축어록 화자 구분 자동화의 실제: 작동 원리·편집 기준·도구 선택까지

 

STT 기술이 발전하면서 상담 녹음의 텍스트 변환 자체는 더 이상 큰 기술적 장벽이 아니다. 그러나 실무에서 반복적으로 드러나는 병목은 변환 이후의 화자 구분 단계에 있다. 발화를 텍스트로 전환하는 것과, 그 발화가 상담자의 것인지 내담자의 것인지를 정확히 분리하는 것은 전혀 다른 처리 과정이다. 이 글에서는 축어록 화자 구분 자동화의 기술적 구조와 실무적 한계를 정리하고, 편집 기준 및 도구 선택 시 고려해야 할 조건을 제시한다.

화자 분리의 기술 구조

STT(Speech-to-Text)와 화자 분리(Speaker Diarization)는 별개의 처리 레이어다. STT는 음성 신호를 텍스트 시퀀스로 변환하는 데 집중하고, 화자 분리는 발화 구간별로 동일 화자 여부를 클러스터링하는 방식으로 작동한다. 두 과정은 순차적으로 또는 병렬로 처리될 수 있으며, 최근 모델은 화자 임베딩(speaker embedding)을 기반으로 발화 단위마다 화자 레이블을 할당한다.

상담 녹음에서 화자 분리 정확도에 영향을 주는 요인은 크게 세 가지다. 첫째, 녹음 환경의 신호 대 잡음비(SNR). 둘째, 두 화자 간 음성 특성의 유사도. 셋째, 발화 오버랩 빈도다. 상담 세팅 특유의 조용한 발화 패턴과 반응어 중심의 짧은 교환은 화자 분리 모델에 상대적으로 불리한 조건이 된다.

따라서 자동 화자 구분 결과물은 언제나 편집 검토가 전제된 초안으로 다뤄야 하며, 도구가 어느 수준의 정확도를 제공한다고 하더라도 제출 전 청취 확인 단계를 생략하는 것은 적절하지 않다.

• SNR 낮은 환경: 소음, 에어컨, 공조 소리가 섞인 녹음
• 두 화자 음역대 유사: 특히 동성 상담자-내담자 조합
• 발화 오버랩: 상담자가 내담자 말 중간에 반응하는 구간
• 극단적으로 짧은 발화: "네", "음", "그렇군요" 같은 추임새
• 침묵 후 재시작 구간: 화자 연속성 추적이 끊기는 지점

---

화자 구분 편집 기준

자동 화자 구분 결과물을 편집할 때는 전체 텍스트를 처음부터 다시 읽는 방식보다 구조적 위험 구간을 먼저 식별하고 집중 검토하는 방식이 효율적이다. 화자 오류가 집중되는 구간은 패턴이 있기 때문이다.

녹음 초반 2~3분은 화자 클러스터가 아직 안정화되지 않아 오류율이 높고, 화제가 급격히 전환되는 구간도 화자 레이블이 뒤집히는 경우가 잦다. 내담자가 처음으로 감정적으로 고조되는 구간은 발화 속도와 톤이 달라져 기존 임베딩과 불일치가 생기기 쉽다.

편집 작업은 단순 오류 수정 이상의 임상적 의미를 가진다. 발화를 청취하며 교정하는 과정은 회기 전반의 흐름을 재구성하고, 개입의 타이밍과 내담자 반응의 맥락을 다시 새기는 작업이기도 하다. 자동화가 반복 노동을 줄이는 것과, 이 성찰 과정을 보존하는 것은 서로 배치되지 않는다.

• 녹음 시작 후 초반 2~3분: 화자 클러스터 초기화 구간 우선 확인
• 화제 전환 직후: 발화 패턴 변화로 화자 레이블 불일치 빈발
• 침묵 후 재개 구간: 타임스탬프 기반 화자 연속성 확인
• 연속 단답 구간: 추임새 화자 배정 교차 확인
• 내담자 감정 고조 구간: 속도·톤 변화로 인한 임베딩 불일치

편집은 오류를 고치는 작업이기도 하지만, 상담자가 자신의 발화 패턴과 내담자의 반응을 다시 마주하는 임상 성찰의 시간이기도 하다.

---

학회 양식 적합성 조건

한국상담심리학회 수퍼비전 보고서에서 요구하는 축어록 형식은 화자 번호(상1·내1)와 침묵 표시가 일정한 규칙에 따라 기재되어야 한다. 단순히 텍스트가 생성된다고 해서 제출 가능한 축어록이 되는 것이 아니며, 화자 레이블 형식과 침묵 구간 표기 방식이 학회 지침과 일치해야 한다.

