알리바바, 음성 인식 모델 '큐원-오디오-3.0-ASR-플래시' 출시..."전문 용어 정확도 향상"

알리바바의 최신 음성 인식 모델이 새로운 차원을 선보이다

최근 알리바바가 공개한 음성 인식(ASR) 모델 '큐원-오디오-3.0-ASR-플래시'(Qwen-Audio-3.0-ASR-Flash)는 긴 음성에서도 문맥을 일관되게 유지하며 전문 용어 인식의 정확도를 획기적으로 향상시킨 점에서 큰 주목을 받고 있다. 특히 의료, 산업, IT 등 다양한 전문 분야에서의 활용 가능성이 열려 있어, 향후 많은 기업들의 작업 방식에 변화를 가져올 것으로 기대된다.

강력한 문맥 유지 기능

'큐원-오디오-3.0-ASR-플래시'의 가장 큰 특징은 장시간 음성을 인식하는 과정에서도 문맥을 효과적으로 유지할 수 있다는 점이다. 기존의 음성 인식 모델은 긴 대화나 강연에서 문맥이 단절되는 문제가 있었으나, 이번 모델은 이를 극복했다. 수시간에 걸친 회의나 강연에서도 인명이나 기술 용어를 일관성 있게 표기해, 사용자들이 보다 쉽게 정보를 이해할 수 있도록 돕는다. 알리바바의 내부 테스트 결과, 의료 용어의 재현율은 95.36%, 산업 용어는 93.24%, IT 프로그래밍 분야는 91.87%에 달하는 놀라운 수치를 기록했다. 이는 각 분야의 전문 용어를 별도의 사전 설정 없이도 정확하게 인식할 수 있도록 설계되었음을 보여준다.

사용자 맞춤형 기능과 자동 문서화

이번 모델은 기업 환경에 적합한 사용자 지정 핵심 단어(Custom Hotwords) 기능도 새롭게 선보였다. 기업이나 제품명, 특정 내부 용어 등을 등록하면 즉시 음성 인식에 반영되며, 등록 단어가 늘어나더라도 오인식이 증가하지 않도록 시스템이 최적화되어 있다. 또한, 음성 인식 결과를 사람이 쉽게 읽을 수 있는 문서 형태로 자동 정리해주는 기능도 제공된다. 이는 회의록이나 인터뷰 기록을 보다 구조화된 형태로 생성할 수 있도록 도와주며, 불필요한 발언이나 반복 표현을 제거하여 더 깔끔한 결과를 얻을 수 있다.

다국어 지원으로 글로벌 소통 강화

알리바바는 이번 모델에서 언어 지원을 대폭 확대하여, 하나의 모델로 30개 이상의 언어를 지원한다. 특히 7개 주요 언어에 대한 평가에서 평균 의미 오류율이 17.09%를 기록해, 다국적 회의나 해외 고객 지원 등 다양한 글로벌 환경에서도 충분히 활용할 수 있는 가능성을 보여주고 있다. 이와 함께 실시간 음성 인식에 특화된 '큐원-오디오-3.0-ASR-스트리밍' 모델도 공개되었으며, 약 300밀리초의 출력 지연으로 자막과 회의 기록을 즉시 생성할 수 있다. 특히 중국어와 영어 환경에서는 각각 7.80%와 11.52%의 문자 오류율을 기록하며, 업계 최고 수준의 성능을 자랑한다고 알리바바는 설명했다.

이번 '큐원-오디오-3.0-ASR-플래시' 모델은 전문 분야의 음성 인식 정확도를 크게 향상시키고, 실시간 대응 능력을 강화함으로써 기업의 운영 방식에 혁신을 가져올 것으로 보인다. 음성 인식 기술이 발전함에 따라, 앞으로의 커뮤니케이션 방식과 비즈니스 환경이 어떻게 변화할지 주목할 만한 시점에 도달했다. 알리바바의 이번 모델이 향후 글로벌 시장에서 어떤 성과를 낼지 기대가 된다.