안녕하세요, Sonetho입니다. ⚡
"한국어 음성인식은 역시 네이버가 낫지 않나?"
많이 듣는 말인데, 실제로 재본 사람은 드뭅니다.
그래서 직접 쟀습니다.
같은 한국어 오디오 8개를 세 엔진에 넣고, 정답 대본과 글자 단위로 대조했습니다.
📊 결과 요약 (문자 오류율 CER, 낮을수록 정확)
| 부문 | 클로바 CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| 감정 대사 | 3.2% | 1.1% | 1.1% |
| 뉴스체 낭독 | 0~0.8% | 0~0.8% | 0~0.8% |
| 영어·숫자 혼용 | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| 장문 일관성 | 1.7~7.3% | 0% | 0% |
| 평균 | 11.4% | 3.2% | 4.0% |
먼저 클로바 편을 들자면.
순수 한국어에서는 CSR도 사실상 만점입니다.
뉴스체 낭독은 세 엔진 모두 0%대로 동률이었습니다.
이 구간만 보면 뭘 써도 됩니다.
💥 승부처는 영어 혼용이었습니다
한국어 문장에 브랜드명과 숫자가 섞이는 순간 격차가 벌어졌습니다.
CSR의 실제 출력 몇 개를 그대로 옮깁니다.
| 정답 | 클로바 CSR 출력 |
|---|---|
| ChatGPT | "채취 pt" |
| Gemini | "나재민이", "개 미니" |
| 일레븐랩스 | "11 x" |
| 약 15달러 수준 | "약 시부터 여수 중" |
유튜브 자막, IT 콘텐츠, 요즘 회의록처럼 영어 단어가 섞이는 오디오라면 이 차이가 그대로 작업량이 됩니다.
Scribe는 같은 구간에서 ChatGPT, Gemini, API를 전부 원형 그대로 보존했습니다.
🧐 Scribe도 완벽하지는 않았습니다
정직하게 Scribe의 오류도 공개합니다.
처음 보는 고유명사에 약합니다.
"sonetho.com"을 "sonto.com"으로 적었고, 한 샘플에서는 "11달러"를 "1달러"로 잘못 들었습니다.
숫자가 돈과 직결되는 문서라면 어느 엔진이든 검수는 필수입니다.
v1과 v2의 차이도 흥미로웠습니다.
v2는 "22달러"를 "$22"로 알아서 표기 정규화합니다.
저희 채점 방식(CER)에서는 오류로 집계되지만 의미는 정확한 출력입니다.
표기 원형이 중요하면 v1, 읽기 좋은 자막·문서가 목적이면 v2가 맞습니다.
v2는 실시간 스트리밍 버전도 있습니다.
💰 요금은 어떻게 다른가
일레븐랩스 Scribe: 시간당 $0.22 (배치 기준).
무료 플랜에도 월 4.5시간이 포함됩니다.
$6 Starter는 27시간, $22 Creator는 100시간 포함이라 웬만한 개인 작업은 플랜 안에서 끝납니다.
클로바 음성인식(CSR): 15초 단위로 올림 계산되는 종량제입니다.
정확한 단가는 네이버클라우드 요금계산기에서 확인하세요.
참고로 CSR은 짧은 발화용 API라 60초 제한이 있습니다.
긴 녹음과 화자 분리가 필요하면 별도 상품인 CLOVA Speech를 써야 합니다.
🤔 그래서 뭘 쓰면 되나
클로바 CSR이 맞는 경우
순수 한국어 위주의 짧은 발화 처리.
국내 클라우드 인프라 요건이 있는 프로젝트.
네이버클라우드 생태계를 이미 쓰고 있는 팀.
일레븐랩스 Scribe가 맞는 경우
영어와 한국어가 섞이는 콘텐츠 자막·회의록.
브랜드명이 자주 나오는 IT·마케팅 오디오.
무료 4.5시간으로 일단 품질을 직접 확인해 보고 결정할 수 있습니다.
ElevenLabs Scribe 무료로 시작하기 →
🧪 측정 방법 (재현 가능)
대본 4부문(감정 대사, 뉴스체, 영어·숫자 혼용, 장문)을 고품질 TTS 두 종(클로바 아라 Pro, 일레븐랩스 Hyuk)으로 합성해 오디오 8개를 만들었습니다.
각 오디오를 세 엔진에 넣어 정답 대본과 글자 단위로 대조(CER)했습니다.
한계도 밝힙니다.
입력이 TTS 합성음이라 잡음 없는 이상적 조건이고, 실제 사람 발화나 소음 환경에서는 수치가 달라질 수 있습니다.
일부 오류는 TTS의 발음에서 비롯됐을 가능성도 있습니다.
❓ 자주 묻는 질문 (FAQ)
Q. 한국어 STT는 뭐가 제일 정확한가요?
이번 실측에서는 평균 문자 오류율 기준 Scribe v1이 3.2%로 가장 낮았습니다.
다만 순수 한국어 격식체에서는 클로바 CSR도 0%대로 동률이라, 오디오에 영어가 섞이는지가 선택 기준입니다.
Q. 클로바 음성인식(CSR)과 CLOVA Speech는 뭐가 다른가요?
CSR은 60초 이하 짧은 발화용 API이고, CLOVA Speech는 긴 녹음 파일과 화자 분리를 지원하는 별도 상품입니다.
이번 테스트는 CSR 기준입니다.
Q. Scribe v1과 v2 중 뭘 쓰나요?
표기 원형 보존이 중요하면 v1, 통화 기호 같은 표기를 알아서 정리한 읽기 좋은 출력이 목적이면 v2입니다.
v2는 실시간 스트리밍(시간당 $0.39)도 지원합니다.
인터뷰 전사와 화자 분리 실전은 ElevenLabs vs Whisper vs Deepgram STT 비교에서 이어집니다.
다음 글에서 또 만나요. Sonetho였습니다. ⚡