동영상 텍스트 변환
어떤 영상이든 몇 초 만에 타임스탬프가 붙은 정확한 텍스트로 — 읽고, 검색하고, 자막으로 바로 내보낼 수 있습니다.
0:26[예시]콘퍼런스 발표, 1080p 화면 녹화
00:00:03다들 가장 먼저 묻는 질문은 이겁니다. 그 시간은 실제로 어디로 가는가?
00:00:11직접 측정해 봤습니다. 약 40퍼센트가 아무도 보지 못하는 일에 쓰이고 있었습니다.
00:00:19그리고 바로 그 부분이, 사람을 더 뽑기 전에 자동화할 수 있는 영역입니다.
영상 속 말을 텍스트로 꺼내야 하는 이유
정보는 영상 안에 있고, 그 안에 갇혀 있습니다
녹화한 워크숍, 고객 인터뷰, 두 시간짜리 전략 회의. 팀에서 가장 값진 생각은 점점 종이가 아니라 카메라 앞에서 만들어집니다.
하지만 동영상 파일은 속이 보이지 않습니다. 검색할 수도, 인용할 수도, 훑어볼 수도, 한 줄을 문서에 붙여넣을 수도 없습니다. 그 안에서 오간 말은 모두 재생 뒤편에 있고, 재생은 실시간이라는 단 하나의 속도로만 흐릅니다.
영상을 변환하지 않고 두면 생기는 세 가지 손실
어느 것도 비용 항목으로 잡히지 않기 때문에 넘어가기 쉽습니다. 대신 조용히 실행되지 않는 업무의 형태로 드러납니다.
검색 유입 손실
검색 엔진이 색인하는 것은 단어이지 파형이 아닙니다. 텍스트가 없는 한 시간짜리 영상은, 아무도 검색으로 찾을 수 없는 한 시간 분량의 전문 콘텐츠입니다.
접근성 손실
청각장애가 있거나 난청인 시청자, 소리를 끄고 보는 시청자, 제2언어로 보는 시청자에게는 텍스트가 필요합니다. 없으면 그냥 떠납니다.
재활용 기회 손실
녹화 한 편에는 블로그 글 하나, 뉴스레터 하나, 그리고 열두 개쯤의 소셜 클립이 들어 있습니다. 말을 꺼내는 일이 수작업으로 남아 있으면 그중 무엇도 만들어지지 않습니다.
전문 속기사의 수작업 전사는 분당 2달러부터 시작합니다. 두 시간짜리 녹화 한 편을 옮기는 데 240달러인 셈입니다. 이 가격이면 판단은 저절로 나고, 대부분의 녹화는 아예 텍스트로 남지 않습니다. AI 변환은 이 계산을 분당 몇 센트로 바꿔 놓습니다. 전부 다 변환한다는 선택이 현실적이 되는 이유가 여기에 있습니다.
동영상 텍스트 변환 도구란?
동영상 텍스트 변환 도구는 동영상 파일에서 오디오 트랙만 뽑아낸 뒤 음성 인식으로 말을 글자로 옮기는 도구입니다. 보통 타임스탬프가 함께 붙어, 각 줄이 영상의 어느 순간에 해당하는지 되짚을 수 있습니다.
AI 동영상 변환은 실제로 어떻게 작동하나
파일을 올린 뒤 결과가 나오기까지 세 가지 처리가 일어납니다. 이 셋을 알면 품질을 좌우하는 요인의 대부분이 설명됩니다.
1단계 — 오디오 추출
동영상 파일은 사실 영상과 소리라는 두 스트림이 묶인 것입니다. 여기서 필요한 것은 소리뿐이므로 영상 트랙은 가장 먼저 버려집니다. 동영상 변환 요금이 음성과 같은 이유도 이것으로, 프레임은 변환이 시작되기도 전에 사라집니다.
2단계 — 음성 인식
오디오는 소리와 단어를 대응시키는 모델을 거칩니다. 요즘 모델은 억양, 말 겹침, 언어 혼용을 10년 전 받아쓰기 프로그램보다 훨씬 잘 처리합니다. 그래도 원본 소리가 깨끗한 쪽이 언제나 유리합니다.
