OpenAI, 음성 전사 모델 'gpt-transcribe' 및 'gpt-live-transcribe' 공개

음성 인식 기반 서비스를 구축해 본 사람이라면 누구나 겪는 골칫거리가 있습니다. 고객이 계좌번호를 "8-4-7-2"라고 끊어 말했는데 모델이 제멋대로 문맥을 입혀 "84 72"로 표기해 버리는 일입니다. 이 작은 오류 하나로 뒤따르는 자동화 프로세스가 멈추곤 합니다.

OpenAI가 이런 현장 오류를 잡기 위해 새로운 음성 텍스트 변환 모델 2종을 선보였습니다. 대량 오디오 파일 처리를 위한 gpt-transcribe와 실시간 스트리밍 전사용 gpt-live-transcribe이며, 현재 Microsoft Foundry에서 바로 사용할 수 있습니다.

소음과 혼용 언어, 숫자 처리에 집중

두 모델은 실제 환경에서 흔히 발생하는 취약 구간을 집중 보완했습니다. 통제되지 않은 소음 환경에서 음성을 분리해 내고, 짧은 명령어나 대화 끼어들기, 뭉개진 짧은 발화도 놓치지 않고 인식합니다.

특히 식별 번호, 인증 코드, 전화번호, 날짜, 주소, 계좌번호 등 영문과 숫자가 뒤섞인 데이터를 원형 그대로 정확하게 짚어내는 능력이 강화되었습니다. 한 문장 안에서 여러 언어를 섞어 쓰는 코드믹싱이나 전문 도메인 용어, 억양 차이, 속삭이는 작은 목소리까지 처리합니다.

gpt-transcribe는 OpenAI의 음성 인식 모델 중 가장 높은 정확도를 제공하며, 회의 녹음 파일이나 음성 메시지 등 저장된 오디오를 일괄 변환하는 데 최적화되었습니다.

gpt-live-transcribe는 Realtime API를 통해 스트리밍 방식으로 텍스트를 출력합니다. 주목할 부분은 '지연 시간 조절' 기능을 제공해 개발자가 서비스 성격에 맞춰 반응 속도와 정확도 사이의 균형을 직접 조율할 수 있다는 점입니다.

한편 음성을 직접 듣고 음성으로 답하는 gpt-realtime-2.1과 경량화 버전인 gpt-realtime-mini-2.1도 함께 제공됩니다.

왜 중요한가

음성 봇이나 실시간 자막, 회의록 서비스를 운영하는 개발자에게 실질적인 도움이 되는 소식입니다. 엔드투엔드 음성 대화 모델이 주목받고 있지만, 실제 기업 시스템에서는 정확한 텍스트를 추출해 기존 데이터베이스와 연동하는 파이프라인이 여전히 훨씬 안전하고 비용 효율적이기 때문입니다. 계좌번호나 고유 명사 오인식으로 고생했던 팀이라면 지금 바로 테스트해 볼 가치가 충분합니다.

우리가 보기에 이번 출시는 매우 영리한 선택입니다. 화려한 음성 합성 기술 뒤편에 가려져 있던 기본기, 즉 현실의 거친 오디오 데이터를 오류 없이 텍스트로 받아 적는 역량을 탄탄히 다져놓음으로써 기업 시장의 실결제 수요를 확실히 붙잡겠다는 의도로 보입니다.