제미나이 3.5 트랜스크라이브, 회의록 자동화 실습과 화자 분리 설정법

# 제미나이 3.5 트랜스크라이브, 회의록 자동화 실습과 화자 분리 설정법

2026년 8월 기준, 구글이 공개 프리뷰로 풀어낸 최정밀 음성-텍스트 변환 모델 완전 분석

---

구글이 2026년 8월 26일(현지시간), 음성-텍스트 변환 모델 중 가장 정밀하다고 자평한 "제미나이 3.5 트랜스크라이브(Gemini 3.5 Transcribe)"를 공개했다. Gemini API 공개 프리뷰(preview) 형태로 풀렸으며, 아직 정식 출시(GA)는 아니다. 모델 ID는 용도에 따라 두 갈래로 나뉜다. 실시간 스트리밍용 `gemini-3.5-transcribe-live-preview`와 사전 녹음 오디오 처리용 `gemini-3.5-transcribe-preview`다.

TL;DR
① 실시간 스트리밍은 1초 미만 지연(sub-second latency)의 양방향 방식, 회의·통화 녹음 등 사전 녹음 오디오는 화자 구분과 단어 단위 타임스탬프까지 지원
② Artificial Analysis 측정 기준 스트리밍 WER 4.0%, 비스트리밍 WER 2.6%로 오류율이 매우 낮고, 이전 모델 대비 최종 전사 시간이 70% 단축
③ 최대 3명까지 화자 귀속이 안정적이며, 3명 초과는 실험적 지원 단계
④ "음", "어" 같은 추임새 자동 제거, 자기 수정 문장 처리, 85개 이상 언어 자동 감지 및 문장 내 언어 전환 인식까지 가능
⑤ macOS 제미나이 앱과 안드로이드 Rambler 기능에 이미 적용됐고, 개발자는 Google AI Studio와 Gemini Enterprise Agent Platform에서 직접 구현 가능

이 글에서는 회의록 자동화를 실제로 돌려보려는 개발자, 운영자, 실무 담당자가 알아야 할 화자 분리 설정법과 실습 포인트를 정리한다. 다만 이 발표가 프리뷰 단계라는 점은 반복해서 짚고 넘어갈 필요가 있다. 가격, 언어 지원 범위, 세부 기본값 등은 발행 시점 이후 변경될 수 있으므로 실제 적용 전 공식 문서 재확인이 필수다.

시장 동향·배경: 음성 AI, "듣기"에서 "이해하기"로 넘어갔다

음성 인식 기술의 경쟁 축이 단순 전사 정확도에서 맥락 이해와 자동 편집 능력으로 옮겨갔다는 점이 이번 발표의 핵심 배경이다. 구글은 이번 모델을 "지능형 음성 상호작용(intelligent voice interaction)을 위해 설계됐다"고 소개했는데, 이는 단순히 소리를 글자로 바꾸는 수준을 넘어선다는 의미다.

기존 음성 인식 모델들은 발화된 소리를 그대로 옮기는 데 집중했다. 그 결과 "음", "어" 같은 추임새, 말을 하다가 정정하는 문장("화요일에 만나요—아니 수요일이요" 같은 표현)까지 전부 문자로 남아 회의록으로 쓰기엔 후처리가 필수였다. 제미나이 3.5 트랜스크라이브는 이 지점을 정조준했다.

구글은 이전 모델인 Chirp 3 대비 최종 전사까지 걸리는 시간이 70% 단축됐다고 밝혔다(Artificial Analysis 측정 기준). 단순 속도 개선이 아니라, 자기 수정 처리·추임새 제거·자동 서식 정리까지 모델 내부에서 한 번에 처리하면서 후처리 단계가 줄어든 결과로 해석된다.

이 수치는 Artificial Analysis라는 독립 벤치마크 기관의 측정 결과로, 구글이 자체 발표한 수치가 아니라 제3자 검증이 붙었다는 점에서 신뢰도가 더해진다. 스트리밍 방식은 실시간성 때문에 상대적으로 오류율이 높고, 사전 녹음된 오디오를 배치로 처리하는 비스트리밍 방식은 문맥을 더 폭넓게 참고할 수 있어 오류율이 낮게 나온 것으로 보인다.

또 하나 눈에 띄는 변화는 언어 처리 방식이다. 85개 이상 언어를 자동 감지하는 것은 물론, 한 문장 안에서 언어가 전환되는 코드 스위칭(code-switching)까지 인식한다. 다국적 팀 회의나 국제 통화 녹음처럼 여러 언어가 섞이는 환경에서 실질적인 활용도가 높아질 것으로 예상된다.

