음성인식 · 음성합성

음성인식이란?

음성 데이터는 예전부터 쌓여 있었지만 검색되지 않는 자산이었습니다. 콜센터 녹취가 서버에 수만 건 있어도 QA 담당자가 귀로 들을 수 있는 건 상담사당 월 두세 건이 전부였고, 회의 녹음은 끝나면 아무도 다시 열지 않았습니다. STT가 들어오면 이 음성이 전부 검색 가능한 텍스트로 바뀝니다. '환불'이라는 단어가 나온 통화만 골라내거나 특정 제품명이 언급된 회의 구간으로 바로 이동하는 일이 가능해집니다. 음성 AI의 진짜 효과는 받아쓰기 자체가 아니라 음성이 데이터베이스 안으로 들어온다는 점입니다.

STT는 녹음 파일을 통째로 처리하는 배치 방식과 말하는 도중 받아쓰는 스트리밍 방식으로 나뉩니다. 회의록·상담 분석은 배치로 충분하지만, 실시간 통역이나 상담사 화면 보조는 응답 지연이 0.3초를 넘기면 현장에서 쓰기 어렵습니다. 정확도는 보통 단어 오류율(WER)로 재는데, 일반 대화는 5% 안팎까지 내려왔어도 업계 전문용어·제품명·사람 이름은 커스텀 어휘 사전에 따로 등록해야 잡힙니다. 누가 말했는지 나누는 화자 분리는 STT와 별개 기능이라 따로 켜야 하고, 텍스트에서 요약이나 감정 분류를 뽑는 것은 뒤에 붙는 LLM의 몫입니다. STT는 귀일 뿐 머리가 아니라는 구분이 있어야 견적과 기대치가 맞습니다.

현장에서 가장 자주 깨지는 지점은 '정확도 95%'라는 숫자입니다. 그 5%의 오류가 조사나 접속사에 고르게 흩어지지 않고 금액·수량·고유명사에 몰립니다. '15만 원'이 '50만 원'으로, 약품명 한 글자가 다른 약으로 찍히면 회의록도 상담 이력도 그대로 위험 문서가 됩니다. 시연장의 조용한 회의실과 잡음·사투리·말 겹침이 뒤섞인 실제 통화는 조건이 완전히 다릅니다. 녹취를 텍스트로 바꾸는 순간 개인정보 처리 범위가 넓어지므로 고객과 직원 양쪽에 대한 사전 고지가 필요하고, TTS로 목소리를 복제할 때 성우나 임직원의 서면 동의 없이 쓰면 초상권·사칭 문제가 바로 터집니다.