제미나이 오디오, 전사·화자 구분 기능 넓혔다

구글(Google)이 제미나이(Gemini) 오디오에서 전사, 번역, 화자 구분, 감정 신호 추정, 타임스탬프 분석을 함께 처리하는 기능을 강화했다. 단순 받아쓰기보다 회의, 고객 상담, 강의, 인터뷰 녹취 같은 장시간 음성 데이터를 구조화하는 데 초점이 맞춰졌다.

구글 AI 개발자 문서는 제미나이가 음성 입력을 분석해 텍스트 응답을 만들 수 있으며 전사와 번역, 요약을 수행할 수 있다고 설명한다. 여기에 화자 분리, 감정 감지, 특정 구간의 타임스탬프 분석을 붙일 수 있다고 안내한다.

실시간 기능은 별도 흐름으로 나뉜다. 같은 문서는 실시간 음성·영상 상호작용에는 라이브 API를, 실시간 전사 전용 작업에는 구글 클라우드 스피치 투 텍스트 API를 쓰도록 구분했다.

구글 딥마인드(Google DeepMind)는 제미나이 오디오 페이지에서 ‘누가 말했는지’를 구분하고 발화의 감정과 의도를 이해하는 기능을 앞세웠다. 음성 메모, 고객 지원 통화, 강의 같은 비정형 오디오를 요약문이나 항목, JSON 형식 데이터로 바꿀 수 있다는 설명도 붙였다.

이는 제미나이 오디오가 챗봇의 부가 기능을 넘어 업무용 데이터 처리 도구로 확장되고 있음을 보여준다. 기업이 음성 파일을 텍스트로 바꾸는 단계에서 더 나아가 발화자, 시간대, 발화 성격을 함께 붙이는 방식이다.

더버지는 구글이 제미나이 오디오에 새 제미나이 3.5 모델을 추가하면서 전문 용어와 85개 이상 언어를 자동 감지하는 전사 기능을 도입했다고 전했다. 발화 중 끊김이나 배경 소음이 있는 환경에서도 음성 제어 AI 기능의 정밀도를 높이는 데 초점이 맞춰졌다는 설명이다.

다만 ‘제미나이 3.5 트랜스크라이브’라는 명칭은 공개 문서에서 독립 모델 카드로 정리된 형태보다 제미나이 오디오 제품군 안의 전사 기능에 가깝다. 26일 기준 구글 딥마인드 모델 카드 목록에는 ‘제미나이 3.5 오디오’ 항목이 라이브 번역, 전사, 라이브 전사를 묶어 표시돼 있다.

오디오 전사 기능은 맥용 제미나이 앱에서도 확장돼 왔다. 구글은 7월 맥용 제미나이 앱에 지능형 받아쓰기 기능을 제공하며 ‘음’이나 ‘어’ 같은 군더더기 발화를 지우고 문장 부호와 형식을 정리하는 기능을 소개했다.

이번 흐름도 같은 방향에 있다. 사용자가 말을 남기면 AI가 이를 문서화하고, 필요하면 발화자와 시간대, 감정 신호까지 붙여 후속 작업에 쓸 수 있는 형태로 바꾸는 방식이다.

국내 기업에 닿는 지점은 업무 자동화다. 회의록, 고객 상담, 교육 콘텐츠, 인터뷰 녹취처럼 음성 데이터를 다루는 업무가 많아 전사 정확도만으로는 실제 활용에 한계가 있다.

특히 다화자 환경에서는 누가 어떤 맥락에서 말했는지를 분리해야 문서 검색, 상담 품질 관리, 교육 자료 제작으로 이어질 수 있다. 감정 감지는 판독보다 추정에 가까워 고객 대응이나 내부 기록에서는 보조 지표로 쓰는 수준의 검증이 필요하다.

구글의 기업용 AI 전략도 같은 흐름 위에 있다. 본지는 앞서 구글 클라우드가 제미나이 엔터프라이즈에 사용량 기반 과금 방식을 도입한다고 전했다. 기업 고객이 고정 구독료 부담 없이 AI 기능을 시험하고 지출 한도를 관리할 수 있게 하는 방식이다.

기술의 쓸모는 장시간 파일과 여러 화자가 섞인 환경에서 갈린다. 구글 공식 오디오 문서는 오디오 1초를 32토큰으로 계산하고 최대 9.5시간까지 처리할 수 있다고 적었다.

일부 보도에서 언급된 9만6000토큰과 사전 녹음 오디오 최대 3명 화자 제한은 공식 문서에서 같은 표현으로 확인되지 않았다. 현재 공개된 자료에서는 제미나이 오디오가 범용 오디오 이해와 저지연 전사를 나눠 운영하는 구조라는 점이 핵심이다.