ElevenLabs와 Cartesia: 실시간 TTS의 인터페이스, 끼어들기 처리, 문자 수 예산을 고르는 기준
ElevenLabs 음성 자산이 있는 팀은 v4 Turbo의 TTD 연동을 확인하고, 실시간 음성 앱을 처음부터 만든다면 Cartesia의 context 관리를 먼저 평가할 만하다. 같은 텍스트로 끼어들기와 재생을 검증한 뒤 문자 수와 피크 동시 요청 수로 예산을 계산하자.
고객 지원 도우미가 답변을 생성하면서 사용자에게 읽어 줄 때 가장 어려운 순간은 사용자가 갑자기 말을 끊고 들어올 때다. 이전 답변은 멈추고 새 답변은 자연스럽게 이어져야 한다. ElevenLabs와 Cartesia는 모두 텍스트 음성 변환(TTS) 계층을 맡을 수 있다. ElevenLabs 음성 자산을 이미 보유하고 v4 Turbo를 쓰려는 팀은 먼저 Text to Dialogue 프로토콜 연동 비용을 확인해야 한다. 단일 음색의 실시간 앱을 처음부터 만들면서 context 단위로 생성과 취소를 관리하려는 팀은 Cartesia부터 평가할 수 있다. 선택 기준은 실제 음성, 인터페이스, 청구액이어야 하며, 공식 사이트에 나온 가장 작은 지연 시간 숫자가 되어서는 안 된다.
먼저 텍스트가 완성되었는지 확인하자
주문 관련 질문에 답하는 음성 도우미를 예로 들면, 대규모 언어 모델이 텍스트를 차례로 반환하고 TTS가 오디오를 출력하며 플레이어가 재생한다. 여기서는 같은 실시간 음성 처리 흐름의 합성 인터페이스를 비교하며, 전화, 음성 인식, 대규모 언어 모델, 전체 Agents 플랫폼은 포함하지 않는다. 답변 생성이 이미 끝났다면 HTTP 오디오 스트리밍부터 평가할 만하다. 텍스트를 계속 추가해야 할 때 WebSocket의 입력 버퍼링과 종료 신호를 중점적으로 비교하면 된다. 오디오를 스트리밍으로 반환할 수 있다고 해서 텍스트도 계속 추가할 수 있는 것은 아니다.
2026년 11월 10일까지 확인한 ElevenLabs의 프로토콜 비교는 두 경로를 명확히 구분한다. /v1/text-to-speech/{voice_id}/stream-input은 Flash 등 지원되는 TTS 모델용이고, v4와 v4 Turbo는 /v1/text-to-dialogue/stream-input을 사용한다. 후자는 먼저 음성을 등록한 뒤 text와 voice_id가 포함된 inputs를 전송한다. 따라서 기존 Flash 연동의 모델명만 eleven_v4_turbo로 바꾸는 것으로는 부족하다. v4 Turbo에는 음성 하나만 등록할 수 있으므로 인터페이스 이름이 Dialogue라고 해서 여러 역할이 대화하는 구조로 설계해서도 안 된다.
Cartesia의 현재 모델 설명에는 Sonic 3.6이 나와 있다. WebSocket은 transcript, context_id, 출력 형식 등의 필드를 사용하며 context가 포함된 오디오 청크를 반환한다. 검증 후 업그레이드해야 하는 팀은 sonic-3.6-2026-08-27과 같은 날짜별 스냅샷을 사용할 수 있다. sonic-3.6은 최신 안정 스냅샷에 맞춰 업데이트된다. 모델 버전을 고정해야 음성 변화가 새 스크립트 때문인지 모델 업그레이드 때문인지 판단할 수 있다.
문장이 끝나기 전에 언제 말하기를 시작할까
ElevenLabs의 TTS 경로는 청크 길이 스케줄링을 제공한다. TTD 경로에는 서버 측 버퍼링이 있으며 flush로 출력을 유도할 수 있다. Cartesia의 수동 flush는 같은 context 안에서 텍스트와 오디오의 대응 경계를 나눌 수 있고, 관련 오디오에는 flush_id가 붙는다. 문서의 요청 조합은 빈 transcript, 동일한 context, continue=True, flush=True를 포함한다. 이 표시들의 의미가 다르므로 SDK 이름만 바꿔 마이그레이션하는 것은 적절하지 않다.
예를 들어 주문 번호가 완성되기 전에 강제로 출력하면 번호가 중간에 끊겨 알아듣기 어려워질 수 있다. 반대로 전체 답변을 기다리면 사용자는 침묵이 너무 길다고 느낄 수 있다. 완결된 짧은 문장, 긴 번호, 중간에 말을 고치는 상황이라는 세 묶음의 동일한 텍스트를 사용해 텍스트가 처음 준비된 시각, 첫 오디오 청크가 도착한 시각, 실제 재생이 시작된 시각을 기록하고 중앙값과 느린 요청을 비교해야 한다. 이 글은 동일한 네트워크와 음성 조건에서 테스트하지 않았으므로 어느 쪽의 실제 응답이 더 빠른지 판정하지 않는다. 공급업체가 제시하는 모델 지연 시간도 사용자가 소리를 듣기까지 기다리는 전체 시간으로 바로 볼 수 없다.
