코히어 트랜스크라이브: 최첨단 자동 음성 인식(ASR) 모델 출시
기업용 인공지능(AI) 분야에서 비정형 오디오 데이터를 활용 가능한 텍스트로 변환하는 과정은 종종 독점 API와 복잡한 파이프라인으로 인해 병목 현상을 야기했습니다. 이러한 문제를 해결하고자 코히어(Cohere)가 텍스트 생성 및 임베딩 모델로 잘 알려진 기업임에도 불구하고, 자동 음성 인식(ASR) 시장에 공식적으로 진출하며 최신 모델인 ‘코히어 트랜스크라이브(Cohere Transcribe)’를 발표했습니다. 이번 모델의 등장은 엔터프라이즈 스피치 인텔리전스 분야에 상당한 파장을 일으킬 것으로 예상됩니다.
코히어의 이번 발표는 단순히 새로운 ASR 모델을 출시하는 것을 넘어, 기업들이 오디오 데이터를 더욱 효율적으로 활용할 수 있도록 돕는 중요한 발걸음입니다. 특히, 법률, 금융, 의료 등 다양한 산업 분야에서 음성 데이터 분석의 중요성이 높아지는 상황에서, 코히어 트랜스크라이브는 데이터 활용도를 높이고 새로운 비즈니스 기회를 창출하는 데 기여할 것으로 보입니다. 자동 음성 인식 기술의 발전은 앞으로 더욱 다양한 분야에서 활용될 것입니다.
코히어 트랜스크라이브: 핵심 아키텍처
코히어 트랜스크라이브 모델을 이해하기 위해서는 ‘Transformer’라는 이름에만 얽매이지 않고 아키텍처를 자세히 살펴보아야 합니다. 이 모델은 인코더-디코더 아키텍처를 채택했지만, 특히 대규모 Conformer 인코더와 경량 Transformer 디코더를 결합하여 설계되었습니다. Conformer는 CNN(Convolutional Neural Network)과 Transformer의 장점을 결합한 하이브리드 아키텍처입니다. ASR(Automatic Speech Recognition)에서 CNN은 특정 음소 또는 음향의 급격한 변화와 같은 지역적 특징을 더 잘 처리하는 반면, Transformer는 문장의 의미와 같은 전역적인 문맥을 처리하는 데 강점을 보입니다. 이러한 특징을 결합함으로써 코히어 모델은 미세한 음향적 세부 사항과 장거리 언어적 의존성을 모두 포착하도록 설계되었습니다.
탁월한 성능: 벤치마크 결과 분석
일부 글로벌 모델은 다양한 언어 지원을 목표로 하지만, 코히어는 ‘양보다 질’을 우선시하는 전략을 선택했습니다. 현재 코히어 트랜스크라이브는 영어, 독일어, 프랑스어, 이탈리아어, 스페인어, 포르투갈어, 그리스어, 네덜란드어, 폴란드어, 아랍어, 베트남어, 중국어, 일본어, 한국어를 공식적으로 지원합니다. 이는 특정 언어에 대한 자동 음성 인식 정확도를 극대화하기 위한 전략적 결정입니다.
코히어는 트랜스크라이브를 고정밀 생산용 ASR 모델로 포지셔닝하고 있습니다. Hugging Face Open ASR Leaderboard(2026년 3월 26일 기준)에서 평균 WER(Word Error Rate) 5.42%로 1위를 차지하며, AMI, Earnings22, GigaSpeech, LibriSpeech clean/other, SPGISpeech, TED-LIUM, VoxPopuli 등 다양한 벤치마크 세트에서 Whisper Large v3 (7.44), ElevenLabs Scribe v2 (5.83), Qwen3-ASR-1.7B (5.76) 등 경쟁 모델을 능가하는 뛰어난 성능을 입증했습니다. 특히, AMI, Earnings22, GigaSpeech, LibriSpeech clean, LibriSpeech other, SPGISpeech, TED-LIUM, VoxPopuli에서 각각 8.13%, 10.86%, 9.34%, 1.25%, 2.37%, 3.08%, 2.49%, 5.87%의 WER 수치를 기록하며 자동 음성 인식 분야의 새로운 표준을 제시했습니다.
장시간 오디오 처리: 35초 규칙
60분짜리 실적 발표 또는 법적 절차와 같은 장시간 오디오를 처리하는 것은 메모리 집약적인 아키텍처에 있어 독특한 과제를 제시합니다. 코히어는 슬라이딩 윈도우 어텐션을 사용하지 않고, 강력한 청킹(chunking) 및 재조립 로직을 통해 이 문제를 해결합니다. 모델은 기본적으로 35초 분량의 오디오를 처리하도록 설계되어 있습니다. 35초를 초과하는 파일의 경우, 시스템은 자동으로 오디오를 겹치는 청크로 분할하고, 각 청크를 Conformer-Transformer 파이프라인을 통해 처리하며, 겹치는 텍스트를 재조립하여 연속성을 보장합니다. 이러한 접근 방식을 통해 55분짜리 파일을 GPU VRAM을 소진시키지 않고도 처리할 수 있습니다. 효율적인 자동 음성 인식을 위한 기술적 고려 사항입니다.
주요 시사점 및 미래 전망
코히어 트랜스크라이브의 등장은 자동 음성 인식 기술의 발전을 가속화하고 엔터프라이즈 스피치 인텔리전스 시장에 새로운 기회를 제공할 것으로 예상됩니다. 특히, 코히어의 하이브리드 아키텍처는 기존 모델의 한계를 극복하고 더욱 정확하고 효율적인 ASR 솔루션을 제공할 수 있는 가능성을 보여줍니다. 또한, 장시간 오디오 처리 기능을 통해 기업들은 다양한 분야에서 음성 데이터를 활용하는 데 더욱 많은 자유도를 갖게 될 것입니다. 앞으로 코히어 트랜스크라이브는 법률, 금융, 의료 등 다양한 산업 분야에서 널리 활용될 것으로 기대됩니다.
코히어는 자동 음성 인식 기술의 미래를 밝히는 핵심적인 역할을 수행할 것이며, 더욱 혁신적인 기술 개발을 통해 엔터프라이즈 스피치 인텔리전스 시장을 선도해 나갈 것입니다. 코히어 트랜스크라이브의 성공은 앞으로 더욱 많은 기업들이 음성 데이터 분석에 투자하고 새로운 비즈니스 기회를 창출하는 데 영감을 줄 것입니다.
심층 분석 및 시사점
Array
