CINEVYZE Insight

「행복」을 넣은 포스터를 그려 달라고 했더니, 초록 바탕 한가운데에 이런 글자가 찍혀 나왔습니다. 「おまなちのけします。」 한글이 아니라 일본 히라가나처럼 생긴 문장입니다. 그런데 이 그림을 한국어 설정의 OCR(이미지 속 글자를 읽는 프로그램)에 넣으면 「ㅜ310104바초리」가 나옵니다. 판독에 한글 자모가 섞였으니, 자동 집계는 이 장을 「한글 글자가 나온 그림」으로 셉니다. 무료 로컬 이미지 AI로 한글 제목이 들어간 썸네일을 뽑을 수 있는지 보려고 이번에 두 SDXL 체크포인트로 포스터 72장을 그렸습니다. 짧게 답하면 안 됩니다. 요청한 문구가 정확히 나온 그림은 한글 0장, 영문 1장이었습니다. 원본을 한 장씩 분류해 보니 한글을 요청한 36장 어디에도 한글처럼 생긴 글자가 없었습니다. 이 두 모델로 한글 썸네일을 만든다면 저는 배경만 뽑고 글자는 편집기에서 얹겠습니다. 위 그림은 이 글의 다른 문제도 보여 줍니다. 저는 7월에 같은 주소에 「정답률은 둘 다 0이지만 한글 요청이 글자조차 덜 읽힌다」고 썼습니다. 그 근거가 방금 본 것 같은 OCR 문자 판정이었습니다. 7월에 쓴 결론은 이번에 재현되지 않았습니다 7월 기록(같은 두 체크포인트, 같은 요청문, 같은 생성 설정)에서 요청한 문자 체계의 글자가 OCR에 잡힌 그림은 한글 9장, 영문 23장이었고, 짝지어 비교하면 우연으로 보기 어려운 차이(p=0.0043)였습니다. 이번에는 시드만 새로 뽑아 72장을 다시 그렸습니다. 같은 문자 체계 글자가 읽힌 그림 (각 36장) 한글 요청 영문 요청 짝비교 p 7월 기록 · 한 줄 판독 9 23 0.0043 이번 72장 · 7월과 같은 한 줄 판독 19 14 0.27 이번 72장 · 네 가지 판독 중 가장 가까운 값(빈 값 포함) 20 14 0.15 이번 72장 · 비어 있지 않은 판독 우선(최종 집계) 33 35 0.63 7월과 똑같이 읽어도 방향이 뒤집혔고, 판독 규칙만 바...

백두산 꼭대기 칼데라호의 이름을 물었더니, 9월에 다시 돌린 qwen2.5 7B Q4는 이렇게 답했습니다. 5. 백두산 정상에 있는 화산호의 이름은 청평사이다. 청평사는 절 이름입니다. 정답은 천지입니다. 그럼 메모리를 더 쓰는 Q8은 나았을까요. 7월에 같은 질문을 받은 Q8의 답입니다. 5. 백두산 정상에 있는 화산호(칼데라호)의 이름은 '백조 호수' 또는 '백두산 칼데라 호수'로 알려져 있습니다. 공식 명칭은 아직 확실하지 않으며, (…) 틀린 이름에 "공식 명칭은 확실하지 않다"는 말까지 붙였습니다. 두 버전, 두 달, 답 일곱 개를 통틀어 천지라는 단어는 한 번도 나오지 않았습니다. 16GB 이하 그래픽카드로 qwen2.5 7B를 돌리려는 분이 Q4_K_M과 Q8_0 사이에서 고민한다면, 이번 기록으로 드릴 수 있는 답은 이렇습니다. Q8은 GPU 메모리를 약 1.6배 쓰고 속도는 Q4의 60% 남짓이었지만, 한국사·지리 다섯 문항에서 틀리는 자리는 Q4와 같았습니다. 저라면 Q4_K_M을 받고, 남는 메모리를 Q8에 쓰지 않겠습니다. 다만 두 버전 모두 고유명사를 자신 있게 지어냈으니, 어느 쪽을 쓰든 이름·연도는 따로 확인해야 합니다. 양자화 두 단계, 무엇이 다른가 양자화는 모델 안의 숫자를 낮은 비트 수로 저장하는 방식입니다. Q4_K_M은 4비트대, Q8_0은 8비트로 줄인 버전이고, 7월에 받은 qwen2.5 7B 파일은 Q4_K_M이 4.68GB, Q8_0이 8.1GB였습니다. 비트를 많이 남길수록 원래 모델에 가깝고, 대신 메모리를 더 씁니다. 여기까지는 일반론이고, 궁금한 건 그 차이가 한국어 답에서 실제로 보이느냐입니다. 그래서 세 가지 고정 과제를 두 버전에 똑같이 넣었습니다. 커피 추출 방식에 관한 글을 핵심 5문장으로 요약하기, 중복을 지우고 내림차순 정렬하는 파이썬 함수 짜기, 그리고 한국사·지리 다섯 문항입니다. 다섯 문항 중 두 개는 일부러 틀린 전제를 깔았습니...

