Kensho

음향 모델과 언어 모델의 학습 데이터는 S&P Global이 표기한 금융 음성이다. 현행 버전 기준 약 30만 시간 규모다. 실적 발표 콜의 표현, 티커, 임원 직함을 추측이 아니라 인식으로 처리한다. 일상 대화용으로 만든 모델은 정확히 이 단어들에서 미끄러진다.

Scribe는 쓰는 동시에 문장 부호를 붙이고, 군더더기와 말하다 만 문장, 반복을 걷어낸다. 결과물은 누군가 한 번 정리한 전사본처럼 읽힌다. 읽는 사람도 뒤단의 자연어 처리도 오디오 잡음을 물려받지 않는다. 리서치 팀에는 이 단계에서 쓸 만한 문서가 되느냐, 생 문자열로 끝나느냐가 갈린다.

별도 모델이 발언 교대를 잡아내고 누가 말하는지 배정한다. 콜 전사본을 읽을 때 재무 책임자의 답변과 진행자의 안내가 한눈에 구분된다. 질의응답에서 여러 사람이 겹쳐 말할 때 이 기능의 무게가 커진다.

오디오나 영상을 POST하면 작업이 시작된다. 파일을 올리는 방식과 Scribe가 직접 받아오는 링크를 넘기는 방식이 있다. 응답에는 작업 ID가 담기고 처리는 뒤에서 진행된다. 이어서 상태를 조회하거나 콜백을 기다린 뒤 결과를 JSON이나 Word로 받는다.

실시간 엔드포인트는 비압축 오디오를 녹음되는 대로 받아 세션 중에 텍스트를 돌려준다. 연결은 최대 5시간, 전송은 실시간의 두 배 속도까지 가능해 회의와 긴 웨비나도 커버한다. 라이브 자막과 회의 중 메모에 맞는 경로다.

기계 출력으로 부족하면 사람 검수를 붙인 형태에서 전문 전사자가 교정과 서식을 맡는다. 우선순위는 계약에 따라 지정하고, 높음·중간·낮음의 납기는 사전에 합의한다. 결과물은 Word 문서로 온다.