마이크로소프트, 3개 신모델로 음성 AI 스택 확장
TREE NEWS 보도: 마이크로소프트가 10월 1일 세 가지 새로운 음성 모델을 공개하며 콜센터 에이전트, 실시간 자막, 다국어 어시스턴트를 뒷받침하는 실시간 음성 AI 계층에 더 깊이 진입했다. 핵심은 MAI-Transcribe-2-Streaming으로, AI 벤치마킹 플랫폼 Artificial Analysis의 스트리밍 인식 테스트에서 최고 정확도를 차지하며 이전 선두였던 Grok Voice Transcribe 2.0을 근소하게 앞섰다.
벤치마크 데이터에 따르면 MAI-Transcribe-2-Streaming은 테스트된 38개 모델 중 최종 단어 오류율(WER) 2.5%를 기록했고, 발화 종료부터 최종 텍스트까지 지연은 약 0.13초였다. 지연에 더 민감한 ‘첫 부분 전사’ 테스트에서도 WER 2.5%, 약 0.12초를 기록했다. Grok Voice Transcribe 2.0은 WER 2.7%, 지연 0.49초, Muse Voice Transcribe는 3.1%, 0.16초, ElevenLabs Scribe v2 Realtime은 3.6%, 0.14초였다.
스트리밍이 중요한 이유
기존의 ‘전사 후 출력’ 파이프라인과 달리, 스트리밍 모델은 오디오를 받은 후 약 100밀리초 이내에 부분 결과를 내보내고, 더 많은 음성이 도착함에 따라 텍스트를 지속적으로 수정한다. 마이크로소프트는 이를 통해 음성 에이전트가 사용자가 문장을 끝내기 전에 추론을 시작하고 도구 호출을 준비할 수 있다고 말한다. 이는 고객 서비스, 실시간 받아쓰기, 실시간 번역 워크플로에 의미 있는 변화다. 마이크로소프트는 내부 테스트에서 텍스트가 가장 가까운 경쟁사보다 약 두 배 빠르게 나타난다고 주장한다.
그러나 속도가 절대적인 우위는 아니다. Cartesia Ink Preview는 최종 전사 지연이 약 0.11초로 약간 더 빨랐지만, WER 3.1%로 정확도에서는 마이크로소프트에 뒤진다.
가격은 프리미엄 포지셔닝을 시사
마이크로소프트는 개발자 롤아웃 기간 동안 MAI-Transcribe-2-Streaming을 프로모션 가격 시간당 0.54달러, 즉 1,000분당 9달러에 제공한다. 이는 주류 스트리밍 음성 가격 중 높은 편으로, Gemini 3.5 Transcribe Live와 거의 같은 수준이고, ElevenLabs Scribe v2 Realtime과 Deepgram Flux의 약 6.50달러보다 높으며, Cartesia Ink-2의 약 4달러와 Muse Voice Transcribe의 약 3달러를 크게 웃돈다. 요점은 마이크로소프트가 가격으로 경쟁사를 밑도는 것이 아니라 정확도, 지연, 엔터프라이즈급 배포로 경쟁한다는 것이다.
파이프의 다른 쪽 끝
마이크로소프트는 텍스트 음성 변환을 위해 MAI-Voice-2.1과 더 낮은 지연의 MAI-Voice-2.1-Flash도 출시했다. MAI-Voice-2.1은 23개 언어와 26개 로케일을 지원하며, 언어 전반에 걸쳐 일관된 음성과 더 자연스러운 현지 억양을 제공한다. 이를 통해 단일 어시스턴트가 언어별로 음성을 재구성하지 않고도 영어, 중국어, 독일어를 전환할 수 있다. 가격은 100만 자당 22달러이며, Flash는 100만 자당 15달러로, 마이크로소프트는 비교 모델보다 추론이 55% 빠르고 비용이 약 60% 낮다고 주장한다. 둘 다 몇 초의 참조 오디오로 음성 복제를 지원하며 동의 안전장치가 붙어 있다.
시장 시사점
- 마이크로소프트 (MSFT): 이번 릴리스는 모델, 클라우드 인프라, Copilot, Teams, GitHub, Dynamics 365를 통한 유통을 직접 소유하는 수직 통합 스토리를 강화한다. 음성 AI는 높은 마진의 점착성 높은 엔터프라이즈 계층으로, 경쟁 하이퍼스케일러 AI 스택에 맞선 Azure의 포지셔닝을 강화한다.
- 음성 AI 전문 기업: ElevenLabs, Deepgram, Cartesia 등은 신뢰성 시험에 직면한다. 마이크로소프트가 프리미엄 가격에 벤치마크 최고 정확도를 달성했다는 점은 기업들이 최고의 포인트 솔루션보다 하이퍼스케일러 플랫폼에 음성 지출을 통합할 수 있음을 시사한다.
- 컨택센터 및 BPO 소프트웨어: 더 빠른 스트리밍 전사는 AI 에이전트의 지연 예산을 압축해 고객 서비스 인력 자동화를 가속할 수 있으며, 서드파티 음성 엔진에 의존하는 레거시 CCaaS 벤더에 압력을 가한다.
- 광범위한 AI 인프라: 실시간 음성 워크로드는 추론 집약적이고 지연에 민감해 엣지 인접 및 지역 분산 컴퓨팅에 유리하다. 훈련만이 아니라 추론 용량에 대한 설비투자가 계속 강조될 것으로 예상된다.
투자자를 위한 핵심 요점
- 마이크로소프트는 전사에서 합성까지 음성 AI 스택을 엔드투엔드로 통합하고 있으며, 이제 가격이 아닌 성능으로 경쟁한다.
- 스트리밍 전사에서의 벤치마크 리더십은 단독 제품이라기보다 유통 무기이며, 가치는 Copilot, Teams, Azure 소비를 통해 축적된다.
- 음성 AI 전문 기업들이 가격 인하나 차별화된 엔터프라이즈 기능으로 대응하는지 주시하라. 마진 압축이 해당 그룹의 핵심 리스크다.
- 실시간 음성 에이전트는 AI 추론 수요의 선행 지표이며, 하이퍼스케일러에게 더 지속 가능한 수익화 계층으로 남아 있다.
