마이크로소프트 AI, 실시간 전사 모델 1종·음성 합성 모델 2종 공개

전사 모델: 첫 결과 100밀리초대, 60개 언어

실시간 음성 인식 모델은 첫 부분 결과를 100밀리초를 조금 넘긴 시점에 출력한다. 실시간 전사는 발화가 끝나기 전에 중간 결과를 먼저 내보내는 방식이다. 마이크로소프트는 이 지연 수준을 근거로 음성 에이전트가 화자의 발화 도중 응답할 수 있다고 설명했다.

이 모델은 60개 언어를 전사하며, 도입 가격은 2026년 말까지 오디오 1시간당 0.54달러다. 마이크로소프트는 이 모델이 아티피셜 애널리시스의 정확도 평가에서 1위를 차지했다고 밝혔다.

합성 모델: 23개 언어와 목소리 복제

MAI-보이스-2.1은 하나의 목소리로 23개 언어를 각각 현지 발음에 맞춰 말하도록 설계됐다. 고속 버전인 MAI-보이스-2.1-플래시는 지연 시간이 150밀리초, 가격은 100만 자당 15달러다.

두 합성 모델은 수 초 분량의 참조 음성으로 목소리를 복제할 수 있고, 오용 방지를 목적으로 한 안전장치가 내장됐다고 전해졌다. 음성 복제는 짧은 참조 음성으로 특정인의 목소리를 재현하는 기능이다.

세 모델은 마이크로소프트 파운드리와 MAI 플레이그라운드 등에서 제공되며, 두 합성 모델은 오픈라우터에서도 이용할 수 있다. 마이크로소프트 AI는 2026년 10월 1일 공식 계정에서 세 모델을 소개하며 음성 에이전트 구축을 용도로 제시했다.