결과#
| Voice model (how we reached it) | First audio p50 / p90 | First audible speech p50 / p90 | Whole sentence p50 | Phone-line errors (words) | Numbers, email, address right | List price per minute of audio |
|---|---|---|---|---|---|---|
| TTS-2 Flash (Inworld API) | 0.17 s / 0.21 s | 0.18 s / 0.22 s | 0.70 s | 0.3% | 27 of 27 | $0.011 |
| Flash v2.5 (ElevenLabs API) | 0.22 s / 0.24 s | 0.22 s / 0.29 s | 0.33 s | 0% | 27 of 27 | $0.036 |
| Mist v3 (Rime API) | 0.24 s / 0.29 s | 0.24 s / 0.29 s | 0.31 s | 0% | 27 of 27 | $0.030 |
| TTS-2 (Inworld API) | 0.22 s / 0.27 s | 0.28 s / 0.35 s | 1.80 s | 0% | 27 of 27 | $0.018 |
| Lightning v3.1 Pro (Smallest.ai API) | 0.24 s / 0.30 s | 0.30 s / 0.36 s | 0.92 s | 0% | 27 of 27 | $0.017 |
| Sonic 3.6 (Cartesia API) | 0.21 s / 0.24 s | 0.33 s / 0.37 s | 1.20 s | 0% | 27 of 27 | $0.030 on the Startup plan |
| Coda (Rime API) | 0.27 s / 0.33 s | 0.39 s / 0.45 s | 2.00 s | 0.4% | 26 of 27 | $0.050 |
| v4 Turbo (ElevenLabs API) | 0.39 s / 0.51 s | 0.47 s / 0.53 s | 1.82 s | 0% | 27 of 27 | $0.030 |
| Chirp 3 HD (Google Cloud TTS) | 0.21 s / 0.27 s | 0.53 s / 0.72 s | 1.26 s | 0% | 27 of 27 | $0.023 |
| S2.1 Pro, free developer tier (Fish Audio API) | 0.68 s / 0.83 s | 0.68 s / 0.83 s | 5.26 s | 0.1% | 27 of 27 | $0.012 at the paid rate |
| Gemini 3.8 Flash Lite TTS (Google Gemini API) | 0.48 s / 0.53 s | 0.70 s / 0.80 s | 1.82 s | 0% | 27 of 27 | $0.009 |
| Aura-2 (Deepgram API) | 0.55 s / 0.69 s | 0.72 s / 0.93 s | 4.31 s | 0.1% | 27 of 27 | $0.021 |
| gpt-4o-mini-tts (OpenAI API) | 0.63 s / 0.95 s | 0.80 s / 1.29 s | 1.80 s | 2.3% | 27 of 27 | about $0.015 |
| Gemini 3.8 Flash TTS (Google Gemini API) | 0.77 s / 0.85 s | 0.99 s / 1.13 s | 2.78 s | 0% | 27 of 27 | $0.0135 |
| Kokoro-82M, open model (DeepInfra) | 0.63 s / 0.93 s | 1.06 s / 1.36 s | 0.84 s | 0.8% | 27 of 27 | $0.0007 |
| tts-1 (OpenAI API) | 1.25 s / 1.82 s | 1.25 s / 1.82 s | 1.48 s | 1.3% | 24 of 27 | $0.013 |
| Inworld TTS-2 (via DeepInfra) | 2.56 s / 3.43 s | 2.64 s / 3.50 s | 2.94 s | 0% | 27 of 27 | $0.025 on DeepInfra |
| xAI TTS v1 (via fal, no stream) | not streamed | not streamed | 3.54 s | 0% | 27 of 27 | $0.011 |
| MiniMax Speech 2.8 Turbo (via fal, no stream) | not streamed | not streamed | 4.55 s | 0% | 27 of 27 | $0.038 |
조사 결과#
1. 세 가지 음성이 약 0.2초 만에 말을 시작합니다#
Inworld TTS-2 Flash, ElevenLabs Flash v2.5, Rime Mist v3는 모두 첫 번째로 들리는 단어가 중앙값 기준 0.18~0.24초에, 90번째 백분위수 기준 0.3초 미만에 나왔으며, 어느 것도 클립을 무음으로 시작하지 않았습니다. 새로운 음성은 첫 번째 배치로부터 약 4시간 뒤에 실행되었으므로, 가장 빠른 7개 음성을 함께 모아 다섯 문장 전체를 한 라운드 더 번갈아 실행했습니다. 상위 3개 내의 순서는 바뀌었고(Inworld TTS-2 Flash 0.19초, Rime Mist v3 0.20초, ElevenLabs Flash v2.5 0.25초), 그 아래는 순위가 그대로였습니다. Inworld TTS-2 0.30초, Cartesia 0.35초, Google Chirp 3 HD 0.53초, Gemini 3.8 Flash Lite 0.65초입니다. 상위 3개는 속도 면에서 동률로 보고, 가격, 음성, 기능을 기준으로 선택하시기 바랍니다.
