Rime은 기업이 자사 온프레미스 환경이나 프라이빗 클라우드에서 운영할 수 있고 파인튜닝도 가능한 음성 대 음성(S2S) 모델 「Prism」을 발표했다. Revmo와 진행한 실증에서는 OpenAI의 GPT 모델과 비교해 주문 확인 성공률이 68%에서 100%로, AI 환각(hallucination) 없이 완료된 통화 비율이 35%에서 85%로 높아졌다. Prism은 음성을 생성하기 전에 텍스트를 먼저 생성하므로, 기업의 규칙과 가드레일로 고객에게 전달되기 전 내용을 확인할 수 있다.
NVIDIA는 음성 받아쓰기, 번역, 화자 식별을 하나의 모델로 처리하는 오픈 음성 인식 모델 Nemotron 3.5 Transcribe를 공개했다. 40개 언어의 음성 받아쓰기를 지원하며, 31개 언어에서 영어로의 번역, 13개 언어에서 화자 식별이 가능하다. Hugging Face의 영어 Open ASR Leaderboard에서는 오픈 웨이트 모델 중 1위(평균 단어 오류율 5.33%)를 기록했으며, 약 844,000시간 분량의 학습 데이터셋 Granary v2도 함께 공개됐다.
Nvidia가 40개 언어까지 음성을 전사할 수 있는 무료 오픈 웨이트 모델 「Nemotron 3.5 Transcribe」와 오픈소스 음성 데이터셋 「Granary」 제2판을 공개했다. Nemotron 3.5는 31개 언어와 영어 간 상호 번역, 최대 1시간 분량의 녹음 처리, 최대 8명 화자 식별을 지원하며, 회사 측은 Hugging Face의 Open ASR Leaderboard를 포함한 벤치마크에서 경쟁 모델을 앞섰다고 주장했다. 실시간 방송이 아니라 녹음된 음성이 대상이며, 파라미터 수는 30 billion으로 단일 칩에서 동작할 수 있다고 한다.
NVIDIA는 전사, 화자 식별, 번역, 음성 Q&A를 하나의 체크포인트로 처리하는 오픈 웨이트 모델 Nemotron 3.5 Transcribe를 Hugging Face와 ModelScope에 공개했다. 40개 언어의 전사를 지원하며, Hugging Face Open ASR Leaderboard 영어 부문에서 오픈 웨이트 모델 중 1위인 평균 WER 5.33%를 기록했다. 학습 데이터 파이프라인 Granary v2와 파인튜닝 절차도 함께 공개됐다.
Jack Dorsey의 Block이 연구 부문에서 개발한 음성 모델 Dessa를 발표했다. 사람의 음성만으로 학습한 전이중(full-duplex) 모델로, 웃음·멈춤·울음 같은 표현을 갖추고 로컬에서 동작한다. 현재 일반 공개는 없으며, Block은 안전성 연구자들에게 테스트 참여를 요청하고 있다.
Block은 사람의 대화만으로 “처음부터” 학습시킨 음성 AI 모델 “Dessa”를 발표했다. 회사는 Dessa가 “true speech-to-speech model”이며 MacBook Pro M4 Max “이상” 사양에서 로컬 실행이 가능하다고 설명했다. 회사는 소수의 AI 안전성 연구자에게 조기 접근 권한을 제공할 방침을 밝혔다.
IBM은 Granite Speech의 신모델 "granite-speech-5.0-2b"와 업데이트 버전인 "granite-speech-5.0-470m-turboctc", "granite-speech-4.1-2b-plus"를 공개했다. granite-speech-5.0-2b는 영어 단문의 평균 WER이 5.06%로 오픈 웨이트 ASR 모델 중 2위에 올랐으며, Apache 2.0 라이선스로 제공된다. Turbo CTC는 다국어를 지원하게 됐고, RTFx는 약 12,600에서 19,870으로 향상됐다.
xAI는 음성에서 음성으로 처리하는 모델 Grok Voice 2.0을 발표했다. Artificial Analysis의 종합 지표는 82.9%로, Grok Voice 1.0의 75.7%와 GPT-Realtime-2.1 (High)의 79.1%를 웃돈다. 요금은 음성 1분당 $0.08이며, 2026년 8월 5일에 grok-voice-latest가 2.0으로 전환된다.
