음성 인식 API — 30초가 2분으로 청구된다
글쓴이김성진발행일

녹음 파일을 글자로 바꿔 주는 기능을 서비스에 붙이려고 요금표를 열어 봤다면, 아마 제일 먼저 분당 단가를 봤을 것이다. 0.003달러, 0.0043달러, 0.006달러. 숫자가 워낙 작아서 어느 쪽을 골라도 큰일이 안 날 것처럼 보인다.
그런데 그 단가에 곱해지는 “분”이 서비스마다 다르다.
30초짜리 회의 녹음 하나가 2분으로 청구될 수 있다. 마이크를 네 개 쓴 4채널 녹음이라면 구글은 채널마다 따로 세기 때문이다. 실시간 받아쓰기를 붙였다면 어셈블리AI는 말을 보낸 시간이 아니라 연결을 열어 둔 시간으로 센다. 네이버 클로바는 10초를 보내도 15초로 올려 받는다.
이 글은 음성 인식 API를 처음 붙여 보는 사람을 위한 것이다. 딥그램(Deepgram)·어셈블리AI(AssemblyAI)·오픈AI·구글 클라우드·네이버 클로바 스피치 다섯 곳의 공개 요금 페이지를 오늘(2026년 9월 2일) 기준으로 그대로 옮기고, 그 숫자를 한 시간짜리 회의 녹음 하나라는 같은 단위로 바꿔 줄을 세운다.
먼저 결론부터 말하면 이렇다. 배치 처리 기준으로 가장 싼 곳과 가장 비싼 곳은 9.6배 차이가 난다. 그런데 그 9.6배는 회사 간 격차가 아니라 구글 한 회사 안에서만 5.3배가 나는 것이 절반을 만든다. 그리고 짧은 요청을 많이 던지는 서비스라면, 표에 적힌 단가는 아예 의미가 없어진다.
음성 인식 API를 붙인다는 게 무슨 뜻인가
용어부터 반 문장씩 풀고 간다.
**STT(Speech-to-Text)**는 소리를 글자로 바꾸는 기술이다. 음성 인식이라고도 하고, 받아쓰기라고 생각하면 정확하다. 반대 방향, 즉 글자를 소리로 바꾸는 건 TTS라고 부른다. 그쪽 요금 구도는 AI 음성 합성 서비스 비교에서 따로 다뤘다.
배치(batch) 처리는 녹음이 끝난 파일을 통째로 올려서 결과를 받는 방식이다. 회의 녹음, 유튜브 자막, 상담 녹취록이 여기에 해당한다. 사전 녹음, 비실시간, async 같은 말도 같은 뜻으로 쓰인다.
**스트리밍(streaming)**은 말하는 동안 실시간으로 글자가 나오는 방식이다. 통화 자막, 음성 비서, 실시간 회의 자막이 여기다. 같은 서비스라도 배치보다 대체로 비싸다.
**화자 분리(diarization)**는 “누가 말했는지”를 나눠 주는 기능이다. A가 말한 문장과 B가 말한 문장을 구분해 준다. 회의록에는 거의 필수인데, 요금표에서 별도 항목으로 돈을 더 받는 곳과 기본값에 포함된 곳이 갈린다.
**채널(channel)**은 녹음에 담긴 소리 트랙의 개수다. 마이크를 하나 썼으면 1채널(모노), 상담 녹취처럼 상담원과 고객을 따로 녹음하면 2채널이다. 뒤에서 보겠지만 이 숫자가 청구서를 그대로 곱한다.
이 글에서 다루는 다섯 곳은 딥그램, 어셈블리AI, 오픈AI, 구글 클라우드 Speech-to-Text, 네이버 클로바 스피치다. 전부 오늘 공개 요금 페이지에서 숫자를 직접 읽었고, 읽지 못한 칸은 뒤에 따로 모아 뒀다.
시계가 두 개다 — 보낸 시간과 청구된 시간
이 글에서 딱 하나만 가져간다면 이 문장이다.
