AI 뉴스 SVIL 구글 제미나이 음성인식 STT 위스퍼 딥그램

구글이 받아쓰기만 하는 모델을 냈습니다 — 제미나이 3.5 트랜스크라이브와 85개 언어

SVIL - Singularity Visual Intelligence Lab 2026. 08. 31 17 min read

구글이 받아쓰기만 하는 모델을 따로 내놨습니다. 이름은 제미나이 3.5 트랜스크라이브이고, 8월 26일부터 개발자 대상 공개 프리뷰로 열렸습니다.

요즘 대형 모델들은 뭐든 다 하는 방향으로 가는데, 구글은 반대로 음성을 글자로 옮기는 일 하나만 하는 모델을 별도로 만들었어요. 그리고 그걸 실시간용과 녹음본용 두 갈래로 또 나눴습니다.

오늘은 이 모델이 어떤 숫자를 들고 나왔는지, 왜 굳이 엔드포인트를 둘로 갈랐는지, 그리고 실제로 쓸 만한지 하나씩 보겠습니다.

작은 어두운 정육면체에서 바깥으로 퍼져 나가는 청록빛 동심 고리들 — 음성이 텍스트로 퍼져 나가는 과정을 표현한 개념 이미지

8월 26일에 열린 공개 프리뷰

구글은 2026년 8월 26일 제미나이 3.5 트랜스크라이브를 공개 프리뷰로 내놨습니다. 개발자가 바로 붙여서 써 볼 수 있는 단계예요.

공개 프리뷰는 정식 출시 전 단계입니다. 기능은 쓸 수 있지만 서비스 수준 보장이나 가격 정책이 바뀔 수 있어요.

제미나이 API와 구글 AI 스튜디오, 그리고 제미나이 엔터프라이즈 에이전트 플랫폼에서 접근할 수 있습니다.

왜 받아쓰기 전용 모델을 따로 내놓았나

제미나이 본체도 음성을 이해합니다. 그런데 왜 굳이 전용 모델을 따로 만들었을까요.

범용 모델은 음성을 듣고 이해한 다음 답을 만들어 냅니다. 받아쓰기는 다릅니다. 들은 것을 그대로 옮겨야 하고, 해석하거나 요약하면 안 돼요.

목적이 다르면 최적화 방향도 달라집니다. 전용 모델은 정확도와 지연 시간에 집중할 수 있고, 가격도 훨씬 낮게 매길 수 있습니다.

훨씬 큰 어두운 프리즘 앞으로 떨어져 나와 떠 있는 청록빛 프리즘 — 범용 모델에서 갈라져 나온 전용 모델을 표현한 개념 이미지

엔드포인트가 둘로 갈렸다

이번 발표에서 가장 눈에 띄는 설계 선택입니다. 하나의 모델을 두 개의 엔드포인트로 나눠서 제공합니다.

실시간 스트리밍용이 하나, 미리 녹음된 오디오용이 하나입니다. 같은 이름을 달고 있지만 동작 방식과 가격이 다릅니다.

이건 사용자에게 선택을 떠넘긴 게 아니라, 두 상황의 요구가 실제로 다르다는 판단입니다.

실시간용 라이브 엔드포인트

라이브 쪽은 낮은 지연 시간이 목표입니다. 말하는 즉시 글자가 따라 나와야 하는 상황을 위한 것이죠.

통화 자막, 회의 실시간 자막, 음성 인터페이스가 여기에 해당합니다. 사용자가 기다림을 느끼면 안 되는 용도예요.

대신 정확도는 약간 손해를 봅니다. 뒤에 나올 말을 기다려 보정할 여유가 없으니까요.

나란히 놓인 두 줄기의 곧은 청록빛 선 — 두 갈래로 나뉜 엔드포인트를 표현한 개념 이미지

녹음본용 배치 엔드포인트

녹음본 쪽은 정반대입니다. 시간이 조금 걸려도 되니 최대한 정확하게 옮기는 것이 목표입니다.

전체 오디오를 놓고 앞뒤 맥락을 다 보면서 처리할 수 있어 정확도가 올라갑니다.

인터뷰 녹취, 강의 자료 정리, 팟캐스트 자막 작업이 여기에 맞습니다.

인터랙션 API를 쓰는 이유

녹음본 처리는 인터랙션 API를 통해 이루어집니다. 단순히 오디오를 던지고 텍스트를 받는 구조가 아니라, 처리 방식에 대한 지시를 함께 넣을 수 있는 형태예요.

어떤 형식으로 정리할지, 화자를 구분할지, 특정 어휘를 어떻게 표기할지 같은 것을 지정할 수 있습니다.

