엔진
Audiotext는 세 가지 엔진 중 하나로 받아쓰며, 엔진은 받아쓰기 설정의 엔진 카드에서 고릅니다.
| WhisperX | Whisper API | Google API | |
|---|---|---|---|
| 실행 위치 | 내 컴퓨터 | OpenAI 서버 | Google 서버 |
| 인터넷 | 모델 다운로드 시에만 | 필요 | 필요 |
| 비용 | 무료, 무제한 | 유료 | 무료 등급(월 60분) 또는 API 키로 유료 |
| 언어 감지 | ✓ | ✓ | ✗ |
| 번역 | ✓ | ✓ | ✗ |
| 타임스탬프 | ✓ | 모델에 따라 다름 | ✗ |
| 화자 식별 | ✓(Hugging Face 토큰) | gpt-4o-transcribe-diarize |
✗ |
| 단어별 타이밍 | ✓ | whisper-1 |
✗ |
| 실시간 텍스트 | ✓ | ✗ | ✗ |
| 신뢰도가 낮은 단어 | ✓(단어별 타이밍) | whisper-1(세그먼트) |
✗ |
WhisperX
섹션 제목: “WhisperX”WhisperX는 내 컴퓨터에서 실행되는 OpenAI Whisper의 빠른 구현이라 오디오가 컴퓨터 밖으로 나가지 않습니다. CPU에서 실행되며, CUDA를 지원하는 NVIDIA GPU나 Apple 실리콘 Mac의 GPU에서는 훨씬 빠릅니다.
큰 모델일수록 정확하지만 느리고 메모리를 더 많이 씁니다. 모델은 처음 사용할 때 다운로드됩니다.
| 모델 | 매개변수 | 필요한 VRAM |
|---|---|---|
tiny, tiny.en |
39 M | 약 1 GB |
base, base.en |
74 M | 약 1 GB |
small, small.en |
244 M | 약 2 GB |
distil-small.en |
166 M | 약 2 GB |
medium, medium.en |
769 M | 약 5 GB |
distil-medium.en |
394 M | 약 3 GB |
large-v1, large-v2, large-v3 |
1550 M | 8 GB 미만 |
large-v3-turbo |
809 M | 약 6 GB |
distil-large-v2, distil-large-v3, distil-large-v3.5 |
756 M | 약 5 GB |
- **
large-v2**가 기본값입니다.large-v3는 특히 일본어 같은 일부 언어에서 환각과 텍스트 반복이 더 잦고 구두점을 더 많이 빠뜨리기 때문입니다. - **
large-v3-turbo**는large-v3를 경량화한 버전으로 훨씬 빠르면서 정확도는 거의 같습니다. - 이름이 **
.en**으로 끝나는 모델(tiny.en,base.en,small.en,medium.en)과 증류 모델(distil-small.en,distil-medium.en,distil-large-v2,distil-large-v3,distil-large-v3.5)은 영어만 받아씁니다. 같은 크기의 다국어 모델보다 빠릅니다.
Mac에서
섹션 제목: “Mac에서”Apple 실리콘 Mac에서는 MLX Whisper가 GPU에서 받아쓰므로 CPU보다 훨씬 빠릅니다. 그런 다음 WhisperX가 평소처럼 CPU에서 단어를 정렬하고 화자를 식별하므로, 받아쓰기에 단어별 타이밍, 점수, 화자가 그대로 남습니다.
- 모델의 MLX 버전은 처음 사용할 때 다운로드됩니다.
distil-small.en,distil-large-v2,distil-large-v3.5는 MLX 버전이 없으므로 CPU에서 실행됩니다.- 실시간 텍스트는 항상 CPU에서 실행됩니다.
- MLX는 항상 반정밀도로, 배치 없이 계산하므로 연산 유형과 배치 크기는 GPU에서 적용되지 않습니다.
- CPU에서 받아쓰려면 환경설정 → 받아쓰기에서 CPU 사용을 켜세요.
