AI 뉴스 SVIL 마이크로소프트 MAI-Transcribe-2 음성인식 자막

마이크로소프트가 받아쓰기 값을 72% 내렸습니다 — MAI-Transcribe-2와 60개 언어

SVIL - Singularity Visual Intelligence Lab 2026. 09. 05 18 min read

1시간짜리 강연 영상에 자막을 붙인다고 생각해 볼게요. 어제까지는 받아쓰기에만 0.36달러가 들었습니다. 오늘부터는 0.1달러입니다.

마이크로소프트 AI가 2026년 9월 3일 음성인식 모델 MAI-Transcribe-2를 공개했어요. 회사는 이 모델이 세상에서 가장 빠르고 정확하며 가장 싼 음성인식 모델이라고 소개했습니다.

자랑은 늘 있는 일이지만 이번에는 숫자가 구체적입니다. 60개 언어, 평균 단어오류율 5.2퍼센트, 경쟁 모델 대비 5배에서 10배의 속도, 그리고 72퍼센트 내린 가격이에요. 하나씩 뜯어 볼게요.

거대한 매끈한 검은 덩어리가 훨씬 작은 청록빛 덩어리를 바로 위에서 내리누르는 개념 이미지 — 가격이 큰 폭으로 눌려 내려간 상황을 표현

받아쓰기 값이 하루아침에 72퍼센트 내렸습니다

가장 눈에 띄는 것은 가격입니다. 오디오 1시간당 0.1달러예요.

같은 라인의 이전 모델인 MAI-Transcribe-1.5는 시간당 0.36달러였습니다. 약 72퍼센트가 한 번에 내려간 셈이에요.

1000분 기준으로 환산하면 6달러에서 1.67달러가 됩니다. 대량으로 돌리는 곳이라면 청구서의 자릿수가 바뀌는 변화예요.

MAI-Transcribe-2, 무엇이 나왔나

MAI-Transcribe-2는 마이크로소프트 AI가 직접 만든 다국어 음성인식 모델입니다. 외부에서 사 오거나 빌려 온 것이 아니라 자체 MAI 계열의 일부예요.

MAI 계열에는 이미 음성 합성 모델과 이미지 모델이 함께 있습니다. 이번 모델은 그중 받아쓰기를 맡는 자리를 새로 채웁니다.

현재 애저 스피치를 통해 퍼블릭 프리뷰로 제공되고 있어요. 정식 출시 전 단계라는 뜻입니다.

크고 어두운 열린 고리의 한가운데에 청록빛 구가 정확히 떠 있는 개념 이미지 — 음성 스택의 중심을 차지한 새 모델을 표현

시간당 0.1달러라는 가격

0.1달러는 시장에서 어느 위치일까요. 실시간 스트리밍 계열 서비스들은 대체로 시간당 0.3에서 0.5달러 구간에 있습니다.

배치로 한꺼번에 처리하는 계열은 0.1에서 0.25달러 구간이에요. MAI-Transcribe-2는 그 배치 구간의 가장 아래에 자리를 잡았습니다.

주목할 점은 이 값에 화자 분리와 타임스탬프, 60개 언어가 모두 포함돼 있다는 것이에요. 보통 별도 옵션으로 값을 더 받던 기능들입니다.

전작 1.5의 0.36달러와 나란히 놓으면

MAI-Transcribe-1.5가 나온 것이 다섯 달 전입니다. 그때 값이 0.36달러였어요.

다섯 달 만에 같은 회사의 같은 제품 라인에서 값이 3분의 1 아래로 떨어졌습니다.

이 속도는 모델 성능 개선만으로는 설명되지 않아요. 추론 비용이 실제로 내려간 부분도 있고, 시장 점유율을 잡으려고 마진을 깎은 부분도 있습니다. 어느 쪽 비중이 큰지는 연말 이후를 봐야 알 수 있습니다.

매끈한 어두운 고리가 심하게 잔상을 남기며 회전하고 그 궤적 전체에 청록빛이 번지는 개념 이미지 — 다섯 달 만에 값이 3분의 1로 떨어진 속도를 표현

2026년 12월 31일까지라는 단서

이 0.1달러는 무기한이 아닙니다. 2026년 12월 31일까지의 한시 가격이에요.

