ElevenLabs Scribe v2 Realtime, Web Speech API의 프로덕션 한계 극복

Web Speech API는 브라우저 네이티브 음성 인식(STT) 기능을 제공해, 로컬 ASR 서버나 API 키 없이도 자바스크립트 개발자가 음성 명령을 구현할 수 있게 한다. SpeechRecognition.continuous 속성과 .start(), .onresult 메서드를 통해 연속 및 단발성 음성 인식을 지원하며, 중간 및 최종 전사 결과를 반환한다. 다만, 브라우저별 STT 엔진 구현 차이로 성능 편차가 크고, Chrome과 Safari는 주로 온라인 연결을 요구한다.

프로덕션 환경의 한계

사용이 간편함에도 불구하고, 프로덕션 환경에서는 치명적인 장벽이 존재한다. 화자 분리(speaker diarization) 기능이 없고, SpeechGrammarList 인터페이스가 현대 브라우저에서 대부분 무시되어 맞춤 어휘(custom vocabulary) 지원도 일관되지 않다. 소음, 억양, 마이크 거리에 따라 정확도가 떨어지며, 마이크 입력만 지원해 서버 스트리밍이나 수동 오디오 파일 업로드는 불가능하다. 40개 이상의 언어를 지원하지만 브라우저별 지원 범위가 불일치한다.

ElevenLabs Scribe v2 Realtime

강력한 대안인 ElevenLabs Scribe v2 Realtime은 150ms 미만의 지연 시간으로 고정밀 실시간 전사를 제공한다. 90개 이상의 언어를 지원하며, 브라우저에 의존하지 않는 일관성을 유지하고 맞춤 어휘 설정도 가능하다. Web Speech API와 달리 클라이언트 및 서버 측 스트리밍을 모두 지원한다. 구현 시 @elevenlabs/client SDK를 설치하고, 서버에서 API 키 보호를 위해 일회용 토큰을 생성한 뒤 scribe_v2_realtime 모델로 Scribe.connect()를 통해 연결한다.

이벤트 처리 및 기능

Scribe v2 Realtime 구현은 견고한 상태 관리를 위해 특정 이벤트 핸들러에 의존한다:

• SESSION_STARTED: 세션 시작 기록
• PARTIAL_TRANSCRIPT: 실시간 UI 업데이트용 중간 결과 제공
• COMMITTED_TRANSCRIPT: 확정된 텍스트 전달
• COMMITTED_TRANSCRIPT_WITH_TIMESTAMPS: includeTimestamps 활성화 시 단어 단위 타임스탬프 포함
• ERROR: 서버 및 웹소켓 문제 포착

실시간 전사 외에도 ElevenAPI는 배치 전사, 화자 분리, 비동기 처리 등 프로덕션급 기능을 제공한다. 완료된 전사를 위한 웹훅 콜백을 지원해 연속 폴링이 필요 없다.