Media Audio Gen

media-audio-gen

개요

AI 기반 오디오 생성을 위한 통합 스킬입니다. ElevenLabs의 고성능 TTS 엔진을 활용하여 32개국어(한국 포함)의 자연스러운 음성을 생성하고, 단 1분의 샘플로 개인/브랜드 보이스를 클로닝합니다. 또한 비디오 다국어 더빙(립싱크 자동), 효과음 생성, 실시간 대화형 AI 보이스 에이전트 구축을 지원합니다.

주요 기능

• TTS (Text-to-Speech): 32개국어 자연스러운 음성 생성 (한국어 최적화)
• 보이스 클로닝: 1분 샘플로 개인/브랜드 보이스 복제
• 다국어 더빙: 한국어 비디오 → 영어/일본어 등 (립싱크 자동 조정)
• 효과음 생성: 영화, 게임, 콘텐츠용 사운드 이펙트
• ConvAI: 실시간 대화형 보이스 에이전트 (챗봇, AI 상담원)

트리거 키워드

다음 요청 시 이 스킬을 사용하세요:

• 음성 생성 관련: "목소리 만들어줘", "TTS", "음성 합성", "나레이션 녹음", "AI 성우"
• 보이스 클로닝: "내 목소리 복제", "브랜드 보이스 만들기", "보이스 클로닝", "샘플 음성으로 학습"
• 더빙 관련: "영어 더빙", "일본어 번역+녹음", "외국어 자막+음성", "다국어 버전"
• 효과음: "효과음 생성", "사운드 이펙트", "배경음", "비디오 소리"
• 대화형 AI: "AI 상담원", "보이스봇", "실시간 음성 대화", "전화 자동 응답"

워크플로우

1. 기본 TTS (Text-to-Speech)

1. 텍스트 입력 (한국/영어/32개국어)
2. 보이스 프리셋 선택 또는 커스텀 보이스 ID 지정
3. 모델 선택 (eleven_multilingual_v2 기본)
4. 합성 전 견적 확인  ← 아래 §유료 합성 견적 게이트
5. 오디오 생성 (MP3/WAV)

1-1. 유료 합성 견적 게이트 (TTS·더빙·효과음 공통)

ElevenLabs 할당량은 문자 수로 소진되고 되돌아오지 않는다. 장문 나레이션 한 번이 무료 플랜 월 한도(10,000자)를 통째로 쓸 수 있다. 그래서 합성 전에 얼마가 나가는지 보여주고 승인을 받는다.

• [HARD] 크레딧이 나가는 합성 전에는 견적을 보여주고 승인을 받는다. 보이스 목록 조회·잔여 할당량 조회 같은 무료 호출은 대상이 아니다.
• [HARD] 요약하지 말고 실제로 넘어가는 것을 그대로 보여준다:

• [HARD] 대상 언어가 여럿이면 언어별 소진분과 합계를 함께 보여준다. 합계만 보여주면 언어 하나를 빼는 판단을 할 수 없다. 더빙은 언어 수만큼 배수로 나간다.
• [HARD] 한국어 나레이션은 합성 전에 ⟨한국어 감사 3단⟩을 통과시킨다. 음성으로 굳은 뒤 고치면 할당량을 다시 쓴다.

  moai-coworker:ai-slop-reviewer     1차 일반 슬롭 정리
→ moai-writer:korean-spell-check     2차 맞춤법 — 제안 수집 (미공개 정보가 섞였으면 건너뜀)
→ moai-writer:korean-humanize        3차 정밀 윤문 + 맞춤법 반영 + Phase 6 최종 검수

감사 뒤에 문자 수를 다시 센다 — 감사가 문장을 고치므로 이전 견적은 무효다.

승인 선택지는 이렇게 구성한다:

• [HARD] 실패해도 자동 재합성하지 않는다. 애매하게 실패하면(타임아웃·응답 없음) 재시도하지 않는다. 성공 신호가 없다는 것은 할당량이 소진되지 않았다는 증거가 아니며, 블라인드 재시도는 같은 문장에 두 번 낸다. 이 스킬은 소진 여부를 조회할 수단이 있다고 전제하지 않는다 — 잔여 할당량을 조회할 도구가 실제로 노출돼 있으면 그것으로 확인하고, 없으면 사용자에게 ElevenLabs 대시보드(Usage)에서 직접 확인해 달라고 요청한다. 어느 쪽이든 소진되지 않았다는 확인을 받은 뒤에만 다시 실행한다.
• [HARD] 대량 배치는 배치 단위로 승인한다. 여러 문단·여러 언어를 한 요청으로 처리하면 건별로 묻지 않고 전체 계획 + 최대 총 소진분을 한 번에 승인받는다.