고급 옵션
섹션 제목: “고급 옵션”환경설정 → 받아쓰기 → WhisperX에 있습니다. 문제가 있거나 무엇을 하는지 알 때만 바꾸세요. GPU 메모리가 부족하면 시스템이 멈출 수 있습니다.
- 연산 유형: 모델 숫자의 정밀도입니다.
float16은 NVIDIA GPU에서 더 빠릅니다(CUDA 사용 시 기본값).int8은 메모리를 덜 쓰며 CPU의 기본값입니다. 많은 CPU가float16을 효율적으로 처리하지 못하기 때문입니다.float32는 가장 정밀하며 VRAM이 8 GB를 넘는 GPU용입니다. - 배치 크기: 오디오의 몇 부분을 동시에 처리할지 정합니다(기본값
8). 품질은 그대로이고 속도만 달라집니다. 메모리가 부족하면 낮추세요.16까지 권장합니다. - CPU 사용: WhisperX를 CPU에서 실행합니다. GPU(CUDA를 지원하는 NVIDIA GPU 또는 Apple 실리콘 Mac의 GPU)를 찾지 못하면 항상 켜집니다.
Whisper API
섹션 제목: “Whisper API”OpenAI 음성-텍스트 API를 사용합니다. WhisperX가 원활히 실행되지 않는 컴퓨터를 위한 것이며 OpenAI API 키가 필요합니다(API 키 참고).
| 모델 | 타임스탬프 | 화자 | 참고 |
|---|---|---|---|
whisper-1(기본값) |
✓ | ✗ | 세그먼트 단위로 재생하고 자막을 만들 수 있습니다. 영어로 번역합니다. 각 세그먼트를 평가하므로 신뢰도가 낮은 세그먼트를 검토할 수 있습니다. |
gpt-transcribe |
✗ | ✗ | 더 정확하지만 타임스탬프가 없습니다. |
gpt-4o-transcribe-diarize |
✓ | ✓ | 화자를 식별합니다. 키워드와 설명을 사용하지 않습니다. |
영어 번역은 번역할 수 있는 유일한 모델인 whisper-1이 항상 맡습니다.
API가 25 MB보다 큰 파일을 거부하므로, 긴 오디오는 단어가 잘리지 않도록 무음 구간에서 최대 10분 단위로 나뉩니다. whisper-1에서는 각 조각의 끝부분을 다음 조각의 맥락으로 넘기고, gpt-4o-transcribe-diarize에서는 각 화자의 목소리 샘플을 다음 조각과 함께 보내 라벨을 유지합니다.
- 응답 형식(출력 카드, 폴더용):
text(기본값),json,verbose_json,srt,vtt. 자막과verbose_json에는 타임스탬프를 반환하는 모델이 필요합니다. - 온도(환경설정 → 받아쓰기): 0과 1 사이. 0.8 같은 높은 값은 결과를 더 무작위로, 0.2 같은 낮은 값은 더 일관되게 만듭니다. 0(기본값)이면 필요할 때 모델이 자동으로 높입니다.
- 단어 타임스탬프(환경설정 → 받아쓰기): 재생 중 강조할 수 있도록
whisper-1이 각 단어의 타임스탬프도 반환할지 여부입니다. 시간이 더 걸립니다. 기본적으로 켜져 있습니다.
Google API
섹션 제목: “Google API”Google Speech-to-Text API를 사용합니다. 문장에 구두점을 넣지 않으며(Audiotext가 추가합니다) 품질이 Whisper보다 낮아 받아쓰기를 자주 고쳐야 합니다. 언어를 감지하거나 번역할 수 없으며, 타임스탬프 없는 일반 텍스트를 반환합니다.
API 키가 없으면 월 60분으로 제한된 무료 등급을 사용합니다. 늘리려면 Google API 키를 설정하세요. Google은 사용 요금을 청구하며, Audiotext는 이에 대해 책임지지 않습니다.