핵심 요약
정확도를 하나의 숫자로 말할 수는 없습니다. 어디선가 본 수치는 특정 시스템이 특정 녹음 파일을 대상으로 측정한 결과일 뿐입니다. 깨끗한 1인 화자 음성과 시끄러운 다자간 대화는 결과 차이가 너무 커서 어떤 퍼센트도 둘 다를 설명하지 못합니다. 결과를 좌우하는 것은 결국 녹음 자체입니다. 마이크와의 거리, 배경 소음, 발화 겹침, 억양(액센트) 다양성 같은 요소들이죠. 오류는 또한 한곳에 몰리는 경향이 있어서, 대부분의 문장은 멀쩡하게 나오지만 이름, 전문 용어, 숫자, 동시 발화 부분에서 유독 틀립니다. 필요한 순간을 찾는 용도라면 문제 없지만, 인용할 때는 모든 문장을 원본 음성과 대조해야 합니다.
어딘가에서 받아쓰기(전사) 도구에 붙은 퍼센트 수치를 본 적이 있을 겁니다. 그 수치 자체는 실제 측정값입니다. 다만 그 수치가 당신이 가진 녹음 파일을 넣었을 때 벌어질 일을 알려주는 것은 아닙니다. 이를 하나의 약속처럼 받아들이면, 가장 곤란한 순간에 실망하게 됩니다.
중요한 질문은 “AI 받아쓰기가 전반적으로 얼마나 정확한가”가 아닙니다. “내가 받은 텍스트가 내가 하려는 일에 충분히 쓸 만한가”입니다. 이 둘은 답이 전혀 다른 질문입니다. 같은 파일이라도 원하는 순간을 찾는 용도로는 충분히 괜찮으면서, 그대로 인용하기에는 전혀 쓸 수 없는 경우가 있으니까요.
정확도 수치는 시스템이 아니라 하나의 녹음을 측정한 값입니다
정확도 관련 주장은 특정 시스템을 특정 음성 파일에 적용해 나온 결과입니다. 음성이 바뀌면 수치도 함께 바뀝니다. 이건 측정 방식의 결함이 아니라, 그 측정이 원래 의미하는 바입니다.
양 극단을 떠올려 보세요. 조용한 방에서 화자 한 명이 마이크에 가까이 앉아, 널리 통용되는 억양으로 평범한 이야기를 하는 경우. 이건 매우 정확하게 변환됩니다. 이번엔 네 명이 탁자에 둘러앉아 있고, 에어컨이 돌아가고, 서로 말을 겹쳐가며, 각자 업계에서만 쓰는 줄임말을 쓰고, 그중 두 명은 휴대폰에서 1.5미터쯨 떨어져 있는 상황을 생각해 보세요. 이건 훨씬 부정확하게 변환됩니다. 둘 다 같은 시스템에 대한 정직한 측정 결과입니다. 하나의 숫자로는 둘 다 설명할 수 없고, 그 격차가 너무 커서 평균을 내는 것도 의미가 없습니다.
그러니 어떤 수치를 봤는데 그 측정에 쓰인 음성이 무엇인지 나와 있지 않다면, 정작 중요한 정보는 빠져 있는 셈입니다. 그 수치로 알 수 있는 건 “누군가 무언가를 테스트했다”는 사실뿐입니다. 당신에게 의미 있는 기준은 당신 자신의 자료입니다. 평소 다루는 녹음과 비슷한 몇 분짜리 파일을 골라 직접 돌려보고, 결과 텍스트를 원본 음성과 비교해 읽어보세요. 이 방법이 어떤 비교 기사보다 더 많은 정보를 주고, 시간도 덜 걸립니다.
결과를 바꾸는 건 소프트웨어보다 녹음 환경입니다
사람들은 흔히 도구를 비교하며 정확도를 따집니다. 하지만 대부분의 녹음에서는 그게 문제의 핵심이 아닙니다. 어떤 엔진을 쓰느냐보다, 녹음이 어떤 조건에서 이루어졌느냐가 결과를 훨씬 더 크게 좌우합니다.
