Text to Speech API 통합 가이드

ElevenLabs의 Text to Speech API를 통합할 때는 전송 모드, 모델 및 출력 형식 선택, 스트리밍 방식, 동시성 제한 관리, 캐싱 및 재시도 전략을 고려해야 한다.

API는 용도에 따라 세 가지 방식으로 호출할 수 있다:

• Batch (convert): 요청 한 번에 오디오 전체를 받는 방식으로, 구현이 가장 간단하지만 첫 오디오가 나올 때까지의 대기 시간(Time-to-first-audio)이 가장 길다. 오디오북 제작 등 오프라인 렌더링에 적합하다.
• HTTP streaming (stream): 응답을 청크(chunk) 단위로 나누어 전달한다. 구현이 쉽고 체감 대기 시간이 짧아 웹이나 앱의 일반적인 재생에 적합하다.
• WebSocket (stream-input): 연결을 유지하며 텍스트를 점진적으로 보내고 오디오를 받는 방식이다. LLM의 출력을 실시간으로 음성으로 변환해야 하는 AI 에이전트 구현에 최적화되어 있다.

효율적인 운영을 위해 동시성 제한 직전에 Exponential Backoff와 Full Jitter를 적용한 재시도 로직을 구현하고, 동일한 텍스트에 대해 중복 비용이 발생하지 않도록 출력 파라미터의 해시값을 Cache하는 것이 권장된다.