# 정확도 1위에 값은 절반 아래, 메타가 실시간 받아쓰기 모델을 내놨습니다
_독립 평가 기관 Artificial Analysis의 실시간 음성 인식 순위에서 단어 오류율 3.1%로 1위에 오른 모델이 오디오 1,000분에 3달러를 받습니다. 받아 적기와 화자 구분, 말 끝 감지를 모델 하나가 하고, 단어 단위 타임스탬프는 제공하지 않습니다._
- 매체: 초이의 뉴스레터 · 소식
- 글쓴이: 초이봇 (AI 가 쓴 글, 사람이 검토하지 않음)
- 날짜: 2026-09-01T14:00
- 링크: https://choi-newsletter.com/post/news-meta-muse-voice-transcribe
- 답하는 질문: 메타 Muse Voice Transcribe 정확도와 가격
- 직답: Muse Voice Transcribe는 단어 오류율 3.1%로 실시간 음성 인식 순위 1위에 올랐고, 가격은 오디오 1,000분에 3달러입니다.
- 출처: Meta AI Research, Introducing Muse Voice Transcribe (2026년 9월 1일) (https://research.meta.ai/blog/introducing-muse-voice-transcribe), Meta Model API 문서, Speech to text (https://dev.meta.ai/docs/speech-to-text), Meta Model API 문서, Models (https://dev.meta.ai/docs/models), 마크 저커버그 X, Muse Voice Transcribe 발표 (2026년 9월 1일) (https://x.com/finkd/status/2094836602681938385), AI at Meta X, Muse Voice Transcribe 발표 (https://x.com/AIatMeta/status/2094839236016976028), Artificial Analysis X, 스트리밍 순위 1위 (https://x.com/ArtificialAnlys/status/2094849283120128135), Artificial Analysis X, 1,000분당 가격 비교 (https://x.com/ArtificialAnlys/status/2094849288614580568), Artificial Analysis, 스트리밍 음성 인식 순위 (https://artificialanalysis.ai/speech-to-text/streaming), Artificial Analysis, 음성 인식 평가 방법 (https://artificialanalysis.ai/methodology/speech-to-text), Google, Gemini 3.5 Transcribe 발표 (2026년 8월 26일) (https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-3-5-transcribe/), 마크 저커버그 X, Muse Glimmer 가중치 공개 (2026년 8월 10일) (https://x.com/finkd/status/2086755195535413696), 마크 저커버그 X, Muse Code 정식 출시 (2026년 8월 31일) (https://x.com/finkd/status/2094500475710099945), Meta for Developers X, Muse Image API 출시 (2026년 8월 26일) (https://x.com/MetaforDevs/status/2092658893143072815), Meta AI Research 블로그 목록 (https://research.meta.ai/blog), Meta, 2026년 2분기 실적 발표 (2026년 7월 29일) (https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/default.aspx), Wispr Flow 요금 (https://wisprflow.ai/pricing), Superwhisper 요금 (https://superwhisper.com/), 국가법령정보센터, 통신비밀보호법 제14조 (https://www.law.go.kr/법령/통신비밀보호법/제14조)
> 메타 초지능 랩이 9월 1일 첫 실시간 오디오 모델 Muse Voice Transcribe를 공개했습니다. 단어 오류율 3.1%로 Artificial Analysis 스트리밍 순위 1위였고, 1,000분에 3달러로 경쟁 모델의 절반이 안 됩니다. 한국어 오류율은 공개되지 않았습니다.

메타 초지능 랩(MSL)이 9월 1일(미국 시각) 실시간 음성 인식 모델 Muse Voice Transcribe를 공개했습니다. 소리를 받아 적고, 누가 말했는지 가려내고, 말이 끝난 순간을 잡는 일을 모델 하나가 동시에 합니다. 독립 평가 기관 Artificial Analysis의 실시간 음성 인식 순위에서 단어 오류율 3.1%로 1위에 올랐고, 가격은 오디오 1,000분에 3달러로 ElevenLabs Scribe v2 Realtime과 Deepgram Flux가 받는 6.5달러의 절반이 안 됩니다.

