Meta, 실시간 음성 필기 모델 'Muse Voice Transcribe' 공개

Meta가 음성을 실시간으로 문자로 변환하는 새로운 AI 모델 'Muse Voice Transcribe'를 공개했다. 해당 모델은 Meta Superintelligence Labs가 개발한 것으로, 음성 인식·화자 식별·발화 종료 감지의 3가지 기능을 통합으로 처리할 수 있다. 공개 API의 가격은 처리된 음성 1시간당 0.18달러로 설정되어 있다.

음성 인식 분야에서는 최근 회의 시스템이나 콜센터 용도의 실시간 처리 수요가 높아지고 있으며, 여러 기업이 각각의 서비스를 경쟁하고 있다. Speechmatics는 기본값으로 50명, 설정 변경으로 최대 100명의 화자를 식별할 수 있다고 주장하고 있으며, Amazon Transcribe는 스트리밍을 포함하여 최대 30명에 대응하고 있다. Muse Voice Transcribe가 대응하는 '20명 이상'이라는 수치는 업계 최다는 아니지만, 시장의 상위 수준에 위치한다고 볼 수 있다.

Muse Voice Transcribe의 주요 특징으로 Meta는 1시간을 초과하는 장시간 음성 대응, 여러 언어가 혼재하는 대화 처리(다언어 코드 스위칭), 특정 언어나 키워드를 우선적으로 인식하는 '바이어싱' 기능, 그리고 후처리 없이 화자 식별을 수행하는 점을 들고 있다. 모델은 70개 이상의 언어를 대상으로 학습되었으며, 초기 출시 시점에서는 25개 언어에 대해 집중적인 검증이 수행되었다.

기술적인 작동 원리로서, 음성은 80밀리초(1초에 12.5회) 단위의 청크로 분할되며, 각각이 '소프트 토큰'이라고 불리는 형식으로 변환된다. 모델은 매번 '좀 더 음성을 기다릴지, 아니면 텍스트를 출력할지'를 판단하면서 처리를 진행한다. Meta는 이러한 작동 방식을 '적응형 지연'이라고 부르고 있으며, 발화가 불명확한 경우 판단을 지연시키고, 충분한 맥락이 갖춰진 단계에서 빠르게 텍스트를 확정할 수 있다. 이러한 동작은 문자 인식의 정확성과 처리 지연을 균형 있게 유지하도록 강화 학습으로 훈련되었다고 한다.

화자 식별(다이얼라이제이션)은 '누가 언제 말했는가'를 음성 데이터에서 자동으로 특정하는 기술이다. 단순한 필기에 비해 난도가 높으며, 종래에는 별도의 처리 단계로 나중에 추가하는 것이 일반적이었다. Muse Voice Transcribe는 이를 모델 내부에 통합함으로써, 실시간 처리 중에 화자 특정까지 완결시키는 점이 종래 구성과의 큰 차이라고 할 수 있다.

이 기능의 중요성은 AI가 생성한 기록의 '신뢰성'이라는 관점에서 생각하면 이해하기 쉽다. 예를 들어 회의 기록 시스템이 발언 내용을 올바르게 문자로 옮기더라도, 누가 그 발언을 했는지 잘못 기록해버리면 승인이나 합의의 책임 소재가 모호해진다. 콜센터의 준법 관리나, 여러 사람이 함께하는 환경에서 작동하는 AI 에이전트에서도 같은 문제가 발생할 수 있다. 이러한 용도에 있어서 화자 식별이 실시간 처리의 핵심에 조직되는 실용적 가치는 크다고 할 수 있다.

Meta가 설정한 1시간 0.18달러라는 가격은 엔터프라이즈용 음성 AI 서비스로서는 저수준으로 보인다. 회의 지원 도구, 통화 분석, 라이브 어시스턴트 등 지속적인 음성 처리가 필요한 시스템을 구축하는 개발자에게 있어, 단일 API로 필기·화자 식별·다언어 대응을 저비용으로 충당할 수 있는 구성은 도입 판단에 영향을 미칠 가능성이 있다. 음성 AI의 경쟁이 기능뿐만 아니라 가격 측면에서도 치열해지고 있는 중, Muse의 등장이 이 분야의 가격 수준에 어떻게 작용할지가 향후의 주목점이라고 할 수 있겠다.