Deepgram vs AssemblyAI: 인터뷰 축어록을 다시 들으며 검증하려면 채널과 언어 처리부터 선택한다
연구팀이 전사 API를 선택할 때는 녹음 채널 구조, 실제 사용 언어 모델, 단어별 시간 정보를 먼저 확인해야 한다. Deepgram은 화자 분리 버전과 다국어 전사를 명확히 설정하기에 적합하다. AssemblyAI의 발화 차례 출력과 타임스탬프가 있는 장별 요약도 평가할 만하지만 언어 폴백과 수동 교정은 생략할 수 없다.
인터뷰를 매끄러운 글로 바꾸는 것은 연구 업무의 첫 단계에 불과하다. 팀은 누가 어떤 문장을 말했는지, 클릭해서 다시 들을 수 있는지, 교정 후에도 원본 녹음을 찾을 수 있는지 알아야 한다. Deepgram과 AssemblyAI 모두 이런 앱에 필요한 전사 데이터를 제공할 수 있다. API를 선택할 때는 공급업체 자체 정확도 순위를 결론으로 삼지 말고 검토 흐름에 어떻게 통합되는지 비교해야 한다.
화자 분리 버전을 명확하게 제어하고 하나의 다국어 전사 모델에서 언어 전환을 처리하려는 팀이라면 Deepgram을 우선 시험할 만하다. 인터뷰 발화 차례를 중심으로 검토하고 타임스탬프가 있는 장별 요약도 생성하려는 팀이라면 AssemblyAI를 함께 평가할 만하다. 둘 다 텍스트를 반환하는 것만으로 팀의 교정 기록과 인용 근거 추적 체계를 만들어 주지는 않는다. 아래 판단은 공식 문서에 근거하며 동일한 녹음 묶음으로 실측한 순위가 아니다.
채널을 먼저 보존한 뒤 누가 말하는지 판단한다
연구자와 응답자를 각각 두 채널에 녹음한 인터뷰를 가정하자. 이때는 먼저 모노로 섞고 모델에 사람을 추측하게 할 것이 아니라 분리 정보를 보존해야 한다. Deepgram의 Multichannel은 채널별로 독립 전사한다. AssemblyAI의 다중 채널 전사도 각 발화 차례와 단어의 채널 정보를 반환한다.
하지만 채널이 곧 사람은 아니다. 회의실 마이크가 사용하는 한 채널에 응답자가 두 명 있다면 그 채널 안에서도 화자를 구분해야 한다. AssemblyAI는 multichannel과 speaker_labels를 동시에 활성화할 수 있으며 예상 인원의 상한과 하한은 채널별로 계산한다. 인터뷰 전체의 인원 범위를 그대로 적용해서는 안 된다. 반대로 스테레오 파일이라고 한쪽마다 한 사람만 있다는 보장도 없다. 구매 전에 녹음 소프트웨어가 실제로 내보낸 파일을 확인해야 한다.
여러 사람이 같은 채널에 섞인 녹음은 Deepgram의 화자 분리에서 diarize_model=v2로 배치 분리기 버전을 고정할 수 있다. latest는 최신 정식 버전에 따라 바뀐다. 기존 diarize=true는 여전히 v1을 가리키고 diarize_model과 동시에 설정할 수 없다. 연구 배치 간 출력 차이를 설명해야 하는 팀이라면 오래된 예제를 그대로 복사하지 말고 이러한 설정을 기록해야 한다.
AssemblyAI는 speaker_labels로 화자 분리를 활성화하고 화자 레이블이 붙은 utterances를 출력한다. A, B 또는 숫자 레이블 자체는 검증된 이름이 아니다. 레이블을 응답자 신원에 매핑할 때는 특히 끼어들기 발언과 짧은 답변에 대해 사람이 확인하는 단계를 유지해야 한다.
편집 가능한 원고에는 두 종류의 신뢰도 정보를 남겨야 한다
Deepgram의 Utterances는 구간과 단어별 시작·종료 시간을 초 단위로 제공한다. 사전 녹음 화자 분리는 speaker_confidence도 반환한다. AssemblyAI의 화자 분리 응답은 발화 차례와 단어별 시작·종료 시간을 밀리초 단위로 제공하며 speaker_options.include_speaker_confidence로 화자 신뢰도를 요청할 수 있다. 텍스트 신뢰도와 화자 신뢰도는 서로 다른 문제에 답한다. 단어는 제대로 인식했어도 잘못된 사람에게 배정될 수 있다.