흰 바탕에 빨간 원 셋, 파란 원 하나, 파란 네모 둘, 초록 세모 하나가 흩어진 그림을 보여 주고 "이 그림에 빨간색 원은 몇 개 있어?"라고 물었습니다. 로컬 비전 AI qwen2.5vl 7B의 답은 이랬습니다. 이 그림에는 총 4개의 빨간색 원이 있습니다. 세 번 물었고 세 번 모두 같은 문장이었습니다. 같은 그림을 받은 qwen3-vl 8B는 세 번 모두 3개라고 답했는데, 답을 내기 전에 이런 메모를 따로 남겼습니다. 1. Top left: red circle. 2. Middle right: red circle (the one between blue squares). 3. Bottom right: red circle. Wait, let me check again. (…) So three red circles. 내 PC의 무료 로컬 비전 AI로 메뉴판·차트·표 같은 이미지를 읽히려는 분이라면, 두 모델 중 무엇을 받을지와 어떤 질문은 믿으면 안 되는지가 궁금할 겁니다. 이번 결과로 드릴 수 있는 답은 이렇습니다. 또렷하게 인쇄된 글자와 숫자를 읽는 질문은 두 모델 모두 9번 중 9번 맞혔습니다. 개수를 세는 질문에서만 갈렸습니다. qwen2.5vl은 빠르지만 세기를 틀렸고, qwen3-vl은 맞혔지만 답마다 3배쯤 오래 걸렸습니다. 저라면 읽기용은 qwen2.5vl, 세기·비교처럼 틀리면 곤란한 질문은 qwen3-vl로 나누겠습니다. 네 장의 이미지, 네 개의 질문 이미지는 정답을 미리 알 수 있게 직접 만든 합성 그림 4장입니다. 각 이미지에 질문 하나씩을 고정했습니다. 이미지 질문 정답 카페 메뉴판(메뉴 6개와 가격) 가장 비싼 메뉴와 그 가격은? 콜드브루 6,000원 1~6월 매출 막대차트 매출이 가장 높은 달은? 4월(90만원) 두 팀의 국어·영어·수학 점수표 총점이 더 높은 팀과 두 팀 총점은? B팀(A팀 250, B팀 265) 도형 7개가 흩어진 그림 빨간색 원은...