3단계 — 문장부호, 타임스탬프, 화자 전환
인식 직후의 출력은 끊김 없는 단어의 연속입니다. 마지막 단계에서 문장 경계와 표기가 정리되고, 각 줄이 언제 발화됐는지 가리키는 타임코드가 붙습니다.
전사본, 자막, 청각장애인용 자막은 서로 다릅니다
이 세 가지는 흔히 같은 뜻으로 쓰이지만 그래서는 안 됩니다. 무엇이 필요한지가 곧 어떤 형식으로 내보낼지를 결정합니다.
전사본
말한 내용 전문을 문서처럼 정리한 것. 검색, 인용, 회의록, 글 콘텐츠로 옮길 때 적합합니다.
자막
같은 말을 짧은 줄로 잘라 재생에 맞춰 화면에 띄우는 것. SRT나 VTT로 내보내며, 시청자가 소리를 들을 수 있다고 전제합니다.
청각장애인용 자막
자막에 웃음소리, 음악, 문 닫히는 소리 같은 비언어 정보까지 더한 것. 여러 상황에서 실질적인 접근성 요건을 충족하려면 이쪽이 필요합니다.
동영상을 텍스트로 변환하는 3단계
모든 과정이 브라우저에서 끝납니다. 설치할 것도 없고, 미리 오디오를 뽑아 둘 필요도 없습니다.
1단계 — 동영상 파일 업로드
파일을 끌어다 놓거나 디스크에서 고르기만 하면 됩니다. 브라우저에서 저장소로 곧장 전송되므로 용량이 큰 녹화도 중간 크기 제한에 걸리지 않고, 전송 중에는 진행률이 표시됩니다.
지원 형식
MP4, MOV, AVI, MKV, WebM으로 카메라·스마트폰·화면 녹화 프로그램이 만들어 내는 것은 거의 다 포함됩니다. 먼저 MP3로 내보낸 뒤 변환하는 두 단계는 필요 없습니다. 오디오 트랙은 자동으로 추출됩니다.
크기와 길이 제한
파일당 최대 120분, 유료 요금제에서는 영상 한 편당 최대 2GB입니다. 참고로 2GB는 1080p로 약 30분, 480p라면 두 시간 분량에 해당합니다. 무료 계정은 10분 이내 파일을 처리합니다.
2단계 — AI에 변환 맡기기
업로드가 끝나는 즉시 처리가 시작됩니다. 10분짜리 영상은 보통 1분 안에 돌아옵니다. 긴 녹화는 내부에서 나눠 처리한 뒤 이어 붙이므로, 두 시간짜리 파일도 2분짜리와 똑같이 다룰 수 있습니다.
언어 선택에 대하여
말하는 언어는 100개 이상 가운데서 자동으로 판별되므로 따로 설정할 일이 거의 없습니다. 중간에 언어가 바뀌는 녹화라도 각 구간이 실제로 말해진 언어 그대로 옮겨집니다.
더 정확한 결과를 얻는 방법
인식 품질을 좌우하는 것은 변환 도구가 아니라 녹음입니다. 그대로 공개할 수 있는 결과와 다시 써야 하는 결과의 차이는 대체로 다음 네 가지로 설명됩니다.
공간이 아니라 목소리를 녹음하세요
말하는 사람 가까이 둔 핀마이크나 헤드셋이 탁자 건너편에 놓인 비싼 마이크보다 낫습니다. 거리가 바로 실내 반향과 주변 소음을 들여보내는 원인이며, 일단 들어온 소리는 애초에 담지 않은 것만큼 깨끗하게 걷어낼 수 없습니다.
말이 겹치지 않게 하세요
두 사람이 동시에 말하는 것이 결과가 뭉개지는 가장 흔한 원인입니다. 인터뷰나 좌담을 녹화할 때 대답 전에 한 박자 쉬는 것만으로 결과가 눈에 띄게 좋아집니다.
배경음악은 먼저 제거하세요
대화 아래 깔린 음악은 에어컨 같은 일정한 소음보다 인식을 훨씬 크게 방해합니다. 소재에 음악이 들어 있다면 변환 후가 아니라 변환 전에 걷어내세요.
