메타, 실시간 음성 인식 모델 공개…AI 비서용 기반 기술 내세워

메타가 실시간 음성 인식 모델 ‘뮤즈 보이스 트랜스크라이브(Muse Voice Transcribe)’를 공개했다. 이 모델은 대화 중 음성을 문자로 옮기고, 화자를 구분하며, 문장 경계를 실시간으로 감지할 수 있다. 메타는 이 기술이 끊김 없이 대화를 듣는 AI 비서와 스마트 글래스용 기능의 기반이 될 수 있다고 설명했다.

메타에 따르면 이 모델은 입력 음성을 80밀리초 단위로 나눠 처리한 뒤, 다음 단어를 바로 출력할지 더 듣고 판단할지를 매번 결정한다. 쉬운 단어는 빠르게, 어려운 단어는 더 많은 맥락을 확보한 뒤 인식하도록 설계됐으며, 정확도와 지연 시간을 함께 고려해 강화학습으로 훈련했다. 화자 구분과 문장 경계 인식도 별도 시스템 없이 하나의 모델 안에서 함께 처리한다.

이 모델은 20명 이상을 동시에 구분할 수 있고, 1시간이 넘는 녹음도 후처리 없이 다룰 수 있다고 메타는 밝혔다. 또 70개 이상의 언어로 학습됐으며, 25개 언어는 별도로 검증했다고 설명했다. 대화 중 언어를 바꾸는 코드 스위칭도 지원한다. 메타는 이름이나 고유명사처럼 인식이 어려운 단어의 경우 언어 힌트, 키워드, 문맥을 주면 정확도가 더 높아질 수 있다고 덧붙였다.

외부 평가도 나왔다. 인공지능 분석 업체 아티피셜 애널리시스는 메타의 성능 주장을 검증한 결과, 영어 기준 단어 오류율이 3.1%였고, 발화 종료 뒤 0.16초 만에 결과를 내놓았다고 밝혔다. 이는 경쟁 모델인 일레븐랩스, 어셈블AI, 카르테시아 제품과 비슷하거나 더 나은 수준으로 평가됐다. 다만 음성 인식 시장은 오픈AI 등도 관련 모델을 내놓으며 경쟁이 치열한 상황이다.

메타는 이번 공개를 마크 저커버그 최고경영자(CEO)가 내세우는 ‘개인용 초지능’ 구상과 연결했다. 회사는 신뢰할 수 있는 음성 인식이 AI 안경을 통해 실제 대화를 듣고 반응하는 개인 AI 에이전트의 출발점이라고 보고 있다. 다만 메타는 모델의 파라미터 수, 학습 데이터 규모, 음성 데이터 출처는 공개하지 않았고, 가중치도 배포하지 않았다.

가격은 경쟁사보다 낮게 책정했다. 메타는 시간당 0.18달러, 음성 1,000분당 3달러 수준으로 제공한다고 밝혔다. 현재 이 모델은 메타 AI와 ‘뮤즈 코드’의 음성 입력 기능에 적용됐으며, 메타 모델 API를 통해서도 사용할 수 있다.