1. 홈
  2. 오디오·자막
  3. 음성 텍스트 변환

음성 텍스트 변환

녹음·영상 속 말소리를 텍스트나 SRT 자막으로 받아 적습니다.

내 브라우저에서 처리 · 업로드 없음
파일을 열거나 마이크로 녹음한 뒤 언어를 고르고 받아 적기를 누르세요. 소리는 이 기기 안에서만 처리돼요.
출력 형식
첫 사용 때 모델 약 77 MB를 받아요. 받은 모델은 이 기기에 저장돼 다음부터는 바로 시작합니다.
이 도구는 Whisper base 모델이에요. 깨끗한 녹음의 표준어는 잘 받아 적지만, 잡음·사투리·전문 용어·겹쳐 말하는 소리는 틀리는 곳이 많고 화자를 구분하지 않아요. 중요한 내용은 꼭 직접 확인하세요.
파일은 이 브라우저 안에서만 처리되며 서버로 전송되지 않습니다.

사용 방법

  1. 파일로 오디오·동영상(MP3·WAV·M4A·OGG·FLAC, MP4 등)을 열거나 마이크 녹음으로 바로 녹음합니다. 동영상은 소리만 꺼내서 처리해요.
  2. 언어를 고릅니다. 한국어·영어 중 알고 있다면 직접 고르는 편이 정확합니다. 자동 감지는 소리가 처음 나오는 30초 구간에서 언어를 한 번 정해 끝까지 씁니다.
  3. 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.
  4. 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 토큰 묶음마다 하나씩 만듭니다.
  • 글 복원: 토큰은 바이트 단위 BPE 입니다. 한글 ‘한’(UTF-8 ed 95 9c)은 토큰 문자열 íķľ 로 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.

필요한 도구가 없나요?

어떤 작업을 하고 싶은지 적어 주세요. 요청이 많은 도구부터 만듭니다.