「다음 글의 맞춤법과 띄어쓰기만 고쳐 주세요. 문장 구조와 표현은 바꾸지 말고, 고친 글만 출력해 주세요.」 이 지시와 함께 「박서연 대리님께 다음 주에 뵈요라고 메시지를 보냈다.」가 든 초안을 넣었습니다. 무료 로컬 AI qwen3-vl:8b가 돌려준 문장은 이랬습니다. 박서연 대리님께 다음 주에 뵠요라고 메시지를 보냈다. 「뵈요」의 표준 표기는 「봬요」입니다. 모델은 틀린 글자를 지우고 없는 글자를 넣었습니다. 같은 조건의 다른 회차에서는 「왠만하면 무료 요금제로」가 이렇게 돌아왔습니다. Gwen만하면 무료 요금제로 버티려고 했다. 이 글은 무료 로컬 AI에 한국어 맞춤법 교정이나 문장 다듬기를 맡기려는 독자가 어떤 지시를 쓸지, 결과에서 무엇을 다시 확인할지, 기본 설정 그대로 돌려도 되는지를 정하도록 돕는 기록입니다. 결론부터 말하면 이번 테스트에서 맞춤법만 고치라고 했을 때 심어 둔 오류 50개를 세 번씩, 모두 150자리를 돌려 53자리를 고쳤고 71자리는 그대로 남겼습니다. 다듬어 달라고 했을 때는 30회 중 22회가 반말 초안을 「습니다」체로 바꿨습니다. 그리고 Ollama 서버 기본 설정 그대로는 대부분 빈 답이 나왔습니다. 오류 자리를 정해 두고 60번 교정시켰습니다 7월 첫 기록은 지문 하나를 「자연스럽게 다듬어줘」 지시로 4번 넣은 것이었습니다. 그래서는 모델이 무엇을 고치고 무엇을 놓쳤는지 셀 수 없습니다. 이번에는 자리를 정해 두고 셌습니다. 초안 10개 — 135~232자의 짧은 글입니다. 초안마다 흔히 틀리는 표준 맞춤법 오류를 5개씩 심어 모두 50자리를 만들었습니다. 첫 초안(D01)은 7월에 쓴 지문 그대로입니다. 조건 2개 — ①「맞춤법과 띄어쓰기만 고쳐 주세요. 문장 구조와 표현은 바꾸지 말고…」 ②「이 글을 자연스럽고 매끄럽게 다듬어줘. 의미는 바꾸지 말고.」(7월 지시문 그대로) 반복 3회 — 조건마다 초안 10개를 세 번씩, 모두 60회 돌렸습니다. 온도는 모델 기본값인 1이라 회차마다 답이 ...

「한국은행 만 원권 앞면에 그려진 인물은 누구인가요?」 정답은 세종대왕입니다. 무료 로컬 AI qwen3-vl:8b는 이 질문에 네 번 답했고, 네 번 모두 다른 사람을 댔습니다. 한국은행 만 원권 앞면에 그려진 인물은 이순신 입니다. 한국은행 만 원권(10,000 원권) 앞면에 그려진 인물은 박정희 입니다. … 현재 한국은행 발행의 만 원권은 그의 초상이 앞면에 배치되어 있으며, 이는 2013년 재설계 이후에도 유지되고 한국은행 만 원권(10,000 원권) 앞면에 그려진 인물은 성종 (King Seongjong)입니다. 성종은 조선 Dynasty의 제5대 왕으로, 1468년부터 1495년까지 재위했습니다. 한국은행 만 원권(10,000원권) 앞면에 그려진 인물은 김종숙 (Kim Jong-suk)입니다. … 이 정보는 한국은행 공식 자료 및 역사적 기록에 따르는 내용입니다. 뒤의 두 답은 「모르거나 존재하지 않는 전제가 깔린 질문이면 지어내지 말고 '모른다'고 정직하게 답해 주세요」라는 지시를 붙인 뒤에 나왔습니다. 그 한 줄을 넣고도 「모른다」 대신 재위 연도와 출처까지 붙인 답이 돌아왔습니다. 무료 로컬 AI에 한국 상식이나 역사 질문을 맡길 생각이라면, 답을 그대로 써도 되는 경우와 따로 대조해야 하는 경우부터 갈라 두는 편이 낫습니다. 이번 테스트에서 qwen3-vl:8b는 틀린 전제는 대부분 알아챘지만, 바로잡는 답 안에 또 다른 사실을 지어 넣었습니다. 정직 지시 한 줄은 그 지어냄을 줄였고, 대신 맞는 질문 몇 개를 「모른다」로 버리게 했습니다. 질문 24개를 두 가지 지시로 세 번씩 물었습니다 질문은 두 종류입니다. 하나는 정답이 정해진 한국 상식 12개로, 한글을 만든 왕, 백두산 칼데라호의 이름, 광복절 날짜 같은 것입니다. 정답은 한국민족문화대백과사전과 한국은행 자료로 확인해 문항 파일에 출처와 함께 적었습니다. 다른 하나는 사실과 다른 전제를 깐 함정 12개입니다. 「임진왜란이 발발한 1682년 당시의 국왕...

