오디오 전사: 회의 녹음을 텍스트로 바꾸는 법

오디오 전사란

오디오 전사는 녹음된 말을 글로 된 텍스트로 바꾸는 과정입니다. 오디오 파일에 음성 인식 모델을 돌리는 방법이 있고, 사람이 들으면서 받아 적는 방법이 있습니다. 이 글을 읽고 있다면 아마 파일은 이미 손에 있을 겁니다. 어제 고객과의 통화, 음성 메모, 인터뷰, 다운로드 폴더에 들어 있는 웨비나 녹화본. 이제 필요한 건 그 안의 말입니다.

이것은 회의를 잘 녹음하는 것과는 다른 문제입니다. 녹음은 이미 끝났고, 좋든 나쁘든 결과는 정해졌습니다. 이제 와서 마이크 위치를 바꿀 수는 없습니다. 아직 통제할 수 있는 것은 도구에 넣을 파일, 여러 화자를 다루는 방식, 필요한 정확도, 그리고 얼마나 손볼지입니다. 이 네 가지 결정이 동료가 읽는 문서가 될지, 아무도 열어 보지 않는 글자 벽이 될지를 가릅니다.

전사본은 회의록도 요약도 아닙니다. 오간 말을 발언 순서대로 빠짐없이 옮긴 전체 기록입니다. 전사본의 구성이 궁금하다면 전사본에 실제로 무엇이 들어 있는지를 참고하세요.

잘 전사되는 오디오 파일과 조용히 실패하는 파일

여기서는 두 가지가 자주 혼동됩니다. 눈에 보이는 파일 확장자인 컨테이너와, 안의 오디오가 어떻게 인코딩되었는지를 뜻하는 코덱입니다. 대부분의 도구는 둘 다 신경 쓰지만 알려 주는 것은 앞의 것뿐입니다.

샘플레이트는 생각보다 중요합니다. 음성 모델은 16 kHz 오디오를 기준으로 만들어지며, OpenAI의 Whisper 문서도 입력을 16 kHz 모노로 리샘플링하도록 명시합니다. 44.1 kHz 녹음은 다운샘플링해도 문제없습니다. 하지만 8 kHz 녹음은 업샘플링해도 애초에 담기지 않은 정보를 되살릴 수 없습니다. 전화 음성의 진짜 문제가 여기 있습니다. 전화 표준인 ITU-T G.711은 통과 대역을 대략 300~3,400 Hz로 제한해, "s"와 "f"와 "th"를 구별하는 고음역 에너지를 잘라 냅니다. 사람의 귀는 문맥으로 그 빈틈을 메우지만, 모델은 추측할 수밖에 없고 가장 먼저 틀리는 것이 이름과 숫자입니다.

또 하나의 조절 수단은 비트레이트입니다. 강하게 압축된 mp3는 인식 모델에 필요한 미세한 정보를 버립니다. 원본이 제공하는 최고 품질로 내보내고 다시 압축하지 마세요. 모노로도 충분하며, 한쪽 채널이 거의 무음인 스테레오 파일보다 나은 경우가 많습니다.

파일의 출처도 중요합니다. 클라우드 녹화는 보통 mp4와 별도의 오디오 전용 파일로 제공되는데, 업로드에는 오디오 전용 파일이 더 좋습니다. 참가자별로 트랙을 따로 제공하는 플랫폼도 있는데, 화자 구분을 위해 할 수 있는 가장 좋은 방법입니다. 플랫폼 자체 전사본에도 저마다 특징이 있어서, Zoom에서 전사본을 받는 방법은 원본 파일을 업로드하는 것과 방식이 다릅니다.

여러 화자가 섞인 오디오와 화자 라벨이 실제로 할 수 있는 일

화자 분리(스피커 다이어라이제이션)는 하나의 오디오 스트림을 누가 언제 말했는지로 나누고, 발언마다 Speaker 1, Speaker 2 같은 라벨을 붙이는 단계입니다. 단어를 만들어 내는 인식 과정과는 따로 돌아가기 때문에, 텍스트는 정확한데 라벨은 크게 틀린 전사본이 나올 수 있습니다.

