Microsoft MAI 3종, Azure Foundry 하나로 묶인 이유

Microsoft가 2026년 4월 2일 MAI(Microsoft AI) 브랜드로 세 가지 자체 개발 파운데이션 모델을 공개했다. MAI-Transcribe-1(음성 인식), MAI-Voice-1(음성 생성), MAI-Image-2(이미지 생성)는 Microsoft가 OpenAI 파트너십에 의존하지 않고 독자적인 멀티모달 AI 스택을 구축하겠다는 신호이며, 세 모델 모두 Azure AI Foundry(이전 Azure AI Studio)를 통해 독점 제공된다.

Whisper만이 아니라 ElevenLabs·GPT-Transcribe까지 앞섰다

MAI-Transcribe-1은 음성-to-텍스트(ASR) 분야에서 기업급 정확도를 목표로 설계됐다. FLEURS 벤치마크 상위 25개 언어 평균 Word Error Rate(WER) 3.8%를 달성했는데, 이는 다음 모델들을 능가하는 결과다.

비교 모델	결과
OpenAI Whisper-large-v3	25개 언어 전체 제압
Google Gemini 3.1 Flash	25개 언어 중 22개 제압
ElevenLabs Scribe v2	25개 언어 중 15개 제압
OpenAI GPT-Transcribe	25개 언어 중 15개 제압

특히 열악한 녹음 환경을 고려해 설계됐다는 점이 눈에 띈다. 배경 소음, 저품질 오디오 녹음, 겹치는 발화 등 실제 기업 환경에서 자주 발생하는 조건에서의 안정적인 인식 성능이 강조되며, 회의 자동 전사, 콜센터 통화 분석, 미디어 자막 자동 생성, 음성 기반 문서 작성에 쓰인다. 선도적 대안 대비 약 50% 낮은 GPU 비용을 요구해, 대규모 음성 처리 워크로드에서 운영 비용을 크게 절감한다는 설명이다.

60초를 1초에 만드는 MAI-Voice-1

MAI-Voice-1은 텍스트-to-음성(TTS) 분야의 고충실도 음성 생성 모델이다. 단일 GPU에서 1초 미만의 지연 시간으로 60초 길이의 표현적 오디오를 생성하고, 장문 콘텐츠 전반에 걸쳐 화자 정체성(speaker identity)을 유지하며, 감정적 뉘앙스와 표현력 있는 음성을 만든다. 자연스러운 억양, 감정 표현, 문맥에 맞는 음성 패턴이 일반적인 TTS 시스템과 구분되는 지점이며, 특히 팟캐스트·오디오북·교육 콘텐츠 같은 장문 음성 생성에서 일관된 화자 특성을 유지하는 것이 기술적 도전이었다. 기존 Azure Cognitive Services의 Text-to-Speech 기능을 대체하는 차세대 엔진으로 포지셔닝되며, Copilot Voice와 접근성 도구 등에 통합될 예정이다.

Arena.ai 3위로 데뷔한 MAI-Image-2

MAI-Image-2는 Microsoft의 최상위 텍스트-to-이미지 생성 모델로, 인간 평가자들이 다양한 이미지 모델의 결과물을 블라인드 비교해 순위를 매기는 Arena.ai 이미지 모델 패밀리 리더보드에서 3위로 데뷔했다. Midjourney, Stable Diffusion 3, Ideogram 같은 기성 이미지 생성 모델들과 직접 경쟁하는 수준이라는 뜻이다. 이전 Microsoft의 이미지 생성이 주로 OpenAI DALL-E 시리즈에 의존했던 것과 달리, MAI-Image-2는 이 의존도를 제거하고 이미지 생성 분야에서도 독자 기술 역량을 확보했음을 보여준다.

⤢✕

Azure Foundry로 들어가는 문들

세 MAI 모델은 모두 Microsoft Foundry를 통해 독점적으로 제공된다. 개발자가 브라우저에서 즉시 테스트할 수 있는 MAI Playground, 표준 HTTP API를 통한 프로그래밍 방식 접근인 REST API, Python·JavaScript·C# 등 주요 언어를 지원하는 Azure SDK, 엔터프라이즈 가용성 보장과 컴플라이언스를 지원하는 기업용 SLA가 배포 구조를 이룬다.

MAI 모델들은 Azure 인프라에 최적화해 설계됐다. Microsoft의 커스텀 AI 가속기 Azure Maia·Cobalt와 네트워크 최적화를 활용해, 동일 연산량에서 더 낮은 지연시간과 비용을 노린다.

이미 제품에 들어가 있다

세 모델은 이미 Microsoft의 주요 소비자·기업용 제품에 통합되어 있거나 통합 계획이 수립되어 있다. Microsoft Copilot은 음성 상호작용에 MAI-Voice-1을 쓰고, Bing은 검색 결과 음성 읽기와 이미지 생성에, PowerPoint는 프레젠테이션 자동 이미지 생성(MAI-Image-2)에, Azure Speech는 기업 음성 솔루션 핵심 엔진(MAI-Transcribe-1)으로 MAI 모델을 활용한다.

25개 언어로 진행되는 고객 서비스 통화를 실시간 분석하는 글로벌 콜센터에서는 MAI-Transcribe-1로 다국어 통화를 자동 전사하고 감정을 분석해, WER 3.8% 달성으로 기존 솔루션 대비 정확도 30% 향상과 GPU 비용 50% 절감을 함께 거뒀다는 사례가 보고된다. 텍스트 기사를 자동으로 팟캐스트 오디오로 변환하는 제작 자동화에서는 MAI-Voice-1로 자연스러운 다화자 오디오를 생성해, 장문 오디오에서도 일관된 화자 특성을 유지하면서 1초 미만의 생성 지연을 냈다. 마케팅 캠페인용 이미지를 빠르게 제작하는 기업 콘텐츠 제작에서는 MAI-Image-2를 Azure Foundry API로 통합한 파이프라인을 구축해, 이미지 제작 비용을 70% 절감하고 Arena.ai 3위 수준의 품질을 확보했다는 사례도 있다.

Microsoft MAI 3종의 출시는 신제품 발표를 넘어 Microsoft AI 전략의 재편을 알리는 신호다. MAI-Transcribe-1의 3.8% WER, MAI-Voice-1의 실시간 음성 생성, MAI-Image-2의 Arena.ai 3위는 Microsoft가 텍스트 LLM을 넘어 멀티모달 AI 전 영역에서 자체 역량을 확보했음을 보여준다. 세 모델을 Azure Foundry라는 단일 플랫폼과 커스텀 가속기 위에 묶어 배포한 구조는, 모델 성능만큼이나 그 성능을 제품에 얼마나 빠르게 밀어 넣을 수 있는지가 이번 발표의 실질적 무게중심이었음을 시사한다.