MAI-Transcribe-2-Streaming vs MAI-Transcribe-2: 단어 수준 타이밍을 위해 5.4배를 지불하세요

MAI-Transcribe-2-Streaming과 MAI-Transcribe-2는 두 가지 가격 등급으로 나뉜 동일한 모델 패밀리이며, 그 구분은 계획을 세울 수 있을 만큼 명확합니다. MAI-Transcribe-2는 2026년 9월 3일 배치 모델로 출시되었습니다: Artificial Analysis의 비스트리밍 보드에서 2.0%의 단어 오류율, 대략 실시간의 411배, 오디오 시간당 $0.10 — 1,000분당 약 $1.67입니다. MAI-Transcribe-2-Streaming은 2026년 10월 1일 실시간 변형으로 출시되었습니다: 최종 전사까지 0.13초에 2.5%의 스트리밍 단어 오류율을 주장하며, Microsoft는 이를 최종 및 부분 전사 모두에서 정확도 면에서 최초라고 설명합니다. 이는 Artificial Analysis의 스트리밍 방법론으로 측정된 것이지 아직 추적기의 보드에 행으로 표시된 것은 아닙니다. 오디오 시간당 $0.54 — 1,000분당 약 $9.00입니다. 동일한 60개 언어, 동일한 API 전용 배포, 공개된 가중치 없음. 스트리밍은 배치 요금의 5.4배이며, Microsoft 자체 수치로는 정확도 0.5포인트 차이입니다. 그것이 특가인지 세금인지는 전적으로 한 가지 질문에 달려 있습니다: 파이프라인에서 문장이 끝나기 전에 전사가 필요한 것이 있습니까?

두 모델이 같은 공급업체와 같은 문서 환경에서 나오기 때문에 이 비교는 이례적으로 깔끔합니다 — 기능 동등성을 추측할 필요도, 벤치마크 버전 불일치도, “그쪽 수치 대 우리 수치”도 없습니다. 이는 한 공급업체가 동일한 역량의 두 가지 속도에 가격을 매기는 것이며, 흥미로운 작업은 저렴한 티어가 실제로 어떤 워크로드를 커버하는지 밝히는 것입니다.

가족, 두 줄로

• MAI-Transcribe-2 — 배치, 사전 녹음 오디오, 2026년 9월 3일 출시. AA-WER 2.0%로 Artificial Analysis의 비스트리밍 리더보드에서 2위. 실시간 대비 약 411배로 이 역시 2위. 오디오 시간당 $0.10, 1,000분당 약 $1.67이며, 연말까지 한시적으로 제공되고 표준 가격은 공개되지 않았습니다. 화자 분리 기능을 함께 제공하며 단어 수준 타임스탬프를 반환합니다. 자동 언어 식별을 지원하는 60개 언어.

• MAI-Transcribe-2-Streaming — 실시간, WebSocket 스타일의 연속 전사, 2026년 10월 1일 출시. Microsoft는 발화 종료 후 0.13초에 최종 전사 WER 2.5%를, 첫 부분 결과에서는 0.12초에 동일한 2.5%를 보고하며, 이를 최종 전사와 첫 부분 결과 모두에서 정확도 면에서 최초라고 설명한다 — Artificial Analysis의 스트리밍 방법론으로 측정된 벤더 주장이지만, 작성 시점 기준으로 트래커 자체 보드(37개 모델)에는 아직 이 모델이 표시되지 않았으며, 현재 선두는 2.73%, 0.49초를 기록한 Grok Voice Transcribe 2.0이다. 오디오 1시간당 $0.54, 1,000분당 약 $9.00, 연말까지 도입 요금. 자동 연속 언어 감지를 지원하는 60개 언어. 공개된 화자 분리 주장 없음, 공개된 단어 타임스탬프 주장 없음.

속도나 가격에 관한 것이 아닌 단 하나의 비대칭성은 역량이다: 배치 모델의 화자 분리와 단어 타임스탬프는 문서화된 기능이지만, 스트리밍 모델의 기능은 그렇지 않다. 이는 0.5포인트 정확도 격차보다 더 중요하며, 많은 팀이 결국 두 모델을 모두 운영하게 되는 이유다.

