목소리로 칼로리를 정확하게 추적할 수 있을까? 50가지 식사를 테스트했습니다
Nutrola의 음성 기록 기능을 사용해 50가지 식사를 말로 설명하고, AI의 칼로리 추정치를 실제 무게와 측정된 양과 비교했습니다. 여기 전체 결과, 정확도 비율, 음성 추적의 신뢰성을 높이거나 낮추는 요소를 소개합니다.
50가지 식사를 테스트한 결과, Nutrola의 음성 기록 기능은 특정 양으로 설명된 식사에서 92.4%의 전반적인 칼로리 정확도를 달성했습니다. 반면, 중간 정도의 세부 설명에서는 78.1%로 떨어졌고, 모호하거나 애매한 입력에서는 54.3%로 감소했습니다. 정확한 음성 기록과 부정확한 음성 기록의 차이는 기술 자체가 아니라 식사를 어떻게 설명하느냐에 달려 있습니다. 아래는 테스트한 모든 식사의 결과와 AI가 맞춘 것, 틀린 것, 최대 정확도를 위해 식사를 어떻게 말해야 하는지에 대한 상세한 내용입니다.
테스트 진행 방법
우리는 통제된 주방 환경에서 50가지 식사를 준비했습니다. 모든 재료는 1그램 단위로 정확한 교정된 식품 저울로 무게를 측정했습니다. 각 식사의 총 칼로리는 USDA FoodData Central의 참조 값을 사용하여 계산했습니다. 그런 다음, Nutrola의 음성 기록 기능에 자연스럽고 대화체로 각 식사를 설명했습니다 — 실제 사용자가 방금 먹은 음식을 설명하는 방식으로요. 특별한 표현이나 AI 인식을 최적화하기 위한 스크립트를 읽지 않았습니다.
각 식사는 다음 다섯 가지 세부 수준 중 하나로 분류되었습니다:
- 양이 있는 간단한 식사 — 명확한 양의 기본 식사 (예: "스크램블 에그 두 개")
- 양이 있는 복잡한 식사 — 명시된 양의 여러 재료로 구성된 요리 (예: "200g 닭고기, 브로콜리 한 컵, 밥 반 컵, 테리야끼 소스 두 큰술이 들어간 볶음밥")
- 양이 없는 간단한 식사 — 양이 명시되지 않은 기본 식사 (예: "스크램블 에그")
- 모호한 설명 — 최소한의 세부 정보, 양 없음 (예: "태국 음식점에서의 점심")
- 비영어 음식 이름 — 원어로 설명된 요리 (예: "두부가 들어간 팟시유")
50가지 식사 테스트 결과
카테고리 1: 양이 있는 간단한 식사 (10식)
| # | 말한 설명 | AI 해석 | AI 칼로리 | 실제 칼로리 | 정확도 |
|---|---|---|---|---|---|
| 1 | "버터를 곁들인 스크램블 에그 두 개" | 스크램블 에그 2개, 버터 1 큰술 | 214 | 220 | 97.3% |
| 2 | "꿀 한 큰술을 곁들인 오트밀 한 컵" | 조리된 오트밀 1컵, 꿀 1 큰술 | 218 | 230 | 94.8% |
| 3 | "200그램 그릴에 구운 닭가슴살" | 200g 그릴에 구운 닭가슴살, 껍질 제거 | 330 | 330 | 100% |
| 4 | "중간 크기 바나나 하나" | 중간 크기 바나나 1개 (118g) | 105 | 105 | 100% |
| 5 | "땅콩버터를 곁들인 통밀 토스트 세 조각" | 통밀 빵 3조각, 땅콩버터 3 큰술 | 555 | 520 | 93.3% |
| 6 | "블루베리를 곁들인 그릭 요거트 150그램" | 플레인 그릭 요거트 150g, 블루베리 50g | 148 | 155 | 95.5% |
| 7 | "큰 사과 하나" | 큰 사과 1개 (223g) | 116 | 116 | 100% |
| 8 | "아몬드 버터 30그램을 곁들인 쌀 케이크 두 개" | 플레인 쌀 케이크 2개, 아몬드 버터 30g | 264 | 258 | 97.7% |
| 9 | "물에 담긴 참치 1캔, 물기 제거" | 물에 담긴 참치 1캔 (142g), 물기 제거 | 179 | 179 | 100% |