침묵 표시는 시간 차이 기반으로 자동 생성되는 경우가 편의성 측면에서 우수하지만, 실제 침묵이 임상적으로 의미 있는 것인지 — 예를 들어 내담자가 감정을 추스르는 침묵인지, 단순 발화 간격인지 — 는 자동화가 판단할 수 없다. 이 부분은 상담자가 맥락을 바탕으로 직접 판단해 표기 여부와 방식을 결정해야 한다.

또한 식별 정보 제거 여부는 제출 전 반드시 점검해야 하는 항목이다. 실명, 지명, 기관명 등이 축어록 텍스트 안에 남아 있는 경우는 반려의 단골 사유 중 하나다.

• 화자 번호 형식: 상1·내1 — 학회 지시문 기준 확인
• 침묵 표시: 자동 생성 결과의 임상적 타당성을 상담자가 판단
• 식별 정보 제거: 실명·지명·기관명 텍스트 내 잔존 여부
• 발화 순서 오류: 타임스탬프 역전 구간 확인
• 필수 항목 공란: 회기 수·날짜·호소 문제 기재 누락

---

도구 선택 시 확인 사항

축어록 화자 구분 자동화 도구를 선택할 때 편의성 이외에 반드시 확인해야 할 조건은 두 가지다. 첫째, 녹음 데이터가 외부 서버를 경유하는가. 클라우드 기반 STT는 파일을 서버로 업로드해 처리하는 구조이므로, 내담자 동의 절차가 이 사실을 명시적으로 포함해야 한다. 강수정·박성현·이지은(2024, 한국심리학회지: 상담 및 심리치료 36(4))의 조사에서 AI 축어록 도구 사용자 중 사전 동의를 받은 비율은 40%에 그쳤다.

둘째, 도구의 출력물이 학회 양식 보고서 작성과 어떻게 연결되는가. 받아쓰기·화자 구분만 제공하는 도구는 축어록 이후의 보고서 작성, 가계도, 제출 전 점검까지 별도로 처리해야 한다. 이 과정에서 발생하는 파일 이동과 양식 재입력 작업이 결국 시간을 다시 잡아먹는다.

PC 안에서만 처리되는 로컬 기반 도구는 외부 전송 없이 음성 인식과 화자 분리를 수행하며, 이 경우 내담자 동의의 범위가 달라진다. 다만 처음 받아쓰기 엔진을 내려받을 때 인터넷 연결이 필요하다는 점과, 변환 시간이 클라우드 대비 더 걸릴 수 있다는 점은 함께 고려해야 한다.

• 데이터 처리 위치: 로컬 vs 클라우드 서버 경유 여부
• 내담자 동의 범위: 외부 서버 전송 사실 고지 여부
• 보고서 연결성: 축어록에서 학회 양식 보고서까지 한 환경에서 처리 가능 여부
• 출력 형식: 한글(HWPX)·Word 등 제출 기관 요구 형식 지원 여부
• 편집 가능 여부: 화자 오류 수정 인터페이스 제공 여부

---

수비노트의 접근 방식

수비노트는 Windows 10 이상 전용 데스크톱 프로그램으로, Mac은 지원하지 않는다. 녹음 파일(mp3·m4a·wav)을 넣으면 PC 안에서 음성 인식과 화자 분리가 처리되므로 녹음이 외부 서버로 전송되지 않는다. 처음 받아쓰기 기능(약 740MB)을 내려받을 때 한 번 인터넷 연결이 필요하고, 50분 녹음 기준 25~30분 처리 시간이 소요된다.

화자 구분 정확도는 최근 버전에서 개선됐지만 틀릴 수 있으며, 편집 화면에서 반드시 직접 확인해야 한다. AI가 보고서 내용을 대신 작성하지 않으며, 상담 내용이 외부 AI나 클라우드로 전송되지 않는다. 클로바노트 텍스트나 발화자 번호가 붙은 텍스트를 붙여넣는 방식도 지원한다.

축어록 완성 이후 학회 양식 보고서(표지·A·B·C·회기표) 작성, 가계도, 제출 전 반려 사유 자동 점검, 한글(HWPX)·Word 출력까지 한 프로그램에서 처리된다. 30일 무료 체험은 카드 등록 없이 이용 가능하며, 1년권 99,000원·3년권 229,000원(부가세 포함)으로 제공된다.

---

수비노트의 화자 구분 자동 기능과 학회 양식 보고서 출력까지의 전체 흐름은 30일 무료 체험(카드 등록 없음)으로 직접 확인할 수 있다. Windows 전용이므로 환경을 먼저 확인한 후 사용하길 권한다. 자세한 내용은 https://suvi-note-web.pages.dev 에서 확인.