STT API comp

Speech-to-Text API 비교: OpenAI Whisper, Google Speech-to-Text, Amazon Transcribe

음성 인식 API는 다양한 산업에서 필수적인 기술로 자리 잡고 있다. 이 글에서는 OpenAI Whisper, Google Speech-to-Text, Amazon Transcribe의 성능, 기능, 언어 지원, 가격, 통합, 보안 등 주요 측면을 비교 분석하고자 한다.

1. Accuracy and Speed

Word Error Rate(WER)

• OpenAI Whisper-v2:

Size	Parameters	English-only model	Multilingual model
tiny	39 M	✓	✓
base	74 M	✓	✓
small	244 M	✓	✓
medium	769 M	✓	✓
turbo	798 M		✓
large	1550 M		✓
large-v2	1550 M		✓
large-v3	1550 M		✓

WER: 8.06%, 처리 속도: 10-30분/1시간 오디오

장점: 모델 크기 선택 가능(39M~1.55B 파라미터)으로 정확도와 속도 균형 조정 가능.

• Google Speech-to-Text: WER: 16.51%-20.63%, 처리 속도: 20-30분/1시간 오디오
• Amazon Transcribe: WER: 18.42%-22%, 처리 속도: Google과 유사.

Sources: Hugging Face, Clari, Statista, Gladia

English test

결론: Whisper는 높은 정확도와 빠른 처리 속도로 우위. 그러나 hallucination(환각) 문제가 발생할 수 있음.

2. Features

비교표

	OpenAI	Golgle	Amazon
실시간 전사(Live)	✓	✓	✓
언어 자동 감지	✓	✓	✓
단어별 타임스탬프	✓	✓	✓
화자 분리		✓	✓
욕설 필터		✓	✓
PII 제거(민감 정보 삭제)			✓
감정 분석
커스텀 단어 추가			✓
음성 적응	✓	✓	✓
다중 채널 인식		✓	✓
잡음 강인성	✓	✓	✓
도메인 특화 모델		✓	✓
자동 구두점 삽입	✓	✓	✓
유해 오디오 콘텐츠 감지			✓
단어 수준 신뢰도		✓

결론: Amazon이 PII 제거 및 의료/콜센터 분석 등의 전문화된 기능으로 가장 완벽한 기능 세트를 제공.

3. Language Support

• OpenAI Whisper: 98개 언어 지원, 높은 정확도. 단, 영어 데이터 비중이 높아 타 언어에서는 성능 저하 가능. → 커스텀 모델로 특정 언어와 방언 최적화 가능.
• Google Speech-to-Text: 125개 이상의 언어 및 방언 지원. 다양한 억양과 소음을 처리하도록 설계. → 모델 조정(Adaptation) 기능으로 특정 단어나 문구 인식 가능.
• Amazon Transcribe: 100개 이상의 언어 지원, 자동 언어 감지, 커스텀 단어 추가 가능.

결론: 언어 수 기준으로 Google이 앞서지만, Whisper는 정확도와 실제 사용 사례에서 강력.

4. Cost

서비스 가격

• OpenAI Whisper $0.006/분
• Google Speech-to-Text $0.016/분
• Amazon Transcribe $0.0102-$0.024/분
• RTZR 참고

결론: Whisper가 가장 저렴하며, 비용 대비 품질이 우수.

5. Integration

• OpenAI Whisper API: Python, JavaScript 등 다양한 언어 지원, 간단한 코드 구조(6줄 이하)로 빠른 통합 가능. → 직관적인 문서 제공.
• Google Speech-to-Text: Google Cloud 서비스와 통합에 강점. 다만, 초기 설정 복잡.참고
• Amazon Transcribe: SDK 지원(다양한 언어), 문서 체계적이나 초기 등록 과정 복잡.

결론: Whisper는 가장 쉬운 초기 설정과 간단한 온보딩¹ 경험 제공.

6. Privacy and Security

• Amazon Transcribe: 데이터 전송 시 TLS 사용, KMS 키로 추가 암호화.
• Google Speech-to-Text: 데이터를 저장하지 않고 메모리에서 처리. GDPR, HIPAA 등 규정 준수.
• OpenAI Whisper: OSS 모델 사용 시 로컬에서 모든 데이터 처리. API 사용 시 데이터는 30일간 저장, Zero Data Retention 옵션 제공.

결론: 보안 측면에서 Google과 Amazon이 가장 우수.

최종 결론: 어떤 API가 적합한가?

기준	OpenAI Whisper	Google Speech-to-Text	Amazon Transcribe
정확도/속도	최고	평균	평균
기능	제한적	광범위	가장 광범위
언어 지원	높은 정확도	최다 언어 지원	중간
비용	가장 저렴	중간	비싸지만 다양한 옵션
통합/사용 편의	쉬움	중간	중간
보안	로컬 처리 지원	강력한 보안	강력한 보안

Whisper는 속도, 정확도, 비용에서 강점을 보이며, 개발자 친화적인 솔루션.

Google과 Amazon은 추가 기능과 보안이 필요한 엔터프라이즈 환경에 적합.

그외

현 프로젝트에 어울리는 STT 모델로는 Whisper가 괜찮다고 생각했는데, “리턴제로”가 한국어 이해력 세계 최고 수준 달성.

https://blog.rtzr.ai/korean-speechai-benchmark/

API \ 데이터셋	Avg. CER(%)	주요 영역별 회의	회의	상담	저음질 전화망	한국어 강의	KsponSpeech eval clean	KsponSpeech eval other
OpenAI Whisper	11.39	10.49	10.16	7.51	17.27	10.89	12.06	11.34
Google api v2	11.50	N/A2	11.62	8.37	14.11	11.48	11.82	11.59
ETRI	10.19	9.95	10.56	8.36	15.46	9.89	9.99	7.15
Naver ClovaSpeech	9.52	7.88	8.53	5.89	9.09	13.71	10.66	10.86
리턴제로	6.18	6.78	7.27	3.56	4.66	7.76	6.61	6.64
리턴제로 Whisper3	6.59	6.84	8.33	4.1	4.26	7.11	7.78	7.73

여기서 CER(Character Error Rate)는 앞서 설명한 WER와 계산 방법은 거의 동일하다. WER은 단어가 토큰이 되며, CER은 문자가 토큰이라는 차이점이 있다. 한국어 음성인식은 WER이 아닌 CER로 평가되어야 적절하다고 한다.

왜 CER로 계산?

한국어는 교착어(첨가어)로 조사를 사용하고 다른 언어와 비교했을 때 형태소의 구조가 복잡하며, 단어와 단어 사이의 경계가 모호하다. 이러한 언어 구조의 특성으로 인해 단어 수준에서의 평가가 어렵다. 따라서, 문자 단위의 오류를 측정하는 CER이 한국어 음성인식에서 더 정확한 평가 방법으로 간주된다.

참고

• Gladia
• rtzr
• RTZR 사용법

Footnotes

1. 새로운 직원이 조직에 잘 적응할 수 있도록 지식이나 기술을 교육하는 과정 ↩

2. Google의 음성인식 파일 크기의 제한으로 생략 ↩

3. OpenAI에서 공개한 Whisper 오픈소스 모델에 리턴제로의 데이터를 파인튜닝(fine-tuning)한 모델 ↩