주말 사이 대형 뉴스에 가려졌지만 실무 활용도는 상당히 높은 공식 발표입니다.
Microsoft AI는 9월 3일 MAI‑Transcribe‑2를 공개했습니다. Speaker diarization, word-level timestamp, automatic language detection, code switching, configurable transcription style 등을 지원하며 60개 언어를 대상으로 합니다. microsoft.ai
Microsoft가 공개한 FLEURS 평가에서는 평균 WER 5.2%로 60개 언어 전체 1위를 기록했다고 주장합니다. 또 Artificial Analysis 측정치를 인용해 긴 오디오 처리에서:
- GPT‑Transcribe 대비 약 10배
- ElevenLabs Scribe v2 대비 약 7배
- Gemini 3.5 Transcribe 대비 약 5배
빠르다고 설명합니다. Microsoft 자체 마케팅 주장과 외부 benchmark가 섞여 있으므로 실제 한국어 업무에서는 별도 평가가 필요합니다. microsoft.ai
더 중요한 것은 가격입니다.
2026년 말까지 프로모션 가격이 오디오 1시간당 $0.10입니다. Microsoft Foundry, MAI Playground, OpenRouter에서 사용할 수 있습니다. microsoft.ai
산업·시장 영향
STT가 점점 독립적인 고가 AI 기능이 아니라 저렴한 infrastructure primitive로 내려오고 있습니다.
예를 들어 10,000시간을 transcription한다고 가정하면 모델 비용 자체는:
약 $1,000
수준입니다.
따라서 상담·회의·음성메모·영상 transcript 서비스를 만들 때 비용 병목은 앞으로 STT보다는:
저장 → 검색 → 요약 → 개인정보 처리 → downstream agent
쪽으로 이동할 가능성이 큽니다.
실무 시사점
음성 Agent를 설계한다면 이제 단순:
Audio → Text
보다:
Audio
↓
Transcription
├ Speaker ID
├ Timestamp
├ Language
└ Domain keyword
↓
Structured Event
↓
Agent / Search / Summary
형태로 데이터를 저장하는 것이 좋습니다.
특히 timestamp와 speaker 정보를 처음부터 보존하면 나중에 회의 검색·상담 QA·영상 검색 기능을 만들기 훨씬 쉬워집니다.