목소리가 뚜렷이 다르고, 차례대로 말하고, 모두가 마이크 가까이 있을 때는 잘 작동합니다. 가장 잘 작동하는 경우는 화자마다 채널이 따로 있을 때인데, 그러면 구분이 아예 추론이 아니게 됩니다. 무너지는 지점은 다음과 같습니다.

• 말이 겹칠 때. 두 사람이 동시에 말해도 모델은 겹친 구간을 한 라벨에 배정해야 합니다. 목소리가 작은 쪽을 통째로 빼 버리는 도구도 있습니다.
• 넓은 방에 무지향성 마이크 하나. 딱딱한 벽에서 울리는 반향 때문에 같은 목소리가 약간씩 늦게 여러 번 마이크에 닿습니다. 화자 분리가 의존하는 음향 특징이 번지고, 마이크에서 먼 사람들이 하나로 합쳐집니다.
• 짧은 맞장구. "네", "그렇죠", "음"은 너무 짧아 특징을 잡을 수 없어서, 앞뒤로 말하던 사람의 발언에 흡수됩니다.
• 비슷한 목소리. 음높이가 비슷하고 억양이 같은 두 사람은 한 라벨로 묶이는 일이 흔합니다.
• 인원 추정 오차. 대부분의 도구는 참석 인원을 추정합니다. 적게 잡으면 동료 두 명이 라벨 하나를 나눠 쓰고, 많이 잡으면 자리를 옮긴 한 사람이 Speaker 3과 Speaker 5로 나뉩니다.

기대치를 그에 맞게 조정하세요. 서너 명이 나오는 깨끗한 녹음이라면 발언 경계는 대체로 제자리에 떨어지고, Speaker 1을 실제 이름에 연결하는 데 몇 분이면 됩니다. 여덟 명이 스피커폰으로 참여한 녹음이라면 라벨은 힌트 정도로 여기고, 중요한 순간(누가 날짜를 약속했는지, 누가 반대했는지)은 오디오로 확인하세요.

정확도: 그 숫자가 실제로 뜻하는 것

표준 지표는 단어 오류율(WER)이며, 이를 이해하면 모든 업체의 정확도 주장을 읽는 방식이 달라집니다. WER은 기준 전사본과 비교해 대체, 삭제, 삽입의 세 가지 오류를 세고, 그 합을 기준 전사본의 단어 수로 나눈 값입니다. NIST가 음성 인식 벤치마크 평가에 사용해 온 지표이며, "95% 정확도"라고 하면 보통 단어 오류율 5%를 뜻합니다.

문제는 WER이 모든 오류를 똑같이 취급한다는 점입니다. "um"이 빠진 것과 "not"이 빠진 것은 똑같이 삭제 한 번이지만, 문장의 뜻을 뒤집는 것은 후자뿐입니다. 시간을 잡아먹는 오류는 가장 중요한 단어에 몰립니다. 이름, 숫자, 제품 용어, 부정어입니다.

그 숫자가 어디서 나왔는지도 봐야 합니다. 공개된 정확도 수치는 벤치마크 말뭉치에서 측정되며, 그 말뭉치는 여러분의 회의실과 전혀 닮지 않았습니다. LibriSpeech는 오디오북 낭독 음성입니다. 한 사람이 원고를 조용한 방에서 가까운 마이크에 대고 읽습니다. Switchboard는 모르는 사람끼리 나눈 전화 대화입니다. 광고되는 정확도는 거의 언제나 깨끗한 낭독 음성의 결과이고, 화요일 아침 스탠드업 회의가 오디오북처럼 들리는 사람은 없습니다.

실제로 정확도를 떨어뜨리는 요인을 피해가 큰 순서대로 대략 나열하면 이렇습니다.

• 겹치는 발화. 이 분야에서 가장 어려운 경우입니다.
• 반향과 마이크와의 거리. 대부분의 사람이 생각하는 것보다 타격이 큽니다.
• 낮은 비트레이트나 협대역 오디오. 이유는 위의 샘플레이트 부분과 같습니다.
• 모델의 학습 데이터에서 비중이 적은 억양과 방언. 음성 시스템의 잘 알려진 한계이지 사소한 오차가 아닙니다.
• 업계 용어, 제품명, 약어, 성씨. 학습 데이터에 드물게 나오지만 가치가 큰 단어들입니다.
• 배경 소음과 문장 중간의 언어 전환. 이를 위해 만들어진 모델이 아니면 잘 처리하지 못합니다.

