MAI-Transcribe-2 출시: 음성 텍스트 변환 시장 장악을 위한 마이크로소프트의 시간당 $0.10 승부수

MAI-Transcribe-2는 Microsoft AI가 음성-텍스트 변환을 프리미엄 기능이 아니라 일상적인 상품으로 만들 것이라고 믿는 모델이며, 함께 선보인 수치들은 바로 그 논지를 입증하도록 설계되었습니다. 2026년 9월 3일 Microsoft Foundry, MAI Playground, 그리고 Microsoft 자체 API 표면에서 공개 미리보기로 출시된 MAI-Transcribe-2는 5개월 만에 세 번째로 나온 Microsoft 음성 모델입니다. 4월에 오디오 시간당 0.36달러로 나온 MAI-Transcribe-1과 6월의 MAI-Transcribe-1.5에 이은 것이죠. 또한 팀들이 실제로 구매를 결정할 때 보는 두 가지 지표에서 이름을 거론되는 모든 관리형 경쟁 모델을 앞서는 첫 모델이기도 합니다. Artificial Analysis의 비스트리밍 단어 오류율 리더보드에서 이 모델은 2.0% AA-WER로 2위, 약 411배 실시간 처리 속도로 역시 2위를 기록하고 있습니다. 이 두 지표를 함께 보면 정확도-속도 파레토 경계선상에 놓이는데, 해당 리더보드에서 더 정확하면서도 더 빠른 모델은 존재하지 않습니다. 출시 가격은 이전 모델보다 약 72% 낮습니다.

세계에서 "가장 빠르고, 가장 정확하며, 가장 저렴한 음성 인식 모델"이라는 문구는 마이크로소프트가 이번 출시에 붙인 자체 헤드라인이다. 이 문구는 원문 자료에 달린 별표(각주)와 함께 읽어야 마땅하다. 이 글은 실제로 일어난 출시 과정에 대한 이야기로, 업체의 주장에는 라벨을 붙였고, 아직 증명이 필요한 부분은 분리해 두었다.

Microsoft가 실제로 출시한 것

MAI-Transcribe-2는 사전 녹음된 배치(batch) 방식의 전사 모델로, 긴 형식의 오디오 — 회의, 통화, 미디어 아카이브, 컨택센터 녹음 — 를 정조준합니다. Microsoft는 처리량과 분당 비용이 좌우하는 워크로드에 정확히 맞춰 이 모델을 포지셔닝합니다. 이 모델은 자동 언어 식별을 통해 60개 언어를 전사하며, 단어를 올바른 화자에게 귀속시키는 화자 분리(diarization)를 포함하고, 단어 수준 타임스탬프를 반환하며, 이름, 약어, 도메인 용어에 대한 키워드 바이어싱을 지원합니다. 구성 가능한 두 가지 전사 스타일은 흔한 구분을 다룹니다. 규정 준수 등급의 전사에 적합하게 충성 표현과 잘못된 시작을 유지하는 "verbatim"(축어적)과, 자막과 메모를 위해 비유창성을 제거하는 "clean"(정리형)입니다. Microsoft는 또한 Hinglish와 Spanglish 같은 혼합 언어 음성에서의 코드 스위칭과, 시끄러운 실제 오디오에서의 강건성을 강조합니다.

가용성 이야기는 기능 목록만큼이나 중요합니다. Microsoft는 이를 기업용 음성 스택 뒤에 숨기지 않고 있습니다. 이 모델은 오늘 MAI Playground에서 데모해 볼 수 있으며, Microsoft Foundry를 통해 공개 미리 보기로 제공되고, Foundry 문서는 Azure AI Speech 서비스 아래에 있습니다. 이는 의도적인 배포 선택입니다 — 최첨단 모델을 개발자가 키 하나로 접근할 수 있는 곳에 두는 것이지, 기업 영업 사이클의 승인을 먼저 받아야 하는 곳에 두는 것이 아닙니다. Microsoft는 가중치를 공개하지 않았으며, 출시 자료 어디에도 공개할 것이라는 암시는 없습니다.

