음성 텍스트 변환: 녹음·동영상 받아쓰기와 자막 만들기

녹음 파일이나 동영상의 말소리를 Whisper 음성 인식 모델로 브라우저에서 받아쓰고, 텍스트나 SRT·VTT 자막 파일로 저장합니다. 파일은 업로드되지 않습니다.

녹음된 말의 언어

말소리가 시작되는 처음 30초로 언어를 알아냅니다. 녹음이 음악이나 다른 언어로 시작하거나 감지된 언어가 틀리면 직접 고르세요.

모델

Whisper base: 빠름 Whisper small: 더 정확함, 약 3배 느림

모델은 처음 쓸 때 leedybox.com에서 받아 이 브라우저에 저장하므로 다시 받지 않습니다. small은 base보다 틀리는 곳이 적고 특히 영어가 아닌 언어에서 차이가 크지만 메모리를 더 씁니다. 휴대폰에서는 base를 쓰세요. large-v3-turbo는 가장 덜 틀리며 그래픽 처리 장치(WebGPU)에서 실행됩니다. 약 750MB를 받으므로 컴퓨터에서 쓰세요.

오디오나 동영상 파일을 여기에 끌어다 놓거나 선택하세요

MP3, M4A, WAV, OGG, OPUS, FLAC, WebM, MP4는 대부분의 브라우저에서 열립니다. 다른 형식은 브라우저가 재생할 수 있으면 됩니다.

언어와 모델을 고른 뒤 파일을 넣으세요.

참고

녹음은 브라우저 안에서 풀고 받아씁니다. LeedyBox나 다른 곳으로 업로드되지 않으며, 작업하는 동안 도구는 leedybox.com 말고는 접속할 수 없습니다.
처음 한 번은 음성 인식 엔진과 고른 모델을 leedybox.com에서 받습니다. base는 약 90MB, small은 약 250MB, large-v3-turbo는 약 750MB입니다. 받은 파일은 이 브라우저의 저장소에 남으므로 다음 방문 때 다시 받지 않습니다. 모델 선택 아래의 "저장된 모델 지우기"로 지울 수 있고, 브라우저에서 사이트 데이터를 지워도 지워집니다.
base와 small은 프로세서에서, large-v3-turbo는 그래픽 처리 장치에서 30초 단위씩 차례로 받아씁니다. 시험한 컴퓨터에서 base는 녹음 길이의 절반쯤, small은 1.5배쯤, large-v3-turbo는 3분의 1쯤 걸렸고, 휴대폰이나 오래된 컴퓨터는 더 느립니다. 끝날 때까지 이 탭을 열어 두세요.
마이크 가까이에서 한 사람이 또렷하게 말한 녹음이 가장 잘 됩니다. 배경 음악, 소음, 여러 사람이 동시에 말하는 부분, 사투리, 전문 용어는 틀리기 쉽고 사람 이름도 자주 틀립니다. 조용하거나 시끄러운 구간에서는 같은 말을 되풀이하거나 하지 않은 말을 적기도 합니다.
파일 전체를 한 언어로 받아씁니다. 중간에 다른 언어가 나오면 모델이 할 수 있는 만큼 그 언어로 적거나 번역해서 적습니다. 말하는 사람은 구분하지 않습니다.
자막은 Whisper가 나눈 구간을 따르며, 보통 한 문장이나 한 구절이 한 구간입니다. 게시하기 전에 플레이어에서 시간을 확인하고, 긴 구간은 읽기 좋게 나누세요.
아주 긴 녹음은 메모리를 많이 씁니다. 1시간짜리 오디오는 풀었을 때 약 220MB이고 모델이 더해집니다. 브라우저가 페이지를 멈추면 파일을 짧게 나눠 넣으세요.

문제가 있나요? 파일이 열리지 않거나, 모델을 불러오지 못하거나, 페이지가 멈추거나, 결과가 기대보다 훨씬 나쁘면 메일로 알려 주세요. 고른 모델과 언어, 파일 형식과 길이, 기기와 브라우저를 적어 주시면 됩니다. 녹음 파일은 보내지 마세요.

