아이플라이텍, 음성 AI를 ‘듣기’에서 공간 이해로 확장

들어가며

대규모 모델이 자동차, 로봇, 스마트홈과 공공 서비스 기기에 들어가면서 음성 인터랙션의 조건이 달라지고 있다. 조용한 환경에서 한 사람이 질문하는 상황이 아니라, 여러 사람이 동시에 말하고 배경 소음과 끼어들기가 발생하며, 한 기기에서 시작한 작업이 다른 기기로 이어지는 상황을 처리해야 한다. 아이플라이텍은 10월 22일 음성, 클라우드·엣지 모델, 실체화 인터랙션 분야의 기술을 공개하며 이 문제에 대응하는 방향을 제시했다.

핵심 내용

• 음성 전사에서 소리 이해로. SparkAudio 1.0은 음성 인식, 동시통역, 음성 대화뿐 아니라 복잡한 오디오 이해, 감정 인식, 실시간 화자 분리, 환경음 이해를 지원한다. 기존의 ‘잡음 제거-음성 인식-언어 처리-음성 합성’ 구조에서는 텍스트로 바뀌는 과정에서 사라지기 쉬운 말투, 화자 정보, 주변 소리를 더 통합적으로 다루려는 접근이다.
• 온디바이스 모델의 역할 확대. Spark-X2.6-4B는 약 41억 개의 파라미터와 최대 약 100만 토큰의 컨텍스트를 갖는다. 긴 문서 이해, 도구 호출, 에이전트 작업을 강화했으며, 아이플라이텍은 일부 엣지 솔루션이 클라우드 역량의 약 70%에 도달했다고 설명한다. 단순하고 반복적이거나 민감한 작업은 기기에서 처리하고, 복잡한 작업은 클라우드 또는 양쪽의 협업으로 처리하는 구상이다.
• 공간을 이해하는 상호작용. 전방위 카메라와 원형 마이크 배열을 결합해 360도 공간의 여러 음성을 처리한다. 회사 발표에 따르면 다중 대화 환경에서 혼선률은 1.7% 미만이며, 최대 5명이 동시에 상호작용할 때 실시간 분리율은 87%다. 로봇 분야에서는 음원 위치, 사람의 의도, 시각 정보, 동작 계획을 함께 처리하는 기술도 추진한다.
• 기기 간 대화 연속성. 클라우드 기반 Agent가 대화 맥락과 작업 상태를 관리해 TV, 스마트폰, 스피커 등 여러 기기 사이에서 대화를 이어가고 업무를 협업하도록 하는 방식이다. 플랫폼은 40개 이상의 언어를 지원하며, 그중 30개 언어는 별도의 언어 선택 없이 음성으로 상호작용할 수 있다고 회사는 밝혔다.

의미와 과제

이번 발표의 핵심은 새로운 모델의 추가보다 음성 비서의 역할이 바뀌고 있다는 점이다. 시스템은 무엇을 말했는지뿐 아니라 누가 말했는지, 어디에서 들려왔는지, 주변 상황은 어떤지, 다음 동작을 어느 기기가 수행해야 하는지를 판단해야 한다. 엣지 모델의 발전은 지연 시간과 개인정보 노출, 네트워크 의존성을 줄일 가능성이 있다. 다만 여러 사람이 말하는 환경에서의 안정성, 기기 간 맥락 관리, 복잡한 작업의 책임 범위는 실제 배포에서 검증해야 한다.

음성 AI 경쟁은 단순한 인식 정확도 경쟁에서 벗어나 공간, 맥락, 기기 협업을 종합적으로 이해하는 능력의 경쟁으로 이동하고 있다.

출처: InfoQ 中文