구글, 말귀 알아듣는 음성인식 AI '제미나이 3.5 트랜스크라이브' 공개

추임새 생략 등 텍스트 정제…실시간 음성명령·다중화자 구분 지원

구글, 말귀 알아듣는 음성인식 AI '제미나이 3.5 트랜스크라이브' 공개

[이데일리 한광범 기자] 구글이 복잡하고 매끄럽지 못한 사람의 음성을 마치 사람이 다듬은 것처럼 깔끔한 글로 옮겨주는 AI 기술을 새로 내놓았다.

구글은 최신 음성-텍스트 변환(STT) 모델인 ‘제미나이 3.5 트랜스크라이브(Gemini 3.5 Transcribe)’를 선보인다고 28일 밝혔다.

이번에 선보인 제미나이 3.5 트랜스크라이브는 가공되지 않은 음성을 정확하게 인식해 맥락에 맞게 정제된 텍스트로 변환하는 데 특화됐다. 기존 음성 인식 모델이 배경 소음이나 전문 용어, 불필요한 추임새 처리 등에 한계를 보였던 점을 보완해 정확도를 높였다.

새 모델은 서비스 성격에 맞춰 두 가지 형태의 API로 제공된다. 실시간 대화형 앱에 최적화된 ‘라이브 API(gemini-3.5-transcribe-live)’는 1초 미만(sub-second)의 지연 시간을 바탕으로 지속적인 양방향 스트리밍을 지원한다. 사전 녹음된 회의나 통화 기록 등을 처리하는 ‘인터랙션 API(gemini-3.5-transcribe)’는 단어 단위 타임스탬프와 함께 다중 화자 구분 기능을 갖췄다.

기술적 정밀도 역시 개선됐다. 실제 사용 환경 기준 단어 오류율(WER)은 스트리밍 오디오 4.0%, 사전 녹음 파일 2.6%를 기록했다. 아티피셜 애널리시스(Artificial Analysis) 벤치마크에서도 기존 모델인 처프 3(Chirp 3) 대비 상향된 성과를 나타냈다. 이와 함께 85개 이상의 언어 자동 감지, 맞춤 어휘 인식, 최대 3명까지의 정확한 화자 식별(3명 초과는 실험 단계) 등을 지원한다.

스마트 기능도 대거 탑재됐다. “음”, “어” 같은 추임새를 자동으로 걸러내는 것은 물론, 음성을 통한 실시간 내용 수정이 가능하다. 함수 호출(Function calling) 기능을 통해 이미지 생성이나 파일 분석 등의 작업을 다른 제미나이 모델에 위임해 처리할 수도 있다.

산업 현장에서도 즉각적인 효용성이 입증되고 있다. 스마트폰 제조사 비보(Vivo)는 해당 모델을 도입해 언어 장벽을 넘어 빠른 실시간 다국어 음성 변환 및 번역 서비스를 구현했으며, 글로벌 실시간 방송 번역 플랫폼인 링고팔(Lingopal)은 화자의 언어를 자동으로 감지해 다국어 방송 오디오를 그 어느 때보다 빠르게 처리하는 데 활용하고 있다.

디에고 멜렌도 카사도 구글 제미나이 오디오 엔지니어링 시니어 디렉터와 루크 레온하드 제미나이 오디오 칠프 오브 스태프는 블로그를 통해 “제미나이 3.5 트랜스크라이브는 가공되지 않은 오디오를 정확하고 정제된 텍스트로 변환하고 맥락까지 고려해 지능적으로 이해하도록 설계됐다”며 “개발자가 음성 에이전트나 실시간 자막 툴, 통화 후 분석 파이프라인 등 어떤 서비스를 구축하든 개발자 워크플로우에 원활하게 통합할 수 있을 것”이라고 설명했다.

구글은 구글 AI 스튜디오 및 제미나이 엔터프라이즈 에이전트 플랫폼을 통해 해당 모델의 공개 프리뷰를 시작했다. 일반 이용자 측면에서는 맥OS용 제미나이 앱과 안드로이드의 램블러(Rambler) 기능에 먼저 적용됐으며, 향후 크롬 브라우저의 웹 입력란에도 ‘음성으로 입력하기’ 기능으로 확대 적용될 예정이다.

한광범 (totoro@edaily.co.kr)