요금표의 “분”은 내가 보낸 오디오의 길이가 아니다.
다섯 곳의 요금 페이지를 나란히 놓고 보면, 각자 다른 시계를 돌리고 있다는 게 드러난다.
| 서비스 | 무엇을 재나 | 올림 단위 |
|---|---|---|
| 구글 클라우드 | 성공적으로 처리된 오디오 길이 × 채널 수 | 1초 |
| 네이버 클로바 스피치 | 이용 시간 | 15초 |
| 네이버 CSR(단문) | 인식 요청부터 종료까지 — 묵음 포함 | 15초 |
| 어셈블리AI 스트리밍 | 웹소켓 연결을 열어 둔 시간(open-to-close) | 명시 없음 |
| 어셈블리AI 배치 | 오디오 길이 | 명시 없음 |
| 오픈AI | 오디오 길이 | 명시 없음 |
| 딥그램 | 오디오 길이 | 명시 없음 |
같은 30분짜리 파일을 보내도 청구되는 “분”이 서비스마다 다르게 나온다는 뜻이다. 아래 세 절에서 하나씩 본다.
30초짜리 녹음이 2분으로 청구되는 경우
구글 클라우드 Speech-to-Text 요금 페이지에는 이런 문장이 있다. 오디오 채널이 여러 개면 각 채널이 따로 청구된다는 것이다.
그리고 예시까지 직접 적어 뒀다. 4채널짜리 30초 오디오를 보내면 120초로 청구된다.
30초를 보냈는데 2분 값을 낸다. 4배다.
여기에 한 겹이 더 있다. 같은 요청이 월 사용량 한도에는 30초만 잡힌다. 즉 콘솔에서 보는 사용량 숫자와 청구서의 숫자가 애초에 다른 것을 세고 있다. 사용량 그래프를 보고 “아직 여유 있네” 하고 판단하면 청구서에서 어긋난다.
어디서 문제가 되냐면, 상담 녹취가 대표적이다. 상담원과 고객을 따로 녹음해 2채널로 저장하는 게 표준에 가까운데, 그러면 처음부터 청구가 2배로 시작한다. 회의실 마이크 여러 개를 각각 트랙으로 저장하는 경우도 같다.
대응은 간단하다. 화자 분리가 필요한 게 아니라면, 보내기 전에 모노(1채널)로 합치면 된다. ffmpeg 같은 도구로 -ac 1 한 줄이면 끝나는 작업이고, 그 한 줄이 구글 청구서를 채널 수만큼 나눈다.
반대로 화자를 꼭 나눠야 한다면 채널을 살려 두는 게 정확도에 유리할 수 있다. 그때는 2배를 내는 게 아니라 2배를 주고 화자 분리를 사는 것이라고 이해하면 판단이 쉬워진다.
한 가지 더. 구글은 서버 오류로 실패한 요청은 과금하지 않는다. 다만 API가 응답을 돌려주기만 하면 과금되는데, 여기에는 아무 글자도 못 알아들은 빈 응답도 포함된다. 잡음만 든 파일을 계속 보내면 결과는 0인데 돈은 나간다.
말을 멈춘 동안에도 미터기가 돕니다
실시간 받아쓰기를 붙일 때 걸리는 함정이다.
어셈블리AI 요금 페이지는 스트리밍 과금 기준을 이렇게 못 박아 뒀다. 웹소켓 세션이 열려 있던 시간, 즉 연결을 연 순간부터 닫은 순간까지로 청구되며, 보낸 오디오 길이가 아니다. 유휴 시간도 그대로 누적된다.
네이버 CSR(CLOVA Speech Recognition, 1분 이내 짧은 명령용)도 같은 성격이다. 요금 안내에 “음성 인식 요청 후 종료까지의 시간을 측정하여 이용 시간으로 계산한다”고 적혀 있고, 스트림이나 파일 중간에 묵음 구간이 있어도 이용 시간에 포함된다고 명시한다.
