앱에 음성-텍스트 변환 (Speech-to-Text) 기능이 필요하시군요. Whisper Large V3는 99개 언어 지원, 견고한 정확도, MIT 라이선스 덕분에 계속해서 정답으로 떠오르고 있습니다. 모델 자체는 이미 검증된 과학입니다. 하지만 아직 결정되지 않은 것은 그것을 '어디에서 실행하느냐'입니다.

OpenAI는 시간당 $0.36에 호스팅합니다. Groq는 시간당 $0.02에 터보 변형 (turbo variant) 모델을 실행합니다. Deepgram은 소음이 심한 오디오에서 Whisper를 능가하는 자체 모델을 구축했습니다. AssemblyAI는 화자 분리 (diarization) 및 감성 분석 (sentiment analysis) 기능을 결합하여 제공합니다. deAPI는 YouTube URL에서 직접 시간당 $0.021에 전사 (transcribe)를 수행합니다. 그리고 언제든지 본인의 GPU에서 직접 셀프 호스팅 (self-host)할 수도 있습니다.

이 글은 실제 결정에 영향을 미치는 지표들을 기준으로 이 여섯 가지 옵션을 모두 비교합니다: 오디오 시간당 가격, 속도, 기본 제공 기능, 그리고 코딩에 깊이 빠지기 전까지는 아무도 언급하지 않는 통합 시의 특이사항 (integration quirks)들입니다.

여러분이 이곳에 온 이유인 가격표

아래의 모든 가격은 2026년 6월 기준 정가입니다. 엔터프라이즈 할인, 볼륨 티어 (volume tiers), 약정 사용 계약 (committed-use agreements)을 통해 이 가격을 30-70% 낮출 수 있지만, 이 글을 읽는 대부분의 개발자는 엔터프라이즈 계약을 협상하고 있지는 않을 것입니다.

제공업체 (Provider)	모델 (Model)	시간당 가격	과금 모델 (Billing model)
OpenAI	Whisper large-v3	$0.36	분당 과금 ($0.006/min)
...

가장 저렴한 호스팅 옵션과 가장 비싼 옵션 사이의 차이는 17배에 달합니다. 동일한 기반 모델 아키텍처 (architecture)를 사용함에도 가격표는 극적으로 다릅니다. 이러한 차이는 하드웨어 (소비자용 GPU vs. 클라우드 A100), 과금 세분화 (billing granularity), 그리고 무엇이 번들로 포함되어 있는지에서 발생합니다.

각 옵션이 실제로 제공하는 것

OpenAI Whisper API

대부분의 개발자가 여기서 시작합니다. 파일을 업로드하면 전사본을 얻습니다. SDK와 문서는 수년간 실전 테스트를 거쳤으며, Stack Overflow에는 모든 예외 케이스 (edge case)가 다뤄져 있습니다.

하지만 단순함에는 한계가 있습니다. 스트리밍 (Streaming)과 화자 분리 (speaker diarization) 기능이 존재하지 않습니다. 25 MB 파일 크기 제한 때문에 긴 녹음 파일을 청크 (chunk) 단위로 나누어야 하며, 그 후 클라이언트 측에서 전사본을 다시 합쳐야 합니다. 처리 속도는 오디오 한 시간당 약 45-60초 정도입니다.

시간당 $0.36의 비용으로, OpenAI는 가장 저렴한 호스팅 대안보다 17배 더 많은 비용을 청구합니다. 몇 개의 테스트 파일을 전사할 때는 이 격차가 보이지 않습니다. 하지만 월 100시간을 넘어서면, deAPI에서는 $2.10면 해결될 비용이 $36가 됩니다.

가장 적합한 용도: 빠른 통합, 프로토타이핑, 그리고 비용보다 익숙함을 우선시하며 이미 OpenAI 생태계에 깊이 들어와 있는 팀들.

