Microsoft MAI 공개 — 음성·이미지를 자체 모델로 돌리며 OpenAI 의존도를 낮추다

2026년 4월 2일, Microsoft는 MAI-Transcribe-1, MAI-Voice-1, MAI-Image-2 세 가지 자체 개발 파운데이션 모델을 공개했다. 2025년 11월 결성된 MAI Superintelligence 팀의 첫 번째 주요 성과물로, 음성 인식·음성 생성·이미지 생성 등 멀티모달 영역을 직접 겨냥한다. 13조 달러 이상을 투자한 OpenAI 파트너십에 의존해 온 Microsoft가 자체 파운데이션 모델 역량을 공개적으로 선언한 사건으로, 빅테크 AI 경쟁 구도에 새로운 국면이 열렸다.

MAI 모델들의 스펙과 성능

MAI-Transcribe-1은 Microsoft 최초의 자체 개발 음성 인식(Speech-to-Text) 모델이다. 25개 언어를 지원하며, FLEURS(Few-shot Learning Evaluation of Universal Representations of Speech) 벤치마크 기준 평균 WER(Word Error Rate) 3.8%를 달성해 전체 1위를 기록했다. OpenAI의 Whisper, Google의 Gemini Audio 등 경쟁 모델을 상회하는 수치다. 비용 효율성 측면에서도 주목할 만하다. 동급 대안 대비 GPU 비용을 약 50% 절감하면서도 엔터프라이즈 수준의 정확도를 유지한다. 가격은 시간당 $0.36 USD부터 시작하며, Microsoft Foundry와 MAI Playground를 통해 즉시 사용 가능하다.

MAI-Voice-1은 고품질 Text-to-Speech(TTS) 생성 모델이다. 단일 GPU에서 60초 분량의 표현력 있는 음성을 1초 이내에 생성하는 것이 핵심 성능 지표다. 실시간 애플리케이션, 자동화 콜센터, 음성 기반 에이전트 파이프라인 등 지연 시간이 중요한 사용 사례에 직접 적용 가능하도록 설계됐다. 가격 정책은 100만 문자당 $22 USD로 책정됐다. 자연스러운 억양과 감정 표현 능력을 갖춘 것으로 평가받으며, Foundry 내 음성 파이프라인에 바로 통합된다.

MAI-Image-2는 Microsoft의 최고 성능 Text-to-Image 생성 모델이다. 출시 직후 Arena.ai 이미지 모델 패밀리 리더보드에서 3위에 올랐다. 디퓨전(Diffusion) 기반 생성 아키텍처를 채택해 자연어 프롬프트로부터 고품질 이미지를 점진적으로 정제한다. 파생 모델인 MAI-Image-2e는 동일한 품질을 유지하면서 MAI-Image-2 대비 최대 22% 빠르고 4배 효율적이다. 대규모 배포 환경에서의 비용 최적화를 목표로 한 변형 모델이다. 가격은 텍스트 입력 기준 100만 토큰당 $5, 이미지 출력 기준 100만 토큰당 $33이다.

모달리티별 인코더와 공유 어텐션이 맞물리는 구조

음성·이미지 특화 파운데이션 모델은 범용 LLM과 다른 설계 철학을 따른다. 단일 트랜스포머 아키텍처가 아닌, 모달리티별 특화 인코더와 공유 멀티모달 어텐션 레이어를 결합한 구조가 일반적이다.

⤢✕

MAI-Transcribe-1의 음성 인코더는 대규모 오디오 데이터로 사전 학습된 후, 언어별 파인튜닝(Fine-tuning)을 거친다. WER 최소화를 위해 CTC(Connectionist Temporal Classification)와 어텐션 기반 디코더를 병렬로 활용하는 하이브리드 구조를 채택한 것으로 분석된다. 25개 언어를 단일 모델로 처리하기 위해 언어 임베딩(Language Embedding)을 조건으로 주입하는 방식이 적용된다.

MAI-Image-2는 텍스트 프롬프트를 고차원 의미 벡터로 변환하는 텍스트 인코더와, 해당 벡터를 조건으로 이미지를 점진적으로 생성하는 디퓨전 디코더로 구성된다. MAI-Image-2e의 4배 효율 개선은 모델 증류(Knowledge Distillation)와 스텝 수 최적화(Fewer Diffusion Steps) 기법의 결합으로 달성된 것으로 추정된다.

엔터프라이즈 환경에서의 도메인 특화 파인튜닝은 Microsoft Foundry의 평가 파이프라인과 통합돼 있다. 모델은 Preview → GA → Legacy → Deprecated → Retired 단계를 거치며, 각 단계 전환 시 명확한 공지 기간이 보장된다. 업그레이드 시에는 기준 배포(Baseline)와 후보 배포(Candidate)를 병렬로 운용해 안전한 절체(Cutover)와 롤백이 가능하도록 설계됐다.

Azure Foundry가 MAI 모델을 서비스하는 방식

MAI 모델 3종은 Microsoft Foundry(구 Azure AI Foundry)를 통해 서비스된다. Foundry는 모델 가중치, 컨테이너 런타임, 평가·파인튜닝 파이프라인, 벤치마크 데이터셋을 Azure Machine Learning 레지스트리 기반으로 통합 관리한다.