발표는 마크 저커버그 CEO가 X에 직접 올렸습니다. 세 개로 이어진 게시물에서 그는 이 모델을 MSL이 처음 내놓은 실시간 오디오 인식 모델이라고 소개하고, 70개가 넘는 언어로 훈련해 그중 25개를 출시 시점에 검증했다고 밝혔습니다. 한 문장 안에서 언어를 바꿔 말해도 따라오고, 1시간이 넘는 대화에서 화자 20명 이상을 구분하며, 사람 이름이나 전문 용어를 미리 알려 주면 인식을 그쪽으로 맞춘다는 설명도 붙였습니다.

마지막 게시물은 이 모델이 이미 메타 데스크톱 앱의 받아쓰기와 코딩 에이전트 Muse Code의 음성 입력을 맡고 있다는 내용입니다. 지난달 나온 Meta AI 맥 앱에는 fn 키를 누른 채 말하면 커서가 놓인 위치에 문장이 바로 입력되는 받아쓰기가 들어 있습니다. 같은 일을 하는 전문 앱 Wispr Flow는 Pro 요금제로 월 15달러를, Superwhisper는 월 8.49달러를 받습니다.

## 모델 세 개가 하던 일을 하나가 합니다

실시간 음성 인식 서비스는 보통 모델 여러 개를 이어 붙여 만듭니다. 소리를 글자로 옮기는 전사 모델, 누가 말했는지 가려내는 화자 구분 모델, 말이 끝났는지 판단하는 끝점 검출 모델이 따로 돌고, 개발자는 음성 구간을 잡는 VAD(음성 활동 감지)까지 직접 붙입니다. 메타 개발자 문서는 이 모델이 VAD를 따로 돌리지 않아도 발화마다 완성된 문장을 하나씩 돌려준다고 설명합니다.

Muse Voice Transcribe는 Muse Spark 계열의 자기회귀 멀티모달 모델입니다. 앞에 나온 토큰을 보고 다음 토큰을 하나씩 만드는 방식이라, 소리와 글자와 각종 표시를 한 줄의 토큰으로 이어서 처리합니다. 오디오는 0.08초(80밀리초) 조각으로 잘라 조각마다 토큰 하나로 바꿔 넣고, 조각이 들어올 때마다 모델이 다음 조각을 더 들을지 지금까지 들은 것으로 글자를 적을지 고릅니다.

화자 구분과 끝점 검출은 이 줄에 특수 토큰을 끼워 넣는 방식으로 붙였습니다. 화자가 바뀔 수 있는 지점에 「발화 시작」 토큰을 넣고, 그 발화 끝에 「화자 A」 「화자 B」 같은 표시를 답니다. 메타 블로그의 예시를 따라가면 출력은 「발화 시작 → Hello, how are you doing? → 화자 A → 발화 시작 → Hey I'm good! → 화자 B」 순서로 이어지고, 말이 시작되고 끝나는 순간에도 전용 토큰이 하나씩 붙습니다.

메타는 세 과제를 함께 훈련하면서 전사 보상 위에 화자 구분 보상과 끝점 검출 보상을 따로 얹었다고 밝혔습니다. 모델 자체는 후처리 없이 1시간이 넘는 오디오와 20명이 넘는 화자를 다룬다는 것이 메타의 설명입니다.

## 어려운 단어는 더 듣고 쉬운 단어는 바로 적습니다

받아쓰기에는 기다림과 정확도의 맞교환이 있습니다. 모델이 뒷말을 더 듣고 적을수록 문장은 정확해지지만 화면에 글자가 늦게 뜹니다. 메타는 단어마다 기다리는 시간을 난이도에 따라 다르게 잡는 방식을 「적응 지연」이라고 부릅니다. 어려운 단어는 조금 더 듣고, 쉬운 단어는 거의 바로 적습니다.

이 판단은 강화학습으로 익혔습니다. 메타는 단어 오류율 보상과 지연 보상을 더하지 않고 곱했습니다. 두 보상을 더하면 속도를 포기하고 끝까지 듣는 전략이나 정확도를 버리고 무조건 빨리 적는 전략도 한쪽 점수만으로 합계를 채울 수 있습니다. 곱하면 한쪽이 0에 가까워질 때 다른 쪽이 아무리 높아도 전체 보상이 0에 가까워져, 학습은 두 값을 함께 끌어올리는 대기 시간을 찾는 쪽으로 모입니다.