Groq Whisper

Groq는 커스텀 LPU 하드웨어에서 Whisper large-v3-turbo를 실행합니다. 오디오 한 시간 분량을 전사하는 데 8~12초가 소요됩니다. 가격은 속도에 맞춰 책정되어 시간당 약 $0.02입니다.

OpenAI와 마찬가지로 동일한 제약 사항(스트리밍, 화자 분리 (diarization), 25MB 파일 용량 제한)을 감수해야 하며, 여기에 Groq만의 문제점도 추가됩니다. 수요가 몰리는 피크 시간대에는 가용성이 떨어지며, 무료 티어의 속도 제한 (rate limits)이 매우 엄격하여 본격적인 테스트를 방해할 정도입니다.

강점: 하룻밤 사이에 수백 시간의 데이터를 처리해야 하는 배치 파이프라인 (batch pipelines). 팟캐스트 아카이브, 회의 백로그, 콘텐츠 인덱싱 등 최종 사용자에게 전달되는 지연 시간 (latency)이 중요하지 않은 모든 분야에 적합합니다.

Deepgram Nova-3

Deepgram은 단순히 Whisper를 호스팅하는 것에 그치지 않고, Nova-3를 처음부터 직접 구축했습니다. 깨끗한 영어 음성에서는 Whisper와 대등한 성능을 보입니다. 하지만 소음이 있거나, 억양이 있거나, 전화 품질의 오디오에서는 앞서나갑니다. 전화 통화 품질에서 Whisper의 단어 오류율 (WER)이 약 12.8%인 반면, Nova-3는 약 9.4%를 기록합니다.

배치 전사 비용은 시간당 $0.26입니다. 스트리밍은 시간당 $0.46이지만, 실시간 화자 분리 (diarization)와 함께 300ms 미만의 지연 시간을 제공합니다. 가입 시 제공되는 $200의 무료 크레딧으로 전체적인 평가가 가능합니다.

AssemblyAI

AssemblyAI는 전사 (transcription) 그 이상의 계층을 판매합니다. Universal-2는 화자 분리와 함께 99개 언어를 처리하며, "오디오 인텔리전스 (Audio Intelligence)" 애드온을 통해 작업별로 감성 분석 (sentiment analysis), 개인정보 (PII) 삭제, 주제 탐지 (topic detection), 요약 (summarization) 기능을 추가할 수 있습니다.

단, 가격 정책을 주의 깊게 읽어야 합니다. Nano ($0.12/hour)는 기본적인 전사를 제공합니다. Best ($0.75/hour)는 정확도를 향상시킵니다. 각 애드온은 시간당 $0.02~$0.08씩 추가되므로, 모든 기능을 갖춘 파이프라인을 구축하면 인지하기도 전에 헤드라인 가격의 두 배가 될 수 있습니다.

$50의 크레딧과 185시간의 무료 사용 시간은 테스트를 위한 충분한 여유(runway)를 제공합니다. 회의 보조 도구, 컴플라이언스 (compliance) 워크플로우, 콘텐츠 분석 플랫폼 등 가공되지 않은 텍스트만으로는 부족하여 그 위에 구조화된 지능 (structured intelligence)이 필요한 모든 분야에 적합합니다.

deAPI

deAPI는 소비자급 GPU의 분산 네트워크에서 Whisper Large V3를 실행합니다. 가격은 해당 아키텍처를 반영합니다: 오디오 시간당 $0.021로, 이는 전체 모델 (non-turbo)을 실행하는 호스팅된 Whisper 엔드포인트 중 가장 저렴합니다.

가장 눈에 띄는 특징은 직접 URL 전사 (direct URL transcription) 기능입니다. YouTube, Twitch, TikTok, Kick 또는 X Spaces를 포함한 X의 URL을 전달하면, API가 서버 측에서 오디오 추출을 처리합니다. 이를 통해 yt-dlp → ffmpeg → 형식 변환 (format conversion) → 청킹 (chunking) 파이프라인을 완전히 건너뛸 수 있으며, 이는 가격 차이보다 더 많은 엔지니어링 시간을 절약해 줍니다.

import requests

response = requests.post(
...

