 열 시부터 밤 아홉 시까지'가 정확하게 읽힙니다.
• 약어와 슬래시 피하기: '/', ':' 같은 기호는 읽는 방식이 엉뚱해질 수 있습니다.
• 한 문장에 정보 하나: 짧은 문장일수록 끊어 읽기가 자연스럽습니다.
• 녹음 안내가 필요하면 앞쪽에: 통화 녹음이나 AI 응대를 쓴다면 그 사실을 첫 문장 가까이에 둡니다.

같은 원리는 AI 전화응대의 말하기에도 쓰입니다. AI가 실시간으로 답을 만들어 읽어 주는 과정은 zerocall.kr/blog/ai-voice-agent-latency-pipeline 에서 다뤘습니다. 다만 통화 연결음은 정해진 문구를 미리 만들어 두는 것이고, AI 응대는 대화 중에 그때그때 말을 만든다는 점이 다릅니다.

통화 중에 들리는 세 가지 소리

통화 연결음은 전화를 받기 전에, 비운영 구간 안내 문구는 점심시간처럼 정해 둔 쉬는 시간에 온 전화에 먼저 들려주는 소리입니다. 대기 음악은 통화를 보류하거나 고객이 기다리는 동안 나옵니다. 대기 음악 파일이 없으면 시스템 기본 대기음이 나옵니다.

대기 음악 파일: WAV와 MP3의 차이

앱에서 올리는 WAV 파일은 원본 50MB 이하, 길이 약 10분 이내여야 하고, 올린 뒤 반영까지 1~2분이 걸립니다. 전화망은 어차피 좁은 대역으로 소리를 전달하므로, 고음질 원본이라도 통화에서는 차이가 크지 않을 수 있습니다. 저음과 고음이 강한 곡보다 중간 음역이 또렷한 곡이 전화에서 더 잘 들리는 편이며, 저작권이 있는 음악은 사용에 주의해야 합니다.

정리하면, 통화 연결음은 문구와 속도로 음성을 미리 만들어 두고 재생하며, 대기 음악은 직접 올린 파일을 씁니다. 안내 문구를 바꿨다면 수화기로 직접 들어 보고, 필요하면 속도를 조정해 다시 생성해 보시기 바랍니다.