핵심 요약
macOS는 동영상 파일을 스스로 텍스트로 바꿔주지 않는다. macOS가 별도 다운로드 없이 해줄 수 있는 일은 QuickTime Player로 동영상에서 오디오 트랙만 뽑아내는 것으로, 이렇게 하면 훨씬 다루기 쉬운 작은 파일이 남는다. 내장된 딕테이션(음성 입력) 기능은 마이크로 들리는 말을 실시간으로 받아 적는 기능이라, 이미 갖고 있는 녹화 파일에는 맞지 않는다. 텍스트 변환(전사)은 완전히 별개의 단계이고, 어떤 컴퓨터를 쓰든 이 단계는 동일하다.
맥에 동영상 파일이 하나 있다고 해보자. 회의를 녹화한 화면, 누군가 보내준 강의 영상, 저장해 둔 클립일 수도 있다. 필요한 건 그 안의 말, 즉 텍스트다. 그런데 이름도 들어본 적 없는 회사에 계정을 만들어가며 그걸 얻고 싶지는 않을 것이다.
이 작업은 명확하게 두 단계로 나뉜다. 먼저 동영상에서 깨끗한 오디오 파일을 뽑아내고, 그다음 그 오디오를 텍스트로 바꾸는 것이다. 앞 단계는 지금 갖고 있는 맥에 이미 설치된 소프트웨어로 바로 할 수 있다. 뒤 단계는 그렇지 않고, 시스템 설정을 아무리 뒤져봐도 없는 메뉴가 나타나지는 않는다. 이 경계선이 어디인지 알아두면 존재하지 않는 메뉴 항목을 찾아 헤매는 오후 시간을 아낄 수 있다.
맥이 이미 할 수 있는 일
QuickTime Player는 모든 맥에 기본으로 들어 있다. 동영상을 재생하고, 화면을 녹화하고, 동영상 파일에서 오디오를 추출할 수도 있다. 마지막 기능이 여기서 쓸모 있는 부분이며, 다른 도구에 파일을 넘기기 전에 밟아야 할 유일한 단계인 경우가 많다.
macOS에는 딕테이션 기능도 있어서, 말하는 동안 음성을 텍스트로 바꿔준다. 음성 메모(Voice Memos) 앱도 있는데, iCloud를 통해 아이폰의 같은 앱과 동기화된다. 이 세 가지를 조합하면 소리를 녹음하고, 저장하고, 목소리로 타이핑할 수 있다.
하지만 이 중 어느 것도 기존 동영상 파일을 읽어서 텍스트를 만들어주지는 않는다. 이 점은 분명히 짚어둘 필요가 있는데, 도구들이 서로 워낙 가까이 붙어 있어서 어딘가에 그런 기능이 숨어 있을 것 같은 느낌이 들기 때문이다. 그런 건 없다. 맥은 녹음·녹화를 만들어내는 데는 강하지만, 그걸 텍스트로 바꾸는 데는 약하다.
먼저 오디오를 뽑아내라
동영상 파일은 하나의 컨테이너다. 화면과 오디오 트랙을 함께 담고 있는데, 텍스트 변환은 오직 오디오만 다룬다. 이 목적에는 영상 부분이 그냥 짐일 뿐이다.
그러니 다른 작업을 하기 전에 먼저 오디오를 추출하라. QuickTime Player가 해줄 수 있으므로, 이 첫 단계는 비용도 들지 않고 아무것도 설치할 필요가 없다. 결과물은 원래 동영상보다 훨씬 작은 파일이며, 동영상의 종류에 따라 그 차이가 극적으로 클 수도 있다.
녹화 시간이 길어지는 순간 이 용량 차이는 더 이상 추상적인 이야기가 아니게 된다. 두 시간짜리 강의를 동영상 상태로 옮기거나 업로드하거나, 어떤 도구를 쓸지 정하는 동안 여러 사본을 갖고 있는 건 번거로운 일이다. 같은 두 시간이 오디오라면 별 생각 없이 다룰 수 있는 적당한 크기의 파일이 된다. 처리해야 할 녹음 파일이 폴더 가득 있다면, 먼저 오디오를 추출해 두는 것이 저녁 한나절과 주말 전체의 차이를 만든다.