Microsoft AI(MAI)는 자사 최초의 음성 생성 모델 MAI-Voice-1과 처음으로 엔드투엔드로 학습한 기반 모델 MAI-1-preview를 발표했다. MAI-Voice-1은 단일 GPU로 1분 분량의 음성을 1초 미만에 생성할 수 있으며, Copilot Daily와 Podcasts에서 사용되고 있다. MAI-1-preview는 LMArena에서 공개 테스트를 시작했다.
인도 여러 언어를 위한 텍스트 음성 합성 모델 Bulbul V4 Flash가 공개되었다. 실서비스 환경에서 첫 오디오까지의 시간(time-to-first-audio)을 250ms 미만으로 구현했으며, 요금은 10,000자당 ₹20으로 Bulbul V3의 ₹30에서 3분의 1 낮아졌다. 사전 학습은 V4에서 처음부터 새로 진행했고, 자체 음성 데이터는 V3의 약 7배로 늘렸다.
AI at Meta@AIatMetaAI 점수2929
Granite Switch 4.1의 8B와 30B 모델은 범용 Decision aLoRA, 안전성 판정용 Guardian aLoRA, OpenASR Leaderboard에서 가장 빠른 것으로 알려진 ASR 모델 Granite-Speech-5.0-Turbo-CTC를 하나의 모델로 통합하여, 하나의 엔드포인트에서 채팅, 판정, 문자 변환을 처리한다. 필요한 VRAM은 베이스 모델 단독과 거의 같으며 KV 캐시도 재사용할 수 있다. vLLM에서는 플러그인으로 동작하고, llama.cpp도 네이티브로 지원한다.
xAI는 speech-to-speech 모델 Grok Voice 3.0을 발표하고 같은 날부터 API로 제공을 시작했다. Artificial Analysis의 Speech-to-Speech Index에서 86.9점으로 1위를 차지했으며, 지연 시간은 1초 미만이라고 밝혔다. 요금은 이전 세대와 같은 $0.08 / min($4.80 / hr)이다.
선정 이유: 독립 평가 기관의 점수와 경쟁 모델과의 비교, 요금과 도입 실적이 함께 정리되어 있어 음성 에이전트를 선택할 때 참고하기 좋다.
TII는 에미리트 방언에 중점을 둔 아랍어 음성인식 모델 「Falcon-ASR」을 발표했다. 파라미터 수는 1.6B이다. 6개 아랍어 테스트셋의 평균 WER은 20.92%로, 공개된 최고 결과보다 2.25포인트 우수하다. Hugging Face Demo Space에서 체험할 수 있으며, API는 계획 중이다.
Microsoft AI(MAI)는 스트리밍 전사 모델 MAI-Transcribe-2-Streaming과 음성 합성 모델 MAI-Voice-2.1, 그리고 고속 버전 MAI-Voice-2.1-Flash를 발표했다. MAI-Transcribe-2-Streaming은 60개 언어를 지원하며, Artificial Analysis에서 최종 전사와 부분 전사 모두 정확도 1위로 평가받았다. MAI-Voice-2.1은 23개 언어, 26개 로케일을 지원하며, 요금은 100만 자당 22달러다.
Google DeepMind는 음성 생성 모델 Gemini 3.8 Flash TTS와 Gemini 3.8 Flash-Lite TTS를 발표했다. Flash TTS는 자연어 프롬프트로 목소리를 새로 만들고 줄 단위 연기 지시를 지원하며, Flash-Lite TTS는 대량 처리와 비용 효율에 특화되어 있다. 두 모델은 오늘부터 Gemini API와 Google AI Studio에서 제공되고 있다.
Google이 음성 생성 모델 Gemini 3.8 Flash TTS와 Gemini 3.8 Flash-Lite TTS를 발표했다. 자연어 프롬프트로 새로운 목소리를 만들 수 있으며, 100개 이상의 언어와 방언을 지원한다. 오늘부터 Gemini API와 Google AI Studio에서 이용할 수 있고, Gemini Notebook과 Google Vids에도 순차적으로 제공된다.