도입을 검토하신다면 이 날짜를 꼭 함께 적어 두시는 편이 좋습니다. 지금 값으로 계산한 연간 예산이 내년에 그대로 유지된다는 보장은 없어요.

다만 한 번 내려간 시장 가격이 원래대로 돌아가는 일은 드뭅니다. 경쟁사들이 따라 내리면 0.1달러 부근이 새로운 기준선이 될 가능성이 큽니다.

60개 언어와 FLEURS 1위

FLEURS는 다국어 음성인식 성능을 재는 대표적인 평가입니다. 여러 언어의 음성을 같은 기준으로 받아쓰게 하고 정확도를 비교해요.

MAI-Transcribe-2는 이 평가에서 60개 언어를 통틀어 1위를 기록했습니다.

특정 언어 하나에서 잘하는 것과, 60개 언어 평균에서 1위를 하는 것은 다른 이야기예요. 언어가 섞이는 환경에서 쓸 도구를 고르실 때는 후자가 훨씬 중요한 지표입니다.

완전히 검은 공간에 넓고 고른 원을 그리며 늘어선 똑같은 청록빛 육각형들과 텅 빈 중심의 개념 이미지 — 60개 언어를 고르게 다루는 범위를 표현

평균 단어오류율 5.2퍼센트를 어떻게 읽나

단어오류율은 받아쓴 결과에서 틀린 단어의 비율입니다. 낮을수록 좋아요.

FLEURS 60개 언어 평균이 5.2퍼센트입니다. 스무 단어에 한 단어꼴로 틀린다는 뜻이에요.

자동 자막을 그대로 내보내기에는 아직 부담이 있는 수치입니다. 하지만 사람이 처음부터 받아쓰는 대신 고치기만 하면 되는 수준으로는 충분히 내려왔어요. 작업의 성격이 창작에서 교정으로 바뀝니다.

아티피셜 애널리시스 순위는 또 다릅니다

제3자 평가 기관인 아티피셜 애널리시스의 단어오류율 순위에서는 2.0퍼센트로 2위입니다. 1위는 아니에요.

FLEURS에서 1위, 이쪽에서는 2위인 이유는 두 평가가 다루는 음성의 성격이 다르기 때문입니다. 언어 구성도, 녹음 환경도 다릅니다.

같은 기관 기준으로 정확도와 지연 시간을 함께 놓고 보면 파레토 프런티어를 형성한다고 평가됐어요. 정확도만으로도, 속도만으로도 1등이 아니지만 둘을 함께 보면 밀리지 않는다는 뜻입니다.

가장자리가 겹쳐진 두 개의 큰 청록빛 열린 고리에서 교차 지점만 훨씬 강하게 빛나는 개념 이미지 — 서로 다른 두 평가 기준이 겹치는 지점을 표현

속도 — 경쟁 모델 대비 5배에서 10배

마이크로소프트가 내세운 수치는 이렇습니다. 오픈AI의 GPT-Transcribe보다 최대 10배, 일레븐랩스의 스크라이브 v2보다 7배, 구글 제미나이 3.5 트랜스크라이브보다 5배 빠르다는 것이에요.

특히 긴 오디오에서 지연 시간이 크게 줄었다고 밝혔습니다.

속도가 정확도를 깎아서 얻은 것이 아니라는 점이 이번 발표의 핵심 주장입니다. 보통 이 둘은 맞바꾸는 관계인데, 그 선을 밀어냈다고 이야기하고 있어요.

GPT-Transcribe·스크라이브 v2·제미나이와 견주면

경쟁 모델들과 비교하면 위치가 뚜렷합니다. 정확도에서는 스크라이브 v2와 거의 붙어 있고, 속도에서는 크게 앞섭니다.

가격에서는 셋 모두를 상당한 차이로 밑돕니다.

흥미로운 것은 경쟁 모델 대부분이 종합 플랫폼의 한 기능이라는 점이에요. 받아쓰기 하나에 집중한 전용 모델이 종합 플랫폼의 부가 기능을 속도로 밀어낸 구도입니다.

