음성 AI도 별도 모델 계층으로 — Gemini 3.5 Transcribe

같은 Google의 8월 26일 발표지만 실무 활용도가 높아 함께 봐둘 가치가 있습니다. Gemini 3.5 Transcribe는 일반 음성 인식보다 voice agent 입력 계층을 목표로 합니다. blog.google

실시간 스트리밍에서는 sub-second latency를 지원하고, 녹음 파일 처리에서는 화자 분리와 word-level timestamp를 제공합니다. Google이 인용한 Artificial Analysis 측정에서는 WER이 streaming 4.0%, 비실시간 2.6%였으며 Chirp 3보다 최종 transcript 도달 시간이 약 70% 개선됐습니다. 85개 이상 언어를 자동 감지하며 사용자 정의 전문용어도 넣을 수 있습니다. blog.google

흥미로운 점은 이 모델이 단순히 소리를 문자로 바꾸는 데서 끝나지 않는다는 것입니다. “화요일—아니 수요일”처럼 말 중간에 수정하면 최종 문장에는 수정된 결과를 반영하고, filler word를 제거하고 형식도 자동 정리합니다. Gemini macOS 앱에서는 function calling으로 파일 분석·이미지 생성 같은 다른 모델 작업까지 연결합니다. blog.google

실무 시사점

Voice UI를 만들 때 이제:

Audio → STT → LLM

이라는 완전히 분리된 두 모델보다,

Intent-aware transcription → Agent

구조를 고려할 수 있습니다.

특히 모바일 자연어 입력, 상담 기록, 음성 일정 입력처럼 사용자가 말을 고치거나 망설이는 환경에서는 raw transcript보다 정리된 의미 단위 transcript가 downstream agent의 오류율을 낮출 가능성이 큽니다.