Google DeepMind, 음성 인식 모델 Gemini 3.5 Transcribe 발표

개발자용으로 두 가지 API가 제공된다. Live API의 gemini-3.5-transcribe-live는 서브초 지연으로 양방향 스트리밍을 수행하며, 인터랙티브 음성 앱을 위한 것이다. Interactions API의 gemini-3.5-transcribe는 회의나 통화 기록 등 녹음된 음성을 화자 구분 및 단어 단위 타임스탬프와 함께 전사한다. 화자 식별은 3명까지가 대상이며, 4명 이상은 실험적 기능으로 다뤄진다.

기능 면에서는 "화요일, 아니 수요일에 만나자"와 같은 말 바꿈 처리, "음..." 등 필러 제거, 자동 서식 지정을 지원한다. 사용자 지정 어휘를 전달해 전문 용어나 고유한 표기에 맞추는 것도 가능하며, 우편번호나 주문 ID 같은 영숫자 인식에도 강점이 있다. 함수 호출을 통해 이미지 생성이나 파일 분석 등을 다른 Gemini 모델에 맡길 수도 있으며, 현재는 Gemini macOS 앱에서 사용할 수 있다.

정확도에 대해서는 Artificial Analysis의 측정에서 평균 WER이 스트리밍 4.0%, 비스트리밍 2.6%로 나타났다. 전 세대인 Chirp 3에 비해 최종 전사 결과가 나오기까지의 시간은 70% 단축되었다. FLEURS 벤치마크의 주요 언어에서는 스트리밍 5.50%, 비스트리밍 5.04%의 WER을 기록해 Chirp 3를 능가한다.

Google 제품에도 통합이 진행 중이다. Android용 Gboard의 Rambler는 말한 내용을 정돈된 문장으로 바꿔 주며, 음성으로 수정하거나 스타일을 변경할 수도 있다. Google Antigravity에서는 허가를 받은 뒤 화면 문맥과 채팅 기록을 활용해 파일명 등의 정확도를 높인다. Google AI Studio의 Build 모드에서는 음성으로 앱을 만들 수 있다. macOS용 Gemini 앱은 영어를 지원하며, Chrome에는 곧 지원될 예정이다.

제공 현황은 다음과 같다. 개발자용은 Google AI Studio와 Google Antigravity를 통한 Gemini API로 퍼블릭 프리뷰가 제공되고, 기업용은 Gemini Enterprise Agent Platform에서 퍼블릭 프리뷰가 제공된다. Gemini Enterprise for Customer Experience는 곧 지원될 예정이다. Agora, LangChain, LiveKit, Vercel 등의 플랫폼이 Live API를 통한 음성 인터페이스 구축을 지원하고 있으며, vivo, Intellitek Health, Lingopal도 지연 시간, 정확도, 지원 언어에 대해 긍정적인 평가를 내놓았다.