이 추출 과정은 사람들을 헷갈리게 하는 질문 하나도 정리해준다. 동영상을 텍스트로 바꿔주는 전용 도구가 필요한지, 아니면 일반 오디오 전사 도구로 충분한지 하는 질문이다. 오디오가 별도 파일이 되고 나면 이 구분은 더 이상 중요하지 않다. 오디오를 받아들이는 전사 도구라면 어떤 것이든 이 파일을 처리할 수 있다.
딕테이션은 다른 작업이다
딕테이션과 트랜스크립션(전사)은 흔히 같은 말처럼 쓰인다. 하지만 둘은 다르며, 그 차이가 바로 당신과 원하는 텍스트 사이를 가로막고 있는 것이다.
딕테이션은 마이크로 들어오는 소리를 실시간으로 듣고 받아 적는다. 말하면 글자가 나타난다. 이건 하나의 입력 방식이다. 반면 트랜스크립션은 이미 존재하는 녹음, 즉 한 시간 전이든 일 년 전이든 이미 끝난 일을 담은 녹음을 받아 텍스트를 만들어낸다. 하나는 입력 장치이고, 다른 하나는 변환 작업이다.
동영상을 스피커로 크게 틀어놓고 딕테이션이 그 소리를 듣게 해서 간극을 메워보려는 사람들도 있다. 실제로 이렇게 하는 사람들이 있는데, 결과는 좋지 않다. 이미 한 번 녹음된 소리를, 방 안의 음향 조건 그대로 마이크로 다시 녹음하게 만드는 셈이고, 그 시간만큼 그대로 앉아서 기다려야 한다. 한 시간짜리 영상이면 한 시간이 그대로 든다. 짧은 클립이 아니라면 진지하게 고려할 방법은 아니다. 맥에서 음성을 텍스트로 바꾸는 방법과 내장 기능이 어디서 한계에 부딪히는지에 대해서는 더 할 이야기가 있지만, 짧게 말하면 딕테이션은 원래 파일을 위해 만들어진 기능이 아니다.
아직 파일이 없을 때
지금까지는 동영상이 이미 디스크에 있다고 가정했다. 하지만 그렇지 않은 경우도 있다. 텍스트로 뽑아내고 싶은 대상이 진행 중인 통화이거나 브라우저 탭에서 재생 중인 동영상이라면, 아무것도 저장된 게 없으니 오디오를 추출할 대상 자체가 없다.
바로 여기서 맥의 진짜 걸림돌이 등장한다. 맥 자체가 내는 시스템 오디오, 즉 마이크로 들어오는 소리가 아니라 기기에서 나오는 소리를 녹음하는 기능은 macOS가 기본적으로 제공하지 않는다. 화면 녹화는 화면만 잡아준다. 그 화면에 딸린 소리를 얻는 건 별개의 문제이며, 사람들을 가장 자주 막다른 길로 몰아넣는 단계다. 회의를 녹화했는데 소리 없는 영상만 남아서 뭘 잘못했는지 알 수 없었던 경험이 있다면, 바로 이 문제에 걸린 것이다. 당신이 뭔가를 잘못한 게 아니다.
이를 우회하는 방법들이 있고, 필요해지는 순간이 아니라 미리 알아두는 게 낫다. 다시 반복할 수 없는 통화 도중 5분 만에 알게 되는 것보다는 말이다. 맥에서 오디오까지 포함해 화면을 녹화하는 구체적인 방법은 별도로 다룰 주제다. 여기서 중요한 건 이것이 트랜스크립션 문제가 아니라 캡처(녹음) 문제라는 점이고, 이 문제를 해결하면 다시 일반적인 상황, 즉 디스크 위의 파일 하나로 돌아오게 된다.
방법 하나는 이 문제를 완전히 피해 간다. 맥의 음성 메모는 iCloud를 통해 아이폰의 같은 앱과 녹음을 공유하므로, 폰에서 녹음한 내용은 파일을 이메일로 보내거나 케이블을 찾을 필요 없이 맥에서 바로 볼 수 있다. 대면 대화나 직접 참석한 강연이라면, 폰으로 녹음하고 나서 맥에서 파일을 가져오는 게 시스템 오디오 문제와 씨름하는 것보다 훨씬 덜 번거롭다. 다만 맥 자체가 내는 소리에는 당연히 아무 도움이 되지 않는다.
