구글, 필러 단어를 실시간으로 걸러내는 Gemini 3.5 Transcribe 공개

구글 딥마인드는 2026년 8월 26일 Gemini 3.5 Transcribe를 공개했다. 공식 블로그는 이를 "지금까지 가장 정밀한 음성-텍스트 변환 모델"이라고 설명하며, 원시 음성을 정확하고 서식이 갖춰진 텍스트로 곧바로 변환하도록 설계됐다고 밝혔다. 이 시스템은 배경 소음, 전문 용어, 말 더듬기 같은 요소 앞에서 취약한 기존 음성 인식을 넘어, 구글이 말하는 "지능형 음성 상호작용"을 목표로 한다.

구글이 독립 평가 기관 Artificial Analysis의 수치라고 밝힌 자료에 따르면, Gemini 3.5 Transcribe는 스트리밍 환경에서 평균 단어 오류율(WER) 4.0%, 사전 녹음 음성에서는 2.6%를 기록한다. 다국어 벤치마크 FLEURS에서는 스트리밍 모드에서 WER 5.50%, 비스트리밍 모드에서 5.04%를 기록했으며, 구글은 이전 모델인 Chirp 3와 비교해 최종 전사본을 얻기까지 걸리는 시간이 70% 단축됐다고 밝혔다.

기존 음성 인식과 다른 점

이 모델의 핵심은 "스마트 전사" 기능이다. 화자가 말을 고쳐 말하는 상황—구글이 든 예시는 "화요일에 만나요, 아니 수요일에요"라는 발화다—을 매끄럽게 처리하고, "음", "어" 같은 필러 단어를 제거하며, 텍스트를 자동으로 서식화한다. 개발자와 사용자는 맞춤형 어휘 목록을 제공할 수도 있어, 모델이 전문 용어나 특이한 표기를 추측이 아니라 정확하게 인식하도록 만들 수 있다.

딥마인드의 발표에 따르면 Gemini 3.5 Transcribe는 85개 이상의 언어를 자동으로 감지하고 전사하며, 사용자가 언어를 미리 지정하지 않아도 지역 억양과 방언을 처리한다. 사전 녹음 음성에서는 최대 3명의 화자를 단어 단위 타임스탬프와 함께 구분해 표시할 수 있으며, 구글은 3명을 초과하는 화자 구분 기능은 아직 실험적 단계라고 밝혔다.

전사 기능 외에도 이 모델은 "함수 호출"을 통해 이미지 생성이나 파일 분석 같은 작업을 다른 Gemini 모델에 위임할 수 있으며, 이 기능은 현재 macOS용 Gemini 앱에서 이미 사용할 수 있다. 독일 매체 더 디코더(The Decoder)는 이 모델이 같은 방식으로 웹 검색도 위임할 수 있다고 보도했는데, 이는 구글의 공식 블로그 글에서는 명시적으로 언급되지 않은 용도다.

macOS용 Gemini 앱에서는 특히 전사를 넘어서는 기능도 제공된다. 딥마인드에 따르면 이 앱은 백그라운드에서 다른 Gemini 모델을 호출해, 음성만으로 로컬 파일을 요약하거나 다른 앱으로 텍스트를 재활용하거나 커서 위치에 곧바로 이미지를 생성할 수 있다.

두 가지 API, 계속 늘어나는 활용처

• 실시간 스트리밍: Live API(모델 gemini-3.5-transcribe-live)를 통해 1초 미만의 지연 시간으로 음성 에이전트와 실시간 자막을 지원
• 사전 녹음 음성 처리: Interactions API(모델 gemini-3.5-transcribe)를 통해 회의, 통화 기록, 통화 후 분석을 지원
• Rambler: Android용 Gboard에 추가된 새로운 받아쓰기 기능으로, 일부 국가와 언어에서 제공
• macOS용 Gemini 앱: 현재는 영어만 지원하며, 전사와 음성 명령, 화면 맥락 인식을 결합
• Google Antigravity: 화면 맥락과 대화 기록을 결합해 파일명과 전문 용어를 정확히 전사
• Google AI Studio의 Build 모드: 음성으로 앱을 설명하고 제작할 수 있음

Agora, Fishjam, LangChain, LiveKit, Pipecat, Vercel, Vision Agents 같은 서드파티 플랫폼은 이미 Live API를 기반으로 음성 중심 인터페이스를 구축하고 있으며, 구글은 Vivo, Intellitek Health, Lingopal의 긍정적인 피드백을 인용했다. 어떤 웹 입력창에서도 음성으로 받아쓸 수 있게 해줄 크롬 지원은 "곧 제공될 예정"이라고 밝혔다.

더 큰 기다림 속의 조용한 발표

더 버지(The Verge)는 Gemini 3.5 Transcribe가 구글이 6월 출시를 약속했던 Gemini 3.5 Pro 모델이 여전히 나오지 않은 상황에서 발표됐다고 지적했다. 이 매체는 또한 Gemini 3.5 Live와 3.5 Live Experimental이라는 두 개의 추가 음성 모델이 Transcribe와 함께 출시될 것이라고 보도했다가, 구글이 다시 연락해온 뒤 이를 정정했다. 실제로는 구글이 처음 제공한 정보와 달리 두 모델이 함께 출시되지 않았으며, 새로운 출시 일정도 발표되지 않았다. 공개 범위 자체도 단계적이다. 전사 모델은 현재 개발자에게는 Google AI Studio와 Antigravity를 통해 공개 프리뷰로, 기업에게는 Gemini Enterprise Agent Platform을 통해 공개 프리뷰로 제공되며, 일반 소비자에게는 일부만 공개된 상태다.

다국어 음성을 대량으로 처리하는 한국 기업들—콜센터, 화상 회의, 팟캐스트, 자막 제작 등—에게는 필러 단어를 자동으로 제거하고 화자를 자동으로 구분해주는 전사 기능이, 원본 전사본에 흔히 뒤따르는 수작업 교정 시간을 줄여줄 수 있다. 사전 녹음 음성의 오류율(2.6%)이 실시간 스트리밍(4.0%)보다 낮다는 점은, 콜센터 통화 분석 같은 비실시간 용도가 현재로서는 더 안전한 선택지이며, 실시간 자막이나 음성 에이전트는 아직 다소 더 잡음이 많은 영역임을 시사한다. 이 모델을 검토하는 기업은 3명을 초과하는 화자 구분 기능과 macOS에서의 완전한 한국어 지원이 아직 준비되지 않았다는 점도 고려해야 하며, 이는 여러 명이 참여하는 회의를 실제 업무에 도입하는 시점을 늦출 수 있다.