2. 보이스 클로닝

목소리는 되돌릴 수 없는 개인정보입니다. 한 번 업로드하면 복제 보이스가 계정에 남고, API 키를 가진 쪽은 누구나 그 보이스로 음성을 만들 수 있습니다 — 목소리 주인이 한 적 없는 말을 그 사람 목소리로. 그래서 이 스킬은 업로드하기 전에 멈춰서 승인을 받습니다. 승인 없이는 샘플을 올리지 않습니다.

2-1단계: 업로드 전 승인 게이트

• [HARD] 승인은 §승인 요청 계약의 경로로 받는다. 산문으로 "올릴까요?"라고 묻지 않습니다 — 업로드는 되돌릴 수 없으므로 사용자가 명시적으로 고르게 합니다. 물을 수 없다는 이유로 게이트를 건너뛰지 않습니다 — 경로 선택은 §승인 요청 계약을 따릅니다.
• [HARD] 요약하지 말고 실제로 넘어가는 인자 전부를 그대로 보여준다. 아래 여섯 가지를 빠짐없이 제시합니다. 하나라도 빠지면 사용자는 무엇이 올라가는지 모르는 채 승인하게 됩니다.

승인 선택지는 이렇게 구성합니다:

• [HARD] 목소리 주인의 동의는 별도 문항으로 확인한다. "이 파일을 올려도 되는가"와 "이 목소리를 복제해도 되는가"는 다른 질문입니다. 파일 승인 하나로 동의까지 받은 것으로 처리하지 않습니다.

ElevenLabs 역시 클로닝을 저장하기 전에 "복제할 권리와 동의가 있음"을 확인받습니다. 이 문항은 그 확인을 서비스에 도달하기 전에 사용자에게 먼저 되묻는 것입니다 — 클릭 한 번으로 넘어가는 체크박스가 아니라, 근거를 말하게 하는 질문으로.

2-2단계: 클로닝 실행 (승인 시)

1. 승인된 참조 오디오 업로드 (1~2분 권장, 무음 구간 최소화)
2. 승인된 보이스 이름/설명으로 등록
3. 클로닝 실행 → 보이스 ID 발급
4. TTS에서 클로닝된 보이스 사용

• [HARD] 실패해도 자동 재시도하지 않는다. 클로닝이 애매하게 실패하면(타임아웃·응답 없음) 재시도하지 않고 멈춥니다. 성공 신호가 없다는 것은 보이스가 만들어지지 않았다는 증거가 아닙니다. 확인 없이 다시 올리면 같은 목소리가 계정에 두 개 남고 크레딧도 두 번 나갑니다.
• 애매한 실패 뒤에는 계정의 보이스 목록을 조회해 실제로 생성됐는지 먼저 확인합니다. 조회할 수단이 없으면 사용자에게 ElevenLabs 대시보드(Voices)에서 직접 확인해 달라고 요청하고, 만들어지지 않았다는 사용자의 확인을 받은 뒤에만 다시 실행합니다. 스킬이 혼자 판단하지 않습니다.

3. 다국어 더빙

더빙도 음성 복제입니다. ElevenLabs 더빙은 원본 화자의 목소리 특성을 살려 다른 언어로 말하게 만듭니다 — 결과물은 그 사람이 한 적 없는 외국어 발화가 그 사람 목소리로 나오는 것입니다. 보이스 클로닝과 같은 위험이고, 오히려 더 위험합니다: 클로닝은 저장 전에 ElevenLabs가 "복제할 권리와 동의"를 확인받지만, 더빙 경로에는 그 확인이 없습니다.

• [HARD] 영상 속 화자가 사용자 본인이 아니면, 업로드 전에 2-1단계 승인 게이트를 그대로 통과시킨다. 인자만 더빙에 맞게 바꿉니다 — 샘플 파일명 대신 원본 영상 파일명·길이, 보이스 이름 대신 대상 언어 목록, 그리고 영상 속 화자가 누구이고 그 사람의 동의를 받았는지를 같은 3개 선택지로 확인합니다.
• 화자가 사용자 본인이면 첫 문항에서 "내 목소리다"를 고르고 그대로 진행합니다.
• [HARD] 인터뷰이·고객·행사 참석자 등 제3자가 화자로 등장하는 영상은 동의 없이 더빙하지 않는다. 영상을 촬영할 때 받은 동의는 "촬영·게시" 동의이지 "목소리를 다른 언어로 합성해도 좋다"는 동의가 아닙니다.