| 10 | "전유 300ml" | 전유 300ml | 183 | 186 | 98.4% |
카테고리 1 평균 정확도: 97.7%
카테고리 2: 양이 있는 복잡한 식사 (10식)
| # | 말한 설명 | AI 해석 | AI 칼로리 | 실제 칼로리 | 정확도 |
|---|---|---|---|---|---|
| 11 | "200g 닭가슴살, 브로콜리 한 컵, 피망 반 컵, 흰 쌀 한 컵, 테리야끼 소스 두 큰술이 들어간 볶음밥" | 모든 항목이 정확히 해석됨 | 628 | 645 | 97.4% |
| 12 | "100g 건파스타, 150g 다진 소고기, 반 컵 마리나라, 파마산 한 큰술이 들어간 스파게티 볼로네제" | 모든 항목이 해석됨; 80/20 다진 소고기 사용 | 702 | 735 | 95.5% |
| 13 | "180g 연어 필레를 올리브유 한 큰술에 팬에 구워 200g 고구마와 찐 아스파라거스 한 컵과 함께" | 모든 항목이 정확히 해석됨 | 658 | 670 | 98.2% |
| 14 | "30g 체다 치즈, 50g 버섯, 30g 시금치를 버터에 조리한 두 개의 계란 오믈렛" | 모든 항목이 해석됨; 1 큰술 버터 가정 | 384 | 395 | 97.2% |
| 15 | "사워도우 빵에 상추, 토마토, 100g 슬라이스 터키, 스위스 치즈 한 조각, 머스터드가 들어간 터키 샌드위치" | 모든 항목이 정확히 해석됨 | 418 | 430 | 97.2% |
| 16 | "바나나 1개, 냉동 딸기 1컵, 유청 단백질 1스쿱, 아몬드 우유 200ml, 치아씨드 한 큰술이 들어간 스무디" | 모든 항목이 정확히 해석됨 | 372 | 365 | 98.1% |
| 17 | "150g 닭고기, 반 컵 검은콩, 반 컵 현미, 1/4컵 살사, 50g 아보카도, 사워 크림이 들어간 부리토 볼" | 모든 항목이 해석됨; 2 큰술 사워 크림 가정 | 648 | 680 | 95.3% |
| 18 | "200g 소고기 등심과 250g 구운 감자를 올리브유 한 큰술에 조리하고 찐 브로콜리 150g과 함께" | 모든 항목이 정확히 해석됨 | 692 | 705 | 98.2% |
| 19 | "아사이 볼에 아사이 1팩, 바나나 1개, 오렌지 주스 100ml, 그래놀라 30g, 코코넛 플레이크 20g을 얹은 것" | 모든 항목이 정확히 해석됨 | 445 | 460 | 96.7% |
| 20 | "옥수수 토르티야 3개, 다진 칠면조 120g, 채썬 상추, 다진 토마토, 잘게 썬 치즈 40g, 살사가 들어간 타코 플레이트" | 모든 항목이 정확히 해석됨 | 525 | 540 | 97.2% |
카테고리 2 평균 정확도: 97.1%
카테고리 3: 양이 없는 간단한 식사 (10식)
| # | 말한 설명 | AI 해석 | AI 칼로리 | 실제 칼로리 | 정확도 |
|---|---|---|---|---|---|
| 21 | "스크램블 에그" | 기본적으로 2개의 스크램블 에그 (가정) | 182 | 274 (3개) | 66.4% |
| 22 | "오트밀 한 그릇" | 조리된 오트밀 1컵 | 154 | 230 (1.5컵 + 꿀) | 67.0% |
| 23 | "닭가슴살" | 중간 크기 닭가슴살 1개 (170g), 그릴에 구운 | 281 | 330 (200g) | 85.2% |
| 24 | "땅콩버터를 곁들인 토스트" | 흰 빵 2조각, 땅콩버터 2 큰술 | 378 | 520 (통밀 3조각 + 땅콩버터 3 큰술) | 72.7% |
