마이크로소프트가 AI 음성 인식 시장에서 성능과 가격 경쟁력을 동시에 확보하며 적극적인 공략에 나섰다. 지난 4월에 첫 번째 모델을 출시한 지 5개월 만에 처리 속도와 다국어 정확도를 크게 향상시키는 한편, 가격을 70% 이상 인하한 음성 인식 모델을 선보였다. 이로써 오픈AI와 구글 등 주요 경쟁사의 모델과의 격차를 더욱 벌리겠다는 의지를 드러냈다.
마이크로소프트는 지난 3일(현지시간) 음성 인식 모델 'MAI-트랜스크라이브-2'를 발표했다. 동사는 이 모델이 현재 자사에서 개발한 최고 수준의 음성 전사 모델이며, 동시에 경쟁사의 모델들과 비교했을 때 성능과 효율성 측면에서 우위를 점한다고 강조했다.
특히 성능 평가 기관 아티피셜 애널리시스의 평가 결과에 따르면, 이 모델의 처리 속도는 오픈AI의 'GPT-트랜스크라이브'보다 최대 10배, 일레븐랩스의 '스크라이브 v2'보다 7배, 구글의 '제미나이 3.5 트랜스크라이브'보다 5배 빠른 것으로 나타났다.
정확성 측면에서도 우수한 성능을 보인다. 60개 언어를 대상으로 한 다국어 음성 인식 벤치마크인 'FLEURS'에서 평균 단어 오류율(WER) 5.2%를 기록하며 1위를 차지했다. 아티피셜 애널리시스의 WER 평가에서도 2위를 기록했고, 정확도와 지연시간을 함께 고려한 성능 지표에서는 최적의 성능 곡선인 '파레토 프론티어'를 형성했다고 전했다.
411배의 실시간 처리 속도와 2.0%의 AA-WER을 달성한 것으로 집계됐다. 이는 고정확도 음성 인식 모델 중에서도 매우 빠른 수준으로, 일레븐랩스 스크라이브 v2보다 7배 이상 빠르며 '스몰리스트 AI 펄스 프로'보다 약 1.5배 가량 빠르다.
고속 처리를 통해 대규모 음성 데이터를 처리할 때 필요한 컴퓨팅 비용을 절감할 수 있다는 점이 핵심 경쟁력이다.
가격 측면에서도 경쟁력이 두드러진다. 마이크로소프트는 MAI-트랜스크라이브-2를 연말까지 한시적으로 오디오 1시간당 0.10달러에 제공한다. 4월에 출시한 초기 모델의 시간당 0.36달러와 비교하면 약 72% 낮아진 수준이다.
1000분을 기준으로 환산하면 1.67달러 수준으로, 경쟁 모델인 스크라이브 v2의 3.67달러나 스몰리스트 AI 펄스 프로의 4달러에 비해 절반 이상 저렴하다.
음성을 텍스트로 변환하는 기능도 대폭 강화됐다. 기존 MAI-트랜스크라이브의 지원 언어를 43개에서 60개로 확대했으며, 여러 명의 화자를 구분하는 화자 분리 기능과 단어 단위 타임스탬프를 새로 추가했다. 또한 약품명이나 제품 코드, 인명 같은 전문 용어에서 발생하기 쉬운 오류를 줄이기 위해 키워드 편향 기능도 함께 제공한다.
특히 전사 스타일을 '클린'과 '버바팀' 중에서 선택할 수 있도록 한 점도 눈에 띈다. 버바팀 모드는 말더듬이나 추임새, 문장 중단 등 실제 발화를 있는 그대로 기록해 법률·컴플라이언스 업무에 활용 가능하며, 클린 모드는 불필요한 추임새를 제거해 회의록이나 자막, 문서 작성에 최적화돼 있다. 나아가 서로 다른 언어를 섞어 사용하는 코드 스위칭도 지원하므로 힌글리시나 스팽글리시 같은 혼합 언어 대화도 처리할 수 있다.
자동 언어 식별 기능을 탑재해 사용자가 미리 언어를 지정할 필요 없이 음성을 인식하며, 배경 소음이나 저품질 녹음 상황에서도 안정적인 전사 성능을 발휘하도록 설계됐다. 따라서 임상 기록 작성, 법률 문서화, 접근성 서비스, 폐쇄 자막, 고객센터 녹취 등 다양한 기업용 음성 처리 작업에 활용할 수 있다.
마이크로소프트의 음성 기술 개발 속도도 주목할 만하다. 4월에 25개 언어를 지원하는 첫 모델을 시간당 0.36달러에 출시한 후 6월 MAI-트랜스크라이브-1.5에서 43개 언어와 키워드 편향 기능을 추가했고, 이번에는 60개 언어와 화자 분리, 단어 단위 타임스탬프, 코드 스위칭을 지원하면서 가격을 대폭 인하했다. 5개월 사이에 성능, 기능, 비용을 모두 개선한 것이다.
MAI-트랜스크라이브-2는 현재 MS 파운드리, MAI 플레이그라운드, 오픈라우터를 통해 이용할 수 있다.