무슨 뜻이냐면 이렇다. 음성 비서를 만들면서 “듣기 버튼”을 누르면 연결을 열고, 사용자가 말을 마칠 때까지 기다리는 구조를 짰다고 하자. 사용자가 3초 말하고 7초 고민했다면, 오디오는 3초지만 청구는 10초다.
회의 자막이라면 더 크다. 한 시간짜리 회의에서 실제 발화가 35분이어도, 연결을 계속 열어 뒀다면 60분을 낸다.
대응은 두 가지다. 하나는 무음 감지(VAD)로 사람이 말하지 않는 구간에서 연결을 끊는 것, 다른 하나는 애초에 실시간이 꼭 필요한지 다시 묻는 것이다. 자막이 3초 늦어도 되는 서비스라면 배치로 내리는 것만으로 값이 몇 배 내려간다.
어셈블리AI 쪽에는 완충 장치가 하나 있다. 무료 등급의 동시성은 분당 신규 스트림 5개로 묶여 있어서, 실수로 연결을 무한정 늘리는 사고가 무료 구간에서는 크게 터지지 않는다.
네이버 CSR에는 반대 방향의 상한이 있다. API 호출 한 번으로 인식할 수 있는 음성은 60초까지이며, 60초를 넘겨도 추가 요금은 발생하지 않는다. 즉 한 호출이 아무리 길어져도 60초어치 위로는 안 올라간다. 미터기가 도는 대신 천장이 낮게 잡혀 있는 구조다.
15초 단위로 올려 받는 곳
네이버 클로바 스피치는 이용 시간을 15초 단위로 올림한다. 요금 안내에 계산 예시가 직접 적혀 있다.
| 실제 이용 시간 | 청구 | 비고 |
|---|---|---|
| 10초 | 5원 | 15초로 올림 |
| 32초 | 15원 | 45초로 올림 |
(화자 인식·이벤트 인식을 쓰지 않은 장문 인식 기준, VAT 별도)
여기서 단가를 역산할 수 있다. 15초에 5원이므로 1분에 20원, 한 시간이면 1,200원이다.
문제는 단가가 아니라 올림이다. 계산해 보면 이렇다.
5초짜리 짧은 음성 명령을 하루 1,000번 처리하는 서비스가 있다고 하자. 실제 오디오는 5,000초, 약 83분이다. 그런데 청구는 매 건 15초로 올라가므로 15,000초, 250분이 된다. 3배다.
반대로 한 시간짜리 회의 파일 하나를 통째로 보내면 올림의 영향은 0.4% 남짓으로 사라진다.
즉 클로바 스피치의 15초 올림은 파일이 길수록 무시할 수 있고, 요청이 짧고 많을수록 요금표를 다시 쓰게 만든다. 짧은 명령을 다루는 서비스라면 여러 발화를 한 파일로 묶어 보내는 것만으로 청구가 몇 분의 일로 내려간다.
구글은 같은 자리에서 1초 단위로 올림한다. 짧은 요청을 많이 던지는 구조라면 이 차이 하나가 클로바와 구글의 순위를 뒤집는다.
다섯 곳을 한 시간짜리 회의 녹음 하나 위에 세워 놓으면
이제 단가를 같은 단위로 바꿔 놓는다. 기준은 1채널·1시간짜리 녹음 파일을 배치로 한 번 처리하는 것이다. 부가 기능은 전부 끈 상태다.