같은 요약 요청을 넣었는데, 7월에 qwen2.5 7B가 내놓은 답은 이렇게 시작했습니다. 커피의 추출 방식은 드립, 에스프레소, 침지식으로 나分け，并用中文总结为以下五句话： 1. 咖啡的萃取方式决定了即使是同一种咖啡豆也能产生完全不同的口感…… 한국어 문장이 끝나기도 전에 일본어 한 조각을 지나 중국어 요약으로 넘어갔습니다. 이 출력의 한글은 21자, 한자는 373자입니다. 7월에 같은 입력으로 두 번 돌렸고, 그중 한 번이 이랬습니다. 9월에 같은 모델 파일로 같은 요청을 세 번 다시 넣었을 때는 세 번 모두 한국어로 끝까지 답했습니다. 모델은 GPU 메모리 약 4.75GB를 차지했고, 초당 117토큰쯤을 뽑았습니다. 내 PC 그래픽카드로 무료 로컬 AI를 돌려 보려는 분이라면 몇 B짜리 모델까지 GPU에 올라가는지와, 크기를 키우면 얼마나 느려지는지가 궁금할 겁니다. 이번 9월 재측정과 같은 PC의 7월 기록을 합친 답은 이렇습니다. qwen2.5는 7B가 GPU 메모리 약 4.75~4.9GB, 14B가 9.7GB를 썼습니다. 크기가 두 배가 될 때마다 생성 속도는 대략 절반으로 줄었습니다. 저라면 VRAM 8GB 카드에서는 7B, 12GB 이상에서는 14B를 후보로 두겠습니다. 다만 7B에서도 답이 다른 언어로 새는 경우가 있으니 결과 언어는 한 번 훑어봅니다. 9월: 7B를 같은 요청으로 세 번 돌렸습니다 측정 PC의 그래픽카드는 RTX 4070 Ti SUPER(VRAM 16GB)입니다. 로컬 AI 실행 도구 Ollama로 qwen2.5:7b(Q4_K_M 양자화, 약 4.7GB 파일)를 올리고, 커피 추출 방식에 관한 976자 글을 「핵심 5문장으로 요약해 줘. 원문에 없는 내용은 추가하지 마」라는 요청과 함께 순서대로 세 번 넣었습니다. 7월에 쓴 입력과 바이트까지 같은 글입니다. 측정 시점은 2026년 9월입니다. 회차 요청 전체 시간 생성 시간 생성 속도 GPU 메모리 1 5.245초 2.34초 117.45토큰/초...

