Gemini 3.5 Transcribe 공개, 실시간 음성 전사가 달라지는 점

Google이 음성 전사 모델 Gemini 3.5 Transcribe를 공개 미리보기로 선보였다. 실시간 스트리밍과 사전 녹음 오디오를 각각 처리하며, 개발자 및 기업용 플랫폼에서 제공된다. 이번 공개의 핵심은 단순한 음성 인식을 넘어 자기 수정과 군더더기 표현을 정리하고, 읽기 쉬운 형식의 텍스트를 생성하는 데 있다.

무엇이 달라졌나

Gemini 3.5 Transcribe는 실시간 스트리밍용 모델과 사전 녹음 오디오용 모델로 제공된다. 사용자 지정 어휘를 적용할 수 있고, 85개가 넘는 언어를 자동으로 감지한다. 사전 녹음 오디오 처리에서는 단어 단위 타임스탬프와 화자 구분도 지원한다. 개발자는 Gemini API의 Live API와 Interactions API를 통해 공개 미리보기 버전을 사용할 수 있다.

Artificial Analysis 측정에 따르면 평균 단어 오류율은 스트리밍 전사에서 4.0%, 비스트리밍 전사에서 2.6%였다.¹ 이 수치는 두 처리 방식의 측정 결과를 보여주지만, 입력 언어와 소음 환경, 화자 수 등 세부 평가 조건은 제공된 맥락만으로 확인할 수 없다.

배경

음성 전사 결과의 실용성은 발화를 문자로 옮기는 정확도뿐 아니라, 실제 대화에 포함된 자기 수정과 군더더기를 어떻게 처리하는지에도 영향을 받는다. Gemini 3.5 Transcribe는 이런 발화 특성을 처리하고 결과를 자동으로 서식화하는 모델로 소개됐다. 또한 실시간 대화와 이미 녹음된 자료가 서로 다른 처리 요구를 가진다는 점을 반영해 두 사용 경로를 구분한다.

왜 중요한가

실시간 스트리밍 지원은 말하는 동안 전사가 필요한 사용 사례에 대응하고, 비스트리밍 처리는 녹음이 끝난 오디오를 정돈된 텍스트로 변환하는 데 쓰일 수 있다. 사용자 지정 어휘는 일반적인 인식만으로 처리하기 어려운 표현을 지정할 수 있게 하며, 다국어 자동 감지는 여러 언어가 사용되는 입력을 다루는 기반이 된다. 단어 단위 타임스탬프와 화자 구분은 사전 녹음 자료에서 발화 시점과 발화자를 함께 파악하는 데 필요한 정보를 제공한다.

한계와 남은 질문

현재 제공된 상태는 공개 미리보기다. 정식 제공 시점과 가격, 사용량 제한, 지원 지역, 기업 환경에서의 구체적인 운영 조건은 주어진 자료에서 확인되지 않는다. 공개된 단어 오류율만으로 모든 언어와 녹음 조건에서의 품질을 판단하기도 어렵다. 85개가 넘는 언어를 자동 감지한다는 설명과 별개로, 언어별 정확도나 언어가 섞인 발화의 성능도 알려져 있지 않다. 화자 구분이 지원하는 화자 수와 중첩 발화 처리 수준 역시 남은 질문이다.

관련 지식

이번 공개는 [[topic:ai/model-releases|모델 공개]]와 [[topic:ai/multimodal|멀티모달 모델]] 주제에 연결된다. 대상 모델은 [[model:gemini-3-5-transcribe|Gemini 3.5 Transcribe]]다. 모델 공개 관점에서는 API 제공 방식과 공개 미리보기라는 이용 조건이 핵심이며, 멀티모달 관점에서는 음성 입력을 구조화된 텍스트로 변환하는 기능이 중심이다.

출처

Google이 2026년 8월 27일 공개한 「Gemini-3.5-Transcribe」를 근거로 작성했다. 제공된 맥락에는 이 문서 한 건만 포함되어 있어 독립적인 비교 자료나 추가 평가 결과는 확인할 수 없다.

각주

1. Google, 「Gemini-3.5-Transcribe」. ↩