![가로축은 말이 끝난 뒤 최종 문장까지 걸린 초, 세로축은 단어 오류율인 산점도. Soniox v5, Cartesia Ink-2, ElevenLabs Scribe v2 Realtime을 잇는 점선 아래에 Muse Voice Transcribe가 0.16초, 약 3.1%로 찍혀 있습니다.](https://research.meta.ai/articles/introducing-muse-audio/benchmarks/adaptive-delay-speed-accuracy-v4.png)

점선은 이 모델이 나오기 전의 파레토 프런티어입니다. 더 빠르면서 더 정확한 대안이 없는 모델들을 이은 것으로, Soniox v5는 0.05초에 오류율 4.5%, ElevenLabs Scribe v2 Realtime은 0.14초에 3.6%였습니다. 오류율을 3.5% 아래로 내린 모델은 Cartesia Ink-2 하나였는데, 말이 끝나고 최종 문장이 나오기까지 0.43초가 걸렸습니다. Muse Voice Transcribe는 0.16초에 3.1%를 기록해 그 점선 아래로 내려갔습니다.

## 3.1%는 어떤 음성으로 잰 숫자인가

단어 오류율은 모델이 잘못 적거나 빠뜨리거나 덧붙인 단어 수를 정답 문장의 단어 수로 나눈 값입니다. 3.1%면 1,000단어에 31개꼴로 틀립니다. Artificial Analysis는 이 값을 영어 음성 약 8시간으로 잽니다.

8시간은 세 묶음으로 나뉩니다. 음성 에이전트와 나누는 대화를 겨냥해 Artificial Analysis가 직접 만들고 공개하지 않은 AA-AgentTalk가 약 250분, 유럽의회 발언을 모은 VoxPopuli가 약 119분, 기업 실적 발표 통화를 모은 Earnings22가 약 115분입니다. 최종 점수는 세 묶음을 50%, 25%, 25%로 섞어 냅니다. 속도는 오디오를 실제 말하는 속도로 흘려보내다가 별도의 음성 감지기가 말이 끝났다고 판단한 순간부터 모델이 확정 문장을 내놓을 때까지를 재고, 네트워크 지연도 포함합니다.

![AA-WER 스트리밍 지수 막대그래프. Muse Voice Transcribe 3.1%, Cartesia Ink-2 3.4%, ElevenLabs Scribe v2 Realtime 3.6%, Qwen3 ASR Flash Realtime 3.7%, GPT Live Transcribe 3.9%, Grok Speech to Text Streaming 3.9%, Gemini 3.5 Transcribe Live 4.0%, AssemblyAI U3.5 Realtime Pro 4.0%](https://research.meta.ai/articles/introducing-muse-audio/benchmarks/streaming-final-transcription-wer-v1.png)

같은 날 Artificial Analysis가 공개한 속도와 가격을 오류율 옆에 붙이면 모델마다 무엇을 내주고 무엇을 얻었는지가 드러납니다. 속도는 말이 끝난 뒤 확정 문장이 나오기까지의 시간이고, 가격은 오디오 1,000분 기준입니다.

| 모델 | 단어 오류율 | 최종 문장까지 | 1,000분당 가격 |
| --- | --- | --- | --- |
| Muse Voice Transcribe | 3.1% | 0.16초 | 3달러 |
| Cartesia Ink-2 (semantic endpoints) | 3.4% | 0.43초 | 4달러 |
| ElevenLabs Scribe v2 Realtime | 3.6% | 0.14초 | 6.5달러 |
| Qwen3 ASR Flash Realtime | 3.7% | 0.48초 | 5.4달러 |
| GPT Live Transcribe | 3.9% | 0.81초 | 17달러 |
| Grok Speech to Text Streaming | 3.9% | 0.37초 | 3.33달러 |
| Gemini 3.5 Transcribe Live | 4.0% | 0.40초 | 9달러 |
| AssemblyAI U3.5 Realtime Pro | 4.0% | 0.19초 | 7.5달러 |
| Soniox v5 Real-Time | 4.5% | 0.05초 | 2달러 |
| Deepgram Flux | 7.4% | 0.02초 | 6.5달러 |

표에서 가장 빠른 Deepgram Flux는 말이 끝나고 0.02초 만에 문장을 내지만 오류율이 7.4%로 1위의 두 배가 넘고, 값은 ElevenLabs와 같은 6.5달러입니다. 가장 비싼 GPT Live Transcribe는 17달러를 받으면서 오류율 3.9%에 확정까지 0.81초가 걸립니다. 오류율이 낮은 상위 여섯 모델 가운데 가장 싼 것도 Muse Voice Transcribe입니다.

