whispertranscribe.ai 편집팀 · 최종 업데이트: 2026년 11월 · 읽는 시간: 12분 · 카테고리: 전사 기초
음성 텍스트 변환이란 말소리를 듣고 편집 가능한 글자로 적는 소프트웨어를 뜻합니다. Speech to text와 자동 음성 인식(ASR)이라고도 합니다. 말하는 동안 글자가 나타나는 실시간 방식과 완성된 오디오·비디오 파일을 전사문으로 만드는 파일 방식이 있습니다.
먼저 이해관계를 밝힙니다. 저희는 브라우저 기반 전사 서비스 whispertranscribe.ai를 운영합니다. 기술 작동 방식에 관한 설명은 제품 홍보가 아니라 Google, Microsoft, Apple, W3C 또는 연구 조사 자료를 근거로 합니다.
빠른 답변: 음성 텍스트 변환이란?
음성 텍스트 변환은 말을 자동으로 글자로 바꿉니다. 오디오가 입력되면 음성 인식 모델이 가능성이 높은 단어를 고르고 소프트웨어가 문장 부호 등을 추가합니다.
- 다른 이름: speech to text, 음성 인식, ASR, 음성 입력, talk-to-text.
- 두 가지 방식: 받아쓰기와 실시간 캡션을 위한 실시간 스트리밍, 이미 녹음한 파일을 처리하는 일괄 전사.
- 주의할 점: 정확도는 오디오 상태에 크게 좌우됩니다. 소음, 마이크와의 거리, 강한 억양, 전문 용어, 겹치는 발언은 오류를 늘립니다.
음성 텍스트 변환, 음성 인식, 받아쓰기, 전사의 차이
Voice to text와 speech to text는 말을 텍스트로 바꾸는 같은 개념을 가리킵니다. 받아쓰기는 텍스트 입력란에 말하는 활용 방식이고 전사는 녹음 등을 글로 남기는 또 다른 활용 방식입니다. 'Voice recognition'은 문맥에 따라 화자를 식별하는 기술을 가리키기도 합니다.
W3C 웹 접근성 이니셔티브는 말을 텍스트로 바꾸는 기술을 'speech recognition'이라고 부르고, 'voice recognition' 또는 'speaker recognition'은 말의 내용이 아니라 화자를 식별하는 기술로 구분합니다.
| 용어 | 일반적인 의미 | 일반적인 결과 |
|---|---|---|
| Voice to text | 음성을 텍스트로 바꾸는 일상적인 표현 | 화면 또는 파일의 텍스트 |
| Speech to text(STT) | 같은 개념으로 소프트웨어 문서에서 흔히 쓰는 말 | 텍스트와 경우에 따라 타임스탬프 |
| 자동 음성 인식(ASR) | 관련 기술 분야와 그 바탕이 되는 모델 | 가능성이 가장 높은 단어의 순서 |
| 받아쓰기 또는 음성 입력 | 키보드 대신 텍스트 입력란에 말하기 | 커서가 있는 곳에 입력된 글자 |
| 전사 | 녹음이나 사건을 글로 기록 | 편집, 검색, 내보내기가 가능한 전사문 |
| 실시간 캡션 | 음성이 재생되는 동안 표시되는 텍스트 | 보통 저장되지 않는 화면 캡션 |
| 음성 또는 화자 인식 | 누가 말하는지 식별 | 단어가 아닌 화자 표시 |
받아쓰기는 음성 텍스트 변환의 한 종류지만 음성 텍스트 변환이 모두 받아쓰기는 아닙니다. 90분 인터뷰는 전사가 필요하고, 손을 쓰지 않고 이메일에 답하려면 받아쓰기가 필요합니다.
음성 텍스트 변환은 어떻게 작동하나요?
음성 텍스트 변환 시스템은 오디오를 수집하고 소리를 숫자 특성으로 바꾼 뒤 학습된 모델로 가능성이 높은 단어를 찾고 결과를 정리합니다. 지난 10년 동안 크게 바뀐 부분은 모델을 구축하는 방식입니다.