| 서비스 · 모델 | 표기된 단가 | 1시간 환산 |
|---|---|---|
| 어셈블리AI Universal-2 | $0.15/시간 | $0.15 |
| 구글 동적 배치(V2) | $0.003/분 | $0.18 |
| 오픈AI gpt-4o-mini-transcribe | $0.003/분 | $0.18 |
| 어셈블리AI Universal-3.5 Pro | $0.21/시간 | $0.21 |
| 딥그램 Nova-3 단일언어 | $0.0043/분 | $0.258 |
| 오픈AI gpt-transcribe | $0.0045/분 | $0.27 |
| 딥그램 Whisper Large | $0.0048/분 | $0.288 |
| 딥그램 Nova-3 다국어 | $0.0052/분 | $0.312 |
| 오픈AI Whisper · gpt-4o-transcribe | $0.006/분 | $0.36 |
| 구글 표준 인식(V2, 첫 50만 분) | $0.016/분 | $0.96 |
| 구글 V1 · 데이터 로깅 거부 | $0.024/분 | $1.44 |
| 네이버 클로바 스피치 장문 | 15초당 5원 | 1,200원 (VAT 별도) |
딥그램 요금은 종량제(Pay As You Go) 기준이고, 클로바는 원화 표기라 달러 요금과 직접 비교하려면 그날 환율이 필요하다. 그래서 이 표에서는 환산하지 않고 그대로 뒀다.
가장 싼 칸($0.15)과 가장 비싼 칸($1.44)의 차이는 9.6배다.
그런데 이 표에서 진짜로 눈여겨볼 건 그 9.6배가 아니다.
5.3배가 회사 밖이 아니라 회사 안에 있습니다
위 표의 아래쪽 세 줄은 전부 구글이다.
| 구글 경로 | 단가 | 1시간 환산 |
|---|---|---|
| 동적 배치 인식(V2) | $0.003/분 | $0.18 |
| 표준 인식(V2, 0~50만 분) | $0.016/분 | $0.96 |
| V1 · 데이터 로깅 허용 | $0.016/분 | $0.96 |
| V1 · 데이터 로깅 거부 | $0.024/분 | $1.44 |
같은 회사, 같은 표준 모델군인데 $0.18과 $0.96 사이에 5.3배가 있다.
무엇이 이 5.3배를 만드느냐면, 급한지 아닌지다. 구글의 **동적 배치(dynamic batch)**는 “이 작업은 급하지 않다”고 선언하고 낮은 우선순위로 처리하게 하는 옵션이고, 그 대가로 할인된 단가가 적용된다. 밤사이 돌려도 되는 자막 생성, 지난주 상담 녹취 정리 같은 작업이면 그냥 켜면 되는 스위치다.
그리고 V1에는 다른 성격의 계단이 하나 더 있다. 데이터 로깅을 허용하면 $0.016/분, 거부하면 $0.024/분이다. 내 오디오를 구글이 서비스 개선에 쓰도록 허용하면 50% 싸게 준다는 뜻이고, 뒤집으면 프라이버시에 값이 매겨져 있다. 개인정보가 담긴 상담 녹취라면 선택지가 사실상 하나뿐이므로, 구글로 계산할 때는 $0.024를 기준으로 잡는 게 안전하다.
구글에는 볼륨 계단도 있다. 표준 인식 기준으로 월 50만 분까지 $0.016, 50만100만 분 $0.010, 100만200만 분 $0.008, 200만 분 초과분은 $0.004다. 이건 계정 단위·월 단위로 적용되므로, 규모가 커지면 구글이 표 아래쪽에서 위쪽으로 올라온다.
“급하지 않다”고 말할 수 있으면 값이 내려갑니다
앞 절의 5.3배는 구글만의 이야기가 아니다. 다섯 곳 전부에서 같은 원리가 반복된다.
- 구글: 동적 배치 $0.003 vs 표준 $0.016 — 5.3배
- 오픈AI: gpt-4o-transcribe $0.006/분 vs gpt-live-transcribe $0.017/분 — 2.83배
- 어셈블리AI: Universal-3.5 Pro 배치 $0.21/시간 vs 실시간 $0.45/시간 — 2.14배
그래서 요금표를 열기 전에 먼저 답해야 할 질문은 이것이다. 결과가 몇 초 안에 나와야 하는가?