선정 이유: 음성 설계, 복제, 줄 단위 연출 지시까지의 기능과 제공처가 정리되어 있어, TTS를 제작이나 개발에 도입할 때 비교 자료로 쓸 수 있다.
xAI는 음성 전사 모델 'Grok Voice Transcribe 2.0'을 공개했으며, 같은 가격의 전 세대 'Grok Voice Transcribe 1.0'보다 정확도가 2배 높아졌다고 밝혔다. Artificial Analysis의 공개 리더보드에서는 스트리밍을 지원하는 32개 모델 가운데 정확도 1위를 차지했다. 요금은 배치 방식이 시간당 0.10달러, 스트리밍 방식이 시간당 0.20달러로 1.0과 동일하다.
Google DeepMind는 음성 대화 모델 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking을 발표했다. 전자는 규모와 비용 효율, 후자는 복잡한 작업을 위해 설계되었다. Extended Thinking은 Artificial Analysis의 Speech to Speech Quality Index에서 종합 1위(82.6)를 차지했으며, 두 모델 모두 오늘부터 순차적으로 제공된다.
선정 이유: 비용을 중시하는 Live와 고난도 작업용 Extended Thinking, 두 모델의 포지셔닝과 벤치마크 결과, 제공 범위가 한눈에 정리되어 있다.
Google가 음성 대화 모델 Gemini 3.8 Live와 Gemini 3.8 Live Extended Thinking을 발표했다. 전자는 규모와 비용 효율성을, 후자는 고도의 다단계 추론을 중시하고 있다. Extended Thinking은 Artificial Analysis의 Speech to Speech Quality Index에서 82.6점으로 1위를 차지했으며, 두 모델 모두 발표일부터 순차적으로 제공이 시작되고 있다.
선정 이유: 저비용용과 고난도 작업용의 2개 모델 구성으로, 음성 에이전트의 평가 지표와 제공처가 구체적으로 제시되어 용도에 따른 선택을 검토하기 쉽다.
Microsoft AI가 음성 인식 모델 MAI-Transcribe-2를 발표했다. FLEURS의 60개 언어에서 평균 Word-Error-Rate 5.2%로 1위를 차지했으며, Artificial Analysis에서는 정확도와 지연 시간의 Pareto Frontier를 형성하고 있다. 화자 분리, 단어 단위 타임스탬프, verbatim/clean 출력 설정을 지원하며, OpenAI의 GPT-Transcribe보다 10배 빠르다고 한다. 가격은 연말까지의 기간 한정으로 시간당 $0.10이다.
Google AI Developers@googleaidevsAI 점수3131
Google DeepMind가 음성 인식 모델 Gemini 3.5 Transcribe를 발표했다. 원본 음성에서 말 고치기와 군더더기 말(필러)을 다듬은 정리된 텍스트를 바로 출력하며, 85개 이상의 언어를 자동으로 감지해 받아쓴다. Gemini API와 Gemini Enterprise Agent Platform에서 퍼블릭 프리뷰로 제공된다.
NVIDIA의 오픈 웨이트 음성 합성 모델 「Magpie TTS Multilingual」은 파라미터 364M으로 12개 언어를 지원하며, 이번에 현대 표준 아랍어, 한국어, 브라질 포르투갈어가 새로 추가됐다. NIM을 이용한 온프레미스 측정에서 B200의 단일 스트림 TTFA는 32ms, 64스트림에서는 239ms이고, RTFX는 319.81배다. 자체 인프라에 배포하거나 미세 조정할 수 있으며, Hugging Face에서는 오픈 체크포인트가 제공된다.
Microsoft AI는 이미지 생성 모델 MAI-Image-2.5-Pro와 음성 모델 MAI-Voice-2-Flash를 퍼블릭 프리뷰로 공개했다. Pro는 자사 최고 충실도의 이미지 모델이며, Flash는 MAI-Voice-2보다 2배 빠르고 32% 저렴하며 가격은 100만 자당 $15이다. 두 모델은 Foundry와 MAI Playground에서 체험할 수 있다.
