구글이 최신 음성-텍스트 변환 모델 '제미니 3.5 트랜스크라이브(Gemini 3.5 Transcribe)'를 공개하며 음성 인식 기술의 새로운 지평을 열었습니다. 이 모델은 단순한 음성 변환을 넘어 배경 소음, 전문 용어, 심지어 '음', '어' 같은 군더더기나 '화요일에 만나자—아니, 수요일'과 같은 자기 수정까지 정확하게 파악하여 정돈된 텍스트로 바꿔줍니다. 실시간 스트리밍을 위한 '제미니 3.5 트랜스크라이브 라이브(Gemini 3.5 Transcribe Live)'와 사전 녹음 처리를 위한 '제미니 3.5 트랜스크라이브' 두 가지 형태로 제공되어 다양한 활용이 가능합니다.
'제미니 3.5 트랜스크라이브 라이브'는 라이브 API(Live API)를 통해 1초 미만의 지연 시간으로 양방향 스트리밍을 지원하여 대화형 음성 앱이나 실시간 자막 도구에 적합합니다. 반면, '제미니 3.5 트랜스크라이브'는 인터랙션 API(Interactions API)를 통해 녹음된 회의나 통화 기록 등을 변환하며, 화자 구분 및 단어 단위 타임스탬프를 제공해 통화 후 분석 등에 유용합니다. 인공지능 분석(Artificial Analysis) 측정 결과, 평균 단어 오류율(WER)은 스트리밍 4.0%, 비스트리밍 2.6%로 이전 모델인 처프 3(Chirp 3)보다 기능과 정확도가 개선되었고, 최종 전사 시간은 70% 단축되었습니다. 85개 이상의 언어와 지역 억양, 방언을 지원하며, 맞춤 어휘 인식과 실시간 언어 전환 기능도 갖췄습니다.
이 기술은 이미 안드로이드용 G보드(Gboard)의 램블러(Rambler), 구글 안티그래비티(Google Antigravity), 제미니 macOS 앱 등 구글의 다양한 제품에 적용되고 있으며, 크롬(Chrome)의 모든 웹 입력 필드에도 추가될 예정입니다. 개발자와 기업을 위한 공개 프리뷰가 시작되어 구글 AI 스튜디오(Google AI Studio)의 제미니 API와 제미니 엔터프라이즈 에이전트 플랫폼(Gemini Enterprise Agent Platform)을 통해 이용할 수 있습니다. 이는 개발자들이 복잡한 실시간 미디어 스트리밍 인프라 관리 부담 없이 사용자 경험 구축에 집중할 수 있도록 지원하며, 음성 인터페이스 개발 및 배포를 가속화할 것으로 기대됩니다.
제미니 3.5 트랜스크라이브의 등장은 음성 기반 인터페이스의 활용도를 크게 높일 잠재력을 가지고 있습니다. 단순히 음성을 텍스트로 바꾸는 것을 넘어, 사용자의 의도를 정확히 파악하고 문맥에 맞는 자연스러운 텍스트를 생성함으로써 음성 명령을 통한 복잡한 작업 실행이 더욱 원활해질 것입니다. 예를 들어, 음성으로 이미지 생성이나 파일 분석 같은 작업을 다른 제미니 모델에 위임할 수 있는 함수 호출(Function Calling) 기능은 생산성 도구와 에이전트 개발에 혁신을 가져올 수 있습니다. 특히 다국어 환경에서의 높은 정확도와 빠른 처리 속도는 글로벌 비즈니스 환경에서 실시간 커뮤니케이션 및 콘텐츠 제작 효율성을 극대화할 수 있는 핵심 기술이 될 것입니다. 이처럼 구글의 새로운 음성-텍스트 모델은 AI 기술이 일상생활과 비즈니스 전반에 걸쳐 더욱 깊이 통합되는 중요한 전환점이 될 것으로 보입니다.