Voxtral Transcribe 2 등장: 분당 $0.003 음성 인식, 판이 바뀐다
음성 인식(Speech-to-Text)은 “말을 텍스트로 바꾸는 기술”이지만, 실제로는 비용·지연시간·정확도라는 3종 경기입니다. Mistral AI가 공개한 Voxtral Transcribe 2는 이 중 특히 “비용”을 말도 안 되게 낮추면서, 정확도도 경쟁 모델보다 높다고 주장해 업계 시선을 한 번에 끌었습니다. 핵심은 간단합니다. 분당 0.003달러라는 가격, 그리고 대용량용/실시간용 두 모델로 사용 시나리오를 깔끔하게 나눴다는 점입니다1.
Voxtral Transcribe 2 가격: 분당 $0.003이 의미하는 것
분당 0.003달러면, 한 시간 오디오를 텍스트로 바꾸는 데 드는 비용이 0.18달러 수준입니다. 그동안 “회의 몇 개만 돌려도 비용이 쌓인다”는 이유로 음성 인식을 테스트만 하다 접던 팀이라면, 이 가격은 실험을 ‘상시 운영’으로 바꾸는 스위치가 됩니다1.
특히 콘텐츠 제작자(인터뷰, 강의, 팟캐스트), 콜센터 QA팀, 사내 회의록 자동화처럼 “길고 자주” 처리하는 곳에서 체감이 큽니다. 음성 인식이 더 이상 ‘특별한 기능’이 아니라, 문서화 파이프라인의 기본 부품이 되는 거죠.
정확도 경쟁: GPT-4o mini·Gemini·Deepgram보다 낫다?
Mistral은 Voxtral Transcribe 2가 GPT-4o mini Transcribe, Gemini 2.5 Flash, Deepgram Nova보다 정확도가 높다고 밝히고 있습니다1. 여기서 중요한 포인트는 “정확도 1% 차이”가 아니라, 실제 운영에서 생기는 비용이 바뀐다는 점입니다.
전사(轉寫) 정확도가 낮으면 결국 사람이 수정합니다. 그리고 사람 손이 들어가는 순간, 모델 사용료보다 “편집 시간”이 더 비싸집니다. 그러니 가격이 싸도 정확도가 받쳐주지 않으면 의미가 없고, 반대로 정확도가 올라가면 음성 인식 도입의 ROI가 갑자기 좋아집니다. Mistral의 주장대로라면, 이번 모델은 ‘싼데도 덜 고친다’ 쪽을 노린 셈입니다12.
Voxtral Mini Transcribe V2: 긴 오디오 파일을 편하게 처리
Voxtral Transcribe 2는 용도에 따라 모델이 갈립니다. 먼저 Voxtral Mini Transcribe V2는 “대용량 오디오 파일 처리”에 초점을 맞춘 버전입니다1. 예를 들어 1~3시간짜리 강의 녹음, 장시간 인터뷰, 회의 녹취처럼 한 번에 길게 던져놓고 결과를 받는 작업에 잘 맞습니다.
여기에 실무 친화적인 기능이 붙었습니다. 최대 3시간 길이 지원, 단어 단위 타임스탬프, 화자 인식(누가 말했는지 구분)이 포함돼, 후편집이 확 줄어드는 구성이에요1. “텍스트만 나오면 끝”이 아니라, 바로 편집툴/자막툴로 넘길 수 있는 형태에 가깝습니다.
Voxtral Realtime: 200ms 미만 지연의 실시간 전사
실시간이 필요한 순간은 따로 있습니다. 라이브 자막, 실시간 음성 비서, 통화 중 상담 품질 분석처럼 “지금 말하는 걸 지금 보여줘야” 하는 상황이죠. 이때 쓰는 게 Voxtral Realtime입니다. 지연 시간이 200밀리초 미만으로 안내되고, 가격은 Mini 모델의 2배로 책정됐습니다1.
핵심은 단순히 빠르다는 것보다, 독자적인 스트리밍 아키텍처로 실시간 워크로드를 정면으로 겨냥했다는 점입니다1. 실시간 시스템은 모델 성능만큼이나 “끊김 없는 스트리밍, 안정적인 지연시간”이 중요하니까요.
지원 언어 13개와 실무 기능 3종(화자·타임스탬프·3시간)
다국어 지원은 ‘있다/없다’가 아니라 ‘운영이 되느냐’의 문제입니다. Voxtral Transcribe 2는 독일어, 영어, 중국어 등을 포함해 총 13개 언어를 지원한다고 알려졌습니다1. 글로벌 팀 회의, 해외 고객 통화, 다국어 강의 전사처럼 언어가 섞이는 환경에서 선택지가 늘어납니다.
그리고 현업에서 특히 반가운 3종 세트가 같이 들어옵니다. 화자 인식은 회의록의 “A가 말함/B가 말함”을 자동으로 나눠주고, 단어 단위 타임스탬프는 자막 싱크나 하이라이트 클립 제작에서 시간을 아껴줍니다. 3시간 길이 지원은 “중간에 쪼개 업로드하고 합치고” 같은 귀찮은 작업을 줄여줍니다1.
오픈 웨이트 vs 제한된 제공: 어디서 쓸 수 있나?
배포 방식도 포인트입니다. Voxtral Realtime은 Apache 2.0 라이선스로 오픈 웨이트가 제공되며, Hugging Face와 API에서 사용할 수 있다고 합니다13. 실시간 음성 기능을 제품에 깊게 넣고 싶은 팀이라면 “내 서비스에 맞춰 운영”할 여지가 커집니다.
반면 Voxtral Mini Transcribe V2는 Le Chat, Mistral API, 플레이그라운드에서만 이용 가능하다고 알려져 있습니다1. 즉 “긴 파일 전사”는 편하게 쓰되, 배포/호스팅 자유도는 실시간 모델 쪽이 더 크다고 이해하면 빠릅니다.
시사점 내용을 (핵심 포인트 정리 + 개인적인 생각 또는 실용적 조언)...
음성 인식 시장은 늘 “정확도”를 말했지만, 실제로는 “가격이 내려가는 순간” 대중화가 터집니다. Voxtral Transcribe 2의 분당 $0.003는 그 임계점을 건드리는 숫자입니다1. 게다가 실시간 모델을 오픈 웨이트로 풀어버리면, 스타트업부터 엔터프라이즈까지 실시간 자막·콜 분석·음성 비서를 더 빠르게 실험하게 됩니다.
실용적인 조언을 하나만 꼽자면, 도입 순서는 이렇게 가는 게 안전합니다. 먼저 Mini로 “긴 녹음 전사+화자 분리+타임스탬프” 워크플로를 만들고, 성과(편집 시간 절감, QA 처리량 증가)가 확인되면 그다음 Realtime로 라이브 영역을 확장하는 방식이요. 음성 인식은 한 번 붙이면 여기저기서 “우리도 그거 해보자”가 터지기 때문에, 처음부터 실시간까지 욕심내기보다 단계적으로 밟는 편이 성공 확률이 높습니다.
참고
1Voxtral Transcribe 2는 분당 $0.003에 음성 인식 서비스를 제공합니다.
2Voxtral Transcribe 2: fast, accurate speech‑to‑text for 2026
3r/LocalLLaMA on Reddit: mistralai/Voxtral-Mini-4B-Realtime-2602 · Hugging Face