Microsoft AI가 음성 합성(TTS) 모델 'MAI-Voice-2'를 발표했다. 지원 언어는 영어 단일 언어에서 15개 언어로 확대됐으며, 병렬 비교 테스트에서는 이전 세대인 MAI-Voice-1보다 72%의 비율로 선호된 것으로 알려졌다. 5~60초 분량의 참조 음성으로 목소리를 재현하는 zero-shot 음성 프롬프트를 지원하며, Microsoft Foundry를 통해 제공되는 한편 VSCode 및 Dynamics 365 Contact Center와의 통합도 추진되고 있다.
Microsoft AI(MAI)는 Build 2026 기조연설에서 이미지, 음성, 전사, 추론, 코딩에 걸친 7개의 신규 모델을 발표했다. 첫 추론 모델인 MAI-Thinking-1은 35B 활성 파라미터의 MoE 구조이며 256K 컨텍스트 윈도우를 갖추고 있으며, SWE Bench Pro에서 53%, AIME 25에서 97%를 기록한 것으로 설명됐다. 모델은 Foundry를 비롯해 Open Router, Fireworks, Baseten을 통해서도 제공될 예정이다.
Microsoft AI가 음성 인식 모델 「MAI-Transcribe-1.5」를 발표했다. 사용자가 지정한 도메인 고유의 키워드 쪽으로 예측을 맞추는 키워드 바이어싱을 지원하며, 인명, 제품명, 의료 용어 등의 인식을 개선한다. FLEURS 다국어 벤치마크에서는 키워드 바이어싱 사용 시 단어 오류율(WER)이 30% 감소했다. 이 모델은 문맥을 바탕으로 적용 여부를 판단하며, 일반적인 음성에서의 정확도는 유지한다.
Microsoft AI가 MAI-Transcribe-1, MAI-Voice-1, MAI-Image-2 등 3개 모델을 Microsoft Foundry와 MAI Playground에서 제공하기 시작했다. 요금은 MAI-Transcribe-1이 1시간당 $0.36부터, MAI-Voice-1이 100만 자당 $22부터, MAI-Image-2가 텍스트 입력 100만 토큰당 $5, 이미지 출력 100만 토큰당 $33부터이다.
Microsoft AI가 음성 인식 모델 MAI-Transcribe-1을 발표했다. 요금은 음성 1시간당 $0.36이며, Microsoft Foundry에서 퍼블릭 프리뷰로 제공된다. Copilot의 Voice 모드와 Microsoft Teams에도 단계적으로 도입되고 있다.
Mistral은 4B 파라미터 규모의 텍스트 음성 합성 모델 Voxtral TTS를 공개했다. 9개 언어를 지원하며, API에서는 1,000자당 $0.016에 이용할 수 있다. 사람이 평가한 결과 자연스러움에서 ElevenLabs Flash v2.5를 앞섰고, ElevenLabs v3와 같은 수준의 품질을 보인 것으로 알려졌다.
Mistral AI가 음성 인식 모델 패밀리 Voxtral Transcribe 2를 공개했다. 배치용 Voxtral Mini Transcribe V2와 지연 시간을 200ms 미만까지 설정할 수 있는 실시간용 Voxtral Realtime으로 구성된다. Realtime은 4B 파라미터 규모로 Apache 2.0 오픈 웨이트 형태이며 Hugging Face Hub에서 배포된다. Mini Transcribe V2의 API 요금은 1분당 $0.003이다.
선정 이유: 배치용과 실시간용 두 모델에 대해 지연 시간 설정, 요금, 지원 언어가 나란히 제시되어 용도별 선택을 판단하기 쉽다.
Mistral AI는 음성 이해 모델 Voxtral을 공개했다. 프로덕션용 24B와 로컬·엣지용 3B, 두 가지 크기로 제공되며 모두 Apache 2.0 라이선스다. API는 $0.001 per minute부터 이용할 수 있으며, Voxtral Mini Transcribe는 OpenAI Whisper를 웃도는 성능을 절반 미만의 가격으로 제공한다고 밝혔다.
선정 이유: 음성 인식과 음성 이해를 하나의 모델로 처리하도록 설계되어 있으며, Whisper 등 타사 API와의 비교와 가격이 제시되어 있어 도입 판단의 근거로 활용하기 좋다.
