음성 인식은 듣고, 음성 합성은 대답합니다. 음성 비서에는 둘 다 필요합니다.
작동 방식
TTS API는 세 가지를 받습니다. 텍스트, 목소리, 오디오 형식입니다. OpenAI 가이드의 Python 예시는 이런 형태입니다.
from openai import OpenAI
client = OpenAI()
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="coral",
input="Today is a wonderful day to build something people love!",
instructions="Speak in a cheerful and positive tone.",
) as response:
response.stream_to_file("speech.mp3")
가이드는 /v1/audio/speech 엔드포인트, 내장 목소리 13종, 그리고 MP3(기본값), Opus, AAC, FLAC, WAV, PCM 출력 형식을 문서화합니다. PCM은 헤더 없는 24kHz 16비트 원시 샘플입니다. 청크 전송 인코딩(chunked transfer encoding)으로 스트리밍을 지원하므로 파일이 다 만들어지기 전에 재생을 시작할 수 있으며, 가장 빠른 응답에는 WAV나 PCM을 권합니다. 가이드는 또 tts-1, tts-1-hd, gpt-4o-mini-tts를 지원 중단 예정으로 표시하며, 종료일은 2027년 1월 6일입니다. 특정 모델을 기반으로 만들기 전에 현재 모델 목록을 확인하세요.
많은 엔진이 W3C의 음성 합성용 XML 마크업인 SSML도 받습니다. 루트 <speak> 요소는 version="1.1"과 xml:lang을 선언합니다. 그 밖에 쉼을 넣는 <break>, 날짜나 숫자를 표시하는 <say-as>, 정확한 발음(예: IPA)을 지정하는 <phoneme>, 다른 언어로 된 구절을 위한 <lang> 등이 있습니다.
<speak version="1.1" xml:lang="en-US">
Pasta should be cooked <lang xml:lang="it">al dente</lang>.
<break/> Enjoy your meal.
</speak>
왜 중요한가
- 음성 제품은 파이프라인입니다. 음성 봇은 음성 인식, 채팅 모델, TTS 순으로 이어집니다. 단계마다 지연 시간과 비용이 더해지며, 각 단계를 다른 제공업체가 맡을 수도 있습니다.
- 형식 선택. 출력 형식에 따라 파일 크기와 재생 지원 여부가 달라집니다. 예를 들어 WhatsApp은 Ogg Opus 음성 메시지를 재생합니다.
- 고지. OpenAI는 TTS 목소리가 AI로 생성되었다는 사실을 최종 사용자에게 알리도록 요구합니다.
BroadNet Inference에서는
BroadNet은 TTS를 제공하지 않습니다. API 레퍼런스가 문서화한 엔드포인트는 POST /v1/chat/completions와 POST /v1/audio/transcriptions뿐입니다. 대신 반대 방향을 제공합니다. BroadNet Transcribe Arabic과 BroadNet Transcribe는 WAV나 MP3 오디오를 텍스트로 바꾸며, 요금은 분당 각각 $0.0042, $0.002입니다. BroadNet은 라이브 또는 실시간 음성도 제공하지 않습니다.
제품이 말을 해야 한다면 BroadNet의 전사와 채팅에 별도의 TTS 제공업체를 조합하세요. 텍스트, 음성, 비전에서 BroadNet이 맡을 수 있는 작업과 다른 서비스가 필요한 부분을 정리했고, WhatsApp 챗봇 아키텍처 글은 파이프라인의 음성 메시지 쪽을 보여 줍니다.
흔한 실수
- TTS와 STT를 혼동하는 것. 음성 인식 API는 오디오를 생성하지 않습니다. “speech”라는 단어만 보지 말고 엔드포인트 목록을 확인하세요.
- SSML이 어디서나 동작한다고 가정하는 것. 일반 텍스트나 SSML의 일부만 받는 API가 많습니다.