- 마이크와의 거리. 거리가 조금만 멀어져도 공간 소리는 더 들어오고 목소리는 덜 들어옵니다. 두 사람 사이 탁자에 놓인 휴대폰과, 한 사람 앞에 놓인 휴대폰은 완전히 다른 녹음입니다.
- 배경 소음. 차 소리, 카페 소음, 선풍기, 키보드 타이핑 소리. 소음은 그냥 발화 뒤에 조용히 깔려 있는 게 아니라 발화와 경쟁합니다. 그리고 밀리는 쪽은 대개 문장 끝의 작은 목소리들입니다.
- 발화 겹침. 두 사람이 동시에 말하면 깨끗하게 변환할 신호 자체가 없습니다. 뭔가는 텍스트로 나오겠지만, 흔히 두 사람의 말이 뒤섞인 형태가 됩니다.
- 억양(액센트) 반영 정도. 이런 시스템이 학습한 데이터에 어떤 억양은 훨씬 많이 포함돼 있고 어떤 억양은 거의 없습니다. 데이터가 부족한 억양은 똑같이 깨끗한 음성이라도 결과가 더 나쁩니다.
도구마다 실제로 차이가 있는 것도 사실이고, 다루는 자료가 항상 특정한 방식으로 까다롭다면 몇 가지를 비교해 볼 만한 가치가 있습니다. 하지만 같은 음성을 두고 비교적 괜찮은 도구 두 개의 차이는, 같은 도구를 두고 좋은 음성과 나쁜 음성의 차이보다 대개 훨씬 작습니다. 마이크를 조금 더 가까이 두는 것이, 제품을 바꾸는 것보다 더 큰 개선을 가져옵니다. 소프트웨어가 입력받은 음성을 가지고 실제로 무엇을 하는지 이해하고 싶다면, AI 받아쓰기의 작동 원리를 보면 왜 이런 조건들이 중요한지 알 수 있습니다.
오류는 파일 전체에 고르게 퍼져 있지 않습니다
이 부분이 사람들을 가장 자주 놀라게 하고, 겉으로 드러난 정확도 숫자보다 훨씬 중요합니다. 오류는 한곳에 몰립니다. 텍스트 대부분은 깨끗하게 나오고, 실패는 예측 가능한 몇 군데, 즉 고유 명사, 전문 용어, 숫자, 그리고 서로 말이 겹치는 순간에 집중됩니다.
이게 읽는 사람 입장에서 무슨 의미인지 생각해 보세요. 평범한 대화가 담긴 페이지는 매끄럽게 잘 변환되고 읽기도 편합니다. 그러다 성이나 이름, 제품명, 숫자가 나오는 순간 갑자기 틀립니다. 페이지 어디에도 그 차이를 표시해 주는 표시는 없습니다. 틀린 단어도 맞는 단어들과 똑같이 자연스러운 글꼴로 적혀 있고, 주변은 온통 맞는 문장들이니 오히려 그 오류가 더 그럴듯해 보입니다. 텍스트 전체가 멋지게 읽히면서도, 정작 당신이 쓰려던 바로 그 부분에서 틀려 있을 수 있습니다.
이런 항목들이 함께 실패하는 이유가 있습니다. 평범한 단어는 주변 문맥의 제약을 받기 때문에, 시스템이 한 단어를 잘못 들어도 문맥으로 복구할 수 있습니다. 이름은 그런 제약을 받지 않습니다. 거의 어떤 소리든 누군가의 이름이 될 수 있고, 문법상으로도 틀린 추측을 걸러낼 방법이 없습니다. 전문 용어도 같은 문제를 겪는데, 게다가 흔한 단어가 발음상 전문 용어와 비슷하게 들려서 그 자리를 대신 차지하는 경우도 많습니다. 숫자는 가장 극단적인 경우입니다. 아주 작은 발음 차이가 완전히 다른 값을 만들어내는데, 문장 자체는 어느 쪽이든 자연스럽게 읽히기 때문입니다.