기존 음성인식 API가 오디오를 넣으면 텍스트가 나오는 단순한 구조였다면, 여기는 지시를 받아들이는 층이 하나 더 있는 셈입니다.

바깥 테두리를 따라 빛이 끊임없이 달리는 밝은 청록빛 육각형 — 실시간 처리의 속도를 표현한 개념 이미지

숫자로 본 정확도 — 단어 오류율 2.6퍼센트

구글이 내세운 수치는 단어 오류율 2.6퍼센트입니다. 녹음본 처리 기준이고, 독립 평가기관인 아티피셜 애널리시스 측정값으로 알려졌습니다.

100단어를 받아쓰면 평균 2.6개가 틀린다는 뜻입니다. 사람이 받아쓰는 수준과 비교해도 나쁘지 않은 숫자예요.

다만 이 수치는 평균입니다. 잡음이 심하거나 억양이 강한 음성에서는 훨씬 나빠집니다.

스트리밍은 4.0퍼센트

실시간 처리에서는 4.0퍼센트로 올라갑니다. 앞서 말한 구조적 이유 때문이에요.

실시간은 말이 끝나기 전에 결과를 내야 하니 뒤에 올 단어로 앞을 고칠 기회가 없습니다. 그만큼 오류가 늘어납니다.

2.6과 4.0의 차이가 작아 보이지만 오류율은 절반 넘게 늘어난 값입니다. 용도에 따라 체감이 크게 달라져요.

큰 청록빛 사각 윤곽 안에 정지한 채 놓인 어두운 육각형들 — 녹음본을 통째로 놓고 처리하는 방식을 표현한 개념 이미지

FLEURS 25개 로케일 5.50퍼센트가 뜻하는 것

다국어 스트리밍 벤치마크인 FLEURS에서는 25개 로케일 평균 5.50퍼센트를 기록했다고 알려졌습니다.

FLEURS는 여러 언어의 음성을 모아 놓은 표준 평가 데이터셋입니다. 영어만 잘하는 모델과 실제로 다국어를 하는 모델을 갈라 주는 지표예요.

영어 기준 수치보다 높지만, 25개 언어 평균이라는 점을 감안하면 의미 있는 수준입니다.

단어 오류율이라는 지표를 읽는 법

단어 오류율은 잘못 옮긴 단어, 빠뜨린 단어, 없는데 넣은 단어를 모두 세어 전체 단어 수로 나눈 값입니다.

주의할 점이 있습니다. 이 지표는 어떤 단어가 틀렸는지를 구분하지 않아요. 조사 하나 틀린 것과 고유명사를 통째로 틀린 것이 같은 무게로 계산됩니다.

실제 사용에서는 중요한 단어 하나가 틀리는 쪽이 훨씬 치명적입니다. 그래서 숫자만 보고 고르면 안 되고, 자기 데이터로 직접 재 봐야 합니다.

훨씬 큰 청록빛 사면체 윤곽 안에 정확히 들어앉은 청록빛 사면체 — 지시를 함께 받는 API 구조를 표현한 개념 이미지

85개 언어라는 범위

제미나이 3.5 트랜스크라이브는 85개 이상의 언어를 지원한다고 발표됐습니다.

음성인식에서 언어 수는 단순한 자랑거리가 아닙니다. 학습 데이터가 적은 언어일수록 오류율이 급격히 올라가거든요.

한국어처럼 사용자는 많지만 영어에 비하면 데이터가 적은 언어의 경우, 발표 수치와 실제 체감이 다를 수 있습니다. 직접 테스트가 필요합니다.

군더더기 말을 지워 준다

실용적인 기능 중 하나입니다. 음, 어, 그러니까 같은 군더더기 말을 자동으로 걸러 냅니다.

사람의 말은 생각보다 지저분합니다. 그대로 받아쓰면 읽기 어려운 텍스트가 나와요.

다만 이건 양날의 검이기도 합니다. 법정 기록이나 인터뷰 원문처럼 말한 그대로가 중요한 경우에는 이 기능을 꺼야 합니다.

아래쪽 모서리에 아주 작은 홈 하나가 파인 큰 청록빛 사각 윤곽 — 2.6퍼센트라는 낮은 오류율을 표현한 개념 이미지

말을 고쳐 말한 것을 처리한다

두 번째 기능은 자기 정정 처리입니다. 사람이 말하다가 아니 그게 아니라 하고 고쳐 말하는 경우를 알아서 정리해 줍니다.

