통화 전사: 전화 통화를 텍스트로 변환하는 방법

웨비나 녹화본을 최신 전사 도구 아무거나에 넣으면 결과는 거의 흠잡을 데가 없습니다. 지난주 화요일의 영업 통화를 같은 도구에 넣으면 사람 이름의 절반이 틀리고, 금액은 엉뚱하게 바뀌어 있으며, 중간 어딘가에서는 두 사람이 한 사람이 되어 있습니다. 같은 소프트웨어, 같은 화자인데 결과는 천지 차이이고, 그 이유는 모델과 거의 관계가 없습니다.

통화 전사는 일반 전사의 하위 분야로 취급되곤 합니다. 하지만 실제로는 별개의 분야에 더 가깝습니다. 대화가 마이크로 바로 들어가는 대신 전화 회선을 타고 가는 순간, 음질과 화자 분리, 그리고 파일이 어디에 저장되는지에 대해 당연하게 여기던 모든 가정이 달라집니다. 음성을 텍스트로 바꾸는 일반적인 원리가 궁금하다면 전사가 실제로 어떻게 작동하는지를 따로 다뤘습니다. 이 글은 전화 통화가 망가뜨리는 부분에 관한 이야기입니다.

전화 통화가 회의보다 어려운 이유

먼저 네트워크가 무엇을 버리는지부터 봅시다. 전통적인 전화는 협대역입니다. 오디오는 8 kHz로 샘플링되며, 이는 대략 3.4 kHz 이상의 모든 것이 녹음기에 닿기도 전에 버려진다는 뜻입니다. 이 대역은 장식이 아닙니다. 영어로 치면 s와 f의 차이가 바로 여기에 있고, th와 v가 갈리는 곳도 여기이며, 치찰음이 fifteen과 fifty를 구별할 만큼의 정보를 실어 나르는 곳도 여기입니다. 16 kHz로 샘플링한 광대역 오디오는 이 대역을 보존합니다. 전화 회선은 그렇지 않습니다.

현대 음성 인식 시스템은 압도적으로 광대역 오디오로 학습되어 있어서, 8 kHz 입력을 넣으면 대부분 먼저 업샘플링을 합니다. 업샘플링은 파일의 형식을 맞춰 줍니다. 하지만 이미 제거된 것을 되돌려 놓지는 못합니다. 복원된 주파수에는 아무 정보도 없습니다. 애초에 없었기 때문입니다.

그 결과는 숫자에 그대로 드러나며, 공개 벤치마크가 한결같이 오해를 부르는 이유도 여기에 있습니다. 샘플링 레이트 외에는 아무것도 바꾸지 않은 통제 연구들은 협대역 오디오 그 자체만으로도 정확도가 떨어진다는 사실을 보여 줍니다. 실제 통화에는 여기에 코덱 압축, 모바일 네트워크, 혼선(크로스토크), 배경 소음이 겹겹이 더해지고, 실제 운영 중인 콜센터 오디오의 오류율은 리더보드 수치의 몇 배에 이른다는 보고가 흔합니다. 벤더 벤치마크는 거의 언제나 깨끗한 광대역 녹음으로 측정되므로, 전화 오디오에 대해서는 어떤 대표 정확도 수치든 예측치가 아니라 상한선으로 받아들이십시오.

압축은 또 하나의 층을 더합니다. 지금도 전화망의 주력 코덱인 G.711은 설계부터 협대역입니다. G.722, Opus, EVS는 광대역 이상의 오디오를 실어 나르고 소리도 확연히 좋지만, 통화의 모든 구간이 이를 지원할 때에만 효과가 있습니다. 참가자 한 명만 휴대폰으로 전화를 걸어 들어와도 대화 전체가 가장 낮은 수준으로 끌어내려집니다. 네트워크가 양쪽 끝이 모두 이해할 수 있는 형식으로 트랜스코딩해야 하기 때문입니다.

