음성 텍스트 변환 방법: 무료 받아쓰기와 정확도 높이는 법

음성 인식 엔진은 사람처럼 단어를 듣지 않습니다. 파형을 약 25밀리초 길이의 겹치는 프레임으로 잘게 나누고, 각 조각을 스펙트로그램, 즉 그 순간 어떤 주파수가 크게 울리는지 보여 주는 지도로 바꿉니다. 음향 모델은 이 지도를 보고 어떤 말소리가 들어 있는지 추정합니다. s의 쉿 하는 소리, t의 터지는 소리, ship과 sheep을 구분하는 모음의 모양 같은 것들입니다. 이 단계만으로는 읽을 수 있는 문장이 아니라 그럴듯한 소리의 나열이 나올 뿐입니다.

이를 상당 부분 바로잡는 것이 언어 모델입니다. 언어 모델은 실제 문장에서 어떤 단어 배열이 자연스러운지 알고 있어서, 소리만으로는 recognize speech인지 wreck a nice beach인지 애매할 때 문맥으로 판단을 기울입니다. 예전 시스템은 이 두 부분을 따로 두고, 또박또박 읽은 제한된 자료로 학습시켰습니다. 2010년대 받아쓰기 소프트웨어가 사투리나 편한 대화체 앞에서 자주 헤맸던 이유입니다.

2022년 9월 OpenAI는 웹에서 모은 약 680,000시간 분량의 다국어 오디오로 학습한 오픈 모델 Whisper를 공개했습니다. 음향 모델과 언어 모델을 하나의 신경망으로 합쳐 30초 단위로 오디오를 읽고, 문장 부호까지 붙인 텍스트를 바로 써 냅니다. 이 계열의 모델 덕분에 억양이 섞인 말, 여러 분야의 어휘, 정돈되지 않은 실제 녹음도 훨씬 쓸 만하게 변환되었고, 지금 무료로 제공되는 음성 텍스트 변환 서비스 대부분은 브라우저 도구를 포함해 비슷한 모델을 씁니다. 다만 여전히 추측이라는 점은 같습니다. 오디오가 불분명하면 매끄럽게 추측해 버리기 때문에 오히려 오류를 알아채기가 더 어렵습니다.

정확도는 보통 단어 오류율로 측정합니다. 사람이 꼼꼼하게 받아 적은 원고와 비교해 잘못 바뀌거나, 빠지거나, 없는데 끼어든 단어의 비율입니다. 오류율 5%는 스무 단어마다 한 번 틀린다는 뜻이라 작아 보이지만, 실제로는 성씨, 제품 코드, 예산 회의 속 금액처럼 중요한 단어에 오류가 몰린다는 점을 곧 알게 됩니다.

아래 요소는 대략 영향이 큰 순서대로 정리했습니다. 거의 모두가 변환할 때가 아니라 녹음할 때 결정된다는 점에 주목하세요. 테이블 한가운데 놓인 휴대폰을 말하는 사람 팔 닿는 거리로 옮기기만 해도, 나중에 바꿀 수 있는 어떤 설정보다 효과가 큰 경우가 많습니다.

대부분의 녹음은 있는 그대로 올려도 됩니다. 준비가 효과를 보는 경우는 세 가지입니다. 파일이 너무 길거나 클 때, 말소리가 무음이나 음악에 묻혀 있을 때, 그리고 볼륨을 끝까지 올려야 들릴 만큼 레벨이 낮을 때입니다. 시작 부분의 긴 무음은 시간 낭비로 끝나지 않습니다. 자동 감지는 처음 30초로 언어를 판단하기 때문에 실내 소음이나 인트로 음악을 듣고 언어를 잘못 고를 수 있습니다. 말이 있는 부분만 남기도록 녹음을 자르거나 시작 시간으로 그 구간을 건너뛰면 이 문제를 피할 수 있습니다.