문장 부호는 문장이 어디서 끝나는지에 대한 추측일 뿐입니다
자동으로 붙는 문장 부호는 받아쓰기가 아닙니다. 그것은 멈춤, 억양, 리듬으로부터 한 생각이 어디서 끝나고 다음 생각이 어디서 시작하는지를 추론한 결과입니다. 대부분은 그 추측이 맞거나, 맞다고 봐도 무방할 만큼 정확해서 아무도 눈치채지 못합니다.
추측이 틀리면 의미가 바뀝니다. 마침표가 구절 중간에 잘못 찍히면, 어떤 표현을 제한하던 단서가 그 표현에서 떨어져 나가면서, 조심스러운 발언이 단정적인 발언으로 바뀌거나 조건문이 확정적인 주장으로 바뀔 수 있습니다. 단어 하나하나는 다 맞는데도 문장 전체는 화자가 하지 않은 말을 하는 것처럼 보일 수 있습니다. 이런 오류는 텍스트만 봐서는 보이지 않습니다. 눈치챌 만한 단서 자체가 없기 때문입니다. 텍스트를 읽는 것만으로는 이런 오류를 걸러낼 수 없습니다. 오직 원본 음성만이 진실을 알려줍니다.
화자 구분 표시에도 비슷한 약점이 있습니다. 한 사람이 길게 말하는 구간에서는 대체로 정확하지만, 화자가 바뀌는 순간에는 신뢰도가 가장 떨어집니다. 짧은 끼어드는 말이 엉뚱한 사람에게 붙는 경우가 바로 이 지점에서 생깁니다. 화자가 바뀌는 부분 근처에서 인용문을 뽑는다면, 그 줄은 반드시 다시 들어봐야 합니다.
기준은 텍스트를 어디에 쓸지에 따라 정해야 합니다
질문은 “이 텍스트가 정확한가”가 아닙니다. “이 용도에 충분히 정확한가”입니다. 그리고 그 용도는 사람들의 예상보다 훨씬 다양합니다.
필요한 순간을 찾기 위해 텍스트를 쓴다면, 여기저기 흩어진 오류는 문제가 되지 않습니다. 단어를 검색해서 대략 맞는 지점 근처로 이동한 뒤, 그 부분 음성을 재생하면 됩니다. 세 줄 위에 이름이 엉망으로 적혀 있어도 텍스트는 제 역할을 다한 셈입니다. 한 시간짜리 녹음을 훑어보며 어느 20분이 들을 만한지 고르는 경우도 마찬가지고, 녹음된 음성을 텍스트로 바꿔서 듣는 것보다 빠르게 읽으려는 경우도 마찬가지입니다.
반면 텍스트가 인용되거나, 게시되거나, 문서로 보관되거나, 그 자리에 없었던 누군가가 그대로 믿고 쓰게 될 거라면 기준이 완전히 달라지고, 이건 타협의 대상이 아닙니다. 쓰려는 모든 문장은 하나하나 원본 음성과 대조해야 합니다. 문서 전체를 처음부터 끝까지 읽어보는 것으로는 부족합니다. 인용할 부분만 골라서 집중적으로 다시 들어야 합니다. 앞서 말한 실패 유형들은 그냥 읽어서는 걸리지 않기 때문입니다. 문장에서 숫자나 이름이 핵심적인 무게를 차지하는 경우라면 특히 그렇습니다.
업무용 문서라면 앱을 쓰는 것이 합리적인 방법입니다. iOS, Android, macOS에서 쓸 수 있는 SozAI는 녹음 파일, 오디오·비디오 파일, YouTube 링크를 화자 구분, 요약, 99개 이상 언어 번역이 포함된 텍스트로 바꿔줍니다. 다만 어떤 자동 변환 결과든 마찬가지로, 인용할 부분은 여전히 원본 음성과 대조해서 확인해야 합니다.
