메뉴
BL
The Decoder • 20일 전

메타, 끊김 없이 듣는 AI 어시스턴트의 기반 실시간 오디오 모델 공개

IMP
7/10
핵심 요약

메타 슈퍼인텔리전스 랩스가 음성을 실시간 전사하고 화자를 20명 이상 구분하며 문장 경계까지 감지하는 'Muse Voice Transcribe' 모델을 공개했습니다. 시간당 0.18달러라는 경쟁사보다 낮은 가격과 70개 이상 언어 지원이 핵심 경쟁력이며, 이미 메타 AI와 메타 모델 API에서 사용할 수 있습니다.

번역된 본문

메타의 새로운 실시간 오디오 모델, 멈추지 않고 듣는 AI 어시스턴트의 기반

주요 포인트:

  • 메타는 음성 전사, 문장 경계 감지, 별도 시스템 없이 최대 20명의 화자 구분이 가능한 실시간 모델 'Muse Voice Transcribe'를 공개했다.
  • 이 모델은 오디오를 80밀리초 단위로 분할하고, 난이도에 따라 각 단어별 지연 시간을 조정해 속도와 정확도를 실시간으로 균형 있게 맞춘다.
  • 시간당 0.18달러로 오픈AI, 일레븐랩스 등 경쟁사보다 저렴하다.
  • 70개 이상 언어를 지원하며 현재 메타 AI와 메타 모델 API를 통해 이용할 수 있다.

메타의 슈퍼인텔리전스 랩스가 첫 실시간 오디오 인식 모델을 공개했다. 이 모델은 라이브 대화 중 음성 전사, 화자 구분, 문장 경계 감지를 수행한다.

'Spark' 계열 모델인 이 모델은 입력되는 오디오를 80밀리초 청크로 나눈다. 각 청크 처리 후 계속 들을지, 다음 단어를 텍스트로 출력할지 판단하며, 전사를 확정하기 전에 어느 정도의 문맥을 수집할지 스스로 제어한다. 더 기다리면 정확도는 높아지지만 지연이 길어진다. 메타에 따르면 Muse Voice Transcribe는 난이도에 따라 각 단어의 대기 시간을 동적으로 조정한다. 쉬운 단어는 빨리 나오고, 어려운 단어는 더 오래 듣는다. 메타는 이러한 동작을 강화학습으로 훈련시켰으며, 낮은 오류율과 짧은 지연을 동시에 보상했다.

별도 시스템 없이 화자 분리와 문장 감지 메타는 나머지 기능을 별도 시스템 없이 동일한 모델에 내장했다. 화자 식별을 위해 모델은 진행 중인 텍스트에 화자 변경을 표시하고 각 구절에 A부터 Z까지의 식별자를 태그로 붙인다. 문장 경계의 경우 각 발화의 시작과 끝을 표시한다. 두 작업은 모두 음성 인식과 함께 공동 훈련되었다.

이 모델은 한 번에 20명 이상의 화자를 구분할 수 있으며, 후처리 없이 1시간이 넘는 녹음도 처리할 수 있다. 메타에 따르면 8명이 있는 방에서 시연했을 때 시스템이 실시간으로 단어를 각 화자에게 할당했다.

핵심 판매 포인트로서의 다국어 지원 메타는 Muse Voice Transcribe가 70개 이상 언어로 훈련되었으며, 그중 25개 언어를 심도 있게 테스트했다고 밝혔다. 또한 화자가 문장 중간에 두 언어를 섞어 쓰는 코드 스위칭도 처리한다. 언어, 키워드, 문맥에 대한 힌트는 특히 '메타', '뮤즈', '멘로파크' 같은 고유명사의 정확도를 더욱 높일 수 있다.

인공 분석 업체 Artificial Analysis는 독립 평가에서 메타의 주장을 확인했다. Muse Voice Transcribe는 화자 발화 종료 후 0.16초 만에 영어 단어 오류율 3.1%를 달성했다. 일레븐랩스 Scribe v2 Realtime은 3.6%와 0.14초, AssemblyAI Universal-3.5 Pro Realtime은 4.0%를 기록했다. Cartesia Ink-2는 모델이 직접 발화 종료를 감지하는지 외부 시스템에 의존하는지에 따라 3.4% 또는 4.0%를 기록했다.

경쟁은 치열하다. 오픈AI는 5월에 같은 목적의 GPT-Realtime-Whisper를 출시하고 7월에 전사 모델 가격을 인하했다. 메타는 이번 출시를 마크 저커버그 CEO의 '개인 슈퍼인텔리전스' 비전과 연결한다. 메타 직원들은 미리 준비된 시연에서 신뢰할 수 있는 음성 인식이 AI 안경을 통해 실제 대화를 듣는 개인 AI 에이전트의 기반이라고 주장했다. 독일에서는 최근 메타 카메라 안경 금지가 논의되었으나, 독일 연방네트워크청은 추진하지 않기로 결정했다.

