마이크로소프트, 말하는 중 받아쓰는 AI 공개... 한국어 음성도

마이크로소프트가 10월 1일(현지시간) 말하는 도중에 바로 받아쓰는 AI 모델 MAI-Transcribe-2-Streaming을 공개했다. 글을 음성으로 읽어주는 MAI-Voice-2.1과 MAI-Voice-2.1-Flash도 함께 내놓았다. 개발자는 Microsoft Foundry와 MAI Playground에서 세 모델을 쓸 수 있다.

말하는 중에 받아쓴다, 얼마나 빠를까

새 받아쓰기 모델은 사람이 말하는 동안에도 글로 바꾼 결과를 바로 보여준다. 60개 언어를 자동으로 알아듣고, 뒤이어 들어온 말을 반영해 앞서 적은 내용을 고친 뒤 결과를 확정한다. 녹음이 끝난 뒤 전체를 한꺼번에 옮기는 방식과 다르다.

마이크로소프트는 음성이 들어온 뒤 약 0.1초부터 중간 결과를 만든다고 밝혔다. 회사가 공개한 비교에서는 말한 뒤 화면에 단어가 뜨기까지 대체로 약 0.32초가 걸렸다. 가장 가까운 경쟁 모델은 0.5초를 넘었다고 설명했다. Artificial Analysis의 정확도 평가에서도 중간 결과와 최종 결과 모두 1위였다고 밝혔다.

기존 MAI-Transcribe-2는 이미 녹음된 음성을 글로 옮기고, 말한 사람을 구분하거나 단어마다 말한 시각을 표시했다. 이번 Streaming 모델은 말하는 중에 결과를 받아볼 수 있다는 점이 다르다. 지원 언어도 MAI-Transcribe-1.5의 43개에서 60개로 늘었다.

글을 읽어주는 모델 2종, 한국어도 되나

음성 합성 모델 MAI-Voice-2.1은 23개 언어와 26개 지역 설정을 지원한다. 앞선 MAI-Voice-2는 15개 언어였다. 새 모델은 언어를 바꿔도 같은 사람의 목소리를 유지한다. 여러 언어로 안내 음성을 만드는 서비스에서 목소리를 하나로 맞출 수 있다.

Flash는 지원 언어가 일반형과 같고, 빠른 응답과 대량 처리에 초점을 맞췄다. 마이크로소프트는 비교 대상 모델보다 모델이 음성을 계산하는 속도가 55% 빠르고 비용은 약 60% 낮다고 설명했다. 두 모델의 공식 음성 목록에는 한국어도 들어 있어, 한국어로 말하는 기능을 붙이려는 개발자가 시험해 볼 수 있다.

얼마에, 어디서 쓸 수 있나

받아쓰기 모델의 도입 가격은 2026년 말까지 오디오 1시간당 0.54달러다. 음성 합성은 문자 100만 자당 일반형이 22달러, Flash가 15달러다. 마이크로소프트는 음성 합성 모델을 전 세계에서 쓸 수 있다고 안내한다. 다만 요청을 처리하는 지역 목록에 한국 Azure 지역은 빠져 있다.

세 모델은 모두 공개 미리보기 단계다. 마이크로소프트 문서는 서비스 품질을 보장하는 계약이 적용되지 않으며, 실제 운영 환경에서 쓰는 것은 권장하지 않는다고 안내한다. 목소리를 복제하는 기능은 본인 동의를 받은 5~60초 분량의 참고 음성을 쓰고, 별도 심사를 거쳐야 쓸 수 있다.

이번 공개로 개발자는 말하는 중 받아쓰는 기능과 여러 언어로 읽어주는 기능을 함께 시험할 수 있게 됐다. 국내 서비스에 넣으려면 받아쓰기 모델의 한국어 지원 범위와 데이터 처리 지역을 함께 따져야 한다. 실제 한국어 대화에서의 정확도와 응답 속도, 정식 서비스 전환 조건이 앞으로 확인할 지점이다.