음성 전사(STT, Speech-to-Text)는 말을 받아 적는 속기사 같은 것 — 영상이나 녹음 속 음성을 듣고 글자(텍스트)로 바꿔 주는 기술이에요.
음성 전사는 회의실 구석에서 모든 말을 받아 적는 속기사와 같아요. 사람이 한 시간 동안 말한 내용을 글로 남겨 두면 다시 듣지 않아도 찾아보고, 요약하고, 자막으로 쓸 수 있죠. STT는 'Speech-to-Text', 즉 말소리를 글자로 바꾼다는 뜻이고, 반대로 글을 소리로 읽어 주는 건 TTS예요.
강의에서는 가상 머신(VM)을 활용하는 실습에서 영상의 음성을 텍스트로 바꾸는 작업을 다뤄요. 서버의 CPU만으로 전사 모델을 돌리면 작은 기본 모델밖에 못 써서 정확도가 떨어지는데, 이럴 때는 비용이 조금 들더라도 OpenAI의 전사 전용 API를 쓰는 편이 효율적이라고 설명해요. 강의 영상을 글로 옮겨 요약·자막·블로그 글감으로 다시 쓰거나, 유튜브 영상을 분석하는 자동화의 첫 단계로 자주 쓰여요.
정확하게 전사하려면 몇 가지를 챙기면 좋아요. 배경음악과 잡음이 적은 원본을 쓰고, 전문 용어나 사람 이름이 많다면 전사 결과를 AI에게 한 번 더 넘겨 '용어를 문맥에 맞게 고쳐 줘'라고 다듬게 하세요. 무료 로컬 모델은 비용이 없지만 컴퓨터 사양에 따라 느리고 정확도가 낮을 수 있고, API는 빠르고 정확한 대신 사용량만큼 비용이 들어요. 작업량과 정확도 요구에 맞춰 고르면 돼요.
AI 에이전트를 직접 만들고 24시간 운영하는 법을 단계별 강의로 배워보세요.