MS, 음성인식 모델 MAI-Transcribe-2 공개…경쟁사 대비 10배 빠르고 시간당 0.1달러

그동안 음성 인식 분야는 Whisper를 직접 돌리거나 비싼 상용 API를 쓰는 게 일반적이었지만, 마이크로소프트가 시장 판도를 뒤흔들 모델을 내놓았습니다.

마이크로소프트는 9월 3일, 현존하는 음성 인식 모델 중 가장 빠르고 정확하며 저렴하다고 주장하는 MAI-Transcribe-2를 공개했습니다.

10배 빨라진 속도와 실무 중심의 기능 개선

단순한 홍보성 문구가 아닙니다. 독립 평가 기관인 Artificial Analysis의 테스트에서 MAI-Transcribe-2는 정확도와 지연 시간 부문 파레토 프런티어를 새롭게 정의했으며, 단어 오류율 리더보드에서 2위에 올랐습니다.

속도 차이는 매우 큽니다. OpenAI의 GPT-Transcribe보다 최대 10배, ElevenLabs의 Scribe v2보다 7배, 구글 Gemini 3.5 Transcribe보다 5배 빠른 처리 속도를 기록했습니다.

60개 언어를 아우르는 공개 다국어 벤치마크 FLEURS에서는 평균 5.2%의 단어 오류율을 기록하며 1위를 차지했습니다.

실제 개발 현장에서 필요로 하던 편의 기능도 대거 추가되었습니다. 여러 화자를 구분해 발언자를 매칭해 주는 화자 분리 기능과 자막 편집을 위한 단어 단위 타임스탬프를 기본 제공합니다.

전문 분야의 약어나 고유명사를 정확히 인식할 수 있도록 돕는 키워드 바이어싱 기능도 탑재되었습니다.

출력 방식은 두 가지 스타일 중 선택할 수 있습니다. 추임새나 말실수까지 전부 기록하는 축어 모드는 법적 감사나 규제 대응에 적합하고, 불필요한 단어를 걸러내는 정제 모드는 깔끔한 회의록 작성에 유리합니다.

언어 자동 감지는 물론, 힌글리시나 스팽글리시처럼 두 언어가 섞여 쓰이는 코드 스위칭 대화와 소음이 심한 환경에서도 안정적인 인식률을 보여줍니다.

현재 이 모델은 Microsoft Foundry, MAI Playground, OpenRouter에서 즉시 사용할 수 있으며, 연말까지 한시적으로 오디오 시간당 0.10달러에 제공됩니다.

왜 중요한가

대규모 콜센터 통화 기록이나 동영상 아카이브를 전사해야 하는 기업 입장에서 시간당 0.10달러라는 가격과 10배 빠른 속도는 운영 비용을 획기적으로 낮출 수 있는 강력한 무기입니다. 기존 음성 파이프라인의 속도나 비용에 불만이 있었다면 즉시 테스트해 볼 가치가 충분합니다.

산업 전반으로 보면 Whisper 생태계와 ElevenLabs 같은 음성 전문 기업들에 상당한 가격 인하 압박을 가할 것으로 보입니다. 마이크로소프트가 자체 인프라를 바탕으로 음성 인식 기술을 본격적인 저비용 유틸리티로 전환하려는 모습입니다.

저희가 보기에 이번 출시는 뜬구름 잡는 데모 대신 기업이 절실히 원하는 화자 분리, 불필요한 추임새 제거, 키워드 보정 같은 핵심 기능을 충실히 채워 넣었다는 점에서 매우 영리한 접근입니다. 다만 시간당 0.10달러라는 파격적인 요금은 올해 말까지만 적용되는 프로모션 가격인 만큼, 내년 이후 정규 가격이 어떻게 책정될지가 장기적인 경쟁력을 좌우할 것으로 보입니다.