핵심 데이터: WER 4% 미만이 의미하는 실무 임팩트

단어 오류율(WER) 4% 미만은 회의록 초안을 사람이 거의 손대지 않아도 되는 수준이라는 의미를 지닌다. 음성 인식 업계에서 WER 5% 이하는 통상 "실사용 가능(production-ready)" 기준선으로 여겨져 왔는데, 이번 수치는 그 기준을 스트리밍·비스트리밍 모두에서 충족한다.

구글 클라우드 공식 문서에 따르면 이 모델의 핵심 기능은 다섯 가지로 정리된다.

① 화자 분리(speaker diarization) — 누가 말했는지 구분해 귀속
② 단어 단위 타임스탬프 — 각 단어가 발화된 정확한 시점 기록
③ 발화 단위 언어 감지(utterance-based language detection) — 문장 단위로 언어를 판별
④ 스마트 트랜스크립션(Smart transcription) — 자기 수정·추임새 처리 등 지능형 편집
⑤ 맞춤 어휘 보정(custom vocabulary speech biasing) — 전문 용어·고유명사 인식률 향상

이 중 회의록 자동화 실무에서 가장 체감도가 높은 기능은 화자 분리와 맞춤 어휘 보정이다. 화자 분리는 사전 녹음(배치) 오디오 기준으로 최대 3명까지 타임스탬프와 함께 정확한 화자 귀속이 가능하다고 명시돼 있다. 3명을 초과하는 다자 회의는 아직 실험적 지원 단계이므로, 5~10명이 참여하는 대규모 회의에 바로 적용하기보다는 소규모 미팅이나 1:1 인터뷰, 통화 녹음 등에서 우선 검증해보는 것이 안전하다.

맞춤 어휘 보정 기능은 특정 산업의 전문 용어나 사람 이름, 제품명 등을 사전에 등록해 인식 정확도를 높이는 방식이다. 일반적인 STT(Speech-to-Text) 모델이 흔히 겪는 문제, 즉 낯선 고유명사를 엉뚱한 단어로 오인식하는 현상을 줄이기 위한 장치로 이해하면 된다.

주요 플레이어 분석: 프리뷰 단계 기술이 이미 제품에 스며들다

제미나이 3.5 트랜스크라이브는 발표와 동시에 구글 자체 제품군에 이미 탑재됐다는 점이 다른 프리뷰 기술과 차별화되는 지점이다. 통상 신규 AI 모델은 API 프리뷰로 먼저 공개되고, 자사 제품 적용까지는 시차가 있는 경우가 많다. 이번엔 발표 시점부터 실사용 제품 연동이 동시에 이뤄졌다.

구체적으로 적용된 곳은 두 곳이다.

macOS용 제미나이 앱에서 음성 받아쓰기 기능으로 이미 작동 중이며, 안드로이드 Rambler 기능에도 적용됐다. 여기에 더해 크롬 브라우저의 모든 웹 입력란에서 음성 입력을 지원할 예정이라는 발표도 함께 나왔다. 브라우저 단위로 음성 입력이 보편화되면, 별도 앱 설치 없이 웹 기반 업무 환경에서도 음성 받아쓰기를 활용하는 흐름이 자연스럽게 확산될 가능성이 있다.

개발자 생태계 쪽에서는 Google AI Studio의 Gemini API와 Gemini Enterprise Agent Platform을 통해 이 모델을 직접 구현할 수 있는 경로가 열렸다. 특히 주목할 부분은 함수 호출(function calling) 지원이다. 트랜스크립션 도중 이미지 생성이나 파일 분석 같은 작업이 필요하면 다른 Gemini 모델에 작업을 위임할 수 있는 구조다. 예를 들어 회의 중 화이트보드 사진을 찍어 공유하면, 트랜스크립션 모델이 이미지 분석 모델을 호출해 내용을 함께 정리하는 식의 워크플로우 설계가 가능해진다.

이런 구조는 시장 성숙도 관점에서도 시사점이 있다. 음성 인식 시장은 그동안 전문 STT 전용 업체들과 대형 클라우드 사업자가 각자 영역에서 경쟁해왔는데, 이번처럼 트랜스크립션 모델이 함수 호출을 통해 다른 생성형 AI 기능과 유기적으로 연결되는 구조는 "단일 기능 도구"에서 "멀티모달 에이전트의 한 축"으로 STT의 역할이 재편되고 있음을 보여준다.

