‘제미나이 3.5 트랜스크라이브’ 로 더 똑똑해진 음성-텍스트 변환

2026년 8월 27일

구글의 최신 음성-텍스트 변환 모델은 자연스러운 음성을 더 정확하게 이해하고, 맥락에 맞게 정리된 텍스트로 변환합니다.

Diego Melendo Casado

Luke Leonhard

구글의 최신 음성-텍스트 변환 모델은 자연스러운 음성을 더 정확하게 이해하고, 맥락에 맞게 정리된 텍스트로 변환합니다.

오늘 구글은 음성을 더 정확하게 이해하고 텍스트로 변환할 수 있도록 설계된 구글의 가장 정밀한 음성 텍스트 변환(Speech-to-Text, STT) 모델, ‘제미나이 3.5 트랜스크라이브(Gemini 3.5 Transcribe)’를 선보입니다. 기존 음성 인식 모델은 배경 소음이나 복잡한 전문 용어, 말이 끊기거나 불필요한 추임새가 섞인 음성을 처리하는데 어려움을 겪었던 반면, ‘제미나이 3.5 트랜스크라이브’는 가공되지 않은 오디오를 정확하고 정제된 텍스트로 변환하고, 맥락까지 고려해 더 지능적으로 이해할 수 있도록 설계되었습니다.

구글은 개발자가 음성 에이전트, 실시간 자막 툴, 통화 후 분석(post-call analytics) 파이프라인 등 어떤 서비스를 구축하든 3.5 트랜스크라이브를 개발자 워크플로우에 원활하게 통합할 수 있도록 설계했습니다. 이 모델은 두 가지 API를 통해 제공됩니다.

실시간 스트리밍(Real-time streaming): gemini-3.5-transcribe-live를 사용하는 라이브 API(Live API)를 통해 대화형 음성 앱을 위한 1초 미만(sub-second) 지연 시간의 지속적인 양방향 스트리밍을 제공합니다.
사전 녹음된 오디오 처리(Pre-recorded audio processing): gemini-3.5-transcribe를 사용하는 인터랙션 API(Interactions API)를 통해 녹음된 오디오, 회의, 통화 기록 등을 화자 구분(speaker attribution)과 단어 단위 타임스탬프를 포함해 텍스트로 변환합니다.

제미나이 앱과 안드로이드(Android)를 비롯한 구글 제품 전반에서는 이미 많은 이용자가 안드로이드용 램블러(Rambler) 및 macOS용 제미나이 앱 등 새로운 음성 기능을 통해 이 음성 텍스트 변환 모델의 역량을 경험하고 있습니다. 이제 개발자들도 구글 AI 스튜디오(Google AI Studio)의 제미나이 API(Gemini API)와 제미나이 엔터프라이즈 에이전트 플랫폼(Gemini Enterprise Agent Platform)에서 ‘제미나이 3.5 트랜스크라이브’를 활용해 유사한 기능을 직접 구현할 수 있습니다.

더욱 정밀하고 지능적인 음성 텍스트 변환

‘제미나이 3.5 트랜스크라이브’는 이용자의 자연스러운 말하기 방식을 포착해 의도를 더욱 정확하게 이해하고 맞춤 어휘도 인식하도록 설계되었습니다. 이를 통해 이용자는 음성만으로도 다양한 작업을 수행할 수 있습니다.

스마트 음성-텍스트 변환(Smart transcription): "음", "어"와 같은 추임새를 제거하고, 텍스트 서식을 자동으로 정리하며, 목소리만으로 자연스럽게 내용을 수정할 수 있습니다.
함수 호출(Function calling): 함수 호출을 통해 이미지 생성, 파일 분석과 같은 복잡한 작업을 다른 제미나이 모델에 위임할 수 있습니다. 이 기능은 macOS용 제미나이 앱에서 이미 지원되며, API에서도 곧 제공될 예정입니다.
더욱 정밀한 음성-텍스트 변환(More precise transcriptions): 배경 소음 및 대화형 AI 상호작용을 포함한 다양한 실제 환경에서 스트리밍 오디오 기준 4.0%, 사전 녹음된 파일 기준 2.6%의 단어 오류율(WER)을 기록했으며, 우편번호 및 주문 번호와 같은 영숫자 엔티티(alphanumeric entities)도 정확하게 인식합니다.
맞춤 어휘(Custom vocabulary): 제공된 맞춤 어휘에 맞춰 음성 텍스트 변환 결과를 자연스럽게 조정해 전문 용어와 고유한 철자도 정확하게 인식합니다.
글로벌 언어 지원(Global language support): 85개 이상의 언어를 자동으로 감지해 텍스트로 변환하며, 지역별 억양과 다양한 방언도 매끄럽게 처리합니다.
다중 화자 식별(Multi-speaker identification): 사전 녹음된 오디오에서 최대 3명의 화자를 단어 단위 타임스탬프와 함께 정확하게 구분합니다. 3명을 초과하는 화자 지원은 실험 단계입니다.

