전사란 무엇인가? 작동 원리와 비용 정리

세 사람이 서로 말을 겹쳐 하는 녹음을 아무거나 틀어 놓고, 그들이 한 말을 그대로 받아 적어 보세요. 10분짜리 오디오에 한 시간 가까이가 날아가고, 그러고도 두 번째 화자가 "안 됩니다"라고 했는지 "됩니다"라고 했는지를 두고 혼자 씨름하고 있을 겁니다. 음성을 듣는 것과 그것을 지면에 못 박는 것 사이의 그 간극이, 이 분야의 전부입니다.

먼저 용어를 정리하겠습니다. 이 단어는 두 가지 일을 겸하고 있으니까요. 생물학에서 전사는 세포가 DNA의 한 구간을 RNA로 복사하는 단계를 뜻합니다. 다른 주제이고, 이 페이지의 내용이 아닙니다. 아래 내용은 모두 다른 쪽 의미, 즉 녹음된 사람의 말을 글로 옮기는 작업에 관한 것입니다.

전사는 결과물이 아니라 행위다

전사는 음성을 듣고 같은 언어의 텍스트로 옮기는 작업입니다. 입력이 있고, 방법(사람, 모델, 또는 둘 다)이 있고, 출력이 있습니다. 혼동이 생기는 이유는 그 일과 그 일이 만들어 내는 결과물을 같은 뿌리의 말로 부르기 때문입니다. 완성된 문서는 전사본이며, 그 레이아웃과 서식, 자막과의 차이는 별개의 주제입니다. 완성된 전사본이 어떤 모습인지는 별도의 가이드에서 다뤘습니다. 이 페이지는 '하는 일'에 관한 이야기입니다.

먼저 헷갈리는 이웃 둘을 걷어 내겠습니다. 번역은 언어를 바꾸고 매체를 유지합니다. 전사는 매체를 바꾸고 언어를 유지합니다. 외국 영화에 자막을 다는 일은 둘 다, 그 순서로 필요합니다. 그리고 받아쓰기는 의도적으로 말해서 글을 만드는 일입니다. 작성자는 당신이고, 기기를 향해 말하는 것이죠. 반면 전사가 상대하는 것은 애초에 문서가 될 생각이 없던 말입니다. 회의 중의 언쟁, 질문에 답하는 증인, 상태가 나쁜 전화 회의선에 모인 세 사람 같은 것들이요. 정말 필요한 것이 받아쓰기라면 최고의 AI 받아쓰기 앱 목록이 더 쓸모 있습니다.

바로 이 의도의 차이 때문에, 전사는 받아쓰기가 겪지 않는 방식으로 어렵습니다. 기록을 위해 또박또박 발음해 주는 사람은 없습니다. 사람들은 서로 말을 끊고, 문장을 흐리고, 잘못된 단어를 골랐다가 세 단어 뒤에 고치고, 어떤 모델도 본 적 없는 고유명사를 말합니다.

방법은 두 가지, 그리고 조용히 이긴 세 번째

수동 전사는 헤드폰과 텍스트 편집기, 그리고 대개는 키보드에서 손을 떼지 않고 되감기 위한 풋 페달을 갖춘 사람입니다. 몇 초 재생하고, 치고, 되감고, 확인합니다. 어려운 구간은 재생 속도를 낮추고, 약품명을 찾아보고, 알아들을 수 없는 부분에 표시를 하고, 마지막으로 오디오와 대조하며 한 번 더 교정합니다. 화려하지 않지만 숙련이 필요한 일이고, 가격은 마진이 아니라 실제 노동을 반영합니다. 오디오 한 시간은 결코 작업 한 시간이 아닙니다.

자동 전사는 같은 일을 자동 음성 인식(ASR) 시스템에 맡깁니다. 파일을 올리거나 마이크를 실시간으로 흘려보내면 몇 초 만에 텍스트가 돌아옵니다. 지치지 않고, 어려운 억양이라고 추가 요금을 받지 않으며, 비용은 자릿수가 하나 다를 만큼 저렴합니다. 동시에 자신이 언제 틀렸는지는 전혀 알지 못합니다. 아래 모든 이야기의 핵심이 여기에 있습니다.

