[서울=뉴스핌] 김지완 기자 = '영상'은 Z세대와 이전 세대를 구분 짓는 기준점이다.
Z세대는 모든 정보 검색과 지식 취득을 영상으로 시작해 영상으로 끝을 낸다. 반면 밀레니얼 세대(Y세대)와 X세대는 정보 검색에서 '텍스트(Text)'를 끝내 포기하지 못하고 있다. 영상이 대세인 건 인정하지만, 텍스트도 중요하다는 입장을 고수하고 있다. 영상 관련 지식은 Z세대에겐 보편적 상식으로 통하지만, X·Y세대에겐 알면 좋고 잘하면 시대에 뒤처지지 않게 해주는 고급 지식으로 자리잡았다.
Z세대가 영상 콘텐츠 생산자와 소비에 주도 세력으로 부상하면서 영상 제작 패러다임도 송두리째 바뀌고 있다.
네이버는 지난달 20일 프리즘 라이브 스튜디오(PRISM Live Studio) 안드로이드앱에 '자동자막' 기능을 삽입했다고 했다고 발표했다. X·Y세대가 기존에 알고 있던 것과 완전히 다른 영상 자막입력 방식이 등장한 것이다. 다시 말해, X·Y세대가 영상에 대해 새롭게 공부할 거리가 생겼다는 얘기다.
'자동자막' 기능이란 것이 기자에게 상당한 호기심을 불러 일으키면서도 '제대로 될까' 하는 의구심이 동시에 밀려들었다. 한국어 특유의 까다로운 자연어처리 기술적 난이도와 '음성인식' 기술 수준이 기대에 한참 못 미친다는 것을 여러번 경험했기 때문이다. 기자의 말을 알아듣지 못해 부수고 싶었던 수많은 AI스피커가 지금까지 한 둘이 아니었던 경험도 이런 회의감을 가지는 데 한몫했다.
프로그램 다운로드를 위해 네이버 프리즘 라이브 스튜디오에 들어갔다. 화려한 백그라운드 영상이 프로그램 다운로드를 유도하고 있다. 꽃가루가 날리고, 다양한 CG로 분장을 도와주는 장면이 프로그램 설명을 대신했다.
프로그램 설치 후, 실행시키자 로그인 창이 떴다. 여기서부터 살짝 놀랬다. 페이스북, 구글. 트위치. 네이버, 라인, 트위터, 이메일 등 다양한 방법으로 로그인 할 수 있었다. 영상에서 만큼은 네이버가 후발주자란 걸 인정한 것 같다는 느낌마저 받았다.
앱(app) 사용에 앞서 기자는 자동자막 테스트용 영상을 짧게 녹화했다.
"안녕하세요 저는 뉴스핌 미래산업부에 근무 중인 김지완 기자입니다. 현재 4차산업 인공지능, 빅데이터, 클라우드 등을 담당하고 있습니다. 감사합니다."
총 14초 분량이다. 극한 환경에서의 테스트를 위해 마스크로 입을 가리고 녹화했다. 의도적으로 소리 전달을 방해하고, 입모양을 감추기 위해서다. 우리 모두가 정확한 입모양과 함께 성우처럼 정확한 발음을 하는 건 아니기 때문이다.
네이버 프리즘 라이브 스튜디오를 실행시킨 뒤, 촬영했던 영상을 불러왔다. 이후 편집 기능에서 자막을 누르니 'Clova 자동 자막' 버튼이 나타났다. 이어 '영상 전체 분석' 버튼을 누르자 1초도 안돼 자동으로 자막이 생성됐다.
자동자막 실행 결과는 놀라웠다. 녹음 멘트 중 '뉴스핌'이 자막에서 생성이 안됐고, 기자 이름이 '김지환'으로 오기된 것 빼곤 완벽하게 일치했다. 이 자막 역시 '자막편집' 버튼을 눌러 손쉽게 수정할 수 있었다. 자막 스타일도 국문 9개, 영문 7개를 제공해 다양한 연출이 가능했다. 재생 버튼을 누르니, 녹화 영상과 일치하는 자막이 영상 하단에 표시됐다. 아주 만족스럽다. 그리고 네이버 기술력에 놀랐다.
앞으로 유튜브 영상 제작에 네이버 프리즘 라이브 스튜디오를 이용해 영상 자막편집을 할 경우, 영상 작업 시간을 크게 줄 일 수 있을 것이란 생각이 들었다. 영상 작업을 해 본 사람이면 자막 작업만큼 귀찮고 피곤한 작업이 없다. 테스트 결과처럼 95% 수준의 완성도 높은 자막이 1차적으로 만들어진다면, 약간의 수정·보완만 한다면 금세 자막을 완성할 수 있을 것이란 판단이 들었다.
네이버는 "클로바 인공지능(AI)기술을 활용한 동영상 자동 자막 생성 기능을 출시했다"며 "클로바 음성인식 엔진 NEST(Neural End-to-end Speech Transcriber)가 동영상 내 삽입된 오디오를 분석해 자동으로 텍스트를 자막으로 변환하게 된다"고 설명했다. NEST는 장문의 음성을 정확하게 인식하고 텍스트로 변환하도록 네이버가 자체 개발한 기술이다.
한편 네이버가 사용한 NEST 기술은 기존의 음성정보를 텍스트로 변환하는(STT, Speech to Text) 기술과는 확연히 구분된다. 기존 기술은 음향 모델과 언어 모델을 각각 학습해야 했다. 하지만 네이버 NEST는 음향과 언어모델을 통합해 학습하는 방식을 구현했다. 이는 학습에 필요한 데이터 양을 1/10로 줄이면서도 인식 정확도는 높일 수 있다. 네이버는 향후 이 기술을 이용할 경우 고객센터 데이터 관리 등에도 활용이 가능할 것으로 기대하고 있다.
swiss2pac@newspim.com
