xAI 받아쓰기 2.0, 오류율 3분의 1로 줄었어요

작성자:

20.6%에서 6.8%로. xAI(스페이스XAI)가 공개한 음성 받아쓰기 모델 ‘그록 보이스 트랜스크라이브 2.0’이 짧은 다국어 음성 명령 세트에서 기록한 단어 오류율(WER)이다. 앞선 1.0 대비 3분의 1 수준으로 떨어졌다.

그록 보이스 트랜스크라이브 2.0 공개 이미지

32개 스트리밍 모델 중 1위

xAI는 9월 18일 공식 블로그를 통해 새 모델을 발표했다. 공개된 수치는 세 갈래다. 우선 공개 리더보드인 아티피셜 애널리시스에서 스트리밍 방식 음성인식 모델 32종 가운데 정확도 1위를 기록했다. 회사는 텔레포니(전화선) 환경에서는 자사가 시험한 모든 모델을 앞섰다고 밝혔다. 앞선 1.0과 비교하면 정확도가 두 배이고, 가격은 시간당 배치 0.10달러, 스트리밍 0.20달러로 동일하다. 화자 분리와 타임스탬프, 핵심 용어 지정 기능도 기본 포함이다.

내부 평가는 네 개의 실전 데이터셋으로 구성됐다. 고객지원 통화의 전화 음질 오디오, 그록과의 대화, 계좌번호나 이메일처럼 말로 부르는 인증 정보, 그리고 다국어 음성 명령이다. 회사는 이 가운데 전화 음질 구간에서 경쟁 모델 전체를 앞섰다고 설명했다. 언어는 수십 종을 지원하고 자동 감지와 녹음 도중의 언어 전환까지 한 번에 처리한다. 짧은 구절에서는 문맥이 부족해 언어 식별이 어려운데, 이 구간의 오류율이 20.6%에서 6.8%로 내려간 것이 1.0 대비 가장 큰 개선 폭이다.

깨끗한 오디오가 아니라 전화선이 승부처

회사가 강조한 대목은 실전 조건이다. 대부분의 전사 모델은 조용한 환경의 단일 화자 오디오에서 잘 동작하지만, 실제 오디오는 다르다. 불안정한 전화선, 겹쳐지는 목소리, 지역 사투리, 불러주는 전화번호와 이메일 주소가 섞인다. xAI는 이 조건을 겨냥해 살아 있는 다국어 녹음 데이터셋으로 학습시키고 후속 학습을 얹었다고 설명했다.

이미 차량 안에서 돌아가는 모델

새 모델은 그록 보이스의 기반이 된 오디오 파운데이션 모델 위에 올라간다. xAI에 따르면 그록 보이스는 하루 수만 건의 고객지원 통화를 처리하고, 수백만 시간 분량의 영상 나레이션을 받아쓰며, 테슬라 차량 안의 그록 어시스턴트처럼 실제 제품에 들어간 음성 에이전트를 돌린다. 아틀라시안은 화면 녹화 서비스 룸(Loom) 영상 전사에 새 모델을 적용해 기존 솔루션보다 정확했다고 평가했다. 전사가 정확해지면 후속 작업도 달라진다. 룸에 녹음한 작업 계획을 전사해 코딩 도구 커서에 넘기면 코드 수정까지 자동으로 이어지는 흐름이 회사가 내세운 사례다.

경쟁 구도는 뚜렷하다. 같은 리더보드에는 일레븐랩스 스크라이브 v2, 딥그램 노바-3, 구글 제미나이 3.5 트랜스크라이브 라이브, 마이크로소프트 애저 STT 등이 이름을 올린다. 새 모델은 기존 음성-텍스트 API 사용자가 코드를 고치지 않아도 정확도 개선을 받는다는 점을 내세운다. 곧 API 기본값이 2.0으로 바뀌고 1.0은 몇 주 안에 지원이 종료된다. 1.0을 유지하려면 모델 별칭을 직접 고정해야 한다.

이번 발표는 음성 AI의 경쟁 축이 모델 크기에서 통화 품질과 다국어 처리로 옮겨갔다는 신호로 읽힙니다. 실제 통화선의 잡음, 겹치는 목소리, 사투리, 불러주는 이메일 주소를 얼마나 정확히 받아쓰느냐가 API 판매의 실질적인 기준이 되고 있다는 뜻입니다. 다음 관전 포인트는 기본값 전환 시점과 1.0 지원 종료 일정, 그리고 테슬라 차량 안 그록 호출이 이 모델로 넘어가면서 응답 지연이 얼마나 줄어드는지입니다.

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

관련 기사