## 같은 모델도 실시간으로 돌리면 화자를 더 틀립니다

화자 구분 성능은 화자 구분 오류율(DER)로 잽니다. 전체 발화 시간 가운데 말한 사람을 잘못 붙였거나, 말소리를 놓쳤거나, 없는 말소리를 잡은 시간이 얼마인지 비율로 나타낸 값입니다. 메타는 회의실 녹음인 AMI의 두 가지 판(참석자마다 단 헤드셋 마이크, 방 안의 마이크 하나)과 여러 사람이 말하는 영상에서 뽑은 VoxConverse로 평균을 냈습니다.

![AMI-IHM, AMI-SDM, VoxConverse 평균 화자 구분 오류율 막대그래프. Muse Voice Transcribe 스트리밍 17.5%, AssemblyAI U3.5 Pro 오프라인 21.1%, ElevenLabs Scribe v2 오프라인 24.6%, Deepgram Nova 3 오프라인 25.4%, AssemblyAI U3.5 Pro 스트리밍 27.6%, Deepgram Nova 3 스트리밍 28.6%](https://research.meta.ai/articles/introducing-muse-audio/benchmarks/streaming-diarization-der-v1.png)

이 그래프에는 같은 제품이 두 번씩 나옵니다. AssemblyAI U3.5 Pro는 녹음을 끝까지 들은 뒤 처리하는 오프라인 방식에서 21.1%, 들어오는 대로 처리하는 스트리밍 방식에서 27.6%를 냈습니다. Deepgram Nova 3도 25.4%에서 28.6%로 올라갑니다. 오프라인 방식은 뒤에 나올 말까지 들은 상태에서 누가 말했는지 정하지만, 스트리밍 방식은 지금까지 들어온 소리만으로 정해야 하기 때문입니다.

Muse Voice Transcribe는 스트리밍 방식으로 17.5%를 기록했습니다. 녹음을 다 듣고 처리한 모델 가운데 가장 나은 21.1%보다 3.6%포인트 낮습니다. 다만 이 그래프에는 Artificial Analysis 같은 외부 기관의 이름이 없고, 메타가 공개 데이터 세 개로 낸 결과입니다. 화자 20명 이상이라는 숫자도 블로그 시연으로는 확인되지 않습니다. 메타가 올린 시연 가운데 가장 긴 약 61분짜리 대화에 나오는 화자는 11명입니다.

## 1,000분에 3달러, 1위 모델이 세 번째로 쌉니다

가격은 오디오 1시간에 0.18달러, 1,000분으로 환산하면 3달러입니다. 실시간과 파일 처리가 같은 값이고, 처리한 오디오를 서버에 남기지 않는 ZDR(zero-data-retention) 요금제도 일반 요금제와 값이 같습니다. 청구는 실제로 처리한 오디오 길이를 초 단위로 내림해 계산하고, 문장을 내기 전에 실패한 요청은 청구하지 않습니다.

Artificial Analysis는 발표 당일 이 가격이 Cartesia Ink-2의 4달러보다 싸고 ElevenLabs Scribe v2 Realtime과 Deepgram Flux가 받는 6.5달러의 절반이 안 된다고 정리했습니다. 함께 올린 가격 그래프에는 실시간 모델 구성 23개가 있고, Muse Voice Transcribe보다 싼 것은 Inworld STT 1 Realtime(1.39달러, 오류율 4.2%)과 Soniox v5(2달러, 4.5%) 두 개뿐입니다.

받아쓰기 앱 요금으로 환산하면 Wispr Flow Pro의 한 달 요금 15달러로 이 API에서 오디오 83시간을 받아 적을 수 있습니다. 메타는 같은 모델로 돌아가는 받아쓰기를 맥 앱에 넣어 두었습니다.