“실시간이면 좋겠다”와 “실시간이어야 한다”는 청구서에서 두세 배 차이다. 자막이 30초 뒤에 붙어도 되는 서비스, 통화가 끝난 뒤 녹취록을 만드는 서비스, 업로드한 영상에 자막을 다는 서비스는 전부 배치로 내려갈 수 있다.
실시간으로 바꾸면 어디가 얼마나 오르나
실시간이 필요한 경우를 위해 스트리밍 단가도 같은 단위로 옮겼다.
| 서비스 · 모델 | 표기된 단가 | 1시간 환산 |
|---|---|---|
| 어셈블리AI Universal-Streaming(영어) | $0.15/시간 | $0.15 |
| 어셈블리AI Universal-Streaming(다국어) | $0.15/시간 | $0.15 |
| 딥그램 Nova-3 단일언어(현재가) | $0.0048/분 | $0.288 |
| 딥그램 Nova-3 다국어(현재가) | $0.0058/분 | $0.348 |
| 딥그램 Flux 영어(현재가) | $0.0065/분 | $0.39 |
| 어셈블리AI Universal-3.5 Pro Realtime | $0.45/시간 기본 | $0.45 |
| 딥그램 Flux 다국어 | $0.0078/분 | $0.468 |
| 오픈AI gpt-live-transcribe · gpt-realtime-whisper | $0.017/분 | $1.02 |
| 오픈AI gpt-realtime-translate(실시간 번역) | $0.034/분 | $2.04 |
딥그램은 종량제 기준이다.
여기서 반전이 하나 나온다. 어셈블리AI의 Universal-Streaming은 실시간인데도 배치용 Universal-2와 같은 $0.15/시간이다. 실시간이면 비싸다는 통념이 이 칸에서만 성립하지 않는다.
다만 앞에서 본 조건이 붙는다. 어셈블리AI 스트리밍은 연결을 열어 둔 시간으로 세므로, 발화 밀도가 낮은 서비스에서는 표에 적힌 $0.15가 실효 단가가 아니게 된다. 한 시간 연결해 두고 10분 말했다면 시간당 $0.15가 아니라 발화 10분에 $0.15를 낸 셈이다.
반대로 오픈AI의 실시간 받아쓰기는 시간당 $1.02로 이 표에서 가장 비싼 축이다. 대신 오픈AI는 같은 API 안에서 대화형 응답까지 이어 붙이기 쉽다는 게 값의 근거다. 받아쓰기만 필요하다면 이 칸은 과한 선택이다.
딥그램의 요금표에는 값이 두 줄씩 적혀 있습니다
딥그램 요금 페이지를 읽을 때 주의할 점이 하나 있다. 여러 모델의 값이 “현재 가격”과 “정가” 두 줄로 적혀 있다. 지금 할인 중이라는 뜻이다.
| 모델(스트리밍) | 현재가 | 정가 | 정가로 돌아가면 |
|---|---|---|---|
| Nova-3 단일언어 | $0.0048/분 | $0.0077/분 | +60% |
| Nova-3 다국어 | $0.0058/분 | $0.0092/분 | +59% |
| Flux 영어 | $0.0065/분 | $0.0077/분 | +18% |
전부 종량제 기준이다.
이게 왜 중요하냐면, 원가 계산서를 현재가로 써 두면 할인이 끝나는 날 원가가 6할 오른다. 딥그램을 후보에 올릴 거라면 정가 기준으로도 한 번 계산해 보고, 그래도 견딜 수 있는지 확인하는 편이 안전하다.
딥그램에는 등급 할인도 있다. 종량제 위에 Growth 등급이 있고, 예를 들어 Nova-3 단일언어 배치는 종량제 $0.0043에서 Growth $0.0036으로 내려간다. 약 16% 인하다.
