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.
Google이 음악 생성 모델 Lyria 3.5를 Gemini 앱과 Gemini API로 제공을 시작했다. 더 표현력 있는 보컬과 풍부한 곡 편곡을 지원하며, 높은 충실도로 트랙을 만들 수 있다. 웹과 모바일 앱에서 전 세계 모든 사용자가 이용할 수 있다.
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.
Google이 8월 AI 관련 발표를 정리했다. Gemini 3.7 Flash, Gemini 3.5 Transcribe, Pixel 11 시리즈 등을 공개했다. Gemini 앱의 월간 이용자 수가 10억 명을 넘었다고 설명했다.
선정 이유: Gemini 3.7 Flash, Pixel 11, Gemini Omni 1.1 Flash 등 8월 발표를 한눈에 볼 수 있어 Google의 제품 전개 전체 모습을 파악하기 쉽다.
Hugging Face와 Voice Arena는 Open ASR Leaderboard에 Monsoon en-IN과 Monsoon hi-IN 두 개의 평가 세트를 추가했다. Hindi는 지금까지 유럽 언어만 있던 다국어 탭에서 처음으로 인도계 언어가 된다. 네 개의 분할에는 총 4,888명의 화자가 포함되며, 각 화자에게 12개의 속성이 기록되어 있다.
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.
Hugging Face는 음성 인식(ASR) 모델이 공개 벤치마크 고유의 패턴에 최적화되어 있는지를 측정하는 3가지 테스트를 제안했다. 오픈소스 ASR 모델 11개를 평가한 결과, 점수 상위의 여러 모델이 음성과 어긋나는 경우에도 VoxPopuli와 LibriSpeech의 참조 전사문을 그대로 재현했다. Open ASR Leaderboard에는 「Benchmark fitting」 탭이 추가되었다.
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.
Real World VoiceEQ는 음성 AI의 인간다움을 측정하는 벤치마크다. 40개 이상의 모델을 15개 이상의 평가 축, 60개 이상의 지표로 평가했으며, 100만 건을 넘는 사람의 평가를 바탕으로 한다. TTS 부문에서는 8개 능력군 모두에서 상위 5위 안에 든 구성은 없었다.
Microsoft AI는 William Sieghart가 감수한 음성 대화 앱 「Ode Poetry」를 공개했다. 이용자의 기분을 물은 뒤 실존 인물의 낭독 음성으로 시를 추천하는 구조다. 음성 인식에는 MAI-Transcribe를 사용하며, FLEURS 벤치마크에서 Word Error Rate 4.86%를 기록해 경쟁 모델 가운데 가장 낮은 수치를 달성했다고 밝혔다. 음성 합성 MAI-Voice는 짧은 음성 샘플로부터 William의 말투를 재현한다.
Google이 70개 이상 언어에서 거의 실시간으로 음성을 음성으로 번역하는 음성 모델 Gemini 3.5 Live Translate를 공개했다. 화자의 억양, 말하는 속도, 음높이를 유지한 자연스러운 번역 음성을 생성한다. 개발자를 위해 Gemini Live API와 Google AI Studio에서 퍼블릭 프리뷰로 제공되며, Google 번역 앱(Android, iOS)에도 적용이 시작됐다.
선정 이유: 개발자용 API, Google Meet, Google 번역 앱으로의 적용 범위가 한꺼번에 정리되어 있어 이용 경로를 비교하기 쉽다.
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 AI가 AI 어시스턴트 「Le Chat」에 조사, 음성, 이미지 편집 등의 신기능을 추가했다. Deep Research(프리뷰)는 복잡한 주제에 대해 구조화된 참고문헌 포함 보고서를 작성하며, 음성 모드는 새로운 음성 입력 모델 Voxtral을 통해 대화를 가능하게 한다. Projects에서는 관련 대화를 맥락 정보와 함께 폴더로 묶을 수 있으며, Black Forest Labs와 제휴한 이미지 편집 기능도 추가됐다.
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.