단 6줄의 Python 코드입니다. URL을 넣으면 타임스탬프가 포함된 전사 결과가 돌아옵니다. 일반적인 Whisper 파이프라인과 비교해 보십시오: yt-dlp로 비디오를 다운로드하고, ffmpeg로 오디오를 추출하고, 적절한 형식으로 변환하고, 25MB가 넘으면 청킹하고, 업로드하고, 전사한 뒤, 다시 청크들을 하나로 합치는 과정 말입니다. deAPI는 이 전체 체인을 단 한 번의 API 호출로 압축합니다.

또한 이 API는 OpenAI SDK 호환성을 지원하므로, OpenAI의 Whisper 엔드포인트에서 마이그레이션할 때 기존 파싱 (parsing) 로직을 그대로 유지하면서 base_url과 api_key만 변경하면 됩니다.

initial_prompt 파라미터는 OpenAI와 동일하게 작동합니다. 이는 모델이 특정 용어, 고유 명사 및 서식 규칙을 따르도록 유도하는 텍스트 조각입니다.

제한 사항: 배치 (Batch) 방식만 지원하며, 스트리밍 (streaming)이나 화자 분리 (diarization)는 지원하지 않습니다. 10분 길이의 비디오는 보통 30초 이내에 처리됩니다.

OpenAI로부터의 마이그레이션 경로는 여기서 소개하는 어떤 제공업체보다 쉽습니다. 코드 두 줄을 바꾸고, 파싱 로직을 유지하며, 비용을 17배 절감하십시오.

셀프 호스팅 (Self-hosted) (faster-whisper / whisper.cpp)

자체 GPU에서 Whisper를 실행하면 분당 비용이 완전히 사라집니다. faster-whisper는 기존 구현보다 4~10배 빠른 속도를 제공하며, whisper.cpp는 인내심만 있다면 CPU에서도 실행 가능합니다.

클라우드 L4 인스턴스 비용은 제공업체에 따라 시간당 $0.05-0.15 정도입니다. 대량 처리 시에는 사용량과 관계없이 GPU 비용을 지불하므로 시간당 전사 (transcription) 비용이 0에 수렴하게 됩니다.

눈에 보이지 않는 비용은 엔지니어링 시간입니다. GPU 프로비저닝 (provisioning), 25 MB 청킹 (chunking) 로직, 무음 구간에서의 환각 (hallucination) 완화, 배포 유지보수 등 각각의 요소는 결코 완전히 사라지지 않는 작은 프로젝트와 같습니다. 화자 분리 (Diarization)를 구현하려면 pyannote를 별도의 파이프라인으로 결합해야 함을 의미합니다.

월 1,000시간 이상의 작업량이 발생하거나, API 호출이 불가능한 폐쇄망 (air-gapped) 환경에서는 이 방식이 합리적입니다.

기능 비교

기능	OpenAI	Groq	Deepgram	AssemblyAI	deAPI	셀프 호스팅 (Self-hosted)
스트리밍 (Streaming)	✗	✗	✓	✓	✗	DIY
...
두 진영이 나타납니다. Deepgram과 AssemblyAI는 스트리밍, 화자 분리 (diarization), 내장된 오디오 인텔리전스 등 기능 측면에서 경쟁합니다. OpenAI, Groq, deAPI는 Whisper 호환성과 단순성을 두고 경쟁합니다. 셀프 호스팅 (Self-hosting)은 최대의 제어권과 최소한의 관리 지원을 제공하며 독자적인 영역을 구축하고 있습니다.

결정 기준은 명확합니다. 음성 비서와 실시간 자막에는 Deepgram의 스트리밍 기능이 필요합니다. 화자 라벨이 포함된 회의 녹음본에는 AssemblyAI가 필요합니다. YouTube 백로그나 배치 (batch) 작업에는 deAPI 또는 Groq를 사용하여 비용을 대폭 절감할 수 있습니다.