흐릿한 사면체 무리보다 훨씬 앞서 나간 청록빛 사면체 하나가 긴 잔상을 남기며 달리는 개념 이미지 — 경쟁 모델을 크게 앞선 처리 속도를 표현

화자 분리가 기본으로 들어갔습니다

화자 분리는 여러 사람이 말할 때 누가 어느 대목을 말했는지 나누는 기능입니다. 다이어라이제이션이라고 부르기도 해요.

회의록이나 인터뷰에서는 이 기능이 없으면 결과물의 쓸모가 크게 떨어집니다. 말은 다 받아 적었는데 누가 한 말인지 모르면 다시 들어야 하니까요.

이번 모델은 이 기능을 기본 가격에 포함했습니다. 별도 요금을 받던 서비스들이 많았던 자리예요.

단어 단위 타임스탬프

단어 하나하나에 시각이 붙습니다. 문장 단위가 아니라 단어 단위예요.

자막을 만드실 때 이 차이가 큽니다. 문장 단위 시각만 있으면 줄을 나눌 때마다 사람이 시간을 다시 맞춰야 하는데, 단어 단위면 나누는 지점의 시각이 그냥 나옵니다.

영상 편집에서 특정 단어를 검색해 그 지점으로 바로 뛰는 것도 가능해집니다. 긴 강연 영상을 다루실 때 체감이 큰 기능이에요.

길고 어두운 선 위에 놓인 흐릿한 청록 점들 가운데 한 점만 유독 밝게 빛나는 개념 이미지 — 단어 하나하나에 시각이 붙는 타임스탬프를 표현

전사 스타일을 고를 수 있습니다

받아쓰기에는 원칙이 하나가 아닙니다. 말한 그대로 적을 것인지, 읽기 좋게 다듬을 것인지가 갈려요.

어, 음 같은 군말과 말더듬을 그대로 살릴지 지울지도 용도에 따라 다릅니다. 법정 기록이라면 살려야 하고, 블로그 원고라면 지우는 편이 낫습니다.

이번 모델은 이 방향을 설정으로 고를 수 있게 했어요. 후처리 단계를 하나 줄여 주는 실용적인 배려입니다.

어디서 쓸 수 있나 — 파운드리·플레이그라운드·오픈라우터

세 경로가 열려 있습니다. 마이크로소프트 파운드리, MAI 플레이그라운드, 그리고 오픈라우터예요.

오픈라우터에도 올라갔다는 점이 눈에 띕니다. 애저 계정 없이도 접근할 통로를 열어 둔 것이니까요.

MAI 계열 모델들은 코파일럿, 팀즈, 깃허브, 다이내믹스 365 컨택트 센터 같은 마이크로소프트 제품에도 이미 엮여 있습니다. API로 직접 부르지 않아도 자연스럽게 만나게 되는 구조예요.

서로 떨어져 떠 있는 세 개의 매끈한 검은 정육면체 각각의 앞면에 청록빛 육각형이 하나씩 박혀 있는 개념 이미지 — 파운드리·플레이그라운드·오픈라우터 세 경로를 표현

Azure Speech 패스트 트랜스크립션 확장 모드

애저 쪽에서는 패스트 트랜스크립션 API의 확장 모드를 통해 요청이 전달됩니다.

쓰려면 애저 구독과 스피치용 마이크로소프트 파운드리 리소스가 필요해요. 계정만 있으면 바로 되는 구조는 아닙니다.

기존에 애저 스피치를 쓰고 계셨다면 전환 비용이 거의 없습니다. 반대로 처음 붙이신다면 리소스 생성 단계가 한 번 필요해요.

300MB 상한과 지원하는 파일 형식

오디오 입력은 300MB 미만이어야 합니다. 형식은 WAV, MP3, FLAC를 받아요.

300MB면 일반적인 MP3 기준으로 수십 시간 분량입니다. 웬만한 강연이나 회의는 한 파일로 들어가요.

다만 무압축 WAV로 다루신다면 생각보다 빨리 상한에 닿습니다. 긴 녹음을 다루실 때는 미리 압축하거나 나누는 절차를 넣어 두시는 편이 안전해요.

