자막 자동 생성 — 영상 음성을 SRT 자막으로
영상이나 음성 파일을 넣으면 브라우저 안에서 받아쓰기를 해 SRT·VTT 자막을 만듭니다. 파일은 서버로 올라가지 않습니다. 가입 없이 무료이며, 받아쓴 자막은 표에서 고친 뒤 저장합니다. 모델별 속도와 정확도는 아래에 직접 잰 값을 적었습니다.
음성 인식: OpenAI Whisper(MIT 라이선스)를 웹용으로 바꾼 onnx-community 모델 · 실행: transformers.js 3.5.2(Apache-2.0). 처음 한 번 모델 파일을 받으므로 시간이 걸립니다.
사용법 네 단계
- 파일 넣기 — 영상(MP4·MOV·WEBM)이나 음성(MP3·M4A·WAV) 파일을 상자에 끌어 놓거나 눌러서 고릅니다. 파일은 이 기기 밖으로 나가지 않습니다.
- 언어·모델 고르기 — 언어는 '한국어'처럼 정해 주는 편이 '자동 감지'보다 정확합니다. 모델은 처음이라면 기본(base)으로 시작하세요. 받아쓰기가 많이 틀리면 정확(small)으로 다시 돌립니다.
- 자막 만들기 — 처음 한 번은 모델 파일을 받습니다. 그다음 30초 단위로 받아쓴 결과가 표에 차례로 채워집니다. 다 끝나지 않았어도 앞부분부터 고칠 수 있습니다.
- 고치고 저장 — 표의 글자와 시간을 고치면 영상 미리보기에 바로 반영됩니다. 다 고쳤으면 SRT(편집 프로그램·플레이어용), VTT(웹용), TXT(대본만) 중에서 저장합니다.
직접 잰 결과 — 모델별 속도와 정확도
'무료 자막 생성기'라는 말만으로는 쓸 만한지 알 수 없습니다. 그래서 대본을 아는 녹음을 이 페이지에 그대로 넣어 받아쓰기를 시키고, 원래 대본과 글자 단위로 비교했습니다. 글자 정확도는 띄어쓰기와 문장부호를 뺀 뒤 (1 − 편집거리 ÷ 원문 글자 수)로 계산했습니다.
| 녹음 | 모델 | 처음 받는 크기 | 받아쓰기 시간 | 실제 길이 대비 | 글자 정확도 |
|---|---|---|---|---|---|
| 한국어 48초 (MP4) | 빠름 tiny | 41MB | 15초 | 0.31배 | 89.9% |
| 한국어 48초 (MP4) | 기본 base | 77MB | 22초 | 0.46배 | 97.2% |
| 한국어 48초 (MP4) | 정확 small | 249MB | 33초 | 0.69배 | 97.2% |
| 영어 37초 (MP3) | 빠름 tiny | 41MB | 7초 | 0.18배 | 100.0% |
| 영어 37초 (MP3) | 기본 base | 77MB | 9초 | 0.24배 | 100.0% |
| 영어 37초 (MP3) | 정확 small | 249MB | 28초 | 0.76배 | 100.0% |
녹음은 대본을 정해 두고 윈도 내장 음성 합성(한국어 Heami, 영어 Zira)으로 읽힌 깨끗한 목소리입니다. 사람 목소리·잡음·배경음악이 있는 실제 영상은 이보다 정확도가 낮습니다. '받아쓰기 시간'은 모델을 받은 뒤 받아쓰기에만 걸린 시간이고, '실제 길이 대비'는 받아쓰기 시간 ÷ 녹음 길이입니다(1보다 작으면 실제 길이보다 빠름). 한국어에서 세 모델이 공통으로 틀린 말은 '받아쓰기'(→'바다 쓰기')와 'SRT'(→'SOT')였습니다.
이 시험에서 한국어는 빠름(tiny)이 열 글자에 한 글자꼴로 틀렸고(‘사무실’→‘3호실’ 등), 기본(base)과 정확(small)은 같은 97.2%였습니다. 깨끗한 영어 녹음은 세 모델 모두 틀린 글자가 없었습니다. 그래서 처음엔 기본(base)을 권합니다. 정확(small)은 처음 받는 파일이 세 배 넘게 크고 더 느리므로, 잡음이 많거나 기본 모델이 많이 틀릴 때 올려 보세요. 빠름(tiny)은 내용을 빨리 훑는 초벌용입니다.
시험 중 고친 것도 적어 둡니다. 처음에는 30초 창을 5초씩 겹쳐 이어 붙이는 방식을 썼는데, 창 경계에서 한 문장이 두 번 나오거나(영어·기본) 한 문장이 통째로 빠지는(한국어·정확) 일이 있었습니다. 지금은 창 끝에 걸친 문장을 버리고 다음 창을 그 문장 시작부터 다시 듣는 방식으로 바꿨고, 같은 녹음 여섯 번 모두 중복·누락이 없었습니다.