2. 첫 오디오와 첫 단어는 같지 않습니다#
첫 오디오 바이트까지의 시간이 일반적인 지연 시간 지표이지만, 여러 모델은 클립을 무음으로 시작합니다. Google의 Chirp 3 HD는 첫 오디오를 0.21초에 보내 선두 음성들만큼 빨랐지만, 모든 클립을 약 0.27초의 무음으로 시작했기 때문에 통화 상대는 약 0.53초 후에 첫 단어를 듣게 됩니다. Google의 두 Gemini 음성과 Deepgram Aura-2도 약 0.26초의 무음으로 시작하고, Cartesia는 약 0.14초, Kokoro는 약 0.43초입니다. 각 클립에서 이 무음(-40 dB보다 조용한 구간)을 측정해 더했으며, 이것이 "첫 가청 음성" 열입니다.
음성 에이전트에서 음성은 차례로 실행되는 세 단계 중 마지막 단계입니다. speech-to-text 모델이 상대방이 말을 마쳤다고 판단하고, 언어 모델이 응답을 시작한 뒤, 음성이 말하기 시작합니다. 여기서 0.1초가 늘어날 때마다 회선에는 0.1초의 침묵이 더해집니다.
3. 숫자와 이메일은 대부분 전화 회선을 거쳐도 유지됩니다#
저가 음성과 8 kHz 오디오에서는 숫자와 이메일 주소가 깨질 것으로 예상했지만, 대부분 그렇지 않았습니다. 모든 모델이 "415-867-5309"를 두 평가 모델 모두 정확히 받아 적은 전화번호로 읽었고, 모든 모델이 "dana.kowalski@gmail.com"을 철자를 하나씩 불러 주는 주소로 읽었으며, 모든 모델이 "$249.99", "March 14th", "3:15 PM"을 세 번의 실행 모두에서 정확히 전달했습니다. 이를 위해 SSML이나 수정된 프롬프트가 필요한 모델은 없었습니다. 개발자에게는 좋은 소식이지만, 이는 작은 테스트이기도 합니다. 전화번호 하나, 이메일 하나, 주소 하나를 흔한 이름으로 영어로 테스트했을 뿐입니다.
4. 자체 템플릿에서 확인해 볼 만한 OpenAI 결과 두 가지#
tts-1이 번지수를 잘못 읽었습니다. 세 번의 실행 모두에서 두 평가 모델이 "1428 Elm Street"를 "Fort 128" 또는 "128 Elm Street"로 들었고, 전체 품질 오디오로 한 세 번째 확인에서도 같게 들렸습니다. 원인은 전화 회선이 아니었습니다. 주소에 tts-1을 사용한다면 번지수를 단어로 풀어 쓰거나, 먼저 서식을 테스트해 보십시오.
gpt-4o-mini-tts가 한 문장을 빠뜨렸습니다. "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?"라는 문장에서, 세 번의 실행 모두 이메일 뒤에서 오디오가 끝났습니다. 두 평가 모델과, 클립의 마지막 3초에 대한 OpenAI의 gpt-transcribe 모두 이메일이 천천히 읽힌 뒤 아무것도 들리지 않는다고 판단했습니다. 마지막 질문은 복창을 확인으로 바꿔 주는 부분이므로, 통화 상대가 알아차릴 만한 누락입니다. gpt-4o-mini-tts는 스타일 지시를 받는 조정 가능한 모델이지만, 우리는 지시를 보내지 않았습니다. 다섯 문장 중 한 문장에서 세 번 중 세 번 발생했습니다.