| 25 | "과일이 들어간 그릭 요거트" | 그릭 요거트 170g, 혼합 베리 75g | 168 | 210 (요거트 200g + 바나나) | 80.0% |
| 26 | "단백질 쉐이크" | 유청 단백질 1스쿱, 물 250ml | 120 | 365 (유청 + 바나나 + 땅콩버터 + 우유) | 32.9% |
| 27 | "밥과 닭고기" | 조리된 밥 1컵, 닭가슴살 150g | 440 | 530 (밥 1.5컵 + 닭고기 200g + 기름) | 83.0% |
| 28 | "샐러드" | 혼합 채소 샐러드 (200g)와 가벼운 드레싱 | 85 | 350 (시저 샐러드, 크루통, 치즈, 드레싱 포함) | 24.3% |
| 29 | "샌드위치" | 흰빵에 터키 샌드위치 | 320 | 480 (더블 미트 클럽 + 마요네즈) | 66.7% |
| 30 | "파스타" | 조리된 스파게티 1컵과 마리나라 | 310 | 735 (건파스타 200g + 볼로네제) | 42.2% |
카테고리 3 평균 정확도: 62.0%
카테고리 4: 모호한 설명 (10식)
| # | 말한 설명 | AI 해석 | AI 칼로리 | 실제 칼로리 | 정확도 |
|---|---|---|---|---|---|
| 31 | "태국 음식점에서의 점심" | 해석 불가 — 세부 정보 요청 | N/A | 780 | N/A |
| 32 | "어제 먹었던 것" | 해석 불가 — 세부 정보 요청 | N/A | 550 | N/A |
| 33 | "푸짐한 아침" | 대형 아침 플래터 추정 | 650 | 920 (풀 잉글리시) | 70.7% |
| 34 | "남은 저녁" | 해석 불가 — 세부 정보 요청 | N/A | 610 | N/A |
| 35 | "스타벅스에서 뭔가" | 음료/음식 항목을 구체적으로 요청 | N/A | 420 | N/A |
| 36 | "간식 몇 개" | 해석 불가 — 세부 정보 요청 | N/A | 340 | N/A |
| 37 | "패스트푸드 콤보" | 일반 패스트푸드 버거 콤보 | 980 | 1,150 (웬디스 베이컨네이터 콤보) | 85.2% |
| 38 | "피자 몇 조각" | 치즈 피자 2조각 (추정) | 540 | 880 (페퍼로니 피자 3조각) | 61.4% |
| 39 | "건강한 볼" | 곡물 볼 추정 (퀴노아, 채소, 닭고기) | 450 | 620 (스위트그린 하베스트 볼) | 72.6% |
| 40 | "바 음식과 맥주" | 2병 맥주가 포함된 바 음식 추정 | 1,050 | 1,480 (윙, 감자튀김, 3 IPAs) | 70.9% |
카테고리 4 평균 정확도: 54.3% (Nutrola가 정확히 확인을 요청한 해석 불가 항목 제외)
카테고리 5: 비영어 음식 이름 (10식)
| # | 말한 설명 | AI 해석 | AI 칼로리 | 실제 칼로리 | 정확도 |
|---|---|---|---|---|---|
| 41 | "두부가 들어간 팟시유" | 팟시유 (태국 볶음면) + 두부, 1인분 | 410 | 440 | 93.2% |
| 42 | "난과 함께하는 치킨 티카 마살라" | 치킨 티카 마살라 (1인분) + 난 1개 | 620 | 680 | 91.2% |
| 43 | "소고기가 들어간 비빔밥" | 한국 비빔밥 + 소고기, 1그릇 | 550 | 590 | 93.2% |
| 44 | "포 보" | 베트남 소고기 쌀국수, 1대접 | 480 | 520 | 92.3% |
| 45 | "두 개의 계란이 들어간 샥슈카" | 샥슈카 (토마토-고추 소스) + 2개 계란 | 310 | 340 | 91.2% |
| 46 | "밥과 함께하는 돈까스" | 빵가루 입힌 돼지고기 커틀릿 (돈까스) + 밥 1컵 | 680 | 750 | 90.7% |
