음성 인식 API 5곳, 한 시간 값이 6배 넘게 갈립니다

글쓴이김성진·발행일2026년 10월 20일

회의 녹음을 글로 남기고 싶거나, 고객 통화를 분석하고 싶거나, 영상에 자막을 달고 싶을 때 쓰는 것이 음성 인식 API입니다. 소리 파일을 서버로 보내면 글자로 바꿔 돌려주는 서비스이고, 영어로는 STT(Speech-to-Text)라고 부릅니다. 직접 만들 필요 없이 호출만 하면 되니 AI 앱에서 가장 먼저 붙이는 기능 중 하나입니다.

그런데 요금표를 열면 같은 “한 시간”이 곳마다 전혀 다른 값으로 적혀 있습니다. 이 글은 오픈AI, 구글 클라우드, 딥그램(Deepgram), 어셈블리AI(AssemblyAI), 일레븐랩스(ElevenLabs), 이렇게 음성 인식 API 5곳을 같은 줄에 세웁니다. 목소리를 만들어 내는 반대 방향은 음성 합성 요금 글에서, 말하는 AI 상담원을 통째로 만드는 서비스는 음성 에이전트 글에서 다뤘습니다. 여기서 보는 것은 소리를 글자로 바꾸는 값만입니다.

기준일은 2026년 10월 20일 아침입니다. 다섯 곳의 요금 페이지와 언어 지원 문서를 직접 열어 읽었고, 오류율은 독립 평가 기관 Artificial Analysis(AI 모델을 같은 잣대로 재서 순위를 내는 곳)의 음성 인식 순위표를 따랐습니다. 다섯 곳에 가입하거나 내 녹음을 실제로 돌려 본 것은 아닙니다. 뒤에 나오는 월 청구서 표는 페이지의 단가에 제가 시간을 곱한 계산값이라 실제 청구서와 다를 수 있습니다.

먼저 이 숫자들이 청구서에 오르는 방식

음성 인식 요금은 세 가지 단위로 쓰입니다. 분당, 시간당, 그리고 토큰(AI가 글을 읽고 쓰는 단위)당입니다. 오픈AI는 토큰으로 값을 적고 옆에 “분당 대략 얼마”를 어림값으로 붙입니다. 구글은 분당, 어셈블리AI와 일레븐랩스는 시간당으로 적습니다. 이 글은 전부 1시간 분량의 오디오 값으로 맞춰 놓았습니다.

두 가지 방식도 값이 다릅니다. 파일 변환은 녹음 파일을 통째로 보내고 결과를 받는 방식이고, **실시간(스트리밍)**은 말하는 도중에 글자를 받아 가는 방식입니다. 실시간은 거의 모든 곳에서 값이 따로 적혀 있습니다. 아래 표는 파일 변환 기준이고, 실시간은 뒤에서 따로 놓습니다.

음성 인식 API 5곳에 한 시간 분량을 맡기면

가장 싼 곳과 가장 비싼 곳은 어셈블리AI Universal-2 0.15달러와 구글 표준 0.96달러입니다. 6.4배입니다. 같은 오디오 한 시간을 맡기는데 이 정도로 갈립니다. 한 가지는 알아 둘 점이 있습니다. 구글 V2 요금표에는 표준 인식과 별개로 “동적 배치 인식”이 한 줄 더 있고, 그 값이 분당 0.003달러입니다. 구글 안에서만 5배 넘게 갈리는 이야기는 뒤에서 풀겠습니다.

월 100시간이면 청구서는 이렇게 갈립니다

한 달에 녹음 100시간(6,000분)을 파일로 변환한다고 가정합니다. 이 계산은 단가에 시간을 곱한 값이고, 세금·환율·세부 과금 단위는 넣지 않았습니다.

**화자 구분(diarization)**은 여러 사람이 말한 녹음에서 “누가 언제 말했는지”를 글자에 표시해 주는 기능입니다. 회의록이면 거의 필수입니다. 어셈블리AI는 이 기능이 시간당 0.02달러, 딥그램은 분당 0.0020달러(시간당 0.12달러)로 따로 붙습니다. 같은 기능인데 6배 갈립니다. 딥그램은 이 값을 더하면 100시간이 25.80달러에서 37.80달러로 46% 오릅니다. 일레븐랩스는 Scribe v2에 화자 구분이 있고 최대 32명까지 구분한다고 문서에 적혀 있지만, 요금표에는 화자 구분 추가 값이 따로 보이지 않았습니다.

