콘텐츠로 이동

파이프라인과 워크플로

VoicePipeline은 에이전트 워크플로를 음성 앱으로 쉽게 전환할 수 있게 해주는 클래스입니다. 실행할 워크플로를 전달하면, 파이프라인이 입력 오디오의 음성 인식, 오디오 종료 시점 감지, 적절한 시점에 워크플로 호출, 워크플로 출력을 다시 오디오로 변환하는 작업을 처리합니다.

graph LR
    %% Input
    A["🎤 Audio Input"]

    %% Voice Pipeline
    subgraph Voice_Pipeline [Voice Pipeline]
        direction TB
        B["Transcribe (speech-to-text)"]
        C["Your Code"]:::highlight
        D["Text-to-speech"]
        B --> C --> D
    end

    %% Output
    E["🎧 Audio Output"]

    %% Flow
    A --> Voice_Pipeline
    Voice_Pipeline --> E

    %% Custom styling
    classDef highlight fill:#ffcc66,stroke:#333,stroke-width:1px,font-weight:700;

파이프라인 구성

파이프라인을 생성할 때 다음을 설정할 수 있습니다:

  1. workflow: 새 오디오가 음성 인식될 때마다 실행되는 코드
  2. 사용되는 speech-to-text 및 text-to-speech 모델
  3. config: 다음과 같은 항목을 구성
    • 모델 공급자(모델 이름을 모델에 매핑)
    • 트레이싱(트레이싱 비활성화 여부, 오디오 파일 업로드 여부, 워크플로 이름, trace IDs 등)
    • TTS 및 STT 모델에 대한 설정(프롬프트, 언어, 사용되는 데이터 타입 등)

파이프라인 실행

run() 메서드를 통해 파이프라인을 실행할 수 있으며, 두 가지 형태의 오디오 입력을 전달할 수 있습니다:

  1. AudioInput: 전체 오디오 전사를 가지고 있고 그에 대한 결과만 생성하면 될 때 사용합니다. 이는 화자가 말을 마치는 시점을 감지할 필요가 없는 경우(예: 사전 녹음된 오디오, 사용자가 말하기를 마치는 시점이 명확한 푸시‑투‑토크 앱) 유용합니다
  2. StreamedAudioInput: 사용자가 말을 마치는 시점을 감지해야 할 수 있을 때 사용합니다. 감지되는 대로 오디오 청크를 푸시할 수 있으며, 음성 파이프라인은 "activity detection(활동 감지)"이라고 하는 프로세스를 통해 적절한 시점에 에이전트 워크플로를 자동으로 실행합니다

결과

음성 파이프라인 실행 결과는 StreamedAudioResult입니다. 이는 발생하는 이벤트를 스트리밍할 수 있는 객체입니다. 다음과 같은 여러 종류의 VoiceStreamEvent가 있습니다:

  1. VoiceStreamEventAudio: 오디오 청크를 포함
  2. VoiceStreamEventLifecycle: 턴 시작/종료 같은 라이프사이클 이벤트를 알림
  3. VoiceStreamEventError: 오류 이벤트
result = await pipeline.run(input)

async for event in result.stream():
    if event.type == "voice_stream_event_audio":
        # play audio
    elif event.type == "voice_stream_event_lifecycle":
        # lifecycle
    elif event.type == "voice_stream_event_error"
        # error
    ...

모범 사례

인터럽션(중단 처리)

Agents SDK 는 현재 StreamedAudioInput에 대한 내장 인터럽션 지원을 제공하지 않습니다. 대신 감지된 각 턴마다 워크플로의 별도 실행을 트리거합니다. 애플리케이션 내부에서 인터럽션을 처리하려면 VoiceStreamEventLifecycle 이벤트를 수신하면 됩니다. turn_started는 새 턴이 전사되어 처리가 시작되었음을 나타냅니다. turn_ended는 해당 턴에 대한 모든 오디오가 전송된 후에 트리거됩니다. 모델이 턴을 시작할 때 화자의 마이크를 음소거하고, 해당 턴의 관련 오디오를 모두 전송한 후 음소거를 해제하는 데 이러한 이벤트를 사용할 수 있습니다.