음성으로 AI와 실시간으로 대화하는 인터페이스 기술. 단순 명령 인식을 넘어 자연스러운 대화 흐름과 감정 표현까지 가능해지고 있다.
Voice AI는 음성 인식(STT) + 언어 이해(LLM) + 음성 합성(TTS)이 하나의 파이프라인으로 연결된 기술이다. 기존에는 이 세 단계가 순차적으로 실행되어 지연이 컸지만, OpenAI의 GPT-4o 같은 네이티브 멀티모달 모델은 음성 입력을 직접 처리해서 훨씬 낮은 지연으로 응답한다. 끼어들기, 감정 인식, 웃음 반응 같은 자연스러운 대화 요소도 처리할 수 있게 됐다.
OpenAI Realtime API나 ElevenLabs Conversational AI를 쓰면 WebSocket 기반으로 실시간 음성 대화 앱을 구현할 수 있다. 고객 서비스 봇, 언어 학습 앱, 접근성 기능에서 주로 쓰인다. 음성 입력의 끝을 감지하는 VAD(음성 활동 감지)와 지연 관리가 사용자 경험을 결정하는 핵심 기술 요소다.