음성을 텍스트로 바꾸는 기술, 그러니까 STT(Speech-to-Text) 분야에서는 몇 년째 오픈AI의 Whisper가 사실상의 표준이었어요. 오픈소스인 데다 정확도가 좋아서, 회의록 앱이든 자막 도구든 음성 인식이 필요하면 일단 Whisper부터 얹고 보는 분위기였거든요. 그런데 애플이 iOS 26과 macOS 26에 SpeechAnalyzer라는 새 음성 인식 API를 탑재했는데요. 이걸 실제 서비스를 만드는 개발자가 Whisper, 그리고 애플의 기존 API와 직접 비교 벤치마크한 결과를 공개했어요. 결론부터 말하면, 애플 생태계 안에서라면 판을 바꿀 만한 물건이에요.
기존 애플 API는 왜 아쉬웠나
애플에 음성 인식 API가 없었던 게 아니에요. SFSpeechRecognizer라는 게 오래전부터 있었죠. 문제는 이 API가 원래 Siri처럼 짧은 명령어를 알아듣기 위해 설계됐다는 거예요. 긴 녹음을 통째로 넣는 용도가 아니어서 오디오 길이에 제약이 있었고, 정확도도 Whisper에 밀렸고요. 그래서 제대로 된 받아쓰기 기능을 만들려는 개발자들은 결국 Whisper 모델을 앱에 직접 내장하거나 서버에 올려서 썼어요. 모델 파일이 수백 MB에서 GB급이라 앱 용량이 불어나고, 서버를 쓰면 비용과 개인정보 문제가 따라오는 구조였죠.
SpeechAnalyzer는 뭐가 다른가
새 API는 설계 목표 자체가 달라요. 회의, 강의, 팟캐스트처럼 긴 오디오를 통째로 처리하는 걸 전제로 만들어졌거든요. 핵심 특징을 풀어보면 이래요. 먼저 완전히 온디바이스로 동작해요. 오디오가 기기 밖으로 나가지 않으니 개인정보 걱정이 없고, 인터넷 없이도 되고, API 호출 비용도 없어요. 그리고 인식 모델을 앱에 내장하는 게 아니라 OS가 관리해요. 필요한 언어 모델을 시스템이 내려받아서 여러 앱이 공유하는 방식이라 앱 용량에 부담이 없죠. 개발자 입장에서는 Swift의 async/await 기반으로 설계된 현대적인 API라서, 말하는 도중의 중간 인식 결과를 실시간으로 받아 화면에 흘려보내는 기능도 자연스럽게 구현할 수 있어요.
벤치마크의 핵심: 속도가 차원이 달라요
비교 결과에서 가장 극적인 부분은 속도예요. Whisper의 큰 모델로 수십 분짜리 오디오를 처리하면 몇 분씩 기다리는 게 보통인데, SpeechAnalyzer는 같은 작업을 몇십 초 수준에 끝내요. 애플 실리콘의 뉴럴 엔진, 그러니까 AI 연산 전용 하드웨어에 맞춰 최적화된 덕이 큰데요. 그럼 정확도는 어떨까요. 오디오 품질과 언어에 따라 편차는 있지만, 대체로 Whisper의 큰 모델과 비슷한 급이거나 약간 아쉬운 정도이고, 기존 SFSpeechRecognizer와는 비교가 안 되게 좋아졌다는 평가예요. 그러니까 '최고 정확도가 반드시 필요한 건 아니고, 빠르고 공짜이고 프라이버시가 보장되면 좋겠다'는 대부분의 실무 요구에는 충분히 들어맞는 위치인 거죠.
업계 흐름에서 보면
이 발표는 온디바이스 AI라는 큰 흐름 위에 있어요. Whisper 생태계에서는 whisper.cpp 같은 경량 구현이 로컬 실행을 이끌어왔고, 엔비디아의 Parakeet처럼 속도를 앞세운 오픈 모델도 나왔죠. 구글, AWS, 애저 같은 클라우드 STT는 정확도와 지원 언어 폭이 넓지만 종량제 비용과 데이터 전송이라는 숙제가 있고요. 애플의 답은 명확해요. 자사 하드웨어에 최적화된 모델을 OS에 넣어 무료로 푸는 것. 개발자들이 애플 플랫폼 전용 기능을 만들도록 끌어들이는 생태계 전략이기도 해요.
한국 개발자에게 주는 시사점
iOS나 Mac 앱을 만든다면 이건 바로 검토해 볼 가치가 있어요. 서버 비용 없이, API 키 없이 받아쓰기 기능이 생기는 거니까요. 회의록 앱, 강의 자막, 음성 메모 검색 같은 기능의 구현 장벽이 크게 낮아져요. 다만 확인할 게 있어요. 지원 언어가 로케일 단위로 제공되기 때문에 한국어 모델의 지원 여부와 실제 품질은 직접 테스트해 봐야 하고요. 최신 OS에서만 동작하니 구버전 사용자 대응이 필요하고, 안드로이드나 웹까지 가야 하는 서비스라면 여전히 Whisper나 클라우드 STT와 병행하는 전략이 필요해요.
정리하면, 애플이 '빠르고 공짜인 온디바이스 STT'를 OS 기본기로 만들어버렸다는 이야기예요. 여러분이 만드는 서비스에 음성 인식이 들어간다면 정확도, 속도, 비용, 프라이버시 중 어떤 기준을 제일 앞에 두고 엔진을 고르시겠어요? 실제로 STT를 붙여본 경험담도 궁금해요.
🔗 출처: Hacker News