5.4×가 실제로 주는 것

1,000분당 $1.67이라면, 이 정확도 등급의 배치 전사는 한계 비용 측면에서 거의 무료에 가깝습니다. 1,000분당 $9.00이라면, 스트리밍은 실제 비용 항목입니다 — 대략 같은 오디오를 다섯 번 전사한 비용에 정확도 0.5%포인트를 더한 정도죠. 따라서 문제는 실시간이 더 가치가 있는지가 아니라, 어떤 특정한 분에 그것이 필요한지입니다.

그것이 분명한 워크로드는 다음과 같다. 화자가 말하는 동안 사람이 읽는 실시간 캡션은 0.13초와 파일 끝이라는 차이가 곧 제품의 전부이며, 통화가 끝난 뒤에 도착하는 개입은 무가치한 실시간 에이전트 지원 및 컴플라이언스 스코어링, 그리고 대화 차례가 전사본 없이는 완결될 수 없는 대화형 음성 애플리케이션이다. 이 세 가지 모두에서 배치 모델은 더 저렴한 선택지가 아니라 선택지 자체가 아니다. 사후 전사가 실시간이 되는 가격은 존재하지 않는다.

명백히 그렇지 않은 워크로드는 다음과 같습니다: 사후 처리되는 회의 및 통화 녹음, 미디어 아카이브, 컨택 센터 배치 QA, 완료된 통화의 컴플라이언스 검토, 팟캐스트 및 비디오 캡셔닝. 바로 이 파이프라인들이 배치 모델의 411배 실시간과 $1.67 요율이 승리하도록 만들어진 곳이며, 내일까지 아무도 읽지 않는 대본에서 몇백 밀리초를 줄이려고 5.4배를 지불하는 것은 명백한 낭비입니다. 화자 분리 및 단어 타임스탬프 기능을 추가하면 — 배치 모델은 문서화되어 있지만 스트리밍 모델은 그렇지 않습니다 — 사후 처리 논거는 약해지기는커녕 더 강해집니다.

흥미로운 중간 지점은 두 방식이 진정으로 상호 보완적인 곳입니다. 실시간 화면용으로는 스트리밍을, 기록용으로는 배치를 실행하는 것입니다. 상담원 지원 패널을 구동하기 위해 실시간으로 전사한 고객 지원 통화를 밤새 배치로 다시 전사해 화자 분리와 타임스탬프가 포함된 보관용 전사본을 생성하는 방식은 배치만 사용할 때보다 약간의 추가 비용이 들지만 두 가지 동작 방식을 모두 얻을 수 있습니다. 그 패턴은 9월에야 가능해졌고, 10월 릴리스가 이를 완성합니다.

2분할 구조가 드러나는 곳

이 계열에 관한 두 가지 점은 부수적인 것이 아니라 구조적이기 때문에 주목할 가치가 있다.

첫째, 정확도 위계가 일반적인 패턴과 반대로 뒤집혀 있다. 스트리밍 모델은 보통 실시간 출력을 위해 상당한 정확도 페널티를 치른다. 여기서 그 페널티는 0.5포인트다. 배치 보드에서 2.0%였던 것이 스트리밍 보드에서는 2.5%로 주장된다. Microsoft는 자체 수치상 실시간 모델을 자사의 배치 플래그십과 0.5포인트 이내로 맞췄다. 이 수치가 유지된다면, 이것이 10월 릴리스의 실제 엔지니어링 성과이지, 보드 최상위 순위가 아니다. 그 순위는 제대로 된 재실행으로도 바뀔 수 있고 트래커가 아직 확인하지도 않은 것이다.

둘째, 가격 책정도 일반적인 패턴과 반대입니다. 공급업체는 보통 더 높은 사용량 등급에 할인을 적용합니다. Microsoft는 스트리밍을 배치의 5.4배로 책정했고, 둘 다 같은 시점에 만료되는 도입 요금으로 남겨 두었습니다. 이는 의도적인 스트리밍 프리미엄이라기보다, 각각 출시 할인을 붙인 두 개의 별도 출시처럼 보이며, 어느 쪽에도 공개된 표준 요금이 없습니다. 2027년 예산을 계획하는 팀은 두 숫자를 모두 잠정치로 취급해야 합니다. $1.67과 $9.00은 모두 한시적이라고 표시되어 있으며, 어느 쪽에도 발표된 후속 가격이 없습니다.