파일을 올리지 않는다는 말의 뜻
- 영상의 소리를 꺼내는 일은 브라우저에 들어 있는 오디오 기능(Web Audio)이 합니다. 16kHz 한 채널로 바꿔 메모리에만 둡니다.
- 받아쓰기는 OpenAI 가 공개한 음성 인식 모델 Whisper 를 웹용으로 바꾼 파일(ONNX)을 브라우저 안에서 돌려서 합니다. 이 계산은 별도 작업 스레드(Web Worker)에서 돌아 화면이 멈추지 않습니다.
- 인터넷으로 받는 것은 두 가지뿐입니다. 음성 인식 라이브러리(transformers.js, jsdelivr 배포)와 모델 가중치(Hugging Face 저장소)입니다. 둘 다 내려받기만 하고, 내 파일이나 받아쓴 글을 보내지 않습니다.
- 이 페이지에는 광고와 방문 통계 스크립트가 있습니다. 자세한 내용은 개인정보처리방침을 참고하세요.
세 모델은 무엇이 다른가
| 이름 | Whisper 모델 | 처음 받는 크기 | 알맞은 경우 |
|---|---|---|---|
| 빠름 | tiny | 약 41MB | 내용 훑기, 초벌 대본, 사양 낮은 컴퓨터 |
| 기본 | base | 약 77MB | 대부분의 말하기 영상. 처음엔 이걸로 |
| 정확 | small | 약 249MB | 받아쓰기가 많이 틀릴 때, 전문 용어가 많을 때 |
크기는 8비트로 줄인(양자화) 인코더와 디코더 파일을 더한 값입니다(Hugging Face onnx-community 저장소 기준, 2026-10-18 확인). 같은 모델을 두 번째 쓸 때는 다시 받지 않습니다. 브라우저 저장 공간을 비우면 다시 받습니다.
자동 자막을 빨리 고치는 요령
- 고유명사부터 — 사람 이름, 회사·제품 이름, 지명은 거의 틀립니다. 브라우저의 찾기(Ctrl+F)로 표 안을 찾아 한꺼번에 확인하세요.
- 숫자 — '삼십 퍼센트'가 '30%'로, 또는 그 반대로 나올 수 있습니다. 화면 자막에는 숫자 표기가 읽기 쉽습니다.
- 한 줄 길이 — 세로 영상(쇼츠·릴스)은 한 줄 12~16자, 가로 영상은 18~24자가 읽기 편합니다. '한 줄 최대 글자'를 바꾸면 받아쓴 결과를 다시 나눠 줍니다. 시간은 글자 수 비율로 나눕니다.
- 싱크가 통째로 밀렸을 때 — '시간 밀기'에 초를 넣으면(앞당기려면 음수) 모든 줄을 한 번에 옮깁니다.
- 필요 없는 줄 — 음악만 나오는 구간에 엉뚱한 글자가 생기기도 합니다. 줄 끝의 × 로 지우세요.
- 미리보기로 확인 — 표의 칸을 누르면 영상이 그 줄의 시작으로 이동합니다. 소리를 들으며 고치면 빠릅니다.
SRT 와 VTT, 무엇으로 저장할까
두 형식 모두 '몇 시 몇 분 몇 초부터 몇 초까지 이 글자'를 적은 글 파일입니다. 차이는 작습니다.
- SRT — 번호, 시간(00:00:01,000 --> 00:00:03,500처럼 쉼표로 밀리초), 자막 글자 순서로 적습니다. 편집 프로그램과 플레이어, 영상 사이트의 자막 올리기에서 가장 널리 받습니다. 한글이 깨지지 않도록 UTF-8(BOM 포함)으로 저장합니다.
- VTT(WebVTT) — 첫 줄이 WEBVTT 이고, 시간의 밀리초를 마침표로 씁니다. 웹 페이지의 <video> 태그에 <track> 으로 붙이는 표준 형식입니다.
- TXT — 시간 없이 글자만 줄마다 적습니다. 대본·회의록·블로그 초안으로 쓸 때 편합니다.
