LLM·STT·TTS를 통합한 비용 데이터셋 공개(134개 모델, 25개 공급자)

커뮤니티 반응은 주로 긍정적이며 많은 사용자가 실무에서 바로 활용할 수 있다는 반응을 보였다. 일부 사용자는 특정 공급자의 가격이 빠르게 변하는 점을 지적하며 last_verified의 중요성을 강조했고, 다른 사용자는 Decimal 파싱 권고와 같은 구현적 세부를 유용하다고 평가했다. 동시에 데이터 완전성이나 누락된 공급자에 대한 보완 요청이 제기되어 지속적 기여가 필요하다는 의견이 공통적으로 나왔다.

• 원시 JSON을 자동 비용 계산 파이프라인에 투입하려면 가격 필드를 float로 파싱하지 말고 Decimal 또는 big.js로 파싱해야 소수점 연산 오차를 방지할 수 있다. 이 방식은 대규모 시뮬레이션과 누적 비용 계산에서 작은 단가 차이가 전체 결과에 미치는 영향을 줄인다. 또한 last_verified 필드를 사용해 데이터가 오래된 경우 경고를 발생시키는 로직을 추가하면 실무적 신뢰도를 높일 수 있다.
• LLM(STT/TTS 포함) 기반 음성 에이전트의 전체 비용을 계산할 때는 먼저 단가 단위를 공통 기준(예: 초당 비용, 대화당 평균 토큰 수)으로 환산하는 전처리 단계를 설계해야 한다. 그런 다음 모델별 input/output/cached 비용과 STT 분 단가, TTS 문자 단가를 합산해 시나리오별 비용을 비교하는 것이 바람직하다. 원문에 제공된 raw JSON 링크들을 주기적으로 fetch하고 source_url과 last_verified를 비교하는 자동화된 검증 스크립트를 운영하면 데이터 신선도를 유지할 수 있다.

STT

— 마이크 입력 음성을 텍스트로 변환하는 기술로, 입력 오디오를 프레임 단위로 전처리한 뒤 음향 모델과 언어 모델을 결합해 최종 텍스트를 출력한다. 지연(latency), 초당 처리 비용, 단어 오류율(WER) 같은 지표로 성능을 평가하며 스트리밍과 배치 모드에서 계산 비용 구조가 달라 비용 추정에 직접적인 영향을 미친다. 이 글 맥락에서는 분(minute)당 과금 구조와 공급자별 단가 비교가 핵심 이해 요소이다.

TTS

— 텍스트 입력을 자연스러운 음성으로 변환하는 기술로, 텍스트 전처리(tokenization, prosody 분석)를 거쳐 음성 파라미터를 생성하고 보코더로 최종 오디오를 합성한다. 서비스 과금은 일반적으로 출력 문자 수나 생성 시간 기준으로 책정되며 음질·속도·라이선스가 비용 선택에 영향을 준다. 게시물에서는 1,000,000자 단위($/1M chars)로 표기된 단가가 비교 기준으로 사용된다.

Token Pricing

— 언어모델의 입력·출력 텍스트를 토큰 단위로 계산하여 사용량에 따라 비용을 부과하는 방식으로, 보통 백만 토큰당 단가($/Mtok)로 표기된다. 토큰화 방식(tokenizer), 모델의 컨텍스트 윈도우, 프롬프트 길이와 응답 길이가 비용 산정의 입력값이 되며 소수점 정확도가 중요해 Decimal 계열 라이브러리로 파싱해야 한다는 점이 비용 예측의 핵심이다. 이 데이터셋은 LLM 가격을 input/output/cached $/Mtok 형태로 수집해 비교할 수 있게 정리했다.

JSON Schema

— 데이터 파일의 필드 구조와 타입, 필수성 등을 기계가 검증할 수 있게 정의한 메타데이터 형식으로, 외부 시스템이 원시 JSON을 신뢰성 있게 파싱하고 비용 계산 로직에 바로 투입하려면 일관된 스키마가 필수이다. 게시물은 레포와 README에 스키마를 포함해 각 행의 last_verified와 source_url 같은 필드를 통해 갱신성과 근거를 추적할 수 있게 했다. 이로 인해 자동화된 비용 비교 파이프라인에서 데이터 검증과 업데이트 추적이 가능해진다.

Source Verification

— 각 가격 항목에 대해 출처 URL과 last_verified(검증 날짜)를 함께 기록해 데이터의 신선도와 근거를 추적하는 관행으로, 가격 변동성이 큰 API 기반 서비스에서 참조 신뢰도를 확보하는 방법이다. 원문은 모든 가격을 소수점 문자열로 저장하고 각 행에 출처와 검증일을 두어 사용자가 언제 갱신됐는지 확인할 수 있게 만들어 비용 산정의 불확실성을 줄인다. 이 프로세스는 자동화된 스크래핑·수동 확인·PR 기반 업데이트 흐름으로 운영될 수 있다.