음성 메시지, 통화, 회의에는 정보가 담겨 있지만 텍스트가 되기 전까지 소프트웨어는 그 내용을 검색할 수 없습니다. 음성 인식이 그 간극을 메웁니다.
작동 방식
Hugging Face는 자동 음성 인식을 “the task of transcribing a given audio to text.”(번역: 주어진 오디오를 텍스트로 전사하는 작업)로 정의합니다. 최신 ASR 모델은 오디오를 특징값으로 변환한 다음, 가장 가능성이 높은 단어 시퀀스를 생성합니다.
OpenAI 호환 API에서는 파일을 multipart form data로 /v1/audio/transcriptions에 업로드합니다.
curl https://inference.broadnet.ai/v1/audio/transcriptions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-F model=broadnet/cohere-transcribe-arabic \
-F language=ar \
-F file=@voice-note.wav
응답은 JSON이며 전사 결과는 text에 들어 있습니다. 제공업체마다 파일 크기와 형식에 제한이 있습니다. OpenAI 자체 엔드포인트는 최대 25 MB 파일을 받습니다(OpenAI 음성 인식 가이드, 2026-11-15 확인).
왜 중요한가
- 가치는 정확도가 결정합니다. 이름이나 숫자가 틀린 전사 결과는 없느니만 못할 수 있습니다. 정확도는 단어 오류율로 측정하며, 억양, 방언, 여러 사람이 겹쳐 말하는 소리, 전화 음성에서 떨어집니다.
- 오디오 시간당 가격. STT는 오디오 분당 과금되므로 사용량을 예측하기 쉽습니다. 오디오 시간 수에 시간당 단가를 곱하면 됩니다.
- 개인정보. 음성에는 이름, 전화번호, 건강이나 금융 정보가 담깁니다. 오디오와 전사 결과가 보관되는지 확인하세요. 데이터 비보관을 참고하세요.
- 파이프라인. 전사 결과는 요약, 라우팅, 정보 추출을 위해 다음 단계의 LLM으로 넘어가는 경우가 많습니다.
BroadNet Inference에서는
| 모델 | 언어 | 분당 가격 | 시간당 |
|---|---|---|---|
| BroadNet Transcribe Arabic | 아랍어(방언 포함) | $0.0042 | $0.25 |
| BroadNet Transcribe | 14개 언어 | $0.002 | $0.12 |
두 모델 모두 파일당 최대 26,214,400바이트(25 MiB)의 WAV 또는 MP3를 받으며, 더 큰 파일은 413을 반환합니다. 아랍어는 language=ar을 보내세요. 그러지 않으면 라틴 문자로 음역되어 나올 수 있습니다. BroadNet은 아랍어 모델이 Open Universal Arabic ASR Leaderboard에서 다음 순위라고 밝힙니다: 37개 중 2위 (2026년 9월 기준 수치이며, 2026년 11월 15일 실시간 리더보드에서는 39개 중 4위). 오디오와 전사 결과는 보관되지 않습니다.
다른 제공업체가 더 저렴할 수 있습니다. 2026-11-14 기준 Soniox 가격 페이지는 파일(비동기) 전사를 시간당 약 USD 0.10, 실시간 전사를 시간당 USD 0.12로 안내했으며, 지원 언어 목록에 아랍어가 있습니다. 이는 BroadNet Transcribe Arabic의 시간당 요금($0.25)보다 낮으므로, 두 서비스를 직접 녹음한 오디오로 테스트해 보세요. BroadRouter가 공개하는 음성 인식 API 가격 지수에는 20개가 넘는 제품이 가격별 출처와 날짜와 함께 정리되어 있습니다.
두 모델 모두 무료 초기 크레딧($5)으로 쓸 수 있으며, 이 크레딧으로 아랍어 오디오 약 1,190 분을 처리할 수 있습니다. 아랍어 음성 인식 가이드로 시작하고, WhatsApp .ogg 파일은 음성 메시지 가이드로 변환하고, 제공업체 비교는 구매 가이드를 참고하세요.