변화 요인 ① — 기술: 스트리밍과 배치를 분리한 아키텍처 설계

API를 실시간 스트리밍용과 사전 녹음 배치 처리용으로 명확히 분리한 설계가 이번 모델의 핵심 기술적 특징이다. 실시간 스트리밍은 Live API의 `gemini-3.5-transcribe-live`가 담당하고, 회의·통화 기록 같은 사전 녹음 오디오는 Interactions API의 `gemini-3.5-transcribe`가 처리한다.

이 분리 구조가 중요한 이유는 두 상황이 요구하는 성능 특성이 서로 다르기 때문이다. 실시간 자막이나 음성 비서처럼 즉각 응답이 필요한 경우엔 지연 시간이 무엇보다 중요하다. 구글은 이를 "sub-second latency(1초 미만 지연)"의 양방향 스트리밍이라고 공식 표현했다. "초저지연"이라는 마케팅 표현 대신 구체적인 수치 기준을 명시했다는 점에서 신뢰도 있는 표현으로 볼 수 있다.

반면 회의록처럼 사후 정리가 목적인 경우엔 속도보다 정확도와 부가 기능이 중요하다. 화자 분리, 단어 단위 타임스탬프, 자기 수정 문장 정리 같은 기능은 전체 오디오 맥락을 참고해야 정밀도가 올라가기 때문에, 실시간 스트리밍보다는 배치 처리 방식에 더 적합하다.

기술적으로 흥미로운 부분은 스마트 트랜스크립션 기능이다. "let's meet Tuesday—no, Wednesday" 같은 자기 수정 발화를 사람이 듣는 것처럼 맥락을 파악해 최종 의도(수요일)를 반영한 형태로 정리한다는 점은, 이 모델이 단순 음향 신호 처리를 넘어 언어 모델 수준의 문맥 추론을 결합했음을 보여준다. 음성 인식 엔진과 대형 언어 모델의 결합이 심화되는 방향성을 이번 기술이 대표적으로 드러낸 셈이다.

변화 요인
② — 시장: 회의록 자동화 수요가 인프라 투자를 이끈다

원격·하이브리드 근무가 일상화되면서 회의록 자동화에 대한 수요가 STT 기술 투자를 견인하는 핵심 축으로 자리 잡았다는 점이 시장 측면의 변화 요인이다. 화상회의, 전화 상담, 온라인 인터뷰 등 음성 기반 커뮤니케이션이 급증하면서, 이를 텍스트로 남기고 검색·요약·공유하려는 니즈도 함께 커졌다.

기존에는 회의 녹음을 사람이 직접 다시 들으며 타이핑하거나, 외주로 전사 작업을 맡기는 방식이 일반적이었다. 이 과정은 시간과 비용이 많이 들 뿐 아니라, 화자 구분이나 타임스탬프 같은 부가 정보를 담으려면 추가 작업이 필요했다. AI 기반 자동 전사 기술이 이 공백을 메우면서, 회의록 작성이라는 반복 업무 자체를 자동화 대상으로 편입시키는 흐름이 뚜렷해지고 있다.

이런 흐름 속에서 구글이 맞춤 어휘 보정 기능을 강조한 점도 시장 요구를 반영한 선택으로 풀이된다. 의료, 법률, 기술 분야처럼 전문 용어가 많은 업종에서는 범용 STT 모델의 오인식이 실무 활용의 최대 걸림돌이었다. 사전에 특정 어휘를 등록해 인식률을 높이는 기능은 이런 업종별 요구에 대응하기 위한 시장 압력이 기술 설계에 반영된 결과로 볼 수 있다.

전문가 의견·인용: 벤치마크 수치가 말하는 신뢰도

독립 벤치마크 기관 Artificial Analysis가 측정한 WER 수치와 70% 단축된 전사 시간이 이번 모델의 실무 신뢰도를 뒷받침하는 가장 객관적인 근거로 꼽힌다. 구글이 자체 발표한 수치만 있었다면 검증되지 않은 마케팅 지표로 받아들여질 여지가 있었겠지만, 제3자 기관의 측정 결과가 함께 제시되면서 업계에서 참고할 만한 객관적 데이터로 인용되고 있다.

marktechpost.com과 9to5google.com 등 IT 전문 매체들은 이번 발표를 다루면서 공통적으로 화자 분리와 스마트 트랜스크립션 기능에 주목했다. 특히 자기 수정 발화 처리 능력을 두고, 단순 음향 인식을 넘어 언어적 맥락을 이해하는 방향으로 STT 기술이 진화하고 있다는 평가가 이어졌다. 다만 이들 매체 역시 이번 발표가 프리뷰 단계라는 점, 그리고 가격 정책이 구글 공식 페이지에서 아직 명확히 확인되지 않았다는 점을 함께 지적했다.

