중국 AI 음성 경쟁 가열, 아이플라이텍 SparkAudio 1.0 공개

중국 인공지능 기업 아이플라이텍은 목요일 연례 1024 개발자 페스티벌에서 자사의 음성 기술 스택의 첫 번째 구성 요소라고 설명하는 음성 기반 모델 SparkAudio 1.0을 공개했다. 이 모델은 기계 번역, 음성 인식, 의미 이해를 각 작업에 대한 별도 도구를 짜맞추는 대신 하나의 시스템으로 통합한다.

영화 클립을 중심으로 구성된 시연에서 모델은 배경음과 목소리를 구분하고, 화자의 성별을 식별하며, 장면에 대해 정확한 판단을 내렸다. 아이플라이텍은 이 시스템이 실시간 화자 분리, 환경 이해, 오디오 이해, 감정 인식을 처리한다고 말한다. 글로벌 독자에게 그 제안은 명확하다. 대화가 진행되는 동안 듣고, 분석하고, 번역할 수 있는 단일 모델은 현재 여러 분리된 엔진에 의존하는 콜센터, 실시간 자막, 국경 간 회의, 음성 비서에 중요하다.

음성 모델 출시와 함께 Spark X2.6도 공개됐다. 이는 2930억 파라미터의 전문가 혼합 아키텍처를 기반으로 하며 300억 개의 활성 파라미터와 100만 토큰의 컨텍스트 창을 갖춘 엔드-클라우드 대규모 모델이다. 아이플라이텍은 이번 업그레이드가 코딩과 에이전트 기능에 초점을 맞추고 있으며 모델이 전적으로 국산 컴퓨팅 하드웨어에서 학습됐다고 밝혔다. 회사는 또한 스마트폰과 다른 기기에서 AI를 로컬로 실행하기 위한 오픈소스 온디바이스 모델도 소개했다.

더 넓은 맥락은 AI 비서와 음성 인터페이스를 위한 붐비는 중국 시장이다. 앤트로픽의 Claude Duet은 이메일과 캘린더를 모니터링하고 사용자 승인을 받아 주문할 수 있는 독립형 모바일 앱으로, 개인 에이전트의 서양 사례로 주목받고 있다. 중국 개발자들은 비교 가능한 제품을 만들기 위해 경쟁하고 있으며, 스마트폰에서 타이핑은 여전히 느리고 많은 사용자가 이미 음성으로 기기와 상호작용하기 때문에 음성은 그들에게 가장 자연스러운 인터페이스 중 하나다.

SparkAudio 1.0의 감정과 환경 이해에 대한 강조는 경쟁이 향하는 방향을 보여준다. 무엇이 말해졌는지 인식하는 것만으로는 더 이상 충분하지 않다. 시스템은 누가 말하는지, 어떻게 느끼는지, 주변에서 무슨 일이 일어나는지 판단할 수 있는지로 평가받고 있다. 이는 휴머노이드 로봇 연구자들이 피지컬 AI라는 기치 아래 추구하는 것과 동일한 능력 세트로, 기계는 시끄러운 실제 환경에서 음성 명령을 해석해야 한다.

아이플라이텍의 국산 칩 학습 주장은 기업들이 외국 하드웨어에 대한 의존을 줄이기 위해 노력하는 중국 AI 산업의 더 넓은 패턴에도 부합한다. 회사는 상세한 벤치마크 비교를 공개하지 않았고 SparkAudio 1.0에 대한 독립적 평가는 아직 나타나지 않았다. 시끄러운 콜센터, 지역 억양, 혼합 언어 대화에서 모델의 실제 성능이 통합 접근 방식이 약속을 이행하는지 결정할 것이다.

분명한 것은 속도다. 단일 개발자 이벤트에서 아이플라이텍은 음성 기반 모델, 주요 언어 모델 업그레이드, 오픈소스 엣지 모델을 발표했다. 이는 중국 AI 기업들이 단일 플래그십에 집중하기보다 스택 전반에 걸쳐 제품을 출시하고 있다는 신호다. 개발자에게 질문은 이 조각들이 그 위에 구축할 수 있을 만큼 잘 맞는지다. 사용자에게 테스트는 더 조용할 것이다. 반대편의 음성 비서가 마침내 이해하는 것처럼 들리는지다.