Microsoft AI, 음성 에이전트용 전사·음성합성 모델 출시

실시간 음성 인공지능의 처리 속도와 다국어 활용 범위 확대

• Microsoft AI는 실시간 음성 인식을 위한 ‘MAI-Transcribe-2-Streaming’을 출시해 60개 언어를 100밀리초 넘게 부분 전사한다.
• 이 모델은 Artificial Analysis 정확도 평가에서 1위를 내세우며, 화자가 문장을 끝내기 전 음성 에이전트가 응답하도록 설계됐다.
• ‘MAI-Voice-2.1’과 ‘Flash’는 같은 음성으로 23개 언어를 구사하고, 수초 분량 음성만으로 화자 음성을 복제한다.
• 전사 비용은 올해 말까지 시간당 $0.54이며, ‘MAI-Voice-2.1-Flash’는 150밀리초 지연과 문자 100만 개당 $15 가격을 제시한다.
• Microsoft Foundry·MAI Playground·OpenRouter에서 모델을 제공하고, 4,000명 시험 참가자 중 약 절반이 합성 음성을 실제 사람으로 판단했다.
• 한국은 다국어 민원·재난 통신에 적용할 기회를 얻지만, 음성 복제 오용을 막도록 동의·표시·감사 기준을 산업 육성과 함께 마련해야 한다.

국내 공공 도입은 속도보다 음성 데이터 통제와 복제 탐지 검증을 우선하고, 한국어·방언 성능을 별도로 평가하는 조달 기준을 마련해야 한다.

주요 용어: 실시간 전사(음성을 말하는 즉시 문자로 변환), 음성 복제(짧은 음성 표본으로 화자의 목소리를 재현)

출처: The Decoder