음성 에이전트 API 비용: 10분 통화에 $0.04~$0.57

10분 동안 음성 에이전트와 대화할 때 드는 API 비용은 $0.04에서 $0.57 사이다. 이 차이는 거의 전적으로 두 가지 선택에서 나온다. 스택을 직접 조합할지 음성 간 직접 변환 API를 쓸지, 그리고 어떤 text-to-speech 등급을 고를지다. 하나의 gateway에서 한 번에 모든 구간을 측정했다. 오디오 분당 과금되는 speech-to-text 모델 3개, 실제 합성한 오디오 분량으로 환산한 text-to-speech 모델 6개, 두 개의 flash급 모델과 한 개의 frontier 모델로 수행한 8턴 LLM 대화, 그리고 각 lane별로 과금되는 실시간 GPT Realtime 세션을 비교했다. 이 글에서는 각 구간을 조합해 아키텍처별 분당 비용을 계산한다.

TL;DR

• Cascade 스택(STT + LLM + TTS)의 대화 1분당 비용은 $0.0037~$0.025다. 측정값 기준 gpt-realtime-2.1은 $0.057이며, mini 모델은 $0.016으로 Cascade 범위 안에 들어온다.
• Flash급 brain을 쓰면 brain보다 mouth 비용이 더 크다. 일반적인 구성에서는 12배 차이가 난다. Frontier brain을 쓰면 이 구조가 뒤집힌다.
• Realtime의 추가 비용은 latency에 대한 대가다. 측정된 음성 입력부터 음성 출력까지의 latency는 1.7-2.1초였고, Cascade 구성은 4.9-7.7초였다.
• 문자당 과금하는 TTS에서는 모든 측정 모델에서 중국어 음성 1분이 영어보다 3~7배 저렴했다.

음성 에이전트는 어떻게 동작하며, 아키텍처가 두 가지인 이유는 무엇인가?

음성 에이전트는 사용자의 말을 귀로 들을 수 있는 답변으로 바꾸는 loop다. 현재 시장의 설계는 두 가지 형태 중 하나다. Cascade는 특화된 API 3개를 순서대로 연결한다. Voice activity detector가 사용자의 발화 종료를 판단하고, speech-to-text가 발화를 텍스트로 변환한다. LLM은 변환된 텍스트와 대화 기록을 바탕으로 답변을 작성하고, text-to-speech가 이를 다시 오디오로 합성한다. 각 구간은 별도로 과금된다. 이 구조 덕분에 Cascade는 저렴하고 구성 요소를 쉽게 교체할 수 있다. STT, brain, voice를 각각 선택하고 세 개의 작은 비용을 지불하면 된다.

음성 간 직접 변환(realtime) 아키텍처는 세 구간 전체를 WebSocket으로 오디오를 직접 입력받고 출력하는 단일 모델로 대체한다. (Synthorai는 이를 native로 지원한다. Gateway가 /v1/realtime에서 WebSocket을 제공하므로 기존 OpenAI Realtime SDK의 endpoint만 바꾸면 그대로 동작한다. 자세한 내용은 Realtime API 문서를 참고하면 된다. 이 글의 모든 realtime 세션도 이 연결을 사용했다.) 주 경로에서 음성을 텍스트로 변환하지 않으므로 모델은 transcript가 아니라 말투와 timing을 직접 듣는다. 대화 기록은 서버 측에 audio token으로 보관되며, 응답할 때마다 모델에 다시 전송된다. 이 설계는 Cascade가 구조적으로 제공할 수 없는 두 가지를 제공한다. 2초 미만의 음성 입력부터 음성 출력까지의 latency, 그리고 사용자가 답변 도중 끼어들면 모델이 이를 직접 듣는 자연스러운 barge-in이다. 과금 구조도 달라진다. 3개의 고정 meter 대신 audio-in과 audio-out 요율을 별도 lane으로 지불하며, 대화 기록이 누적되면서 반복 과금되므로 caching으로 이를 제어해야 한다.

이제 두 구조의 비용을 정확히 계산한다. 먼저 Cascade의 각 구간을 개별 meter로 계산하고, 이어서 realtime loop를 lane별로 계산한다.