딥그램에는 다른 숫자도 있습니다. 월 사용량을 선불 크레딧으로 미리 사는 Growth 요금제는 한 언어 파일 변환이 분당 0.0036달러(100시간 21.60달러)로 내려가지만, 이 요금제는 연 4,000달러 이상 선불부터라고 페이지에 적혀 있습니다. 작은 앱이 바로 쓸 값은 아닙니다.

구글 한 곳 안에서 값이 5배 넘게 갈립니다

구글 클라우드 요금 페이지는 두 줄로 나뉩니다. V1과 V2라는 두 가지 API 버전이 각자 요금표를 갖고 있습니다.

• V2 표준 인식: 월 050만 분은 분당 0.016달러, 50만100만 분은 0.01달러, 100만~200만 분은 0.008달러, 200만 분 넘으면 0.004달러입니다. 1년 약정이면 0.0144달러, 3년 약정이면 0.0128달러로 내려갑니다.
• V2 동적 배치 인식: 분당 0.003달러입니다. 같은 V2인데 표준의 약 5분의 1(5.3배 차이)입니다. 이름대로 결과를 즉시 받지 않는 방식으로 보이지만, 처리 시간이 얼마까지 늦어지는지는 요금 페이지에서 확인하지 못했습니다. 쓰기 전에 문서를 읽어 응답 시간을 따져야 합니다.
• V1: 요금표가 ‘데이터 기록 있음’과 ‘없음’으로 나뉩니다. 기록 있음은 월 60분까지 무료이고 그다음 분당 0.016달러, 기록 없음은 월 60분 무료 뒤 분당 0.024달러입니다. 이 설정이 정확히 무엇을 허락하는 것인지는 이 글이 문서까지 읽지 않았으니, 쓰기 전에 확인하세요.

구글의 표준 모델 목록에는 Chirp(구글이 만든 음성 인식 모델 이름)도 들어 있고, 페이지에는 Chirp가 V2에서만 쓸 수 있다고 적혀 있습니다. 요청 하나는 1초 단위로 올림해서 셉니다. 짧은 파일을 수천 개 보내면 이 올림이 쌓일 수 있습니다.

독립 벤치마크의 줄 세우기: 오류율, 속도, 값

가격만 보면 어셈블리AI가 싸 보입니다. 그런데 싼 만큼 틀린다면 소용이 없습니다. Artificial Analysis는 같은 오디오로 여러 곳을 재서 단어 오류율(WER, 100단어 중 틀린 단어의 비율)을 냅니다. 낮을수록 정확합니다. 순위표에서 다섯 곳의 주요 모델만 뽑으면 이렇습니다.

속도 배수는 처리 1초에 오디오 몇 초를 글자로 바꾸는가입니다. 배수가 62.8이면 10분 녹음(600초)을 약 10초에 처리했다는 뜻입니다. 딥그램 Nova-3은 624.3으로 이 중 가장 빠르고, 같은 10분 녹음이 약 1초입니다.

표의 1,000분 값은 앞의 요금표와 맞습니다. 어셈블리AI Universal-3.5 Pro의 시간당 0.21달러는 1,000분이면 3.50달러이고, 구글 Chirp 3의 분당 0.016달러는 16.00달러입니다.

가장 비싼 곳이 가장 정확하지는 않았습니다

표에서 눈에 띄는 것은 구글 Chirp 3입니다. 1,000분에 16.00달러로 이 표에서 가장 비싸지만 오류율 4.3%는 중간입니다. 일레븐랩스 Scribe v2는 3.67달러에 2.2%이고, 어셈블리AI Universal-3.5 Pro는 3.50달러에 3.0%입니다. 같은 구글이 낸 Gemini 3.5 Transcribe는 5.00달러에 2.6%로, Chirp 3보다 3.2배 싸고 오류율도 낮습니다. 이 값은 Artificial Analysis가 정리한 값이고, 구글의 Gemini API 요금 페이지는 이 글이 열어 보지 않았습니다.