1. 원본 비디오 업로드  ← 제3자 화자면 2-1단계 게이트 먼저
2. 원본 언어 감지 (예: 한국어)
3. 타겟 언어 선택 (예: 영어, 일본어, 스페인어)
4. 언어별 소진분 견적 확인  ← 1-1단계 견적 게이트 (언어 수만큼 배수)
5. 자동 번역 + 보이스 생성 + 립싱크 매칭
6. 더빙된 비디오 다운로드

더빙은 두 게이트를 모두 지난다 — 화자 동의(2-1단계)와 할당량 견적(1-1단계). 앞의 것은 목소리 주인을 위한 것이고, 뒤의 것은 계정 주인을 위한 것이다.

4. 효과음 생성

1. 효과음 설명 프롬프트 작성 (예: "천둥소리, 폭풍우")
2. 지속시간 설정 (1~30초)
3. 견적 확인  ← 1-1단계 견적 게이트 (개수 × 길이만큼 소진)
4. 생성 및 다운로드

여러 개를 한 번에 요청하면(예: 게임용 효과음 3종) 개별이 아니라 묶음 견적으로 승인받는다.

사용 예시

예시 1: 한국어 나레이션 생성

"이 블로그 글을 한국어 나레이션으로 읽어줘.
여성 차분한 톤으로, 3분 분량."
→ 보이스: Rachel (여성 차분)
→ 모델: eleven_multilingual_v2
→ 출력: MP3 파일

예시 2: 브랜드 보이스 클로닝 (승인 게이트 포함)

"우리 CEO의 1분 연설 음원이 있어.
이 목소리를 클로닝해서 신제품 발표 나레이션을 만들어줘."

→ 업로드 전 승인 게이트 (AskUserQuestion)
   샘플: ceo_sample.wav · 4.2MB · 1분 12초
   보이스 이름: "CEO 브랜드 보이스"
   저장 계정: <ElevenLabs 계정 식별자>
   보존·공유: 계정 내 보존 · 파일 다운로드 불가
              · API 키를 가진 외부 서비스도 이 보이스로 생성 가능
   크레딧: <클로닝 소진분> (유료 플랜 필요)
   목소리 주인: 제3자 (CEO)

→ 동의 확인 (별도 문항)
   "제3자 목소리이고 동의를 받았다" 선택 + 동의 근거 한 줄
   → 동의 미확보 선택 시 여기서 중단, 업로드하지 않음

→ 승인 후 실행
→ 출력: 클로닝된 보이스 ID + 나레이션 MP3

CEO의 목소리는 CEO의 것이지 계정 주인의 것이 아닙니다. 본인 목소리라면 첫 문항에서 "내 목소리다"를 고르면 그대로 진행됩니다.

예시 3: 유튜브 영상 영어 더빙

"이 한국어 교육 영상을 영어와 일본어로 더빙해줘.
원본 자막은 유지하고, 립싱크도 맞춰줘."
→ 입력: korean_tutorial.mp4
→ 출력: english_dub.mp4, japanese_dub.mp4

예시 4: 효과음 생성

"판타지 게임용 마법 시전 효과음 3개 만들어줘.
1. 화염구 (2초)
2. 얼음 폭발 (3초)
3. 치유 빛 (2.5초)"
→ 출력: fireball.wav, ice_explosion.wav, heal_light.wav

출력 형식

TTS 출력

• 파일 형식: MP3 (기본), WAV, FLAC
• 샘플레이트: 44.1kHz, 48kHz
• 채널: 모노/스테레오 선택 가능
• 최대 길이: 무제한 (사용 플랜에 따라 문자 수 한정)

보이스 클로닝

• 보이스 ID: voices/xxxxx 형식
• 보존: 클로닝된 보이스는 계정 내에 남습니다. 오디오 파일로 내려받을 수는 없습니다.
• 공유 범위: 보이스 ID로 다른 프로젝트에서 재사용할 수 있고, 해당 계정의 API 키를 가진 외부 서비스도 이 보이스로 음성을 생성할 수 있습니다. 클로닝 승인 화면에서 이 범위를 그대로 알려드립니다(워크플로 2-1단계).
• 삭제: 더 이상 쓰지 않는 보이스는 ElevenLabs 대시보드(Voices)에서 지웁니다. 목소리 주인이 철회를 요청하면 지우는 것이 원칙입니다.

더빙 출력

• 비디오 형식: MP4 (원본 품질 유지)
• 오디오 트랙: 다국어 오디오 트랙 추가
• 자막: SRT 자막 파일 자동 생성
• 싱크: 립싱크 자동 조정 (±100ms 정밀도)

주의사항

API 키 필수

ELEVENLABS_API_KEY 환경변수가 필요합니다.