음성 에이전트의 분당 비용은 얼마인가?

비교한 6개 구성의 대화 1분당 비용은 $0.0037~$0.057로, 최대 15배 차이가 난다. 아래에서 혼동하지 말아야 할 단위가 두 개 있다. 대화 1분은 실제 통화 시간 1분이다. 오디오 1분은 한쪽에서 실제로 말한 시간 1분이며, STT와 TTS는 이 단위로 과금한다. 모든 구성에 같은 조건을 적용했다. 사용자와 에이전트의 발화 시간은 절반씩 나누고, 분당 4회 주고받으며, 짧은 고객 지원식 발화를 사용했다. Cascade 구간은 측정한 오디오 길이와 token 수를 기준으로 과금했다. Realtime 수치는 실제 8턴 세션에서 측정했다.

양 끝값보다 중요한 지점이 두 군데 있다. Flagship realtime API는 고급형 Cascade보다도 2.3배 비싸다. 이 비용으로 얻는 것은 동급 품질이 아니라 Cascade로 구현할 수 없는 기능이다. 실제 세션에서 약 2초의 음성 입력부터 음성 출력까지의 latency를 기록했고, native barge-in을 지원하며, 오디오가 텍스트로 바뀌지 않아 말투와 속도(prosody)가 유지된다. 반면 mini는 일반형과 고급형 Cascade 사이에 위치한다. 따라서 “Cascade와 realtime”의 가격 비교는 flagship 등급에서만 의미가 있다. Mini 등급에서는 가격보다 latency와 제어 방식이 선택 기준이다.

다른 3개 Cascade가 flash급 brain으로 OpenAI flagship 음성 모델과 비교된다는 점도 보정했다. SOTA brain 구성에는 같은 vendor의 frontier 텍스트 모델인 gpt-5.6을 적용했다. 가격은 100만 token당 입력 $5, 출력 $30이다. 그래도 Cascade 비용은 대화 1분당 $0.0200으로, flagship realtime보다 2.9배 낮다. Frontier 가격의 텍스트 턴도 audio lane보다 비싼 token을 두 자릿수 배 적게 처리하기 때문이다. 품질을 맞추는 brain 비용은 분당 $0.010이지만, 아키텍처 간 비용 차이를 없애지는 못한다.

Cascade에서 비용을 가장 많이 차지하는 구간은 어디인가?

Flash급 모델을 brain으로 쓰는 한 mouth다. 일반형 구성은 대화 1분당 TTS에 $0.0076, LLM에 $0.0006을 쓴다. 12배 차이다. 저가형 구성에서도 말하기 구간은 brain의 3배다. Brain을 gpt-5.6으로 올리면 구조가 뒤집힌다. Exchange당 $0.00274가 들어가며, brain 비용이 분당 $0.0110으로 가장 커진다. 이는 tts-1 말하기 구간의 1.4배다. Flash brain을 쓰는 음성 에이전트는 mouth가 비용을 좌우하고, frontier brain을 쓰면 brain이 비용을 좌우한다. Speech-to-text는 대화 1분당 $0.0010~$0.0030으로 그 사이에 있다. 14개 모델을 비교한 분당 요금을 이번 batch에서 다시 확인한 결과, 오디오 1분당 qwen3-asr-flash는 $0.00198, gpt-4o-mini-transcribe는 $0.00294, whisper-1은 $0.006이었다.

Reasoning이 개입하기 전까지 brain 비용은 거의 무시할 수 있다. 8턴 고객 지원 대화에서 deepseek-v4-flash-0731은 턴당 입력 약 310 token, 출력 71 token 수준으로 안정화됐고, exchange당 비용은 $0.00016이었다. 같은 대화를 gemini-3.7-flash로 수행하면 exchange당 $0.00126으로 8배 비쌌다. Token 구성을 보면 이유가 드러난다. 두 문장짜리 답변을 만들면서 턴마다 reasoning token을 89~361개 사용했다. Gemini 3.7 Flash는 thinking을 끌 수 없으므로 이를 사용한 음성 에이전트는 모든 exchange에서 reasoning 비용을 낸다. 비활성화가 가능한 모델이라면 단일 단계로 끝나는 음성 턴에서는 꺼도 안전하다.

