MAI-Transcribe-2는 시간당 0.10달러…한국어 성능은 따로 봐야 한다

Microsoft AI는 2026년 9월 3일 음성 인식 모델 MAI-Transcribe-2를 출시했다. Microsoft AI의 공식 발표 에 따르면 화자 분리, 단어 단위 타임스탬프, 키워드 편향 등을 지원하며, 오디오 시간당 0.10달러의 한시 가격은 2026년 말까지 적용된다. 모델은 현재 Microsoft Foundry, MAI Playground, OpenRouter에서 시험할 수 있다.

같은 날 나온 VentureBeat의 출시 분석 도 가격과 출시 사실을 확인했지만, 공개된 벤치마크가 한국어 콜센터 통화나 다자간 회의를 그대로 재현하지는 않는다고 짚었다. 60개 언어 평균과 영어 비즈니스 음성 비중이 큰 독립 지표는 모델의 전반적인 경쟁력을 보여줄 뿐, 한국어 업무 환경의 정확도를 보증하는 수치는 아니다.

0.10달러는 연말까지의 출시 가격이다

시간당 0.10달러는 영구적으로 확정된 표준 요금이 아니라 연말까지 제공되는 한시 조건이다. 2027년 이후 가격은 공식 발표에 제시되지 않았으므로 장기 예산에 같은 단가가 유지된다고 넣기는 어렵다. 프로모션 기간에 월 1,000시간의 녹음을 처리한다는 조건이라면 순수 전사 요금은 월 100달러가 된다.

이 계산에는 음성 저장, 네트워크 전송, 개인정보 비식별화, 실패한 작업의 재처리, 결과 검수와 후속 요약 비용이 들어가지 않는다. 저렴한 모델 요금이 전체 운영비 절감으로 이어지는지는 전사 오류를 사람이 수정하는 시간까지 포함해 판단해야 한다.

지원 기능의 범위는 넓다. 60개 언어와 자동 언어 식별을 지원하고, 여러 사람의 발화를 나누는 화자 분리와 단어별 시간 위치, 전문 용어나 이름의 인식을 유도하는 키워드 편향을 제공한다. 머뭇거림과 잘못 시작한 말을 보존하는 verbatim 방식과 군더더기를 정리하는 clean 방식도 선택할 수 있다.

다만 기능의 존재와 기능의 품질은 다른 주장이다. 화자 분리를 지원한다고 해서 겹쳐 말하는 상담원과 고객을 항상 정확히 구분하는 것은 아니며, 키워드 편향도 등록하지 않은 신규 상품명이나 한국인 이름의 인식률을 보장하지 않는다.

FLEURS 평균 5.2%는 한국어 점수가 아니다

공식 결과는 FLEURS의 60개 언어 평가에서 평균 단어 오류율(WER) 5.2%로 1위를 기록했다는 것이다. WER는 기준 전사문과 모델 출력 사이의 단어 대체·삭제·삽입을 계산하며 낮을수록 좋다. 그러나 5.2%는 60개 언어를 합친 평균이므로 한국어 항목의 개별 성적을 보여주지 않는다.

FLEURS는 원어민이 준비된 문장을 읽은 음성을 바탕으로 여러 언어를 같은 틀에서 비교하는 데이터셋이다. 이런 낭독 음성은 고객이 상담원의 말을 끊거나 여러 참석자가 동시에 발화하는 상황, 전화망 압축과 회의실 잔향, 배경 소음과 사투리가 섞인 녹음과 구조가 다르다. 다국어 평균에서 좋은 결과가 나왔다는 사실만으로 한국어 통화와 회의의 오류율을 추정하기 어려운 이유다.

언어 범위가 넓은 평균은 제품의 다국어 처리 능력을 비교하는 데 의미가 있다. 하지만 한국어를 도입하려는 조직에는 한국어 표본의 WER 분포, 소음 수준별 결과, 짧은 맞장구와 겹침 발화에서의 화자 배정 결과가 더 직접적인 판단 자료다.