하이브리드, 즉 기계가 먼저 훑고 사람이 고치는 방식이 2026년 대다수 전문 서비스가 실제로 돌리는 방식입니다. 스스로를 사람이 하는 전사라고 광고하는 곳들까지 포함해서요. 계산은 명확합니다. 기계적인 95%는 모델이 처리하고, 사람은 판단이 필요한 5%에 시간을 씁니다. 업계에서는 이를 포스트 에디팅이라고 부릅니다. 오디오를 텍스트로 전사하는 방법 가이드에서 이 작업 흐름을 처음부터 끝까지 다뤘습니다.

ASR 시스템 안에서 실제로 벌어지는 일

수식까지 알 필요는 없지만, 처리 과정을 대략만 그려 두어도 앞으로 마주칠 이상한 오류의 거의 전부를 설명할 수 있습니다.

1. 신호를 담고 정리한다

오디오는 리샘플링되고 모노로 변환되며, 흔히 잡음 억제와 음성 활동 검출을 거쳐 실제로 말이 있는 구간을 찾아냅니다. 여기서 들어간 쓰레기는 되돌릴 수 없습니다. 파일에 깨끗하게 담기지 못한 목소리를 복원해 낼 수 있는 모델은 없습니다.

2. 소리를 그림으로 바꾼다

원시 파형은 신경망에 넣기에 나쁜 입력입니다. 시스템은 오디오를 20~30밀리초씩 겹치는 프레임으로 자르고 각 주파수 대역의 에너지를 계산해 스펙트로그램, 즉 시간에 따른 주파수의 히트맵을 만듭니다. 이 지점에서 음성 인식은 언어학적인 무언가라기보다 이미지 인식에 가깝습니다.

3. 단어로 디코딩한다

스펙트로그램은 큰 신경망으로 들어갑니다. 요즘은 거의 예외 없이 트랜스포머 기반이며, 엄청난 양의 음성-텍스트 쌍으로 학습됩니다. 예전 시스템은 음소를 추측하는 음향 모델, 그것을 단어로 대응시키는 발음 사전, 그럴듯한 순서에 점수를 매기는 언어 모델을 사슬처럼 이어 붙였습니다. 종단 간 시스템은 그 모두를 하나의 모델로 접어 넣고 텍스트 토큰을 바로 내놓습니다. 일반화가 더 잘되는 이유이자, 아무도 하지 않은 문장을 이따금 매끄럽게 지어내는 이유이기도 합니다.

4. 읽을 수 있게 만든다

원시 출력은 구두점 없는 소문자 문자열입니다. 후처리가 대소문자와 구두점을 되살리고, "천사백구십이"를 "1492"로 바꾸며(역텍스트 정규화), 요청하면 군말을 걷어 내고, 사용자 지정 어휘를 적용합니다. 사용자 지정 어휘는 어떤 전사 도구에서든 가장 과소평가된 설정입니다.

5. 누가 말했는지 가려낸다

화자 라벨링, 즉 화자 분리(diarization)는 단어 디코딩의 일부가 아니라 별개의 시스템입니다. 짧은 구간을 음성 임베딩으로 바꾸고, 군집화하고, 각 군집에 식별자를 붙입니다. 단어는 맞는데 라벨이 틀리는 일이 잦은 이유가 여기 있습니다. 비슷한 목소리 둘이 한 군집에 묶이거나, 누군가 마이크에 가까이 다가가는 순간 라벨이 뒤바뀌는 것이죠.

팁: 화자 분리에 승산을 주세요. 사용하는 플랫폼이 참가자별로 오디오 트랙을 따로 녹음할 수 있다면 그 옵션을 켜세요. 화자별 채널은 군집화 문제 자체를 없애 버립니다. 그게 안 된다면 통화 시작 때 모두가 한 번씩 이름을 말하게 하세요. 8초면 되고, 이후 라벨을 고치기가 훨씬 수월해집니다.

정확도 수치, 그리고 그것을 조용히 망가뜨리는 것들

업계는 정확도를 단어 오류율(WER)로 측정합니다. 대치와 누락과 삽입을 더한 뒤 기준 문장의 단어 수로 나눈 값입니다. WER 5%는 단어 정확도 95%를 뜻합니다. 스무 단어 중 하나가 틀렸거나, 빠졌거나, 지어낸 것이라는 의미죠.