Text-to-speech의 오디오 분당 비용은 얼마인가?

합성 오디오 1분당 $0.004~$0.034로, 최대 8.4배 차이가 난다. 문자당 표시 가격만 보면 이 차이가 드러나지 않는다. 아래 모델은 모두 입력 문자당 과금된다. 고정된 영어와 중국어 문장을 합성하고, 반환된 오디오의 길이를 측정해 비용을 계산했다.

숨은 변수는 발화 속도다. tts-1-hd와 chirp3-hd의 표시 가격은 모두 $30이지만, chirp3-hd는 같은 영어 문장을 더 빠르고 짧게 말한다. 이 때문에 오디오 분당 비용은 13% 더 비싸다. 표의 가장 아래 가격대에서는 google-tts-standard가 측정된 다른 모든 모델의 절반 미만 비용으로 합성 오디오 1분을 만든다. 표시 가격은 모델의 순서를 정할 뿐이다. 실제 비용은 오디오 분당 요율로 계산해야 한다.

중국어 열의 차이는 예상보다 훨씬 컸다. 중국어 문자 하나가 더 많은 음성 정보를 담으므로, 중국어 음성 1분에는 영어보다 과금 대상 문자가 37배 적게 들어간다. 문자당 과금 방식에서 중국어 음성 에이전트의 말하기 구간은 같은 에이전트의 영어 버전보다 6685% 저렴하다. 여기에 텍스트 측의 언어별 token 차이까지 더해진다.

Realtime API는 언제 비용을 지불할 가치가 있는가?

2초짜리 음성 입력부터 음성 출력까지의 loop와 native interruption 처리가 비용 이상의 가치를 만들 때다. 가격만 보면 flagship은 이번에 구성한 모든 Cascade보다 비싸다. 공식 오디오 환산 방식도 이번 batch에서 정확히 재현됐다. 입력 오디오 30.0초는 300 token으로 과금돼 100 ms당 1 token이었고, 출력 3.7초는 74 token으로 과금돼 50 ms당 1 token이었다. 이는 7월 조사의 측정값과 같다. gpt-realtime-2.1의 표시 가격을 적용하면, 대화 기록을 반복 과금하기 전부터 듣기에 분당 $0.0192, 말하기에 분당 $0.0768이 든다. 긴 세션에서는 이 기록이 누적되며 비용이 복리처럼 늘어난다.

Caching 덕분에 누적 비용은 겉보기만큼 가파르지 않다. 8턴 세션에서 응답당 입력은 72 token에서 643 token까지 늘었지만, 8번째 턴에는 그중 512개가 100만 token당 $0.40인 cache 요율로 처리됐다. 전체 세션에서는 입력 token의 76%가 cache 요율로 과금됐다. 총 측정 비용은 1.31분 exchange에 $0.0752, 대화 1분당 $0.0573이었다. 이 비용의 lane별 구성도 확인할 필요가 있다. Audio out이 66%, 새로운 audio in이 17%, text가 16%였다. 모델이 모든 답변의 텍스트 표현도 출력하고, 이 부분이 텍스트 출력 100만 token당 $24로 과금되기 때문이다. 실질적으로 “음성 간 직접 변환” 비용의 약 6분의 1은 텍스트 모델 비용이다. 같은 측정 token 구성을 mini 요율에 적용하면 $0.0159다. 이 수치가 더 흥미롭다. 고급형 Cascade보다 저렴하면서도 Cascade 아키텍처로는 구현할 수 없는 latency와 barge-in 동작을 유지한다.

나머지 realtime 부담은 token 비용보다 운영 측면에 있다. 세션은 60분이 되면 강제로 종료되고 오디오 기록을 이어서 재개할 수 없다. 따라서 60분을 넘기는 대화는 cache가 없는 상태로 다시 시작한다. 자세한 동작은 7월 조사에서 다룬다.

음성 간 직접 변환은 Cascade보다 얼마나 빠른가?

