Turning PDFs Into Audiobooks: When It Works and When It Doesn't \u2014 PDF0.ai

나는 내가 접근성을 지난 3년 동안 잘못 이해하고 있었다는 것을 깨달았던 순간을 아직도 기억한다. 나는 포틀랜드의 한 커피숍에 앉아 있었고, 한 시각장애 대학원생이 그녀의 전화로 PDF 교과서를 다루는 데 어려움을 겪는 모습을 지켜보았다. 화면 읽기 프로그램은 계속해서 "이미지 47, 이미지 48, 이미지 49"라고 알리며, 그녀의 대학이 "디지털화"한 200달러짜리 생물학 교과서의 페이지 스캔을 읽고 있었다. 그녀는 결국 포기하고 낯선 사람에게 섹션을 소리 내어 읽어 달라고 요청했다. 그 낯선 사람이 바로 나였고, 그 대화는 내가 문서 접근성에 대해 생각하는 방식을 영원히 바꿔 놓았다.

나는 사라 첸이며, 지난 8년 동안 디지털 접근성 컨설턴트로 일하며 인디 출판사에서 포춘 500대 기업까지 다양한 사람들과 작업해왔다. 그 전에 나는 2018년에 인수된 텍스트-음성 변환 스타트업에서 소프트웨어 엔지니어로 일했다. 나는 개인적으로 12,000개 이상의 PDF를 다양한 오디오 형식으로 변환했으며, 이 과정이 뛰어나게 성공할 수 있는 모든 방법과 극적으로 실패할 수 있는 방법을 보았다. PDF를 오디오북으로 변환하는 것에 대한 진실은 대부분 사람들이 인식하는 것보다 훨씬 더 미묘하며, 이러한 뉘앙스를 이해하는 것은 수백 시간과 수천 달러를 절약할 수 있다.

최근 5년 간 PDF-오디오북 시장은 폭발적으로 성장했다. 오디오출판협회에 따르면, 2023년 오디오북 판매는 18억 달러에 달했으며, 이는 전년 대비 9% 증가한 수치이다. 한편, 전 세계적으로 매일 약 22억 개의 PDF가 생성된다. 이 두 가지 추세의 교차점은 변환 도구와 서비스에 대한 엄청난 수요를 생성했다. 그러나 아무도 이야기하지 않는 점이 있다: 약 60%의 PDF는 근본적으로 직접 오디오 변환에 부적합하며, 또 다른 25%는 들을 수 있는 결과를 내기 위해 상당한 수작업 개입이 필요하다.

PDF의 세 가지 유형과 그 중요성

모든 PDF가 동일하게 만들어지지는 않으며, 변환을 시도하기 전에 이해해야 할 첫 번째 사항이다. 나의 작업에서 나는 PDF를 세 가지 뚜렷한 유형으로 분류하는데, 각 유형은 매우 다른 변환 가능성을 가지고 있다.

첫째, 텍스트 기반 PDF가 있다 — 텍스트가 실제로 선택 가능하고 검색 가능한 문서이다. 이러한 PDF는 워드 프로세서, 디자인 소프트웨어 또는 웹 페이지에서 직접 생성된다. PDF에서 텍스트를 강조하거나 복사할 수 있을 때, 이것이 바로 이 유형이다. 이들은 내가 전문 환경에서 만나는 PDF의 약 40%를 차지하며, 오디오 변환의 골드 표준이다. 텍스트는 이미 디지털로 인코딩되어 있어, 텍스트-음성 변환 엔진이 어떤 광학 문자 인식(OCR) 단계 없이 직접 읽을 수 있다.

둘째, 이미지 기반 PDF가 있다 — 본질적으로 PDF 파일로 저장된 물리적 문서의 사진이나 스캔이다. 이는 스캔된 책, 촬영된 영수증 또는 디지털화된 기록 등을 포함할 수 있다. 이러한 문서의 "텍스트"는 실제 텍스트 데이터가 아닌 이미지의 픽셀일 뿐이다. 이러한 변환은 먼저 OCR 기술이 필요하며, 이는 잠재적인 문제를 일으키는 전체 연쇄를 도입한다. 내가 경험한 바에 따르면, 이러한 것들은 약 35%의 PDF를 차지하며, 약 80%의 변환 문제의 원인이다.

셋째, 하이브리드 PDF가 있다 — 선택 가능한 텍스트와 그 안에 텍스트가 있는 이미지가 내장된 문서이다. 차트, 그래프 및 정보 상자가 포함된 비즈니스 보고서를 생각해 보라. 이들은 가장 까다로운데, 자동화 도구는 종종 본문 텍스트와 보조 시각 요소를 구별하지 못한다. 내가 추정하기로 이들은 약 25%의 PDF를 차지하며, 성공적으로 변환하기 위해 가장 많은 인간의 판단이 필요하다.

나는 한 의학 출판사와 작업한 적이 있는데, 그들은 300종 이상의 교과서를 오디오로 변환하고 싶어 했다. 그들은 이것이 간단한 일괄 처리 과정이라고 가정했다. 내가 그들의 파일을 분석했을 때, 180개가 복잡한 도표가 있는 하이브리드 PDF, 90개가 1990년대의 이미지 기반 스캔, 그리고 오직 30개만이 깨끗한 텍스트 기반 문서였다. 프로젝트 일정은 예상했던 2개월에서 14개월로 연장되었고, 예산은 세 배로 증가했다. 미리 PDF 유형을 이해하는 것은 단지 도움이 되는 것이 아니라, 현실적인 계획을 위해 필수적이다.