- 수집. 마이크나 오디오 파일이 디지털 신호를 제공합니다. Google Cloud Speech-to-Text 문서는 선택할 수 있다면 16,000Hz로 녹음할 것을 권장합니다. Google에 따르면 더 낮은 샘플링률은 정확도를 떨어뜨릴 수 있고 더 높은 값은 인식 품질에 큰 차이를 주지 않습니다.
- 특성 추출. 신호를 짧은 프레임으로 나눠 특성으로 바꿉니다. 보통 시간과 주파수에 따른 소리 에너지 변화를 보여 주는 스펙트로그램을 사용합니다.
- 인식. 모델이 이 특성에서 가능성이 가장 높은 단어 순서를 찾습니다.
- 서식 정리. 시스템이 문장 부호와 대소문자, 경우에 따라 타임스탬프나 화자 표시를 추가합니다.
전통적인 방식: 음향 모델과 언어 모델
오랫동안 음성 인식은 별도 구성 요소로 나뉘었습니다. 2023년 종단 간 음성 인식 조사 논문은 전통적 시스템을 음향 특성 추출, 음향 모델링, 언어 모델링, 최적 답을 찾는 탐색의 네 요소로 설명합니다.
- 음향 모델은 각 오디오 구간의 말소리를 추정합니다. 전통적인 시스템은 말하는 속도의 차이를 처리하기 위해 은닉 마르코프 모델을 사용했습니다.
- 발음 사전은 소리를 단어와 연결합니다.
- 언어 모델은 가능한 단어 순서에 점수를 부여해 비슷하게 들리는 무의미한 문자열보다 문맥에 맞는 표현을 선택합니다.
현대적인 방식: 종단 간 모델
최근 시스템은 대체로 종단 간 방식입니다. 하나의 신경망이 전사문이 있는 음성을 학습해 오디오에서 텍스트까지의 변환 전체를 익힙니다. 같은 조사 논문은 딥러닝이 이전 모델링보다 단어 오류율을 50% 이상 줄였고 종단 간 모델이 주요 접근법이 됐다고 설명합니다. OpenAI Whisper가 잘 알려진 예이며 Whisper AI란?에서 자세히 다룹니다.
| 전통적인 처리 과정 | 종단 간 모델 | |
|---|---|---|
| 구조 | 별도의 음향 모델, 발음 사전, 언어 모델 | 오디오에서 텍스트까지 하나의 신경망 |
| 학습에 필요한 것 | 직접 만든 단어 목록과 음소 집합, 여러 학습 단계 | 전사문이 있는 대량의 음성 |
| 일반적인 약점 | 따로 학습한 구성 요소에서 오류와 비용이 누적될 수 있음 | 전사된 음성이 많이 필요하고 텍스트 전용 데이터 활용이 더 어려움 |
| 언어 지식 | 별도 언어 모델 | 신경망 내부에서 학습하며 외부 모델 추가 가능 |
실시간 전사와 파일 전사의 차이
실시간 스트리밍 방식은 사람이 말하는 동안 텍스트를 보여 주므로 받아쓰기와 실시간 캡션에 적합합니다. 파일 기반 일괄 전사는 완성된 녹음을 처리하고 나중에 전체 전사문을 반환하므로 인터뷰, 회의, 강의에 적합합니다.
Google Cloud Speech-to-Text는 1분 이하 오디오용 동기식, 최대 480분 파일용 비동기식, 말하는 동안 중간 결과를 반환하는 스트리밍의 세 요청 방식을 설명합니다. Microsoft Azure Speech 문서도 실시간, 빠른 전사, 일괄 전사를 구분합니다. 두 문서 모두 2026년 11월에 확인했습니다.
| 실시간 스트리밍 | 파일 기반 일괄 전사 | |
|---|---|---|
| 텍스트가 나타나는 시점 | 말하는 동안; 추가 오디오에 따라 중간 결과가 바뀔 수 있음 | 녹음 처리가 끝난 뒤 |
| 일반적인 용도 | 받아쓰기, 실시간 캡션, 음성 도우미 | 인터뷰, 회의, 강의, 팟캐스트, 영상 자막 |
| 남는 결과 | 텍스트 입력란이나 캡션 창에 표시된 내용 | 편집하고 내보낼 수 있는 전사문 |
| 주요 차이 | 속도가 우선이며 다듬기가 필요할 수 있음 | 기다려야 하지만 다른 설정으로 다시 실행 가능 |
당장 텍스트가 필요하지 않다면 깨끗한 오디오를 녹음하고 파일을 전사하는 것이 실용적입니다. 원본을 보관하며 각 문장을 대조할 수 있습니다.