실무 활용을 다루는 소프트웨어 리뷰 매체 softonic.com은 macOS 제미나이 앱과 안드로이드 Rambler 기능에 이미 적용됐다는 점을 언급하며, 일반 소비자 제품에 먼저 실전 검증이 이뤄지고 있다는 점을 긍정적으로 평가했다. 다만 이런 소비자용 앱 통합과 별개로, API를 통한 엔터프라이즈급 회의록 자동화 구축은 아직 초기 실습 단계이므로 직접 검증이 필요하다는 신중론도 함께 제기됐다.

향후 6~12개월 예측: 정식 출시와 가격 정책 공개가 관건

앞으로 6~12개월 안에 관전 포인트는 정식 출시(GA) 전환 여부와 공식 가격 정책 공개, 그리고 화자 분리 인원 제한(3명)의 확대 여부 세 가지로 압축된다. 현재 프리뷰 단계에서 언급된 제약들이 정식 출시 시점에 얼마나 완화되느냐가 실무 도입 속도를 좌우할 것으로 보인다.

가장 먼저 주목할 부분은 가격 정책이다. 분당 약 $0.005 수준이라는 추산이 일부 제3자 블로그에서 언급됐지만, 이는 구글 공식 Pricing 페이지로 직접 확인된 수치가 아니다. 토큰당 과금 방식이라는 점은 어느 정도 알려졌지만, 정확한 단가와 무료 사용량 한도는 공식 문서가 확정돼야 명확해질 전망이다. 회의록 자동화를 대량으로 돌리려는 조직이라면 이 가격 정책 공개 시점을 주시할 필요가 있다.

두 번째는 화자 분리 인원 확대다. 현재 최대 3명까지 안정 지원이고 그 이상은 실험적 단계인데, 5~10명이 참여하는 일반적인 팀 회의나 컨퍼런스콜 환경에 자신 있게 적용하려면 이 제한이 풀려야 한다. 정식 출시 시점에 이 부분이 개선될지가 실무 확산의 분기점이 될 가능성이 크다.

세 번째는 크롬 브라우저 음성 입력 확대다. 모든 웹 입력란에서 음성 입력을 지원할 예정이라는 발표가 실제 어느 범위까지, 어떤 속도로 롤아웃되는지에 따라 일반 사용자 접점에서 체감되는 확산 속도가 달라질 것으로 예상된다.

향후 3~5년 시나리오: 회의록은 "생성"이 아니라 "부산물"이 된다

3~5년 뒤에는 회의록 작성이라는 행위 자체가 별도 업무가 아니라, 회의가 끝나는 순간 자동으로 생성되는 부산물로 인식이 바뀔 가능성이 높다. 지금은 회의를 녹음하고, 이를 전사하고, 화자를 구분하고, 요약하는 각 단계가 별도 도구나 별도 작업으로 나뉘어 있는 경우가 많다. 하지만 함수 호출을 통해 트랜스크립션 모델이 다른 AI 모델과 유기적으로 연결되는 구조가 자리 잡으면, 이 전체 흐름이 하나의 자동화 파이프라인으로 압축될 것으로 전망된다.

특히 85개 이상 언어 자동 감지와 코드 스위칭 인식 능력은 다국적 협업 환경에서 언어 장벽을 낮추는 핵심 인프라로 자리 잡을 가능성이 크다. 통역 인력 없이도 여러 언어가 섞인 국제 회의의 회의록을 실시간으로 정리하는 시나리오가 특수 사례가 아니라 일반적인 업무 도구로 자리 잡는 흐름이 예상된다.

동시에 화자 분리 인원 제한 같은 현재의 기술적 한계도 이 기간 내 상당 부분 해소될 가능성이 있다. 음성 인식 기술의 발전 속도를 감안하면, 현재 실험적 단계인 3명 초과 화자 구분이 표준 기능으로 안착하는 것은 자연스러운 수순으로 보인다. 다만 이는 어디까지나 기술 발전 추세에 기반한 전망이며, 실제 실현 시점은 구글을 포함한 주요 사업자들의 공식 로드맵을 통해 확인해야 한다.