배치 쪽에서 눈에 띄는 칸도 하나 있다. 딥그램에서 돌리는 Whisper Large는 $0.0048/분으로 종량제와 Growth 등급이 같은 값이다. 등급을 올려도 이 모델은 안 내려간다는 뜻이라, Whisper를 쓸 거면 굳이 딥그램 등급을 올릴 이유가 사라진다.
화자를 나누는 값은 따로 붙는 곳과 안 붙는 곳이 있습니다
회의록이나 상담 녹취를 만든다면 화자 분리는 사실상 필수다. 그런데 이 기능의 값이 서비스마다 성격이 다르다.
어셈블리AI는 부가 기능이 시간당 요금으로 따로 더해지는 구조다.
| 부가 기능 | 추가 요금 |
|---|---|
| 화자 분리(배치·표준) | +$0.02/시간 |
| 화자 분리(배치·실험판) | +$0.065/시간 |
| 화자 분리(스트리밍) | +$0.12/시간 |
| 의료 모드 | +$0.15/시간 |
| 요약(Universal-2 전용) | +$0.03/시간 |
| 기타 부가 기능 | +$0.01 ~ +$0.15/시간 |
숫자만 보면 작아 보이는데, 기준선과 비교하면 그렇지 않다. Universal-2가 $0.15/시간이므로 배치 화자 분리 +$0.02는 13% 인상이고, 스트리밍에서 +$0.12는 Universal-Streaming의 $0.15 위에 얹히므로 80% 인상이다.
반면 오픈AI에는 흥미로운 칸이 있다. gpt-4o-transcribe-diarize는 $0.006/분으로, 화자 분리가 없는 gpt-4o-transcribe와 값이 같다. 화자 분리에 추가 요금이 붙지 않는다는 뜻이다.
네이버 클로바 스피치는 화자 인식과 이벤트 탐지가 요금표에 별도 과금 항목으로 잡혀 있다. 즉 기본 음성 인식과 따로 센다. 다만 공개 페이지의 단가 칸이 비어 있어 얼마인지는 읽을 수 없었다(뒤에서 다시 정리한다).
정리하면 이렇다. 화자 분리가 필요한 서비스에서는 기본 단가 순위가 그대로 유지되지 않는다. 배치 회의록이라면 오픈AI의 diarize 모델이 표 중간에서 위로 올라온다.
한국어를 쓰면 요금표에서 먼저 갈리는 것
한국어 서비스라면 요금표에서 확인할 수 있는 건 딱 하나다. 언어에 따라 값이 갈리느냐 아니냐.
딥그램은 갈린다. 단일언어(Monolingual)와 다국어(Multilingual) 모델의 값이 다르다.
| 딥그램 Nova-3 | 단일언어 | 다국어 | 차이 |
|---|---|---|---|
| 배치(종량제) | $0.0043/분 | $0.0052/분 | +21% |
| 스트리밍(종량제·현재가) | $0.0048/분 | $0.0058/분 | +21% |
어셈블리AI는 안 갈린다. Universal-Streaming은 영어와 다국어가 둘 다 $0.15/시간으로 같은 값이다.
오픈AI와 구글은 요금표에 언어별 차등이 없다. 구글은 모델과 배치 방식, API 버전으로만 값이 갈린다.
네이버 클로바 스피치는 한국어를 주 언어로 하는 서비스이고, 요금 안내에 단문 인식의 발음 평가 기능은 한국어와 영어만 지원한다고 명시돼 있다.
여기서 정직하게 적어 둘 것이 있다. 각 서비스가 한국어를 얼마나 잘 알아듣는지는 요금 페이지로 알 수 없다. 딥그램·어셈블리AI·오픈AI·구글의 공개 요금 페이지 어디에도 한국어 인식 정확도 수치는 없다. 그래서 이 글은 정확도로 순위를 매기지 않는다.