⤢✕

Foundry에는 런타임 비용과 성능을 동시에 최적화하는 Model Router가 내장돼 있다. 동일 태스크에 대해 MAI-Image-2와 MAI-Image-2e 간 자동 전환이 가능하며, 요청 부하와 응답 품질 요건에 따라 동적으로 라우팅한다. 이 구조는 단일 엔드포인트를 유지하면서 백엔드 모델을 교체할 수 있어 클라이언트 코드 변경 없이 모델 업그레이드가 가능하다.

엔터프라이즈 배포에서는 트래픽 분할(Traffic Splitting)을 통한 A/B 테스트가 기본 지원된다. 신규 모델 버전으로의 점진적 트래픽 이동(Canary Release)과 메트릭 기반 자동 롤백이 Foundry Evaluations의 두 단계 검증 프레임워크와 연동된다. 스펙 준수 검사와 품질 지표 검사를 순차적으로 통과한 모델만 프로덕션 트래픽을 수신한다.

MAI-Transcribe-1의 시간당 $0.36이라는 가격은 기존 대안 대비 50% GPU 비용 절감을 반영한다. Microsoft는 자체 모델을 Azure 인프라 위에서 직접 운용함으로써 제3자 API 마진을 제거하고, 가격 경쟁력을 Azure 서비스 차원에서 내재화할 수 있다. 이는 OpenAI API를 재판매하던 기존 구조와 근본적으로 다른 경제성을 가능하게 한다.

빅테크마다 다른 자체 모델 전략

MAI 모델 공개는 빅테크 전반의 자체 파운데이션 모델 내재화 흐름과 맞닿아 있다.

⤢✕

Google DeepMind는 Gemini Ultra를 중심으로 텍스트·이미지·오디오·비디오를 단일 모델로 처리하는 범용 멀티모달 전략을 추진한다. 별도로 Veo(비디오), Imagen(이미지), AudioPaLM(음성) 등 특화 모델을 병행 운용한다. Microsoft MAI-Transcribe-1이 FLEURS 기준 Gemini Audio를 앞선 것은 특화 모델이 범용 모델을 특정 영역에서 능가할 수 있음을 보여주는 사례다.

Apple은 Apple Intelligence를 통해 온디바이스 추론에 집중하는 차별화 전략을 취한다. Private Cloud Compute 아키텍처를 통해 클라우드 처리 시에도 프라이버시를 보장하는 방향으로 설계됐다. 클라우드 기반 엔터프라이즈 서비스보다 소비자 기기 통합에 초점을 맞춘 접근이다.

Meta는 Llama 4 시리즈를 오픈웨이트로 공개해 연구자·기업이 자유롭게 파인튜닝할 수 있는 생태계를 구축한다. 자체 서비스보다 생태계 주도권 확보에 방점을 두는 전략으로, Microsoft의 클라우드 서비스 통합 전략과 대조된다.

Microsoft MAI의 차별점은 자체 모델을 Azure 인프라와 수직 통합해 엔터프라이즈 서비스 마진을 내재화하는 데 있다. OpenAI 파트너십 재조정(비독점 라이선스 전환) 이후, MAI 모델은 Azure 고객에게 OpenAI 모델의 대안을 제공함으로써 공급망 리스크를 분산한다. 2027년까지 프론티어급 범용 LLM 개발을 목표로 한다는 점에서 특화 모델은 장기 전략의 첫 단계로 해석할 수 있다.

OpenAI와의 거리는 왜 벌어지고 있나

2019년 체결된 원래 파트너십에서 Microsoft는 자체 범용 AI 모델 개발이 계약상 제한돼 있었다. 이 조항은 2025년 파트너십 재협상 과정에서 삭제됐다. 재협상은 OpenAI의 1,100억 달러 규모 펀딩 라운드와 동시에 이뤄졌으며, OpenAI는 Microsoft 클라우드 전용 의무에서 벗어나 비독점 라이선스 모델로 전환했다.

현재 Microsoft는 OpenAI의 약 27% 지분을 보유하지만, OpenAI가 Azure 클라우드 백로그의 약 45%를 차지하는 등 상호 의존 구조는 여전히 깊다. MAI 모델은 이 의존 구조를 점진적으로 희석시키는 전략적 수단이다. Amazon이 최대 500억 달러를 OpenAI에 투자하고 AWS 계약을 확대하는 등 OpenAI의 클라우드 파트너 다변화도 Microsoft의 자체 모델 개발을 가속하는 외부 압력으로 작용한다.

Microsoft MAI-Transcribe-1, MAI-Voice-1, MAI-Image-2는 단순한 신규 모델 출시를 넘어 Microsoft의 AI 공급망 전략 전환을 공식화한 이정표다. 음성·이미지 특화 모델에서 경쟁력을 입증하고 Azure Foundry와 수직 통합함으로써, Microsoft는 OpenAI 의존도를 낮추는 동시에 엔터프라이즈 AI 시장에서 가격·성능 양면의 레버리지를 확보했다.