구글, 음성 인식 모델 '제미나이 3.5 트랜스크라이브' 공개… 오류율 2.6%

음성으로 메시지를 작성하거나 회의록을 정리할 때 가장 성가신 부분은 불필요한 추임새와 중간에 튀어나오는 말실수입니다. 말을 하다가 "아니, 수요일로 변경해 줘"라고 고쳐 말하면 기존 음성 인식 도구는 그 실수까지 화면에 그대로 받아 적어 결국 손으로 다시 다듬어야 했습니다.

구글은 2026년 8월 26일, 맥락을 파악해 텍스트를 정돈해 주는 음성 인식 모델 '제미나이 3.5 트랜스크라이브(Gemini 3.5 Transcribe)'를 공식 출시했습니다.

단순한 전사를 넘어 '말실수'까지 정리한다

평가 기관 아티피셜 애널리시스(Artificial Analysis)의 측정에 따르면, 제미나이 3.5 트랜스크라이브는 비스트리밍 녹음 전사에서 2.6%, 실시간 스트리밍에서 4.0%의 단어 오류율(WER)을 기록했습니다. 이전 모델인 Chirp 3 대비 최종 전사 처리 시간이 70% 단축되었으며, FLEURS 다국어 벤치마크에서도 비스트리밍 기준 5.04%의 오류율을 보였습니다.

단순히 소리를 글자로 바꾸는 것을 넘어 스마트 전사 모드를 지원합니다. "화요일에 만나요, 아니 수요일로요"라고 정정해 말하면 모델이 이를 이해하고 수요일로 최종 텍스트를 출력합니다. 음, 어 같은 불필요한 군더더기 말은 자동으로 걸러내며 우편번호나 주문 번호 같은 영문과 숫자 조합도 정확하게 인식합니다.

지원 언어는 85개 이상이며 문장 중간에 영어, 스페인어, 힌디어를 섞어 말해도 언어 전환을 매끄럽게 처리합니다. 녹음된 파일의 경우 단어 수준의 타임스탬프와 함께 최대 3명까지 화자를 정확히 분리해 줍니다.

입력 도구에서 실행 도구로 진화

구글은 이 모델을 개발자용 API뿐 아니라 자사 제품군 곳곳에 심고 있습니다. 개발자는 구글 AI 스튜디오와 엔터프라이즈 플랫폼에서 1초 미만의 지연 시간을 제공하는 라이브 스트리밍 API와 녹음 파일용 API를 활용할 수 있습니다.

일반 사용자 환경에서는 안드로이드 Gboard의 램블러(Rambler) 기능을 통해 목소리로 텍스트를 편집하고 문체를 바꿀 수 있습니다. macOS용 제미나이 앱에서는 한 단계 더 나아가 함수 호출을 지원하여, 화면을 보면서 음성 명령만으로 로컬 문서를 요약하거나 이미지를 생성하도록 다른 제미나이 모델을 조작할 수 있습니다. 조만간 크롬 브라우저의 모든 웹 입력창에도 적용될 예정입니다.

현재 비보(vivo), 랭체인(LangChain), 라이브킷(LiveKit), 버셀(Vercel) 등이 해당 모델을 자사 음성 인터페이스에 도입하고 있습니다.

왜 중요한가

우리는 구글이 단순 전사와 텍스트 정제 과정을 하나로 통합한 방식에 주목할 필요가 있다고 봅니다.

그동안 실시간 음성 에이전트를 만들려면 음성 인식 모델을 거친 뒤 별도의 LLM을 호출해 문장을 다듬어야 했습니다. 이 방식은 응답 지연을 늘리고 API 비용을 이중으로 발생시켰습니다. 제미나이 3.5 트랜스크라이브가 전사 단계에서 자체 수정과 군더더기 제거를 끝내주기 때문에, 개발자는 인프라 비용과 지연 시간을 크게 아낄 수 있습니다.

일반 사용자 입장에서도 음성 입력의 심리적 장벽이 낮아집니다. 아나운서처럼 정제된 문장으로 말할 필요 없이 생각나는 대로 편하게 말해도 깔끔한 초안을 얻을 수 있기 때문입니다.

다만 한계도 존재합니다. 3인을 초과하는 화자 분리는 아직 실험 단계에 머물러 있어 다자간 회의 환경에서는 검증이 더 필요합니다. 또한 화면 맥락을 읽어 복합 작업을 수행하는 고급 음성 워크플로는 아직 macOS 등 일부 환경에 치우쳐 있어 향후 크롬과 모바일로의 확장 속도가 대중화의 관건이 될 것입니다.