아직 증명되지 않은 것

9월의 배치 모델에 관한 미해결 질문들은 여전히 열려 있습니다: 공개된 화자 분할 오류율도 없고, 60개 언어 지원 주장의 근거가 되는 언어별 분석도 없으며, 후속 모델이 명시되지 않은 프로모션 가격만 있습니다. 스트리밍 모델은 실시간 작업에 특유한 질문을 하나 더 추가합니다 — 스트리밍 WER은 깨끗한 오디오에서 측정되며, 잡음이 많은 원거리 음장 스트림에서의 부분 전사 품질은 배포에서 가장 중요한 실패 모드이면서 출시 자료에서 가장 덜 다뤄지는 부분입니다. 또한 스트리밍 리더보드의 근접성도 물려받습니다: 트래커의 37개 모델 리더보드에서 상위 3개는 1점의 극히 일부 차이 안에 있으므로, '1위'는 재실행으로 바뀔 수 있는 상태입니다 — 그리고 마이크로소프트의 1위는 리더보드의 행이 아니라 주장입니다.

다만 주목해야 할 것은 제품군 수준의 질문입니다. 마이크로소프트는 이제 동일한 기능을 다섯 배 차이 나는 두 가격에 판매하고 있으며, 비싼 등급에는 저렴한 등급이 문서에 명시한 두 가지 기능이 빠져 있습니다. 화자 분리와 단어 타임스탬프가 스트리밍 SKU에 도입된다면, 격차는 순전히 지연 시간과 가격 간의 트레이드오프로 좁혀지며, 이는 훨씬 더 단순한 결정이 됩니다. 그렇지 않다면 이원화 구조는 영구적이며, 아키텍처는 이를 전제로 구축해야 합니다.

이로 인해 전사 스택이 처하게 되는 상황

실질적인 결론은, 전사가 9월에는 더 이상 단일 항목이 아니었고 10월에는 라우팅 결정이 되었다는 것이다. 한때 하나의 API로 표준화하던 파이프라인이 이제는 라이브 표면에는 스트리밍을, 기록에는 배치를, 그리고 어떤 오디오가 어떤 경로를 택할지에 대한 규칙을 원한다 — 그리고 그 규칙 자체가 하나의 라우팅 문제이며, 이는 한 공급업체의 릴리스 주기에 들어가기에는 이상할 정도로 많은 복잡성이다.

그 영향은 트랜스크립트 위에 놓인 계층에 가장 크게 미친다. 어느 계층이 텍스트를 생성하든, 그 텍스트는 이후 요약되고, 분류되고, 민감 정보가 제거되고, 라우팅되며, 이러한 단계는 각자의 지연 시간과 비용 프로필을 지닌 언어 모델에서 실행된다 — 실시간 트랜스크립트에는 빠르고 저렴한 모델이 필요하고, 보관용 트랜스크립트에는 더 강력한 모델을 쓸 여유가 있다. OrcaRouter는 바로 그 계층을 담당한다: 200개 이상의 모델을 아우르는 단일 API, 0% 마크업으로 전달되는 제공업체 정가, 자동 페일오버, 그리고 파이프라인 단위가 아니라 워크로드 단위로 모델을 선택하는 라우팅 DSL. MAI-Transcribe-2-Streaming과 MAI-Transcribe-2는 모두 그 명단에 없으며 — 둘 다 Microsoft 자체 음성 스택을 통해 제공된다 — 하지만 이원화된 전사 계층은 그 하위의 모든 것을 이식 가능하게 유지해야 한다는 지금까지 가장 강력한 논거다.

솔직한 요약: 스트리밍은 더 나은 MAI-Transcribe-2가 아니라, 두 번째 가격대의 두 번째 제품이다. 진짜로 실시간이어야 하는 분량에는 이걸 구매하고, 나머지는 저렴한 티어에 남겨 두고, 초기 프로모션 기간이 끝나면 두 요금 모두 재책정될 것에 대비해 예산을 세워라.