솔직한 한계
| 항목 | 상태 | 설명 |
|---|---|---|
| 화자 구분 | 안 됨 | 누가 말했는지 나누지 않습니다. 대담 영상은 직접 표시해야 합니다. |
| 겹쳐 말하기·큰 배경음 | 약함 | 정확도가 크게 떨어집니다. 음악을 줄인 원본이 있으면 그걸 넣으세요. |
| 시간 정확도 | 구간 단위 | Whisper 는 문장 덩어리 단위로 시간을 줍니다. 한 줄을 나누면 시간은 글자 비율로 추정합니다. 말이 빠르거나 쉬는 구간이 길면 0.5초 안팎 어긋날 수 있습니다. |
| 환각 | 가끔 | 말이 없는 구간에 없는 문장(예: 인사말)을 지어내는 경우가 있습니다. 미리보기로 확인하세요. |
| 길이·크기 | 제한 | 120분, 1GB 까지. 긴 영상은 메모리를 많이 씁니다. |
| 속도 | 기기 따라 | 그래픽 가속 없이 CPU 로만 계산합니다. 위 측정표보다 느린 컴퓨터가 많습니다. |
자막을 붙이면 무엇이 달라지나
소리를 끄고 영상을 보는 사람이 많습니다. 지하철, 사무실, 늦은 밤처럼 소리를 낼 수 없는 자리에서는 자막이 없으면 내용을 따라갈 수 없습니다. 청각장애인과 한국어가 서툰 시청자에게는 자막이 곧 영상의 내용입니다. 또 자막 글자는 검색 엔진과 영상 사이트가 영상 내용을 이해하는 재료가 되기도 합니다. 손으로 받아쓰면 영상 길이의 몇 배가 걸리지만, 자동 받아쓰기로 초벌을 만들고 고치기만 하면 그 시간을 크게 줄일 수 있습니다.
자주 묻는 질문
영상 자막을 자동으로 만들려면 어떻게 하나요?
위 상자에 영상 파일(MP4 등)이나 음성 파일을 넣고 언어와 모델을 고른 뒤 '자막 만들기'를 누릅니다. 받아쓰기가 끝나면 표에서 틀린 글자와 시간을 고치고 SRT 로 저장하면 됩니다. 영상은 오른쪽 미리보기에서 자막을 입혀 확인할 수 있습니다.
파일이 서버에 올라가나요?
아니요. 소리를 읽는 일과 받아쓰기는 모두 이 브라우저 안에서 일어납니다. 인터넷으로 받아 오는 것은 음성 인식 프로그램(라이브러리)과 모델 가중치 파일뿐이고, 내 영상은 보내지 않습니다. 모델은 처음 한 번만 받고 그다음부터는 브라우저 캐시에서 읽습니다.
무료인가요? 길이 제한이 있나요?
무료입니다. 회원 가입도 없습니다. 다만 브라우저 메모리 때문에 한 번에 120분, 1GB 까지만 받습니다. 그보다 긴 영상은 음성만 따로 저장(MP3·M4A)하거나 나눠서 넣어 주세요.
정확도는 어느 정도인가요?
모델과 녹음 상태에 따라 크게 달라집니다. 이 페이지 아래 '직접 잰 결과' 표에 같은 한국어 녹음을 세 모델로 받아쓴 글자 정확도와 걸린 시간을 적었습니다. 배경음악이 크거나 여러 사람이 겹쳐 말하면 정확도가 떨어집니다. 저장 전에 반드시 한 번 훑어 고치세요.
어떤 파일을 넣을 수 있나요?
브라우저가 소리를 해석할 수 있는 파일이면 됩니다. MP4(AAC), MOV, WEBM, MP3, M4A, WAV, OGG 는 대부분 됩니다. 일부 MKV·AVI 처럼 브라우저가 모르는 오디오 코덱이 들어 있으면 읽지 못하니, 그때는 MP4 나 MP3 로 바꿔서 넣어 주세요.
만든 SRT 는 어디에 쓰나요?
SRT 는 가장 널리 쓰이는 자막 형식이라 프리미어 프로, 다빈치 리졸브, 캡컷, 파이널 컷(가져오기), 곰플레이어·팟플레이어·VLC 같은 플레이어, 대부분의 영상 공유 사이트의 자막 올리기 기능에서 불러올 수 있습니다. 웹 페이지의 HTML5 video 에 붙일 때는 VTT 를 쓰세요.
한국어 말고 다른 언어도 되나요?
Whisper 모델은 여러 언어를 받아씁니다. 언어 칸에서 영어·일본어·중국어 등을 고르거나 '자동 감지'를 고르세요. 이 페이지에서 정확도를 잰 것은 한국어 녹음 하나와 영어 녹음 하나뿐입니다.
스마트폰에서도 되나요?
최신 브라우저라면 돌아가지만 권하지 않습니다. 모델 파일이 수십~수백 MB 이고 계산량이 커서 휴대폰은 느리고 뜨거워지며, 메모리가 부족하면 탭이 닫힙니다. 컴퓨터에서 쓰세요.
함께 쓰는 도구
작성: SJ AI Studio · 갱신 2026-10-18. 측정: 2026-10-18 이 페이지로 직접 시험.