그 밖의 작은 차이로는, Kokoro(3회 중 3회), Inworld TTS-2 Flash와 Rime Coda(각 3회 중 1회)가 텍스트의 "your email as" 대신 "your email is"라고 말했고, 한 평가 모델은 Deepgram Aura-2가 한 번 "your" 대신 "their"라고 말한 것으로 들었습니다. 어느 것도 의미를 바꾸지 않습니다.
5. 리셀러를 거친 동일 모델은 열 배 느릴 수 있습니다#
Inworld TTS-2는 자체 API로는 0.28초에 말하기 시작했습니다. 같은 모델을 DeepInfra를 통해 사용하면 2.64초가 걸렸는데, DeepInfra의 엔드포인트가 클립 전체를 만든 뒤에 전송하는 것으로 보이기 때문입니다. 또한 DeepInfra는 100만 자당 $35를 청구하는 반면 Inworld 자체 가격은 $25입니다. fal.ai를 통해서만 접근한 MiniMax와 xAI는 완성된 파일을 반환하므로 "문장 전체" 시간만 있으며(fal의 대기열 포함 3.5~4.6초), 두 모델 모두 자체 API에서는 스트리밍하지만 우리는 테스트하지 않았습니다.
전화 업무별 적합한 음성#
- 실시간 음성 에이전트(발신자가 AI와 실시간으로 대화): 지연 시간이 우선입니다. Inworld TTS-2 Flash, ElevenLabs Flash v2.5, Rime Mist v3는 모두 약 0.2초에 말하기 시작했고, 세 모델 모두 8 kHz mu-law를 직접 반환하므로 오디오를 전화 통화에 올리기 전에 변환할 필요가 없습니다. 가격 면에서 Inworld TTS-2 Flash(분당 $0.011)는 Rime Mist v3($0.030)와 ElevenLabs Flash v2.5($0.036)의 약 3분의 1입니다. 그다음 단계는 Inworld의 TTS-2(0.28초, $0.018), Smallest.ai Lightning v3.1 Pro(0.30초, $0.017), Cartesia Sonic 3.6(0.33초, Startup 플랜 기준 $0.030)입니다. 음성을 함께 제공하는 플랫폼은 best AI voice agent platforms에서 비교합니다.stork.ai
- IVR 메뉴와 접수 안내 멘트: IVR이 말하는 내용 대부분은 고정되어 있으므로(인사말, 메뉴 옵션, 영업시간) 한 번 렌더링해 오디오를 재사용하십시오. 그러면 지연 시간은 이름, 숫자, 날짜 같은 동적 부분에서만 중요합니다. 이 경우 속도보다 분당 가격이 더 중요합니다. Google Cloud의 Chirp 3 HD는 월 100만 자(1M characters)를 무료로 포함하며(우리 기준으로 약 22시간 분량의 음성) mu-law를 기본으로 출력합니다. Gemini 3.8 Flash Lite TTS(분당 $0.009)와 DeepInfra의 Kokoro(분당 $0.0007, 또는 Apache 2.0 라이선스에 따라 자체 서버에서는 무료)가 테스트한 유료 음성 중 가장 저렴했습니다. 어느 쪽이든 자체 복창 템플릿을 확인하십시오. 테스트한 19개 모델 중 하나는 평범한 번지수를 잘못 읽었습니다.