포맷 변환이 필요한 경우는 드뭅니다. iPhone 음성 메모는 M4A(AAC 오디오)이고, Android 녹음 앱은 M4A, AAC, 3GP를, 통화 녹음 앱은 흔히 AMR을 만듭니다. 모두 그대로 업로드할 수 있습니다. MP3, WAV, FLAC, AAC 비교 가이드에서 설명하듯 압축된 파일을 WAV로 바꿔도 녹음 당시 버려진 정보는 돌아오지 않으므로, 도구가 포맷을 거부할 때만 변환하세요. 몇 시간짜리 녹음은 휴식 시간이나 주제가 바뀌는 지점처럼 자연스러운 곳에서 나누면, 각 부분이 업로드 한도를 넘지 않고 교정하기도 쉬워집니다.

출력 형식은 다음에 무엇을 할지로 정합니다. 텍스트를 읽거나 인용하거나 검색할 거라면 일반 텍스트나 Word가 맞습니다. Word는 문단, 타임스탬프, 화자 이름을 편집하기 좋게 배치해 주고, PDF는 상대가 고치면 안 되는 확정본을 보낼 때 씁니다. 글자가 동영상 위에 화면으로 나와야 한다면 자막 파일이 필요합니다. SRT와 VTT는 말을 시작·종료 시간이 붙은 짧은 큐로 나누고, 줄당 글자 수가 화면에 들어가는 분량을 정합니다. 방송에서는 줄당 42자가 일반적인 기준입니다.

SRT와 VTT는 담는 정보가 같고 차이는 작습니다. 예전 SubRip 프로그램에서 나온 SRT는 큐마다 번호를 붙이고 시간을 쉼표로 씁니다(00:01:15,000). WebVTT는 HTML5 동영상을 위한 W3C 포맷으로, WEBVTT 헤더로 시작하고 시간에 마침표를 쓰며 스타일과 위치 지정도 지원합니다. YouTube, Vimeo, Premiere Pro, DaVinci Resolve는 둘 다 받아 줍니다. 단어별 시간이 들어 있는 JSON은 검색 기능, 노래방식 강조 표시, 자체 자막 레이아웃을 만드는 개발자용입니다.

무언가를 업로드하기 전에, 지금 쓰는 기기가 이미 무엇을 해 주는지 확인해 보세요. Apple은 iOS 18에서 음성 메모 앱에 텍스트 변환 기능을 넣었기 때문에, 최신 iPhone으로 녹음했다면 앱 안에서 바로 텍스트를 볼 수 있습니다. Pixel 휴대폰의 Google 녹음기 앱은 2019년부터 녹음하면서 동시에 텍스트로 옮겨 왔고, 모든 처리가 기기 안에서 이뤄지며 화자도 구분합니다. Microsoft 365에서는 웹용 Word의 받아쓰기 옆에 기록 명령이 있어 MP3, M4A, WAV, MP4 파일을 업로드할 수 있으며, 업로드 시간은 매월 정해진 한도 안에서 쓸 수 있습니다. Google Docs의 음성 입력(Chrome에서 도구 메뉴)은 실시간 마이크 입력만 들을 수 있고, 이미 있는 파일은 읽지 못합니다.

회의 플랫폼도 또 다른 방법입니다. Zoom, Microsoft Teams, Google Meet는 텍스트 변환을 켜 두고 요금제나 조직 정책이 허용하면 통화 내용을 텍스트로 만들어 주며, Otter.ai 같은 어시스턴트는 회의에 들어와 회의록을 작성합니다. 직접 주최하는 통화라면 편리하지만, 각각 자기 앱 안에서만 작동하고, 녹음에 모든 참석자의 동의가 필요하며, 내보내기 형식도 제각각입니다. 예전 인터뷰, 강의 녹음, 누군가 전달해 준 음성 메시지처럼 이미 가지고 있는 파일이라면 파일 기반 변환 도구가 대개 더 간단합니다.

