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.
Apple이 업그레이드된 Siri의 준비가 완료됨에 따라 스마트홈 신제품 출시 가능성이 높아지고 있다. 9to5Mac은 Bloomberg 보도를 인용해 디스플레이 탑재 HomePad, HomePod mini 2, HomePod 3 등 7개 제품이 개발 중이라고 전했다. HomePad, Apple TV 4K, HomePod mini는 올가을 출시가 예상되지만, 오랜 기간 루머가 이어져 온 만큼 신중하게 볼 필요가 있다고 덧붙였다.
OpenAI Developers@OpenAIDevsAI 점수3131
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.
OpenAI@OpenAIAI 점수4545
팀네이버의 연구 논문 24편이 자연어처리 분야 최정상 학회 EMNLP 2026에 채택됐다. 학회는 10월 24일부터 29일까지 헝가리 부다페스트에서 열리며, 팀네이버는 이 자리에서 주요 논문을 발표할 예정이다. 채택 논문에는 한국어 추론 데이터 합성, 장시간 영상 구간 탐색 벤치마크, LLM 추론 과정 해석 연구 등이 포함됐다.
삼성전자가 갤럭시 AI의 주요 기능 지원 언어를 24개로 늘린다. 콜 어시스트, 노트 어시스트, 통역, 텍스트 변환 어시스트는 말레이어와 헝가리어가 추가돼 22개 언어에서 24개 언어로 확대된다. 디바이스 에이전트 빅스비는 폴란드어, 태국어, 베트남어가 추가돼 12개 언어를 지원하며, 빅스비 신규 언어는 10월 14일부터, 갤럭시 AI 신규 언어는 10월말부터 순차 제공된다.
연구팀은 사전 학습된 음성 인코더의 언어 선택적 은닉 상태 차원을 활용해, 음성에서 직접 코드스위칭(발화 중 언어가 전환되는 현상)을 검출하는 경량 기법을 제안했다. CS-FLEURS의 14개 언어 쌍 실험에서 Whisper-small 인코더는 평균 F1 0.798을 기록해, CNN의 0.776과 단일 언어 식별용으로 학습한 HuBERT 선형 베이스라인의 0.751을 웃돌았다. 이 결과는 사전 학습된 음성 인코더가 코드스위칭 발화를 식별하는 데 필요한 정보를 이미 부호화하고 있음을 시사한다.
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.
Google은 9월 AI 관련 발표를 정리하며 최신 프런티어 모델 Gemini 4 Argon을 가장 앞에 꼽았다. 출력 상한은 100만 토큰이며, 현재는 Fairwind Program을 통해 신뢰할 수 있는 사이버 방어 담당자에게 제공하고 있다. 이 밖에도 Gemini 3.8 Flash, Gemini 앱의 Connected Apps, WeatherNext 3, Googlebook 사전 예약 접수 등을 소개했다.
선정 이유: Gemini 4 Argon을 중심으로 음성, 연동 앱, 날씨 예보, 게놈 연구까지 9월 발표가 한눈에 정리되어 있어 전체 흐름을 파악하기 좋다.
Google이 지원 Android 기기의 Gemini Live에서 카메라 영상을 음성으로 실시간 설명하는 'Guided Vision'의 제공을 시작했다. 시각장애인과 저시력자를 주요 대상으로 하며, 주변 설명, 추가 질문에 대한 답변, 카메라 방향을 바로잡는 음성 안내를 지원한다. Android 9 이상에서 Gemini Live를 사용할 수 있는 지역과 언어에서 이용할 수 있다.
선정 이유: 시각장애인을 위해 카메라 공유 기반 음성 안내를 제공하며, 실행 방법과 이용 조건, 길 안내 용도로는 쓸 수 없다는 제한까지 구체적으로 보여준다는 점에서 추천한다.
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.
Hugging Face가 다국어 및 보이스 클로닝을 지원하는 오픈소스 TTS 모델을 객관적 지표로 평가하는 「Open TTS Leaderboard」를 공개했다. 인식 정확도를 나타내는 WER/CER, 추론 속도를 나타내는 RTFx/TTFA, 화자 유사도를 나타내는 SIM을 활용하며, 아레나형 평가에 비해 모델 평가 기간을 수 주에서 수 시간으로 단축할 수 있다고 밝혔다. 사람의 선호도를 측정하는 평가는 「Listen」 탭의 투표에 맡긴다.
Google은 Gemini 3.8 Live에 실시간 영상 아바타 기능 「Live Avatar」를 추가했다고 밝혔다. 음성 대화와 저지연 영상 생성을 결합해 입 모양과 표정을 수반하는 대화형 가상 담당자를 구현한다. Live Avatar는 현재 Gemini Enterprise에서 이용할 수 있으며, 97개 언어 지원과 도구 호출의 비동기 실행을 지원한다. 커스텀 아바타 제작은 엔터프라이즈용 허용 목록 방식으로, 현재는 일부 기업만 대상이다.
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.
Ring은 GPT-5.6을 활용해 음성, 채팅, WhatsApp, 웹에 걸친 다국어 AI 에이전트를 구축하고 있다. GPT-4.1 대비 비용은 90% 적다고 한다. 고객 통화의 최대 65%를 해결하고 있다고 밝혔다.
Qwen@Alibaba_QwenAI 점수5555
Google AI Developers@googleaidevsAI 점수2323
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.
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.