99 언어, 48 음성, 128ms 대기 시간 — 음성 도우미, 전사 및 다국어 앱에 적합한 음성 모델을 선택하는 방법.
음성 작업은 텍스트 작업과 다른 축에서 실패합니다. 지연 시간 예산은 까다롭고, 언어 적용 범위는 고르지 않으며, 사용자가 가장 많이 느끼는 실패 모드는 잘못된 단어가 아니라 어색한 일시 중지입니다.
대기 시간 예산으로 시작
음성 도우미는 300ms 끝에서 끝까지 첫 번째 오디오 출력이 필요합니다. ASR, 모델 회전 및 네트워크를 고려하면 대략 TTS에 대한 120ms가 남습니다. 일괄 전사에는 그러한 예산이 없으며 순전히 달러당 정확성을 위해 최적화되어야 합니다.
- 대화형 음성: ASR + 128ms TTS 스트리밍, 더 높은 단어 오류율 허용
- 회의 전사: 분할된 ASR 배치, 정확성 우선
- 다국어 IVR: 적용 범위 우선 — 언어뿐만 아니라 정확한 로케일을 확인하세요.
- 오디오북 및 내레이션: 최고 품질의 TTS, 대기 시간과 무관, 음성 범위 선택
언어 적용 범위가 균일하지 않습니다.
99 지원 언어가 99만큼 좋은 언어를 의미하지는 않습니다. 상위 10개 로케일의 단어 오류율은 평균 3.1%입니다. 긴 꼬리 전체에서는 11.4%입니다.
항상 자신의 오디오를 벤치마킹하세요. 실제 마이크, 실제 배경 소음, 실제 악센트 등 20분 분량의 대표적인 녹음을 통해 공개된 어떤 벤치마크보다 더 많은 정보를 얻을 수 있습니다.
양방향 스트리밍
with client.audio.speech.with_streaming_response.create(
model="gpt-4o-mini-tts",
voice="aria",
input=text,
extra_body={"amplink": {"first_chunk_target_ms": 128}},
) as stream:
for chunk in stream.iter_bytes():
play(chunk)