음성 텍스트 변환은 어디에 쓰이나요?
타이핑하지 않고 글을 쓰거나 녹음을 검색 가능한 메모로 만들고, 영상에 자막을 달거나 음성 콘텐츠에 접근할 수 있도록 하는 데 사용합니다. Microsoft 문서는 통화 후 분석 등 고객센터 활용도 소개합니다.
| 용도 | 일반적인 방식 |
|---|---|
| 음성으로 이메일, 메시지, 초안 작성 | 실시간 받아쓰기 |
| 회의와 인터뷰 메모 | 파일 전사 또는 빠른 메모용 실시간 전사 |
| 강의와 세미나 노트 | 녹음 후 파일 전사 |
| 영상 캡션과 자막 | SRT 또는 VTT 내보내기가 가능한 파일 전사 |
| 음성 메모와 녹음된 통화 | 파일 전사 |
| 청각장애인·난청인 또는 키보드를 사용하기 어려운 사람을 위한 접근성 | 실시간 캡션과 받아쓰기 |
교실에서 사용하는 방법은 강의 녹음 앱 가이드에서 다룹니다.
휴대전화와 컴퓨터에서 음성 텍스트 변환 찾기
대부분의 기기에는 이미 글을 입력하는 음성 기능이 있습니다. Windows 11에서는 Windows 로고 키 + H, Mac과 iPhone에서는 받아쓰기, Android에서는 Google Gboard 키보드의 마이크를 사용합니다. 이 도구들은 현재 입력란에 글자를 쓰며, 이미 녹음해 둔 파일을 전사하는 기능과는 다릅니다.
| 플랫폼 | 내장 기능 | 시작 방법: 공식 도움말 기준 | 인터넷 필요 여부: 해당 페이지 설명 기준 |
|---|---|---|---|
| Windows 11 | 음성 입력 | 텍스트 상자에 커서를 놓고 Windows 로고 키 + H | 필요. Microsoft는 Azure Speech 기반 온라인 음성 인식을 사용한다고 설명 |
| Mac | 받아쓰기 | 시스템 설정의 키보드에서 받아쓰기를 켠 뒤 마이크 키, 받아쓰기 단축키 또는 편집 메뉴의 받아쓰기 시작 사용 | 상황에 따라 다름. 키보드 설정에서 일반 받아쓰기가 Mac에서 처리되는지 확인 가능 |
| iPhone | 받아쓰기 | 설정 → 일반 → 키보드에서 받아쓰기 활성화 후 키보드 마이크 탭 | 많은 언어에서 필요하지 않음. Apple은 여러 언어의 받아쓰기를 기기에서 처리한다고 설명 |
| Android | Gboard 음성 입력 | 텍스트 입력이 가능한 앱에서 키보드 상단의 마이크 탭 | Google 도움말에 명시되지 않음 |
공식 페이지에서 확인할 수 있는 세부 사항입니다.
- Windows: Microsoft의 음성 입력 가이드는 선택 가능한 자동 문장 부호 설정도 설명합니다.
- Mac: Apple의 Mac 받아쓰기 가이드에 따르면 30초 동안 말이 없으면 받아쓰기가 중지되고 확실하지 않은 단어에는 파란 밑줄이 표시됩니다. 예를 들어 영어에서 flower를 말했는데 flour로 인식할 수 있습니다.
- iPhone: Apple의 iPhone 받아쓰기 가이드는 문장 부호와 편집에 사용하는 음성 명령을 안내합니다.
