그록 음성 변환 2.0 출시, 정확도 2배·가격 동결

그록 음성 변환 2.0, 실사용 데이터로 승부수

x.ai가 9월 18일 그록 보이스 트랜스크라이브 2.0을 공개했습니다. 단어 오류율(WER)을 1.0 대비 절반으로 줄였다고 밝혔습니다. 가격은 배치 0.10달러/시간, 스트리밍 0.20달러/시간으로 동결했습니다.

공개 벤치마크인 아티피셜 애널리시스(Artificial Analysis) 32개 스트리밍 모델 중 1위를 차지했다고 합니다. 내부 테스트 4종(고객센터 통화, 그록 대화, 음성 자격증명, 짧은 다국어 명령)에서도 모두 개선됐습니다. 특히 텔레포니 분야에서 테스트한 모든 모델을 앞질렀다고 x.ai는 주장합니다.

오픈 모델 대안과 검증 공백이 남는다

핵심 모델 가중치는 공개하지 않았습니다. API 호스팅만 제공하므로 자체 서버 운영은 불가능합니다. 해커뉴스 댓글에서는 "미스트랄 STT가 오픈 모델로 대안"이라는 지적이 나왔습니다.

벤치마크 신뢰성에도 의문이 제기됐습니다. "노바-3가 실제 WER로는 최고인데 벤치마크마다 순위가 뒤집힌다"는 댓글이 24점 중 상위에 올랐습니다. x.ai가 공개한 내부 4종 테스트도 벤더 자체 보고라 독립 재현이 없습니다.

쉽게 풀어보면

그록 보이스 트랜스크라이브 2.0은 음성을 텍스트로 바꾸는 API입니다. x.ai가 1년 전 내놓은 1.0보다 정확도가 2배 좋아졌다고 합니다. 가격은 그대로입니다.

비유하자면 시끄러운 식당에서 친구 이야기를 받아적는 일입니다. 기존 모델은 조용한 녹음실에서는 잘했지만, 전화선 잡음·여러 사람 말소리·억양·이메일 주소 읽기 같은 실전에서는 틀렸습니다. 2.0은 이 '어려운 오디오'를 학습 데이터로 넣고 후훈련했습니다.

짧은 명령어(차내 음성 인식 등)에서 단어 오류율이 20.6%에서 6.8%로 떨어졌습니다. 100단어 중 20개 틀리던 게 7개로 준 셈입니다. 수십 개 언어를 자동 감지하고, 녹음 중간에 언어가 바뀌어도 한 번에 처리합니다.

아틀라시안 룸(Loom)이 이 모델로 모든 영상 자막을 만듭니다. "녹화 → 자막 → 커서(Cursor)로 코드 자동 수정" 흐름을 시연했습니다.

나에게 미치는 영향

음성 메모·회의록·고객 상담 녹취를 텍스트로 바꿔 쓰는 사람이라면 당장 요금을 비교해 볼 만합니다. 배치 0.10달러/시간은 제미나이 3.5 트랜스크라이브(0.30달러/시간) 대비 3분의 1 수준입니다. 해커뉴스에서도 "가격 경쟁력이 좋다"는 평이 나왔습니다.

다만 API 키 발급과 연동 개발이 필요합니다. 코딩 없이 바로 쓰고 싶다면 오픈소스 모델(미스트랄 STT 등)을 로컬에서 돌리는 쪽이 더 빠를 수 있습니다. 이번 주 안에 x.ai 콘솔에서 grok-voice-transcribe-2.0 모델 ID로 테스트해 볼 수 있습니다.

남은 쟁점

독립 벤치마크 재현 결과가 나올 때까지 정확도 순위는 잠정적입니다. 오픈 가중치 미공개로 프라이버시 민감 환경(의료·금융) 도입엔 제약이 따릅니다. 1.0 디프리케이션 일정도 "수 주 내"로만 밝혀져 기존 사용자는 마이그레이션 일정을 서둘러야 합니다.