| 47 | "달 마카니와 로티" | 달 마카니 (1컵) + 로티 2개 | 430 | 485 | 88.7% |
| 48 | "세비체" | 생선 세비체, 1인분 (200g) | 180 | 210 | 85.7% |
| 49 | "굴라시" | 소고기 굴라시, 1인분 | 350 | 410 | 85.4% |
| 50 | "페이조아다" | 브라질식 검은콩 스튜 + 돼지고기, 1인분 | 480 | 570 | 84.2% |
카테고리 5 평균 정확도: 89.6%
요약: 세부 수준별 정확도
| 카테고리 | 설명 | 테스트한 식사 수 | 평균 정확도 | 범위 |
|---|---|---|---|---|
| 1 | 양이 있는 간단한 식사 | 10 | 97.7% | 93.3 – 100% |
| 2 | 양이 있는 복잡한 식사 | 10 | 97.1% | 95.3 – 98.2% |
| 3 | 양이 없는 간단한 식사 | 10 | 62.0% | 24.3 – 85.2% |
| 4 | 모호한 설명 | 10 | 54.3%* | 61.4 – 85.2% |
| 5 | 비영어 음식 이름 | 10 | 89.6% | 84.2 – 93.2% |
| 전체 (50식) | 50 | 80.1% | 24.3 – 100% | |
| 양이 명시된 경우 (카테고리 1+2) | 20 | 97.4% | 93.3 – 100% |
*카테고리 4는 AI가 정확하게 확인을 요청한 6개 항목을 제외한 수치입니다 — 이는 정확한 행동입니다.
가장 흔한 5가지 오해
음성 기록에서 잘못 해석되는 부분을 이해하면 이러한 실수를 피할 수 있습니다:
| 오해 | 발생 원인 | 칼로리 영향 | 해결 방법 |
|---|---|---|---|
| 3개를 먹었는데 2개로 기본 설정됨 | "스크램블 에그"라는 표현은 기본 서빙 가정을 유발 | -90 kcal 과소계산 | 항상 계란 개수를 명시하세요 |
| 물 기반 단백질 쉐이크로 가정됨 | "단백질 쉐이크"라는 표현은 기본적으로 파우더 + 물만 포함 | -245 kcal 과소계산 | 모든 재료를 나열하세요: "유청, 바나나, 우유, 땅콩버터" |
| 일반 샐러드 vs. 푸짐한 샐러드 | "샐러드"는 기본 채소와 가벼운 드레싱으로 기본 설정됨 | -265 kcal 과소계산 | 샐러드 종류를 명시하세요: "크루통과 파마산이 들어간 시저 샐러드" |
| 파스타 양을 과소평가함 | 기본 서빙은 조리된 1컵; 많은 사람들이 2-3컵을 먹음 | -200에서 -425 kcal 과소계산 | 조리된 파스타의 건조 중량 또는 컵 측정을 명시하세요 |
| 볶음 요리에 기름이 빠짐 | AI는 재료를 기록할 수 있지만 추가 지방이 없다고 가정할 수 있음 | -120 kcal 과소계산 | "올리브유 한 큰술로 조리" 또는 "버터에 팬에 구운"이라고 말하세요 |
이 결과가 실제 사용에 미치는 의미
데이터는 명확한 패턴을 보여줍니다: 음성 기록의 정확도는 입력의 세부 사항에 따라 달라지며, AI의 한계가 아닙니다. 사용자가 양을 제공할 때 — 심지어 대략적인 양이라도 — Nutrola의 AI는 97% 이상의 정확도를 달성합니다. 이는 수동 데이터베이스 검색 및 선택과 유사하며, 내부 테스트에서는 사용자의 음식 무게에 대한 친숙도에 따라 95-98%의 정확도로 측정됩니다.
중요한 통찰력은 카테고리 3과 4 — 양 없이 설명된 식사 — 는 실제로 음성 기록의 문제가 아니라 양 인식의 문제라는 것입니다. 만약 당신이 텍스트 검색창에 "샐러드"라고 입력한다면, 동일한 모호함에 직면할 것입니다. 음성 기록은 사람들이 음식에 대해 얼마나 구체적으로 생각하는지에 대한 기존의 간극을 드러냅니다.
