xAI, 음성 인식 모델 '그록 보이스 트랜스크라이브 2.0' 출시…정확도 2배·가격 동결

조용한 스튜디오에서 녹음된 목소리는 요즘 어떤 AI를 가져다 써도 꽤 정확하게 받아적습니다. 하지만 잡음이 심한 전화선, 시끄러운 차량 내부, 혹은 빠르게 읊어대는 이메일 주소나 인증 번호 앞에서는 대부분의 모델이 여지없이 무너집니다.

xAI가 출시한 음성 인식 모델 Grok Voice Transcribe 2.0은 바로 이 거친 현장 오디오를 정조준했습니다. 기존 1.0 버전 대비 정확도를 2배 끌어올렸으면서도 가격은 그대로 동결했고, Artificial Analysis의 공개 벤치마크에서는 32개 실시간 스트리밍 모델 중 정확도 1위를 차지했습니다.

열악한 통화 음질과 찰나의 음성 명령에 집중하다

이번 모델은 테슬라 차량의 Grok 비서, 매일 수만 건의 고객센터 통화, 수백만 시간 분량의 비디오 녹취를 처리하는 Grok Voice 오디오 기반 모델을 토대로 구축되었습니다.

다양한 환경에서 녹음된 거칠고 다국어가 섞인 실제 오디오 데이터를 대량으로 학습시킨 뒤 사후 조정을 거쳤습니다.

xAI가 실제 운영 트래픽에서 추출한 고객센터 통화, Grok과의 대화, 음성 계정 정보, 다국어 단문 명령 등 4개 내부 테스트셋에서도 이전 버전을 완전히 앞섰으며, 특히 전화 음질 테스트에서는 비교 대상 모델 전체를 제쳤습니다.

가장 비약적인 개선은 다국어 환경에서 나왔습니다. 음성을 듣는 도중 언어를 자동 감지하며, 중간에 다른 언어로 말을 바꿔도 끊김 없이 따라갑니다.

문맥이 거의 주어지지 않아 인식이 까다로운 19개 언어 단문 음성 명령 테스트에서는 단어 오류율이 기존 20.6%에서 6.8%로 급감했습니다.

가격 동결과 즉각적인 실무 투입

실무 도입도 빠르게 이뤄지고 있습니다. 화면 녹화 툴인 Atlassian Loom은 플랫폼 내 모든 영상의 전사 작업에 이 모델을 전면 도입했습니다. 영상으로 작업 지시를 녹화한 뒤 이를 텍스트로 뽑아 Cursor 같은 코딩 도구에 바로 넘겨 코드를 수정하는 새로운 워크플로도 가능해졌습니다.

가격 정책도 공격적입니다. 배치 처리는 오디오 1시간당 0.10달러, 실시간 스트리밍은 1시간당 0.20달러로 이전과 같으며 화자 분리, 타임스탬프, 키워드 등록 기능이 기본으로 포함됩니다.

기존 Speech-to-Text API 사용자는 코드 변경 없이 신규 모델의 성능 향상을 그대로 누릴 수 있습니다. 곧 2.0이 기본값으로 적용되며 기존 1.0은 몇 주 뒤 서비스가 종료됩니다.

왜 중요한가

음성 인식 기술은 이미 성숙기에 접어들어 차별화가 어렵다는 평가가 많았습니다. 대다수 기업이 깨끗한 음원 벤치마크에서 소수점 단위 경쟁을 벌이던 상황이었습니다.

하지만 우리는 xAI의 이번 선택이 매우 실용적이고 영리하다고 봅니다. 테슬라 차량 운행 데이터와 실제 서비스 환경에서 확보한 거친 오디오 데이터를 무기로 삼아, 현업에서 가장 골치를 앓던 불량 통화선과 짧은 차량 명령 인식률을 단번에 해결했기 때문입니다.

화자 분리 기능을 기본 포함하고도 시간당 0.10~0.20달러 수준인 단가는 개발자나 기업 고객에게 매우 매력적입니다. 고객 상담 녹취록 분석이나 글로벌 비디오 자막을 다루는 팀이라면 지금 당장 테스트해 볼 만합니다.

다만 전문 산업 도메인 특화 용어에 대한 검증이 더 필요하고 xAI 단일 플랫폼 의존성에 대한 기업의 부담감은 여전히 숙제로 남습니다. 그럼에도 실생활 노이즈 대응력과 가격 경쟁력 면에서 기존 Whisper 생태계와 레거시 음성 API에 상당한 압박을 줄 것으로 보입니다.