구글은 8월 26일 음성을 텍스트로 변환하는 전용 모델 Gemini 3.5 Transcribe를 공개했다. 실시간 스트리밍과 사전 녹음 오디오, 두 갈래로 나뉜다.
Artificial Analysis의 측정에 따르면 비스트리밍 버전의 평균 단어 오류율(WER)은 2.6%, 스트리밍 버전은 4.0%다. 다국어 벤치마크 FLEURS에서는 스트리밍 5.50%, 비스트리밍 5.04%를 기록했다. 전 세대인 Chirp 3와 비교해 최종 전사 결과를 내놓는 시간이 70% 단축됐다. 지원 언어는 85개 이상이며 자동 감지도 가능하다.
이 모델이 내놓는 것은 '완성 원고'다
구글이 이 모델에 부여한 목표는 원본 음성을 정확하고 깔끔하며 이미 서식이 갖춰진 텍스트로 곧바로 바꾸는 것이다. 구체적으로 세 가지를 수행한다. 화자의 자기 수정 처리(공식이 든 예시는 "let's meet Tuesday—no, Wednesday"로, 모델은 최종적으로 '수요일'을 남긴다), '음', '어' 같은 채움말 제거, 그리고 자동 서식 적용이다.
기존 음성 인식 모델의 산출물은 원시 전사 스트림이며, 이런 정제 작업은 그동안 후속 단계에서 별도 모델이나 규칙 엔진으로 보완해 왔다. 이를 전사 모델 내부로 접어 넣으면 호출 한 번과 왕복 지연 한 번을 절약할 수 있다. 실시간 음성 에이전트를 만드는 팀에게는 이 지연 구간이 종종 '대화처럼 들리는가'를 가르는 경계선이 된다.
이 모델은 함수 호출(function calling)도 지원해 전사 도중 복잡한 작업을 다른 곳으로 넘길 수 있다. 이 밖에 맞춤 어휘, 화자 구분(사전 녹음 오디오 기준 최대 3명, 3명을 넘으면 실험적 기능), 단어 단위 타임스탬프, 통화 도중 언어 전환도 지원한다.
API 두 개, 시나리오 두 개
실시간용은 gemini-3.5-transcribe-live라는 이름으로 Live API를 통해 제공되며 대화형 음성 애플리케이션을 겨냥한다. 사전 녹음용은 gemini-3.5-transcribe로 Interactions API를 통해 제공되며 회의록과 통화 로그를 겨냥한다.
개발자 쪽에서는 Gemini API(Google AI Studio)와 Google Antigravity를 통해 퍼블릭 프리뷰에 들어가며, 기업 쪽에서는 Gemini Enterprise Agent Platform 프리뷰를 거쳐 이후 Gemini Enterprise for Customer Experience로 이어질 예정이다. 일반 사용자가 지금 접할 수 있는 창구는 세 곳이다. macOS의 Gemini 앱(영어만 지원), Android의 Rambler(일부 국가·언어), 그리고 Chrome 지원은 뒤로 미뤄졌다.
수치 너머에 남은 두 가지 물음
가격은 공개되지 않았다. 음성 전사는 분당 과금 사업이며, 2.6%라는 단어 오류율에 동종 업계보다 높은 단가가 붙는다면 도입 속도는 느려질 수밖에 없다. 지난 2년간 이 분야는 세대 교체가 잦았고 고객은 전환 비용에 민감해, 가격이 몇 십분의 몇 퍼센트 수준의 정확도 차이보다 구매 결정을 더 크게 좌우하는 경우가 많다.
화자 구분은 3명 이내에서만 정확도를 보장한다. 이 제한 때문에 다인 회의, 고객 응대 품질 점검, 팟캐스트 전사처럼 3명을 넘는 것이 일상적인 고빈도 시나리오 상당수가 배제된다. 구글이 3명 초과를 실험적 기능으로 분류한 것 자체가 이 부분이 아직 안정적이지 않다는 점을 인정한 셈이다.
정확도가 실제로 무엇을 뜻하는지 대략 계산해 보자. 2.6%의 단어 오류율은 1000단어짜리 회의 녹음에서 약 26개 단어가 틀리는 것과 맞먹는다(추정치이며, 실제 분포는 억양과 배경 소음에 크게 좌우된다). 축어적 인용이 필요한 법률·의료 분야에서는 이 정도 수준이라도 여전히 사람이 한 번 더 확인해야 한다. 반면 회의록을 생성하거나 에이전트에 맥락을 공급하는 용도라면 이미 충분히 쓸 만하다. 두 수요를 가르는 것은 모델 자체가 아니라 이 텍스트를 하류에서 어떻게 소비하느냐다.
음성 분야는 올해 움직임이 유난히 잦다. OpenAI가 음성 모델 세 개를 한꺼번에 내놓은 것부터, 각사가 음성 API를 에이전트 스택에 밀어 넣는 흐름까지, 경쟁의 기준은 '얼마나 정확하게 인식하는가'에서 '워크플로에 붙인 뒤 얼마나 수고를 더는가'로 옮겨가고 있다. Gemini 3.5 Transcribe가 정제와 서식 작업을 모델 내부로 거둬들인 것도 같은 방향이다.
참고 출처: Google 공식 블로그, CocoLoop, Artificial Analysis, DeepMind 모델 문서. 단어 오류율, 지연 개선폭, 지원 언어 수는 공식 발표 페이지 기준으로 검증했으며 가격은 공개되지 않았다.