오디오를 텍스트로 바꾸기
오디오가 파일로 존재하고 나면, 앞선 모든 선택은 더 이상 중요하지 않다. 트랜스크립션 도구는 그 파일이 동영상에서 나왔는지, 폰에서 나왔는지, 화면 녹화에서 나왔는지, 동료가 보내준 것인지 상관하지 않는다. 맥을 쓰고 있다는 사실도 상관없다. 이 지점부터는 어떤 컴퓨터를 쓰든 똑같은 작업이며, 결국 중요한 건 어떤 전사 도구를 고르느냐뿐이다.
이 지점이 바로 가입 없이 쓰고 싶다는 바람이 현실과 부딪히는 지점이기도 하니, 솔직하게 말해두겠다. 브라우저 안에서만 완전히 동작하는 도구라면 파일이 기기를 벗어나지 않는다고 자신 있게 말할 수 있고, 실제로 그렇게 동작하는 도구들도 있다. 다만 이런 종류의 브라우저 도구들은 자막 파일 처리나 글자 수 세기처럼, 이미 텍스트인 것을 다루는 작업에 주로 쓰인다. 두 시간짜리 녹음에 실제 음성 인식을 적용하는 건 훨씬 무거운 작업이고, 이를 처리하는 도구들은 대개 설치형 앱이거나 파일을 서버에 올리는 방식을 요구한다. 어느 쪽을 고르든 이게 확인해야 할 질문이고, 답은 쉽게 찾을 수 있어야 한다.
SozAI도 하나의 선택지다: macOS용 트랜스크립션 앱으로, 오디오·동영상 파일과 녹음, YouTube 링크를 다루며, 화자 구분, 요약, 99개 이상 언어에 걸친 번역 기능을 제공한다. 같은 사이트에는 브라우저에서 완전히 동작하는 무료 자막·글자 수 도구도 있어서 아무것도 업로드하지 않고 계정도 필요 없다. 다만 이 도구들은 오디오를 전사해주지는 않으며, 이미 만들어진 트랜스크립트를 다듬을 때 유용하다.
트랜스크립트가 대신해주지 않는 것
나중에 특정 순간으로 돌아가야 한다면 타임스탬프를 요청하라. 타임스탬프가 없는 트랜스크립트는 검색 가능한 텍스트 덩어리일 뿐이라, 원하는 문장은 찾을 수 있어도 그 문장이 동영상 속 어느 지점에서 나왔는지는 찾을 수 없다. 중요했던 10분을 다시 찾아가려고 강의를 전사하는 거라면 타임스탬프가 핵심 기능이다. 한 번 읽고 다시는 영상을 열지 않을 목적이라면 타임스탬프는 그냥 잡음이다. 시작하기 전에 어느 쪽인지 정해두라. 나중에 추가하려면 작업을 두 번 해야 하기 때문이다.
텍스트는 원본 녹음 상태를 그대로 반영한다는 점을 예상해두자. 음성 인식은 실제로 녹음된 소리만 가지고 작업하므로, 여러 사람이 동시에 말하는 방 안 녹음은 깨끗한 녹음보다 다룰 재료가 부실하다. 동영상에서 오디오를 추출한다고 해서 오디오 품질이 좋아지는 건 아니다. 이미 있던 소리를 그대로 분리해내는 것일 뿐이다. 원본 소리가 나쁘면 트랜스크립트를 손으로 고쳐야 하고, 이 과정의 어느 앞 단계도 그걸 대신 해결해주지는 않는다.
그리고 동영상의 일부는 이 과정에서 살아남지 못한다는 걸 받아들여야 한다. 슬라이드, 그림, 화이트보드에 쓴 내용, 누가 무엇을 가리키고 있었는지 등은 모두 사라진다. 다루기 쉬운 파일을 얻기 위해 화면을 의도적으로 버렸기 때문이다. 대화라면 잃는 게 없다. 하지만 데모나 발표라면 트랜스크립트는 기록의 절반에 불과하며, 원본 동영상을 곁에 함께 보관해두는 게 좋다.
