WIGVO

WIGVO의 핵심은 Dual-Session 아키텍처와 3-Stage Echo Gate입니다. 광대역 오디오와 클라이언트측 AEC를 전제로 한 기존 음성 번역 시스템(SeamlessM4T, Moshi 등)이 PSTN 환경에서 무너지는 두 가지 원인 — 자기 강화 번역 루프와 가변 80–600ms 지연 — 을 해결하기 위해, 시스템을 Directional Separation · Deterministic Silence Injection · Energy + Neural Gating 세 축으로 분리해 각 단계마다 가장 적합한 결정 메커니즘을 배치했습니다.

Directional Separation — Session A / Session B 분리. 발신자용(Session A)과 수신자용(Session B)으로 OpenAI Realtime API 세션을 두 개 독립 운영합니다. Session A는 브라우저 PCM16(16kHz)을 G.711 μ-law(8kHz)로 변환해 Twilio Media Stream으로 송출하고, Session B는 PSTN G.711(8kHz)을 받아 번역된 오디오/자막을 브라우저로 돌려보냅니다. AudioRouter가 Strategy 패턴으로 V2V·T2V·Full-Agent 파이프라인을 분기하며, T2V/Agent 모드 번역은 GPT-4o-mini Chat Completion(temperature=0)에 위임해 Realtime API의 생성적 hallucination을 차단합니다. 단일 세션 설계에서는 echo loop가 10건 중 8건에서 발생했지만, 방향성 분리만으로 루프의 토대가 사라집니다.

Deterministic Silence Injection — Stage 0 Echo Gate. Session A의 TTS 재생 동안 Session B 입력 오디오를 G.711 μ-law 무음 신호(0xFF)로 적극 대체합니다. 단순히 audio를 drop하면 Realtime API의 server-side VAD가 silence-to-speech transition을 관측하지 못해 "speaking" 상태에 무한정 갇히는데, 무음 신호를 결정론적으로 주입함으로써 VAD가 정상적으로 음성 감지를 재개합니다. 초기 프로토타입의 Pearson-correlation echo detector는 μ-law 비선형 양자화와 가변 지연 때문에 10건 중 3건에서 루프가 재발해 폐기했습니다.

Energy + Neural Gating — Stage 1 RMS / Stage 2 Silero VAD. Stage 0를 통과한 잔여 신호는 RMS Energy Gate(echo window ≥400 RMS, callee > caller > AI TTS 3-tier interrupt priority)로 일반적 echo 에너지 대역(100–400 RMS)을 차단한 뒤, Silero VAD가 8kHz PSTN audio를 zero-order hold로 16kHz upsampling해 신경망 기반 최종 판별합니다. 비대칭 히스테리시스(onset 96ms / offset 480ms)로 server VAD의 speech_stopped 레이턴시를 15–72초 → 480ms로 단축하고, 147건 completed call에서 echo loop 0건 · gate break 354회로 자연스러운 turn-taking을 보존했습니다. 이 3단계 결합으로 분당 USD 0.28에 P50 555ms를 달성해 ACL 2026 System Demonstrations에 채택되었습니다.