xAI Grok Voice Transcribe 2.0: 음성-텍스트 모델 릴리스 노트 및 새로운 기능

xAI는 2026년 9월 18일에 Grok Voice Transcribe 2.0을 출시했습니다. 이 음성-텍스트 모델은 동일한 가격에 Grok Voice Transcribe 1.0보다 두 배 정확하다고 회사 측이 밝혔습니다. 이번 릴리스가 중요한 이유는 가장 까다로운 실제 오디오(시끄러운 전화 통화, 다중 화자, 억양, 다국어 음성)를 대상으로 하면서도 기존 Speech-to-Text API 통합이 코드 변경 없이 작동하도록 유지하기 때문입니다.

Grok Voice Transcribe 2.0이란 무엇인가

Grok Voice Transcribe 2.0은 Grok Voice의 기반이 되는 오디오 기반 모델 위에 구축된 xAI의 최신 음성-텍스트 모델입니다. xAI에 따르면 Grok Voice는 이미 하루에 수만 건의 고객 지원 통화를 처리하고, 수백만 시간 분량의 비디오 내레이션을 전사하며, Tesla 차량의 Grok 어시스턴트를 포함한 물리적 제품에서 음성 에이전트를 실행하고 있습니다.

이 모델은 xAI가 다양한 환경에서 녹음된 실제 소음과 다국어 오디오로 구성된 고유한 데이터 세트로 학습된 후 후처리(post-training)로 정제되었다고 설명합니다. xAI는 이 결과물을 실제 환경에서 음성을 위한 가장 정확한 전사 모델 중 하나로 자리매김하고 있습니다.

정확도: Artificial Analysis에서 32개 스트리밍 모델 중 1위

공개 벤치마크인 Artificial Analysis 리더보드에서 Grok Voice Transcribe 2.0은 32개 스트리밍 모델 중 정확도 1위를 차지했습니다. 이는 xAI가 보고한 공개 벤치마크 순위입니다.

xAI는 또한 프로덕션 트래픽에서 가져온 네 가지 내부 데이터 세트에서 단어 오류율(WER)을 측정했습니다:

  • 고객 지원 통화에서의 전화 오디오
  • Grok과의 대화
  • 계정 코드 및 이메일 주소 같은 음성 자격 증명
  • 짧은 다국어 음성 명령

Grok Voice Transcribe 2.0은 네 가지 내부 데이터 세트 모두에서 Grok Voice Transcribe 1.0보다 개선되었으며, 전화 통화에서는 xAI가 테스트한 모든 모델 중 선두를 달성했습니다. xAI의 관점은 대부분의 전사 모델이 깨끗한 단일 화자 오디오에서 좋은 성능을 보이는 반면, 실제 오디오는 불안정한 전화 회선, 경쟁하는 목소리, 지역 억양, 그리고 소리 내어 읽는 전화번호나 이메일 주소 때문에 더 어렵다는 것입니다.

다국어 전사가 가장 큰 개선점

Grok Voice Transcribe 2.0은 수십 개 언어를 전사하고, 언어를 자동으로 감지하며, 녹음 중간에 언어 전환을 한 번에 따라갑니다. xAI는 다국어 정확도가 Grok Voice Transcribe 1.0 대비 이 모델의 가장 큰 개선점이라고 밝혔습니다.

가장 어려운 경우는 차량 내 명령과 같은 짧은 구문으로, 모델이 언어를 식별할 맥락이 거의 없습니다. xAI의 짧은 구문 데이터 세트에서 단어 오류율은 버전 1.0에서 2.0으로 전환되면서 20.6%에서 6.8%로 감소했습니다.