이건 단순한 필터링보다 어려운 일입니다. 어디까지가 취소된 말이고 어디부터가 정정된 말인지 판단해야 하니까요.

언어 모델 기반이라 가능한 처리입니다. 전통적인 음성인식 엔진은 이걸 못 합니다.

사용자 사전 — 커스텀 어휘

특정 어휘를 미리 등록해 두면 인식률이 올라갑니다. 회사 이름, 제품명, 전문 용어처럼 일반 학습 데이터에 잘 안 나오는 단어들이죠.

실무에서는 이 기능이 벤치마크 수치보다 훨씬 중요합니다. 회의록을 받아쓰는데 자사 제품명이 매번 틀리면 쓸모가 없으니까요.

등록할 어휘 목록을 미리 정리해 두는 것만으로도 체감 정확도가 크게 달라집니다.

앞으로 굴러 나아가는 청록빛 정육면체, 먼 모서리가 흐릿한 빛 자취로 번진 모습 — 실시간 처리에서 늘어나는 오차를 표현한 개념 이미지

타임스탬프와 화자 구분

녹음본 처리에서는 각 구간이 몇 분 몇 초인지, 그리고 누가 말했는지를 함께 내줍니다.

자막 제작에는 타임스탬프가 필수입니다. 이게 없으면 결국 사람이 손으로 맞춰야 해요.

화자 구분은 회의록이나 인터뷰에서 특히 유용합니다. 다만 목소리가 비슷하거나 말이 겹치면 정확도가 떨어집니다.

가격 — 분당 0.005달러

녹음본 처리 가격은 오디오 1분당 약 0.005달러 수준으로 알려졌습니다.

한 시간짜리 녹음이면 0.3달러 정도입니다. 원화로 400원 남짓이에요.

사람이 받아쓰기를 하면 한 시간 분량에 수만 원이 듭니다. 비용 구조가 완전히 달라지는 지점입니다.

넓은 고리 모양으로 고르게 배열된 스물다섯 개의 작은 청록빛 육각형 — 다국어 벤치마크 25개 로케일을 표현한 개념 이미지

실시간은 분당 0.009달러

실시간 처리는 약 0.009달러로 녹음본의 두 배 가까이 됩니다.

지연 시간을 줄이려면 더 많은 자원을 상시 잡아 둬야 하니 당연한 차이입니다.

그래서 설계 단계에서 정말 실시간이 필요한지 따져 볼 가치가 있습니다. 몇 초 늦어도 되는 용도라면 배치 쪽이 훨씬 쌉니다.

경쟁 모델과의 가격 비교

녹음본 기준으로는 오픈AI의 비슷한 서비스와 큰 차이가 없는 수준입니다.

차이가 벌어지는 건 실시간 쪽입니다. 보도에 따르면 오픈AI의 실시간 받아쓰기 대비 절반 가까운 가격으로 알려졌어요.

같은 구글 제품인 클라우드 처프 3와 비교하면 40퍼센트 이상 저렴하다는 분석도 나왔습니다. 자사 구제품을 스스로 밀어내는 가격 정책입니다.

똑같은 크기로 나란히 떠 있는 밝은 청록빛 다면체와 훨씬 어두운 다면체 — 오류율 지표를 비교해 읽는 법을 표현한 개념 이미지

정확도 경쟁 구도 — 처프 3와 노바 3와 스크라이브

다국어 스트리밍 벤치마크에서 제미나이 3.5 트랜스크라이브는 구글 클라우드 처프 3, 오픈AI의 실시간 모델, 일레븐랩스 스크라이브 v2, 딥그램 노바 3보다 낮은 오류율을 기록했다고 보도됐습니다.

특히 딥그램 노바 3와의 격차가 컸습니다. 다국어 환경에서의 차이가 두드러졌어요.

다만 순수 영어 음성만 다룬다면 딥그램 쪽이 여전히 가격 경쟁력이 있다는 평가도 함께 나옵니다.

위스퍼는 여전히 어디에 좋은가

오픈AI의 위스퍼는 여전히 중요한 선택지입니다. 오픈소스라서 자체 서버에서 돌릴 수 있거든요.

라지 v3 모델은 깨끗한 영어 음성에서 2.8퍼센트대 오류율을 보이며 여전히 경쟁력이 있습니다.

의료 기록이나 법률 문서처럼 데이터를 외부로 보낼 수 없는 경우에는 API 모델이 아무리 정확해도 쓸 수 없습니다. 그때는 로컬 실행이 유일한 답입니다.