두 시간짜리 파일을 돌리기 전에, 처음 3분만 잘라 전사한 뒤 읽어 보세요. 3분 분량부터 손볼 곳이 많다면 나머지 117분은 그에 비례해 더 많은 손질이 필요합니다. 기계로 돌리고 직접 편집할지, 처음부터 사람에게 맡길지 정할 때가 바로 그때입니다.

모든 원본 전사본에 필요한 정리 작업

어떤 전사 도구에서 나왔든 원본 출력은 데이터 더미이지 문서가 아닙니다. 동료가 읽을 수 있는 상태로 만들려면 의도적인 정리가 필요하며, 다음 순서로 하면 더 빨리 끝납니다.

1. 먼저 화자 라벨을 실제 이름에 연결하세요. 누가 말하는지 보이면 이후 모든 단계가 쉬워지고, "Speaker 2"를 한꺼번에 찾아 바꾸는 데는 거의 비용이 들지 않습니다.
2. 고유명사를 고치세요. 전사에서 가장 예측 가능한 오류입니다. 회사 이름, 제품 이름, 팀이 하루에 마흔 번은 말하는 약어, 통화 상대의 성. 엔진은 같은 단어를 매번 같은 방식으로 틀리기 때문에, 용어마다 한 번씩 찾아 바꾸기로 대개 전부 정리됩니다. 더 좋은 방법은 예방입니다. 사용자 지정 어휘를 쓰면 전사 전에 용어를 등록할 수 있는데, Laxis 미팅 어시스턴트의 개인 사전(Personal Dictionary)이 바로 그 기능입니다.
3. 축어 전사와 정리 전사 중 하나를 정하고 일관되게 유지하세요. 축어 전사는 군말, 말을 고쳐 시작한 부분, 반복을 모두 남기며, 연구용이나 다툼이 생길 수 있는 기록에 적합합니다. 정리 전사는 이를 걷어 내며, 읽히는 문서라면 이쪽이 필요합니다. 다만 지나치게 다듬지는 마세요. 얼버무림도 내용입니다. "금요일까지는 아마 할 수 있을 것 같아요"와 "금요일까지 하겠습니다"는 같은 약속이 아닙니다.
4. 문단을 나누고 문장 부호를 다세요. 화자가 바뀔 때마다가 아니라 주제가 바뀌는 곳에서 끊으세요. 그러지 않으면 빠르게 오간 대화가 한 줄짜리 문단 마흔 개가 됩니다.
5. 구간이 바뀌는 곳에 타임스탬프를 넣으세요. 누구든 오디오의 해당 위치로 바로 돌아갈 수 있게 합니다.
6. 결정 사항과 액션 아이템을 담당자와 함께 뽑아내세요. 사람들이 실제로 쓰는 부분은 여기입니다.

이론보다 실제 절차가 궁금하다면, 오디오를 텍스트로 전사하는 전체 과정을 단계별로 정리해 두었습니다.

여러 언어가 섞인 오디오

녹음이 영어가 아니거나 영어만으로 되어 있지 않다면, 모든 것을 결정하는 질문은 두 가지입니다. 도구가 언어를 스스로 감지하는가, 그리고 그 언어를 제대로 지원하는가. 지원 범위는 도구마다 크게 다르며, 지원 목록에 올라 있다고 해서 영어만큼 잘 전사된다는 뜻은 아닙니다. 학습 데이터가 고르게 분포되어 있지 않기 때문입니다.

Laxis는 100개 이상의 언어를 지원하고 언어를 자동으로 감지합니다. 실시간 회의에서는 사람이 말하는 동안 번역을 원문 옆에 나란히 보여 주며, Business 요금제에서는 한 회의 안에서 최대 다섯 개 언어를 자동으로 전환합니다. 이미 가지고 있는 파일이라면 올바른 순서로 진행하세요. 먼저 전사본을 정확하게 만들고, 번역은 그다음입니다. 인식 오류투성이인 전사본을 번역하면, 그 번역의 오류가 원문의 어디에서 왔는지 아무도 거슬러 올라갈 수 없습니다.

