마이크로소프트 AI가 실시간 음성 인식 모델 MAI-Transcribe-2-Streaming과 음성 합성 모델 MAI-Voice-2.1, MAI-Voice-2.1-Flash를 공개했습니다.
MAI-Transcribe-2-Streaming은 60개 언어에서 음성을 받는 중간에도 자막을 만들고, 계속 들어오는 문맥에 맞춰 결과를 고칩니다. 마이크로소프트는 첫 추정 결과가 오디오를 받은 뒤 100ms를 조금 넘겨 나오며, 내부 평가에서 가까운 경쟁 모델보다 단어가 2배 빠르게 표시됐다고 설명했습니다. 이 모델의 연말까지 적용되는 소개 가격은 오디오 1시간당 0.54달러입니다.
MAI-Voice-2.1은 23개 언어와 26개 로케일을 지원하며, 언어가 바뀌어도 같은 화자의 목소리와 현지 억양을 유지하도록 설계됐습니다. Flash 버전은 대량·저지연 용도로, 1백만 글자당 15달러라고 안내됐습니다. 일반 버전 가격은 1백만 글자당 22달러입니다. 두 음성 모델은 몇 초 분량의 참고 음성으로 음성을 복제할 수 있지만, 동의 보호 장치도 포함한다고 회사는 밝혔습니다.
이 발표는 소비자용 앱을 새로 내놓은 소식이라기보다, 실시간 받아쓰기·자막·고객센터 음성 에이전트·다국어 학습 서비스에 넣을 수 있는 개발자용 음성 구성 요소에 가깝습니다. 현재 Microsoft Foundry, MAI Playground, Vercel 등에서 접근 경로를 제공합니다.
원문 실제 발행일: 2026-10-01