솔직한 현재 위치는 이렇습니다. 깨끗하게 잘 녹음된 오디오에서 최고 수준의 시스템은 단어 정확도 9598% 구간에 들어가고, Whisper는 97.9% 안팎으로 측정되었습니다. 표준 낭독 음성 테스트셋에서는 최전선의 클라우드 엔진들이 WER 25%를 기록하며, 2% 아래 결과는 통제된 조건에서 사람 수준에 근접합니다. 공개 모델 경쟁은 아주 빡빡해졌습니다. 2026년 3월 Cohere의 Transcribe가 평균 WER 5.42%로 Hugging Face Open ASR Leaderboard 1위에 올랐고, 다섯 주 뒤 IBM의 Granite Speech 4.1 2B가 5.33%로 근소하게 앞질렀습니다.

이건 실험실 조건입니다. 아래는 그 수치를 흔드는 요인들로, 대략 피해가 큰 순서입니다.

• 겹쳐 말하기. 압도적인 1위 주범입니다. 두 사람이 동시에 말하면 대부분의 시스템은 뒤엉킨 혼합물을 내놓거나 한 쪽을 조용히 버립니다. 회의에는 이게 가득하고, 벤치마크 데이터셋에는 없습니다.
• 거리와 공간의 음향. 회의 테이블 건너편에 놓인 노트북 마이크는 잔향과 공조기 소음을 함께 담습니다. 잔향은 스펙트로그램을 번지게 하고, 모델은 그 번짐을 디코딩합니다.
• 억양과 방언. 정확도는 화자에 따라 달라지고, 그 격차는 해당 억양이 학습 데이터에 얼마나 있었는지를 따라갑니다. 특정 업체만의 문제가 아니라 업계 전체의 문제입니다. 우리 제품을 포함해 시장의 모든 도구가 억양이 강한 발화와 심한 혼선에서 성능이 떨어집니다.
• 전문 어휘와 고유명사. 약품명, 종목 티커, 판례 인용, 대표이사의 성. 한 번도 본 적 없는 단어를 모델은 출력할 수 없고, 자기가 아는 가장 비슷한 것으로 대체합니다.
• 언어 전환과 전화 음질. 문장 중간에 언어를 바꾸는 화자는 처음부터 하나의 언어로 못 박아 둔 시스템을 무너뜨리고, 협대역 전화망은 비슷한 자음을 가르는 고주파를 버립니다. 8kHz에서는 "S"와 "F"를 구별하기가 어렵습니다.

측정 지표에 대한 단서 하나. WER은 모든 오류를 똑같이 취급합니다. "그"를 빠뜨린 것과 "아니다"를 빠뜨린 것의 감점이 같습니다. 연구자들이 의미 기반 오류 지표를 계속 밀어붙이는 이유입니다. 가격 논의의 숫자가 틀린 96%짜리 전사본은, 숫자만은 맞은 92%짜리보다 나쁩니다.

팁: 소프트웨어보다 마이크가 먼저입니다. 노트북 내장 마이크에서 $60짜리 USB 마이크나 괜찮은 헤드셋으로 바꾸는 편이, 업체를 갈아타는 것보다 정확도를 더 많이 올려 줍니다. 가까이서 수음하면 공간 잔향이 사라지고, 신호 대 잡음비가 올라가며, 자음이 온전히 남습니다. 모두 모델이 일을 시작하기 전에 벌어지는 일입니다.

비용과 소요 시간: 실제 숫자로 본 맞교환

형용사 말고 숫자로 봅시다. 전문 인력의 전사는 대략 오디오 분당 $1.00~$3.00, 녹음 시간당으로는 $60~$180 정도이며, 법률 분야 전문 작업은 분당 $5.00에 가까워집니다. 까다로운 오디오는 공짜가 아닙니다. 배경 소음, 여러 화자, 강한 억양에는 보통 25~50%의 할증이 붙습니다. 표준 소요 시간은 12시간에서 3영업일입니다.

자동 서비스는 사용량 기준으로 분당 $0.10~$0.50을 내걸고, 소요 시간은 사실상 즉시입니다. 구독형 제품은 대신 분량을 묶어 제공하므로, 물량이 늘면 계산이 달라집니다. 예를 들어 Laxis는 매달 전사 300분을 무료로 포함하고 이후에는 좌석당 정액으로 Premium $15.99, Business $29.99입니다. 한 달에 통화가 20시간이라면 좌석당 요금은 분당 요금과 결과가 크게 달라집니다.