사용자가 끼어들면 Cartesia는 context_id가 포함된 cancel 요청을 제공한다. ElevenLabs의 TTS 다중 context 가이드는 이전 context를 닫고 새 context를 생성하는 방식으로 끼어들기를 처리한다. v4 Turbo를 사용할 때는 해당 TTD 변형을 확인해야 하며 Flash 예제를 그대로 옮기면 안 된다. 두 구현 모두 앱에서 이전 텍스트 전송을 멈추고, 로컬 재생 대기 오디오를 비우며, 늦게 도착한 이전 context 데이터를 버려야 한다. 서버 측 생성을 취소해도 플레이어 대기열에 이미 들어간 오디오는 자동으로 회수되지 않는다.
문자 수로 예산을 잡고 피크 동시 요청 수를 확인하자
먼저 월 1,000회 답변하고 매번 과금 대상 문자 500개를 제출해 총 500,000자가 된다고 가정하자. 재시도와 끼어들기 후 재생성은 일단 제외한다. ElevenLabs API 요금표에는 v4 Turbo가 1,000자당 0.04달러, v4가 0.08달러로 나와 있다. 이 단가에 따른 사용료 추산은 각각 20달러와 40달러다. 공개 단가로 환산한 금액이며 모든 계정 조건을 포함한 최종 청구액은 아니다.
Cartesia 요금 페이지는 Sonic에 문자당 1 credit을 적용한다. Pro는 월 5달러에 100,000 credits를 포함하며, 초과 사용을 활성화하면 추가 100만 credits당 65달러가 부과된다. 같은 가정에서는 5 + 0.4 × 65 = 31달러다. Startup은 월 49달러에 125만 credits를 포함하지만 제공량이 많다는 이유만으로 업그레이드해서는 안 된다. TTS 동시 요청 수가 Pro는 3개, Startup은 5개여서 피크 수요가 먼저 요금제를 결정할 수 있다. 이 계산 예시는 전체적인 가성비를 평가하지 않으며 Agents 잔액을 TTS 사용량으로 계산하지도 않았다.
실제 예산에는 재시도, 원고 수정, 끼어들기 후 다시 제출하는 텍스트를 더하고, 취소 요청의 과금 방식을 청구서로 확인해야 한다. 인식이나 전화 서비스도 함께 쓴다면 별도로 계산한다. 분당 텍스트 밀도는 언어, 말하기 속도, 쉼에 따라 달라지므로 두 업체의 ‘약 몇 분’을 같은 작업량으로 볼 수 없다. 제공량이 충분해도 피크 시간의 생성 요청이 대기하거나 실패하지 않는다는 뜻은 아니다.
선택한 음성을 해당 업무에 쓸 수 있는지 먼저 확인하자
ElevenLabs의 상업적 이용 설명은 상업적 이용 권한을 유료 요금제 및 입력 콘텐츠에 대한 권리와 연결한다. 음성 관리 설명은 음성 복제에 허가를 요구하며, Professional Voice Cloning은 사용자 자신의 음성을 대상으로 한다. Cartesia의 Pro 요금제에는 상업적 이용 라이선스가 명시되어 있고, 허용되는 이용 정책은 본인의 녹음 또는 명시적 동의를 얻은 타인의 녹음만 제출하도록 요구한다. 요금제 구매가 화자의 허락을 대신하지는 않는다. 회사가 직원의 녹음 파일을 보유하고 있다고 해서 그 음성을 장기간 고객 지원에 쓸 수 있다고 추정해서도 안 된다.
마지막으로, 허가받은 동일한 업무 텍스트를 두 서비스가 읽게 한 뒤 대상 언어의 번호 읽기, 문장 연결, 끼어들기 후 재생 중지 효과를 비교해야 한다. 적합한 ElevenLabs 음성이 이미 있고 TTD 프로토콜에 맞출 의향이 있다면 v4 Turbo부터 시험하자. 명확한 context 취소, 모델 스냅샷, 소규모 문자 예산을 더 중시한다면 Cartesia부터 시험하자. 재생 대기열, 끼어들기 처리, 과금 모니터링을 맡을 사람이 아직 없다면 TTS 공급업체를 바꿔도 이 업무는 해결되지 않는다.
콘텐츠 안내:이 글은 공개 자료를 바탕으로 정리한 도구 선택 참고 자료입니다. 제품 기능, 가격 및 관련 정책은 수시로 변경될 수 있으니 최신 공식 정보를 확인해 주세요.
원문 출처:elevenlabs.io