음성 에이전트를 만들기 전에 분당 $0.05부터 계산한다

결론부터. GPT‑Live‑1 API가 나왔고, 프런트엔드 음성 계층 가격은 분당 $0.05다. 기능 설명보다 이 숫자를 먼저 계산해야 한다. 시간당 $3이고, 그건 많은 B2C 아이디어를 그 자리에서 죽인다.

계산부터

사용자 한 명이 하루에 쓰는 음성 시간으로 월 원가를 내면 이렇다. 30일 기준.

• 하루 5분 → 월 $7.5
• 하루 10분 → 월 $15
• 하루 30분 → 월 $45

그리고 이건 음성 계층만의 가격이다. 추론은 백엔드 모델에 위임하는 구조이고 그 비용은 별도다. 도구 호출이 붙으면 더 든다.

월 $9.99 구독에 "무제한 음성 대화"를 넣는 설계는 성립하지 않는다. 헤비 유저 한 명이 나머지 열 명의 마진을 먹는다. 음성 제품을 구상 중이었다면 가격표를 먼저 다시 그리고 기능을 그다음에 정하는 순서가 맞다.

쓸 수 있는 곳은 분명하다. 통화 한 건이 곧 돈인 업무 — 예약, 고객 응대, 아웃바운드. 10분 통화 $0.30이 그 한 건의 가치보다 싸면 성립한다.

기술적으로 바뀌는 것

기존 음성 에이전트는 음성 인식(STT)–추론 모델–음성 합성(TTS)을 연결하므로, 각 인계 단계에서 지연이 늘고 타이밍·컨텍스트·대화 리듬을 잃을 여지가 생긴다. GPT‑Live‑1은 청취와 발화를 단일 모델로 처리한다.

(원문)

1인 개발자에게 지금까지 음성 에이전트의 진짜 비용은 모델이 아니라 파이프라인 조립이었다. STT 붙이고 TTS 붙이고, 사용자가 끼어들면 TTS를 죽이고, 타이밍 맞추고, 어디까지 말했는지 추적하고. 그 층이 사라진다.

확인된 것: API 제공, 분당 $0.05, ASR 전사문과 응답 텍스트 기본 제공, 턴 기반 모델은 아니지만 턴 감지를 지원해 기존 턴 중심 앱 구조를 유지할 수 있음, 전화 통화·배경 소음·장시간 대화 지원.

벤더 자체 평가: Full Duplex Bench에서 GPT‑Realtime‑2.1 대비 30%p 향상, Astra 중간 추론과 결합해 Tau3 1위, Speak 사례에서 끼어들기 약 80% 감소. 전부 OpenAI가 제시한 수치이고 제3자 재현은 확인하지 못했다.

설계에서 챙길 것 하나

이 발표에서 실무적으로 가장 반가운 부분은 성능이 아니다.

개발자가 백엔드 모델·도구·에이전트 하네스를 선택해 작업별 추론 깊이, 속도, 비용을 조절할 수 있다. 추론과 도구 호출은 백엔드 텍스트 모델이나 타사 모델에 위임할 수 있다.

음성 계층과 추론 계층이 분리돼 있고, 추론 쪽은 갈아탈 수 있다는 뜻이다. 이번 주에 쓴 교체 경로 관점에서 보면 종속되는 건 음성 계층 하나다. 전부 한 벤더에 묶이는 것보다 낫다.

다만 음성 계층은 종속된다. 분당 단가가 오르면 대안이 없다. 그 리스크를 알고 시작하는 것과 모르고 시작하는 것은 다르다.

모르는 것

실제 지연 시간. 벤치마크 점수는 나왔지만 내 리전에서 내 네트워크로 몇 밀리초인지는 다른 문제다.

분당 과금이 무음 구간을 어떻게 계산하는지. 연결된 시간 전체인지 실제 오디오가 오가는 구간인지에 따라 원가가 크게 달라지는데, 발표문만으로는 판단할 수 없다. 전화 응대처럼 침묵이 긴 용도라면 이 차이가 전부다.

음성 제품을 진지하게 검토한다면 위 두 개를 데모로 먼저 확인하는 것이 기능 목록을 읽는 것보다 먼저다.