여전히 사람이 개입해야 하는 순간

정직한 기준은 "AI가 얼마나 좋은가"가 아닙니다. "단어 하나가 틀리면 무슨 일이 벌어지는가"입니다. 답이 "별일 없다, 내가 알아본다"라면 자동화가 완승입니다. 판사, 규제 당국, 환자, 혹은 공개될 인용문이 걸려 있다면 사람을 붙이세요.

구체적으로는 전사본이 증거가 되고 인증까지 필요할 때가 많은 법정 절차, 오류가 영구 기록으로 남는 규제 대상 의료 문서, 실명 출처를 달고 인쇄로 나가는 모든 것, 그리고 정말로 상태가 나쁜 오디오입니다. 사람은 어느 구간이 알아들을 수 없다고 알려 주지만, 모델은 자신만만하게 헛소리를 만들어 내니까요.

이 목록의 대부분에서 현명한 선택은 전면적인 수동 전사가 아닙니다. 하이브리드입니다. 기계를 한 번 돌린 뒤, 그 결과를 오디오와 대조해 검증할 사람에게 비용을 지불하는 것이죠.

이 모든 것 한가운데의 직업으로서의 전사

여전히 이 일로 먹고사는 사람들이 있고, 인원수보다 일의 내용이 훨씬 많이 바뀌었습니다. 고전적인 경로는 미디어와 기업을 대상으로 한 일반 전사였고, 법률과 의료는 추가 교육과 자격이 필요한 전문 분야였습니다. 2026년 미국의 보수는 출처와 전문 분야에 따라 시간당 $20~$29 수준입니다. Indeed는 평균을 $26.49 근처로, PayScale은 전사 작업자에 대해 약 $21.75로, Glassdoor는 법률 전사 인력을 $29에 가깝게 제시합니다.

바뀐 것은 시간이 어디로 가느냐입니다. 이제 이 일에서 빈 화면에 처음부터 타이핑하는 비중은 아주 적습니다. 대부분은 기계 초안을 고치는 일이고, 강등처럼 들리지만 대체로 그렇지 않습니다. 가치는 모델이 가장 못하는 부분으로 몰렸습니다. 고유명사, 화자 배정, 도메인 어휘, 서식 표준, 그리고 문서를 증거로 쓸 수 있게 만드는 정확성 인증 진술입니다. 타자가 빠르기만 한 사람은 더 빨리 치는 소프트웨어와 경쟁하게 됩니다.

방식을 고르는 법

다섯 가지 질문입니다.

1. 오류가 났을 때의 위험은? 법률, 의료, 공개물이라면 사람 또는 하이브리드. 내부 회의와 리서치라면 자동화.
2. 오디오 상태는 솔직히 어떤가? 헤드셋을 낀 한 사람과 노트북 하나를 둘러싼 여섯 사람은 전혀 다른 문제입니다. 비관적으로 잡으세요. 다른 어떤 요인보다 결과를 잘 예측합니다.
3. 분량은 얼마나 되나? 1년에 파일 몇 개면 분당 과금이 유리하고, 주당 열 시간의 회의라면 묶음 분량이 유리하며, 손익분기점은 생각보다 빨리 옵니다.
4. 언제까지 필요한가? 답이 "후속 이메일을 보내기 전"이라면, 이틀 걸리는 납기는 아무리 정확해도 탈락입니다.
5. 오디오를 어디까지 보낼 수 있나? 클라우드 처리는 성능이 더 좋지만, 녹음이 내 기기를 떠난다는 뜻이기도 합니다. 쓸 만한 도구는 Laxis를 포함해 대부분 클라우드 기반이니, 보관 정책을 읽고 그 업체가 여러분의 데이터로 학습하는지 확인하세요.

반복되는 업무 회의라면 계산은 대개 좋은 마이크를 쓴 자동 녹음과, 결과물을 텍스트 벽으로 던져 주는 대신 무언가를 해 주는 도구 쪽으로 기웁니다. 요약, 액션 아이템, CRM 동기화 같은 것들이죠. 그것이 2026년 최고의 AI 회의록 도구 비교에서 다루는 범주이고, 전사 서비스를 고르는 것과는 다른 결정입니다.

모든 통화를 실제로 쓸 수 있는 텍스트로

Laxis는 Zoom, Google Meet, Microsoft Teams를 100개 이상의 언어로 녹음하고 전사하고 요약하며, 액션 아이템을 뽑아내고 HubSpot과 Salesforce로 동기화합니다. 무료 요금제에는 매달 전사 300분이 포함됩니다.