PDF-오디오 변환이 아름답게 작동하는 경우

이상적인 시나리오를 그려 보겠다. 작년, 나는 75,000단어 소설을 PDF 형식으로 자가 출판한 독립 작가와 작업했다. 그녀는 Adobe InDesign을 사용하여 제대로 태그한 상태로 내보냈고, 깔끔하고 선형적인 텍스트 흐름을 유지했다. 문서에는 적절한 제목 스타일로 표시된 장 제목이 있었고, 복잡한 레이아웃과 강조용 기울임꼴 이상의 최소한의 서식이 있었다. Adobe Acrobat의 내보내기 기능과 프리미엄 텍스트-음성 변환 서비스를 결합하여 약 6시간의 실제 작업 시간으로 그녀의 전체 소설을 오디오로 변환했다. 결과는 놀랍도록 듣기 좋았다 — 전문 내레이터 품질은 아니지만 개인 사용이나 접근성을 위한 용도로는 충분히 쓸 수 있었다.

"진실은 잔인하다: 만약 당신의 PDF가 스캔된 이미지로 시작했다면, 당신은 문서를 변환하는 것이 아니라, 어둠 속에서 컴퓨터가 손글씨를 읽도록 가르치려 하고 있는 것이다."

단순하고 선형적인 레이아웃을 가진 텍스트 기반 PDF는 변환의 최적 장소이다. 여기에는 복잡한 방정식이 없는 대부분의 비즈니스 문서, 논문, 간단한 전자책 및 단일 열 텍스트 문서가 포함된다. 이러한 조건이 충족될 경우, 현대의 텍스트-음성 변환 기술은 놀랍도록 좋다. Google Cloud Text-to-Speech, Amazon Polly 및 Microsoft Azure Speech와 같은 서비스는 적절한 속도, 발음, 심지어 감정적 억양을 가진 자연스러운 음성을 생성할 수 있다.

변환 성공률이 95% 이상(즉, 텍스트의 5% 미만이 수동 수정이 필요함)을 달성할 수 있는 경우는 다음과 같을 때이다: 올바르게 태그된 PDF 구조, 전반에 걸쳐 일관된 서식, 특수 문자 또는 기호의 최소 사용, 다단 향의 레이아웃 없음, 논리적 읽기 순서를 따르는 텍스트. 이러한 기준을 충족하는 500개의 문서를 테스트했을 때 평균 변환 시간은 품질 검사를 포함하여 100페이지당 1.2시간이었다.

기술 문서는 또 하나의 잘 변환되는 카테고리인데, 텍스트 기반일 경우 그렇다. 최근에 나는 고객을 위해 400페이지 소프트웨어 매뉴얼을 변환했으며, 내용의 구조적 특성 — 명확한 제목, 번호 매겨진 단계 및 일관된 용어 사용 — 덕분에 텍스트-음성 변환 엔진이 올바르게 파서를 해석하는 것이 더 쉬워졌다. 핵심은 문서가 처음부터 접근성을 염두에 두고 적절한 제목 계층과 이미지에 대한 대체 텍스트를 사용하여 작성되었기 때문이다.

소설과 내러티브 논픽션도 텍스트 기반 PDF일 때 원활하게 변환되는 경우가 많다. 선형적인 서사 구조, 복잡한 시각 요소의 부족, 대화체 언어 모두 유리하게 작용한다. 나는 미스터리 소설부터 회고록까지 훌륭한 결과로 변환해왔다. 소설의 주요 도전은 대화 귀속을 처리하고 올바른 속도를 유지하는 것이지만, 현대의 신경 텍스트-음성 변환 모델은 이 부분에서 훨씬 더 발전했다.

지옥 같은 시나리오: 변환이 실패할 때

이제 재앙에 대해 이야기해 보자. 나는 적절한 범위 지정의 중요성을 일깨워주는 예시들을 담은 "변환 공포 이야기"라는 폴더를 내 컴퓨터에 만들어 두고 있다. 내가 만난 최악의 경우는 1987년에 발행된 600페이지의 공학 교과서로, 200 DPI로 스캔되었고, 스캔 전에 여러 번 복사되어(세대 품질 저하를 초래함) OCR 레이어 없이 PDF로 저장되었다. 페이지는 약간 기울어져 있었고, 텍스트는 흐려져 있었으며, 여백에는 손으로 쓴 메모가 있었다. 고객은 2주 안에 오디오로 변환하기를 원했다.

스캔 품질이 나쁜 이미지 기반 PDF는 변환의 치명적 약점이다. OCR 정확도가 95% 미만으로 떨어지면, 수동 수정에 걸리는 시간이 문서를 소리 내어 읽는 것보다 더 길어질 수 있다. 나는 잘못 스캔된 문서에서 OCR 정확도가 60%까지 떨어지는 것을 보았다. 이는 10단어 중 4개가 잘못되었음을 의미한다. 그 시점에서는 변환을 하는 것이 아니라, 본질적으로 전체 문서를 다시 타이핑하는 것이다.

수학 및 과학 문서는 또 다른 자체적인 특별한 지옥을 제공한다. 복잡한 방정식, 화학 식 또는 수학 기호가 포함된 PDF는 의미 있게 오디오로 변환하는 것이 거의 불가능하다. "∫₀^∞ e^(-x²) dx = √π/2"라는 내용을 듣는 사람이 이해할 수 있도록 어떻게 언급할 수 있을까? 나는 양자 역학을 변환하고 싶어한 물리학 교수와 작업한 적이 있다.