기능 및 API 역량

Grok Voice Transcribe 2.0은 고급 구성과 제어를 지원합니다. xAI는 기존 Speech-to-Text API 통합이 코드 변경 없이 정확도 향상을 누릴 수 있다고 밝혔습니다. 문서화된 기능은 다음과 같습니다:

  • 배치 및 스트리밍. 녹음된 파일과 URL을 전사하거나, 오디오 스트림을 실시간으로 전사합니다.
  • 단어 수준 타임스탬프. 각 단어에 정확한 시작 및 종료 시간과 신뢰도 점수가 포함됩니다.
  • 화자 분리. 추가 비용 없이 전사본에서 각 화자를 표시합니다.
  • 다중 채널 전사. 최대 8개 채널을 독립적으로 전사합니다.
  • 핵심 용어 바이어싱. 요청당 최대 100개의 도메인 용어(예: 제품 이름이나 의학 용어)를 전달할 수 있습니다.
  • 텍스트 형식화. 숫자, 날짜, 통화, 전화번호, 이메일 주소가 작성 형식으로 반환됩니다.
  • 필러 단어 제거. "음" 및 "어" 같은 필러를 전사본에서 생략합니다.
  • 스마트 턴 감지. 음성 에이전트를 위한 화자의 발언 종료를 감지합니다.

Atlassian Loom이 Grok Voice Transcribe 2.0을 사용

화면 녹화를 기록하고 공유하는 데 널리 사용되는 도구인 Atlassian Loom은 Grok Voice Transcribe 2.0이 기존 전사 솔루션보다 더 정확하다는 것을 발견했습니다. xAI는 결과적으로 정확한 전사본이 새로운 AI 워크플로를 가능하게 한다고 설명합니다: Loom에서 행동 계획을 녹화하고, 전사본을 Cursor로 파이프하면, Cursor가 코드 업데이트를 직접 수행합니다.

"우리는 작업을 진행하는 가장 좋은 방법은 컨텍스트를 한 번 캡처하고 그것이 모든 곳으로 흐르게 하는 것이라고 항상 믿어 왔습니다. Grok이 Loom의 음성-텍스트를 지원하고 Cursor가 그것을 코드로 전환함으로써, 우리는 컨텍스트에서 코드로의 루프를 닫고 있습니다: 의미하는 바를 기록하면 작업이 완료됩니다. 이것은 AI 지원 개발이 나아갈 방향을 보여주는 한 조각입니다."

— Atlassian, Teamwork Collection SVP, Sanchan Saxena

가격 및 버전 1.0에서의 마이그레이션

Grok Voice Transcribe 2.0의 가격은 Grok Voice Transcribe 1.0과 동일합니다:

  • 배치 전사: 오디오 시간당 $0.10
  • 스트리밍 전사: 오디오 시간당 $0.20
  • 화자 분리, 타임스탬프, 핵심 용어는 추가 비용 없이 포함됩니다

Grok Voice Transcribe 2.0은 곧 Speech-to-Text API의 기본값이 될 예정이며, Grok Voice Transcribe 1.0은 향후 몇 주 내에 더 이상 사용되지 않을 예정입니다. 전환 기간 동안 이전 모델을 유지하려면 grok-voice-transcribe-1.0을 고정하세요.

이번 릴리스가 의미하는 바

Grok Voice Transcribe 2.0은 새로운 가격 계층이 아닌 동일 가격의 정확도 업그레이드이며, xAI는 이를 Speech-to-Text API의 기본 위치로 밀어 올리면서 버전 1.0을 몇 주 내에 더 이상 사용하지 않게 합니다. 전화 통신, 음성 자격 증명, 짧은 다국어 명령에 대한 강조는 이 모델이 깨끗한 스튜디오 전사보다는 프로덕션 음성 워크로드(고객 지원, 차량 내 어시스턴트, 음성 에이전트)를 대상으로 한다는 것을 나타냅니다. Atlassian Loom 통합은 의도된 다운스트림 패턴을 보여줍니다: 전사 정확도는 최종 제품이 아닌 에이전트 코딩 및 워크플로 자동화의 입력으로 취급됩니다.

Sources