칠흑 같은 공간에 뚫린 넓은 직사각형 입구가 강한 청록빛으로 가득 차 있는 개념 이미지 — 파일을 받아들이는 입력 한계와 형식을 표현

자막 제작이 실제로 어떻게 바뀌나

자막 작업은 크게 세 단계입니다. 받아쓰기, 시간 맞추기, 다듬기예요.

단어 단위 타임스탬프가 두 번째 단계를 거의 없애 줍니다. 첫 단계는 값이 72퍼센트 내려갔어요.

결국 사람의 일이 세 번째 단계로 몰립니다. 문장을 어디서 끊을지, 어떤 표현으로 옮길지 같은 판단이에요. 이건 아직 사람이 훨씬 잘하는 영역입니다.

청각 접근성 관점에서 보면

정확도가 오르고 언어가 늘어나면 가장 먼저 달라지는 것이 실시간 자막입니다.

청각장애가 있거나 잘 들리지 않는 분들에게 자막은 편의 기능이 아니라 접근 자체예요. 교실, 행사장, 직장 회의에서 자막이 있느냐 없느냐가 참여할 수 있느냐 없느냐를 가릅니다.

값이 내려가면 자막을 붙이지 않을 핑계가 하나 사라집니다. 예산이 없어서 못 한다는 말이 통하기 어려워지는 거예요. 접근성은 기술이 아니라 결정의 문제인 경우가 많은데, 그 결정의 비용이 낮아졌습니다.

완전히 검은 공간을 홀로 가로지르는 청록빛 호가 한쪽 끝으로 갈수록 굵고 밝아지는 개념 이미지 — 받아쓰기에서 교정으로 옮겨 가는 작업의 무게중심을 표현

교실과 회의실에서 달라지는 것

학교 강의에 자막을 상시로 붙이는 일이 현실적인 선택지가 됩니다. 60개 언어 지원은 유학생이 섞인 강의에서도 의미가 있어요.

직장 회의에서는 화자 분리가 붙은 기록이 자동으로 남습니다. 회의에 들어가지 못한 사람이 나중에 따라잡을 수 있게 되는 거예요.

이런 변화는 장애가 있는 사람만을 위한 것이 아닙니다. 소리를 켤 수 없는 환경에 있거나, 모국어가 아닌 언어로 회의에 들어간 사람에게도 똑같이 도움이 됩니다.

콜센터와 회의록 — 기업 쪽 계산

기업에서 음성 받아쓰기를 가장 많이 쓰는 곳이 콜센터입니다. 통화량이 많으니 시간당 단가가 곧 운영비예요.

시간당 0.36달러에서 0.1달러로 내려가면, 지금까지 표본만 뽑아 검수하던 곳이 전수 검수로 넘어갈 수 있습니다.

이건 비용 절감이 아니라 일하는 방식의 변화입니다. 일부만 보던 것을 전부 보게 되면 찾아낼 수 있는 문제의 종류가 달라져요.

두 개의 매끈한 검은 덩어리를 하나의 곧고 가느다란 청록 막대가 이어 주는 개념 이미지 — 자막이 사람과 내용을 이어 주는 접근성의 역할을 표현

실제 사례 — 1시간 영상 자막값을 계산해 봅니다

1시간짜리 강연 영상을 예로 들어 볼게요. 받아쓰기 비용은 0.1달러, 우리 돈으로 150원 안팎입니다.

영상 100편이면 15,000원 정도예요. 개인 창작자도 부담 없이 감당할 수 있는 규모입니다.

이전 값인 0.36달러였다면 같은 100편에 5만 원이 넘습니다. 절대 액수는 크지 않지만, 이 정도 차이가 붙이느냐 마느냐를 가르는 경우가 실제로 많아요.

실제 사례 — 로컬 STT와 클라우드를 나눠 쓰는 법

로컬에서 음성인식을 돌리고 계신 분이라면 고민이 생깁니다. GPU 시간을 쓰느냐, 시간당 0.1달러를 내느냐예요.

