미스트랄 AI, 음성 이해 오픈소스 모델 '폭스트랄' 출시

폭스트랄(Voxtral)은 미스트랄 AI가 아파치 2.0 라이선스로 오픈소스 공개한 차세대 음성 이해 모델이다. 24B와 3B 두 가지 크기로 출시되었으며, 단순한 음성-텍스트 변환(ASR)을 넘어 음성의 맥락을 모델이 직접 이해하고 음성 명령만으로 백엔드 함수를 바로 실행할 수 있도록 설계됐다.

무엇을 할 수 있나

기존의 음성 AI 서비스는 위스퍼 같은 모델로 먼저 텍스트를 뽑아낸 뒤, 이를 거대언어모델에 전달해 뜻을 해석하는 방식을 주로 썼다. 이 구조는 지연 시간이 길어지고 음성에 담긴 뉘앙스가 중간에 유실되기 쉬웠다. 폭스트랄은 이 두 단계를 하나의 모델로 통합했다.

32k 토큰의 컨텍스트 길이를 갖춰 텍스트 변환은 최대 30분, 음성 내용 이해는 최대 40분 길이의 오디오를 한 번에 처리한다. 긴 회의 녹음 파일을 통째로 넣고 요약을 요청하거나, 특정 발언 내용에 대해 곧바로 질문할 수 있다.

특히 실무적으로 유용한 기능은 음성 기반 함수 호출이다. 사용자가 말로 명령하면 중간에 텍스트 파싱 과정을 거치지 않고 모델이 음성 의도를 인식해 백엔드 API나 워크플로를 곧바로 트리거한다.

영어, 프랑스어, 스페인어, 독일어, 이탈리아어, 포르투갈어, 네덜란드어, 힌디어 등 다양한 언어를 자동으로 감지해 처리한다. 또한 미스트랄 Small 3.1을 백본으로 사용해 기존 텍스트 처리 작업에서도 그대로 교체해 쓸 수 있다.

스펙 및 실행 방법

모델은 두 가지 체급으로 나뉜다. 24B 크기의 폭스트랄 스몰은 대규모 프로덕션 환경에 적합하며, 3B 크기의 폭스트랄 미니는 로컬 PC나 엣지 기기에서 가볍게 구동하기에 알맞다.

성능 면에서는 오픈소스 진영의 대표 격인 위스퍼 large-v3를 모든 벤치마크에서 앞질렀으며, GPT-4o mini Transcribe 및 제미나 2.5 플래시보다 높은 정확도를 기록했다. 미스트랄 측에 따르면 폭스트랄 스몰은 일레븐랩스 스크라이브와 대등한 성능을 내면서도 API 비용은 절반 이하다.

24B와 3B 모델 가중치는 모두 허깅페이스에서 아파치 2.0 라이선스로 내려받아 상업적으로 자유롭게 쓸 수 있다. 자체 인프라 구축이 부담스럽다면 분당 0.001달러부터 시작하는 공식 API를 쓰면 된다. 전사 작업에 특화된 초저지연 버전인 폭스트랄 미니 트랜스크라이브도 제공되며, 미스트랄의 르 챗(Le Chat) 음성 모드 역시 수주일 내 순차 적용된다.

왜 중요한가

위스퍼의 인식 오류 때문에 골머리를 앓았거나, 데이터 프라이버시와 비싼 API 요금 때문에 음성 AI 도입을 망설였던 팀이라면 폭스트랄은 즉시 검토해 볼 만한 대안이다. 음성 인식과 추론 파이프라인을 하나의 오픈 모델로 묶어 지연 시간과 운영 비용을 한 번에 줄일 수 있다.

화자 분리나 감정 감지, 단어 단위 타임스탬프 같은 세부 부가 기능은 향후 업데이트를 기다려야 하지만, 음성을 듣고 즉각 시스템 동작으로 연결하는 음성 에이전트 구축 측면에서 독점 폐쇄형 API에 맞설 강력한 오픈소스 기반이 마련됐다.