대신 이렇게 접근하면 된다. 무료 크레딧으로 내 서비스의 실제 오디오 30분을 다섯 곳에 똑같이 넣어 보고 결과를 비교하는 것이다. 잡음 수준, 사투리, 업계 전문 용어, 통화 품질은 서비스마다 다르고, 벤치마크 점수보다 내 데이터가 항상 더 정확한 답을 준다. 다행히 이 시험을 공짜로 할 여지가 꽤 넓다.
공짜로 시험해 볼 수 있는 양이 시간 단위와 분 단위로 갈립니다
무료 구간은 이 다섯 곳에서 가장 크게 벌어지는 항목이다.
| 서비스 | 무료 제공 | 환산 |
|---|---|---|
| 딥그램 | 신규 계정 $200 크레딧 | Nova-3 단일언어 배치 기준 약 46,500분 ≈ 775시간 |
| 어셈블리AI | 가입 시 $50 크레딧, 카드 불필요 | Universal-2 기준 약 333시간 |
| 구글 클라우드 | 월 60분 무료(V1 기준 표기) | 월 1시간 |
| 네이버 클로바 스피치 | Free 플랜 월 20분 | 월 20분 |
| 오픈AI | 요금 페이지에 별도 무료 크레딧 표기 없음 | — |
환산값은 각 서비스의 오늘 단가로 나눠 계산한 것이다.
딥그램의 775시간과 클로바의 월 20분은 성격이 다른 숫자다. 딥그램·어셈블리AI 쪽은 한 번 주고 끝나는 크레딧이라 시험에 몰아 쓸 수 있고, 구글·네이버 쪽은 매달 리셋되는 무료 구간이라 소규모 운영을 계속 공짜로 굴릴 수 있다.
네이버 Free 플랜에는 조건이 하나 붙는다. Free 플랜 도메인은 계정당 1개만 만들 수 있고 삭제할 수 없다. 시험용으로 아무렇게나 만들어 두면 되돌릴 수 없다는 뜻이라, 이름을 정할 때 한 번 더 생각하는 게 좋다.
시험 순서를 정한다면 이렇다. 어셈블리AI $50과 딥그램 $200을 먼저 쓰고, 그 결과로 후보를 둘로 좁힌 뒤, 구글과 클로바의 월 무료 구간으로 한국어를 따로 확인하는 것이다. 다섯 곳을 동시에 붙여 보는 데 드는 실제 비용은 0원에 가깝다.
부가 기능을 다 켜면 표가 다시 그려집니다
앞의 표들은 전부 기본 기능만 켠 상태였다. 실제 서비스는 그렇지 않다.
회의록 서비스를 만든다고 하고, 실시간 자막 + 화자 분리를 켠 상태로 어셈블리AI를 계산해 보자.
| 항목 | 시간당 |
|---|---|
| Universal-Streaming | $0.15 |
| 화자 분리(스트리밍) | +$0.12 |
| 합계 | $0.27 |
$0.15로 시작한 선택이 $0.27이 됐다. 80% 인상이고, 이 값은 앞 표에서 딥그램 Nova-3 단일언어 스트리밍($0.288)과 거의 같은 자리다. 즉 기본 단가로 1위였던 곳이 부가 기능을 켜는 순간 동률로 내려온다.
여기에 앞에서 본 세션 과금까지 겹치면 순위는 한 번 더 흔들린다. 발화가 드문드문한 회의라면 어셈블리AI가 유리하지 않을 수 있다.
그래서 요금 비교의 마지막 단계는 항상 같다. 내가 켤 기능을 전부 켠 상태로, 내 서비스의 실제 사용 패턴에 맞춰 다시 계산한다. 기본 단가 표는 후보를 3~5개로 줄이는 데까지만 쓴다.
같은 함정이 다른 AI API에서도 반복된다. 어떤 값이 진짜 청구서를 정하는지 찾는 방식은 AI 게이트웨이 서비스 비교에서도 같은 구조로 다뤘다.
여기서부터는 영업팀에 물어봐야 알 수 있습니다
이 글은 공개 요금 페이지에서 읽은 값만 쓴다. 읽지 못한 것은 이렇게 남긴다.
