콘텐츠로 이동

파이프라인과 워크플로

VoicePipeline 클래스는 에이전트 워크플로를 음성 앱으로 쉽게 전환할 수 있게 해줍니다. 실행할 워크플로를 전달하면, 파이프라인이 입력 오디오의 음성 인식, 오디오 종료 감지, 적절한 시점에 워크플로 호출, 그리고 워크플로 출력을 다시 오디오로 변환하는 과정을 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. 새 오디오가 전사될 때마다 실행되는 코드인 workflow
  2. 사용될 speech-to-text 및 text-to-speech 모델
  3. 다음과 같은 항목을 구성할 수 있는 config
    • 모델 이름을 실제 모델로 매핑하는 모델 제공자
    • 트레이싱: 트레이싱 비활성화 여부, 오디오 파일 업로드 여부, 워크플로 이름, 트레이스 ID 등
    • TTS 및 STT 모델의 설정: 프롬프트, 언어, 사용되는 데이터 타입 등

파이프라인 실행

파이프라인은 run() 메서드를 통해 실행하며, 오디오 입력을 두 가지 형태로 전달할 수 있습니다:

  1. 전체 오디오 전사가 있을 때 결과만 생성하면 되는 경우 AudioInput 을 사용합니다. 이는 화자가 말을 마쳤는지 감지할 필요가 없는 상황, 예를 들어 사전 녹음된 오디오나 사용자 발화 종료가 명확한 푸시-투-토크 앱에서 유용합니다
  2. 사용자가 말을 마쳤는지 감지해야 할 수 있는 경우 StreamedAudioInput 을 사용합니다. 감지되는 대로 오디오 청크를 푸시할 수 있으며, 음성 파이프라인이 "활동 감지"라는 프로세스를 통해 적절한 시점에 자동으로 에이전트 워크플로를 실행합니다

결과

음성 파이프라인 실행 결과는 StreamedAudioResult 입니다. 이는 발생하는 이벤트를 스트리밍으로 받을 수 있는 객체입니다. 다음과 같은 종류의 VoiceStreamEvent 가 있습니다:

  1. 오디오 청크를 포함하는 VoiceStreamEventAudio
  2. 턴 시작/종료와 같은 라이프사이클 이벤트를 알려주는 VoiceStreamEventLifecycle
  3. 오류 이벤트인 VoiceStreamEventError
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 StreamedAudioInput 에 대해 기본 제공 인터럽션(중단 처리) 기능을 지원하지 않습니다. 대신 감지된 각 턴마다 워크플로의 별도 실행을 트리거합니다. 애플리케이션 내에서 인터럽션을 처리하려면 VoiceStreamEventLifecycle 이벤트를 수신할 수 있습니다. turn_started 는 새 턴이 전사되었고 처리가 시작됨을 나타냅니다. turn_ended 는 해당 턴의 오디오가 모두 전송된 후 트리거됩니다. 모델이 턴을 시작할 때 화자의 마이크를 음소거하고, 해당 턴의 관련 오디오를 모두 내보낸 뒤 음소거를 해제하는 데 이러한 이벤트를 사용할 수 있습니다