30초면 할 수 있는 진단법. 녹음된 통화를 아무 오디오 편집기에서 열고 주파수(스펙트럼) 보기로 전환하십시오. 에너지가 3.4 kHz 부근에서 뚝 끊겨 평평한 선이 된다면, 지금 다루는 것은 협대역 오디오이고 전사 벤더를 아무리 바꿔도 해결되지 않습니다. 해결되는 것은 통화를 실어 나르는 방식을 바꿀 때입니다. 휴대폰 구간 대신 VoIP 구간을, 스피커폰 대신 헤드셋을 쓰는 것입니다.

1채널이냐 2채널이냐, 그리고 그것이 모든 것을 결정하는 이유

통화 오디오와 회의 오디오를 가르는 두 번째 요소는 최종적으로 몇 개의 트랙을 손에 쥐게 되느냐이며, 이는 대부분의 구매자가 생각하는 것보다 중요합니다.

통화에는 두 개의 구간(레그)이 있습니다. 녹음이 이 둘을 따로 담는다면, 즉 발신자는 왼쪽 채널, 상담원은 오른쪽 채널에 담긴다면, 화자 분리는 더 이상 머신러닝 문제가 아닙니다. 파일에 관한 사실일 뿐입니다. 1번 채널의 모든 단어는 한 사람의 것이고 2번 채널의 모든 단어는 다른 사람의 것이므로, 두 사람이 동시에 말해도 전사본에는 라벨이 정확하게 붙습니다.

이 두 구간을 하나의 모노 트랙으로 섞어 버리면 그 확실성을 내버린 셈입니다. 이제 소프트웨어는 음높이, 음색, 타이밍을 이용해 목소리만으로 화자를 구별해야 합니다. 깨끗한 광대역 오디오에서는 그럭저럭 잘 됩니다. 한 목소리를 다른 목소리와 구별해 주는 바로 그 주파수가 걸러져 나간 협대역 전화 회선에서는 훨씬 덜 됩니다. 게다가 전화 대화에는 공교롭게도 이를 무너뜨리는 상황이 가득합니다. 시각적 단서가 없으니 사람들은 대면할 때보다 훨씬 자주 서로의 말을 끊기 때문입니다.

컨택센터 플랫폼들이 수년 전부터 기본값으로 듀얼 채널 녹음을 해 온 것도 바로 이 때문입니다. 반면 많은 비즈니스 전화 시스템과 대부분의 일반 소비자용 녹음 앱은 여전히 하나로 섞인 파일을 건넵니다. 어떤 전사 도구가 우리 통화에 약하다고 결론 내리기 전에, 그 도구에 어느 쪽을 넣고 있는지부터 확인하십시오.

PSTN, VoIP, 그리고 사슬에서 가장 약한 고리

비즈니스 통화를 실어 나르는 경로는 세 가지이며, 각각 다른 품질의 녹음을 만들어 냅니다.

PSTN과 휴대폰은 기존 경로입니다. 협대역이며, 어김없이 그렇습니다. 휴대폰은 그 위에 자체 압축을 더합니다. 이것이 바닥입니다. VoIP는 훨씬 나을 수 있습니다. Opus나 G.722를 쓰는 소프트폰 대 소프트폰 통화는 진짜 광대역이기 때문입니다. 하지만 이는 양쪽 단말과 그 사이의 모든 홉이 광대역 코덱으로 협상할 때에만 성립합니다. 섞인 통화는 품질이 내려갑니다. Zoom, Google Meet, Microsoft Teams 같은 회의 플랫폼은 모두가 앱으로 참여하면 처음부터 끝까지 광대역입니다. 회의 전사본이 통화 전사본보다 훨씬 잘 읽히는 진짜 이유가 바로 이것입니다.

이 마지막 지점에는 실무적인 함의가 있습니다. 여섯 명은 노트북으로, 한 명은 전화 접속 번호로 참여하는 Teams 회의는 단지 소리가 나쁜 화자 한 명을 만들어 내는 데 그치지 않습니다. 전화로 접속한 참가자만 다른 모든 사람보다 눈에 띄게 부정확하게 전사되고, 그 사람이 다른 사람과 말이 겹칠 때 한 말은 사라질 가능성이 큰 회의가 되기 십상입니다. 어떤 이해관계자가 늘 전화로 참여한다면, 그 기록에 의존하기 전에 알아 둘 만한 사실입니다.

