받아쓰기가 갑자기 20억 달러짜리 사업이 된 이유

AI 음성 입력 스타트업 **위스퍼 플로우(Wispr Flow)**가 8월 17일 2억 8000만 달러 시리즈B를 공식 발표했어. 멘로벤처스가 주도했고 밸류에이션은 20억 달러야. 누적 투자 유치액은 3억 6100만 달러가 됐어.

기존 투자자인 노터블캐피털, NEA, 네오벤처스, 8VC, MVP벤처스가 추가로 들어왔고, 애크루와 포러너 같은 신규 투자자도 합류했어.

여기서 잠깐 멈춰서 생각해볼 필요가 있어. 받아쓰기 앱이야. 말하면 글자로 바꿔주는 것. 이 기능은 십수 년 전부터 아이폰에도, 안드로이드에도, 윈도우에도 들어 있었어. 심지어 공짜였고. 그런데 그걸 하는 회사가 20억 달러 밸류에이션을 받았어.

답은 두 가지 변화에 있어. 첫째, 기술이 실제로 쓸 만해졌어. 둘째, 타이핑해야 할 양이 폭발적으로 늘었어.

등장인물 정리 — 받아쓰기의 오랜 실패, 그리고 LLM

음성 인식 자체는 오래된 기술이야. 문제는 늘 정확도가 아니라 정확도가 떨어지는 순간의 비용이었어.

받아쓰기가 95% 정확하다고 해보자. 좋은 숫자처럼 들리지. 그런데 100단어를 말하면 5개가 틀려. 그 5개를 찾아서 고치려면 텍스트를 다시 읽고, 커서를 옮기고, 지우고, 다시 쳐야 해. 말하는 시간보다 고치는 시간이 더 걸리는 지점이 생겨. 그래서 대부분의 사람이 받아쓰기를 몇 번 써보고 포기했어.

여기에 실제 환경 문제가 겹쳐. 조용한 방에서 또박또박 말하면 잘 되는데, 카페에서, 걸어가면서, 에어컨 소리 나는 사무실에서, 억양이 강한 영어로 말하면 정확도가 급격히 떨어져. 데모 환경과 실사용 환경의 격차가 이 분야의 고질적인 문제였어.

LLM이 이 판을 바꿨어. 음성을 텍스트로 바꾼 다음, 그 텍스트를 언어 모델이 한 번 더 다듬는 구조가 가능해진 거야. "어... 그러니까 내일 회의를... 아니 모레 회의를 3시로 옮겨줘"라고 말하면, 예전에는 이 말이 그대로 찍혔어. 지금은 군더더기를 걷어내고 자기 수정까지 반영해서 정돈된 문장으로 만들어줘. 받아쓰기가 '들은 대로 적는 것'에서 '의도를 정리하는 것'으로 성격이 바뀐 거야.

**위스퍼 플로우가 이번에 공개한 자체 모델이 칸토(Canto)**야. 회사는 시끄러운 환경에서의 단어 오류율을 30% 이상에서 5~10%로 낮췄다고 밝혔어. 배경 소음, 바람 소리, 강한 억양 같은 실제 조건을 겨냥한 개선이야. 이 숫자가 사실이라면 앞서 말한 "고치는 게 더 오래 걸리는" 지점을 넘어선다는 뜻이야.

자체 모델을 만든다는 결정 자체도 신호야. 지금 대부분의 음성 앱은 오픈AI의 위스퍼(Whisper)나 다른 상용 API 위에 얹혀 있어. 그건 빠르게 제품을 만들 수 있지만 차별화가 어렵고 원가를 통제할 수 없어. 자체 모델을 만들면 지연시간과 원가를 직접 조절할 수 있고, 무엇보다 자사 사용자의 실제 음성 데이터로 개선 루프를 돌릴 수 있어.

두 번째 변화가 더 중요해. 써야 할 글이 늘었어. AI 에이전트에게 일을 시키려면 말로 설명해야 해. 코드를 짤 때도, 문서를 만들 때도, 리서치를 시킬 때도 프롬프트가 길어질수록 결과가 좋아져. 그런데 사람의 타이핑 속도는 분당 40~60단어 정도에서 멈춰 있어. 말하는 속도는 분당 150단어야. 에이전트 시대에 키보드가 병목이 된 거야.