반대 방향도 있습니다. 가장 싼 어셈블리AI Universal은 오류율 3.8%로 오픈AI GPT-4o Transcribe(4.0%, 6.00달러)보다 낮으면서 2.4배 쌉니다. 값과 오류율이 같이 움직이는 시장이 아닙니다. 값표만 보고 고르면 비싼 쪽이 정확하리라는 가정이 틀릴 수 있습니다.

이 오류율에서 한국어는 보이지 않습니다: 지원 표부터

여기서부터가 한국어로 쓰는 사람에게 더 중요합니다. Artificial Analysis의 오류율은 페이지가 밝힌 세 데이터셋(AA-AgentTalk, 정제한 VoxPopuli, 정제한 Earnings22)을 가중 평균한 값입니다. 이 가운데 Earnings22는 영어 실적 발표 통화 모음이고, 한국어 시험이 들어 있다는 설명은 페이지 어디에도 없습니다. 그래서 위 표는 한국어 기준 순위가 아닌 숫자로 읽어야 합니다.

한국어는 곳마다 지원 여부와 수준이 다르게 적혀 있었습니다. 공식 문서를 직접 확인한 결과입니다.

이 표가 말하는 것은 두 가지입니다. 첫째, 순위표에서 3.0%로 상위권인 어셈블리AI Universal-3.5 Pro는 한국어를 지원 목록에 올리지 않았습니다. 한국어를 쓰려면 한 단계 아래 Universal-2로 가야 하고, 이 모델의 오류율 3.8%도 한국어로 잰 값이 아닙니다. 둘째, 순위표에서 2.2%인 일레븐랩스 Scribe v2를 일레븐랩스는 한국어에서 10~20% 구간으로 스스로 분류합니다. 순위표 숫자가 한국어에서 그대로 나오지 않는다는 것을 만든 회사가 문서로 적어 둔 셈입니다.

한국어 순위를 가려 줄 독립 숫자는 이 글이 찾지 못했습니다. 그러니 값표에서 한 곳을 고른 뒤에는 내 한국어 녹음으로 직접 재 보는 일이 남습니다(맨 아래에 방법을 적었습니다).

같은 회사 안에서도 모델 이름이 여럿입니다

요금표에서 한 곳을 골라도 그 안에 모델이 둘 셋 있습니다. 어느 이름을 부르느냐에 따라 값과 쓸 수 있는 기능이 같이 달라집니다.

• 오픈AI는 요금 페이지에 gpt-transcribe, gpt-4o-transcribe, gpt-4o-mini-transcribe, 화자 구분 모델, 위스퍼(Whisper)를 나란히 올려 두었습니다. 문서는 녹음된 말을 원래 언어로 받아 적을 때 gpt-transcribe를 권합니다. 이 모델은 분당 0.0045달러로 위스퍼(0.006달러)보다 25% 쌉니다. 그런데 단어·문장별 시각(타임스탬프)은 whisper-1만 줍니다. 자막 파일을 만들려면 더 비싼 위스퍼를 써야 하는 구조입니다. 화자 구분 모델은 프롬프트를 받지 않고 실시간 세션에서는 쓸 수 없다고 문서에 적혀 있습니다.
• 어셈블리AI는 Universal-3.5 Pro가 시간당 0.21달러, Universal-2가 0.15달러로 40% 차이가 납니다. 앞의 모델은 지원 언어가 18개, 뒤의 모델은 99개입니다. 추가 기능 표에서 일반 프롬프트 기능은 Universal-3.5 Pro에만 있습니다. 옛 모델 SLAM-1은 요금이 적혀 있지 않고 Universal-3.5 Pro로 옮기라는 안내만 있었습니다.
• 딥그램은 한 언어(monolingual) 모드가 분당 0.0043달러, 여러 언어(multilingual) 모드가 0.0052달러로 21% 비쌉니다. 한국어는 한 언어 모드에만 있으니 한국어 앱이 여러 언어 모드를 고를 이유는 없습니다.
• 일레븐랩스는 Scribe v2와 의료용 Scribe v2 Medical이 둘 다 시간당 0.22달러이고, 실시간 모델은 0.39달러로 77% 비쌉니다.