시사점·실행 가이드: 지금 당장 해볼 수 있는 것

회의록 자동화를 검토 중이라면, 정식 출시를 기다리기보다 프리뷰 단계에서 소규모로 먼저 실습해보는 것이 합리적인 접근이다. 프리뷰 API는 무료 또는 저비용으로 테스트 가능한 경우가 많으므로, 실제 업무 도입 전 검증 기회로 활용할 수 있다.

실행 가이드는 다음과 같다.

① Google AI Studio에서 Gemini API 접근 권한 확인 및 프리뷰 모델(`gemini-3.5-transcribe-preview`) 테스트
② 3명 이하 소규모 회의나 1:1 인터뷰 녹음으로 화자 분리 정확도 먼저 검증
③ 업종별 전문 용어가 있다면 맞춤 어휘 보정 기능에 등록해 인식률 비교
④ API 기본 모드가 verbatim(원문 그대로)인지, 스마트 트랜스크립션이 기본 적용되는지 공식 문서로 재확인
⑤ 가격 정책은 반드시 구글 공식 Pricing 페이지에서 최신 수치로 확인 후 대량 사용 계획 수립

자주 묻는 질문 (FAQ)

Q1. 제미나이 3.5 트랜스크라이브는 무료로 사용할 수 있나요?
가격 체계는 토큰당 과금 방식으로 알려져 있으나, 구체적 단가는 구글 공식 Pricing 페이지에서 직접 확인되지 않았다. 분당 약 $0.005 수준이라는 추산이 일부 제3자 블로그에 언급됐지만 공식 확인 전까지는 참고 수치로만 활용하는 것이 안전하다.

Q2. 화자 분리는 몇 명까지 정확하게 구분되나요?
사전 녹음(배치) 오디오 기준으로 최대 3명까지 타임스탬프와 함께 안정적인 화자 귀속이 가능하다. 3명을 초과하는 경우는 실험적 지원 단계이므로, 대규모 다자 회의보다는 소규모 미팅에서 우선 검증하는 것을 권장한다.

Q3. 실시간 자막과 회의록 녹음 처리는 같은 방식인가요?
아니다. 실시간 스트리밍은 Live API의 `gemini-3.5-transcribe-live`가 담당하며 1초 미만 지연의 양방향 방식이다. 회의·통화 기록 같은 사전 녹음 오디오는 Interactions API의 `gemini-3.5-transcribe`가 처리하며, 이쪽에서 화자 구분과 단어 단위 타임스탬프를 지원한다.

Q4. 한국어도 지원되나요?
85개 이상 언어를 자동 감지한다고 발표됐으나, 언어별 세부 지원 수준(정확도, 화자 분리 안정성 등)은 공식 문서에서 언어별로 명시되지 않았다. 실사용 전 한국어 환경에서 직접 테스트해보는 것이 필요하다.

Q5. 지금 당장 정식 서비스에 적용해도 되나요?
신중해야 한다. 2026년 8월 26일 기준 공개 프리뷰(preview) 단계이며 정식 출시(GA)가 아니다. 프리뷰 단계 기술은 사양·가격·기본 동작 방식이 정식 출시 전 변경될 가능성이 있으므로, 핵심 업무에 전면 도입하기 전 소규모 테스트와 공식 문서 재확인 과정을 거치는 것이 안전하다.

참고 자료

- blog.google (구글 공식 블로그) — 제미나이 3.5 트랜스크라이브 발표 원문

- ai.google.dev (구글 공식 개발자 문서) — Gemini API 프리뷰 모델 사양

- docs.cloud.google.com (구글 클라우드 공식 문서) — 모델 ID, 화자 분리 등 세부 기능 명세

- 9to5google.com — 발표 분석 및 제품 통합 현황 보도

- marktechpost.com — 기술적 특징 및 벤치마크 분석

- softonic.com — 소비자용 앱 적용 사례 리뷰

- Artificial Analysis — WER 및 전사 시간 벤치마크 측정 데이터

※ 본 글은 2026년 8월 30일 작성 시점 기준 공개된 정보를 정리한 것이며, 해당 모델이 공개 프리뷰 단계인 만큼 가격·기본값·언어 지원 범위 등은 이후 변경될 수 있습니다. 실제 도입 전 반드시 구글 공식 문서를 통해 최신 정보를 재확인하시기 바랍니다.