- 대량 아웃바운드 통화: 분당 가격이 비용을 좌우합니다. 정가 기준으로 측정한 가장 저렴한 음성은 DeepInfra의 Kokoro, Gemini 3.8 Flash Lite($0.009), Inworld TTS-2 Flash와 xAI($0.011), tts-1($0.013), Gemini 3.8 Flash($0.0135)였습니다. 아웃바운드 통화 1분에서 음성이 차지하는 비중은 통신 요금과 언어 모델에 비하면 작습니다. 통신사 비용은 Twilio alternatives for AI voice agents를 참조하십시오. AI 음성을 사용한 아웃바운드 통화에는 어떤 음성 모델도 대신 해결해 주지 않는 동의 관련 규정도 있습니다.stork.ai
분당 가격: 테스트한 모델과 테스트하지 않은 모델#
가격은 각 벤더의 자체 페이지에서 2026년 11월 12일에 확인했습니다. 글자당 가격은 분당 약 740자로 환산했으며, 이는 테스트한 음성의 말하기 속도 중앙값입니다(분당 631자에서 911자까지 분포했으므로, 글자당 가격이 같다면 빠른 음성이 느린 음성보다 오디오 분당 비용이 더 높습니다). 기본 전화 형식이란 API가 8 kHz mu-law(G.711)를 직접 반환할 수 있어, 오디오를 통화에 올리기 전에 변환할 필요가 없다는 뜻입니다.
| Voice API | Published price | About per minute | Native 8 kHz mu-law | Tested here |
|---|---|---|---|---|
| Inworld TTS-2 Flash / TTS-2 | $15 / $25 per 1M chars on demand; lower on plans | $0.011 / $0.018 (measured) | yes (MULAW) | yes, direct and TTS-2 via DeepInfra |
| ElevenLabs Flash v2.5 / v4 Turbo | $0.04 per 1K chars | $0.036 / $0.030 (measured) | yes (ulaw_8000) | yes |
| Rime Mist v3 / Coda | $0.030 / $0.050 per minute (Flex) | $0.030 / $0.050 | yes (audio/x-mulaw, both models in our test) | yes |
| Cartesia Sonic 3.6 | plans only: $49/mo for 1.25M credits, $299/mo for 8M (1 credit per char); overage $45 / $38 per 1M | $0.030 (measured, Startup rate) | yes (pcm_mulaw) | yes |
| Google Cloud TTS Chirp 3 HD | $30 per 1M chars, first 1M a month free | $0.023 (measured) | yes (MULAW, also in streaming) | yes |
| Deepgram Aura-2 / Flux TTS | $0.030 / $0.045 per 1K chars | $0.021 (measured) / $0.033 | yes (mulaw) | Aura-2 yes, Flux TTS no |
| Smallest.ai Lightning v3.1 Pro | $0.195 per 10K chars | $0.017 (measured) | yes (ulaw) | yes |
| Fish Audio S2.1 Pro / Drama 3 | $15 per 1M UTF-8 bytes / $50 ($10 promo to Nov 30) | $0.012 (measured) / about $0.037 | no (pcm at 8 or 16 kHz) | S2.1 Pro on the free developer tier; Drama 3 no (no API credit) |
| Google Gemini API 3.8 Flash Lite TTS / Flash TTS | $6 / $9 per 1M audio tokens to Dec 31, 2026, then $12 / $18 | $0.009 / $0.0135 | only on the Interactions API; generateContent returns 24 kHz PCM | yes |
| OpenAI gpt-4o-mini-tts / tts-1 | $12 per 1M audio tokens / $15 per 1M chars | about $0.015 / $0.013 | no (24 kHz PCM is the lowest) | yes |
| DeepInfra Inworld TTS-2 / Kokoro-82M | $35 / $0.99 per 1M chars | $0.025 / $0.0007 | no (wav, pcm with sample rate) | yes |
| xAI TTS | $15 per 1M chars (same on fal) | $0.011 | yes | via fal, not streamed |
| MiniMax Speech 2.8 Turbo | $60 per 1M chars (same on fal) | $0.038 | yes (pcmu) | via fal, not streamed |
| Azure AI Speech Neural / Neural HD | $15 / $22 per 1M chars | $0.011 / $0.016 | yes | no key |
| Amazon Polly Standard / Neural / Generative | $4 / $16 / $30 per 1M chars | $0.003 / $0.012 / $0.022 | yes (mulaw) | no key |
| Murf Falcon | $0.01 per minute | $0.010 | yes (ULAW) | no key |
| Speechify Simba 3.5 | $10 to $15 per 1M chars by plan (promo to Nov 21) | $0.007 to $0.011 | yes (ulaw_8000) | no key |
서비스가 종료되는 음성을 대체하려면 Hume AI alternatives와 PlayHT alternatives를 참조하십시오.
