OpenAI, 전이중 음성 모델 'GPT-Live-1' API 출시: 분당 0.05달러

지금까지 음성 AI 에이전트를 만드는 일은 음성 인식(STT), 거대언어모델(LLM), 음성 합성(TTS)이라는 세 가지 부품을 억지로 이어 붙이는 파이프라인 작업에 가까웠습니다. 중간 단계마다 지연 시간이 늘어났고, 사용자가 중간에 말을 끊기라도 하면 시스템 전체가 꼬이기 일쑤였습니다.

OpenAI가 9월 10일, 듣기와 말하기를 동시에 처리하는 풀듀플렉스(전이중) 음성 모델 'GPT-Live-1'을 API로 출시했습니다. 앞단 음성 계층 기준 분당 0.05달러로 책정되었습니다.

누더기 파이프라인 버리고 단일 모델로

GPT-Live-1은 입력과 출력 오디오를 단일 모델 안에서 함께 처리합니다. 기존의 번거로운 STT-LLM-TTS 연결 고리를 걷어내면서 지연 시간을 줄이고 대화의 자연스러운 리듬을 구현했습니다.

사용자가 말을 더듬거나 웃음을 터뜨릴 때, 혹은 주변 사람과 잠시 딴말을 할 때도 무작정 끼어들지 않고 배경 소음과 침묵을 유연하게 넘깁니다. 언어 학습 앱 스픽(Speak)의 초기 테스트에 따르면, 학습자가 생각할 시간을 충분히 확보해 주면서 기존 턴제 시스템 대비 말 끊김 현상이 약 80% 줄어들었습니다. 한 헬스케어 기업 고객은 파이프라인 관리용 코드 2만 3,000줄을 통째로 삭제했다고 밝혔습니다.

성능 지표에서도 풀 듀플렉스 벤치(Full Duplex Bench) 기준 이전 세대 모델인 GPT-Realtime-2.1보다 30%포인트 상승했습니다. 전화망(Telephony) 연동을 지원하며, 텍스트 전사(ASR)와 알파벳·숫자 인식, 특정 키워드 인식 편향(Keyword Biasing) 기능도 기본 탑재되었습니다.

앞에서는 대화 유지, 뒤에서는 고난도 추론

실시간으로 빠르게 대답하면서 복잡한 업무를 처리할 수 있는 비결은 '백엔드 위임' 구조에 있습니다.

GPT-Live-1은 사용자 앞에서 자연스러운 억양과 속도로 대화를 이어가는 데 집중하고, 복잡한 로직이나 도구 호출은 백엔드 텍스트 모델에 맡깁니다. 예를 들어 간단한 주문 조회는 가벼운 루나(Luna) 모델에 연결하고, 까다로운 고객 민원은 고성능 추론 모델인 GPT-6 아스트라(Astra)에 넘겨 백그라운드에서 처리하게 만드는 식입니다.

실제로 GPT-Live-1에 중간 추론 강도의 GPT-6 Astra를 결합했을 때 음성 에이전트 종합 벤치마크인 Tau3에서 1위를 차지했습니다. 기업 고객을 위한 전용 플랫폼인 'OpenAI Presence'도 함께 마련되어 회사 내부 시스템과의 연동을 돕습니다.

왜 중요한가

음성 서비스를 개발하는 스타트업이나 엔지니어에게는 개발 복잡도를 단번에 낮춰주는 실질적인 무기입니다. 사용자의 끼어들기 타이밍을 맞추느라 수만 줄의 예외 처리 코드를 짜던 고통에서 벗어나, 이제는 API 몇 줄로 사람처럼 호흡하는 음성 비서를 구현할 수 있게 되었습니다.

저희는 '실시간 인터랙션'과 '심층 추론'을 분리한 구조적 설계가 매우 똑똑한 선택이라고 봅니다. 거대한 추론 모델 하나로 음성 전체를 실시간 처리하려 했다면 천문학적인 비용과 지연 시간을 감당하기 어려웠을 것입니다. 음성 레이어는 템포를 지키고 두뇌 역할은 따로 떼어놓음으로써 현실적인 타협점을 찾아냈습니다.

다만 비용 계산은 철저해야 합니다. 분당 0.05달러는 순수 음성 처리 요금일 뿐이며, 백엔드에서 Astra 같은 최상위 모델을 호출해 복잡한 추론을 돌릴 경우 전체 청구액은 빠르게 불어날 수 있습니다. 어떤 요청을 백엔드로 넘길지 정교하게 설계하지 않는다면 예상치 못한 비용 부담을 마주할 가능성이 큽니다.