MS, 다국어 음성인식 모델 MAI-Transcribe-1 공개: 위스퍼 성능 뛰어넘어

조용한 녹음실에서는 매끄럽게 돌아가던 음성 인식이 카페 소음이나 회의실의 겹치는 말소리, 낮은 음질 앞에서는 순식간에 엉망이 되곤 합니다.

Microsoft가 4월 2일 25개 언어를 지원하는 다국어 음성 인식 모델 MAI-Transcribe-1을 공개했습니다. 현재 Microsoft Foundry에서 퍼블릭 프리뷰로 제공되며, 새롭게 열린 Microsoft AI Playground에서도 직접 테스트해 볼 수 있습니다.

Whisper를 제친 정확도, 속도는 2.5배 향상

공식 발표에 따르면 MAI-Transcribe-1은 25개 언어를 대상으로 한 FLEURS 벤치마크에서 가장 낮은 단어 오류율(WER)을 기록했습니다.

비교군인 Scribe v2, Whisper-large-V3, GPT-Transcribe, Gemini 3.1 Flash-Lite를 모두 앞섰다는 설명입니다. 세부 주석에 따르면 자주 사용되는 25개 언어 중 11개 핵심 언어에서 1위를 차지했으며, 나머지 14개 언어에서도 Whisper-large-v3를 전부 제쳤고 그중 11개 언어에서는 Gemini 3.1 Flash보다 우수한 성능을 보였습니다.

처리 효율도 크게 높였습니다. 배치 전사 속도는 기존 Microsoft Azure Fast 옵션보다 2.5배 빨라졌습니다. 지연 시간 또한 낮게 유지되어 실시간 자막 생성, 미팅 전사, 받아쓰기 같은 온라인 작업에도 곧바로 투입할 수 있습니다.

가격은 오디오 1시간당 0.36달러로 책정되었습니다. 마이크로소프트는 주요 대형 클라우드 공급자 중 가장 뛰어난 가성비라고 강조했습니다.

소음 환경에 특화, Teams와 Copilot 탑재 진행

공개된 실제 시나리오에는 소음이 심한 카페에서의 항공권 변경 요청, 영어와 스페인어가 혼용되는 사무실 회의, 심지어 시끄러운 콘서트장에서의 에이전트 명령 등이 포함되었습니다. 배경 소음이나 저품질 마이크 입력, 여러 사람의 말이 겹치는 상황에서도 안정적인 텍스트 변환을 보여줍니다.

현재 이 모델은 Copilot의 음성 모드와 Microsoft Teams에 단계적으로 배포되어 회의 기록 및 후속 작업 연동에 쓰이고 있습니다.

마이크로소프트는 이번에 음성 생성 모델인 MAI-Voice-1(100만 자당 22달러)과 이미지 모델 MAI-Image-2도 함께 선보였습니다. MAI-Transcribe-1(STT)과 MAI-Voice-1(TTS)에 LLM을 결합하면 완결된 음성 에이전트 스택을 구축할 수 있다는 설명입니다.

왜 중요한가

음성 에이전트나 통화 분석 파이프라인에서 음성 인식은 전체 성능을 좌우하는 첫 관문입니다. 현장 잡음 때문에 첫 단추인 텍스트 변환이 어긋나면 뒤에 연결된 아무리 뛰어난 거대언어모델도 제 역할을 할 수 없습니다.

개발자와 기업 입장에서는 오디오 시간당 0.36달러라는 공격적인 가격과 2.5배 빨라진 처리 속도만으로도 기존 Whisper 기반 파이프라인을 대체해 테스트해 볼 가치가 충분합니다. 특히 녹음 환경을 통제하기 어려운 고객센터 통화 데이터 분석이나 다국어 회의 기록을 대량으로 처리해야 하는 조직에 매력적인 대안입니다.

산업 측면에서는 마이크로소프트가 독자 AI 브랜드인 MAI 모델군을 빠르게 확장하며 OpenAI에 대한 의존도를 분산시키는 신호로 읽힙니다. Teams와 Copilot이라는 전 세계 수억 명의 업무 현장에 직접 모델을 배치해 실데이터 기반의 성능 개선 선순환을 만들 수 있다는 점도 경쟁사들이 쉽게 흉내 내기 어려운 강점입니다. 지원 언어가 25개로 제한되어 있다는 한계는 있지만, 글로벌 주요 비즈니스 언어를 다루는 클라우드 ASR 시장의 가격 및 성능 경쟁을 단숨에 끌어올렸습니다.