음성을 텍스트로: 브라우저에서 녹음 파일 받아쓰기

사용 방법

1. 오디오나 영상 파일을 끌어놓거나, 상자를 클릭해 선택하세요.
2. 말하는 언어를 알면 골라주고, 모르면 "자동 감지"로 두세요.
3. "텍스트로 변환"을 누르세요. 처음에는 음성 모델(약 40MB)을 불러오며, 브라우저가 저장해 두어 다음부터는 바로 시작됩니다.
4. 받아쓴 텍스트를 읽고, 복사하거나 .txt 파일로 내려받으세요.

예시

영어로 된 2분짜리 음성 메모

→ [0:00]처럼 각 구간 앞에 타임스탬프가 붙은 텍스트

"자동 감지"를 켠 채로 넣은 한국어 녹음

→ 한국어 텍스트

무음이거나 음악만 있는 파일

→ "이 파일에서 음성을 찾지 못했습니다."

계산 방식

이 모델은 Whisper의 가장 작은 공개 버전(“tiny”)이며, 머신러닝 모델과 이를 돌리는 웹어셈블리 프로그램을 불러오는 오픈소스 라이브러리인 Transformers.js로 작동합니다. 두 파일 모두 허깅페이스 허브에서 한 번 받아온 뒤 브라우저 자체 캐시가 보관합니다. 오디오 파일은 브라우저 자체 Web Audio API가 모델이 요구하는 단일 채널, 초당 16,000개 샘플 형식으로 해석하며, 이 과정 역시 서버와는 무관합니다.

30초보다 긴 녹음은 내부적으로 서로 겹치는 30초 조각으로 나뉘어 하나씩 받아쓰여진 뒤, Whisper 자체가 긴 오디오에 쓰는 것과 같은 방식으로 하나의 연속된 타임스탬프를 가진 텍스트로 이어붙여집니다. 작은 모델이라 받아쓴 내용은 최선의 추정치이며, 배경 소음이나 여러 사람의 동시 발화, 흔치 않은 언어에서는 잘못 알아들을 수 있으니 그대로 쓰기 전에 읽어서 확인하세요.

출처

• Whisper(openai/whisper), 여기서 쓰는 음성 인식 모델
• Transformers.js, 브라우저에서 이를 돌리는 라이브러리

자주 묻는 질문

제 녹음 파일이 업로드되나요?

아니요. 오디오는 브라우저 안에서 돌아가는 모델이 직접 기기에서 해석하고 받아씁니다. 네트워크로 가져오는 건 도구를 처음 쓸 때 모델 자체의 파일뿐이며, 녹음 내용은 기기 밖으로 나가지 않습니다.

"음성 모델을 불러오는 중"이 무슨 뜻이고, 왜 40MB인가요?

이 도구는 오픈소스 음성 인식 모델인 Whisper를, 어떤 브라우저에서도 비교적 빠르게 돌아가도록 고른 작은 크기로 씁니다. 브라우저 자체 캐시가 한 번 받은 뒤 보관해 두므로, 다음에 방문하거나 이 모델을 쓰는 다른 도구를 써도 다시 받지 않습니다.

정확도는 어느 정도인가요?

또렷한 말소리에 흔한 언어라면 잘 작동하지만, 억양이 강하거나 여러 사람이 동시에 말하거나 배경 소음·음악이 있거나 흔치 않은 언어라면 정확도가 떨어집니다. 어떤 브라우저에서도 빠르게 돌아가도록 고른 작은 모델이라, 어려운 녹음에서는 유료 전문 서비스만큼은 못합니다. 결과를 그대로 믿지 말고 읽어서 확인하세요.

어떤 파일 형식이 되나요?

브라우저가 직접 해석할 수 있는 오디오라면 됩니다: MP3, WAV, M4A, OGG 등 대부분의 형식과, 대부분 영상 파일의 소리 트랙도 됩니다. 파일이 안 되면 브라우저가 그 파일을 해석하지 못한 것이며, 이 페이지는 그걸 추측 없이 그대로 알려줍니다.

화자를 구분해 주나요?

아니요. 언제 무슨 말을 했는지는 타임스탬프로 알려주지만, 누가 말했는지는 구분하지 않습니다.

관련 도구

• 이미지 글자 추출
• 단어 수 세기
• 글자 수

마지막 업데이트: 2026-10-15