이 글이 마음에 드셨나요? 매일 아침 이런 글을 메일로 받아보세요.
하루 한 통 · 두 번의 클릭으로 구독 취소 · 제3자 추적 없음
각 모델의 약점 하나씩#
- Inworld TTS-2 Flash: 자연어 음성 조정을 지원하지 않으며, Inworld는 이 기능을 TTS-2에 한정하고 있습니다(모델 문서). Stork는 Inworld 가입에 대해 수수료를 받으므로 우리의 호평은 이 점을 감안해 판단하십시오. 수치는 모든 벤더에 동일한 방식으로 측정했습니다.
- ElevenLabs Flash v2.5: 가장 빠른 세 음성 중 가장 비싸며, 정가 기준 분당 Inworld TTS-2 Flash의 약 3배, Gemini 3.8 Flash Lite의 4배입니다. 또한 대부분의 음성보다 빠르게 말하므로 같은 텍스트가 더 적은 분량이 되지만, 분당 비용은 더 높습니다.
- Rime Mist v3: 오디오 분 단위로 과금되며, $0.030으로 Inworld TTS-2 Flash의 거의 세 배입니다.
- Inworld TTS-2: 한 문장을 끝내는 데 1.8초가 걸려 TTS-2 Flash의 0.7초보다 느렸고, 리셀러(DeepInfra)를 거치면 시작이 열 배 느렸습니다.
- Smallest.ai Lightning v3.1 Pro: 가장 빠른 세 음성보다 한 단계 뒤처지며(첫 단어까지 0.30초) 분당 가격이 Inworld TTS-2 Flash보다 약 50% 높습니다($0.017 대 $0.011).
- Fish Audio S2.1 Pro: mu-law 출력이 없고, 첫 단어까지 0.68초가 걸렸으며, 직접 접근한 음성 중 문장을 끝내는 데 가장 느렸습니다(중앙값 5.3초). 계정에 유료 API 크레딧이 없어 무료 개발자 등급만 테스트할 수 있었으며, 유료 등급은 대기 방식이 다를 수 있습니다.
- Cartesia Sonic 3.6: 단순 종량제 요금은 없으며, 월 정액 플랜을 구매해야 하고 초과 사용은 기본적으로 꺼져 있습니다. 또한 각 클립의 시작 부분에 약 0.14초의 무음이 있습니다.
- Rime Coda: 이번 테스트에서 분당 가격이 가장 높은 음성($0.050)이며, tts-1을 제외하면 개체명 오류(3회 실행 중 성(姓) 철자 오류 1건)가 있었던 유일한 음성입니다.
- ElevenLabs v4 Turbo: Flash v2.5와 가격은 같지만 이번 테스트에서는 두 지표 모두 더 느렸습니다. 첫 단어까지 0.47초, 한 문장을 끝내기까지 1.8초가 걸렸습니다.
- Google Cloud Chirp 3 HD: 모든 클립의 시작 부분에 약 0.27초의 무음이 있으며, 스트리밍을 하려면 일반 REST 호출이 아니라 Google의 gRPC 스트리밍 API가 필요합니다.
- Gemini 3.8 Flash Lite TTS: 모든 클립 시작에 약 0.26초의 무음이 있고, 가격이 2027년 1월 1일에 두 배가 되며, 8 kHz mu-law는 Google의 더 새로운 Interactions API에서만 지원됩니다.
- Deepgram Aura-2: 직접 접근한 음성 중 문장을 끝내는 데 가장 느렸고(중앙값 4.3초), 첫 단어까지 0.72초가 걸렸습니다.
- gpt-4o-mini-tts: 세 번의 실행 모두에서 한 문장의 마지막 질문을 빠뜨렸으며, API에 8 kHz 또는 mu-law 출력이 없습니다.
- Gemini 3.8 Flash TTS: 여기서 측정한 모든 항목에서 Flash Lite보다 느리고(첫 단어까지 0.99초, 문장당 2.8초) 분당 가격이 50% 더 비쌉니다.