걸리는 시간과 비용

기계 전사는 녹음 길이의 일부만큼의 시간이면 끝납니다. 한 시간 분량의 오디오라면 보통 몇 분이고, 다른 작업 뒤에 대기하면 조금 더 걸립니다. 사람의 전사는 반대입니다. 전사자는 멈추고, 되감고, 철자를 확인하느라 실제 시간보다 느리게 작업하기 때문에, 소요 기간은 시간이나 일 단위로 안내되고 비용은 오디오 분 단위로 매겨집니다. 급행은 더 비쌉니다. 일반적인 시세가 아니라 해당 업체의 요금표를 직접 받으세요. 가격은 소요 기간, 음질, 화자 수에 따라 크게 달라집니다.

소프트웨어에서 사람들이 부딪히는 제약은 대개 가격이 아니라 녹음 한 건당 길이 제한이며, 이는 월별 분 한도와 별개입니다. 실시간 회의 녹음뿐 아니라 오디오 파일 업로드도 지원하는 Laxis의 경우는 다음과 같습니다.

사람들이 가장 많이 걸려 넘어지는 것은 녹음 한 건당 제한입니다. 세 시간짜리 전사 회의는 Free에도 Premium에도 들어가지 않으므로, 파일을 나누거나 상위 요금제로 옮겨야 합니다. 또 CRM 동기화는 Premium이 아니라 Business에 있습니다. 통화를 전사해 파이프라인에 올리려는 경우라면 중요한 부분입니다. Laxis는 데스크톱과 모바일에서 작동하고, Zoom, Google Meet, Microsoft Teams와 연결되며, 눈에 보이는 참가자가 회의에 들어오는 것을 원하지 않을 때는 봇 없이 녹음하는 방식도 선택할 수 있습니다.

특정 파일의 문제를 해결하는 것이 아니라 도구를 비교하고 있다면, 2026년 AI 노트테이커 비교에서 이 분야의 도구들을 나란히 비교해 두었습니다.

사람에게 맡겨야 할 때

대부분의 오디오에는 소프트웨어가 올바른 기본 선택입니다. 그렇지 않은 경우도 있으며, 그걸 솔직하게 알아 두는 편이 나중에 비싼 대가를 치르는 것보다 쌉니다.

법적·공식 기록. 증언 녹취, 법정 절차, 규제 당국 제출 서류, 그리고 증거로 제출될 수 있는 모든 자료는 일반적으로 정확성을 증명하는 자격 있는 전사자의 인증 전사본이 필요합니다. 기계 출력은 아무리 정확해도 인증된 기록이 아닙니다.

나쁜 음질에 중요도까지 높을 때. 반향이 심한 방에 멀리 놓인 마이크 하나, 게다가 말이 많이 겹치는 녹음인데 내용이 정말 중요하다면, 편집에 드는 시간이 전사자 비용보다 더 비쌉니다. 선택하기 전에 정리 작업량을 솔직하게 가늠해 보세요.

억양이 강하고 결과가 중요할 때. 인식 품질은 억양과 방언에 따라 고르지 않습니다. 모델이 화자의 억양을 잘 처리하지 못하는데 그 전사본이 인용되거나, 근거로 쓰이거나, 화자 본인에게 보여질 예정이라면 사람에게 맡기세요.

축어 연구 전사. 질적 연구, 언어학, 일부 임상 업무에서는 머뭇거림, 겹침, 자기 수정 자체가 데이터이지 잡음이 아닙니다. 축어 전사에는 정해진 규칙이 있고, 기계는 그것을 적용하지 않습니다.

규제 대상 오디오. 규정 준수 여부는 업로드한 뒤가 아니라 업로드하기 전에 확인하세요. Laxis는 HIPAA를 준수하지 않으며 BAA에 서명하지 않으므로, 보호 대상 건강 정보는 Laxis를 거쳐서는 안 됩니다. 다른 도구들의 약속은 저마다 다르며, 확실히 알 수 있는 유일한 방법은 업체에 서면으로 묻는 것입니다.

