먼저 알아둘 핵심
Microsoft는 2026년 10월 1일 MAI-Transcribe-2-Streaming과 MAI-Voice-2.1 계열을 발표했습니다. 전사 모델의 첫 부분 결과와 합성 모델의 생성 지연은 각각 공급사가 제시한 수치입니다. 현장에서는 최종 전사, 답변 판단, 음성 재생까지의 전체 시간을 나눠 측정해야 합니다.
핵심 요약
- Microsoft는 2026년 10월 1일 MAI-Transcribe-2-Streaming, MAI-Voice-2.1, MAI-Voice-2.1-Flash를 발표했습니다.
- 첫 부분 전사는 오디오 수신 후 100ms를 조금 넘겨 나온다는 Microsoft 설명입니다. 발화가 이어지면 이 결과가 수정될 수 있습니다.
- Azure Speech 문서는 해당 기능을 서비스 수준 계약이 없는 공개 미리보기로 안내합니다. 현장 성능과 운영 적합성은 별도 시험 대상입니다.
발표된 모델과 범위
Microsoft AI는 2026년 10월 1일 MAI-Transcribe-2-Streaming과 MAI-Voice-2.1, MAI-Voice-2.1-Flash를 발표했습니다. 스트리밍 음성 인식은 60개 언어를 다루고 언어를 연속 감지한다고 설명합니다. 두 음성 합성 모델은 23개 언어와 26개 로캘을 지원한다고 발표했습니다.
Microsoft Learn의 Azure Speech 문서는 전사와 합성 기능을 공개 미리보기로 안내합니다. 서비스 수준 계약이 없고 운영 워크로드에 권장하지 않는다는 조건도 명시합니다. 모델을 실제로 쓸 수 있는 채널·리전과 데이터 처리 조건은 도입 시점에 확인해야 합니다.
부분 전사 100ms는 답변 시간 100ms가 아닙니다
Microsoft는 오디오를 받은 뒤 100ms를 조금 넘겨 첫 부분 전사 결과를 낸다고 설명합니다. 이어지는 발화에 따라 그 문구를 수정하고 나중에 안정된 전사를 확정합니다. 따라서 100ms는 최종 인식 완료나 사용자가 답을 듣기까지 걸리는 시간이 아닙니다.
MAI-Voice-2.1-Flash가 45초 분량 음성을 150ms의 end-to-end 지연으로 생성할 수 있다는 수치도 Microsoft 발표에 실린 합성 모델 설명입니다. 입력 음성 수집, 답변 생성, 전송과 재생을 합친 현장 서비스의 응답 시간으로 바꿔 읽을 수 없습니다.
안내·상담 현장에서 구간별로 기록할 것
AI Cube는 키오스크나 음성 상담을 평가할 때 입력 수집, 부분·최종 전사, 답변 판단, 첫 음성 재생을 따로 기록하는 편이 유용하다고 봅니다. 아래 표는 현장 시험을 위한 AI Cube의 질문이며 Microsoft의 보증 성능이나 당사의 실증 결과가 아닙니다.
소음과 언어 전환, 사용자의 끼어들기, 연결 단절도 시험에 포함해야 합니다. 아직 수정될 수 있는 부분 전사만 보고 외부 작업을 실행하면 최종 발화와 실제 행동이 어긋날 수 있습니다.
| 구간 | 현장 검토 질문 | 확인할 기록 |
|---|---|---|
| 입력·인식 | 소음과 언어 전환에서 부분 결과가 얼마나 자주 바뀌는가? | 오디오 입력 시각·부분/최종 전사 시각·수정 이력 |
| 판단·실행 | 예약·조회 등 외부 작업을 부분 전사만으로 시작하지 않는가? | 도구 호출 조건·보류/취소 기록 |
| 음성 출력 | 사용자가 답을 듣기 시작하고 끝내기까지 얼마가 걸리는가? | 첫 재생 시각·완료 시각·중단/재시도 기록 |
| 운영 조건 | 망 지연·장애와 사용량 증가 시 품질·비용은 어떻게 변하는가? | 리전·네트워크·호출량·청구 내역 |
공개 미리보기와 현장 성능의 경계
Microsoft는 스트리밍 전사가 Artificial Analysis의 부분·최종 전사 정확도 평가에서 1위라고 밝혔습니다. 이 순위와 발표문의 지연 수치는 해당 평가와 공급사 설명에 관한 것입니다. 한국어 발화, 현장 소음, 특정 마이크와 네트워크에서 같은 결과를 얻었다는 뜻은 아닙니다.