멘로벤처스가 이번 투자에서 내세운 논지가 정확히 이거야. 텍스트 상자가 죽는다는 것. 입력 방식이 타이핑에서 음성으로 넘어간다는 베팅이야.

노트테이커로의 확장도 같은 논리야. 받아쓰기는 한 사람이 자기 생각을 입력하는 행위인데, 회의 전사는 여러 사람의 대화를 기록하는 행위야. 기술 스택은 상당 부분 겹치지만 시장 크기와 구매 주체가 달라. 받아쓰기는 개인이 사서 쓰고, 회의 전사는 회사가 팀 단위로 결제해. 개인 도구에서 기업 소프트웨어로 넘어가는 전형적인 확장 경로이고, 20억 달러라는 밸류에이션은 받아쓰기 시장만으로는 설명되지 않아. 투자자들이 값을 매긴 대상은 그다음 시장이야.

숫자 정리

항목 수치
이번 라운드 2억 8000만 달러 (시리즈B)
밸류에이션 20억 달러
누적 조달 3억 6100만 달러
주도 멘로벤처스
누적 입력 단어 600억 단어 이상
기업 고객 1만 개 이상, 포춘 500대 기업 대부분
매출 성장 분기당 150% 이상
칸토 오류율 시끄러운 환경 30%+ → 5~10%

600억 단어라는 숫자가 이 회사의 실체를 가장 잘 보여줘. 매출이나 사용자 수보다 이게 더 정직한 지표야. 사람이 실제로 말해서 입력한 분량이거든. 한 사람이 하루에 1,000단어를 입력한다고 치면 6,000만 사용자-일에 해당하는 규모야.

분기당 150% 성장은 눈에 띄는 숫자지만 기준선을 봐야 해. 작은 숫자에서 시작하면 이 정도 성장률은 나오기 쉬워. 절대 매출액은 공개되지 않았어.

기업 고객 1만 개라는 숫자도 성격을 봐야 해. 생산성 도구는 개인이 먼저 쓰고 회사가 나중에 결제하는 상향식 확산 경로를 타는 경우가 많은데, 그 과정에서 "고객사"의 정의가 넓어져. 한 회사에서 세 명이 개인 계정으로 쓰는 것도 집계될 수 있어.

지연시간도 이 제품군에서는 결정적인 변수야. 말이 끝난 뒤 텍스트가 뜨기까지 1초가 걸리는 것과 0.2초가 걸리는 것은 체감이 완전히 달라. 사람은 자기 말이 화면에 나타나는 걸 보면서 다음 문장을 구성하는데, 그 간격이 벌어지면 사고 흐름이 끊겨. 자체 모델을 만드는 이유 중 하나가 여기 있어. 남의 API를 쓰면 지연시간을 직접 조절할 수 없거든. 정확도만큼이나 응답 속도가 제품의 완성도를 결정하는 영역이야.

각자의 이득 — 이 시장에서 누가 뭘 가져가나

사용자가 얻는 건 속도야. 특히 긴 프롬프트를 자주 쓰는 사람에게는 차이가 커. 코딩 에이전트에게 요구사항을 설명하거나, 리서치 지시를 내리거나, 긴 이메일 초안을 만들 때 말로 하면 확실히 빨라. 손목이 아픈 사람이나 타이핑이 불편한 조건에 있는 사람에게는 접근성 문제이기도 해.

회사가 얻는 건 데이터 해자야. 600억 단어의 입력 기록은 단순한 음성 데이터가 아니야. 사람들이 어떤 맥락에서 어떻게 말하는지, 어떤 자기 수정을 하는지, 어떤 전문 용어를 쓰는지가 담겨 있어. 칸토 같은 자체 모델을 학습시킬 때 이건 직접적인 자산이야. 다만 그 데이터가 사용자 것이라는 점은 별개의 논점이야.