사람들이 잊곤 하는 중간 선택지도 있습니다. 먼저 기계로 전사하고, 처음부터 전사하는 대신 그 초안의 편집을 사람에게 맡기는 방법입니다. 많은 서비스가 이를 제공하며, 전부 사람이 전사하는 것보다 저렴합니다.

이미 가진 파일로 시작하세요

녹음 파일이 지금 바탕화면에 있다면, 업로드해서 처음 몇 분을 읽어 보세요. 나머지에 얼마나 공을 들일지 정하기 전에 무엇을 상대하고 있는지 알 수 있습니다. Laxis 무료 플랜은 월 300분 전사와 녹음 한 건당 45분 한도를 제공하므로, 다듬어진 데모 파일이 아니라 여러분의 가장 나쁜 녹음으로 시험해 보기에 충분하고, 그동안 체험 기간이 줄어들 걱정도 없습니다. Laxis 미팅 어시스턴트로 직접 시험해 보고, 저희 오디오가 아니라 여러분의 오디오로 판단하세요.

자주 묻는 질문

오디오 전사란 무엇인가요?

오디오 전사는 녹음된 말을 글로 된 텍스트로 바꾸는 것으로, 음성 인식 소프트웨어나 사람 전사자가 수행합니다. 입력은 mp3, m4a, wav 같은 오디오 파일이고, 출력은 보통 화자 라벨과 타임스탬프가 붙은 텍스트입니다. 요약이 아닙니다.

어떤 오디오 파일 형식을 전사할 수 있나요?

mp3, m4a, aac, wav는 거의 모든 전사 도구에서 안정적으로 작동하며, flac, ogg, opus도 대체로 됩니다. mp4와 mov 같은 동영상 컨테이너도 도구가 오디오 트랙을 추출하므로 보통 되지만, 아주 큰 파일을 올리기 전에는 확인하세요. DRM으로 보호된 오디오는 전사할 수 없습니다.

자동 오디오 전사는 얼마나 정확한가요?

정확도는 어떤 도구를 고르느냐보다 녹음 자체에 훨씬 크게 좌우됩니다. "99% 정확도" 같은 수치는 한 사람이 또렷하게 낭독한 벤치마크 음성에서 측정한 것이지 회의실에서 잰 것이 아닙니다. 말이 겹치거나, 마이크가 멀거나, 반향이 심하거나, 낯선 억양이나 전문 용어가 많으면 결과가 나빠집니다. 먼저 여러분의 오디오 3분으로 시험해 보세요.

전사 소프트웨어가 화자를 구별할 수 있나요?

네, 화자 분리를 통해 누가 말하는지에 따라 오디오를 나누고 발언에 Speaker 1, Speaker 2 같은 라벨을 붙입니다. 목소리가 뚜렷이 다르고 차례로 말할 때는 믿을 만하지만, 말이 겹치거나 목소리가 비슷하거나 넓은 방에 무지향성 마이크 하나뿐일 때는 믿기 어렵습니다. 라벨을 실제 이름에 연결하는 일은 여전히 직접 해야 합니다.

이미 녹음해 둔 오디오 파일도 전사할 수 있나요?

네. Laxis는 오디오 파일 업로드를 지원하므로, 휴대전화나 회의 플랫폼, 전용 녹음기로 녹음한 파일을 실시간 회의 없이 전사할 수 있습니다. 무료 플랜은 월 300분 전사에 녹음 한 건당 45분 한도이며, Premium은 한도를 2시간으로, Business는 4시간으로 늘립니다.

소프트웨어 대신 사람의 전사를 써야 하는 때는 언제인가요?

인증이 필요한 법적·공식 기록, 머뭇거림과 겹침 자체가 데이터인 축어 연구 전사, 그리고 음질이 나쁜데 중요도가 높아 편집 시간이 전사자 비용보다 더 들 때는 사람에게 맡기세요. 실용적인 중간 방법은 기계로 먼저 전사한 뒤 그 초안을 사람이 편집하게 하는 것입니다.