Microsoft가 발표한 MAI-Transcribe-2, 60개 언어에서 FLEURS 벤치마크 1위 달성

Microsoft AI는 2026년 9월 3일에 MAI-Transcribe-2를 출시했으며, 이 음성 인식 모델은 실험실이 60개 언어에 걸쳐 FLEURS 벤치마크에서 평균 단어 오류율 5.2%로 1위를 차지했다고 밝혔습니다. 그 발표에서 Microsoft는 이 모델을 현재까지 가장 강력한 전사 시스템으로 설명하고, 오디오 1시간당 $0.10에 가격을 책정했습니다.

Microsoft는 MAI-Transcribe-2가 화자 구분, 구성 가능한 전사 스타일, 단어 수준 타임스탬프 기능을 추가했으며, Gemini 3.5 Transcribe, GPT-Transcribe, Whisper V3-Large, ScribeV2 등 경쟁 모델보다 실제 환경 음성에서 더 넓은 범위로 우수한 성능을 보인다고 밝혔습니다. 발표에 따르면 이 모델은 Artificial Analysis에서 정확도와 지연 시간에 대한 파레토 경계를 정의하고, Artificial Analysis 단어 오류율 리더보드에서 2위를 차지해 이전 MAI-Transcribe 버전보다 개선된 결과를 보여줍니다.

Microsoft는 이 모델을 임상 기록, 법률 문서, 접근성, 폐쇄 자막 등 다양한 작업에 적용하도록 포지셔닝했습니다. 회사는 특히 장시간 오디오에 대해 최대 10배 빠른 처리 속도를 보이며, 경쟁사 대비 현저히 낮은 지연 시간을 기록했다고 보고했습니다. 또한 통제된 녹음 환경이 아닌 소음이 많은 상황에서도 전사 품질을 유지한다고 밝혔습니다.

벤치마크 결과

Artificial Analysis가 수행한 평가를 인용하면, Microsoft는 MAI-Transcribe-2가 OpenAI의 GPT-Transcribe보다 10배, ElevenLabs의 Scribe v2보다 7배, Gemini 3.5 Transcribe보다 5배 빠르면서도 더 높은 정확도를 제공한다고 밝혔습니다. 이 모델은 정확도 대비 속도 차트에서 가장 매력적인 사분면에 단독으로 위치하며, 오류율 2.0%와 속도 계수 403.6을 기록해 1시간 분량의 오디오를 약 10초 만에 반환합니다.

공개 다국어 FLEURS 벤치마크에서 Microsoft는 MAI-Transcribe-2가 테스트된 60개 언어 모두에서 일관되게 높은 정확도 기준을 유지한다고 보고했습니다. 이 모델은 다른 어떤 모델보다 더 많은 언어에서 정확도를 보이며, 다국어 전사를 수행하는 개발자는 단일 모델만으로 복잡성을 줄이고 GPU 사용량을 절감할 수 있다고 설명했습니다. 발표에서는 또한 모델의 속도와 처리량 덕분에 시장에서 가장 경쟁력 있는 가격을 제공할 수 있다고 밝혔으며, 출시 시점의 $0.10 시간당 요금은 연말까지 제공되는 한정 프로모션이라고 덧붙였습니다.

가용성 및 개발자 기능

Microsoft Learn 문서에 따르면 MAI-Transcribe-2는 Azure Speech에서 공개 프리뷰로 제공되며, 서비스 수준 계약이 없고 프로덕션 워크로드에는 권장되지 않습니다. 문서는 MAI-Transcribe를 Microsoft AI 팀이 자체 개발한 음성‑텍스트 모델로 설명하며, 비디오 캡션, 회의, 임상 기록, 콜센터 문서, 접근성 도구, 콘텐츠 제작, 음성 에이전트 등 다양한 작업을 지원한다고 명시합니다. 또한 MAI-Transcribe-2는 이전 버전인 MAI-Transcribe-1.5와 MAI-Transcribe-1과 함께 나열되며, 후자는 2026년 8월 20일에 사용 중단되었습니다.

요청은 Fast Transcription API의 향상 모드를 통해 라우팅되며, 향상 모드 모델 속성을 MAI-Transcribe-2로 설정하면 해당 모델이 선택됩니다. 오디오 입력은 WAV, MP3, FLAC 형식의 300 MB 이하 파일로 제한되며, 사용하려면 Azure 구독과 Speech용 Microsoft Foundry 리소스가 필요합니다.

선택적 매개변수로 모델의 기능을 제어할 수 있습니다. 화자 구분은 녹음을 화자별로 구분하고 오프셋 및 지속 시간 메타데이터와 함께 화자 라벨이 붙은 구간을 반환합니다. 단어 수준 타임스탬프는 각 단어의 타이밍을 제공하고, 세그먼트 옵션은 구간별 타이밍을, none 옵션은 타이밍 데이터를 생략합니다. phrase‑list 매개변수는 도메인‑특정 용어, 약어, 고유명사와 같은 제공된 용어에 인식을 편향시키며, 문서에서는 이러한 용어가 강제 출력이 아닌 힌트 역할을 한다고 설명합니다.

전사 스타일 매개변수는 기본값이 verbatim으로, 말 그대로의 음성을 그대로 캡처해 충실도, QA, 분석 작업에 적합합니다. clean 설정은 불필요한 말버릇을 제거하고 일반적인 말투를 자동 포맷팅해 더 읽기 쉬운 캡션, 메모, 공개 전사를 생성합니다. 언어 선택은 선택 사항이며, 기본적으로 모델이 자동으로 음성 언어를 감지합니다. 문서에서는 자동 감지가 실패할 경우에만 특정 언어를 강제하도록 권고합니다. Hinglish, Spanglish와 같은 혼합 언어 쌍에 대한 코드 스위칭은 자동으로 처리되며, 통제된 환경 밖에서 녹음된 오디오에 대한 잡음 강인성도 모델에 내재되어 있습니다.

문서에서는 또한 MAI-Transcribe가 Voice Live API의 세션 구성 필드를 통해 입력 오디오 전사를 제공할 수 있다고 언급합니다. Microsoft는 이 모델이 Microsoft Foundry와 MAI Playground, 그리고 OpenRouter를 통해 데모로 제공된다고 밝혔습니다.