이름만 보고 가장 새로운 모델을 고르면 한국어가 빠지는 곳이 있다는 점이 이번 조사에서 가장 눈에 걸렸습니다. 새 모델이 싸지는 곳도 있고 오르는 곳도 있으니, 모델 이름까지 적어 가며 비교해야 합니다.

화자 구분과 용어 사전: 기능마다 붙는 덧셈

음성 인식은 글자만 받는 것으로 끝나지 않습니다. 쓸 만한 결과를 얻으려고 켜는 기능마다 값이 붙습니다.

용어 사전은 우리 회사 이름이나 제품명처럼 모델이 틀리기 쉬운 낱말을 미리 알려 주는 기능입니다. 한국어에서는 외래어 표기와 고유명사가 자주 틀리니 이 기능이 값을 올립니다. 오픈AI는 gpt-transcribe가 키워드 힌트를 받고 whisper-1은 프롬프트(224토큰까지)를 받는다고 문서에 적혀 있습니다.

실시간으로 받으면 값이 따로 붙습니다

말하는 동안 글자를 받는 실시간은 파일 변환과 요금표가 다릅니다.

어셈블리AI의 가장 싼 실시간 값 0.15달러와 오픈AI 1.02달러는 6.8배 차이입니다. 구글의 실시간 값은 이 글이 따로 확인하지 못했습니다. 실시간은 화자 구분 값도 따로 올라갑니다. 어셈블리AI는 파일 변환 +0.02달러와 달리 실시간은 모델 전체에 +0.12달러를 적습니다.

딥그램 실시간 값 옆에는 “한정 기간 도입 요금”이라는 문구가 있고 취소선 처리된 원래 값이 따로 있다고 합니다. 이 글은 원래 값을 읽지 못했습니다. 실시간을 쓸 계획이면 가입 전 현재 값을 한 번 더 열어 보세요.

파일 크기, 동시 접속, 무료 칸

값 밖의 한도도 만만치 않습니다. 요금표에서는 안 보이고 문서를 읽어야 나오는 숫자들입니다.

• 오픈AI: 파일 하나가 25MB까지입니다. 지원 형식은 mp3, mp4, mpeg, mpga, m4a, wav, webm입니다. 더 큰 녹음은 압축하거나 25MB 이하로 쪼개야 하고, 문장 중간에서 자르지 말라고 문서가 적습니다. 화자 구분은 알려진 화자를 최대 4명까지 지정할 수 있습니다.
• 일레븐랩스: 파일 3GB까지, 길이는 표준 모드 10시간까지입니다. 여러 채널을 따로 넣는 모드는 같은 페이지 안에서 10시간과 1시간으로 다르게 적혀 있어 쓰기 전에 확인이 필요합니다.
• 딥그램: 동시에 보낼 수 있는 요청이 파일 변환 50개, 실시간 150개(Growth는 225개)입니다. 딥그램이 올려 둔 위스퍼 클라우드는 5개입니다.
• 어셈블리AI: 가입만 하면 카드 없이 사전 녹음 최대 185시간, 실시간 최대 333시간을 무료로 줍니다.
• 딥그램: 새 계정에 200달러 무료 크레딧이 있다고 FAQ 항목에 적혀 있습니다.
• 구글: V1에서만 월 60분이 무료이고, V2 요금표에는 무료 칸이 보이지 않았습니다.
• 오픈AI·일레븐랩스: 요금 페이지에서 음성 인식 무료 시간을 찾지 못했습니다.

음성 인식 API 5곳 중 상황별로 먼저 시험해 볼 곳

값과 한도를 한 줄로 합치면 이렇습니다. 어느 쪽도 한국어 정확도를 담보하지 못하니 “먼저 시험해 볼 곳”으로 읽어 주세요.