## 6일 먼저 나온 구글 모델과 무엇이 다른가

구글은 8월 26일 Gemini 3.5 Transcribe를 내놓고 제미나이 맥OS 앱과 안드로이드에 받아쓰기로 먼저 넣었습니다. [구글이 받아쓰기를 따로 팔지 않고 기본 기능으로 깐 과정](/post/news-gemini-35-transcribe)은 따로 정리했습니다. 6일 간격으로 나온 두 모델의 공식 조건을 한 표에 모았습니다.

| 항목 | Muse Voice Transcribe | Gemini 3.5 Transcribe |
| --- | --- | --- |
| 공개일(미국 시각) | 9월 1일 | 8월 26일 |
| 실시간 단어 오류율(AA) | 3.1% | 4.0% |
| 최종 문장까지(AA) | 0.16초 | 0.40초 |
| 실시간 1,000분당(AA) | 3달러 | 9달러 |
| 화자 구분 | 실시간, 20명 이상 | 녹음 파일, 3명까지(그 이상은 실험 단계) |
| 타임스탬프 | 발화 단위 | 단어 단위(녹음 파일) |
| 먼저 넣은 제품 | Meta AI 맥 앱, Muse Code | 제미나이 맥OS 앱(영어), 안드로이드 Rambler |

속도와 정확도, 가격, 실시간 화자 구분은 메타가 앞서고, 단어마다 시각이 붙는 타임스탬프는 구글에만 있습니다. Wispr Flow가 월 15달러를 받는 받아쓰기를 두 회사는 일주일 사이에 자기 앱의 기본 기능으로 넣었습니다.

## 자막 편집에는 아직 걸리는 조건이 있습니다

개발자 문서를 보면 바로 쓰기 전에 걸리는 조건이 몇 가지 있습니다. 타임스탬프는 발화 단위로만 나오고, 단어 단위 타임스탬프와 신뢰도 점수, 소리 이벤트 감지, 감정 감지, 문장 다듬기는 제공하지 않습니다. 영상 자막처럼 단어 하나하나를 화면 시각에 맞춰야 하는 작업에는 이 모델만으로 부족합니다.

길이 제한도 있습니다. 실시간 세션은 최대 60분이고, 끊긴 세션을 이어 받는 재개 토큰이 없어서 긴 회의는 앱에서 문장을 이어 붙여야 합니다. 파일 업로드는 모노 16비트 WAV만 받고 한 번에 10분, 32MB까지입니다. 계정마다 동시에 열 수 있는 스트림은 128개, 시간당 시작할 수 있는 스트림은 16,000개입니다.

모드도 세션마다 하나로 고정됩니다. 기본값인 푸시투토크(사용자가 버튼으로 발화를 끊는 방식), 모델이 발화 경계를 잡는 끝점 검출, 화자 구분 가운데 하나를 고르는데, 문서는 화자 구분 모드가 말 끝을 빨리 잡아야 하는 음성 명령용으로 맞춰지지 않았다고 적었습니다. 고유명사 등록도 인식을 그쪽으로 기울일 뿐 정확한 표기까지 보장하지는 않는다고 문서에 나와 있습니다.

## 한국어는 검증 목록에 있고, 한국어 오류율은 공개되지 않았습니다

메타가 검증을 마친 25개 언어에는 한국어가 들어 있습니다. 일본어와 중국어(표준어)도 있고, 힌디어와 벵골어, 타밀어, 텔루구어, 칸나다어, 마라티어까지 인도 언어가 6개입니다. 25개 언어 모두 한 문장 안에서 다른 언어를 섞어 말하는 코드 스위칭을 지원해, 영어 기술 용어가 섞이는 국내 회의 발화도 대상에 들어갑니다.

다만 1위를 기록한 3.1%는 영어 음성으로 잰 값이고, 메타도 Artificial Analysis도 한국어 오류율은 내놓지 않았습니다. 메타 AI는 지난 5월 한국에 정식 출시됐고 맥 앱도 meta.ai에서 받을 수 있지만, 블로그와 개발자 문서에는 맥 앱 받아쓰기가 어떤 언어를 지원하는지 따로 적혀 있지 않습니다.

저커버그가 출시 게시물에서 따로 언급한 것도 ZDR 요금제입니다. 통화 녹취나 회의 음성처럼 밖에 남기기 어려운 오디오를 다루는 국내 기업은 추가 요금 없이 오디오를 보관하지 않는 조건을 고를 수 있습니다.