- Kokoro-82M: 각 클립 앞에 0.43초의 무음이 있고, 프리셋 음성만 제공하며 복제를 지원하지 않고, DeepInfra에서는 전화 형식이 없습니다.
- tts-1: 스트리밍 음성 중 시작이 가장 느리고(1.25초) 모든 실행에서 번지수를 잘못 읽었습니다.
- xAI TTS v1: fal을 통해서는 스트리밍되지 않아 첫 오디오 시간을 측정할 수 없었습니다. 자체 API는 WebSocket으로 스트리밍합니다.
- MiniMax Speech 2.8 Turbo: 테스트에서 분당 가격이 가장 높은 편에 속하며($0.038) fal을 통한 파일 생성이 가장 느렸습니다(4.6초).
테스트 방법#
- 문장: "Thanks for calling Riverside Dental, this is Ava. How can I help you today?"; "I have your number as 415-867-5309 and your email as dana.kowalski@gmail.com. Is that right?"; "Our technician will come to 1428 Elm Street, Apartment 3B, Springfield, Oregon 97477."; "Your total is $249.99, and your next appointment is Tuesday, March 14th at 3:15 PM."; 그리고 지참물과 일정 변경 방법을 안내하는 215자 분량의 문장 하나. 일반 텍스트이며 SSML과 발음 힌트는 사용하지 않았고, 모든 모델에 동일하게 적용했습니다.
- 요청: 요청당 한 문장, 3라운드로 진행했으며, 네트워크 지연이 모든 모델에 똑같이 영향을 주도록 모델을 번갈아 호출했습니다. 연결 설정 시간이 포함되지 않도록 모델별로 점수에 반영하지 않는 워밍업 요청을 먼저 한 번 보냈습니다. 스트리밍 엔드포인트는 도착하는 대로 읽었으며, 첫 오디오 = 요청을 보낸 시점부터 첫 오디오 바이트가 도착할 때까지의 시간입니다. 음성 10개는 첫 번째 배치에서, 7개(Cartesia, Deepgram, Rime 모델 2개, Inworld 직접 연동 모델 2개, Google Cloud)는 약 4시간 뒤에, 2개(Smallest.ai, Fish Audio)는 그 이후에 실행했으며, 모두 2026년 11월 12일에 진행했습니다. 이후 가장 빠른 7개를 교차 검증을 위해 한 라운드로 번갈아 다시 실행했습니다. Google Cloud는 gRPC 스트리밍 API로, 나머지는 HTTPS로 호출했습니다.
- 음성과 포맷: ElevenLabs "Adam", OpenAI "alloy", Google Gemini "Kore", Google Cloud "en-US-Chirp3-HD-Kore", Inworld "Ashley", Cartesia "Jacqueline", Deepgram "Thalia", Rime "astra", Smallest.ai "chelsea", Fish Audio는 인기 있는 영어 커뮤니티 음성 "Sarah"(지연 시간 설정 "low"), Kokoro "af_bella", MiniMax와 xAI는 fal의 기본값을 사용했습니다. 해당 기능을 제공하는 모든 벤더(ElevenLabs, Inworld 직접 연동, Cartesia, Deepgram, Rime, Smallest.ai, Google Cloud)에는 네이티브 8 kHz mu-law를 요청했으며, Fish Audio는 8 kHz PCM을, 나머지는 16~24 kHz 오디오를 전송했습니다.
- 전화 회선: 모든 클립을 300-3,400 Hz로 대역 통과 필터링하고 8 kHz로 리샘플링한 뒤 G.711 mu-law로 인코딩하고 다시 디코딩했으며, 이는 음성 인식 전화 오디오 테스트와 동일한 처리 과정입니다. 이는 소프트웨어로 전화 회선을 시뮬레이션한 것이며, 패킷 손실이 있는 실제 통신사 경로는 아닙니다.
