MAI-Transcribe-2 출시: FLEURS 1위, 시간당 $0.10 음성인식

핵심 요약

Microsoft AI가 2026년 9월 3일 음성인식(speech-to-text) 모델 MAI-Transcribe-2를 공식 출시했다 (Microsoft AI 공식 발표). 지난 4월 출시된 MAI-Transcribe-1의 후속 모델로, 다국어 음성인식 표준 벤치마크인 FLEURS에서 60개 언어를 대상으로 1위를 기록했다. 평균 단어 오류율(WER)은 5.2%다. 가격은 오디오 시간당 $0.10로 책정됐는데, 이는 전작 출시 가격인 $0.36/시간 대비 대폭 낮아진 수치다 (Neowin 보도).

주요 기능

1. FLEURS 60개 언어 벤치마크 1위

FLEURS는 60개 언어를 대상으로 한 다국어 음성인식 표준 벤치마크다. MAI-Transcribe-2는 이 벤치마크에서 1위를 차지했고, 평균 WER 5.2%를 기록했다 (Unite.AI 보도). Microsoft는 이를 현재까지 나온 음성-텍스트 모델 중 가장 강력한 교차언어 정확도 결과라고 평가했다 (Microsoft AI 공식 발표).

2. 오디오 시간당 $0.10 가격

가격은 오디오 시간당 $0.10다. 전작 MAI-Transcribe-1의 출시 가격 $0.36/시간과 비교하면 큰 폭의 인하다 (Neowin 보도). 대량의 음성 데이터를 처리해야 하는 콜센터, 미디어 아카이빙, 회의록 자동화 등에서 비용 부담을 줄일 수 있는 대목이다.

3. 화자 분리와 단어 단위 타임스탬프

신기능으로 화자 분리(speaker diarization)와 단어 단위 타임스탬프(word-level timestamps)가 추가됐다. 회의나 인터뷰처럼 여러 화자가 등장하는 오디오에서 발화자를 구분하고, 특정 단어가 나온 정확한 시점을 표시할 수 있다.

4. 전사 스타일 커스터마이징

전사 스타일을 설정할 수 있는 기능(configurable transcription styles)도 포함됐다. 용도에 따라 표기 방식을 조정할 수 있어, 자막 제작이나 회의록 작성처럼 결과물의 형식이 중요한 작업에 유용하다.

사용성 분석

Microsoft에 따르면 MAI-Transcribe-2는 Gemini 3.5 Transcribe, GPT-Transcribe(OpenAI), Whisper V3-Large, ElevenLabs Scribe v2 등 경쟁 모델 대비 더 넓은 범위의 실제 오디오에서 우수한 성능을 보인다 (Microsoft AI 공식 발표). 화자 분리와 타임스탬프 기능은 별도 후처리 없이 바로 활용할 수 있어, 콜센터 품질 관리나 팟캐스트 자막 제작처럼 실무에 곧바로 적용 가능한 워크플로우에 적합하다. 다만 이번 발표에 포함된 성능·속도 수치는 모두 Microsoft 자체 발표에 기반한 것으로, 제3자의 독립적인 재현 검증은 아직 이뤄지지 않았다.

장단점

장점

1. FLEURS 60개 언어 벤치마크 1위, WER 5.2%를 기록한 정확도 (Microsoft AI 공식 발표)
2. 오디오 시간당 $0.10로, 전작 대비 대폭 낮아진 가격 (Neowin 보도)
3. 화자 분리와 단어 단위 타임스탬프로 실무 활용도 향상
4. 전사 스타일 커스터마이징으로 결과물 형식 조정 가능

단점

1. 성능·속도 비교 수치가 모두 Microsoft 자체 발표에 근거해, 독립적인 검증이 필요하다
2. 지원되는 60개 언어 각각의 세부 정확도 편차는 별도로 공개되지 않았다

경쟁 서비스 비교

Microsoft가 자체 발표한 속도 비교 수치는 다음과 같다 (Microsoft AI 공식 발표).

Microsoft는 이 같은 속도 우위를 유지하면서도 더 높은 전사 정확도를 기록했다고 주장한다 (Microsoft AI 공식 발표). 가격 면에서도 MAI-Transcribe-2는 시간당 $0.10로, 전작의 $0.36/시간 대비 낮은 비용 구조를 갖췄다.

전망

음성인식 모델 시장은 가격 경쟁이 빨라지고 있다. MAI-Transcribe-2가 전작 대비 가격을 낮추면서 성능까지 끌어올린 점은, 대량의 오디오를 처리해야 하는 기업 고객에게 실질적인 비용 절감 요인이 될 수 있다. 화자 분리와 타임스탬프 같은 기능이 표준 기능으로 자리잡으면서, 음성 데이터를 다루는 서비스들의 진입 장벽도 낮아질 것으로 보인다. 다만 Microsoft 발표에 의존한 속도·정확도 비교가 실제 프로덕션 환경에서도 재현되는지는 시간을 두고 지켜볼 필요가 있다.

결론

MAI-Transcribe-2는 FLEURS 벤치마크 1위 정확도와 오디오 시간당 $0.10라는 낮은 가격을 동시에 내세운 모델이다. 대량의 음성 데이터를 처리하는 기업, 특히 콜센터·미디어·회의록 자동화 업무를 담당하는 개발팀에 추천할 만하다. 다만 발표된 수치 대부분이 Microsoft 자체 벤치마크에 근거하므로, 도입 전 자체 테스트를 병행하는 것이 바람직하다.