사용 방법
- 파일로 오디오·동영상(MP3·WAV·M4A·OGG·FLAC, MP4 등)을 열거나 마이크 녹음으로 바로 녹음합니다. 동영상은 소리만 꺼내서 처리해요.
- 언어를 고릅니다. 한국어·영어 중 알고 있다면 직접 고르는 편이 정확합니다. 자동 감지는 소리가 처음 나오는 30초 구간에서 언어를 한 번 정해 끝까지 씁니다.
- 받아 적기를 누릅니다. 처음에는 모델(약 77MB)을 받는 진행률이 나오고, 이어서 30초 구간 단위로 진행률과 토큰 수가 표시돼요. 구간이 끝날 때마다 결과가 아래에 채워집니다. 도중에 취소할 수 있어요.
- 결과 글은 직접 고칠 수 있습니다. 복사하거나 저장하고, 자막이 필요하면 SRT·VTT 로 저장하거나 자막 편집기에서 열기로 이어서 다듬으세요.
출력 형식
| 형식 | 내용 | 저장 파일 |
|---|---|---|
| 글 | 구간마다 한 줄, 시간 없음 | .txt |
| 시간 글 | [01:15] 문장 처럼 구간 시작 시각을 앞에 붙임 (1시간 이상은 1:01:01) |
.txt |
| SRT | 번호, 00:00:03,200 --> 00:00:06,000, 글 |
.srt |
| VTT | WEBVTT 머리말, 점으로 구분한 시간 |
.vtt |
예를 들어 “안녕하세요.” (0~2.5초)와 “반갑습니다.” (3.2~6초)는 SRT 로 이렇게 나옵니다.
1
00:00:00,000 --> 00:00:02,500
안녕하세요.
2
00:00:03,200 --> 00:00:06,000
반갑습니다.
출력 형식을 바꿔도 다시 받아 적지 않고 화면의 글만 바뀝니다. 형식을 바꾸면 직접 고친 내용은 사라지니, 고치기 전에 형식을 먼저 정하세요.
어떻게 작동하나
이 도구는 OpenAI 의 Whisper base 모델을 브라우저 안에서 직접 돌립니다. 별도 라이브러리 없이 전처리부터 디코딩까지 구현했어요.
- 전처리: 소리를 16 kHz 모노로 바꾸고 30초(480,000 샘플) 단위로 자릅니다. 400 샘플 Hann 창, 정확히 400점 DFT, 80개 멜 필터(slaney 척도), 로그 변환 후 최댓값 −8 하한과 (x+4)/4 정규화로 80×3000 특징을 만들어요.
- 인코더·디코더: 인코더가 특징을 한 번 읽고, 디코더가 토큰을 하나씩 만듭니다. 이전 계산을 저장하는 KV 캐시를 써서 토큰마다 새 토큰만 계산하고, 가장 확률 높은 토큰을 고르는 그리디 방식이에요. 억제 토큰(기호·특수 토큰)을 막고, 같은 묶음이 12토큰 이상 되풀이되면 반복 환각으로 보고 멈춥니다.
- 시간: 타임스탬프 토큰은 0.02초 단위입니다. 토큰 번호에서 50364 를 빼고 0.02 를 곱하면 초가 돼요. 예를 들어 50364+150 은 3초, 50364+1234 는 24.68초입니다. 구간은
시작 시각 토큰 → 글 → 끝 시각 토큰묶음마다 하나씩 만듭니다. - 글 복원: 토큰은 바이트 단위 BPE 입니다. 한글 ‘한’(UTF-8
ed 95 9c)은 토큰 문자열íķľ로 저장돼 있고, 한 글자가 여러 토큰에 걸쳐 나뉘기도 해요. 그래서 토큰 문자열을 바이트로 되돌려 모은 뒤 한꺼번에 UTF-8 로 디코드해 한글이 깨지지 않게 합니다. - 소리가 거의 없는 30초 구간은 건너뜁니다(실효값 0.0005 미만). 무음에서 없는 문장을 지어내는 일을 줄이기 위해서예요.
30초 구간은 겹치지 않게 고정으로 나눕니다. 구간 경계에서 말이 잘리면 그 단어가 빠지거나 두 구간에 나뉘어 적힐 수 있어요.
속도와 정확도
N100 급 PC 의 node 에서 실제 모델로 11초짜리 영어 연설을 처리한 결과입니다. 인코더는 입력 길이와 상관없이 30초 구간 하나에 약 4~5.5초, 디코더는 토큰 26개에 약 1.8~2.3초(토큰당 0.07~0.09초)였어요. 구간 하나에 토큰이 100개쯤이면 약 12초, 즉 실시간의 2배 남짓 걸린다고 볼 수 있습니다. 1시간짜리는 120개 구간이라 약 24분으로 추정돼요. 한국어는 같은 길이의 말에 토큰이 더 많아 더 느릴 수 있고, 브라우저 속도는 기기에 따라 달라요. 화면의 예상 시간도 이 값으로 계산한 추정치입니다. 처리할 수 있는 길이는 2시간까지고, 열 수 있는 파일은 500MB·1시간까지예요.
정확도는 모델 크기를 따릅니다. base 모델은 조용한 곳에서 또박또박 말한 표준어와 영어는 잘 받아 적지만, 배경 잡음·사투리·전문 용어·고유명사·여러 사람이 겹쳐 말하는 소리에서는 틀린 곳이 많습니다. 화자를 구분하지 않고, 숫자·띄어쓰기·문장부호도 어긋날 수 있어요. 잡음이 많은 녹음은 오디오 잡음 제거로 먼저 정리하면 나아질 때가 있습니다. 중요한 내용은 꼭 직접 확인하세요.
모델과 저장
첫 사용 때 인코더(약 23MB)와 디코더(약 54MB)를 받아요. 받은 파일은 크기와 SHA-256 으로 검증하고 이 브라우저의 캐시에 저장하므로, 다음부터는 다운로드 없이 시작합니다. 화면의 저장된 모델 지우기로 언제든 지울 수 있어요. 모델은 이 사이트에서만 받으며 외부 서버나 CDN 은 쓰지 않습니다. 모델 가중치는 OpenAI 가 공개한 Whisper(Apache-2.0)입니다.
받아 적은 자막으로 영상에 자막을 입히려면 자막 편집기에서 시간을 다듬고 동영상 자막 입히기를 쓰세요. 자막 형식만 바꾸려면 자막 형식 변환이 있습니다.
입력한 소리는 브라우저 안에서만 처리되며 서버로 전송되지 않습니다.