- 평가 모델: 이번 테스트에 음성이 포함되지 않은 벤더의 음성 인식 모델 두 개, Whisper large-v3와 Cohere Transcribe(둘 다 fal 경유)가 전화 회선을 거친 클립 285개 전체를 받아 적었습니다. 채점에는 OpenAI의 Whisper English normaliser를 사용했으며 각 숫자를 개별 단어로 계산하므로 "415-867-5309"와 "four one five..."는 동일하게 채점됩니다. 이메일 주소는 글자 단위로 풀어서 비교합니다. 개체명은 두 평가 모델이 모두 놓친 경우에만 오류로 처리하므로, 한 평가 모델의 실수가 음성의 감점으로 이어지지 않습니다. 위에서 보고한 OpenAI의 두 가지 문제는 세 번째 받아쓰기로 다시 확인했습니다. 원본 품질의 tts-1 오디오에는 Whisper large-v3를, gpt-4o-mini-tts 클립의 마지막 몇 초에는 OpenAI의 gpt-transcribe를 사용했습니다.
- 시작 무음: 각 클립에서 -40 dB보다 큰 첫 소리가 나기 전까지의 시간으로 측정했습니다.
- 가격: 2026년 11월 12일 기준 각 벤더의 자체 페이지에서 가져왔으며, 표에 링크를 걸어 두었습니다. 테스트한 음성의 분당 가격 = 문자 수에 대한 정가(Gemini는 Google이 보고한 오디오 토큰, Rime은 분 단위)를 반환된 오디오 분 수로 나눈 값입니다. Cartesia는 Startup 플랜 요율($49에 1.25M 문자)로 계산했습니다. OpenAI는 스트리밍 요청에서 오디오 토큰 수를 반환하지 않으므로, gpt-4o-mini-tts는 OpenAI 자체 추정치인 분당 $0.015를 사용했습니다.
- 이번 테스트의 비용: 정가 기준 API 호출 비용이 약 $1.70이며(호출별로 기록, Google Cloud 분은 월 무료 한도 안에 들어갈 정도로 적고, Deepgram 분은 선결제 크레딧으로 충당), 여기에 ElevenLabs 플랜 크레딧 수백 개가 추가로 들었습니다. 테스트 하니스는 Stork 저장소의 scripts/bench/tts_phone_bench.py에 있으며, 모든 수치를 확인할 수 있도록 원본 오디오와 전사본을 보관하고 있습니다.
이 테스트로 알 수 없는 것#
- 음성이 어떻게 들리는지. 자연스러움, 따뜻함, 억양은 평가하지 않았습니다. 음성을 선택하기 전에 실제 전화기로 사용할 음성을 들어 보시기 바랍니다.
- 사용자의 위치와 네트워크. 캘리포니아의 클라이언트 한 곳에서 측정했습니다. 절대적인 지연 시간은 서버 위치에 따라 달라지므로, 이 표 안에서 모델끼리 비교하시기 바랍니다.
- WebSocket 스트리밍. 각 벤더의 HTTP 스트리밍 엔드포인트(Google Cloud는 gRPC)를 사용했습니다. 음성 에이전트는 언어 모델이 텍스트를 작성하는 동안 WebSocket으로 텍스트를 전달하는 경우가 많으며, 이 방식은 오디오를 더 일찍 시작할 수 있습니다.
- 표본 크기. 5개 문장, 3라운드, 모델당 음성 하나, 영어만 대상으로 했습니다. 가장 빠른 음성들 사이의 약 0.05초 미만 차이는 실행 간 변동 범위 내에 있습니다. 이번 테스트의 이메일 하나를 올바르게 읽은 모델도 사용자의 이메일에서는 실수할 수 있습니다.
- 테스트하지 않은 벤더. Azure, Amazon Polly, Murf, Speechify, Deepgram의 Flux TTS는 키가 없거나 이번 회차에 해당 모델을 포함하지 않아 테스트하지 못했고, Fish Audio의 Drama 3는 계정에 유료 API 크레딧이 없어 테스트하지 못했습니다. 목록에 없는 모델이 더 나쁜 모델이라는 뜻은 아닙니다.