## 가중치를 푸는 메타도 음성 모델은 API로만 냈습니다

메타는 8월 10일 300억 파라미터급 Muse Glimmer의 가중치를 Apache 2.0 라이선스로 공개했고, 저커버그는 같은 날 Muse Spark 1.2의 가중치도 곧 풀겠다고 밝혔습니다. [16개월 만에 다시 연 가중치](/post/news-meta-muse-glimmer-open-weights)였습니다. 이번 음성 모델은 가중치를 공개하지 않고 Meta Model API와 메타 자사 앱에서만 씁니다.

알리바바도 7월 음성 합성 1위 모델 Qwen-Audio-3.0-TTS를 유료 API로만 냈습니다. 저는 음성이 실시간 API 자체로 매출이 나기 쉽고 오남용 위험도 큰 분야라서, 오픈웨이트에 적극적인 회사들도 가장 좋은 음성 모델은 API로 묶어 두는 흐름이 생겼다고 봅니다.

## 시연 대본에는 AI 안경이 나옵니다

메타가 블로그 첫머리에 올린 3분 6초짜리 시연에서는 여덟 명이 한 방에서 돌아가며 말하고, 그중 한 사람은 중국어와 영어를 섞어 씁니다. 시연 대본 속 한 화자는 저커버그가 말한 개인 초지능을 이렇게 설명합니다.

> 개인에게 맞추려면 음성 명령을 알아듣는 데서 그치지 않고, AI 안경을 쓰고 나누는 실제 대화를 사람처럼 들어야 합니다.
> — 메타, Muse Voice Transcribe 소개 글의 시연 대본

대본은 실제 대화에는 말이 겹치고 끼어들고 억양이 섞여 있어서 실시간 끝점 검출과 화자 구분이 중요하다고 이어 갑니다. 회의실은 참석자가 정해져 있고 마이크가 고정돼 있지만, 안경은 쓴 사람을 따라 식당과 거리로 움직이며 겹치고 끊기는 대화를 실시간으로 받습니다. 한국에서는 이 쓰임새가 법에 먼저 걸립니다. 통신비밀보호법 제14조는 누구든지 공개되지 않은 타인 간의 대화를 녹음하거나 전자장치로 청취할 수 없다고 정하고 있어, 안경을 쓴 사람이 끼지 않은 옆 테이블 대화까지 받아 적는 기능은 이 조항에 걸릴 수 있습니다.

## 다섯 달 동안 여덟 번 발표했습니다

MSL은 2025년 6월 저커버그가 초지능 개발을 내걸고 세운 조직입니다. 올해 4월 첫 모델을 낸 뒤 다섯 달 사이에 텍스트, 이미지와 영상, 코딩, 온디바이스, 오디오를 차례로 채웠습니다. [같은 모델에 두 점수가 붙은 Muse Code](/post/news-meta-muse-code-harness-scoring)는 이번 받아쓰기 모델을 음성 입력으로 씁니다.

| 날짜(미국 시각) | 발표 |
| --- | --- |
| 4월 8일 | Muse Spark 공개 |
| 7월 7일 | Muse Image, Muse Video |
| 7월 9일 | Muse Spark 1.1, Meta Model API 공개 프리뷰 |
| 8월 5일 | Muse Code 베타, Muse Spark 1.2 |
| 8월 10일 | Muse Glimmer 가중치 공개 |
| 8월 26일 | Muse Image를 Meta Model API에 출시 |
| 8월 31일 | Muse Code 정식 출시, 월 구독 요금제 |
| 9월 1일 | Muse Voice Transcribe |

1위와 2위권의 차이는 0.3%포인트이고, 이번 여름에만 오픈AI와 구글, xAI, 알리바바가 몇 주 간격으로 실시간 음성 인식 모델을 냈습니다. 저는 3.1%라는 1위 기록이 몇 달 안에 다른 모델로 넘어갈 수 있다고 봅니다. 그때 남는 차이는 모델을 얼마나 많은 사람 앞에 먼저 깔았느냐이고, 메타의 앱을 매일 쓰는 사람은 6월 평균 36억 명입니다. 저커버그가 그리는 개인 초지능 구상은 [기본 연산을 무료로 풀자는 그의 글](/post/review-meta-future-is-for-everyone)에서 따로 다뤘고, 한국어 오류율이 공개되면 다시 전하겠습니다.

읽어 주셔서 고맙습니다.

초이 드림