멘로벤처스가 얻는 건 입력 계층에 대한 포지션이야. 지금 AI 투자에서 모델 계층과 애플리케이션 계층은 이미 붐볐어. 반면 "사람이 컴퓨터에 뭔가를 넣는 방식"이라는 계층은 상대적으로 비어 있어. 여기서 표준이 되면 그 위에 뭐가 올라오든 통행세를 받는 위치가 돼.

기업 IT 입장은 복잡해. 생산성 향상은 명확한데, 음성 데이터가 외부로 나간다는 게 걸려. 회의 내용, 고객 정보, 미공개 사업 계획이 음성으로 입력되면 그게 어디로 가서 어떻게 저장되는지가 컴플라이언스 문제가 돼. 특히 회의 전사 도구인 **노트테이커(Notetaker)**로 확장하면 이 문제는 더 커져. 회의 전사는 받아쓰기와 달리 말한 사람의 동의 범위가 애매해지거든.

투자자 구성에도 읽을 거리가 있어. 기존 투자자 다섯 곳이 추가로 들어왔다는 건 내부 정보를 가진 쪽이 계속 베팅했다는 뜻이야. 반대로 신규 투자자 중 포러너는 소비재 브랜드 투자로 알려진 곳이고, 애크루도 소비자 접점 제품에 강해. 이 조합은 이 회사를 순수 개발자 도구가 아니라 일반 사용자용 제품으로 보고 있다는 신호로 읽혀.

경쟁 앱들에게는 압박이야. 이 영역에는 오터, 그래놀라, 슈퍼위스퍼, 맥위스퍼 같은 도구가 이미 있어. 자본 규모가 20억 달러 밸류에이션 회사와 붙으면 마케팅과 모델 개발 양쪽에서 밀려. 다만 이 시장은 전환 비용이 낮아서 더 나은 도구가 나오면 사용자가 쉽게 옮겨.

접근성 관점에서의 의미도 짚어둘 만해. 반복성 긴장 장애나 손목 통증으로 타이핑이 어려운 사람, 운동 장애가 있는 사람에게 음성 입력은 편의 기능이 아니라 필수 도구야. 그동안 이 영역의 도구들은 정확도가 낮거나 비싸거나 둘 다였어. 주류 시장에서 경쟁이 일어나 품질이 올라가면 그 혜택이 접근성 사용자에게도 돌아가. 다만 강한 억양이나 비표준 발화 패턴에 대한 인식률은 여전히 검증이 필요한 영역이야.

과거 유사 사례 — 입력 방식 전환의 역사

드래곤 내추럴리스피킹이 원조야. 1990년대 후반부터 음성 받아쓰기를 상용화했고, 의료·법률 분야에서 실제로 자리를 잡았어. 이 사례가 중요한 이유는 성공한 시장이 좁았다는 점이야. 의사가 진료 기록을 구술하는 것처럼, 원래 말로 하던 일을 자동화하는 곳에서만 통했어. 원래 타이핑하던 일을 음성으로 바꾸는 데는 실패했지.

시리와 음성 비서들의 정체도 참고할 만해. 2011년 시리 등장 이후 음성 인터페이스가 컴퓨팅을 바꿀 거라는 예측이 쏟아졌는데, 실제로는 타이머 설정과 음악 재생 정도에서 멈췄어. 이유는 인식률이 아니라 할 수 있는 일의 범위였어. 말은 알아들었는데 그다음에 할 수 있는 게 별로 없었던 거야. 지금은 LLM이 그 뒤를 받쳐서 상황이 달라졌어.

구글 글래스와 웨어러블의 실패는 다른 교훈을 줘. 기술이 되더라도 공공장소에서 말하는 것에 대한 사회적 저항이 있다는 점이야. 사무실에서 옆자리 동료가 하루 종일 말로 문서를 쓰면 어떻게 될까. 음성 입력이 개인 공간에서는 잘 통해도 공유 공간에서는 마찰이 생겨. 위스퍼 플로우의 성장이 재택근무 확산과 겹친다는 점은 우연이 아닐 수 있어.