따라서 편집기를 연결할 때는 시간 단위를 통일하되 원본 응답을 보존하는 것이 좋다. 표시용 원고에서는 오탈자를 수정하고 문장 구분을 합치며 인물 레이블을 바꿀 수 있지만 원래 단어 순서, 시간 구간, 채널, 모델 설정까지 덮어쓰면 안 된다. 예를 들어 응답자가 12.5초에 중요한 부정 표현을 말했다면 다른 응답에서는 같은 위치가 12500밀리초로 표시될 수 있다. 변환이 잘못되면 페이지의 문장이 완전히 정확해도 다시 듣기가 엉뚱한 위치로 이동한다.
이는 두 API에 공통된 구현 비용이기도 하다. 팀은 녹음과 버전을 보존하고 누가 무엇을 수정했는지 표시하며 연구 보고서의 인용을 검증된 구간에 연결해야 한다. 선택할 때는 검토자가 ‘오류 수정, 다시 듣기, 화자 확인, 인용 내보내기’를 실제로 한 번 완료하게 한 뒤 수작업을 얼마나 줄였는지 평가해야 한다.
‘이 언어 지원’만 보지 말고 실제 처리 모델을 확인한다
현재 Deepgram의 Nova-3 multilingual은 model=nova-3와 language=multi로 55개 언어와 대화 중 언어 전환을 지원한다. language_hint는 예상 언어의 인식 경향을 높일 뿐 다른 지원 언어를 금지하지 않는다. 외국어 용어가 섞인 인터뷰에서는 전체가 단일 언어라고 억지로 가정하는 것보다 이 특성이 더 유용하다.
현재 AssemblyAI의 모델 설명은 Universal-3.5 Pro를 사전 녹음용 권장 모델로 소개하며 18개 언어를 지원한다고 한다. 그 범위 밖에서는 Universal-2로 폴백하여 전체 지원 범위가 99개 언어가 된다. 따라서 ‘플랫폼이 99개 언어를 지원한다’를 ‘99개 언어 모두 Universal-3.5 Pro를 사용한다’로 해석해서는 안 된다. 평가 자료에는 요청 설정과 실제 처리 모델을 기록하고 서로 다른 모델의 원고를 하나의 평균 점수로 섞지 말아야 한다.
프로젝트에 소수 언어 또는 잦은 언어 전환이 포함된다면 언어 목록을 먼저 확인한 뒤 사용 허가를 받은 동일한 대표 구간으로 비교한다. 두 공급업체가 각각 발표한 1위를 비교하기보다 인명, 고유명사, 부정문, 화자 전환 지점의 교정량을 확인하는 편이 연구팀의 실제 비용에 더 가깝다.
요약은 검증 뒤에 두고 인용문이 아닌 색인으로 사용한다
Deepgram의 내장 요약 문서는 영어 지원으로 표시되어 있으며 모든 채널을 아울러 요약 하나를 생성한다. AssemblyAI의 Speech Understanding 요약은 타임스탬프가 있는 장을 제공하며 현재 공개 베타로 표시되어 있다. 전자는 검증된 영어 인터뷰의 개요에 적합하고 후자는 긴 인터뷰의 구간 탐색에 활용할 만하지만, 베타 단계 기능은 해당 프로젝트에서의 동작을 검증해야 한다.
어느 쪽을 선택하든 ‘응답자가 예산 부족을 언급했다’ 같은 생성 요약을 실제 발언 그대로 취급해서는 안 된다. 요약이 구간을 가리키면 검토자가 다시 듣고 확인한 뒤 검증된 축어록을 인용에 사용한다. 아직 교정하지 않은 전사로 요약을 생성했다면 중요한 오탈자나 화자 귀속을 수정한 후 관련 요약을 다시 확인해야 한다.
최종 구매는 작은 인수 검증 세트를 중심으로 진행할 수 있다. 채널을 분리한 인터뷰, 여러 사람이 등장하는 단일 채널 인터뷰, 프로젝트에서 실제 사용하는 언어를 포함한다. Deepgram의 버전 선택·다국어 설정과 AssemblyAI의 발화 차례 데이터·장별 요약은 비교할 가치가 있는 두 통합 방식이다. 최종적으로 어느 쪽을 유지할지는 동일한 검토 작업을 마친 뒤 잘못된 화자 귀속과 수동 보완이 더 적게 남는 쪽을 기준으로 결정해야 한다.
콘텐츠 안내:이 글은 공개 자료를 바탕으로 정리한 도구 선택 참고 자료입니다. 제품 기능, 가격 및 관련 정책은 수시로 변경될 수 있으니 최신 공식 정보를 확인해 주세요.
원문 출처:developers.deepgram.com