코드 전용 모델 qwen2.5-coder:7b에게 버그가 있는 함수를 주고 고쳐 달라고 했습니다. 요청은 이랬습니다. 다음 파이썬 함수의 버그를 고쳐줘. 두 딕셔너리의 같은 키 값은 더하고, 한쪽에만 있는 키도 남겨야 해. 입력 left와 right는 바꾸지 않고 새 dict를 반환해. 수정한 함수 코드를 보여줘. ```python def merge_counts(left, right): result = left for key, value in right.items(): result[key] = value return result ``` 첫 번째 답은 코드보다 설명을 먼저 내놓았습니다. 주어진 함수는 right 딕셔너리의 모든 키-값 쌍을 left 딕셔너리에 덮어쓰기 때문에, 같은 키 값은 더해지지 않고 대신 덮어써집니다. 또한, right 딕셔너리에만 있는 키도 left 딕셔너리에 포함되지 않습니다. 두 번째 문장은 틀렸습니다. 원래 코드의 result[key] = value 는 right에만 있는 키도 그대로 넣습니다. 원래 코드의 결함은 값을 더하지 않고 덮어쓴다는 것과, result = left 때문에 입력 left를 직접 바꾼다는 것입니다. 그런데 이 답이 내놓은 코드( left.copy() 로 복사한 뒤 같은 키는 더하는 코드)는 채점 사례 5개를 모두 통과했습니다. 코드는 맞고, 코드 앞의 설명이 틀린 답이었습니다. 내 PC에서 무료 로컬 AI로 짧은 파이썬 함수를 짜려는데 코드 전용 모델을 따로 받아야 하는지 고민이라면, 이번 테스트의 답은 이렇습니다. 범용 모델 gemma3:4b와 코드 전용 qwen2.5-coder:7b 모두 파이썬 과제 3개의 고정 사례 48개를 전부 통과했습니다. 이 범위에서 전용 모델의 정확도 우위는 보이지 않았습니다. qwen2.5-coder가 응답을 더 빨리 끝냈지만, 토큰을 더 빨리 뽑아서가 아니라 답을 짧게 써서였습니다. 저라면 이미 gemma3:4b를 쓰고 있을 때 짧은 함수 작성만을 위해 코드...

시정명령이 몇 건인지 물었습니다. 법 위반 행위에 부과된 시정명령은 몇 건인가요? 검색기는 정답 문장이 든 조각을 1순위로 가져왔습니다. 그 조각 안에는 이 줄이 있습니다. ▸법 위반 행위(537개 기관)에 대해 과징금·과태료 1,997억원, 시정명령 259건 부과 모델의 답은 이랬습니다. 537건 기관 수에 「건」을 붙인 답입니다. 정답 259건은 같은 문장 안에 있었죠. 조각 3개를 넘기는 조건에서 세 번 물었고, 세 번 다 537건이었습니다. 조각을 6개로 늘리자 세 번 다 259건으로 바뀌었습니다. 그럼 조각을 늘리면 될까요. 반대 방향도 나왔습니다. 표본 설계 표에서 허용오차 1.0에 대응하는 표본 크기를 물은 질문입니다. 조각 3개일 때는 세 번 모두 정답인 6,436을 답했습니다. 6개일 때는 세 번 모두 6,500이었습니다. 두 조건 모두 같은 조각이 1순위였고, 그 조각에는 표의 6,436과 바로 뒤 「최종 표본의 크기는 허용오차가 1.0% 내외가 되도록 6,500개로 결정함」이 나란히 있습니다. 내 PC에서 무료로 문서 질의응답을 꾸리려 한다면, 몇 조각을 넘길지와 어떤 답을 그대로 믿을지부터 정해야 합니다. 이번 228회에서 조각 3개 조건은 답이 있는 질문 96회 중 81회를 맞혔습니다. 6개로 늘린 조건은 74회였습니다. 조각 수를 바꾸면 고쳐지는 답과 틀어지는 답이 함께 나왔고, 검색이 정답 문장을 못 가져온 질문은 조각을 늘려도 그대로 남았습니다. 스캔 PDF는 점수에 잡히지도 않았습니다 넣은 문서는 넷입니다. 개인정보보호위원회 2025년 업무계획 PDF, 2024 정보보호 실태조사 보고서 PDF, 1996년 관보를 스캔한 PDF, 개인정보위 보도자료 HWPX 파일. 모두 공공기관이 공개한 자료입니다. 첫 단계인 텍스트 추출에서 관보가 사라졌습니다. 21,510KB짜리 스캔 PDF에서 pdftotext가 꺼낸 글자는 0자였습니다. 이 실패는 아래 어느 점수에도 나타나지 않습니다. 관보에서 답을 찾는 질문을 이...

