미스트랄 ‘복스트랄 3’, 받아쓰기·음성 합성·음성 에이전트 한 묶음

프랑스 AI 기업 미스트랄AI(Mistral AI)가 10월 20일 음성 모델 제품군 ‘복스트랄 3(Voxtral 3)’를 공개했습니다. 음성을 글로 옮기는 전사 모델과 글을 음성으로 읽는 TTS 모델, 그리고 둘을 엮어 전화 상담 같은 음성 에이전트를 만드는 SDK를 한꺼번에 내놨습니다. 유럽 서버 API와 자체 서버 배포를 함께 지원해, 음성 데이터를 밖으로 보내기 꺼리는 기업을 겨냥했습니다.

무슨 일인가

복스트랄 3는 네 가지 모델로 이뤄집니다. 배치 전사용 ‘스몰 트랜스크라이브 3’와 ‘미니 트랜스크라이브 3’, 실시간 전사용 ‘미니 트랜스크라이브 리얼타임 3’, 음성 합성용 ‘미니 TTS 3’입니다. 미니 전사 모델은 40억(4B) 매개변수입니다. 전사 모델은 누가 말했는지 구분하는 화자 분리와, 특정 단어를 더 잘 알아듣게 하는 문맥 지정(context biasing)을 지원합니다. 지원 언어는 EU 공식 언어 24개를 포함해 50개로 늘었습니다. 실시간 전사는 35개 이상 언어에서 0.5초 미만 지연으로 동작한다고 회사는 밝혔습니다.

세부 내용

TTS 모델은 35개 이상 언어와 50개 이상 방언에서 감정·속도·강조를 지시대로 바꿔 읽습니다. 30분 분량의 음성만으로 목소리를 만드는 ‘프로 보이스’ 기능도 있습니다. 새 음성 에이전트 SDK는 실시간 통신 프레임워크 라이브킷(LiveKit) 위에 만들었습니다. 듣기, 추론, 도구 호출, 말하기를 하나의 스트리밍 흐름으로 처리해 한 턴이 1초 안에 끝나고, 상대가 말을 끊으면 에이전트도 말을 멈춥니다. 미스트랄은 스몰 전사 모델이 위스퍼(Whisper), 스크라이브 v2, 제미나이 3.5 트랜스크라이브보다 정확하다고 주장했습니다(자체 발표 기준). TTS도 100만 자당 13달러로 오픈AI, 딥그램, 일레븐랩스, 제미나이의 비슷한 모델보다 돌리는 비용이 적다고 했습니다. 웹 기반 스튜디오 플레이그라운드에서는 에이전트, 전사, 음성 생성, 목소리 복제를 바로 시험해 볼 수 있습니다.

왜 중요한가

음성 AI는 그동안 전사, 합성, 대화 관리를 각기 다른 회사 제품으로 이어 붙이는 경우가 많았습니다. 미스트랄은 세 가지를 한 회사 API로 묶고 값을 분 단위로 매겼습니다. 표의 가격대로라면 한 시간짜리 회의를 미니 전사 모델로 받아쓰는 데 약 0.21달러가 듭니다. 유럽 서버 호스팅과 자체 서버 배포를 함께 내세운 것은 개인정보 규제가 엄격한 유럽 금융·공공 고객을 겨냥한 것으로 보입니다. 음성 에이전트 API를 분당 0.04달러로 매긴 것도 의미가 있습니다. 콜센터 상담을 AI로 돌릴 때 비용을 사람 상담원 시급과 바로 비교할 수 있는 단위이기 때문입니다.

남은 쟁점

모델 가중치를 공개하는지는 발표문에 나오지 않았습니다. 전체 구성을 사내 서버나 사설 클라우드에 올리려면 영업팀과 상의하라고 안내했습니다. 50개 지원 언어에 한국어가 들어가는지, 들어간다면 품질이 어떤지도 발표문만으로는 확인되지 않습니다.