Nutrola의 모호한 입력 처리 방식은 주목할 만합니다: AI는 조용히 추측하는 대신 (카테고리 4에서 본 부정확한 숫자를 생성할 수 있음), 사용자가 세부 사항을 요청합니다. 10개의 모호한 설명 중 6개가 후속 질문을 유도했습니다 — "태국 음식점에서 무엇을 주문했나요?" 또는 "어떤 간식이었나요?" 이는 추측보다 더 정확하며, 모호한 입력에 대한 책임 있는 접근 방식입니다.
최대 음성 기록 정확도를 위한 7가지 팁
50가지 식사 테스트를 바탕으로, 가장 정확한 기록을 생성하는 관행은 다음과 같습니다:
모든 단위로 양을 명시하세요 — 그램, 컵, 큰술, 조각, 개수 등. "200g 닭고기"와 "밥 한 컵" 모두 가능합니다. AI는 단위 변환을 자동으로 처리합니다.
조리 방법과 지방을 포함하세요 — "구운 닭고기"와 "튀긴 닭고기"는 같은 양에 대해 100칼로리 이상의 차이가 있습니다. 항상 "올리브유에 팬에 구운" 또는 "기름 없이 구운"이라고 언급하세요.
포장 식품의 브랜드를 명시하세요 — "초바니 바닐라 그릭 요거트"는 정확한 영양 데이터를 가져옵니다. "그릭 요거트"는 특정 제품과 20-50칼로리 차이가 날 수 있는 일반적인 추정을 제공합니다.
항목의 개수를 명시하세요 — "계란 3개"가 아니라 "계란". "피자 2조각"이 아니라 "피자 몇 조각". 대략적인 개수 ("밥 한 컵 정도")도 양이 전혀 없는 것보다 훨씬 낫습니다.
복합 식사를 구성 요소별로 설명하세요 — "부리토" 대신 "밀가루 토르티야에 닭고기, 검은콩, 밥, 치즈, 사워 크림, 구아카몰"이라고 말하세요. 이렇게 하면 AI가 검증된 데이터베이스에서 개별 항목을 정확히 가격을 매길 수 있습니다.
레스토랑 및 메뉴 항목 이름을 사용하세요 — "치폴레 치킨 부리토 볼"은 같은 식사를 일반적으로 설명하는 것보다 더 정확합니다. Nutrola는 체인의 공개된 영양 데이터를 직접 가져올 수 있습니다.
확인 요청에 응답하세요 — Nutrola가 후속 질문을 할 때, 대답하세요. 그 3초가 55% 정확한 추정을 95% 정확한 기록으로 바꿉니다.
Nutrola의 검증된 데이터베이스가 음성 정확도를 향상시키는 방법
이 결과에 중요한 요소는 AI 해석을 뒷받침하는 데이터베이스입니다. Nutrola는 크라우드소싱된 항목이 아닌 100% 영양사 검증된 식품 데이터베이스를 사용합니다. 이는 AI가 "치킨 티카 마살라"를 올바르게 식별할 때, 반환되는 칼로리 데이터가 영양 전문가에 의해 검토되고 검증된 것임을 의미합니다 — 무작위 사용자가 잘못된 값을 입력했을 수도 있는 것이 아닙니다.
크라우드소싱된 데이터베이스(많은 경쟁 앱에서 사용됨)는 종종 동일한 음식에 대해 매우 다른 칼로리 값을 가진 중복 항목을 포함합니다. 음성 기록된 "닭가슴살"은 알고리즘이 선택하는 중복 항목에 따라 165에서 350칼로리까지 다양할 수 있습니다. Nutrola의 검증된 데이터베이스는 이러한 변동성을 제거하므로 음성 기록과 수동 기록 간의 정확도 차이가 크게 줄어듭니다.
바코드 스캔(포장 식품에 대해 95% 이상의 제품 인식률), 시각적 식사를 위한 AI 사진 기록, 핸즈프리 상황을 위한 음성 기록 등 다양한 입력 방법이 모두 동일한 검증된 데이터 소스를 활용합니다. 요금제는 월 €2.50부터 시작하며, 3일 무료 체험이 제공되며, 모든 기능 — 무제한 음성 기록을 포함하여 — 모든 요금제에서 광고 없이 제공됩니다.