독립 지표도 정확도와 속도는 각각 2위다

Artificial Analysis의 비스트리밍 순위표 는 MAI-Transcribe-2에 AA-WER 2.0%, 실시간 대비 중앙 속도 계수 410.7배, 오디오 1,000분당 환산 가격 1.67달러를 표시한다. 현재 표에서 정확도는 Fun-Realtime-ASR-preview의 1.7%에 이어 2위이고, 속도는 Nova-3의 572.8배에 이어 2위다. 따라서 세계에서 가장 정확하고 빠르다는 문구는 독립 순위의 절대 1위라는 뜻으로 읽으면 안 된다.

AA-WER는 약 8시간 분량의 세 데이터셋을 오디오 길이로 가중한 값이다. 모의 고객·상담원 대화인 AA-AgentTalk가 50%, VoxPopuli-Cleaned-AA와 Earnings22-Cleaned-AA가 각각 25%를 차지한다. 다양한 억양과 업무 용어를 포함하지만 영어 비즈니스 음성의 비중이 커 한국어 상담의 예상 오류율로 바로 옮길 수 없다.

속도 계수 역시 실시간 자막의 반응 시간을 나타내지 않는다. 순위표는 10분 길이의 음성을 비스트리밍 방식으로 처리한 시험에서 최근 7일간 측정한 중앙값을 사용한다. 긴 녹음을 빠르게 일괄 처리하는 능력과 발화 직후 자막이 나타나는 스트리밍 지연 시간은 별도의 성능 항목이다.

AA-WER 2.0%도 해당 데이터 구성과 정규화 규칙에서 얻은 종합값이다. 특히 한국어는 띄어쓰기, 숫자와 영문 표기, 조사 결합 방식에 따라 단어 경계가 달라질 수 있다. 후보 모델을 비교할 때는 동일한 기준 전사문과 텍스트 정규화 규칙을 적용해야 수치의 의미가 유지된다.

한국어 통화·회의는 네 축으로 따로 검증해야 한다

한국어 평가표는 하나의 종합점수보다 문자 정확도와 화자 배정 품질을 분리하는 데 초점을 맞춰야 한다. 실제 상담 채널, 회의실 마이크, 휴대전화 녹음처럼 운영 환경을 대표하는 파일을 사용하고, 표준어와 사투리, 빠른 발화, 영어 제품명, 숫자·날짜, 겹침 발화를 표본에 포함해야 한다.

• 한국어 WER: 대체·삭제·삽입 오류를 계산하되 띄어쓰기, 숫자, 영문 대소문자와 문장부호의 정규화 규칙을 먼저 고정한다. 전체 평균뿐 아니라 통화·회의·소음 수준별 결과를 나눈다.
• 화자 분리: 기준 발화를 놓친 시간, 음성이 아닌 구간을 발화로 처리한 시간, 발화를 다른 화자에게 배정한 시간을 구분해 기록한다. 문장이 정확해도 상담원과 고객이 뒤바뀌면 민원 분석이나 준법 검토 결과가 왜곡될 수 있다.
• 고유명사: 사람 이름, 회사명, 제품명, 지명과 사내 약어의 정답 목록을 만들고 정확히 인식한 비율을 집계한다. 키워드 편향의 효과는 같은 파일을 기능 적용 전후로 처리해 비교한다.
• 타임스탬프: 기준 단어의 시작·종료 시점과 출력 시점의 차이를 재고, 용도별 허용 오차 안에 들어온 단어의 비율을 계산한다. 자막 편집과 통화 구간 검색은 필요한 시간 정밀도가 서로 다를 수 있다.

네 항목을 하나의 점수로 합치면 실제 운영을 막는 문제가 가려진다. 전사 문장은 맞지만 화자가 뒤바뀔 수 있고, 화자 구분은 정확하지만 상품명 하나가 반복해서 틀릴 수도 있다. 오디오 유형별 표본 수와 실패 사례를 함께 보관해야 모델이나 설정을 바꾼 뒤 같은 조건으로 재검증할 수 있다.

현재 공개 자료로 확인되는 것은 출시 가격과 지원 기능, 다국어 FLEURS 평균, 비스트리밍 독립 지표에서의 경쟁력이다. 한국어만의 WER, 한국어 겹침 발화의 화자 분리 오류율, 2027년 이후 표준 가격은 공개되지 않았다. 이 수치들이 나오기 전까지 한국어 도입 판단은 60개 언어 평균이 아니라 조직의 실제 통화·회의 표본에서 얻은 항목별 결과를 근거로 해야 한다.