대규모 운영 시 비용: 월 500시간 기준

규모에 대한 맥락 없이는 추상적인 가격 책정이 아무런 의미가 없습니다. 각 플랫폼에서 월 500시간의 전사를 수행할 때 발생하는 비용은 다음과 같습니다.

제공업체	월간 비용 (500시간)
OpenAI	$180.00
...
월 $180 (OpenAI)와 월 $10.52 (deAPI)의 차액으로는 다른 많은 API 호출을 수행할 수 있습니다.

Whisper가 적합하지 않은 경우

Whisper는 수십 개의 언어에 걸쳐 깨끗하거나 중간 정도 품질의 오디오를 배치 (batch) 전사하는 데 탁월합니다. 하지만 특정 시나리오에서는 한계가 나타나기 시작합니다.

8 kHz로 녹음된 **전화 및 콜센터 오디오 (Phone and call-center audio)**는 Whisper의 약점을 드러냅니다. Deepgram Nova-3는 이를 위해 구축되었습니다. 전화 통화 오디오에서의 단어 오류율 (WER)은 Deepgram이 9.4%인 반면, Whisper는 12.8%입니다. 만약 오디오가 전화선을 통해 들어온다면, Deepgram 또는 Speechmatics가 측정 가능한 수준으로 더 나은 결과물을 생성할 것입니다.

**실시간 음성 애플리케이션 (Real-time voice applications)**은 300ms 미만의 지연 시간 (latency)이 필요합니다. 모든 호스팅 제공업체에서 Whisper는 배치 (batch) 전사 전용입니다. 이 분야에서는 Deepgram의 스트리밍 엔드포인트 (streaming endpoint)와 AssemblyAI의 Universal-Streaming이 실행 가능한 옵션입니다.

강한 악센트 및 코드 스위칭 (Code-switching) 시나리오 — 화자가 문장 중간에 언어를 섞어 사용하는 경우 — 는 해당 패턴에 특화되어 훈련된 모델로부터 이점을 얻습니다. Speechmatics와 Deepgram은 일반적인 (vanilla) Whisper보다 이를 더 잘 처리합니다.

그 외의 모든 경우 — 팟캐스트 전사, YouTube 콘텐츠, 회의 녹음, 다국어 배치 처리 — 에는 위에서 언급한 호스팅 옵션 중 어떤 것이든 Whisper Large V3를 통해 작업을 완수할 수 있습니다.

결론

6개의 제공업체, 하나의 모델, 그리고 극명하게 다른 트레이드오프 (trade-offs).

실시간 스트리밍이나 화자 레이블 (speaker labels)이 필요하다면 모든 Whisper 기반 옵션은 제외됩니다. Deepgram 또는 AssemblyAI를 선택하십시오. 만약 입력값이 YouTube, Twitch, 또는 X Spaces URL이라면, **deAPI**가 다운로드-추출-업로드 파이프라인을 건너뛰는 유일한 제공업체입니다. 그리고 비용이 결정 요인이라면, **deAPI ($0.021/hr)와 Groq (~$0.02/hr)**는 OpenAI보다 17배 저렴한 가격으로 동일한 모델을 실행합니다.

전사 품질은 전반적으로 비슷합니다. 이 제공업체들을 가르는 차이점은 그 주변에서 여러분이 수행해야 하는 (혹은 수행하지 않아도 되는) 엔지니어링 작업입니다.

가격은 2026년 6월에 확인되었습니다. 모든 플랫폼은 정기적으로 가격을 업데이트하므로, 현재 요금은 각 문서에서 확인하십시오.

deAPI 시도하기: app.deapi.ai - 가입 시 신용카드 없이 $5 무료 크레딧 제공. /transcribe 엔드포인트는 YouTube, Twitch, TikTok, Kick, 그리고 X URL을 직접 수락합니다.