Microsoft, 60개 언어 실시간 음성 인식 서비스 MAI‑Transcribe‑2‑Streaming을 시간당 $0.54에 출시

2026년 10월 1일, Microsoft AI는 MAI‑Transcribe‑2‑Streaming 서비스가 공개 프리뷰 단계에 진입했다고 공식 발표했습니다. 이 발표는 해당 서비스가 클라우드 기반 실시간 음성‑텍스트 엔진으로 제공되어, 60개 언어의 오디오 스트림을 동시에 처리하고, 오디오가 진행되는 동안 부분 전사와 최종 전사를 순차적으로 제공한다는 점을 강조합니다. Microsoft는 이 서비스를 즉시 캡션, 실시간 번역 파이프라인 또는 음성 기반 분석이 필요한 개발자를 위한 저비용 옵션으로 시장에 내놓고 있으며, 프리뷰 기간 동안 가격이 고정된다는 점을 부각했습니다.

실시간 전사 기능

스트리밍 전사는 배치 처리와 달리 화자가 말하고 있는 동안 모델이 가설을 내보낸다는 점에서 차별화됩니다. MAI‑Transcribe‑2‑Streaming은 오디오 샘플이 도착한 후 약 100밀리초 안에 초기 가설을 생성하고, 이어서 정제된 부분 결과와 구두점이 포함된 최종 전사를 제공한다고 주장합니다. 이 시스템은 연속 언어 감지도 수행하여, 지원되는 60개 언어 중 언어가 변경될 경우 자동으로 음향 및 언어 모델을 전환함으로써 별도의 언어 선택 단계가 필요 없게 합니다. 이러한 설계는 다국어 환경에서 실시간 상호작용을 구현하려는 애플리케이션에 특히 유용합니다.

개발자는 Microsoft Foundry를 통해 이 서비스에 접근할 수 있으며, Realtime API는 OpenAI의 스트리밍 엔드포인트에서 사용되는 WebSocket 패턴을 그대로 반영합니다. 동일한 기능은 Azure Speech SDK에서도 제공되어 Windows, Linux, 모바일 및 웹 애플리케이션에 최소한의 코드 변경으로 통합할 수 있습니다. Microsoft 문서는 API가 원시 오디오 프레임을 받아 JSON 형식으로 전사 조각을 반환한다는 점을 강조하며, 기존 실시간 파이프라인과 호환된다고 명시합니다. 따라서 기존 음성 처리 워크플로우를 유지하면서도 새로운 모델의 저지연 특성을 활용할 수 있습니다.

벤치마크 성능 및 정확도

독립 벤치마크 플랫폼인 Artificial Analysis는 MAI‑Transcribe‑2‑Streaming을 스트리밍 단어 오류율(WER) 리더보드 상위에 올렸습니다. 이 평가는 공통 8시간 테스트 믹스에서 38개의 모델을 비교한 결과이며, 최종 전사에서 2.5% WER를 달성했으며 평균 레이턴시는 0.13초였고, 첫 번째 부분 결과에서도 동일한 2.5% WER를 0.12초에 제공했다고 보고되었습니다. MarkTechPost는 테스트 믹스에 다양한 화자, 억양 및 배경 소음이 포함되었다고 언급하며 이 수치를 보도했습니다. 이러한 결과는 모델이 다양한 음성 환경에서도 일관된 정확도를 유지한다는 점을 시사합니다.

Microsoft 자체 측정이 벤치마크 수치의 근거이며, Artificial Analysis 테스트 외의 속도 주장은 내부 추정치로 간주해야 한다고 회사는 주의하고 있습니다. 공개 프리뷰에는 프로덕션 수준의 서비스 수준 계약(SLA)이 포함되지 않아, 미션 크리티컬 배포를 계획하는 기업은 유료 단계로 전환하기 전에 자체 워크로드에서 신뢰성 및 레이턴시를 평가해야 합니다. 따라서 초기 도입 단계에서는 파일럿 프로젝트나 비핵심 서비스에 적용해 보는 것이 권장됩니다.

가격, 관련 모델 및 프리뷰 제한

프리뷰 기간 동안 Microsoft는 처리된 오디오 1시간당 54센트라는 도입 가격을 설정했습니다. 이 요금은 2026년 말까지 유지됩니다. 프리뷰에는 공식 SLA가 없으며, 발표된 벤치마크 수치를 초과하는 사용량은 보장되지 않습니다. 전사 서비스와 함께 Microsoft는 MAI‑Voice‑2.1 및 Voice‑2.1‑Flash도 출시했으며, 후자는 약 150밀리초의 엔드투엔드 레이턴시로 45초 분량의 합성 음성을 생성할 수 있고, 백만 문자당 15달러의 비용이 든다고 광고되었습니다.

Flash 모델은 인터랙티브 어시스턴트나 실시간 더빙과 같은 저레이터시 음성 생성 시나리오를 목표로 하며, 스트리밍 전사 엔진을 보완해 빠르고 고품질의 음성 출력 경로를 제공합니다. 두 모델 모두 Microsoft Foundry를 통해 동일한 통합 인터페이스를 공유하므로, 개발자는 필요에 따라 단일 WebSocket 세션에서 전사와 합성을 연계할 수 있습니다. 이는 복합적인 음성‑텍스트 워크플로우를 단순화하고, 전체 파이프라인의 지연을 최소화하는 데 기여합니다.

• 자동 감지로 60개 언어 지원
• 오디오 수신 후 약 100 ms에 초기 가설 생성
• 벤치마크 보고 0.13 s 레이턴시에서 2.5 % WER(최종 결과)
• 프리뷰 기간 동안 오디오 1시간당 $0.54 도입 가격
• Microsoft Foundry Realtime API 및 Azure Speech SDK를 통한 접근

낮은 레이턴시, 다국어 커버리지 및 투명한 가격 모델의 결합은 실시간 캡션, 다국어 콜센터 분석 또는 실시간 번역 서비스를 구축하는 개발자에게 새로운 가능성을 열어줍니다. 서비스가 부분 결과를 스트리밍하기 때문에 애플리케이션은 화자가 말을 마치기 전에 텍스트 처리를 시작할 수 있어, 감정 분석이나 의도 감지와 같은 다운스트림 AI 구성 요소의 엔드투엔드 응답 시간을 단축합니다. 합리적인 비용 구조는 이전에 높은 분당 요금 때문에 클라우드 전사를 회피했던 스타트업 및 연구팀의 진입 장벽도 낮춥니다.

영어권 시장에서 운영되는 조직에게 이번 프리뷰는 기존 Azure Speech 제품보다 훨씬 낮은 비용으로 실시간 음성 인터페이스를 배포할 수 있음을 의미합니다. 기업은 웨비나에 대한 실시간 캡션을 실험하거나, 비디오 플랫폼에 즉시 자막을 통합하거나, 음성 기반 고객 지원에 실시간 전사를 추가할 수 있으며, 서비스가 프리뷰에서 정식 서비스로 전환될 때까지 프로덕션 SLA에 얽매일 필요가 없습니다. 이러한 유연성은 파일럿 단계에서 빠른 검증을 가능하게 하며, 향후 정식 전환 시 비용 효율성을 유지할 수 있는 기반을 제공합니다.