0.4초마다 침묵과 발언을 결정하는 오픈소스 음성 AI
중국, 홍콩, 싱가포르 연구진이 대화, 번역, 전사, 일상 소리 인식을 하나로 통합한 새로운 오픈소스 음성 AI 모델을 발표했습니다. 이 모델은 오디오 스트림을 0.4초 단위로 나누어 실시간으로 청취와 발화를 병렬 처리하며, 반응 대기 시간을 최소화합니다. 결과적으로 최신 상용 모델들을 능가하는 주변 소리 탐지 및 처리 능력을 보여줍니다.
새로운 오픈소스 음성 모델이 끊임없이 듣고 매 0.4초마다 말할지 침묵할지 결정합니다. 조나단 켐퍼(Jonathan Kemper)가 THE DECODER의 프롬프트로 작성한 글, 2026년 6월 6일.
핵심 요점: "Audio Interaction(오디오 인터랙션)" AI 모델은 연속적인 오디오 스트림을 처리하며, 대화, 번역, 전사(Transcription) 및 소리 인식과 같은 작업을 단일 시스템으로 결합합니다. 이를 위해 오디오 스트림을 0.4초 단위의 세그먼트로 나누고, 각 세그먼트가 끝날 때마다 특수 토큰(Special Token)을 통해 침묵을 유지할지 응답을 생성할지 결정합니다. 302,000시간의 인공 오디오 데이터 세트로 학습한 이 모델은 듣는 것과 말하는 것을 병렬로 처리합니다. 이는 응답을 기다리는 시간을 최소화하여, 능동적인 노이즈 감지 테스트에서 Gemini 3 Flash와 같은 모델을 능가할 수 있게 만듭니다.
연구진은 현재의 오디오 음성 모델과 실제 사람의 청취 방식 사이의 간극을 좁히고자 합니다. 이 시스템은 대화, 번역 및 소리 인식을 모두 한 번에 처리합니다. GPT-4o나 Qwen 3.5-Omni와 같은 기존의 오디오 음성 모델은 버튼이 있는 구형 녹음기처럼 작동합니다. 즉, 녹음이 끝날 때만 응답합니다. 대화를 위한 Moshi나 실시간 자막을 위한 Paraformer와 같은 스트리밍 시스템은 실시간으로 듣긴 하지만, 한 번에 하나의 작업만 처리할 수 있으며 기침 소리와 같은 일상적인 소리를 단순한 배경 소음으로 취급합니다.
중국, 홍콩, 싱가포르의 연구진은 "오디오 인터랙션"을 통해 이 두 가지 접근 방식을 결합하고자 합니다. 이 모델은 오디오 스트림을 지속적으로 듣고, 이를 0.4초 단위의 청크(Chunk)로 나눈 뒤, 각 청크 이후에 침묵할지 말할지 결정합니다. 번역, 전사, 채팅 및 일상적인 소리에 반응하는 기능이 모두 30억(3B) 파라미터의 단일 모델 내에서 실행됩니다.
0.4초마다 하나의 특수 토큰
각 오디오 조각이 끝난 후 모델은
논문에 따르면, 이 모델(Audio-Interaction)은 오디오 벤치마크인 MMAU에서 58.15점을 기록하며 기반이 된 Qwen2.5-Omni-3B 모델을 근소한 차이로 앞섰습니다. 또한 훨씬 더 큰 70억(7B) 파라미터 모델들과도 비슷한 성능을 보여줍니다. 영어-중국어 번역의 경우, 기존 기반 모델보다 성능이 크게 향상되었습니다.
모델이 적절한 타이밍에 개입하는 법을 학습하기 위해 연구팀은 적절한 학습 데이터가 필요했습니다. 연구진은 기존의 오디오 데이터 세트가 짧고 분리된 클립으로만 구성되어 있으며, 응답 신호가 드문 긴 시퀀스가 부족하다고 지적했습니다.
이에 따라 팀은 3단계에 걸쳐 자체적인 데이터 장면을 구축했습니다. 첫째, 대규모 언어 모델이 아침 식사를 준비하는 주방과 같이 그럴듯한 배경 설정과 3~15개의 하위 이벤트를 설계했습니다. 그런 다음 시스템은 일치하는 클립을 데이터베이스에서 검색하거나, 깨지는 유리 잔 소리 같은 누락된 효과음을 AudioX나 ElevenLabs 같은 오디오 모델을 사용해 생성했습니다. 이후 전처리 단계에서 녹음본의 잘린 부분을 매끄럽게 다듬어 자연스럽게 들리도록 만들었습니다. 그 결과로 탄생한 StreamAudio-2M 데이터 세트는 7개 기술 분야와 28개 하위 작업에 걸쳐 260만 개의 데이터 단위와 약 302,000시간의 오디오를 포함하고 있습니다.
반복적으로 나타나는 두 가지 스트리밍 문제 훈련 과정에서 두 가지 약점이 계속해서 나타났습니다. 첫째, 길고 시끄러운 시퀀스에서 모델이 초반의 내용을 잊어버린다는 점입니다. 해결책으로 모델이 장기 기억을 구축하도록 강제하기 위해 오디오의 훨씬 이전 부분을 언급하는 질문을 던지는 방식을 사용했습니다.
둘째, 중요하지 않은 소리에 너무 자주 반응을 일으킨다는 점입니다. 연구팀은 명백하게 응답을 유발하지 않아야 하는 대량의 검증된 침묵 및 배경 오디오 데이터를 제공함으로써 이 문제에 대응했습니다. 인간이 큐레이션한 644개의 이벤트로 새롭게 구축된 ProactiveSound Bench 벤치마크에서 이 모델은 Gemini 3 Flash, Kimi-Audio-Instruct, Step-Audio 2 등 다른 모델들을 제치서 최고 성능을 기록했습니다.
블로킹 파이프라인 대신 큐(Queue) 도입 실시간 사용을 위해 연구진은 들어오는 오디오 처리와 응답 생성을 분리했습니다. 두 프로세스는 병렬로 실행되며 큐를 통해 데이터를 교환합니다. 오디오 측은 계속해서 새로운 청크를 기록하고, 응답 측은 이를 읽어옵니다.