콘텐츠로 이동

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

root_agent = Agent(
    name="voice_assistant",
    model="gemini-live-2.5-flash-native-audio",
    instruction="You are a helpful voice assistant.",
    tools=[...],
)
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)