이 페이지의 문장이 어색하게 느껴지면 그것도 알려 주세요.

support@leedybox.com

사용 방법

녹음된 말의 언어를 고르거나 "자동 감지"로 둡니다.
모델을 고릅니다. base가 가장 빠르고, small은 더 정확하며, 브라우저가 WebGPU를 지원하면 나타나는 large-v3-turbo가 가장 정확합니다.
오디오나 동영상 파일을 상자에 끌어다 놓거나 선택한 뒤 "받아쓰기 시작"을 누릅니다. 처음에는 엔진과 모델을 leedybox.com에서 받습니다.
녹음의 각 부분을 받아쓰는 대로 글이 나타납니다. 언제든 중지할 수 있고, 그때까지의 내용은 남습니다.
녹음과 대조해 확인한 뒤 복사하거나 .txt 파일로, 또는 동영상용 .srt·.vtt 자막으로 받습니다.

자주 묻는 질문

녹음 파일이 서버로 업로드되나요?

아니요. 파일은 브라우저 안에서 풀고 받아씁니다. LeedyBox는 음성 인식 엔진과 모델만 보내 주며, 오디오와 받아쓴 내용은 어디로도 전송되지 않습니다. 모델을 실행하는 부분은 다른 사이트에 접속하지 못하도록 막혀 있습니다.

어떤 언어를 지원하나요?

다국어 Whisper 모델의 99개 언어를 지원합니다. 한국어, 영어, 일본어, 중국어, 스페인어, 독일어, 프랑스어, 포르투갈어, 러시아어, 베트남어, 인도네시아어, 이탈리아어, 태국어, 튀르키예어 등이 포함됩니다. 정확도는 언어마다 크게 다르며, 학습 데이터가 많은 언어일수록 좋습니다.

어떤 모델을 고르면 되나요?

컴퓨터의 브라우저에 large-v3-turbo가 보이면 그것을 쓰세요. 시험에서 base와 small이 틀린 곳을 하나도 틀리지 않았고, 그래픽 처리 장치에서 돌아가서 가장 빨랐습니다. 처음 한 번 약 750MB를 받습니다. 그렇지 않으면 base(약 90MB, 최신 컴퓨터에서 녹음 길이의 절반쯤)로 시작하고, 틀린 곳이 많으면 small(약 250MB, 약 3배 느림)로 바꾸세요. 휴대폰에서는 base를 쓰세요.

녹음 길이에 제한이 있나요?

정해진 제한은 없지만 길수록 오래 걸리고 모든 처리가 내 기기에서 이뤄집니다. 컴퓨터에서는 1시간 정도까지 무난합니다. 그보다 긴 파일은 몇 시간이 걸리거나 메모리가 부족할 수 있으니 나눠서 넣는 편이 안전합니다.

SRT와 VTT는 어떻게 다른가요?

둘 다 자막 글과 표시 시간을 담은 자막 파일입니다. SRT(SubRip)는 동영상 편집 프로그램과 플레이어에서 가장 널리 쓰입니다. VTT(WebVTT)는 웹 페이지와 HTML5 동영상용 W3C 자막 형식입니다. 쓰는 플레이어나 플랫폼이 요구하는 형식을 고르세요.

왜 단어가 틀리거나 없는 말이 들어가나요?

Whisper는 소리를 듣고 가장 그럴듯한 글을 추측합니다. 소음, 음악, 겹치는 목소리, 사투리, 이름, 전문 용어에서 틀리기 쉽고, 조용하거나 매우 시끄러운 구간에서는 같은 말을 되풀이하거나 하지 않은 말을 만들어 내기도 합니다. 언어를 직접 고르고, small 모델을 쓰고, 마이크 가까이에서 녹음하면 나아집니다.

왜 제 브라우저에는 large-v3-turbo가 보이지 않나요?

이 모델은 그래픽 처리 장치로 계산하는 브라우저 기능인 WebGPU로 실행됩니다. Windows·macOS·ChromeOS의 최신 Chrome과 Edge, 최신 Mac의 Safari는 지원하지만, 일부 브라우저와 많은 휴대폰은 지원하지 않습니다. 프로세서만으로는 녹음 길이의 몇 배가 걸리므로 WebGPU가 있을 때만 보여 줍니다.