음성 아키텍처 선택¶
ADK에서 지원Python v2.13.0Java v0.2.0
ADK는 Runner.run_live() 아래에서 두 가지 음성 아키텍처를 지원합니다:
- 음성 대 음성 (Speech-to-speech): 단일 네이티브 오디오 모델이 Gemini Live API를 통해 음성 입력, 추론, 음성 출력을 엔드투엔드로 처리합니다. 가장 짧은 지연 시간, 음성의 감정 표현, 또는 실시간 비디오 입력이 가장 중요할 때 적합합니다.
- 캐스케이드 (Cascade): 음성-텍스트 변환(STT), 임의의 텍스트 추론 LLM, 텍스트-음성 변환(TTS)을 순차적으로 연결합니다. 최첨단 텍스트 추론, 모듈식 음성 제공업체, 또는 음성 합성 전 텍스트 가드레일이 가장 중요할 때 적합합니다.
두 아키텍처 모두 동일한 ADK 런타임을 사용합니다. 세션 루프, 요청 큐, 이벤트 스트림, 도구, 콜백, 워크플로우는 동일하게 유지되며, 아키텍처를 전환할 때 에이전트의 model만 변경하면 됩니다:
from google.adk.agents import Agent
from google.adk.live import CascadeLive, GeminiSTT, GeminiTTS
root_agent = Agent(
name="voice_assistant",
model=CascadeLive(
model="gemini-3.8-flash",
stt=GeminiSTT(),
tts=GeminiTTS(speech_config="Kore"),
),
instruction="You are a helpful voice assistant.",
tools=[...],
)
아키텍처 비교¶
flowchart LR
subgraph S2S["Speech-to-speech"]
direction LR
U1["User Audio"] --> M1["Native Audio Live Model"] --> A1["Agent Audio"]
end
subgraph CAS["Cascade"]
direction LR
U2["User Audio"] --> STT["Speech-to-Text"] --> LLM["Text LLM"] --> TTS["Text-to-Speech"] --> A2["Agent Audio"]
end
| 항목 | Speech-to-speech | Cascade |
|---|---|---|
| 엔드투엔드 지연 시간 | 가장 낮음 (단일 모델 패스) | 보통 (스트리밍 및 문장 프리페칭을 통해 직렬 단계가 중첩됨) |
| 추론 모델 | 네이티브 오디오 Live 모델만 가능 (지원되는 모델) | 모든 텍스트 LLM (Gemini Flash, Gemini Pro 또는 서드파티 모델) |
| 음성 제공업체 | 내장 Gemini Live 음성 | 모듈식 (Gemini, ElevenLabs 또는 커스텀 STT/TTS 제공업체) |
| 음성 뉘앙스 | 어조와 감정을 직접 인식; 네이티브 운율(prosody) | STT가 음성을 텍스트로 변환; TTS가 문장 단위로 합성 |
| 비디오 입력 | 지원됨 (실시간 카메라 및 화면 프레임) | 지원되지 않음 (오디오 및 텍스트만 가능) |
| 텍스트 가드레일 | 오디오 생성과 함께 트랜스크립션을 검사 | 단계 간 완전한 텍스트 경계; 합성 전에 텍스트를 검사하거나 수정 가능 |
텍스트 전용 실행 (run_async) |
지원되지 않음 | 지원됨 (내부 텍스트 LLM을 직접 사용) |
| SDK 지원 | Python, Java | Python (실험적 기능) |