🇺🇸 English 🇰🇷 한국어 🇯🇵 日本語
홈 › AI & 머신러닝
AI & 머신러닝

세일즈포스, 오픈 음성인식 AI 공개…오픈 모델 정확도 1위

세일즈포스가 11월 12일 녹음 음성을 7개 언어로 받아쓰는 오픈 웨이트 음성인식 모델 SOV-Transcribe-1을 아파치 2.0으로 공개했다. 아티피셜 애널리시스는 오픈 웨이트 16종 중 가장 정확한 모델(AA-WER 2.3%)로 평가했다. 실시간 스트리밍은 지원하지 않는다.

세일즈포스가 11월 12일(현지시간) 기업이 자체 서버에서 돌릴 수 있는 오픈 웨이트 음성인식(STT) 모델 'SOV-Transcribe-1'을 공개했다. 독립 벤치마크 업체 아티피셜 애널리시스(Artificial Analysis)는 이 모델을 비스트리밍 부문 오픈 웨이트 모델 가운데 가장 정확한 모델로 올렸다. 단어 오류율은 2.3%다.

방음재가 보이는 어두운 녹음실에 스탠드에 걸린 마이크
음성인식 모델은 통화·회의 같은 녹음 음성을 글로 옮긴다. 자료사진. 사진: Shixart1985 / 위키미디어 공용(CC BY 2.0)

핵심 정리

  • 아파치 2.0 라이선스로 무료 공개됐고, 최대 30분 길이의 녹음 음성을 7개 언어로 받아쓴다.
  • 아티피셜 애널리시스 기준 오픈 웨이트 16종 중 1위(AA-WER 2.3%)로, 미스트랄 Voxtral Small·엔비디아 Nemotron 3.5 Transcribe(각 2.8%)를 앞섰다.
  • 실시간 스트리밍은 지원하지 않으며, 세일즈포스 자체 벤치마크를 뒷받침할 기술 보고서는 아직 나오지 않았다.

SOV-Transcribe-1은 어떤 모델인가

세일즈포스 소버린 인텔리전스 팀은 이 모델을 '음성 증강 언어모델'이라고 부른다. 허깅페이스 모델 카드에 따르면 위스퍼(Whisper) large-v3 오디오 인코더에 구글의 전문가 혼합(MoE) 언어모델 젬마 4 26B A4B를 결합했다.

전체 매개변수는 266억 개, 오디오 인코더를 포함해 한 번에 활성화되는 매개변수는 46억 개다. 지원 언어는 영어·프랑스어·독일어·스페인어·이탈리아어·포르투갈어·네덜란드어 7개로, 한국어는 빠졌다.

이름의 '소버린(주권)'은 데이터 통제권을 뜻한다. 가중치가 공개돼 있어 기업은 상담 녹음을 외부 API로 보내지 않고 직접 운영하는 인프라 안에서 처리할 수 있다.

음성인식 정확도, 벤치마크 결과는

11월 15일 확인한 아티피셜 애널리시스 순위표에서 SOV-Transcribe-1은 AA-WER(잘못 받아쓴 단어 비율) 2.3%로 오픈 웨이트 모델 1위다. 세일즈포스는 전체 시스템 기준으로는 7위라고 밝혔다. 순위표에는 모델 65종이 올라 있고, 전체 1위는 알리바바 클라우드의 Fun-Realtime-ASR-preview(1.7%)다.

세일즈포스는 공개 글에서 자체 측정 결과도 내놨다. 14개 영어 억양이 섞인 앱테크(AppTek) 콜센터 대화에서는 평균 오류율 8.21%였다고 한다. 전화번호·이메일·코드 기호를 따지는 VoiceCodeBench에서는 핵심 항목의 93.4%를 맞혀 23개 시스템 중 2위였다고 밝혔다.

잡음 많은 실적 발표 음성으로 구성된 HALAS에서는 오류율 25.69%로, 알리바바 Qwen3-ASR 1.7B(26.01%)와 엔비디아 Nemotron 3.5 Transcribe(31.59%)보다 낮았다고 세일즈포스는 설명했다.

지시문·용어 사전으로 받아쓰기 조절

기본값은 들리는 그대로 받아쓰는 방식이지만, '숫자는 아라비아 숫자로', '군말은 빼고' 같은 자연어 지시를 따른다. 인명이나 전문용어 목록을 미리 넣어 줄 수도 있다. 세일즈포스는 실적 발표 음성 조각으로 만든 시험에서 해당 구간 키워드를 제공하자 키워드 정확도(F1)가 71.9에서 96.8로 올랐다고 밝혔다.

맥락: 좁혀지는 유료·오픈 모델 격차

이번 공개는 엔비디아가 10월 28일 오픈 모델 Nemotron 3.5 Transcribe를, 일레븐랩스가 11월 10일 유료 모델 스크라이브 v3를 내놓은 데 이어 나왔다. 아티피셜 애널리시스는 스크라이브 v3를 1.9%로 집계한다. 이 지표에서 최상위 오픈 모델과 전체 2위 시스템의 차이는 0.5%포인트가 채 안 된다.

전망

세일즈포스는 기술 보고서를 "곧" 공개하고 vLLM·허깅페이스 트랜스포머스 정식 지원을 추진 중이라고 밝혔다.

자주 묻는 질문

실시간 통화 자막에 쓸 수 있나? 아니다. 녹음 파일용 비스트리밍 모델이며, 세일즈포스 시험 기준 파일당 최대 30분까지 처리한다.

상업적으로 무료로 쓸 수 있나? 그렇다. 상업적 이용을 허용하는 아파치 2.0 라이선스로 공개됐다.

정확도 수치는 독립 검증된 것인가? 일부만 그렇다. AA-WER 2.3%는 아티피셜 애널리시스 측정치이고, 콜센터·VoiceCodeBench·HALAS 결과는 세일즈포스 자체 수치다.

참고 자료

#세일즈포스 #SOV-Transcribe-1 #음성인식 #STT #받아쓰기 AI #오픈 웨이트 모델 #아티피셜 애널리시스 #허깅페이스
정
정승
AI Newsway · 개발자

AI Newsway의 편집 책임자이자 개발자입니다. 인공지능·개발 도구·클라우드·생산성 기술 기사를 씁니다.

기자의 다른 기사 ›
저작권자 © AI Newsway 무단전재 및 재배포, AI학습 및 활용 금지
공유
f X K

댓글 0

현재 댓글 작성이 비활성화되어 있습니다.

첫 댓글을 남겨보세요.