Microsoft VibeVoice, HN이 물고 늘어진 건 “오픈소스”라는 표현

축하보다 검증이 먼저 붙은 이유

VibeVoice 글이 HN 첫 화면까지 오른 이유는 제목이 강했기 때문이다. Microsoft, voice AI, 그리고 “open-source frontier”라는 표현이 한 줄에 묶였다. 그런데 댓글 분위기는 홍보물 소비와 거리가 멀었다. 사용자들은 저장소를 보자마자 "무엇이 진짜로 공개됐나"부터 따졌다. 신기한 데모를 보는 태도보다 릴리스 완성도를 점검하는 태도에 가까웠다.

README만 봐도 볼거리는 있다. Microsoft는 VibeVoice를 ASR과 TTS를 모두 포함한 음성 모델 계열로 소개한다. 7B ASR 모델은 60분 분량의 오디오를 single pass로 처리하고, 누가 언제 무엇을 말했는지 구조화된 전사 결과를 내며, 50개 이상의 언어를 지원한다고 적었다. 또 최대 90분 길이의 multi-speaker TTS와, 첫 소리까지 약 300ms를 노리는 0.5B real-time TTS도 함께 제시한다.

HN이 바로 짚은 불편한 이력

하지만 HN은 스펙표보다 이 프로젝트의 이력을 먼저 읽었다. 같은 README에는 2025년 9월 VibeVoice-TTS 코드가 의도와 다른 방식으로 사용된 사례를 발견해 저장소에서 제거했다는 설명도 있다. 이 문장이 토론 전체의 방향을 바꿨다. 상위 댓글 중 하나는 "이거 예전에 공개했다가 safety 문제로 내렸던 그 프로젝트 아니냐, 이번엔 뭐가 달라졌냐"고 물었다. 또 다른 댓글은 이 릴리스를 완전한 오픈소스보다 open-weight에 가깝게 봐야 한다고 주장했다. 사용자가 기대하는 수준의 학습 파이프라인과 재현 정보가 전부 있는 것은 아니라는 뜻이다.

실사용 관점의 의심도 이어졌다. 한 사용자는 특히 STT 쪽에서 hallucination이 많고 multilingual 성능이 약하다고 적었다. 다른 댓글은 Parakeet보다 나은지 물었고, 또 다른 사용자는 Mistral Voxtral이 더 가볍고 실사용에 가깝다고 비교했다.

실은 무엇을 두고 싸우는가

이 스레드의 핵심은 단어 싸움이 아니다. 음성 AI가 이제 데모 장난감이 아니라 인프라처럼 평가받기 시작했다는 점이다. 논문, 가중치, playground를 함께 내놓는 것만으로는 충분하지 않다. 무엇이 빠져 있는지, 어느 정도까지 재현 가능한지, 다국어 성능이 실제로 버티는지, misuse가 발견됐을 때 운영 태도가 어떤지가 함께 묻힌다.

왜 이 글이 계속 올라갔나

VibeVoice 자체가 빈약한 프로젝트는 아니다. 60분 single-pass ASR, structured transcription, long-form multi-speaker TTS, low-latency streaming은 분명 무게가 있다. 다만 HN은 제목이 내세운 "frontier"와 "open-source"를 그대로 받아들이지 않았다. 2026년의 AI 커뮤니티는 이제 그런 표현을 액면 그대로 보지 않는다. 특히 음성 분야는 재현성, 안전성, 다국어 품질이 모두 제품력으로 연결되기 때문이다. 이 스레드가 붙은 이유도 결국 모델 성능보다 릴리스 신뢰도에 대한 토론이었기 때문이다.

출처: VibeVoice 저장소 · Hacker News 토론