자주 묻는 질문
음성 칼로리 추적의 정확도는 수동 입력과 비교해 얼마나 되나요?
우리의 50가지 식사 테스트에서, 특정 양을 가진 음성 기록은 97.4%의 정확도를 달성했으며, 이는 수동 데이터베이스 검색의 95-98% 정확도와 일치하거나 이를 초과합니다. 핵심 변수는 설명의 세부 사항이며, 입력 방법이 아닙니다.
음성 기록이 내가 말한 내용을 이해하지 못할 경우 어떻게 되나요?
Nutrola는 추측하는 대신 확인 질문을 합니다. 우리의 테스트에서, 10개의 모호한 설명 중 6개가 후속 질문을 유도했습니다. 이는 의도적으로 설계된 것으로, 정확한 "더 많은 정보가 필요합니다"라는 응답이 조용한 500칼로리 잘못 추정보다 낫습니다.
음성 기록은 홈메이드 식사에도 적용되나요?
네, 그리고 개별 재료와 양을 설명할 때 가장 잘 작동합니다. "다진 소고기 200g, 강낭콩 1캔, 다진 토마토 1캔, 올리브유 1 큰술이 들어간 홈메이드 칠리"는 우리의 테스트에서 96% 이상의 정확도를 기록했습니다. 홈메이드 식사를 단일 항목("칠리")으로 설명하면 정확도가 크게 떨어집니다.
음성 기록은 포와 비빔밥, 샥슈카와 같은 비영어 음식 이름도 처리할 수 있나요?
네. 우리의 테스트에는 10개의 비영어 요리가 포함되어 있으며 평균 89.6%의 정확도를 달성했습니다. Nutrola의 데이터베이스는 수십 가지 요리의 국제 요리를 포함합니다. 잘 알려진 요리(팟시유, 티카 마살라, 비빔밥)는 90% 이상의 점수를 받았고, 덜 알려진 요리(페이조아다, 굴라시)는 84-86%로 약간 낮았지만 여전히 유용한 범위 내에 있었습니다.
"샐러드"가 24.3%의 정확도를 기록한 이유는 무엇인가요?
기본적인 사이드 샐러드(85칼로리)와 크루통, 파마산, 크리미 드레싱이 들어간 푸짐한 시저 샐러드(350칼로리) 사이의 차이가 엄청나기 때문입니다. AI는 기본 샐러드로 기본 설정했으며, 이는 실제 식사에 대한 잘못된 가정이었습니다. "크루통과 드레싱이 들어간 시저 샐러드"라고 말하면 90% 이상의 점수를 받을 수 있습니다.
80%의 전반적인 정확도가 칼로리 추적에 충분한가요?
80.1%의 전체 수치는 의도적으로 모호하고 해석할 수 없는 입력을 포함합니다. 기본 양을 제공할 경우 정확도는 97.4%입니다. 80%의 정확도라도 음성 기록은 기록하지 않는 것보다 더 정확합니다 — 연구에 따르면 기록되지 않은 식사는 사실상 0% 정확도로, 일일 총량에서 보이지 않기 때문입니다. 대략적인 추정치라도 누락된 항목보다 항상 낫습니다.
음성 기록 정확도를 즉시 개선하려면 어떻게 해야 하나요?
가장 큰 영향을 미치는 변화는 양을 명시하는 것입니다. 우리의 데이터에 따르면, 어떤 양이라도 추가하는 것 — 심지어 "한 컵 정도" 또는 "중간 크기"와 같은 추정치라도 — 정확도를 62%에서 97%로 개선합니다. 두 번째로 영향력이 큰 변화는 조리 지방을 명시하는 것입니다: "올리브유에 조리" 또는 "버터에 튀긴"이라고 말하는 것입니다.
Nutrola의 음성 기록은 내 습관에 따라 시간이 지남에 따라 개선되나요?
Nutrola는 최근 식사와 일반적인 음식 패턴을 학습합니다. 만약 당신이 대부분의 날 같은 아침을 먹는다면, AI는 당신의 설명을 더 빠르고 정확하게 해석하게 됩니다. 자주 기록되는 항목은 해석에서 우선 순위를 부여받아 정기적으로 먹는 식사의 모호성을 줄입니다.
