마이크로소프트(Microsoft)가 실시간 음성 인식 모델 MAI-트랜스크라이브-2-스트리밍과 음성 합성 모델 MAI-보이스-2.1(MAI-Voice-2.1) 시리즈를 공개했습니다. 이 모델들은 음성 기반 AI 서비스를 구축할 때 지연 시간을 최소화하고 자연스러운 음성 출력을 가능하게 합니다. 마이크로소프트 AI는 이들 모델을 통해 실시간 음성 대화 기능을 갖춘 음성 에이전트 개발을 지원하겠다고 밝혔습니다.
100밀리초 지연으로 구현하는 실시간 음성 인식
MAI-트랜스크라이브-2-스트리밍은 100밀리초(ms) 수준의 초저지연을 달성합니다. 이는 사용자가 말을 마치기 전에 첫 텍스트 결과가 화면에 나타난다는 의미입니다. 음성 입력이 들어오는 즉시 텍스트로 변환되므로 실시간 대화형 애플리케이션 개발에 적합합니다.
이 모델은 음성 에이전트나 실시간 자막 생성, 라이브 통역 같은 응용에 활용될 수 있습니다. 대화가 끊기지 않고 자연스럽게 이어지도록 설계되어 사용자 경험을 크게 향상시킵니다.
MAI-보이스-2.1로 23개 언어 음성 합성하기
MAI-보이스-2.1은 음성 합성(텍스트를 음성으로 변환) 전문 모델입니다. 23개 언어를 단일 목소리와 해당 언어의 자국어 발음으로 모두 지원합니다. 이는 글로벌 서비스를 운영하는 기업에서 여러 언어 지원을 한 모델로 통합할 수 있다는 장점을 줍니다.
자국어 발음 지원이란 각 언어의 표준 발음을 따른다는 뜻입니다. 번역된 콘텐츠도 그 언어권 사용자에게 자연스럽게 들리도록 음성을 합성할 수 있습니다.
고속 버전 MAI-보이스-2.1-플래시로 지연 시간 더 단축
마이크로소프트는 MAI-보이스-2.1의 고속 버전인 MAI-보이스-2.1-플래시도 함께 공개했습니다. 이 버전은 표준 버전보다 더 빠르게 음성을 생성하도록 최적화되어 있습니다. 실시간 대화 속도가 중요한 환경에서 음성 출력 대기 시간을 줄일 수 있습니다.
플래시 버전도 동일하게 23개 언어와 자국어 발음을 지원하므로 기능을 포기하면서 속도만 얻는 것이 아닙니다.
음성 에이전트 개발에 필요한 두 모델의 조합
MAI-트랜스크라이브-2-스트리밍과 MAI-보이스-2.1 시리즈는 함께 사용되도록 설계되었습니다. 사용자의 음성 입력을 빠르게 인식(트랜스크라이브)하고, AI가 생성한 응답을 자연스러운 음성으로 출력(보이스-2.1)하는 흐름을 완성합니다.
마이크로소프트는 이 모델들이 '대화의 흐름을 계속 유지하는' 음성 에이전트 구축을 가능하게 한다고 설명했습니다. 고객 서비스, 음성 어시스턴트, 실시간 통역 등의 분야에서 활용될 수 있습니다.
다른 AI 기업의 음성·아바타 모델 동시 공개
같은 시기에 여러 AI 기업들이 비슷한 분야의 신규 모델을 발표했습니다. 타버스는 시각적 인식과 음성, 표정, 제스처를 실시간으로 결합하는 멀티모달 아바타 모델 그리핀을 공개했고, 신세시아는 대화형 아바타 기능 세션을 선보였습니다. 코히어는 기업용 검색 특화 임베딩 모델 임베드 5(Embed 5)를, 이디오그램은 반복 편집을 지원하는 이디오그램 4.5(ideogram 4.5)를 각각 공개했습니다.
자주 묻는 질문
MAI-트랜스크라이브-2-스트리밍의 100밀리초는 어느 정도 빠른 속도인가요?
초저지연 수준의 지연 시간으로, 사용자가 말하는 도중 거의 동시에 텍스트가 나타납니다. 대화가 자연스럽게 느껴지는 수준의 응답 속도를 제공합니다.
MAI-보이스-2.1과 플래시 버전의 성능 차이가 크나요?
플래시 버전은 속도를 우선시하도록 최적화된 버전이며, 두 버전 모두 23개 언어와 자국어 발음을 지원합니다. 용도에 따라 선택하면 됩니다.
댓글 쓰기