1. elevenlabs.io 가입
2. Settings → API Keys → Create API Key
3. .env 또는 시스템 환경변수에 등록:

   export ELEVENLABS_API_KEY="your_api_key_here"
   

요금 안내

제한사항

• 보이스 클로닝: 최소 1분 샘플 필요 (무음 구간 최소화)
• 더빙: 10분 초과 영상은 별도 협의 필요
• 상업적 사용: Pro 플랜 이상 필요 (라이선스 조건 확인)
• 속도 제한: Free 플랜은 RPM(분당 요청) 제한 있음

모델 선택 가이드

기본(ElevenLabs prebuilt) 보이스 프리셋 — eleven_multilingual_v2로 한국어 합성 가능

승인 요청 계약 (런타임 중립)

[HARD] 이 스킬의 게이트는 특정 도구 이름에 묶이지 않는다. AskUserQuestion은 Claude 런타임의 수단일 뿐이고, Codex를 비롯한 다른 런타임에는 그 도구가 없다. 도구 이름으로 계약을 쓰면 그 도구가 없는 런타임에서 게이트가 영구 blocker가 되어, 승인이 필요한 모든 작업이 그냥 멈춘다. 그건 안전이 아니라 고장이다.

승인은 아래 순서로 구한다. 위에서부터 실제로 가능한 첫 번째를 쓴다.

승인의 정의는 수단이 아니라 결과다: 승인서를 사용자에게 그대로 보여주고, 그에 대한 명시적 응답을 받는 것. 아래는 그 결과를 만드는 경로들이며, 위에서부터 가능한 첫 번째를 쓴다.

[HARD] 런타임의 도구 실행 권한 프롬프트는 승인이 아니다. 그 프롬프트는 "이 도구를 호출해도 되는가"를 물을 뿐, 게이트가 보여주기로 한 인자·견적·동의 문항을 표시하지 않는다. 승인서 전체와 선택지를 실제로 표시하는 경우에만 2번 경로로 인정한다.

[HARD] 2번 경로가 있으므로 "물을 수단이 없다"는 상황은 사실상 없다. 대화가 가능한 곳에서는 언제나 승인서를 글로 제시할 수 있다. fail-closed는 대화도 blocker 반환도 불가능한 완전 무인 실행에만 해당한다 — 그 경우에만 실행하지 않고 멈춘다.

[HARD] 3번을 쓸 때 blocker는 그 자체로 승인 요청서여야 한다. 상위가 무엇을 물어야 할지 모르면 되물을 수 없고, 그러면 교착된다. 다음을 모두 담는다:

• 승인받을 행위 한 줄 (무엇이 되돌릴 수 없는지 / 얼마가 나가는지)
• 게이트가 요구하는 인자 전부 (요약하지 않은 값)
• 선택지 목록 — 상위가 그대로 사용자에게 제시할 수 있는 형태
• 재개 방법 — 어떤 답을 받으면 무엇을 이어서 실행하는지

[HARD] 세 경로가 모두 불가능한 무인 실행에서는 실행하지 않는다(fail-closed). 물을 수단이 없다는 것은 승인을 받았다는 뜻이 아니다. 이때는 "승인 수단이 없어 진행하지 못했다"고 기록하고 멈춘다 — 조용히 진행하지 않는다. 반대로 대화가 가능한데 도구가 없다는 이유로 멈추는 것도 잘못이다. 2번 경로를 쓴다.

이 계약은 CLAUDE.local.md §범용성 원칙(OS 2종 × 런타임 2종에서 동일 동작)의 게이트 쪽 적용이다. 한 런타임에서만 도는 게이트는 미완성으로 본다.

관련 스킬

• media-higgsfield-video: TTS 오디오를 AI 비디오와 결합
• media-higgsfield-image: 앨범 아트·썸네일 등 오디오 콘텐츠용 이미지 생성
• moai-marketer:content-blog: 블로그 글 → 나레이션 스크립트 변환
• moai-marketer:content-copywriting: 광고 카피 → 광고 보이스 생성

MCP 서버 설정

이 스킬은 ElevenLabs MCP (stdio)를 사용합니다.

{
  "elevenlabs": {
    "command": "uvx",
    "args": ["elevenlabs-mcp"],
    "env": {
      "ELEVENLABS_API_KEY": "${ELEVENLABS_API_KEY}"
    }
  }
}

MCP 서버 등록 절차: 프로젝트 .mcp.json에 서버 설정을 추가한 뒤 필요한 인증(API 키 또는 OAuth)을 완료합니다.