위 구성에서는 2.3~4.5배 빠르며, Cascade 구성이 복잡해질수록 차이가 커진다. 비용 표와 같은 6개 구성을 사용했고, 막대 하나는 대화 1턴을 나타낸다. 현실적인 조건으로 5초 발화를 입력하고 두 문장 답변을 출력할 때 요청부터 전체 응답 완료까지 측정했다. Cascade 막대는 각 구간을 3회 실행한 중앙값의 합이다.

수치로 보면 Cascade 턴은 저가형 4.9초, 일반형 5.6초, SOTA brain 5.7초, 고급형 7.7초다. 두 음성 간 직접 변환 등급은 같은 범위를 유지했다. gpt-realtime-2.1-mini는 실제 4턴에서 1.6-2.1초, gpt-realtime-2.1은 8턴에서 1.7-2.1초였다.

이 chart를 비용 표와 함께 보면 trade-off가 명확해진다. Cascade에서는 비용과 latency가 반대 방향으로 움직인다. 저가형 구성은 가장 저렴하면서 가장 빠르다. 고급형 구성은 저가형보다 6.8배 비싸면서 2.8초 느리다. 비용이 많이 드는 요소인 오래 숙고하는 brain과 HD voice가 속도도 느리기 때문이다. 음성 간 직접 변환에서는 등급과 관계없이 두 모델 모두 2초대를 유지한다. 따라서 mini는 두 Cascade보다 저렴하면서 4개 Cascade 모두보다 빠르다.

수치에서 세 가지를 더 확인할 수 있다. 첫째, 모든 Cascade에서 LLM이 latency 병목이며, 강제 reasoning은 latency를 거의 두 배로 늘린다. Gemini-3.7-flash는 두 문장 답변을 만들기 위해 4.5초를 고민하지만, deepseek는 2.6초, gpt-5.6은 2.7초다. Token 비용을 8배 높인 reasoning 비용이 고급형 구성의 속도도 꼴찌로 만든다. 둘째, 각 구간에서 가장 빠른 요소만 골라 gpt-4o-mini-transcribe, deepseek, google-tts-standard를 조합해도 최소 4.1초다. Voice activity detector가 발화 종료를 기다리는 시간과 오디오 재생을 더하기 전부터 realtime 범위의 두 배가 넘는다. 셋째, Cascade 행은 순차 실행한 전체 응답 시간이다. 실제 운영 환경에서 LLM 출력을 streaming TTS로 넘기면 가장 큰 두 구간을 겹쳐 실행할 수 있어 차이를 상당히 줄일 수 있다. 하지만 이를 위해서는 직접 구현하고 tuning해야 한다. Realtime API는 첫 WebSocket 세션부터 2초대를 제공한다.

Cascade 턴의 시간은 실제로 어디에 쓰일까? 대부분 콘텐츠 처리 자체가 아니라 세 번의 요청에 들어간다. 순수 network가 차지하는 비중은 작다. API edge까지 warm HTTPS 왕복은 약 0.09초였으므로, 직렬 구간 3개에서 순수 network에 걸리는 시간은 턴당 약 0.3초다. Connection이 cold 상태일 때는 0.2초의 TLS handshake가 추가된다. 가장 큰 부분은 각 요청의 고정 dispatch 비용이다. 가장 빠른 조합의 각 구간을 거의 빈 payload로 다시 실행해 이를 분리 측정했다. LLM은 token 하나만 답해도 2.5초, 0.5초 clip의 음성 인식에도 1.6초, 두 단어 합성에도 0.4초가 걸렸다. 이 최솟값의 합은 4.4초로, 전체 크기 payload에서 측정한 4.1초와 측정 오차 내에서 같다. 즉 Cascade 턴은 거의 전부 요청별 overhead다. 실제 콘텐츠는 거의 무료로 함께 처리된다. 답변 token이 1개에서 70개로 늘거나 clip 길이가 10배가 되어도 마찬가지다. 실무적으로는 양면성이 있다. Cascade 답변을 짧게 만들어도 빨라지지 않는다. 반면 요청을 없애거나 겹쳐 실행하는 방법, 즉 구간 간 streaming과 persistent connection은 실제 비용을 줄인다. Realtime API는 이 논리를 끝까지 밀어붙인 구조다. 하나의 socket을 유지하므로 턴마다 새 요청 cycle을 지불하지 않는다.

