구글, 음성인식 모델 ‘제미나이 3.5 트랜스크라이브’ 공개…85개 이상 언어 지원

구글이 실시간 음성 인터페이스와 녹음 파일 전사를 위한 음성-텍스트 모델 ‘제미나이 3.5 트랜스크라이브(Gemini 3.5 Transcribe)’를 공개했다. 이 모델은 하나의 서비스가 아니라 두 개의 엔드포인트로 나뉘어 제공된다. 사전 녹음 파일은 ‘gemini-3.5-transcribe’가, 양방향 스트리밍은 ‘gemini-3.5-transcribe-live’가 각각 처리한다. 구글은 외부 평가 기준으로 평균 단어 오류율(WER)이 스트리밍 4.0%, 비스트리밍 2.6%라고 밝혔다.

이번 모델은 85개 이상의 언어를 자동 감지하며, 문장 중간의 코드 스위칭도 지원한다. 구글은 이전 모델인 ‘치프 3(Chirp 3)’와 비교해 최종 전사까지 걸리는 시간이 70% 개선됐다고 설명했다. 다만 이 서비스는 공개 가중치가 없는 API 전용 모델로, 자체 서버에 올려 쓰는 방식은 제공되지 않는다.

라이브 API는 1초 미만 지연의 연속 전사를 지원한다. 사용자가 말하는 동안에는 추정 결과인 interim_input_transcription을 내보내고, 발화가 끝나면 input_transcription으로 확정본을 제공한다. 입력 오디오는 16kHz 모노의 16비트 PCM 형식으로 100밀리초 단위로 전송해야 한다. 자동, 하이브리드, 수동 음성활동감지(VAD)도 지원하며, 모바일과 웹 클라이언트는 임시 토큰을 이용해 API 키를 직접 보관하지 않고 스트리밍할 수 있다.

반면 제약도 분명하다. 라이브 세션은 연속 스트리밍이 최대 10분으로 제한되며, 화자 분리와 단어 단위 타임스탬프는 지원되지 않는다. 이런 기능이 필요한 경우에는 인터랙션 API를 사용해야 한다. 이 API는 화자 분리, 단어별 시작·종료 시각, 사용자 지정 용어 편향 기능을 제공한다. 사용자 지정 용어 목록은 최대 1,000개까지 등록할 수 있지만, 구글은 100개 미만에서 가장 좋은 결과를 기대할 수 있다고 안내했다. 일반 요청은 최대 1시간 분량의 오디오를 처리할 수 있고, 화자 분리나 단어 타임스탬프를 켜면 허용 시간은 30분으로 줄어든다.

두 엔드포인트에는 ‘verbatim’과 ‘smart’ 두 가지 모드도 있다. verbatim은 말한 내용을 그대로 옮겨 필러, 반복, 말실수까지 포함한다. smart는 군더더기를 제거하고 자기 수정 발화를 정리해 읽기 쉬운 형태로 바꾼다. 다만 smart 모드는 단어 타임스탬프나 화자 분리와 함께 사용할 수 없다.

구글은 이 모델이 이미 LiveKit, Pipecat, Agora, Fishjam, Vercel, Vision Agents 등과 연동돼 있다고 밝혔다. 소비자용 서비스에서는 안드로이드의 램블러(Rambler), 맥용 제미나이 앱, 구글 안티그래비티에 적용됐으며, 크롬은 추후 지원 예정으로 표시됐다. 다만 실제 도입 범위와 활용 방식은 각 서비스별로 다를 수 있다.