텍스트 자체가 최종 결과물이라면, 사람이 직접 작업하는 받아쓰기(전사) 서비스가 맞는 답입니다. 비용이 더 드는 이유는 사람이 앉아서 직접 듣기 때문이고, 바로 그게 당신이 돈을 내고 사는 것입니다. 이름을 정확히 듣고 올바르게 적는 사람, 문장이 어디서 끝나는지 아는 사람, 정말로 알아들을 수 없는 부분을 대충 추측하지 않고 표시해 주는 사람 말입니다. 고객, 법원, 자료보관소, 출판물이 그 문서를 받게 된다면, 그 비용은 실제로 가치 있는 것을 사는 셈입니다. 반면 그 텍스트가 당신이 음성에 더 빨리 접근하기 위해 개인적으로 쓰는 도구일 뿐이라면, 그 비용은 필요 없는 것을 사는 셈입니다.
한 시간의 수정 작업보다 한 번 더 잘 녹음하는 것이 낫습니다
결과물을 고치는 것보다 녹음 자체를 개선하는 것이 거의 항상 더 저렴합니다. 마이크 위치를 옮기고, 창문을 닫고, 선풍기를 끄고, 사람들에게 한 명씩 말하도록 부탁하는 데 드는 10분은, 나중에 텍스트를 한 시간 동안 고치는 것보다 일을 훨씬 덜어줍니다. 결과도 더 좋습니다. 고쳐서 만든 텍스트는 결국 마지막까지 당신이 얼마나 참을성 있게 매달렸는지에 달려 있으니까요.
반복되는 상황이라면 이 방법을 실천하기가 훨씬 쉽습니다. 같은 종류의 대화를 정기적으로 녹음한다면, 녹음 환경을 한 번만 제대로 신경 써두면 그 뒤로 녹음하는 모든 파일이 개선됩니다. 인터뷰의 경우 이게 특히 중요한데, 자료가 대체로 다시 만들어낼 수 없는 것이고 인용문 자체가 핵심이기 때문입니다. 인터뷰 받아쓰기에서 신경 써야 할 실질적인 부분들은 대체로 인터뷰를 녹음할 때 신경 써야 할 부분들과 같습니다.
때로는 다시 녹음할 기회가 없습니다. 그 대화는 한 번뿐이었고, 휴대폰은 주머니 속에 있었고, 그게 지금 가진 유일한 음성입니다. 그럴 때는 솔직하게 소프트웨어가 이걸 구해줄 거라는 기대를 접고, 대신 수정할 시간을 미리 잡아두거나 사람에게 맡기는 게 맞습니다. 까다로운 음성은 당신이 필요로 한다고 해서 쉬워지지 않습니다.
파일을 열었을 때 예상해야 할 것들
매끄럽고 읽기 편한 텍스트에 명사 몇 개가 틀려 있는 정도를 예상하세요. 사람들이 서로 말을 겹쳐 말한 구간은 내용이 부실하거나, 뒤섞여 있거나, 조용히 빠져 있을 걸 예상하세요. 당신이라면 하지 않았을 문장 부호 선택, 그리고 대체로는 맞지만 화자가 바뀌는 지점에서는 신뢰하기 어려운 화자 표시를 예상하세요. 표시나 강조, 불확실하다는 별도의 신호는 전혀 없을 거라 예상하세요. 문서는 처음부터 끝까지 똑같이 확신에 찬 모습을 하고 있지만, 실제로는 처음부터 끝까지 똑같이 정확하지는 않습니다.
녹음이 얼마나 깨끗했든 이름과 전문 용어는 어차피 한 번 더 확인해야 한다고 예상하세요. 이런 항목들은 좋은 음성에서도 틀리는데, 다만 빈도가 좀 낮을 뿐입니다.
그리고 원본 음성 파일을 지우지 마세요. 자동 생성된 텍스트는 스스로를 검증할 수 없고, 정말 중요한 확인 작업은 모두 음성을 직접 듣는 과정을 필요로 합니다. 녹음 파일이 뒤에 남아 있는 텍스트는 신뢰할 수 있는 작업 도구입니다. 녹음 파일을 지워버린 텍스트는, 당신을 포함해 아무도 확인할 수 없는 문서일 뿐입니다.
