음성 받아쓰기와 자막 만들기

회의, 강의, 인터뷰를 손으로 받아쓰면 녹음 길이의 몇 배가 걸립니다. 음성 인식 모델이 대부분을 대신해 주지만 결과는 여전히 확인해야 합니다. 모델이 녹음을 읽는 방식, 모델을 고르는 법, 틀리는 곳을 줄이는 법, 받아쓴 글을 자막 파일로 만드는 법을 설명합니다.

음성 텍스트 변환 단어·글자 수 세기

음성 인식이 녹음을 읽는 방식

음성 텍스트 변환 도구는 OpenAI가 2022년에 MIT 라이선스로 공개한 음성 인식 모델 Whisper를 씁니다. 모델 카드에 따르면 Whisper는 인터넷에서 모은 68만 시간 분량의 오디오와 그 받아쓰기로 학습했고, 그중 약 3분의 2가 영어입니다.

Whisper는 파일 전체를 한꺼번에 듣지 않습니다. 오디오를 30초씩 스펙트로그램(순간마다 어떤 높이의 소리가 큰지를 나타낸 그림)으로 바꿔 읽고, 그 구간에 가장 그럴듯한 글을 단어 조각 단위로 시간 정보와 함께 씁니다. 그래서 긴 녹음은 여러 구간으로 나뉩니다. 이 도구는 문장이 잘리지 않도록 구간 끝부분에서 가장 길게 쉬는 곳을 골라 자르고, 소리가 없는 구간은 건너뜁니다.

모델은 글을 쓰기 전에 어떤 언어인지도 알아낼 수 있습니다. 가장 먼저 예측하는 것이 언어 표시이기 때문입니다. 언어를 "자동 감지"로 두면 도구는 말소리가 나오는 처음 30초로 이 예측을 하고, 파일 전체를 그 언어 하나로 받아씁니다.

어떤 모델을 쓸까

Whisper는 크기가 여러 가지입니다. 이 도구는 세 가지를 제공합니다. base와 small은 최신 브라우저라면 어디서나 프로세서에서 돌아가고, large-v3-turbo는 브라우저가 WebGPU를 지원할 때 그래픽 처리 장치에서 돌아갑니다.

모델	매개변수	처음 다운로드	말소리 1분 처리 시간*	알맞은 경우
Whisper base	7,400만 개	약 90MB	약 30초	또렷한 녹음, 휴대폰
Whisper small	2억 4,400만 개	약 250MB	약 1분 35초	WebGPU가 없을 때 한국어 등 영어가 아닌 언어
Whisper large-v3-turbo	8억 900만 개	약 750MB	약 20초	WebGPU가 되는 컴퓨터: 가장 정확함

* 데스크톱 컴퓨터 한 대의 브라우저에서 잰 값입니다. base와 small은 8비트 버전을 프로세서에서, large-v3-turbo는 4비트 버전을 그래픽 카드에서 돌렸습니다. 느린 기기에서는 더 걸립니다. 모델은 한 번만 받고, 그 뒤에는 도구에서 지울 때까지 브라우저에 저장됩니다.

품질 차이는 영어가 아닌 언어에서 가장 큽니다. 음성 합성(TTS) 목소리로 읽은 1분짜리 한국어 녹음으로 시험해 보니, base는 "회의"를 "후회"로, "월요일"을 "머료일"로 적었고, small은 둘 다 맞혔지만 "문의"를 "무늬"로 적었으며, large-v3-turbo는 하나도 틀리지 않았습니다. 브라우저에 large-v3-turbo가 보이면 그것을 쓰고, 아니면 base로 먼저 해 본 뒤 틀린 곳이 많으면 small로 바꾸세요.

large-v3-turbo는 Whisper의 가장 큰 모델인 large-v3를 빠르게 동작하도록 줄인 버전입니다. 그래픽 처리 장치가 필요합니다. 프로세서만으로는 녹음 길이의 13배쯤 걸렸기 때문에, 도구는 WebGPU가 있을 때만 이 모델을 보여 줍니다. 컴퓨터의 최신 Chrome·Edge와 최신 Mac의 Safari가 그 예입니다. 메모리도 base보다 훨씬 많이 써서 휴대폰에서는 버티지 못할 수 있습니다.

