OpenAI, 'gpt-realtime' 공개 및 Realtime API 정식 출시… 요금 20% 인하

지금까지 음성 AI 에이전트를 만들려면 음성 인식, 언어 모델, 음성 합성을 각각 이어 붙여야 했습니다. 이 때문에 응답이 지연되고 로봇처럼 딱딱한 말투를 벗어나기 어려웠습니다.

OpenAI가 8월 28일 Realtime API의 정식 출시(GA)를 발표하고, 최신 엔드투엔드 음성 모델인 gpt-realtime을 선보였습니다. 기존 프리뷰 모델 대비 가격을 20% 낮추고 기업 전화망 연동 기능까지 기본 탑재했습니다.

끊김 없는 대화와 똑똑해진 도구 호출

gpt-realtime은 음성을 받아 직접 음성으로 출력하는 단일 모델 구조를 채택해, 기존 파이프라인 방식에서 발생하던 지연 시간과 미묘한 억양 손실을 줄였습니다.

새로운 음성인 Cedar와 Marin이 추가되었고, 기존 8개 음성도 품질이 개선되었습니다. 웃음소리 같은 비언어적 표현을 감지하며, 문장 중간에 언어를 자연스럽게 바꾸거나 감정 톤을 세밀하게 조절할 수 있습니다.

추론 능력을 측정하는 Big Bench Audio 평가에서는 전작의 65.6%에서 82.8%로 점수가 크게 올랐습니다. 한국어, 일본어, 중국어 등 다양한 언어 환경에서 전화번호나 차량식별번호 같은 연속된 영숫자를 인식하는 정확도도 크게 향상되었습니다.

특히 비동기 함수 호출 지원이 돋보입니다. 외부 데이터베이스를 조회하는 등 시간이 걸리는 작업을 처리할 때도 AI가 침묵하지 않고 자연스럽게 대화를 이어가며 결과를 기다릴 수 있습니다.

전화망 직결과 화면 스크린샷 지원

기업 시스템과의 연결성도 크게 넓어졌습니다.

Realtime API는 이제 SIP(세션 개시 프로토콜)를 직접 지원합니다. 복잡한 음성 게이트웨이를 따로 구축하지 않아도 기업 PBX 교환기나 일반 유선 전화망에 AI 에이전트를 바로 붙일 수 있습니다.

원격 MCP(Model Context Protocol) 지원도 추가되어, 서버 URL만 입력하면 복잡한 코딩 없이 다양한 내부 도구를 음성 모델에 연결할 수 있습니다.

시각 기능도 보강되었습니다. 고비용의 실시간 비디오 스트리밍 대신 필요한 순간에만 사진이나 스크린샷을 대화에 주입하는 방식을 택해, 사용자가 보고 있는 화면을 바탕으로 음성 문답을 나눌 수 있습니다.

비용 역시 gpt-4o-realtime-preview 대비 20% 저렴해졌습니다. 음성 입력은 100만 토큰당 32달러(캐시 입력 0.40달러), 음성 출력은 64달러로 책정되었습니다.

왜 중요한가

고객 지원 센터나 음성 비서 서비스를 준비하는 개발팀에게는 본격적인 상용화의 신호탄입니다. SIP 전화망 연동과 MCP 표준 지원이 한 번에 해결되면서, 기존 콜센터 인프라와 기업 내부 API를 연동한 AI 전화 상담원을 단 며칠 만에 배포할 수 있는 환경이 열렸습니다.

업계 전반으로 보면 OpenAI가 통신 미들웨어 영역까지 직접 손을 뻗친 모양새입니다. 단순히 STT와 TTS를 결합해 중계 서비스만 제공하던 음성 스타트업들은 상당한 타격을 입을 수밖에 없습니다.

실시간 영상 스트림 대신 스크린샷 단건 입력을 택한 점은 통신 비용과 인프라 부하를 현실적인 수준으로 묶어둔 현명한 선택으로 보입니다. 다만 지시 수행 능력을 평가하는 MultiChallenge 점수가 30.5%로 전작보다 올랐음에도 여전히 절대 수치는 낮기 때문에, 한 글자도 틀려서는 안 되는 금융 약관 고지 등 고위험 업무에 투입할 때는 여전히 꼼꼼한 안전장치가 필요합니다.