「코딩 없이 웹 자동화」 도입부를 부탁한 응답의 마지막 문단입니다. 저 역시 ‘코딩 없이 웹 자동화’ 기술을 통해 업무 효율성을 높이는 데 큰 도움을 받고 있으며, 여러분도 ‘클릭반복’을 통해 시간과 노력을 절약하고 원하는 목표를 달성할 수 있을 거라고 확신합니다. 요청에 넣은 글감 메모에는 이 서비스를 사용한 경험이 한 줄도 없습니다. 반복 클릭 녹화, 윈도우 전용, 무료 10단계, 연 59,000원, 실행 예약. 그게 전부였고, 프롬프트 첫 줄은 「아래 글감 메모만 사용해」였습니다. 이 문단을 그대로 블로그에 올리면 글쓴이가 해 보지 않은 경험을 해 본 것처럼 적는 셈이 됩니다. 다른 응답은 방향이 반대였습니다. 이러한 문제점을 해결하기 위해, 저희가 준비했습니다. 회의록 요약 앱 도입부입니다. 블로그 글을 부탁했는데 서비스를 만든 회사처럼 말합니다. 무료 로컬 AI에 블로그 글 조각을 맡기려 한다면, 어디까지 맡기고 발행 전에 무엇을 손으로 고칠지부터 정해야 합니다. 이번 테스트에서 gemma3:4b는 메모에 적힌 숫자를 벗어나지 않았습니다. 180회 가운데 메모 밖 숫자가 나온 회차는 한 번도 없었습니다. 어긴 쪽은 분량과 말투입니다. 도입부 60편 가운데 요청한 글자 수 안에 든 것은 없었고, 19편에는 「저희」나 「저 역시」 같은 1인칭 표현이 들어갔습니다. 1인칭 19편을 하나씩 읽었습니다 1인칭 표현은 채점기가 표면 표지로만 찾습니다. 「저희」, 「저 역시」, 「제가」 같은 말이 들어갔는지까지만 봅니다. 그래서 걸린 19편을 원문으로 다시 읽고 나눴습니다. 16편은 업체 말투였습니다. 「저희가 준비했습니다」, 「저희 자막뚝딱은」처럼 서비스를 만든 쪽의 목소리로 소개합니다. 2편은 경험을 지어냈습니다. 맨 위의 「저 역시 … 큰 도움을 받고 있으며」, 그리고 맞춤법 검사 도입부의 「저 역시 종종 그런 순간들을 경험하며 답답함을 느꼈습니다」입니다. 1편은 불분명했습니다. 「저희가 소개하고자 하는 서비스」는 소개하는 사람의...

깨끗하게 인쇄한 한국어 문단을 무료 OCR에 넣었더니 이런 줄이 나왔습니다. 누구나 무료로 쓸 수 있는 00 도구가 이미지 속 한국어 글자를 테스트 문장에는 숫자 1234 와 영문 단어 시 , 그리고 여러 원래 문장은 「OCR 도구가」, 「숫자 1,234와 영문 단어 AI,」입니다. 한글은 한 글자도 안 틀렸습니다. 틀린 곳은 영어 두 단어와 숫자의 쉼표였습니다. 이미지 속 한국어를 무료로 텍스트로 옮기려는 분이라면 Tesseract를 한국어 설정 그대로 써도 되는지, 어디를 다시 봐야 하는지가 궁금할 겁니다. 이번 테스트의 답은 이렇습니다. 한글만 있는 인쇄체라면 깨끗한 이미지에서 거의 그대로 읽습니다. 영어 단어가 섞이면 한국어 설정으로는 한 번도 못 읽었고, 숫자의 쉼표·마침표는 점수에 잡히지 않은 채 바뀌었습니다. 저라면 한글 위주 캡처는 Tesseract에 맡기고, 영어·숫자가 섞인 부분만 원본과 눈으로 대조하겠습니다. 