고유명사와 전문용어는 손볼 각오로
제품명, 회사명, 전문용어는 정확도 97%의 결과에서도 티가 나는 지점입니다. 내보낸 텍스트에 찾아 바꾸기를 한 번 돌리면 1분도 걸리지 않으며, 자막으로 만들기 전에 해 두는 편이 좋습니다.
3단계 — 검토하고 내보내기
결과는 타임스탬프가 붙은 구간으로 나뉘어 나오므로 읽으면서 바로 고칠 수 있습니다. 모든 내보내기가 같은 결과에서 나오기 때문에, 한 번의 변환으로 여러 형식을 가져갈 수 있습니다.
문서용 TXT
타임코드를 넣거나 뺀 일반 텍스트. 회의록, 검색, 인용, 초안 작성에 쓰려면 이쪽입니다.
자막용 SRT·VTT
유튜브, 프리미어, 파이널컷 등 어떤 플레이어에도 바로 들어가는 싱크 자막 파일입니다. 영상과 함께 SRT를 올리면 추가 편집 없이 자막이 표시됩니다.
변환한 다음에 할 수 있는 일
전사본 자체가 목적인 경우는 사실 드뭅니다. 그다음의 네 가지 작업을 싸게 만드는 단계이고, 가치의 대부분은 거기서 나옵니다.
영상 한 편을 다섯 개의 자산으로
말이 텍스트로 존재하는 순간, 그 녹화는 결과물이 아니라 원재료가 됩니다.
웨비나에서 블로그 글로
45분짜리 웨비나의 전사본은 3,000단어짜리 초안입니다. 그것을 다듬는 편이 빈 화면에서 새 글을 쓰는 것보다 빠릅니다.
에피소드 쇼노트
타임스탬프, 언급된 링크, 가장 좋은 인용 세 개만 뽑으면 됩니다. 다시 듣는 대신 20분이면 끝납니다.
긴 영상에서 소셜 클립으로
텍스트를 훑어 잘라낼 만한 순간을 찾고, 타임코드로 편집 화면의 해당 지점으로 곧장 이동하세요.
해외 시청자를 위해 자막을 붙이세요
SRT를 내보내면 소리를 끄고도 볼 수 있는 영상이 됩니다. 소셜 영상의 상당 부분이 애초에 그렇게 소비됩니다. 자막 파일을 색인하는 플랫폼에서는 검색으로도 찾히게 됩니다.
16개 언어로 더빙하세요
자막은 다른 언어로 영상을 '읽게' 합니다. 더빙은 '듣게' 하며, 원래 화자의 목소리까지 그대로 옮깁니다. 모든 기능이 하나의 크레딧 잔액으로 돌아가므로, 방금 지불한 변환 비용을 두 번 낼 필요가 없습니다.
잡음이 많은 소리는 먼저 정리하세요
차 소리, 에어컨 소리, 말 아래 깔린 음악이 있으면 변환이 시작되기도 전에 정확도가 떨어져 있습니다. 잡음을 먼저 걷어내는 것이 대개 가장 효율 좋은 품질 개선입니다.
동영상 텍스트 변환 요금 — 실제 비용
변환 요금은 하나의 크레딧 잔액에서 소재 길이만큼 차감됩니다. 인원당 요금도, 변환 전용 별도 구독도 없으며, 같은 결과를 여러 형식으로 내보내도 추가 비용이 붙지 않습니다.
동영상 변환 1분당 비용
1분당 500크레딧이며 해상도나 파일 크기와 무관합니다. 과금 기준은 녹화의 '길이'이지 '용량'이 아니므로, 4K 화면 녹화와 스마트폰 영상이 길이가 같다면 요금도 완전히 같습니다.
| 요금제 | 가격 | 크레딧 | 변환 가능 분량 | 분당 |
|---|---|---|---|---|
| 무료 | $0 | 5,000 (1회) | 약 10분 | 무료 |
| Basic | $9.99/월 | 50,000 | 약 1.6시간 | $0.100 |
| Standard | $19.90/월 | 100,000 | 약 3.3시간 | $0.100 |
| Professional | $49.90/월 | 350,000 | 약 11.6시간 | $0.071 |
| Premium | $99.00/월 | 800,000 | 약 26.6시간 | $0.062 |
| Max | $199.00/월 | 2,000,000 | 약 66.6시간 | $0.050 |
변환 단가는 모든 요금제에서 분당 500크레딧으로 같습니다. 상위 요금제의 실질 단가가 낮아지는 것은 가격보다 크레딧이 더 많이 늘어나기 때문입니다. 연간 결제 시 20% 추가 할인됩니다.
