Gemini 3.5 Transcribe 공개: 가격과 smart 모드 제약

받아쓰기 앱에 월 15달러를 내고 있다면, 같은 돈이면 Gemini 3.5 Transcribe API 로 약 3,000분을 처리할 수 있습니다. 하루 두 시간 가까이 말하는 사람이 아니라면 API 쪽 값이 더 쌉니다. 대신 단축키나 커서 자리 입력 같은 앱 기능은 직접 만들어야 합니다.

구글이 2026년 8월 26일 음성 인식 전용 모델을 공개 미리보기로 내놨습니다. 실시간용과 녹음 파일용으로 나뉘고, 쓰는 API 도 서로 다릅니다. 둘 다 무료 등급이 있습니다.

실시간용과 녹음 파일용으로 나뉜 두 모델

실시간 자막이나 음성 대화에는 gemini-3.5-transcribe-live 를 Live API 로 붙이고, 녹음이 끝난 파일은 gemini-3.5-transcribe 를 Interactions API 로 처리합니다. 두 모델을 묶어 Gemini 3.5 Transcribe 라고 부릅니다. 화자 구분은 녹음 파일 쪽에만 있습니다.

발표와 동시에 제품에도 들어갔습니다. 맥OS 제미나이 앱은 화면 맥락과 음성 명령을 함께 쓰고, 안드로이드 Gboard 의 Rambler 기능이 이 모델로 돌아갑니다. Google Antigravity 는 사용자가 허용하면 화면 내용과 대화 기록을 참고해 인식 정확도를 올립니다. 크롬 입력창 적용은 예정 상태입니다.

자동으로 알아듣는 언어는 85개가 넘습니다. 한국어(ko-KR)가 지원 로캘 목록에 들어 있고, 말하다가 언어가 바뀌어도 그대로 따라갑니다. 어느 언어인지 미리 지정하지 않아도 됩니다.

구글 수치와 외부 순위표가 다른 정확도

자사 측정과 외부 측정의 결과가 서로 다릅니다. 구글이 낸 FLEURS 기준 단어 오류율은 실시간 5.50%, 녹음 파일 5.04% 입니다. 최종 결과가 나오기까지 걸리는 시간은 전작 Chirp 3 대비 70% 줄었습니다.

외부 순위는 다르게 읽힙니다. Artificial Analysis 의 비실시간 전사 순위표에서 단어 오류율 2.6% 로 다섯 번째 자리입니다. 1위 Fun-Realtime-ASR-preview 가 1.7%, ElevenLabs Scribe v2 가 2.2% 를 기록했습니다.

두 수치는 측정에 쓴 음성 자료가 달라 나란히 놓고 비교할 수 없습니다. 여기서 알 수 있는 것은 1위는 아니어도 상위권에는 들었다는 점입니다.

smart 모드를 켜면 포기해야 하는 것

smart 모드는 단어 단위 시간 표시나 화자 구분과 동시에 켤 수 없습니다. 자막이나 회의록을 만든다면 다듬어진 문장과 시간 정보 가운데 하나를 골라야 한다는 뜻입니다. 기본값은 verbatim 이라 따로 설정하지 않으면 들린 대로 다 적힙니다.

smart 를 켜면 군말이 빠지고 말하다 고친 내용은 고친 쪽만 남습니다. 전사 문서가 든 예시로는 화요일이라 했다가 수요일로 정정한 발화가 수요일 하나로 정리됩니다. 목록으로 말한 내용은 번호 목록이 되고 날짜와 통화 표기도 형식이 잡힙니다.

받아쓰기 앱을 대체할 파이프라인이라면 smart 쪽이 손이 덜 갑니다. 영상 자막처럼 시간 표시가 없으면 성립하지 않는 작업은 verbatim 으로 받고 정리 단계를 따로 두는 편이 낫습니다.

화자 8명과 3명, 문서마다 다른 한도

화자 구분 인원은 문서마다 값이 다릅니다. API 문서는 최대 8명, 구글 발표문은 최대 3명입니다. 양쪽 모두 3명을 넘어가면 실험 단계라는 단서를 달았으니, 서비스에 넣고 믿을 수 있는 선은 3명입니다.

한 번에 넣는 오디오는 1시간까지입니다. 화자 구분이나 단어 단위 시간 표시를 켜면 30분으로 줄어듭니다. 한 시간짜리 회의 녹음을 화자별로 나누려면 파일을 쪼개는 단계가 앞에 붙습니다.

맞춤 어휘는 1,000개까지 등록되지만 구글이 권하는 선은 100개 이하입니다. 열 배 차이가 나는 만큼, 사내 용어를 통째로 밀어 넣기보다 자주 틀리는 것만 추리는 쪽이 맞습니다.

분당 0.005달러가 정액 요금이 아닌 이유

구글은 분당 요금표를 낸 것이 아니라 토큰 단가로 값을 매깁니다. 함께 공개한 분당 값은 오디오 초당 25 토큰, 텍스트 분당 175 토큰을 가정해 환산한 추정치입니다. 실제 청구액은 말의 밀도를 따라 움직입니다.

실시간 처리에 웃돈이 얼마나 붙는지는 맨 오른쪽 열만 비교하면 됩니다.

모델	입력 100만 토큰	출력 100만 토큰	분당 환산
gemini-3.5-transcribe	2.00달러	12.00달러	약 0.005달러
gemini-3.5-transcribe-live	3.50달러	21.00달러	약 0.009달러

구독료와 견주면 어느 쪽이 싼지 드러납니다. Wispr Flow 는 월 15달러이고, 같은 돈이면 녹음 파일용 API 로 3,000분을 처리합니다. 한 달에 50시간을 말하지 않는 이상 API 쪽이 쌉니다. 값은 가격 페이지 기준이고, 두 모델 모두 무료 등급이 있습니다.

다만 API 값은 앱 값이 아닙니다. 전역 단축키, 커서 자리 입력, 오프라인 처리는 여기에 들어 있지 않습니다. Superwhisper 가 연 84.99달러를 받으면서 기기 안에서 처리하는 것은 음성을 밖으로 내보내지 않는다는 보장을 파는 쪽에 가깝습니다.

전사 API 끼리 견주면 싼 편도 아닙니다. Artificial Analysis 환산으로 1,000분에 ElevenLabs Scribe v2 가 3.67달러, Deepgram Nova-3 가 4.30달러입니다. 같은 기준에서 Gemini 3.5 Transcribe 는 5달러입니다.

지금 갈아탈 자리와 기다릴 자리

결정된 것은 두 모델이 공개 미리보기로 열렸다는 점, 그리고 Gboard Rambler 와 맥OS 제미나이 앱에 이미 들어가 있다는 점입니다. Google AI Studio 와 제미나이 API 에서 바로 호출할 수 있고, 기업용 경로는 Gemini Enterprise Agent Platform 입니다.

진행 중인 것은 크롬 웹 입력창 음성 입력과 Gemini Enterprise for Customer Experience 입니다. 화자를 3명 넘게 구분하는 기능도 실험 단계로 남아 있습니다.

단순 받아쓰기 파이프라인이라면 지금 붙여도 됩니다. 화자와 시간 표시가 함께 필요한 회의록은 smart 모드를 쓸 수 없으니, 30분 단위로 자른 파일을 verbatim 으로 돌리는 구성이 현재 잡을 수 있는 최선입니다.

출처: 구글 발표문 · 제미나이 API 전사 문서 · 9to5Google 보도