네이버 클로바 스피치의 단가 표 — 요금 안내 표의 단가 칸이 대부분 비어 있었다(단문 인식, 장문 인식 Basic 플랜, 스트리밍 인식 전부). 이 글에 쓴 1분 20원은 같은 페이지의 계산 예시(10초 → 5원, 32초 → 15원)에서 역산한 값이고, 장문 인식에 화자 인식·이벤트 인식을 쓰지 않은 경우 기준이다. 화자 인식과 이벤트 탐지의 단가는 확인하지 못했다.
네이버 CSR의 단가 — 과금 단위(15초)와 과금 기준(요청~종료)은 확인했지만 단가 칸은 비어 있었다.
구글의 스트리밍 별도 단가 — 요금 페이지에 스트리밍 전용 항목이 따로 없었다. 그래서 위 실시간 표에서 구글은 뺐다.
딥그램·오픈AI의 최소 청구 단위 — 몇 초 단위로 올림하는지 요금 페이지에 명시가 없었다. 짧은 요청을 많이 던질 계획이라면 계약 전에 직접 물어봐야 할 항목이다.
한국어 인식 정확도 — 다섯 곳 어디도 공개 요금 페이지에 한국어 WER(오인식률) 같은 수치를 싣지 않았다. 이 글이 정확도로 순위를 매기지 않는 이유다.
어셈블리AI SLAM-1 — 지원 종료(deprecated) 상태이고 Universal-3.5 Pro로 옮기라고 안내한다. 기존 문서나 블로그에서 이 모델 이름을 봤다면 지금은 유효하지 않다.
세 가지 질문이면 후보가 하나로 좁혀집니다
요금표를 다시 열기 전에 이 세 가지에 먼저 답하면 된다.
① 결과가 실시간으로 나와야 하나? 아니라면 배치다. 구글 동적 배치($0.18/시간)와 어셈블리AI Universal-2($0.15/시간)가 가장 아래 칸이다. 여기서 이미 실시간 대비 2~5배를 아낀다.
② 요청이 짧고 많은가, 길고 드문가? 짧고 많다면 올림 단위가 승부를 가른다. 클로바의 15초 올림은 5초짜리 요청에서 3배가 되고, 구글의 1초 올림은 그 자리에서 거의 손해가 없다. 길고 드물다면 올림은 잊어도 된다.
③ 화자를 나눠야 하나? 나눠야 한다면 오픈AI의 gpt-4o-transcribe-diarize($0.006/분, 추가 요금 없음)를 후보에 올린다. 어셈블리AI 스트리밍에서 화자 분리를 켜면 $0.15가 $0.27이 되므로 순위가 바뀐다.
그리고 세 질문과 무관하게 공통으로 확인할 것 두 가지가 있다. 구글을 쓴다면 보내기 전에 채널을 모노로 합쳤는지, 실시간을 쓴다면 말하지 않는 동안 연결을 끊는지다. 이 둘은 요금제를 바꾸지 않고도 청구서를 몇 배 줄이는 자리다.
마지막으로, 어느 쪽을 고르든 무료 크레딧으로 내 오디오 30분을 먼저 돌려 보는 것이 이 글의 어떤 표보다 정확한 답을 준다. 딥그램 $200과 어셈블리AI $50이면 그 시험에 드는 비용은 0원이다.
녹음을 글자로 바꾼 다음 그 글자를 다시 다른 언어로 옮길 계획이라면, 그다음 단계의 요금 구도는 번역 API 비교에 정리해 뒀다.
이 글의 모든 요금은 2026년 9월 2일 기준으로 각 서비스의 공개 요금 페이지에서 직접 확인한 값이다. 요금은 예고 없이 바뀌고, 특히 딥그램은 현재 여러 모델을 할인가로 표시하고 있으므로 실제 계약 전에는 반드시 원본 페이지를 다시 확인하기 바란다.