같은 크레딧을 모든 도구에 쓸 수 있습니다
크레딧은 기능별로 나뉘어 있지 않습니다. 변환에 쓰는 잔액이 그대로 그 영상을 다른 언어로 더빙하는 데도, 원고를 내레이션으로 만드는 데도, 잡음 많은 소리를 정리하는 데도, 팟캐스트 에피소드를 만드는 데도 쓰입니다. 변환이 많고 더빙이 적은 달과 그 반대인 달의 비용이 정확히 같습니다. 손댈 수 없는 할당량 안에서 그냥 소멸하는 몫이 없습니다.
| 할 수 있는 일 | 요율 | 50,000크레딧으로 가능한 양 |
|---|---|---|
| 동영상·음성 텍스트 변환 | 500크레딧 / 분 | 약 1.6시간 분량 |
| 16개 언어 AI 더빙 | 12,000크레딧 / 분 | 약 4분 분량 |
| 음성 분리 및 잡음 제거 | 작업당 | 변환 전에 돌리면 정확도가 올라감 |
| 텍스트 음성 변환 내레이션 | 글자 수 기준 | 다듬은 원고를 다시 음성으로 |
10분 무료로 시작하세요
새 계정에는 5,000크레딧, 약 10분 분량의 변환이 포함됩니다. 데모용 짧은 클립이 아니라 실제 파일을 한 번 돌려 보고 결과를 판단하기에 충분한 양입니다. 신용카드 등록은 필요 없고, 같은 크레딧을 사이트의 다른 도구에서도 그대로 쓸 수 있습니다.
AI 변환과 수작업 전사 비교
녹화를 손으로 받아 적는 방법은 지금도 유효하고, 일부 용도에서는 여전히 그쪽이 맞습니다. 어떤 경우인지는 분명히 해 둘 가치가 있습니다.
AI 변환
대기 시간은 몇 분, 분당 0.05~0.10달러, 잡음 없는 단일 화자 음성에서 정확도 95% 이상. 밀린 녹화가 백 편이어도 별도 준비 없이 그대로 처리됩니다.
사람이 하는 전사
대기 시간은 몇 시간에서 며칠, 분당 약 2달러, 까다로운 음성에서도 거의 완벽한 정확도. 파일 단위 과금이라 밀린 분량이 많을수록 비용도 그만큼 늘어납니다.
속도
숙련된 사람도 음성 1시간당 약 4시간이 필요합니다. 같은 파일이 변환 도구에서는 몇 분 만에 돌아옵니다. 이 차이가 녹화를 텍스트로 남길지, 수고에 비해 값어치가 없다고 판단할지를 가릅니다.
비용
분당 2달러 대 0.05~0.10달러로, 사람이 하는 전사는 20~40배 비쌉니다. 인터뷰 한 편이라면 감당할 수 있는 차이입니다. 다만 시즌 전체 분량이 되면 그 작업이 실행되는지 여부 자체를 좌우합니다.
그래도 사람이 나은 경우
요구되는 정확도는 용도마다 다르고, 그렇지 않은 척해서 득 볼 사람은 없습니다. 정말로 사람이 맡아야 하는 소재가 있습니다.
법정 기록, 의료 구술, 강한 지역 억양, 여러 사람이 동시에 말하는 녹음. 이런 소재에서는 사람이 하는 전사가 여전히 어떤 모델보다 낫습니다. 현실적인 절충안은 AI를 먼저 돌리고 사람이 고치는 방식입니다. 정확도 95%의 초안을 다듬는 편이 처음부터 타이핑하는 것보다 훨씬 빠릅니다.