같은 문단을 여섯 가지로 망가뜨려 읽혔습니다 비교 기준이 있어야 하니 정답을 아는 이미지로 시험했습니다. 한국어 문장 세 개(숫자 1,234, 영문 단어 OCR·AI, 쉼표·마침표 포함)를 인쇄체로 그린 뒤, 같은 문단을 여섯 가지 상태로 만들었습니다. 깨끗한 인쇄체(기준) 작은 글씨(13px, 이미지 폭 382px) 저해상도(0.28배로 줄였다가 다시 키움) 흐림(가우시안 블러 2.8) 픽셀 노이즈(σ48) 기울기(11°) 읽힌 도구는 무료 오픈소스 OCR인 Tesseract 5.5.0이고, 한국어 언어 데이터(kor)만 켰습니다. 줄 단위로 읽는 설정(--psm 6)과 신경망 인식 엔진(--oem 1)을 썼고, GPU 없이 CPU로 돌렸습니다. 조건마다 한 번씩, 모두 6번 읽혔습니다. 측정 시점은 2026년 9월입니다. 점수는 두 가지입니다. 글자 오류율(CER) 은 정답 122자(띄어쓰기 제외) 중 몇 자를 고치면 정답이 되는지, 단어 오류율(WER) 은 44개 단어 중 몇 개가 틀렸는지입니다. ...

다리 공사 이야기를 읽은 사람 목소리를 Whisper에 넣었더니 첫 줄이 이렇게 나왔습니다. 다리 및 수직 간격은 15m 이며, … 델포트로가 2세트에서 먼저 어드벤티즈 를 얻었지만, 6대6 이 된 후 … 정답은 「다리 밑 수직 간격은 15미터 이며」, 「먼저 어드밴티지 를 얻었지만 6 대 6 이 된 후」입니다. 네 군데가 다른데 성격이 다릅니다. 「밑」을 「및」으로 들은 것은 오청취입니다. 「15미터」를 「15m」로, 「6 대 6」을 「6대6」으로 쓴 것은 뜻이 같은 다른 표기입니다. 음성 메모나 녹음을 무료로 한국어 텍스트로 옮기려는 분이라면, GPU 없는 PC에서 Whisper를 돌려도 되는지와 결과를 어디까지 믿어도 되는지가 궁금할 겁니다. 이번 테스트의 답은 이렇습니다. Whisper large-v3는 CPU만으로 깨끗한 한국어 낭독을 글자 오류율 1.8%로 받아썼습니다. 1분 음성에 약 35초가 걸렸습니다. 정답과 달라진 곳 대부분은 띄어쓰기와 숫자 표기였고, 실제로 다르게 들은 곳은 175단어 중 5곳이었습니다. 저라면 녹음 받아쓰기 초안은 large-v3에 맡기고, 조사와 외래어 고유명사만 골라 다시 듣겠습니다. 사람이 읽은 한국어 음성 6클립을 받아쓰게 했습니다 정답이 있는 음성이어야 틀린 곳을 셀 수 있습니다. 그래서 구글이 공개한 다국어 음성 데이터셋 FLEURS (CC BY 4.0)의 한국어 테스트 세트에서 사람이 문장을 읽은 녹음 12개(정렬 순서 앞 12개)를 썼습니다. 두 개씩 이어 붙여 20~30초짜리 클립 6개를 만들었습니다. 합치면 143.4초입니다. 짧은 음성 메모처럼 말이 이어지는 상황에 가깝게 만든 구성입니다. 받아쓰기는 무료 오픈소스 음성인식 모델 Whisper의 가장 큰 크기인 large-v3로 했습니다. faster-whisper 1.2.1로 GPU 없이 CPU에서 돌렸고, 계산 정밀도는 int8, 언어는 한국어(ko)로 고정했습니다. 클립마다 한 번씩, 모두 6번입니다. 측정 시점은 2026년 9월입...