성공 사례로는 스마트폰 자판의 전환을 볼 만해. 물리 키보드에서 터치 자판으로 넘어갈 때도 "정확도가 떨어져서 못 쓴다"는 반발이 컸어. 그걸 넘긴 건 자동완성과 오타 교정이었어. 입력 자체의 정확도를 높인 게 아니라, 틀려도 되게 만든 것이 전환점이었어. 지금 LLM이 받아쓰기에서 하는 역할이 정확히 그거야.

경쟁자 카운터 플레이

애플과 구글이 가장 큰 구조적 위협이야. 둘 다 운영체제에 받아쓰기를 기본 탑재하고 있고, 온디바이스 처리로 프라이버시 우위까지 주장할 수 있어. 기본 기능이 "충분히 좋아지는" 순간 별도 앱을 쓸 이유가 줄어. 위스퍼 플로우가 자체 모델을 만들고 회의 전사로 확장하는 건 이 위협에 대한 대응으로도 읽혀. 기본 기능이 따라오기 어려운 곳으로 계속 이동하는 전략이야.

오픈AI의 위치도 미묘해. 위스퍼를 오픈소스로 풀어서 이 시장의 진입 장벽을 낮춘 게 오픈AI야. 동시에 챗GPT에 음성 모드를 넣어 직접 경쟁하기도 해. 오픈AI가 음성 입력을 시스템 수준 기능으로 밀면 별도 앱의 자리가 좁아져.

오터·그래놀라 같은 회의 도구는 반대 방향에서 접근해. 회의 전사에서 시작해 일상 입력으로 넓히려는 시도지. 위스퍼 플로우가 노트테이커로 들어가면 정면 충돌이야.

코딩 도구 쪽에서도 겹침이 생겨. 이번 주 프로덕트헌트에 올라온 얼라우드(Aloud) 같은 도구는 화면을 가리키며 말한 피드백을 코딩 에이전트 작업으로 바꿔줘. 온디바이스 위스퍼를 써서 음성이 기기 밖으로 안 나간다는 점을 내세우고. 음성 입력이 범용 도구로 갈지, 용도별로 특화될지가 아직 갈리지 않았어.

하드웨어 제조사들의 온디바이스 전략도 변수야. 최근 노트북과 스마트폰에 들어가는 NPU 성능이 올라가면서, 음성 인식을 클라우드로 보내지 않고 기기에서 처리하는 게 현실적인 선택지가 됐어. 온디바이스로 돌리면 프라이버시 문제가 크게 줄고 지연시간도 짧아져. 다만 기기에서 돌릴 수 있는 모델 크기에는 한계가 있어서, 시끄러운 환경에서의 정확도는 클라우드 모델이 아직 유리해. 이 균형이 어느 쪽으로 기우느냐가 이 시장의 구조를 바꿀 수 있어.

한국어 시장은 별도 이야기야. 위스퍼 플로우를 포함한 대부분의 음성 입력 도구가 영어 중심으로 최적화돼 있어. 한국어는 조사와 어미 처리, 영어 혼용, 존댓말 변환 같은 문제가 겹쳐서 난이도가 다르고, 국내 사용자 입장에서는 체감 정확도가 발표 수치와 다를 수 있어.

하드웨어 쪽 움직임도 겹쳐 있어. 최근 몇 년 사이 AI 전용 웨어러블과 음성 우선 기기를 시도한 회사들이 여럿 있었는데 대부분 시장에 안착하지 못했어. 실패 원인 중 공통된 것이 음성만으로는 확인과 수정이 어렵다는 점이었어. 화면이 있으면 결과를 눈으로 보고 바로 고치는데, 음성만 있으면 그게 안 돼. 위스퍼 플로우가 기기가 아니라 기존 화면 위의 입력 계층으로 접근한 건 그 교훈을 반영한 배치로 볼 수 있어.