헤드라인을 문자 그대로 읽기

"세상에서 가장 빠르고, 가장 정확하고, 가장 저렴하다"는 강도가 서로 다른 세 가지 주장이며, 출시 게시물 자체는 그중 두 가지를 조용히 약화한다. 각각에 대한 정직한 버전은 다음과 같다.

• 정확성 — Artificial Analysis 리더보드에서 MAI-Transcribe-2는 AA-WER 2.0%로 1위가 아닌 2위를 기록한다. Microsoft 자체 본문에서도 2위라고 명시한다. "가장 정확하다"는 표현은 "이 수준에서 추적되는 관리형 배치 API 중에서"로 읽어야만 성립하며, 그마저도 출시된 지 4일밖에 안 된 모델에 대한 주장이지 확정된 왕좌가 아니다. Microsoft는 FLEURS 다국어 벤치마크에서 60개 언어에 걸친 평균 WER 5.2%로 1위라고 별도로 보고하는데, 이 수치는 Microsoft의 출시 게시물에서 나온 것으로 아직 언어별 독립적 재검증이 이루어지지 않았다.

• 속도 — Artificial Analysis에 따르면 MAI-Transcribe-2는 해당 보드에서 약 411배 실시간 속도로 실행되며 2위를 차지했습니다. 흥미롭게도 Microsoft의 자체 발표에서는 절대 수치를 언급하지 않고, 대신 좀 더 친근한 상대적 배수로 시작합니다. "특히 장문 오디오의 경우 최고 경쟁사보다 최대 10배 빠른 처리"라고 하며, 구체적으로 OpenAI의 GPT-Transcribe보다 10배, ElevenLabs의 Scribe v2보다 7배, Gemini 3.5 Transcribe보다 5배 빠르다고 밝혔습니다. 이 비율은 동일한 Artificial Analysis 데이터를 Microsoft가 구성한 방식이며, 기준 속도가 중요합니다. "Gemini 3.5 Transcribe보다 5배 빠름"이라는 말은 오디오 1시간당 컴퓨팅 시간(분)으로 환산하기 전까지는 그저 작은 격차처럼 들립니다.

• 최저가 — Microsoft가 분명히 밝힌 두 가지 범위 안에서만 사실이다. $0.10 요금은 "연말까지 한정 제공"이며, 프로모션 종료 후 표준 가격은 출시 자료 어디에도 공개되지 않았다. 그리고 이는 고정밀 관리형 API 중에서 가장 저렴하다는 뜻이다. Whisper Large v3 Turbo 같은 자체 호스팅 오픈 모델은 사실상 전기 요금만으로도 전사를 수행할 수 있다. 상품성 논쟁은 실제로 타당하지만, 그 범위는 제목이 암시하는 것보다 더 좁다.

1,000분당 1.67달러로 살 수 있는 것

MAI-Transcribe-2는 오디오 시간당 $0.10으로 책정되어, 오디오 1,000분당 약 $1.67에 해당합니다. 이 수치의 실감이 나는 비교는 정확도를 놓고 경쟁하는 다른 관리형 전사 API와의 대비입니다. GPT-Transcribe는 1,000분당 $4.50이고, Gemini 3.5 Transcribe의 사전 녹음 요금제는 Google의 토큰 기반 가격 기준으로 1,000분당 대략 $5이며, ElevenLabs의 Scribe v2는 더 높은 가격을 제시합니다. 월 1,000시간의 오디오——적지 않지만 그렇게 방대하지도 않은 컨택센터 또는 미디어 워크로드——를 기준으로 하면, 얼리버드 요금의 MAI-Transcribe-2와 정가의 GPT-Transcribe 사이의 차이는 정확성 차이를 논하기 전에 매달 약 $170에 달합니다. 바로 이 가격 격차가 전사(transcription) 비용을 팀이 최적화하는 비용 항목에서 더 이상 신경 쓰지 않아도 되는 비용 항목으로 바꿔 줍니다.