FAQ

음성 에이전트를 가장 저렴하게 운영하는 방법은 무엇인가?

듣기에는 qwen3-asr-flash, brain에는 deepseek-v4-flash-0731, 말하기에는 google-tts-standard를 쓰는 저가형 Cascade다. 대화 1분당 $0.0037, 10분 통화에 약 $0.04가 든다. Flagship 음성 간 직접 변환보다 15배 저렴하다. 대신 음성 입력부터 음성 출력까지의 latency와 자연스러운 interruption 처리를 포기해야 한다.

GPT Realtime은 Cascade 스택보다 비싼가?

Flagship은 비싸다. 측정된 gpt-realtime-2.1 비용은 대화 1분당 $0.0573으로, 고급형 Cascade의 2.3배, 저가형의 15배다. Gpt-realtime-2.1-mini는 그렇지 않다. 같은 token 구성을 적용하면 대화 1분당 $0.0159로 일반형과 고급형 Cascade 사이에 위치한다. Mini 등급에서는 가격보다 latency와 제어 방식이 선택 기준이다.

음성 에이전트에서 비용이 가장 많이 드는 부분은 어디인가?

비교한 모든 flash brain Cascade에서는 text-to-speech다. 대화 1분당 비용이 TTS는 $0.002~$0.017, flash LLM은 $0.0006~$0.005였다. 일반형 구성에서는 12배 차이다. Frontier brain을 쓰면 반대로 gpt-5.6이 분당 $0.0110으로 tts-1의 $0.0076보다 비싸진다. TTS 내에서도 모델에 따라 오디오 분당 비용이 8.4배 차이 나며, 측정 항목 중 가장 큰 단일 조정 수단이다.

대화 언어에 따라 비용이 달라지는가?

말하기 구간은 크게 달라진다. 문자당 과금에서는 한 문자가 더 많은 음성 정보를 담기 때문에, 측정한 TTS 모델 6개 모두에서 중국어 음성 1분이 영어보다 3~7배 저렴했다. 이번에 다시 확인한 STT 모델 3개는 두 언어의 요율이 같았다. 텍스트 측 차이는 언어별 tokenizer 차이를 따른다.

2026-08-17에 Synthorai gateway를 통해 모든 구간을 한 batch로 측정했다. TTS 모델 6개에는 고정된 영어와 중국어 문장을 각각 두 번 합성하고, 반환된 파일에서 오디오 길이를 읽었다. STT 모델 3개에는 표준 fixture clip을 사용하고 billing header에서 분당 비용을 계산했다. 두 개의 flash급 모델과 한 개의 frontier 모델로 작성된 8턴 고객 지원 대화를 실행해 턴별 usage를 기록했다. 구간별 latency probe는 5초 발화를 STT에 입력하고, 안정화된 대화 턴을 LLM에 전달한 뒤, 두 문장 답변을 TTS로 처리하는 방식으로 수행했다. 각 구간은 n=3이며 전체 응답 시간을 측정했다. 같은 구간에 1 token 답변, 0.5초 clip, 두 단어 합성을 사용한 최소 payload 최솟값 probe도 수행했고, API edge까지 warm 및 cold 왕복 시간도 측정했다. 실제 GPT Realtime 세션에서는 5초 발화를 사용했다. Flagship은 8턴, mini는 4턴을 실행했으며, response.done usage event에서 lane별 비용을 계산했다. Mini 비용은 flagship 세션에서 측정한 token 구성을 mini 표시 요율에 적용해 산출했고, mini latency 범위는 자체 세션에서 측정했다. Cascade 조합은 발화 시간을 절반씩 나누고 분당 4회 exchange한다고 가정했다. 요율은 측정 당시 model catalog의 표시 가격이다. seed-tts-2.0은 onboarding됐지만 안정적인 측정값을 확보할 때까지 제외했다. 가격과 발화 속도는 바뀔 수 있으므로 아키텍처를 확정하기 전에 다시 측정해야 한다.

같은 시리즈의 관련 글: 14개 모델의 음성 인식 가격, GPT Realtime 과금 방식, 이미지 입력 token 비용, 동영상 생성 가격.

← 블로그로 돌아가기