브라우저 도구는 기기 기본 기능이 놓치는 부분을 채워 줍니다. 어떤 기기의 어떤 파일이든, 자막 출력이 필요할 때든, 휴대폰이 지원하지 않는 언어든 처리할 수 있습니다. 음성 텍스트 변환 도구에서 파일을 추가하고, 음성 언어는 자동 감지로 두거나 직접 고른 다음, 출력을 선택하고, 필요하면 타임스탬프나 화자 구분을 켜세요. iPhone 음성 메모용으로는 M4A 텍스트 변환 페이지가, 팟캐스트나 녹음기 파일용으로는 MP3 텍스트 변환 페이지가 따로 있으며 둘 다 같은 엔진을 씁니다. 파일 하나는 최대 95 MB까지, 128 kbps MP3 기준으로 약 1시간 30분 분량입니다. 그보다 길면 시작 시간과 종료 시간으로 나눠서 변환하거나 먼저 녹음 파일을 자르세요.

기대치는 현실적으로 잡는 것이 좋습니다. 조용한 방에서 괜찮은 마이크로 한 사람이 말한 녹음은 보통 90–95% 이상 정확하게 나오고, 가볍게 손보면 그대로 게시해도 될 때가 많습니다. 붐비는 식당 테이블 위의 휴대폰, 소리가 자꾸 끊기는 전화 회의, 서로 말을 자르는 패널 토론은 정확도가 훨씬 떨어지고 문장이 통째로 빠지기도 합니다. 화자 구분은 목소리가 뚜렷하게 다르고 순서대로 말할 때는 믿을 만하지만, 비슷한 두 목소리는 생각보다 자주 뒤섞습니다.

교정은 텍스트만 보지 말고 오디오를 함께 틀어 놓고 하세요. 최신 모델은 틀렸을 때도 문법적으로 멀쩡한 문장을 쓰기 때문입니다. 고유명사는 빠짐없이 확인하세요. 동료 이름이 Caitlin인지 Katelyn인지 모델로서는 알 방법이 없습니다. 숫자도 모두 확인하세요. fifteen과 fifty, 날짜, 가격, 퍼센트는 잘못 듣기 쉽습니다. their/there, affect/effect, complement/compliment 같은 동음이의어와, 오디오가 불분명했던 곳에 자신 있게 채워 넣은 말도 살펴야 합니다. 타임스탬프가 있으면 의심스러운 줄이 나온 순간으로 바로 이동할 수 있어 교정이 훨씬 빨라집니다.

녹음에는 문서보다 많은 개인정보가 담기는 경우가 많습니다. 목소리, 이름, 건강 정보, 연봉 같은 것들입니다. 업로드하기 전에 파일이 어디로 가고 얼마나 남아 있는지 알아 두세요. UltKit에서는 업로드한 파일을 서버에서 처리하고, 처리 후 30분이 지나면 자동으로 삭제합니다. 계정이 없으므로 어떤 것도 이름과 연결되지 않습니다. Pixel 녹음기는 오프라인으로 작동해 오디오가 휴대폰 밖으로 나가지 않습니다. 비밀유지 계약이나 의료·법률상 비밀유지 특권이 걸린 녹음이라면 먼저 조직의 정책을 확인하세요. 승인되고 계약된 서비스만 쓰도록 요구하는 곳도 있습니다.

지원 언어는 폭넓지만 품질은 고르지 않습니다. 변환 도구는 영어, 스페인어, 프랑스어, 독일어, 포르투갈어, 아랍어, 힌디어, 일본어, 한국어, 중국어, 우크라이나어를 포함해 33개 언어를 지원하며, 학습 데이터가 많은 언어일수록 결과가 좋습니다. 자동 감지는 파일 하나에 언어 하나만 고릅니다. 회의 중에 두 언어를 오간다면 구간별로 언어를 직접 지정해 따로 변환하세요. 텍스트 결과는 항상 실제로 말한 언어로 작성되며, 번역은 그 텍스트를 가지고 나중에 따로 하는 단계입니다.

실패한 변환은 대부분 몇 가지 원인으로 좁혀지며, 다른 서비스를 찾기보다 파일이나 설정 하나를 고치면 해결되는 경우가 많습니다. 오디오가 사람이 듣기에도 편하지 않을 만큼 나쁘다면 기계도 똑같이 고전합니다. 이럴 때는 긴 자동 변환 결과를 고치는 것보다 핵심 구간만 직접 짧게 받아 적는 편이 더 빠를 수 있습니다.