두 가지 주의사항은 한꺼번에 언급되어야 합니다. 첫째, 프로모션 가격은 더 이상 실험이 아니게 될 때까지 가격 실험입니다. $0.10 요금으로 제품을 구축하는 팀은 표준 요금이 공개되지 않았다는 점을 알아야 하며, 2027년 예산을 위한 정직한 계획 수치는 출시 제안가와 프로모션 만료 시 Microsoft가 제시하는 가격 사이에 있어야 합니다. 둘째, “이 정확도 수준에서 가장 저렴하다”는 것은 총소유비용을 말해주지 않습니다. 이 모델은 API 전용이므로 대용량 팀에게 중요한 비교는 1,000분당 $1.67과 자체 오픈 웨이트 스택을 운영하는 데 드는 완전한 비용을 비교하는 것이지, 단순히 다른 API와 비교하는 것이 아닙니다.

스코어보드로 압축하면 발사 위치는 다음과 같습니다 — 아래의 모든 수치에는 위 본문에서 해당 수치에 부착된 출처 라벨이 그대로 붙어 있습니다.

아직 증명되지 않은 것

출시 발표가 구체적이긴 하지만, 진정으로 미결인 부분이 세 가지 있다. 첫째는 스트리밍이다. MAI-Transcribe-2는 배치 모델이고, Microsoft의 속도 이야기는 파일 처리량에 관한 것이며, 실시간 SKU는 발표되거나 시연된 적이 없다. "411×"는 실시간 전사 지연 시간 수치가 아니다. 둘째는 화자 분리 품질이다. 화자 귀속은 포함되어 있지만, Microsoft는 화자 분리 오류율을 공개하지 않는다. 독립적인 테스트에서 WER보다 더 나빠 보일 가능성이 가장 큰 항목이 바로 이것이다. 셋째는 다국어별 분석이다. 60개 언어를 대상으로 한 FLEURS 평균 하나는 언어별로 큰 편차를 숨길 수 있는데, Microsoft는 언어별 표를 공개하지 않았다. 이 각각은 이 이야기가 4일 차에도 끝나지 않은 이유다.

전사 스택을 떠나는 위치

이 중 어느 것도 오늘 MAI-Transcribe-2를 선택해야 한다는 뜻은 아니며, 바로 그렇기 때문에 이 가격 책정은 새 공급업체를 찾고 있지 않은 팀들도 주목할 만한 이유가 된다. 음성-텍스트 변환은 파이프라인의 끝인 경우가 드물다. 트랜스크립트는 요약되고, 처리되고, 검색되고, 라우팅되며, 그 다운스트림 계층이 바로 멀티 모델 구성이 제 가치를 입증하는 곳이다. OrcaRouter 같은 플랫폼은 그 절반에 해당하는 스택을 위해 존재한다. 200개 이상의 모델을 아우르는 단일 API, 공급업체 공시 가격을 0% 마크업으로 그대로 전달, 자동 페일오버, 그리고 워크로드별로 서로 다른 모델에 트랜스크립트를 보낼 수 있는 라우팅 DSL — 회의록은 한 요약 모델로, 규정 준수 검토는 다른 모델로 — 추가 연동 없이 처리한다. MAI-Transcribe-2 자체는 오늘 현재 그 명단에 없다. 이 모델은 Microsoft 자체 API와 Microsoft가 목록에 올린 타사 플랫폼에서만 제공된다. 하지만 이번에 책정된 상품 수준의 가격은 트랜스크립트 이후의 계층을 특정 모델에 종속되지 않게 구축해야 한다는 가장 설득력 있는 논거다.

출시 가격이 결정적 단서다. 마이크로소프트는 단순히 기능만으로 음성 인식 시장을 잡으려는 것이 아니다. 높은 정확도를 그렇게 값싸게 만들어, 이 카테고리가 더 이상 예산 항목으로 존재하지 않게 만들려는 것이다. MAI-Transcribe-2가 받는 주목은 충분히 deserved하다. "세계에서 가장 빠르고, 가장 정확하며, 가장 저렴하다"는 문구를 세 개의 별표와 함께 읽어보라. AA-WER에서 2위, 연말까지 적용되는 프로모션 가격, 그리고 아직 공개되지 않은 스트리밍 스토리.