구글이 음성을 텍스트로 변환하는 새 모델 '제미나이 3.5 Transcribe(Gemini 3.5 Transcribe)'를 공개했다. 실시간 전사(transcription)에 초점을 맞춘 이 모델은 단순히 소리를 받아쓰는 데 그치지 않고, 원본 오디오를 곧바로 정돈된 서식의 텍스트로 바꾸는 것을 목표로 한다. 구글은 이 모델을 자사 제품군에 이미 적용해 왔으며, 이번에 개발자용 API로도 개방해 외부 서비스에서 활용할 수 있게 했다.
기존 음성인식 기술은 배경 소음, 전문 용어, 그리고 말할 때 자연스럽게 섞이는 군더더기 표현(disfluency)을 제대로 처리하지 못하는 한계가 있었다. 구글은 3.5 Transcribe가 이런 지점을 겨냥해 설계됐다고 설명한다. 사용자의 자연스러운 말투를 그대로 포착하면서도 발화 의도를 이해하고, 특정 도메인에서 쓰이는 맞춤형 어휘를 인식하도록 만들었다는 것이다. 대화 도중 언어가 바뀌는 상황을 실시간으로 따라가고, 끊김 없는 스트리밍 전사를 지원하는 점도 함께 내세웠다.
실무에 필요한 기능 구성
개발자 입장에서 눈여겨볼 부분은 음성 에이전트, 실시간 자막 도구, 통화 후 분석 파이프라인 같은 실제 워크플로에 바로 끼워 넣을 수 있도록 설계됐다는 점이다. 모델은 두 개의 별도 API로 제공된다. 또한 여러 화자를 구분해 누가 말했는지 표시하는 화자 구분(multi-speaker attribution)과 단어 단위 타임스탬프를 제공한다. 이 두 기능은 회의록 정리, 콜센터 로그 분석, 자막 싱크 맞추기처럼 정확한 발화 위치가 필요한 작업에서 실질적인 가치를 갖는다. 말 사이에 낀 필러 단어를 자동으로 걷어내는 정제 기능도 포함됐다.
성능 면에서 구글은 이전 전사 모델인 '치프 3(Chirp 3)' 대비 진전을 강조한다. 외부 평가기관 Artificial Analysis 측정 기준으로 최종 전사까지 걸리는 시간이 70% 개선됐고, 다국어 벤치마크인 FLEURS의 주요 언어·로케일 집합에서 스트리밍 모드 단어 오류율(WER) 5.50%, 비스트리밍 환경에서 5.04%를 기록했다고 밝혔다. WER은 낮을수록 정확도가 높다는 의미이며, 이 수치는 치프 3보다 개선된 결과라는 설명이다.
구글 생태계와 외부 플랫폼 연동
이 모델은 API 형태로만 제공되는 것이 아니라 구글 제품 곳곳에 스며들어 있다. 안드로이드의 'Rambler', macOS용 제미나이 앱, 그리고 지보드(Gboard), 크롬, 개발 도구 '안티그래비티(Antigravity)' 등 일상적으로 쓰는 표면에 문맥 인식 기능을 심었다. 특히 안티그래비티에서는 화면 컨텍스트를 활용해 전사 정확도를 높이고, macOS 제미나이 앱에서는 음성만으로 파일 분석, 이미지 생성, 검색을 수행할 수 있다고 한다. 음성인식을 단순 입력 수단이 아니라 화면 맥락과 결합한 상호작용 방식으로 확장하려는 방향성이 읽힌다.
외부 개발자 생태계와의 연결은 제미나이 라이브 API(Gemini Live API)를 통해 이뤄진다. Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel, Vision Agents 같은 플랫폼이 이 API를 활용해 음성 기반 인터페이스를 구축·배포할 수 있도록 지원한다. 이들 플랫폼이 복잡한 실시간 미디어 스트리밍 인프라를 뒤에서 처리해 주기 때문에, 개발자는 사용자 경험 설계에 집중할 수 있다는 것이 구글의 설명이다. 실시간 음성 처리에서 가장 까다로운 부분이 미디어 스트리밍 관리라는 점을 감안하면, 이 분업 구조 자체가 도입 장벽을 낮추는 요소다.
남는 과제와 확인이 필요한 지점
초기 도입 사례로는 vivo, Intellitek Health, Lingopal 등이 지연시간과 정확도, 폭넓은 언어 지원에 대해 긍정적인 피드백을 전했다고 한다. 다만 구글이 제시한 벤치마크 수치는 주요 언어와 특정 평가 집합을 기준으로 한 것이어서, 실제 서비스 환경에서 마주치는 억양이 강한 발화, 잡음이 심한 현장, 소수 언어에서도 같은 수준을 낼지는 별개의 문제다. 한국어를 포함한 개별 언어의 구체적 성능 수치나 가격 정책, 처리량 제한 같은 실무 판단에 필요한 세부 조건은 이번 발표에 담기지 않았다.
결국 제미나이 3.5 Transcribe의 가치는 벤치마크 숫자보다도 자신의 데이터로 직접 검증할 때 드러날 가능성이 크다. 화자 구분과 단어 단위 타임스탬프, 실시간 언어 전환처럼 명확히 정의된 기능들은 콜센터 분석이나 자막 서비스를 준비하는 팀에게 곧바로 검토 대상이 될 만하다. 도입을 고려하는 실무자라면 홍보 자료의 개선율보다, 자사가 실제로 다루는 오디오 샘플로 두 API를 짧게 시험해 보고 지연시간과 정제 품질을 눈으로 확인하는 편이 더 확실한 판단 근거가 될 것이다.