‘제미나이 3.5 트랜스크라이브’는 실시간 언어 전환과 매끄러운 스트리밍 음성 텍스트 변환을 지원합니다.

‘제미나이 3.5 트랜스크라이브’가 스마트 음성-텍스트 변환 기능을 통해 말끊기거나 불필요한 추임새가 섞인 음성을 정리하는 모습을 확인해 보세요.

‘3.5 트랜스크라이브’는 다중 화자 구분과 단어 단위 타임스탬프를 포함한 음성 텍스트 변환을 제공합니다.

아고라(Agora), 피시잼(Fishjam), 랭체인(LangChain), 라이브킷(LiveKit), 파이프캣(Pipecat), 버셀(Vercel), 비전 에이전트(Vision Agents)와 같은 개발자 플랫폼은 제미나이 라이브 API(Gemini Live API)를 활용해 개발자가 고성능 음성 기반 인터페이스를 손쉽게 구축하고 배포할 수 있도록 지원합니다. 이러한 플랫폼은 복잡한 실시간 미디어 스트리밍 인프라를 백그라운드에서 관리하므로, 개발자는 이용자 경험을 설계하고 완성하는 데 온전히 집중할 수 있습니다.

‘제미나이 3.5 트랜스크라이브’의 성능은 이전 음성 변환 모델인 처프 3(Chirp 3) 대비 큰 발전을 보여줍니다. 아티피셜 애널리시스(Artificial Analysis)의 음성-텍스트 변환(Speech-to-Text) 벤치마크에서 ‘제미나이 3.5 트랜스크라이브’는 스트리밍 및 비스트리밍 사용 사례에서 각각 4.0% 및 2.6%의 단어 오류율(WER)을 기록했습니다. 또한 FLEURS 벤치마크에서 스트리밍 모드 5.50% WER, 비스트리밍 사용 사례 5.04% WER을 달성하며 정밀한 다국어 처리 성능을 입증했습니다.

스마트 음성 텍스트 변환 및 고급 음성 입력 기능 경험하기

3.5 트랜스크라이브의 스마트 음성 변환 기능은 구글 AI 스튜디오 및 제미나이 엔터프라이즈 에이전트 플랫폼뿐만 아니라 일반 이용자를 위한 구글 제품 전반에서 이용하실 수 있습니다.

안드로이드용 Gboard: 3.5 트랜스크라이브는 새로운 램블러(Rambler) 기능을 통해 불필요한 추임새를 걸러내고 말로 표현한 생각을 깔끔하게 서식이 적용된 텍스트로 변환합니다. 또 음성으로 내용을 수정하거나 오탈자를 바로잡고 문체를 변경할 수도 있습니다.
구글 안티그래비티(Google Antigravity): ‘3.5 트랜스크라이브’는 이용자의 동의하에 화면 맥락과 대화 기록을 함께 활용해 파일명, 에이전트의 사고 과정(agent thoughts), 작업 중인 문서 전반의 내용을 정확하게 음성 변환합니다.
macOS용 제미나이 앱: ‘3.5 트랜스크라이브’는 자연스럽게 말한 내용을 정리된 텍스트로 변환할 뿐만 아니라, 화면과 원활하게 연계되는 음성 명령을 통해 복잡한 워크플로우도 수행할 수 있습니다. 백그라운드에서 다른 제미나이 모델을 호출해 복잡한 작업을 처리하기 때문에, 목소리만으로 로컬 파일을 요약하거나 여러 앱에서 텍스트를 재활용하고, 커서가 위치한 곳에 바로 이미지를 생성할 수 있습니다.
크롬(Chrome) 출시 예정: 향후 크롬의 모든 웹 입력란에서 '음성으로 입력하기(talk to type)' 기능을 이용할 수 있게 됩니다. 이를 통해 음성으로답장을 작성하거나 게시물 초안을 작성하고, 크롬에서 제미나이에 프롬프트를 입력하는 작업을 한층 더 자연스럽고 간편하게 수행할 수 있습니다.