- Android: Google의 Gboard 도움말은 음성 입력이 모든 언어에서 작동하지 않고 일부 단계에는 Android 7.0 이상이 필요하다고 설명합니다.
메뉴 이름은 버전마다 바뀌므로 기기에 맞는 도움말을 확인하세요.
음성 텍스트 변환의 정확도와 한계
한 사람이 마이크 가까이에서 깨끗하게 말하면 현대적인 음성 텍스트 변환은 대부분의 단어를 올바르게 인식합니다. 소음, 마이크와의 거리, 강한 억양, 전문 용어, 겹치는 발언이 있으면 정확도가 떨어집니다. 모든 상황에 적용되는 하나의 정확도 수치는 없으며 녹음 상태도 소프트웨어만큼 중요합니다.
일반적인 측정 기준은 단어 오류율(WER)입니다. 시스템이 바꾸거나 빠뜨리거나 추가한 단어 수를 사람이 검수한 기준 전사문의 단어 수로 나눕니다. Whisper의 정확도에서는 깨끗한 오디오북과 먼 거리에서 녹음한 회의 사이의 WER 차이를 살펴봅니다.
| 한계 | 이유 | 도움이 되는 방법 |
|---|---|---|
| 억양과 방언 | 일부 억양은 학습 데이터에 훨씬 적게 등장 | 올바른 지역 변형 선택; 짧은 클립 테스트 |
| 배경 소음과 거리 | 소음과 울림이 말소리를 흐림 | 마이크에 가까이 가고 조용한 방이나 헤드셋 사용 |
| 전문 용어, 이름, 희귀 단어 | 모델이 흔한 단어를 선호 | 사용자 단어 목록 또는 이름·숫자 검수. Microsoft는 이를 구문 목록이라고 부름 |
| 여러 화자와 겹치는 발언 | 겹친 목소리를 분리하기 어려우며 화자 분할은 별도 작업 | 한 번에 한 사람씩 말하고 화자 표시 확인 |
| 전화 및 저품질 오디오 | Google에 따르면 기존 전화 오디오의 8,000Hz 샘플링률은 정확도를 낮출 수 있음 | 더 좋은 품질로 녹음. 오래된 오디오의 샘플링률만 높여도 품질이 복구되지는 않음 |
| 소리가 같은 단어 | 발음이 같은 단어는 문맥에 따라 뜻이 다름 | 보내기 전에 텍스트를 읽어 보기 |
두 가지 습관이 오류를 잡는 데 도움이 됩니다. 이름, 숫자, 전문 용어는 오디오와 대조하고 실시간 캡션은 확정 기록이 아니라 참고 자료로 취급하세요.
접근성을 위한 음성 텍스트 변환
음성 텍스트 변환은 두 방향으로 도움을 줍니다. 받아쓰기를 사용하면 말로 글을 쓸 수 있습니다. W3C는 신체 장애, 반복성 긴장 손상, 인지 또는 학습 장애가 있는 사람들을 활용 대상에 포함합니다. 캡션과 전사문은 청각장애인과 난청인이 오디오를 이해하도록 돕습니다.
W3C의 청각 장애 안내는 오디오 콘텐츠에 전사문이나 캡션 같은 대안이 필요하다고 설명합니다. 또한 자동 캡션은 전문 용어를 놓치거나 문장을 이어 붙일 수 있어 보통 검토 없이 대안으로 신뢰하기 어렵다고 경고합니다. 게시 전에 결과를 확인하고 수정하세요. Subtitles와 captions의 차이에서 두 형식을 설명합니다.
휴대전화에도 실시간 도구가 있습니다. Apple의 Live Captions는 iPhone 11 이상에서 앱이나 주변 소리를 실시간으로 텍스트로 바꿉니다. Apple은 위험도가 높거나 긴급한 상황에서 이 기능에 의존하지 말라고 안내합니다. Android의 Google Live Transcribe는 음성과 소리를 텍스트로 표시하며 오프라인 언어를 사용하지 않는다면 인터넷이 필요합니다.