공개 미리보기의 지원 조건과 제공 리전, 음성 데이터의 처리·저장 위치, 실제 청구 단가를 운영 계획과 대조해야 합니다. Microsoft는 스트리밍 전사의 연말까지 도입 가격을 오디오 시간당 0.54달러로 제시했지만, 이를 개별 현장의 총비용으로 환산할 수는 없습니다. AI Cube의 제품·고객 현장 연동이나 성능 검증은 아직 없습니다.
달라지는 점과 적용 범위
실시간 전사와 음성 합성 모델이 함께 발표되면서 음성 입출력의 지연을 따로 줄일 선택지가 생겼습니다. 서비스 전체의 응답 속도와 운영 적합성은 현장 시험으로 확인해야 합니다.
AI Cube의 관점
AI Cube는 음성 인터페이스를 인식 → 도메인 판단 → 작업 실행 → 음성 출력으로 나누어 봅니다. 부분 전사가 빨라지면 판단을 일찍 준비할 여지는 있습니다. 다만 예약·장치 동작처럼 결과가 남는 작업은 발화 확정과 권한 조건을 거친 뒤 실행해야 합니다.
기술 적용 시 고려사항
부분 전사의 최초 시각과 수정 이력, 최종 전사, 답변 판단, 음성 첫 재생을 같은 대화 ID로 기록하면 어느 구간이 늦거나 잘못됐는지 찾을 수 있습니다. 모델별 발표 지연을 전체 서비스의 응답 시간으로 대신하지 않습니다.
사업·운영 관점
공개 미리보기라는 제공 상태를 고려해 가용성, 지원, 데이터 처리와 호출량 과금을 먼저 확인해야 합니다. 연말까지의 전사 도입 가격은 공급사 발표치이며, 한국어 현장 품질과 총운영비는 시험·견적 전에는 확정할 수 없습니다.
자주 묻는 질문
100ms면 사용자가 100ms 안에 답을 듣나요?
아닙니다. 100ms를 조금 넘는 수치는 Microsoft가 밝힌 첫 부분 전사 결과의 시간입니다. 결과는 나중에 수정될 수 있습니다. 최종 인식과 답변 판단, 음성 재생까지 걸리는 시간은 현장에서 따로 재야 합니다.
공개 미리보기 모델을 곧바로 운영에 사용할 수 있나요?
Azure Speech 문서는 공개 미리보기이며 서비스 수준 계약이 없고 운영 워크로드에 권장하지 않는다고 안내합니다. 도입한다면 제공 리전, 지원 조건, 음성 데이터 처리와 장애 대응을 먼저 확인해야 합니다.
출처와 확인 기준
- Microsoft AI 공식 발표 — 스트리밍 전사와 MAI-Voice 모델 ↗Microsoft AI · 원문 날짜 2026-10-01 · 자료 확인 2026-10-04
- Microsoft Learn — MAI-Transcribe-2-Streaming 개요 ↗Microsoft · 원문 날짜 2026-10-01 · 자료 확인 2026-10-04
- Microsoft Learn — Azure Speech의 MAI-Voice ↗Microsoft · 자료 확인 2026-10-04
현장 적용을 검토하고 계신가요?
설치 환경과 운영 조건을 알려주시면 관련 제품과 PoC 범위를 함께 검토합니다.
기술·PoC 문의 ↗