통화를 전사하는 다섯 가지 방법

여기에 정답은 하나가 아니며 맞교환만 있을 뿐입니다. 어떤 방법이 맞는지는 이번 분기에 어느 엔진이 조금 더 정확한지보다, 전사본이 최종적으로 어디에 도착해야 하는지에 훨씬 더 크게 좌우됩니다.

가격은 2026년에 공개된 정가 기준입니다. 특히 컨택센터 계약은 물량이 많으면 정가보다 훨씬 낮은 수준으로 협상되는 것이 일반적입니다.

대부분의 팀은 정확도 열을 지나치게 고민하고, 전사본이 도착하는 곳에 관한 열은 너무 적게 고민합니다. 컨택센터 스위트는 전화 오디오에 대한 기술적으로 올바른 답이지만, Google Meet에서 일주일에 네 번 디스커버리 콜을 하는 12명 규모의 회사에는 잘못된 구매입니다. 이런 형태의 팀에게는 회의 어시스턴트 경로가 대개 비용 면에서도, 그리고 정말 중요한 한 가지, 즉 결과물이 CRM에 도달하느냐 하는 면에서도 이깁니다. Laxis AI 회의 어시스턴트 같은 도구가 바로 이 영역에 있습니다. Zoom, Google Meet, Microsoft Teams 전반에서 대화를 캡처하고, 다른 곳에서 녹음한 통화의 MP3, WAV, M4A 파일 업로드를 받으며, Business 플랜에서는 요약과 실행 항목을 HubSpot이나 Salesforce로 보냅니다. 솔직한 단서는 이 범주의 모든 도구에 똑같이 해당합니다. 이 도구는 컨택센터의 통화 물량이 아니라 회의와 대화를 중심으로 만들어졌으므로, 하루에 4,000건의 통화를 전사한다면 그 용도로 설계된 플랫폼을 사십시오. 이 범주에서 고르고 있다면 AI 회의록 도구를 더 폭넓게 정리한 글도 있습니다.

실시간인가, 모두가 전화를 끊은 뒤인가

실시간 전사와 통화 후 전사는 같은 기능처럼 보이지만 전혀 다르게 작동합니다.

스트리밍 전사는 말이 끝난 지 1~2초 안에 텍스트를 돌려주며, 실시간 상담원 지원, 컴플라이언스 알림, 화면 번역을 가능하게 하는 것이 바로 이것입니다. 대가는 정확도입니다. 스트리밍 시스템은 문장의 끝을 듣기 전에 추측을 확정해야 하고, 오디오가 더 들어오면서 앞의 단어를 수정하긴 하지만 완전한 맥락이라는 호사는 결코 누리지 못합니다. 통화 후 처리는 누립니다. 녹음 전체를 갖고 있어서 앞뒤를 모두 볼 수 있고, 일반적으로 더 정확하면서 분당 비용도 저렴합니다.

유용한 방법은 이것을 하나의 선택으로 다루지 않는 것입니다. 실시간 출력은 통화 중에 일어나야 하는 일을 위한 것입니다. 통화 후 출력은 기록, 요약, CRM 입력, 그리고 누군가 나중에 읽을 모든 것을 위한 것입니다. 둘 다 지원하는 플랫폼은 많고, 같은 통화에서 거친 실시간 피드와 깔끔한 최종 전사본을 모두 만들지 못할 이유는 없습니다.

벤더를 바꾸는 것보다 나은 저렴한 개선 두 가지. 제품명, 경쟁사 이름, SKU 형식, 그리고 영업 담당자들이 자꾸 틀리게 말하는 이름들로 사용자 지정 어휘를 채우십시오. 고유명사는 전화 전사가 가장 눈에 띄게 실패하는 지점이며, 도움 없이 이를 맞히는 모델은 없습니다. 그다음, 모두가 헤드셋을 쓰게 하십시오. 벽이 단단한 방에서 쓰는 스피커폰은 에코를 더하고, 에코는 어떤 억양보다도 빠르게 화자 분리를 혼란에 빠뜨립니다.

이 모든 것이 그만한 가치가 있었는지를 결정하는 부분

통화 전사 소프트웨어에 관한 불편한 진실이 있습니다. 모두가 평가하는 것은 정확도이지만, 구매가 본전을 뽑느냐를 결정하는 것은 워크플로입니다.