기준을 하나 잡자면 자료의 성격입니다. 밖으로 내보내면 안 되는 녹음은 로컬에서, 공개해도 되는 영상 자막은 클라우드에서 처리하는 식이에요.

작업실 GPU는 대개 이미지나 영상 생성으로 바쁩니다. 받아쓰기를 클라우드로 넘기면 그 시간을 되찾을 수 있어요. 값이 이 정도로 내려오면 GPU 시간을 아끼는 쪽이 오히려 이득인 구간이 생깁니다.

매끈한 검은 사면체가 두 조각으로 깨끗이 갈라져 벌어지고 그 절단면 사이를 청록빛이 가득 채우는 개념 이미지 — 로컬과 클라우드로 작업을 나누는 선택을 표현

마이크로소프트가 음성 스택 전체를 쥐려는 이유

마이크로소프트는 받아쓰기만 만드는 것이 아닙니다. 음성 합성 모델도 함께 갖고 있어요.

듣는 쪽과 말하는 쪽을 모두 쥐면 음성 대화 전체를 자사 스택 안에서 돌릴 수 있습니다. 중간에 다른 회사를 끼울 이유가 없어져요.

거기에 코파일럿과 팀즈처럼 기업이 이미 값을 내고 있는 제품에 그대로 얹습니다. 모델을 따로 파는 것이 아니라 이미 팔린 제품의 성능을 올리는 방식이에요. 경쟁사가 가격만으로 대응하기 어려운 구조입니다.

남는 질문 — 연말 이후의 가격

가장 큰 미지수는 2027년 1월 1일입니다. 한시 가격이 끝난 뒤 얼마가 될지는 발표되지 않았어요.

프리뷰 단계라는 점도 함께 봐야 합니다. 정식 출시 과정에서 조건이 바뀔 수 있어요.

도입을 검토하신다면 지금 값으로 장기 계약을 짜기보다, 연말까지의 실측 데이터를 모아 두는 편을 권합니다. 우리 자료에서 실제 오류율이 몇 퍼센트인지 알고 나면 값이 오를 때 판단이 쉬워집니다.

좁고 어두운 입구 바로 앞에서 멈춰 선 청록빛 정육면체의 개념 이미지 — 연말 이후로 미뤄진 가격이라는 불확실성을 표현

핵심 정리

마이크로소프트 AI가 9월 3일 음성인식 모델 MAI-Transcribe-2를 애저 스피치 퍼블릭 프리뷰로 공개했습니다.

가격은 오디오 1시간당 0.1달러로 전작 0.36달러에서 약 72퍼센트 내렸고, 이 값은 2026년 12월 31일까지의 한시 가격입니다.

FLEURS 60개 언어 평균 단어오류율 5.2퍼센트로 1위, 아티피셜 애널리시스 기준으로는 2.0퍼센트로 2위입니다.

속도는 GPT-Transcribe 대비 최대 10배, 스크라이브 v2 대비 7배, 제미나이 3.5 트랜스크라이브 대비 5배로 제시됐어요.

화자 분리와 단어 단위 타임스탬프, 전사 스타일 설정이 기본 가격에 포함됐고, 파운드리·MAI 플레이그라운드·오픈라우터에서 쓸 수 있습니다.

참고하실 만한 것

영상에 자막을 붙이고 계셨다면, 지금 쓰시는 도구의 시간당 단가를 한 번 확인해 보세요. 0.1달러와 비교해 보면 바꿀지 말지가 금방 나옵니다.

받아쓰기 결과를 그대로 쓰지 마시고 교정 단계는 남겨 두시는 편이 좋아요. 단어오류율 5.2퍼센트는 스무 단어에 한 단어이고, 하필 고유명사에서 틀리는 경우가 많습니다.

SVIL 블로그에서는 음성과 자막처럼 접근성에 직접 걸리는 기술 소식을 큰 글씨와 쉬운 설명으로 정리하고 있어요. 저시력·저청력 이용자 모두를 염두에 두고 씁니다.

출처

협업문의 : kuroicode@gmail.com
블로그 : https://blog.svil.dev/
홈페이지 : https://svil.dev/