몇 초 만에 음성을 글로: 화려한 숫자 뒤에 빠진 이야기

10분짜리 대화를 몇 초 만에 글로 옮긴다니, 솔깃합니다. 다만 박수를 치기 전에 어떤 글이 나왔는지부터 보고 싶습니다.

스테이블코인 USDT를 발행하는 Tether가 QVAC TranscribePsy라는 음성 인식 모델을 공개했습니다. 개발자는 이를 자신의 앱에 넣어 녹음 파일을 외부 서버에 보내지 않고 기기에서 직접 처리할 수 있습니다.

실제로 내놓은 것은 이것입니다. 보도자료에는 여기에 휴머노이드 로봇, 스마트 안경, 사생활의 미래에 관한 이야기가 따라붙습니다. 대화 내용을 자신의 기기에 보관할 수 있다는 것은 유용한 기능입니다. 하지만 그것만으로 프로그램이 여러분의 이름을 제대로 받아쓸 수 있는지는 알 수 없습니다.

속도는 알겠습니다. 정확도는 어떻습니까?

핵심 질문은 간단합니다. 나중에 손으로 얼마나 고쳐야 할까요? 평범한 통화에서도 사람들은 말끝을 흐리고, 서로의 말을 끊고, 드문 성씨와 전문 용어를 사용합니다. 금액 하나를 잘못 받아쓰는 실수가 쉼표 열 개를 빠뜨리는 것보다 더 큰 문제일 때도 있습니다.

Tether는 정확도 평가 결과도 공개했습니다. 회사의 시험에서 25개 언어를 지원하는 모델의 단어 오류율은 Open ASR에서 8.02%, Common Voice에서 21.56%였습니다. 서로 다른 녹음 데이터셋으로 얻은 수치이므로 직접 비교할 수는 없습니다.

이 결과를 무시하는 것은 공정하지 않습니다. 하지만 시끄러운 주방에서 통화한 뒤 얼마나 고쳐야 할지는 여전히 알려주지 못합니다. 저희가 직접 모델을 시험한 것은 아닙니다. 받아쓰기로 아낀 시간보다 수정하는 데 드는 시간이 더 길다면, 속도 기록은 별 위로가 되지 않습니다.

기록적인 1.65초에 포함되지 않은 것

Tether는 이 모델이 iPhone 17 Pro Max에서 10분짜리 음성을 1.65초 만에 글로 옮긴다고 밝힙니다. 기술 설명에는 단서가 있습니다. 모델의 초기 구동과 준비에 추가로 필요한 12.7초는 이 수치에 포함되지 않습니다.

녹음 파일을 처리할 때마다 12.7초를 기다릴 필요는 없습니다. 발표된 1.65초는 모델이 이미 준비된 상태에서 처리하는 데 걸리는 시간입니다. 여기서 iPhone이라는 이름도 장식이 아닙니다. 이 결과는 특정 휴대전화에서 얻은 것이지, 주머니에 들어 있는 아무 기기에서나 나온 것이 아닙니다.

말하는 도중의 실시간 인식은 아직 없습니다

실시간 상호작용에 관한 이야기를 듣고 나면 공식 설명이 더욱 흥미롭게 읽힙니다. 이 버전은 녹음이나 개별 발화가 끝난 뒤에 처리합니다. 말을 하는 동안 곧바로 글이 나타나는 인식 기능은 아직 개발 중입니다.

언어에도 제약이 있습니다. 바로 사용할 수 있는 휴대전화용 버전은 8개 언어를 지원합니다. 러시아어를 포함한 25개 언어 버전은 컴퓨터와 서버용입니다. 따라서 그 버전에 러시아어가 있다는 것이 곧 휴대전화용 버전에서도 쓸 수 있다는 뜻은 아닙니다.

이제 평범한 대화를 봅시다

직접 써볼 것은 있습니다. 모델을 내려받을 수 있고, 녹음은 기기에서 처리하며, 시험 결과도 공개되어 있고, 모델 카드에는 Apache 2.0 라이선스가 명시되어 있습니다. 개발자들에게 실제로 쓸 수 있는 도구를 내놓았습니다. 이 점은 인정할 만합니다.

이제는 소음이 섞이고 말이 겹치는 평범한 대화를 글로 옮긴 결과를 보고 싶습니다. 무엇을 제대로 알아들었고, 어디서 틀렸으며, 고치는 데 얼마나 걸렸는지 말입니다. 그 옆에는 같은 녹음을 다른 프로그램으로 처리한 결과도 놓았으면 합니다. 그래야 이 도구가 실제로 일을 얼마나 덜어주는지 알 수 있습니다. 로봇은 조금 더 기다려도 됩니다.