더 정확하게 받아쓰려면

마이크 가까이에서 녹음하세요. 거리, 울림, 배경 소음이 정확도를 가장 많이 떨어뜨립니다.
음악과 겹치는 목소리를 피하세요. Whisper는 글을 한 줄기로만 쓰고 말하는 사람을 구분하지 않습니다.
언어를 직접 고르세요. 녹음이 음악, 침묵, 다른 언어로 된 인사말로 시작할 때 특히 필요합니다.
이름과 용어는 고칠 각오를 하세요. 모델은 소리로 철자를 추측하고 흔한 단어를 더 좋아합니다.
지어낸 글을 조심하세요. 모델 카드는 Whisper가 말하지 않은 내용을 쓰거나 같은 말을 되풀이할 수 있다고 경고합니다. 주로 조용하거나 시끄러운 구간에서 생기므로 그 부분은 녹음과 대조해 읽으세요.
아주 긴 파일은 나누세요. 1시간짜리 오디오는 풀었을 때 메모리를 약 220MB 쓰고, 모든 처리가 내 기기에서 이뤄집니다.

자막 파일: SRT와 VTT

자막 파일은 일반 텍스트 파일입니다. 시작 시각, 끝 시각, 보여 줄 글로 이뤄진 자막(큐)이 차례로 들어 있습니다. 흔히 쓰는 두 형식은 생김새가 거의 같습니다.

SubRip(.srt)은 자막마다 번호를 붙이고, 밀리초 앞에 쉼표를 씁니다.

1
00:00:00,000 --> 00:00:03,200
오늘은 회의 내용을 정리해 보겠습니다.

2
00:00:03,200 --> 00:00:08,100
첫째, 다음 달 출시 일정은 예정대로 유지합니다.

WebVTT(.vtt)는 웹 페이지 자막을 위한 W3C 형식으로, HTML의 <track> 요소가 씁니다. 파일이 WEBVTT라는 글자로 시작하고, 시각에는 마침표를 쓰며, 번호는 붙이지 않아도 됩니다.

WEBVTT

00:00:00.000 --> 00:00:03.200
오늘은 회의 내용을 정리해 보겠습니다.

00:00:03.200 --> 00:00:08.100
첫째, 다음 달 출시 일정은 예정대로 유지합니다.

WebVTT 자막 글에는 -->가 들어갈 수 없고, &와 <는 &, <로 써야 합니다. 이 도구는 이를 알아서 바꿉니다. SRT는 공식 명세가 없지만 동영상 편집 프로그램과 플레이어는 위와 같은 형태를 읽습니다. 쓰는 플레이어나 플랫폼이 요구하는 형식을 고르세요.

읽기 좋은 자막으로 다듬기

Whisper의 구간은 모델이 판단한 문장 단위를 따르기 때문에 긴 것도 있습니다. 자막을 게시하기 전에 동영상과 함께 틀어 보고, 너무 오래 떠 있거나 두 줄을 넘는 구간은 나누고, 말소리와 자막이 같은 때에 나오는지 확인하세요. 대부분의 자막 편집 프로그램은 SRT 파일을 열어 자막을 옮기거나 나눌 수 있습니다.

내 기기에서 받아쓰기와 클라우드 받아쓰기

온라인 받아쓰기 서비스는 보통 녹음을 자기 서버에 올려 큰 모델로 빠르게 처리합니다. 브라우저 도구는 녹음을 내 기기에 둡니다. 오디오는 페이지 안에서 풀고 받아쓰며, 내려받는 것은 모델 파일뿐입니다. 대신 속도는 내 프로세서에 달려 있고, 모델 크기는 브라우저가 감당할 수 있는 만큼으로 제한됩니다.

누가 처리하든 다른 사람의 녹음은 조심해서 다뤄야 합니다. Whisper 모델 카드는 동의 없이 녹음한 사람의 말을 받아쓰는 데 쓰지 말라고 당부합니다. 대화를 녹음하거나 받아쓰기 전에 상대에게 물어보세요.

자주 묻는 질문

Whisper가 말하는 사람을 구분하나요?

아니요. 글을 한 줄기로만 씁니다. 화자를 나누려면(화자 분리) 다른 모델이 필요하므로 이름은 직접 넣으세요.

왜 아무도 하지 않은 말이 들어가나요?

Whisper는 그럴듯한 글을 예측하기 때문에, 조용한 구간이나 음악, 소음에서는 자주 본 표현(마무리 인사 같은 것)을 이어서 쓰기도 합니다. 소리 없는 구간을 건너뛰면 줄어들지만, 녹음과 대조해 읽어야 합니다.

녹음을 영어로 번역할 수 있나요?

Whisper 모델에는 그 기능이 있지만 이 도구는 받아쓰기만 합니다. 말한 언어 그대로 적습니다.

동영상 플랫폼에는 어떤 형식이 필요한가요?

대부분의 동영상 편집 프로그램과 플랫폼은 SRT를 받고, 웹 플레이어는 VTT를 씁니다. 잘 모르겠으면 둘 다 받아 두세요. 내용은 같습니다.

출처

출처: OpenAI, Whisper (README) · 확인일: 2026년 10월 13일

출처: OpenAI, Model Card: Whisper · 확인일: 2026년 10월 13일

출처: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · 확인일: 2026년 10월 13일