음성 텍스트 변환 도구 선택 기준 5가지
무엇을 만들어야 하는지부터 생각하세요. 짧은 메시지는 내장 받아쓰기로 충분합니다. 긴 녹음을 처리한다면 다음 다섯 가지 기준으로 파일 전사 도구를 평가하세요.
- 실시간인가요, 녹음 파일인가요? 음성 입력에는 앱 안의 받아쓰기가 필요합니다. 기존 녹음에는 파일과 필요에 따라 링크를 받는 도구가 필요합니다.
- 언어와 억양 지원. 사용할 모드에서 원하는 언어와 지역 변형을 지원하는지 확인하세요. 실시간과 파일 모드의 지원 범위가 항상 같지는 않습니다.
- 오디오가 어디로 전송되나요? 일부 도구는 기기에서 처리하고 다른 도구는 서버에 전송합니다. 민감한 녹음을 올리기 전에 개인정보 처리 안내를 읽고 다른 사람을 녹음하기 전에 동의를 받으세요.
- 결과물은 무엇인가요? 화자 표시, 타임스탬프, 편집기와 DOCX, TXT, SRT, VTT 같은 내보내기 형식을 확인하세요.
- 길이 제한과 비용. 최대 파일 길이와 업로드 크기, 오디오 시간에 따라 가격이 어떻게 달라지는지 확인하세요.
예산이 우선이라면 최고의 무료 전사 프로그램에서 무료 요금제를 비교할 수 있습니다.
whispertranscribe.ai는 어떤 경우에 적합한가요?
whispertranscribe.ai는 녹음 파일을 텍스트로 바꾸고 마이크에서 실시간 전사도 제공하는 브라우저 기반 서비스입니다. 다른 앱의 입력란에 직접 글을 쓰는 받아쓰기 도구는 아니며 데스크톱 앱도 없습니다. 제품 페이지에서 안내하는 기능은 다음과 같습니다.
- 녹음 업로드. 온라인 음성 텍스트 변환에서 MP3, WAV, M4A, MP4, MOV 등의 오디오·비디오 파일을 최대 5GB, 10시간까지 사용할 수 있습니다. 파일 전사는 130개 이상의 언어와 선택 가능한 화자 감지를 지원합니다.
- 링크에서 전사. URL로 전사에 YouTube, Vimeo, Google Drive, Dropbox 링크를 붙여 넣습니다.
- 브라우저 녹음. 설치 없이 음성을 녹음하고 전사하거나 음성 메모를 업로드합니다.
- 실시간 전사. 실시간 전사 페이지는 마이크 음성을 실시간 텍스트로 표시합니다. 음성 언어와 마이크를 선택하고 화자 감지를 켤 수 있습니다. 지원 언어 목록은 파일 업로드보다 짧습니다.
- 내보내기. DOCX, PDF, SRT, VTT, TXT, CSV를 제공하며 AI 자막 생성기로 자막 파일을 만듭니다. 녹음된 통화도 처리할 수 있습니다. 전화 통화 전사를 참고하세요.
깨끗한 오디오에서 정확도는 최대 99%에 도달할 수 있지만 배경 소음, 강한 억양, 겹치는 발언은 정확도를 낮춥니다. 유료 요금제는 연간 결제 시 월 9.99달러부터이며(가격), 계정 없이 무료로 시작할 수 있습니다. 전체 목록은 기능 페이지에 있습니다. 서비스 정책상 미디어 파일 전사는 개인적이고 비상업적인 용도입니다.
자주 묻는 질문
Voice to text와 speech to text는 같은 말인가요?
네. 두 이름 모두 음성을 듣고 편집 가능한 텍스트를 만드는 기술을 가리킵니다. Google과 Microsoft의 개발자 문서에서는 'speech to text'가 더 흔하고 일반 검색에서는 'voice to text'가 자주 쓰입니다. 둘 다 자동 음성 인식을 기반으로 합니다. 다만 W3C는 'voice recognition'을 발언 내용이 아니라 화자를 식별하는 기술로 구분합니다.
음성 텍스트 변환과 받아쓰기는 같은가요?
