가장 빠르고 정확하고 저렴한 음성 인식: MAI-Transcribe-2 공개
회의를 녹음해 자막으로 만들거나, 상담 내용을 기록으로 남기거나, 임상 소견을 받아 적는 작업. 이런 일의 품질은 결국 음성을 텍스트로 옮기는 모델의 정확도와 속도에 달려 있습니다.
Microsoft AI가 새 음성 인식 모델 MAI-Transcribe-2를 공개했습니다. 원문의 표현을 그대로 옮기면 “지금까지 가장 성능이 뛰어난 전사 모델일 뿐 아니라, 경쟁 모델 사이에서도 가장 뛰어나고 효율적인” 모델입니다.
무엇이 새로운가
MAI-Transcribe-2는 화자 분리(diarization), 구성 가능한 전사 스타일, 단어 단위 타임스탬프 같은 새 기능으로 Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large, ScribeV2 같은 주요 모델들을 앞서면서도, 더 넓은 범위의 실제 오디오를 처리합니다.
벤치마크 성적
- FLEURS 벤치마크 60개 언어에서 1위, 평균 단어 오류율(Word-Error-Rate) 5.2%
- Artificial Analysis에서 정확도-지연 시간 파레토 프런티어(Pareto Frontier) 정의
- Artificial Analysis 단어 오류율 리더보드 2위 — 이전 버전에서부터 이어진 성능 개선 흐름
하나의 모델로 더 많은 문제를 해결
MAI-Transcribe-2는 임상 기록부터 법률 문서화, 접근성, 자막 제작까지 실제 업무 시나리오를 겨냥해 설계됐습니다.
핵심 기능
| 기능 | 내용 |
|---|---|
| 더 빠른 추론 | 특히 장시간 오디오에서 지연 시간이 크게 낮아짐 — 경쟁 모델 대비 최대 10배 빠른 처리 |
| 화자 분리(Speaker diarization) | 녹음 안에서 화자를 구분하고 발화를 올바른 사람에게 귀속 |
| 단어 단위 타임스탬프 | 모든 단어에 정밀한 시간 정보를 부여해 정확한 정렬·검색·탐색·편집 지원 |
| 키워드 바이어싱(Keyword biasing) | 문맥만으로는 구분하기 어려운 전문 용어·약어·이름을 인식하도록 지원 |
| 구성 가능한 전사 스타일 | “verbatim” — 필러 단어와 말 더듬까지 그대로 기록해 컴플라이언스·분석에 활용. “clean” — 필러를 제거해 더 읽기 쉬운 자막·메모·전사본 생성 |
| 코드 스위칭(Code switching) | 힝글리시, 스팽글리시처럼 자연스럽게 섞이는 언어 조합을 포함해 언어 간 전환이 있는 대화 지원 |
| 자동 언어 식별 | 사용자가 미리 지정하지 않아도 사용 중인 언어를 정확히 감지 |
| 잡음 환경에서의 견고함 | 통제된 녹음 환경을 벗어나도 전사 품질 유지 |
| 60개 언어 지원 | 전 세계 개발자에게 품질 좋은 전사 제공 |
정확도를 희생하지 않는 효율성
MAI-Transcribe-2는 Artificial Analysis의 정확도-지연 시간 파레토 프런티어를 이끌며, 최고 수준의 전사 품질과 시장 최고의 배치 속도를 결합합니다.
Artificial Analysis가 실시한 평가에 따르면 이 모델은 다음과 같이 더 높은 정확도를 유지하면서도 훨씬 빠릅니다.
- OpenAI GPT-Transcribe 대비 10배 빠름
- ElevenLabs Scribe v2 대비 7배 빠름
- Gemini 3.5 Transcribe 대비 5배 빠름
낮은 지연 시간이 중요한 상황에서 명확한 우위를 보여 준다는 설명입니다.
60개 언어에서 일관된 품질
MAI-Transcribe-2는 다른 어떤 모델보다 많은 언어에서 정확합니다.
공개된 다국어 벤치마크 FLEURS에서의 평가는 테스트한 모든 언어에서 일관되게 높은 정확도 기준을 유지함을 보여 줍니다. 여러 언어를 전사해야 하는 개발자는 단일 모델로 처리할 수 있어 복잡성이 줄고 GPU 사용 이슈도 줄일 수 있습니다.
최고의 가격에 최고의 성능
효율성이 높다는 것은 곧 비용 효율성으로 이어집니다. MAI-Transcribe-2의 속도와 처리량 덕분에 Microsoft는 시장에서 가장 경쟁력 있는 가격을 제시할 수 있었습니다.
출시 시점 가격은 연말까지 한시적으로 시간당 0.10달러입니다.
지금 사용해 보기
MAI-Transcribe-2의 기능은 다음 세 곳에서 오늘부터 체험할 수 있습니다.
- Microsoft Foundry
- MAI Playground
- Open Router
한국 Copilot·에이전트 독자 관점에서 왜 중요한가
전사 모델은 눈에 잘 띄지 않지만 Copilot 생태계 전반의 입력 품질을 좌우하는 기반 계층입니다.
- 회의 요약·자막의 원천 품질: Teams 회의 요약, 자막, 회의록 같은 기능은 결국 음성을 얼마나 정확히 텍스트로 옮기느냐에서 시작합니다. 전사 모델이 좋아지면 그 위에 얹히는 요약·분석 기능의 품질도 함께 좋아집니다.
- 화자 분리의 실무 가치: 여러 사람이 참여하는 회의나 상담 녹음에서 누가 무슨 말을 했는지 구분하는 것은 회의록 작성, 상담 기록, 법률 문서화에서 핵심적인 요구 사항입니다.
- 한국어 지원 범위 확인 필요: 60개 언어를 지원한다고 명시되어 있으나, 한국어가 포함되는지와 실제 정확도는 별도로 확인이 필요합니다. Microsoft Foundry나 Playground에서 직접 테스트해 보는 것을 권합니다.
- verbatim/clean 스타일의 활용: 컴플라이언스 대응이 필요한 콜센터·법무 영역에서는 verbatim 스타일이, 일반 회의록이나 자막 제작에는 clean 스타일이 적합합니다. 용도에 따라 구분해 사용할 수 있는 점이 실무적으로 유용합니다.
- 비용 절감 가능성: 시간당 0.10달러라는 한시적 가격은 대량의 오디오를 처리해야 하는 조직에게 비용 구조를 재검토할 계기가 될 수 있습니다.
마무리
음성 인식 모델의 발전은 화려하게 드러나지 않지만, Copilot이 회의·통화·현장 녹음을 이해하는 능력의 기반이 됩니다. MAI-Transcribe-2는 속도·정확도·가격 세 축에서 동시에 개선을 보여 주며, 특히 화자 분리와 구성 가능한 전사 스타일은 실제 업무에 바로 적용할 만한 기능입니다.
Microsoft Foundry, MAI Playground, Open Router에서 직접 체험해 볼 수 있습니다.
출처
- 원문 제목: MAI-Transcribe-2 is the fastest, most accurate and cheapest speech recognition model in the world
- 링크: https://microsoft.ai/news/mai-transcribe-2-is-the-fastest-most-accurate-and-cheapest-speech-recognition-model-in-the-world/
자세한 내용은 원문을 참조하세요.