크기가 제각각인 청록빛 사면체들이 멀리 흩어져 떠 있는 모습 — 85개 언어의 편차를 표현한 개념 이미지

AssemblyAI 유니버설 3.5 프로의 자리

AssemblyAI도 언어 전환이 섞인 음성 처리에서 의미 있는 수치를 내고 있습니다. 정규화된 코드 스위칭 벤치마크에서 7.69퍼센트대 평균 오류율이 보고됐어요.

코드 스위칭이란 한 문장 안에서 언어가 바뀌는 상황을 말합니다. 한국어 대화에 영어 단어가 섞이는 것처럼요.

이건 한국 사용자에게 특히 중요한 지표입니다. 실무 대화에서 영어 용어가 섞이는 일이 아주 흔하니까요.

어디서 쓸 수 있나 — AI 스튜디오와 엔터프라이즈

개발자는 구글 AI 스튜디오에서 바로 시험해 볼 수 있습니다. 코드를 짜기 전에 자기 음성 파일로 결과를 확인해 보는 게 순서예요.

기업 환경에서는 제미나이 엔터프라이즈 에이전트 플랫폼을 통해 접근합니다. 데이터 처리 위치나 보존 정책 같은 조건이 다르게 적용됩니다.

공개 프리뷰 단계이므로 운영 환경에 바로 넣기보다는 병행 검증 기간을 두는 쪽이 안전합니다.

곧게 선 청록빛 육각기둥에서 작은 어두운 알갱이들이 떠올라 멀어지는 모습 — 군더더기 말을 걸러 내는 처리를 표현한 개념 이미지

저시력과 청각 접근성에서 달라지는 것

받아쓰기 정확도가 올라가면 가장 먼저 달라지는 건 자막입니다. 실시간 자막 오류율이 4퍼센트대라면 실제 대화를 따라가기에 무리가 없는 수준이에요.

저시력 사용자에게도 의미가 있습니다. 음성 콘텐츠를 텍스트로 바꿔 두면 화면 확대나 고대비 설정으로 읽을 수 있으니까요. 소리를 크게 듣는 것보다 글자를 키우는 편이 편한 경우가 많습니다.

타임스탬프가 함께 나온다는 점도 접근성 쪽에서는 큰 장점입니다. 원하는 지점으로 바로 이동할 수 있으니까요.

도입 전에 확인할 것

첫째, 자기 데이터로 직접 재 보세요. 발표된 벤치마크 수치와 실제 업무 음성의 결과는 다를 수 있습니다. 특히 한국어와 전문 용어가 섞인 경우가 그렇습니다.

둘째, 실시간이 정말 필요한지 따져 보세요. 배치로 충분하다면 비용이 절반 아래로 내려갑니다.

셋째, 데이터 처리 정책을 확인하세요. 녹취 내용이 민감한 정보를 담고 있다면 외부 API 자체가 선택지에서 빠질 수 있습니다.

안쪽이 부드럽고 고른 청록빛으로 가득 찬 큰 고리 — 자막으로 채워진 접근성 개선을 표현한 개념 이미지

핵심 정리

구글이 2026년 8월 26일 제미나이 3.5 트랜스크라이브를 공개 프리뷰로 내놨습니다. 받아쓰기 전용 모델이고 실시간용과 녹음본용 엔드포인트가 따로 있습니다.

정확도는 녹음본 기준 단어 오류율 2.6퍼센트, 실시간 4.0퍼센트로 보고됐습니다. 다국어 벤치마크 FLEURS 25개 로케일에서는 5.50퍼센트입니다.

가격은 녹음본 분당 약 0.005달러, 실시간 약 0.009달러 수준입니다. 실시간 기준으로는 경쟁 서비스 대비 절반 가까운 가격으로 알려졌습니다.

85개 이상 언어를 지원하고 군더더기 말 제거, 자기 정정 처리, 커스텀 어휘, 타임스탬프와 화자 구분을 제공합니다. 다만 공개 프리뷰 단계이므로 자기 데이터로 검증한 뒤 도입하는 것이 안전합니다.

참고하실 만한 것

회의록이나 인터뷰 정리에 시간을 많이 쓰고 계신다면, 한 시간짜리 녹음을 몇백 원에 텍스트로 바꿀 수 있다는 점을 한 번 계산해 보시면 좋겠습니다.

자주 나오는 고유명사가 있다면 커스텀 어휘로 미리 등록해 두세요. 벤치마크 수치보다 이 준비가 체감 정확도를 더 많이 바꿉니다.

SVIL 블로그는 이런 AI 소식을 큰 글씨와 쉬운 설명으로 정리해 전해 드리고 있습니다. 정식 출시로 전환되면 후속으로 다루겠습니다.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/