완전히 같지는 않습니다. 받아쓰기는 음성 텍스트 변환의 한 활용 방식으로, Windows 음성 입력이나 Apple 받아쓰기처럼 텍스트 입력란에 말하면 커서 위치에 글자가 나타납니다. 음성 텍스트 변환에는 인터뷰, 강의, 회의 같은 녹음 전체를 편집 가능한 전사문으로 만드는 작업도 포함됩니다. 새 글을 작성한다면 받아쓰기를, 이미 녹음된 음성을 글로 남기려면 전사 도구를 사용하세요.
음성 텍스트 변환에는 인터넷이 필요한가요?
도구에 따라 다릅니다. Microsoft에 따르면 Windows 음성 입력은 온라인 음성 인식을 사용하므로 인터넷 연결이 필요합니다. Apple은 iPhone 받아쓰기가 여러 언어에서 인터넷 없이 기기에서 처리된다고 설명하고, Mac 키보드 설정에서는 기기 내 처리 여부를 확인할 수 있습니다. Google Live Transcribe는 오프라인 언어를 쓰지 않는다면 인터넷이 필요합니다. 브라우저 기반 서비스를 포함한 클라우드 전사 서비스는 오디오를 업로드하고 처리하기 위해 연결이 필요합니다.
음성 텍스트 변환은 무료인가요?
기본적인 음성 텍스트 변환은 대부분의 기기에서 무료입니다. Windows, macOS, iOS, Android는 추가 비용 없이 음성 입력이나 받아쓰기를 제공하지만 언어 지원은 다릅니다. 긴 녹음 파일의 전사에는 비용이 드는 경우가 많습니다. 많은 서비스가 무료 체험이나 무료 요금제를 제공한 뒤 오디오 시간 또는 구독에 따라 요금을 부과합니다. 결제하기 전에 최대 파일 길이와 크기, 지원 언어, 포함된 내보내기 형식을 확인하세요.
음성 텍스트 변환의 정확도는 어느 정도인가요?
한 사람이 마이크 가까이에서 깨끗하게 말하면 현대적인 도구는 대부분의 단어를 올바르게 인식하지만, 모든 상황에 적용되는 정확도 수치는 없습니다. 배경 소음, 울림, 마이크와의 거리, 강한 억양, 전문 용어, 겹치는 발언이 있으면 오류가 늘어납니다. 일반적인 측정치는 대체, 누락, 추가된 단어를 세는 단어 오류율입니다. 전사문을 신뢰하기 전에 이름, 숫자, 전문 용어를 항상 오디오와 대조하세요.
음성 텍스트 변환이 누가 말하는지 구분할 수 있나요?
일부 도구는 가능합니다. 누가 언제 말했는지 표시하는 것은 화자 분할이라는 별도 단계이며 모든 도구에 포함되지는 않습니다. 내장 받아쓰기는 보통 사용자 한 명을 가정합니다. 전사 서비스는 화자 표시를 추가하는 경우가 많으며, 예를 들어 Microsoft Azure Speech는 최대 35명 화자의 분할을 설명합니다. 목소리가 서로 다르고 겹쳐 말하지 않을 때 표시가 더 잘 작동하므로 비슷한 목소리나 겹치는 발언이 있다면 확인하세요.
텍스트로 바꾸고 싶은 녹음이 있나요? whispertranscribe.ai에 업로드해 130개 이상의 언어로 전사하고 DOCX, PDF, SRT, VTT로 내보내세요.
참고 자료
- Google Cloud: Cloud Speech-to-Text 개요(2026년 11월 확인)
- Microsoft Learn: Azure Speech의 음성 텍스트 변환이란?(2026년 11월 확인)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: 종단 간 음성 인식 조사(arXiv 2303.03329)
- W3C WAI: 음성 인식, 청각 장애
- Microsoft 지원: PC에서 음성 입력으로 말하여 입력하기
- Apple 지원: Mac에서 메시지와 문서 받아쓰기, iPhone에서 텍스트 받아쓰기
- Google: Gboard 도움말: 음성으로 입력