아무도 열지 않는 도구 안에 놓인 전사본은 아무 가치가 없습니다. 올바른 연락처, 올바른 영업 기회에 연결되어 그 고객사의 나머지 이력과 나란히 검색할 수 있는 전사본은 딜이 진행되는 방식을 바꿉니다. 이 두 결과 사이의 간극은 배관의 문제이며, 엔진을 비교하기 전에 답해 둘 가치가 있습니다.

차이를 만드는 것은 세 가지입니다. 전사본은 그냥 저장되는 것이 아니라 레코드에 연결되어야 합니다. 연락처, 회사, 진행 중인 딜이 전화번호나 캘린더 초대에서 자동으로 찾아져야 합니다. 또 읽을 수 있는 형태로 압축되어야 합니다. 반론 하나를 찾으려고 40분짜리 축어 기록을 스크롤하는 사람은 없기 때문입니다. 실제로 쓰이는 것은 요약과, 담당자 이름이 붙은 약속 목록입니다. 그리고 사람의 손을 거치지 않고 도착해야 합니다. 영업 담당자가 무언가를 붙여 넣는 걸 기억하는 데 의존하는 워크플로는 3주 차쯤이면 조용히 작동을 멈추기 때문입니다.

마지막 요건이 바로 대부분의 구성이 무너지는 지점이며, CRM 내장 통화 기능과 CRM 동기화 어시스턴트가 정확도 점수 이상의 성과를 내는 이유이기도 합니다. 예를 들어 Laxis는 담당자가 지정된 실행 항목을 추출하고, Business 플랜에서는 아무도 전사본을 열지 않아도 결과를 HubSpot이나 Salesforce에 동기화합니다. 처리는 사용자의 기기가 아니라 클라우드에서 이뤄지므로, 도입을 결정하기 전에 자사 정책과 대조해 확인해 볼 만합니다.

무엇을 기대해야 하는지, 그리고 저렴하게 확인하는 법

공개된 정확도 수치를 보고 구매하지 마십시오. 실제 녹음 다섯 개를 가져오십시오. 회선이 나쁜 것, 억양이 강한 것, 고객사 구매 책임자가 우리 AE(어카운트 이그제큐티브)의 말에 끼어드는 것. 그리고 최종 후보에 오른 모든 도구에 돌려 보십시오. 실제로 손해를 끼칠 오류만 세십시오. 틀린 숫자, 틀린 이름, 누가 무엇에 동의했는지의 잘못된 귀속. 군말에서 생긴 오타는 잡음일 뿐입니다.

그에 맞게 기대치를 정하십시오. 두 사람이 헤드셋을 쓴 깨끗한 VoIP 통화라면, 좋은 시스템은 회의 오디오와 비슷한 수준에 도달합니다. 도로 소음이 섞이고 모델이 별로 들어 보지 못한 억양이 있는 휴대폰 통화라면, 전사본은 내용을 떠올리는 데는 쓸 만하지만 인용하기에는 믿을 수 없습니다. 같은 벤더, 같은 날에도 두 가지가 모두 사실일 수 있으며, 바로 그래서 벤더는 하나의 숫자를 진심으로 약속할 수 없습니다.

선택 사항이 아닌 것이 하나 있습니다. 이 모든 것을 돌리기 전에 동의 문제를 제대로 처리하는 것입니다. 규칙은 관할권마다 다르고, 처벌은 이론 속 이야기가 아닙니다. 우리의 통화 녹음 가이드는 실제 방법과 동의 규칙을, 모든 당사자의 동의를 요구하는 미국 주들까지 포함해 다룹니다.

그래서 무엇을 해야 하는가

통화 전사에서 흥미로운 변화는 모델이 좋아졌다는 점이 아닙니다. 물론 좋아지긴 했습니다. 병목이 옮겨 갔다는 점입니다. 지난 10년의 대부분 동안 어려운 부분은 단어를 정확히 받아 적는 것이었습니다. 이제 어려운 부분은 전화망이 수십 년 동안 버려 온 주파수 대역, 그리고 녹음을 어떻게 담을지에 관한 일련의 결정입니다. 1채널이냐 2채널이냐, 앱이냐 전화 접속이냐, 광대역이냐 아니면 네트워크가 협상해 낸 무엇이냐. 이런 선택은 전화 시스템을 설정하는 사람이 하며, 대개는 아무도 전사를 언급하지 않습니다.

