짠티 듀얼 뷰어 — 의료 학회 시나리오

발표 자료(좌) + 실시간 통역 자막(우) 동시 표시 | 코엑스 의료 학회 가상 데모

시나리오: 코엑스 한국심장학회 국제 세션 · 발표자 김OO 교수(한국어) · 청중 외국인 의사 · 화면 좌측은 발표자가 업로드한 PPT 그대로, 우측은 짠티가 한국어 음성을 실시간으로 영어 자막으로 변환·표시 (지연 0.8초)
https://zzanti.app/session/kcs-2026-coex-live
LIVE
발표자 마이크 활성
김OO 교수 · 한국심장학회
입력: 🇰🇷 한국어
출력: 🇺🇸 English
지연 0.82s · 맥락 priming ✓ · 의료용어 매칭 ✓
CONTEXT PRIMING
ACTIVE
발표자 정체성을 AI system prompt에 주입 완료
김OO 교수 · 서울대병원 순환기내과 · 부정맥/심방세동 전공 · 발표주제: AI 12-Lead ECG 분석 · 슬라이드 24장 사전 학습
"가위" → 유전자가위(X) · 일반(X)
"AF" → atrial fibrillation ✓
"조기" → early detection ✓
PPT · KCS_2026.pptx
슬라이드 7 / 24
SESSION 3 · 인공지능 임상 응용

심방세동(AF) 조기 진단을 위한
AI 12-Lead ECG 분석

  • 대상 · 서울대병원·삼성서울병원 12,400명 ECG 데이터
  • 모델 · CNN-LSTM Hybrid + Transformer Attention
  • 비교 · 심장내과 전문의 판독 vs AI
  • 결과 · 민감도 94.2% · 특이도 91.7%
진단 정확도 비교 (n=12,400)
AI 모델
94.2%
전문의 판독
89.8%
기존 알고리즘
77.3%

실시간 통역 자막

KR EN CN JP
14:32:08
Today, I'd like to introduce our research on early detection of atrial fibrillation using AI-based ECG analysis.
오늘 저희가 발표할 내용은 AI 기반 ECG 분석을 통한 심방세동의 조기 발견에 관한 연구입니다.
14:32:24의료용어 ✓ 3개 매칭
As you can see on slide 7, we collected 12-lead ECG data from 12,400 patients at Seoul National University Hospital and Samsung Medical Center.
슬라이드 7번에서 보시는 바와 같이, 서울대병원과 삼성서울병원에서 12,400명 환자의 12유도 심전도 데이터를 수집했습니다.
14:32:41 · NOW의료용어 ✓ 5개 매칭
The model architecture combines CNN-LSTM hybrid with Transformer attention mechanism, which significantly outperformed conventional algorithms in detecting paroxysmal atrial fibrillation.
모델 구조는 CNN-LSTM 하이브리드와 트랜스포머 어텐션 메커니즘을 결합한 것으로, 발작성 심방세동 탐지에서 기존 알고리즘 대비 월등한 성능을 보였습니다.
AI 통역 중
⏱ 00:18:24 / 00:48:00
📑 슬라이드 7/24 자동 동기 ● REC
★ TRUE USP

맥락 기반 통역 (Context-Aware Translation)

파파고·DeepL·구글번역은 사용자가 누구인지 모른 채 번역한다. 짠티는 발표자/사용자의 정체성을 LLM에 사전 주입(priming)해서 맥락 기반으로 동음이의어·전문 약어를 정확히 해석한다.

EXAMPLE 1 · "가위"
"가위"
발표자 정체성: 생명공학 교수
→ 짠티: CRISPR-Cas9 (유전자 가위) ✓
발표자 정체성: 일반인
→ 짠티: scissors ✓
파파고·DeepL·구글 (정체성 무지)
→ 일반 모델: scissors (디폴트, 오역 빈발)
EXAMPLE 2 · "AF"
"AF"
발표자 정체성: 심장내과 전문의
→ 짠티: atrial fibrillation ✓
발표자 정체성: 사진작가/디자이너
→ 짠티: autofocus ✓
파파고·DeepL·구글 (정체성 무지)
→ 일반 모델: "AF" 그대로 출력 (해석 불가)
PRIMING FLOW · 4단계
STEP 1
사용자 프로필 입력
소속·전공·발표주제·슬라이드
→
STEP 2
System Prompt 주입
"발표자는 ◯◯ 전문의…"
→
STEP 3
Whisper STT
한국어 음성 인식
→
STEP 4
맥락 기반 번역
동음이의어/약어 정확 해석
MECHANISM 01

슬라이드 자동 동기

발표자가 키보드/리모컨으로 슬라이드 넘기면 WebSocket을 통해 모든 청중 디바이스의 좌측 패널이 동시 전환. 청중은 자료 따라잡을 필요 X.

MECHANISM 02

의료 용어 2차 검증

Whisper → LLM 번역 → 의료 용어 사전 1만 개에서 매칭·치환. "심방세동" → "atrial fibrillation" 정확 변환 (일반 모델 "heart vibration" 오역 방지).

MECHANISM 03

다국어 동시 출력

한 번의 한국어 음성 입력을 영·중·일 3개 언어로 병렬 출력. 청중은 본인 디바이스에서 원하는 언어 탭만 선택 (BYOD 지원).

기능 파파고/구글번역 동시통역 부스 짠티 듀얼 뷰어
맥락 기반 priming ✗ 정체성 무지 통역사 역량 의존 ✓ 사용자 정체성 system prompt 주입
동음이의어 정확도 디폴트 의미만 통역사 판단 ✓ "가위/AF/교정" 등 정체성별 정확
슬라이드 표시 ✗ 없음 청중이 별도 화면 ✓ 좌측 통합 (PPT/PDF/HTML)
실시간 자막 텍스트만 ✗ 음성만 ✓ 우측 동기 + 4개 언어 탭
의료 용어 정확도 일반 모델 통역사 역량 의존 ✓ 의사 검증 사전 매칭
슬라이드·음성 동기 ✗ 불가능 ✗ 수동 ✓ WebSocket 자동 동기
비용 (1일 학회) ₩0 (무료지만 무용) ₩300~600만 ₩500~1,000만 (자료+통역 일체)
의사 testimonial 없음 N/A ✓ 사전 확보 (100%)