Laxis 무료로 사용해 보기

정리하며

정말로 흥미로운 변화는 기계가 이 일을 잘하게 되었다는 사실이 아닙니다. 값싼 전사가 "애초에 무엇을 녹음할 것인가"라는 결정 자체를 바꿔 놓았다는 점입니다. 오디오 한 시간을 텍스트로 바꾸는 데 $120이 들던 시절에는 증언 녹취와 이사회만 전사하고 나머지는 하지 않았습니다. 분당 몇 센트가 되자 제약은 비용에서 주의력으로 옮겨 갔습니다. 이제 모든 것이 전사되므로, 어려운 문제는 텍스트를 만들어 내는 일이 아니라 그중 어느 만큼을 사람이 실제로 읽을지 정하는 일입니다. 구천 개 문장 가운데 어느 열두 문장이 중요했는지를 아는 것, 일은 그쪽으로 옮겨 갔습니다.

자주 묻는 질문

전사란 무엇인가요?

전사는 녹음된 음성을 글로 옮기는 과정입니다. 훈련받은 사람이 들으면서 타이핑할 수도 있고, 자동 음성 인식 모델이 오디오 신호를 단어로 디코딩할 수도 있습니다. 2026년 전문 작업의 대부분은 둘을 결합합니다. 기계가 초안을 쓰고 사람이 고치는 방식이죠.

자동 전사는 어떻게 작동하나요?

자동 전사는 오디오 파형을 스펙트로그램으로 바꾸고, 이를 방대한 음성-텍스트 쌍으로 학습한 신경망에 넣어 가장 그럴듯한 단어 열을 디코딩합니다. 이어 별도의 단계가 구두점과 대소문자를 되살리고, 숫자와 날짜의 서식을 맞추며, 각 구간을 누가 말했는지 라벨을 붙이려 시도합니다.

AI 전사는 얼마나 정확한가요?

깨끗하고 화자가 한 명인 오디오에서 선도적인 시스템은 대략 95~98% 단어 정확도에 이르고, OpenAI의 Whisper는 약 97.9%로 측정되었습니다. 실제 환경은 훨씬 가혹합니다. 강한 억양, 겹쳐 말하기, 마이크와의 거리, 배경 소음, 전문 어휘가 모두 정확도를 끌어내리며 때로는 크게 떨어뜨립니다.

전사 비용은 얼마나 드나요?

전문 인력의 전사는 보통 오디오 분당 $1.00~$3.00, 오디오 시간당으로는 대략 $60~$180이며, 법률 분야 전문 작업은 분당 $5.00 안팎에 이릅니다. 자동 서비스는 대개 분당 $0.10~$0.50을 내걸고, 구독형 도구는 사용량 과금 대신 매달 일정 분량을 묶어 제공하는 경우가 많습니다.

전사와 번역은 같은 것인가요?

아닙니다. 전사는 언어를 그대로 두고 매체를 바꿔, 말한 것을 쓴 것으로 만듭니다. 번역은 매체를 그대로 두고 언어를 바꿉니다. 영상 자막 작업에는 두 단계가 순서대로 필요한 경우가 많습니다. 먼저 원본 오디오를 전사하고, 그다음 그 텍스트를 목표 언어로 번역하는 식이죠.

전사에는 시간이 얼마나 걸리나요?

자동 전사는 사실상 즉시 끝나며, 실시간으로 또는 업로드 후 몇 분 안에 텍스트가 돌아옵니다. 사람이 하는 서비스는 표준 납기로 보통 12시간에서 3영업일을 제시하고, 당일 급행은 추가 요금으로 이용할 수 있습니다. 사람이 기계 초안을 편집하는 하이브리드 방식은 대개 그 중간쯤에 놓입니다.

전사 작업자는 아직도 실제 직업인가요?

그렇습니다. 다만 일의 무게중심이 처음부터 타이핑하는 것에서 기계 초안을 검토하고 고치는 쪽으로 옮겨 갔습니다. 2026년 미국의 전사 작업자는 전문 분야에 따라 대체로 시간당 $20~$29를 벌고, 법률과 의료가 상단에 있습니다. 이제는 순수한 타자 속도보다 자격과 도메인 어휘가 더 중요합니다.