이용 가능 여부 Muse Voice Transcribe는 현재 메타 AI와 Muse Code의 음성 받아쓰기를 지원하며, 메타 모델 API를 통해 이용할 수 있다. 사용자는 어떤 앱에서든 'Fn' 키를 길게 눌러 사용해볼 수 있다.

메타는 가격 면에서 경쟁사를 압도한다. 시간당 0.18달러, 즉 오디오 1,000분당 3달러로, 4달러인 Cartesia Ink-2와 각각 6.50달러인 일레븐랩스 Scribe v2 Realtime, Deepgram Flux보다 저렴하다. 이는 메타가 Muse Spark 1.1과 Muse Spark 1.2에서 보여준 가격 경쟁 전략의 연장선이다.

원문 보기
원문 보기 (영어)
Meta's new real-time audio model is the foundation for AI assistants that never stop listening Jonathan Kemper View the LinkedIn Profile of Jonathan Kemper Sep 6, 2026 Meta Key Points Meta has released Muse Voice Transcribe, a real-time model that transcribes speech, detects sentence boundaries, and tells up to 20 speakers apart without separate systems. The model breaks audio into 80-millisecond chunks and adjusts the delay for each word based on difficulty, balancing speed and accuracy on the fly. At $0.18 per hour, Meta undercuts competitors like OpenAI and ElevenLabs. The model supports over 70 languages and is available now in Meta AI and through the Meta Model API. Ask about this article… Search Meta's Superintelligence Labs have released their first real-time audio perception model. It transcribes speech, tells speakers apart, and detects sentence boundaries during live conversation. The Spark-family model breaks incoming audio into 80-millisecond chunks. After each one, it decides whether to keep listening or output the next word as text, controlling how much context it gathers before committing to a transcription. More waiting means better accuracy but longer delays. Muse Voice Transcribe adjusts the wait time dynamically for each word based on difficulty, according to Meta. Easy words come out faster, harder ones get more listening time. Meta trained this behavior with reinforcement learning, rewarding the model for low error rates and short delays at the same time. Ad Speaker separation and sentence detection without extra systems Meta builds the remaining features into the same model, without separate systems. For speaker attribution, the model marks speaker changes in the running text and tags each passage with an identifier from A to Z. For sentence boundaries, it marks where each utterance begins and ends. Both tasks are trained jointly with the speech recognition. Ad The model can tell more than 20 speakers apart at once and handle recordings over an hour long without post-processing. In a demo with eight people in a room, the system assigns words to individual speakers in real time, according to Meta. Multilingual support as a key selling point Meta says Muse Voice Transcribe was trained on more than 70 languages, with 25 tested in depth. The model also handles code-switching, where speakers jump between two languages mid-sentence. Hints about language, keywords, and context can boost accuracy further, especially for proper nouns like "Meta," "Muse," or "Menlo Park." Ad Artificial Analysis confirms Meta's claims in an independent evaluation. Muse Voice Transcribe hits a 3.1 percent word error rate on English in 0.16 seconds after a speaker finishes talking. ElevenLabs Scribe v2 Realtime comes in at 3.6 percent and 0.14 seconds, AssemblyAI Universal-3.5 Pro Realtime at 4.0 percent. Cartesia Ink-2 scores either 3.4 or 4.0 percent, depending on whether the model detects utterance endings itself or relies on an external system. Competition is fierce. OpenAI released GPT-Realtime-Whisper for the same purpose in May and cut transcription model prices in July. Meta ties the release to CEO Mark Zuckerberg's vision of "personal superintelligence." In a staged demo, Meta employees argue that reliable speech recognition is the foundation for personal AI agents that listen in on real conversations through AI glasses. In Germany, a ban on Meta's camera glasses was recently discussed, though Germany's Federal Network Agency decided not to pursue it. Ad Availability Muse Voice Transcribe now powers voice dictation in Meta AI and Muse Code and is available through the Meta Model API. Users can try it by holding the "Fn" key in any app. Ad Meta undercuts the field on pricing. At $0.18 per hour, or $3 per 1,000 audio minutes, it costs less than Cartesia Ink-2 at $4 and ElevenLabs Scribe v2 Realtime and Deepgram Flux at $6.50 each. This continues the playbook from Muse Spark 1.1 and Muse Spark 1.2, where Meta competes on price rather than peak performance. The company hasn't disclosed the model's parameter count, training data volume, or audio data sources, and it isn't releasing the weights. Meta reorganized its AI division in the summer of 2025 under the Superintelligence Labs umbrella, recruiting top researchers from OpenAI, Google DeepMind, and Apple with pay packages up to $300 million over four years . Not all of them stayed. Some went back to OpenAI after just a few weeks . AI News Without the Hype – Curated by Humans Subscribe to THE DECODER for ad-free reading, a weekly AI newsletter, our exclusive "AI Radar" frontier report six times a year, full archive access, and access to our comment section. Subscribe now Source: Meta | Artificial Analysis/X
메타 음성인식 실시간전사 다국어 AI모델