내맘대로의 EPUB 제작 가이드

docx, hwpx, odt 파일을 EPUB으로 편집하기 위해 Sigil로 불러오는 플러그인입니다.

Sigil 공식 플러그인과 몇가지 차이가 있습니다.

1. 플러그인 하나로 hwpx, docx, odt 파일을 Sigil로 불러옵니다.

2. 새 EPUB을 만들지 않고, 현재 편집하고 있는 EPUB에 추가합니다.

3. 문서편집기로 편집한 스타일을 그대로 가져옵니다.

문서편집기로 책을 편집한 다음,

이 플러그인을 RemoveInLineStyles Plugin과 함께 사용해 Sigil로 문서를 불러오면 효율적으로 EPUB을 편집 할 수 있습니다.

https://www.mobileread.com/forums/showthread.php?t=274274

EPUB을 편집하다 보면 특수문자 입력 할 일이 많이 있어요.

동그라미를 불릿으로 바꾸거나, * 대신 꽃표를 찾아 넣어야 하거나 ā가 폰트에 없으면 인디자인에서는 a-를 조합해 만들기도 합니다. 그래서 특수문자를 찾을 때가 많아요.

윈도우에 기본 프로그램이 있지만 너무 불편합니다. 직접 입력도 안되고, 검색도 안되고, UI도 불편하고...

그래서 새로 만들어 봤어요.

유니코드에서 공식 제공하는 모든 코드를 다 담았습니다.

그리고 [항상 위], [바로 입력]을 추가해 편의성을 높였어요. 항상 위는 다른 프로그램 위에 항상 표시되서 여러 코드를 찾아 입력할 때 편하고, [바로 입력]은 문자를 클릭하면 커서 위치에 바로 입력됩니다.

즐겨찾기와 최근 사용 항목을 추가해 많이 쓰는 문자는 별도로 모아서 편하게 쓸 수 있어요.

그리고 검색 기능을 강화했습니다. diamond라고 입력하면 유니코드 표준 명을 검색해 diamond가 들어간 모든 문자를 찾아줍니다.

키릴이나 라틴 계열 문자 찾을 때 글자 위에 붙은 발음기호 문자 찾기가 힘들더라구요.

그래서 2가지 보조 장치를 만들었어요.

ā 처럼 글자 위나 밑에 - 같은 발음기호가 붙은 글자 위에서 마우스 오른쪽 버튼을 누르면 카테고리, 발음기호, 글자의 기본형 이라고 해야하나? based on 이라는 메뉴가 나와요.

카테고리를 누르면 해당 글자가 있는 카테고리로 바로 이동합니다.

ā에서 With Diacritic을 누르면 글자 위에 -가 붙은 글자만 찾아줍니다.

ā에서 Based On을 누르면 a가 기본이 되는 글자들을 모두 찾아줍니다.

설치 필요 없는 작은 프로그램입니다. 

폴더를 만들어 압축을 푼 후 실행하면 됩니다.

https://drive.google.com/file/d/1aSopk8x-_RCeiDqE49S9ew7jAgVUu7vm/view?usp=sharing

Sigil 2.8.1 버전에 spine 중복 참조 오류가 있어 개선 버전 올려드립니다.

책 탐색기에서 비연속적인 파일을 여러개 선택 후 드래그로 위치를 옮기면 100% 오류가 발생합니다.

책 편집을 할 때 많이 사용하는 기능이기 때문에 심각한 문제여서 개발 그룹에서 원인을 개선했습니다.

공식 배포까지 시간이 걸릴 수 있어, 이 문제를 경험하신 분들이 바로 사용 할 수 있도록 수정 파일을 만들었습니다.

이 파일은 개인적으로 사용하려고 만들었기 때문에 공식 배포본에 없는 버그가 발생 할 수 있습니다.

또한 특수문자 삽입 기능은 공식 배포본과 완전히 다릅니다.

이 파일을 사용하며 발생할 수 있는 문제에 대해서는 배포자가 어떠한 책임도 지지 않습니다.

최근 1년 이내(2025년 하반기 ~ 2026년 상반기 기준)에 공개되어 가장 우수한 성능을 보여주는 모델들을 VRAM 내에 완전히 적재 가능한 모델과 시스템 RAM을 적극 활용하는 대형 모델로 나누어 정리했다.

1. VRAM 내 완전 적재 가능 모델 (속도 최적화)

사용 가능한 VRAM 영역이 약 16GB ~ 22GB 정도 확보될 경우, 27B ~ 32B 파라미터 규모의 모델을 4-bit 또는 5-bit 양자화 수준으로 VRAM에 100% 올려 가장 빠른 추론 속도로 사용할 수 있다.

• DeepSeek-R1-Distill-Qwen-32B
  • 특징: 강력한 추론 능력을 갖춘 최신 모델이다. 코딩, 수학, 복잡한 논리 연산에서 동급 모델 중 최상위권의 성능을 발휘한다.
  • 권장 양자화: Q4_K_M (약 19.8GB) 또는 Q5_K_M (약 23.2GB)
  • Hugging Face URL: [https://huggingface.co/tensorblock/DeepSeek-R1-Distill-Qwen-32B-GGUF](https://huggingface.co/tensorblock/DeepSeek-R1-Distill-Qwen-32B-GGUF)
• Qwen2.5-32B-Instruct
  • 특징: 다국어 지원과 일반적인 텍스트 생성 및 지시 이행 능력이 매우 뛰어나다. 한국어 처리 능력도 우수하여 다목적 비서로 적합하다.
  • 권장 양자화: Q4_K_M (약 19GB)
  • Hugging Face URL: [https://huggingface.co/bartowski/Qwen2.5-32B-Instruct-GGUF](https://huggingface.co/bartowski/Qwen2.5-32B-Instruct-GGUF)
• Gemma-2-27B-it
  • 특징: 구글에서 공개한 모델로, 27B 체급임에도 더 큰 파라미터를 가진 모델들과 견줄 만한 텍스트 품질을 보여준다.
  • 권장 양자화: Q5_K_M (약 19.4GB)
  • Hugging Face URL: [https://huggingface.co/lmstudio-community/gemma-2-27b-it-GGUF](https://huggingface.co/lmstudio-community/gemma-2-27b-it-GGUF)

2. 시스템 RAM 활용 대형 모델 (품질 최적화)

64GB의 넉넉한 시스템 RAM을 활용하면 70B 파라미터 급의 대형 모델도 구동할 수 있다. 70B 모델은 약 40GB 전후의 메모리를 차지하므로 24GB 미만 VRAM에 100% 올릴 수는 없지만, 허용되는 VRAM 공간에 최대한 많은 레이어를 할당하여 구동할 수 있다.

• Llama-3.3-70B-Instruct
  • 특징: 오픈소스 생태계에서 최고 수준의 성능을 기준점으로 삼는 모델이다. 복잡한 컨텍스트 분석이나 고품질의 창작이 필요할 때 가장 적합하다.
  • 권장 양자화: Q4_K_M (약 42GB)
  • Hugging Face URL: [https://huggingface.co/MaziyarPanahi/Llama-3.3-70B-Instruct-GGUF](https://huggingface.co/MaziyarPanahi/Llama-3.3-70B-Instruct-GGUF)

모델 스펙 요약 및 구동 팁