2026년 9월 1일, Artificial Analysis가 독립 평가를 마쳤다. 메타 Superintelligence Labs의 신모델 Muse Voice Transcribe는 화자가 말을 마친 뒤 0.16초 만에 영어 단어 오류율 3.1%를 기록했다. ElevenLabs Scribe v2 Realtime(3.6%, 0.14초), AssemblyAI Universal-3.5 Pro Realtime(4.0%)이 뒤를 이었다. 숫자만 보면 조용한 발표처럼 보인다. 그런데 이 모델이 겨냥하는 곳은 벤치마크 1위가 아니다.
80밀리초마다 내리는 결정
기존 음성 인식 파이프라인은 크게 두 단계였다. 음향 신호를 텍스트로 바꾸는 ASR(자동 음성 인식)과, 그 텍스트를 언어 모델이 처리하는 단계. 두 시스템이 직렬로 연결돼 있어 지연이 쌓였다.
Muse Voice Transcribe는 이 경계를 허문다. 들어오는 오디오를 80밀리초 단위 청크로 쪼개고, 각 청크마다 '지금 출력할지, 더 들을지'를 스스로 판단한다. 쉬운 단어는 빠르게 내보내고, 판단이 어려운 단어는 더 많은 문맥을 모은 뒤 출력한다. 메타는 이 '적응형 지연(adaptive delay)' 동작을 강화학습으로 훈련했다. 오류율과 지연 시간을 동시에 낮추는 방향으로 보상을 설계했다.
화자 분리와 문장 경계 감지도 별도 시스템 없이 같은 모델 안에 들어 있다. 화자가 바뀌면 텍스트에 A부터 Z까지 식별자를 태그한다. 동시에 20명 이상을 구분하고, 후처리 없이 1시간 이상 녹음을 처리한다. 8명이 한 방에 있는 데모에서 시스템은 각 단어를 실시간으로 화자에게 귀속시켰다. 70개 언어를 학습했고, 한 문장 안에서 두 언어를 오가는 코드 스위칭도 처리한다.
가격이 전략이다
메타는 시간당 $0.18, 오디오 1,000분당 $3을 책정했다. Cartesia Ink-2($4), ElevenLabs Scribe v2 Realtime과 Deepgram Flux(각 $6.50)의 절반 이하다.
이 가격 구조는 낯설지 않다. 메타는 앞서 Muse Spark 1.1과 1.2에서도 같은 방식을 썼다. 최고 성능보다 가격으로 시장에 들어가는 전략이다. 모델의 파라미터 수, 학습 데이터 규모, 오디오 데이터 출처는 공개하지 않았고 가중치도 공개하지 않는다.
현재 Muse Voice Transcribe는 Meta AI의 음성 받아쓰기와 Muse Code에 탑재됐고, Meta Model API를 통해 외부에서도 쓸 수 있다. 어떤 앱에서든 'Fn' 키를 누르면 사용 가능하다.
'항상 듣는 AI'라는 맥락
메타가 이 모델 발표에 붙인 맥락은 기술 스펙보다 더 많은 것을 말한다. 사내 데모에서 메타 직원들은 "신뢰할 수 있는 음성 인식이 AI 안경을 통한 개인 AI 에이전트의 기반"이라고 설명했다. 마크 저커버그(Mark Zuckerberg)가 내세우는 '개인 초지능(personal superintelligence)' 비전의 입력단이 바로 이 모델이다.
독일에서는 최근 메타 카메라 안경 사용 금지 논의가 있었지만, 독일 연방 네트워크 에이전시(Federal Network Agency)는 결국 추진하지 않기로 결정했다. '항상 듣는 기기'를 둘러싼 프라이버시 논쟁은 기술 출시와 함께 계속 따라다닐 것이다.
경쟁 구도도 빠르게 재편됐다. OpenAI는 지난 5월 실시간 대화 목적으로 GPT-Realtime-Whisper를 내놨고, 7월에는 전사 모델 가격을 인하했다. 실시간 오디오 인식 시장에서 가격 압박은 이미 시작됐다.
한국 시장에 닿는 파장
국내 음성 AI와 콜센터 자동화 솔루션 시장에서 실시간 전사 모델은 핵심 인프라다. 통화 내용을 실시간으로 텍스트화하고 화자를 분리해 상담 품질을 분석하는 파이프라인이 이미 여러 기업에서 운영 중이다. 시간당 $0.18 수준의 비용으로 화자 분리까지 단일 모델에서 처리할 수 있다면, 별도 ASR 시스템과 화자 분리 모듈을 조합해 쓰던 기존 구조를 다시 검토할 이유가 생긴다. 70개 언어 학습에 한국어가 포함됐는지는 메타가 공개하지 않았다. 25개 심층 테스트 언어 목록도 마찬가지다.
