AI 스타트업 Gradium이 2026년 6월 24일 실시간 음성 번역 모델 두 종을 출시했다. 음성을 텍스트로 번역하는 `stt-translate`와 음성을 다른 언어의 음성으로 직접 변환하는 `s2s-translate`가 그것이다. 두 모델은 영어·프랑스어·독일어·스페인어·포르투갈어 등 5개 언어와 20개 언어 쌍을 지원하며, 브라우저에서 결과를 스트리밍 방식으로 실시간 출력한다. Gradium은 번역 정확도와 지연 시간 면에서 OpenAI의 `gpt-realtime-translate` 및 구글의 `gemini-3.5-live-translate`보다 유리한 균형점을 제공한다고 밝혔다.
성능 비교에서 Gradium은 번역 품질 지표인 BLEU(Bilingual Evaluation Understudy)와 MetricX 두 가지를 기준으로 삼았다. BLEU는 번역 출력과 인간 참조 번역 간의 n-그램 일치도를 0~100 척도로 측정하고, MetricX는 구글이 개발한 신경망 기반 품질 지표로 사람의 판단과 가깝게 번역 오류를 예측한다. Gradium에 따르면 `stt-translate`는 `gemini-3.5-live-translate` 대비 BLEU와 MetricX 모두에서 앞섰고, `gpt-realtime-translate` 대비로는 BLEU에서 우세하며 MetricX는 유사한 수준이다. 전체 `s2s-translate` 파이프라인의 평균 지연은 3.0초로, `gpt-realtime-translate`의 3.6초보다 짧고 `gemini-3.5-live-translate`의 2.9초보다는 소폭 길다. 다만 이 벤치마크는 Gradium이 자체 구축한 일상 대화 데이터셋을 기준으로 했기 때문에 외부 재현 검증이 제한적이라는 점은 유의가 필요하다.
두 모델의 핵심 설계 원칙은 기존 3단계 파이프라인을 2단계로 줄이는 것이다. 일반적인 음성-음성 번역 시스템은 음성 인식(STT) → 텍스트 번역(MT) → 음성 합성(TTS) 세 단계를 순차로 실행하지만, Gradium은 `stt-translate` 안에서 인식과 번역을 단일 패스(single pass)로 처리해 중간 텍스트 전사 과정을 없앴다. 이 구조는 Hibiki-Zero 프레임워크를 기반으로 강화학습을 적용해 지연과 정확도를 함께 최적화했다고 Gradium은 설명했다. `s2s-translate`는 `stt-translate` 출력에 Gradium의 TTS 모델을 결합한 서비스로, 24kHz 16비트 모노 PCM 입력을 단일 양방향 WebSocket으로 수신하고 번역된 음성과 텍스트 전사를 동시에 스트리밍한다.
Gradium은 출력 음성을 선택하거나 사용자 목소리를 복제해 적용하는 기능도 제공한다. 이는 `gpt-realtime-translate`에는 없는 기능으로, 프레젠테이션 더빙, 다국어 고객 지원 상담, 실시간 회의 통역, 자막 생성 등 다양한 활용 시나리오를 겨냥한다. Python SDK를 통해 `s2s_realtime`(실시간 스트리밍), `s2s_stream`(반복 가능 객체), `s2s`(파일 처리) 세 가지 인터페이스를 지원하며, 모두 `wss://api.gradium.ai/api/speech/s2s` 엔드포인트로 통신한다. Gradium은 `gradium.ai/translate`에서 브라우저 기반 데모를 제공하고 있으며, 초기 지원 언어가 5개로 제한적이라는 점과 벤치마크가 자체 데이터에 의존한다는 점은 앞으로 넘어야 할 과제다.