• 한국어 회의 녹음을 파일로 변환하고, 값이 가장 중요하다면 어셈블리AI Universal-2(시간당 0.15달러)와 구글 V2 동적 배치(0.18달러)가 가장 쌉니다. 어셈블리AI Universal-2는 한국어를 지원 목록에 올렸습니다. 구글은 Chirp 3에 한국어가 올라 있지만, 동적 배치에서 그 모델을 쓸 수 있는지는 확인하지 못했습니다.
• 한국어 정확도에 가장 신경이 쓰이고 여러 모델을 한 번에 비교해 보고 싶다면 일레븐랩스 Scribe v2(0.22달러)와 구글 Chirp 3를 같은 녹음에 돌려 보세요. 일레븐랩스는 한국어 수준을 스스로 10~20%대로 적었으니 기대치를 낮춰 두는 편이 안전합니다.
• 말하는 도중에 바로 글자가 필요하다면 어셈블리AI Universal-Streaming(0.15달러)과 일레븐랩스 Realtime(0.39달러)을 비교하되, 한국어 지원 여부를 모델마다 먼저 확인하세요. 어셈블리AI의 다국어 스트리밍 목록에는 한국어가 없습니다.
• 통화를 대량으로 빠르게 처리해야 한다면 딥그램 Nova-3이 속도 배수 624.3으로 가장 빠릅니다. 값은 중간(1,000분 4.30달러)이고 오류율은 이 표에서 가장 높은 5.2%이며, 한국어는 한 언어 모드에서만 됩니다.
• 이미 오픈AI 키를 쓰고 있다면 gpt-transcribe(0.27달러)부터 넣어 보면 됩니다. 한국어 지원 표가 문서에 없으니 짧은 녹음으로 먼저 재 보세요.
• 구글 클라우드를 이미 쓰고 있고 값이 부담이라면 표준(0.96달러) 대신 동적 배치(0.18달러)를 쓸 수 있는지 응답 시간 조건부터 보세요. 5배 넘게 줄어듭니다.

숫자만 읽고 쓴 글입니다

이 글이 한 일은 다섯 곳의 요금 페이지와 언어 지원 문서, 그리고 독립 순위표를 읽고 숫자를 맞춘 것입니다. 가입하지 않았고, 녹음을 돌려 보지 않았고, 한국어 오류율을 재지 않았습니다. 오류율은 Artificial Analysis가 영어 중심의 세 데이터셋으로 재서 낸 값입니다. 앞의 월 청구서와 화자 구분 합계는 제가 곱한 계산값입니다.

확인하지 못한 것도 적어 둡니다. 구글의 실시간 값과 화자 구분 추가 값, 구글 동적 배치의 응답 시간 조건, 오픈AI의 한국어 지원 범위, 딥그램 실시간 도입 요금의 원래 값, 오픈AI·일레븐랩스의 무료 시간입니다. 가격 페이지는 며칠 안에 바뀔 수 있습니다. 이 글은 2026년 10월 20일 아침의 기록입니다.

10분짜리 내 녹음 하나로 하는 시험

값표로 한 곳을 고른 뒤에는 이렇게 재 보세요. 30분이면 됩니다.

1. 내가 실제로 쓰는 녹음 중 10분짜리 하나를 고릅니다. 한 사람이 읽는 것 말고, 두 사람 이상이 말하고 이름·제품명이 나오는 녹음이 좋습니다.
2. 직접 들으면서 글로 받아 적은 정답 몇 분량을 만듭니다. 전부 칠 필요 없이 3분이면 비교에 충분합니다.
3. 후보 두세 곳에 같은 파일을 보냅니다. 용어 사전, 화자 구분은 모두 같은 조건으로 켜거나 끕니다.
4. 정답과 결과를 나란히 놓고 틀린 낱말을 셉니다. 100단어 중 몇 개 틀렸는지가 곧 오류율입니다.
5. 틀린 낱말이 숫자인지, 이름인지, 외래어인지 적어 둡니다. 내 일에서 아픈 오류가 어느 쪽인지 보입니다.
6. 마지막으로 그 시험에 든 값을 달러로 적어 두고, 한 달 분량으로 곱해 봅니다. 이 글의 표와 같은 숫자인지 확인하면 요금표 읽는 눈이 생깁니다.