그래서 뭐가 달라지는데

AI 도구를 많이 쓴다면 음성 입력을 한 번 진지하게 시험해볼 시점이야. 판단 기준은 간단해. 말한 뒤 고치는 시간이 처음부터 타이핑하는 시간보다 짧은가. 이 선을 넘으면 워크플로가 바뀌고, 못 넘으면 그냥 신기한 기능이야. 며칠 써보면 자기 환경에서 어느 쪽인지 금방 알 수 있어.

개발자라면 긴 프롬프트를 쓰는 작업에서 효과가 가장 커. 코딩 에이전트에게 요구사항을 설명하는 건 원래 문장으로 하는 일이고, 이건 음성에 잘 맞아. 반대로 코드 자체를 음성으로 입력하는 건 여전히 비효율적이야. 기호와 들여쓰기가 많은 텍스트는 말로 표현하기 나빠.

팀을 운영한다면 도입 전에 두 가지를 정해야 해. 하나는 데이터 처리 경로야. 음성이 어디로 가고 얼마나 보관되는지 확인해야 해. 다른 하나는 물리적 공간이야. 개방형 사무실에서 여러 명이 동시에 음성 입력을 쓰면 소음 문제가 생겨.

투자자라면 확인할 지점은 성장률이 아니라 유지율이야. 생산성 도구는 초기 채택이 빠른 대신 이탈도 빨라. 특히 이 카테고리는 "몇 번 써보고 안 쓰게 되는" 전형적인 패턴이 있어. 600억 단어라는 누적 지표는 인상적이지만, 그게 소수의 헤비 유저에서 나온 건지 넓은 사용자층에서 나온 건지는 공개되지 않았어.

콘텐츠를 만드는 일을 한다면 음성 입력은 초고 작성 단계에서 가장 잘 맞아. 완성된 문장을 만들려 하지 말고 생각나는 대로 말한 뒤 편집하는 방식이 효율적이야. 말로 뱉은 초고는 구조가 느슨한 대신 양이 빨리 쌓이고, 다듬는 건 어차피 별도 작업이거든. 반대로 정확한 표현이 중요한 최종 원고 단계에서는 키보드로 돌아가는 게 나아. 단계별로 도구를 나누는 게 현실적인 사용법이야.

음성 AI 분야에 있다면 이번 라운드는 시장 기준선을 올렸어. 자체 모델을 갖는 것이 차별화 요건이 됐고, 회의 전사 같은 인접 영역으로의 확장이 기본 전략이 됐어. API 위에 UI만 얹은 제품은 자리를 지키기 어려워지는 방향이야.

🥄 남은 궁금증 세 가지

— 아이폰 받아쓰기랑 뭐가 달라? 차이는 인식 후 처리야. 기본 받아쓰기는 들린 대로 적어주는 데 가까운데, 이런 도구들은 언어 모델이 한 번 더 다듬어서 군더더기와 자기 수정을 정리해줘. 그리고 시끄러운 환경에서의 오류율이 실사용 만족도를 크게 좌우하는데, 위스퍼 플로우가 자체 모델 칸토로 겨냥한 게 정확히 그 지점이야. 다만 이 차이가 유료를 낼 만한지는 사용 빈도에 따라 갈려.

— 내 음성 데이터는 어디로 가? 이건 도입 전에 직접 확인해야 할 사항이야. 음성 입력 도구는 성격상 민감한 내용이 그대로 지나가고, 회의 전사로 확장되면 다른 사람의 발언까지 포함돼. 회사 정책, 보관 기간, 학습 데이터 사용 여부를 약관에서 확인하는 게 좋아. 온디바이스 처리를 내세우는 대안 도구들도 있어.

— 정말 타이핑이 사라져? 그렇게까지 가긴 어려울 것 같아. 음성이 유리한 건 긴 산문을 빠르게 쏟아낼 때고, 정밀한 편집이나 기호가 많은 입력에는 여전히 키보드가 나아. 공유 공간에서 소리 내어 말하기 어렵다는 현실적 제약도 있고. 타이핑을 대체하기보다 긴 입력이 필요한 상황에서 선택지가 하나 늘어나는 쪽에 가까워.

참고 자료

숫자와 기준은 발표 시점 기준이라 바뀔 수 있어. 투자 판단은 각자의 몫!