관련 글#
- Stork의 음성 인식 전화 오디오 테스트: 발신자 오디오에 대한 음성 인식 모델 11개 비교stork.ai
- 음성 에이전트 전체를 구매하시려는 경우 best AI voice agent platformsstork.ai
- Twilio alternatives for AI voice agents: 전화번호와 통신사 통화 분 단위 요금stork.ai
- 전화 통화가 아닌 보이스오버와 내레이션용 Best ElevenLabs alternativesstork.ai
자주 묻는 질문#
전화 통화용으로 지연 시간이 가장 짧은 text-to-speech API는 무엇입니까?#
Stork가 2026년 11월에 19개 음성을 대상으로 진행한 테스트에서 세 가지가 중앙값 기준 약 0.2초 만에 말을 시작했습니다. Inworld TTS-2 Flash(0.18초), ElevenLabs Flash v2.5(0.22초), Rime Mist v3(0.24초)입니다. 번갈아 실행한 두 번째 테스트에서는 순서가 바뀌었으므로 동률로 보시기 바랍니다. 그다음은 Inworld TTS-2(0.28초), Smallest.ai Lightning v3.1 Pro(0.30초), Cartesia Sonic 3.6(0.33초)이었습니다.
AI 음성은 전화 회선에서 전화번호와 이메일을 올바르게 읽습니까?#
대체로 그렇습니다. 이번 테스트에서 19개 음성 모두가 전화번호, 가격, 날짜, 시간을 읽었고, 8 kHz G.711 전화 회선을 거친 후에도 두 음성 인식 모델이 세 번의 실행 모두에서 이를 올바르게 받아 적었습니다. OpenAI tts-1은 모든 실행에서 번지수 1428을 잘못 읽었고, Rime Coda는 한 번의 실행에서 성(姓)의 철자를 틀렸으며, gpt-4o-mini-tts는 마지막 질문 문장을 빠뜨렸습니다.
전화 통화용으로 가장 저렴한 text-to-speech API는 무엇입니까?#
테스트한 음성 중에서는 DeepInfra의 오픈 Kokoro-82M 모델이 2026년 11월 12일 정가 기준 오디오 1분당 약 $0.0007, Google의 Gemini 3.8 Flash Lite TTS가 약 $0.009, Inworld TTS-2 Flash가 약 $0.011이었습니다. Google Cloud의 Chirp 3 HD는 매월 1M 문자를 무료로 제공합니다. 테스트하지 않은 벤더 중에서는 Amazon Polly Standard가 1M 문자당 $4로 게시되어 있습니다.
어떤 TTS API가 전화 통신용 8 kHz mu-law 오디오를 출력합니까?#
2026년 11월 12일 기준으로 저희 테스트 또는 각 벤더의 자체 문서에 따르면 ElevenLabs(ulaw_8000), Inworld, Cartesia, Deepgram, Rime, Google Cloud TTS(스트리밍 시에도 지원), Smallest.ai, Azure, Amazon Polly, Murf, Speechify, MiniMax, xAI가 해당됩니다. Fish Audio는 8 kHz PCM은 제공하지만 mu-law는 제공하지 않습니다. OpenAI의 TTS API는 지원하지 않으며, Google의 Gemini TTS는 Interactions API에서만 지원합니다.
Cartesia는 ElevenLabs보다 빠릅니까?#
이번 테스트에서는 그렇지 않았습니다. Cartesia Sonic 3.6은 첫 오디오를 동일한 속도(0.21초)로 보냈지만 각 클립의 시작 부분에 약 0.14초의 무음이 있어, 처음 들리는 단어는 0.33초에 나왔고 ElevenLabs Flash v2.5는 0.22초였습니다. 분당 정가는 비슷하여 Startup 플랜의 Cartesia는 $0.030, ElevenLabs Flash v2.5는 $0.036입니다.
전화 에이전트용 ElevenLabs는 분당 비용이 얼마입니까?#
API 정가인 1,000자당 $0.04 기준으로, 저희 리셉션 문장에서 ElevenLabs Flash v2.5는 오디오 1분당 약 $0.036, v4 Turbo는 약 $0.030이 들었으며, 이는 Flash가 더 빠르게 말했기 때문입니다. 이는 음성 비용만 해당하며 통신 회선이나 언어 모델 비용은 포함하지 않습니다.