그래서 이것은 가장 저렴한 개선책이 구매가 아닌 드문 상황입니다. 그것은 전화 시스템을 책임지는 사람과 나누는 대화이며, 질문은 두 가지입니다. 양쪽 구간을 따로 녹음할 수 있는가, 그리고 더 많은 통화를 광대역 경로로 유지할 수 있는가. 이 두 가지에 답이 나오면 웬만한 엔진은 거의 다 제 몫을 합니다.

자주 묻는 질문

통화 전사란 무엇인가요?

통화 전사는 전화나 VoIP 대화를 검색 가능한 텍스트로 변환하는 것으로, 보통 화자마다 라벨을 붙이고 각 줄에 타임스탬프를 답니다. 일반 오디오 파일을 전사하는 것과는 한 가지 중요한 점에서 다릅니다. 소리가 압축된 전화 채널을 거쳐 왔으며, 하나로 섞인 녹음으로 도착할 수도 있고 두 개의 분리된 구간으로 도착할 수도 있다는 점입니다.

전화 오디오에서 통화 전사는 얼마나 정확한가요?

벤더가 공개하는 수치보다 눈에 띄게 낮은 정확도를 예상하십시오. 그 수치는 깨끗한 광대역 녹음에서 나온 것이기 때문입니다. 협대역 오디오는 그 자체로 정확도를 떨어뜨리고, 실제 통화에는 압축, 혼선, 소음이 더해지므로, 전화 오디오의 오류율은 대표 수치보다 몇 배 높을 수 있습니다. 2채널 녹음과 사용자 지정 어휘로 그중 상당 부분을 되찾을 수 있습니다.

전화 통화를 자동으로 전사할 수 있나요?

네. 대부분의 비즈니스 전화 시스템, 통화 기능이 내장된 CRM, 컨택센터 플랫폼은 녹음을 켜기만 하면 자동으로 전사하며, 통신 API를 기반으로 개발하면 텍스트를 실시간으로 스트리밍해 돌려받을 수도 있습니다. 실질적인 제약은 대개 기술이 아니라 라이선스입니다. 많은 요금제가 전사 기능을 유료 좌석 등급이나 월간 분 단위 제공량 뒤에 묶어 두기 때문입니다.

영업 통화를 전사하는 가장 좋은 방법은 무엇인가요?

아무도 무언가를 복사하지 않아도 전사본이 올바른 CRM 레코드에 도착하는 경로를 고르십시오. 실제로는 CRM 기록 기능이 내장된 다이얼러, 또는 Zoom, Google Meet, Teams에서 하는 통화라면 HubSpot이나 Salesforce와 동기화되는 회의 어시스턴트 중 하나를 뜻합니다. 순수한 정확도는 영업 담당자가 그것을 실제로 열어 보느냐보다 덜 중요합니다.

통화 전사는 실시간으로 작동하나요?

네. 다만 실시간 전사와 통화 후 전사는 사실상 서로 다른 제품입니다. 스트리밍 시스템은 1~2초 안에 텍스트를 돌려주고 오디오가 더 들어오면서 앞의 단어를 수정하는데, 다음에 무엇이 올지 볼 수 없으므로 정확도에 한계가 있습니다. 통화가 끝난 뒤의 처리는 녹음 전체를 활용할 수 있어 대개 더 정확하고 비용도 저렴합니다.

통화 전사본은 어디에 저장해야 하나요?

그것이 필요한 사람들이 이미 일하고 있는 곳입니다. 매출 조직에게 그곳은 CRM이며, 별도의 도구에 묵혀 두는 것이 아니라 연락처와 진행 중인 영업 기회에 연결해 두어야 합니다. 규제를 받는 팀은 그 위에 보존 기간과 접근 통제를 더합니다. 후속 메일을 쓰는 동안 아무도 찾을 수 없는 전사본은 돈을 아낀 것이 아니라 쓴 것입니다.