핵심 요점
- 완전히 오프라인 스택은 Whisper(STT) + 3B–4B 로컬 LLM + Piper 또는 시스템 TTS입니다. 세 가지 구성 요소는 설치 후 기기에서 로컬로 실행됩니다; 사용 중 클라우드 호출 없음.
- iPhone: WhisperKit + LLM Farm + iOS 시스템 음성이 가장 간단한 경로입니다. WhisperKit는 STT에 Apple Neural Engine을 사용하고; LLM Farm은 응답을 위해 Phi-4 Mini를 실행하고; iOS 시스템 TTS가 오디오를 처리합니다. 음성에서 첫 오디오: iPhone 16 Pro에서 ~0.9–1.4초.
- Android: Layla는 전체 스택을 네이티브로 포함하거나, Termux + whisper.cpp + Ollama + Piper로 수동으로 구축하십시오. Layla가 더 쉬운 경로이고; Termux 빌드가 더 유연합니다. 음성에서 첫 오디오: Pixel 9 Pro와 Galaxy S25 Ultra에서 ~1.0–1.6초.
- 하이브리드(전화기에서 STT + 원격 Ollama)는 최고의 LLM 품질을 제공합니다. 전화기가 로컬에서 Whisper를 실행하고(오디오 개인 정보 보호에 중요), 집의 Mac이나 PC의 Llama 3.3 70B로 텍스트 전사를 전송합니다. 더 높은 응답 품질; 홈 Wi-Fi가 필요합니다.
- Whisper Small(~466 MB)은 모바일에서 최적입니다. 일반적인 말에서 ~12% WER, ~150–300ms STT 지연. Whisper Medium(~1.5 GB)은 더 정확하지만(~9% WER) 더 느립니다; Whisper Tiny(~75 MB)는 더 빠르지만 배경 소음에서 오류가 발생하기 쉽습니다.
- 배터리 소모가 큽니다 — 고급 전화기에서 시간당 활성 대화 약 25–35%. 하루 종일 사용하려면 충전하거나 하이브리드 경로를 사용하십시오(STT만 전화기에서 실행, 소모를 시간당 ~10–15%로 줄임).
- 이것은 기능의 폭보다 개인 정보 보호를 선호하는 사용자를 위한 진정한 Siri 대체품입니다. 포기하는 것: 웹 검색, 독점 클라우드 스마트 홈 통합, 시스템 액션 커버리지. 얻는 것: 오프라인 작동, 텔레메트리 없음, 계정 없음.
빠른 사실
- STT 엔진: Whisper.cpp(크로스플랫폼), WhisperKit(iOS, Apple Neural Engine에 최적화), Sherpa-ONNX(Android, ONNX 런타임).
- LLM: 고급 전화기에서 Phi-4 Mini(3.8B); 오래된 기기에서 Qwen3 1.7B 또는 SmolLM 2 1.7B.
- TTS: Piper TTS(오픈소스, 음성당 ~50 MB), iOS TTS 시스템(AVSpeechSynthesizer), Android 시스템 TTS.
- iPhone 앱: WhisperKit, Whisper Transcription(개발자 Aiko), LLM Farm, PocketPal AI.
- Android 앱: Layla(통합 스택), Termux + whisper.cpp + Ollama, Sherpa-ONNX 데모 앱.
- 음성에서 첫 오디오 목표: 2초 미만 = "사용 가능하게 느껴짐"; 1초 미만 = "네이티브하게 느껴짐".
- 배터리(1시간 활성): iPhone 16 Pro ~25–35%; Pixel 9 Pro / Galaxy S25 Ultra ~25–40%.
어떤 음성 비서 스택을 구축해야 합니까?
고급 전화기를 가진 대부분의 사용자에게: 완전히 기기 내 경로가 올바른 선택입니다. 완전히 개인 정보 보호가 되고, 오프라인으로 작동하며, 1.5초 미만에 사용 가능한 결과를 생성합니다. 구체적으로 70B급 품질이 필요하고 홈 Wi-Fi 의존성을 수용하는 경우에만 하이브리드 경로를 사용하십시오.
📍 한 문장으로
Whisper(STT), 3B–4B 로컬 LLM(Phi-4 Mini 또는 Gemma 3 4B), Piper 또는 시스템 TTS를 결합하여 완전히 오프라인 음성 비서를 구축하십시오 — 2026년 고급 전화기에서 0.9–1.6초의 음성에서 첫 오디오.
💬 쉽게 말하면
음성 비서는 세 가지 작업이 있습니다: 음성을 텍스트로 변환, 응답 생성, 큰 소리로 응답 말하기. 첫 번째 단계를 위한 Whisper, 두 번째를 위한 소형 로컬 LLM, 세 번째를 위한 Piper 또는 전화기의 내장 음성으로 인터넷 없이 전화기에서 세 가지 모두 할 수 있습니다. 전체 루프는 최근 고급 iPhone이나 Android에서 약 1초가 걸립니다 — Siri와 대화하는 것처럼 느낄 만큼 빠르지만 모든 것이 기기에 남아 있습니다.
결정: 어떤 음성 비서 스택?
Use a local LLM if:
- •완전한 개인 정보 보호와 오프라인 작동을 원한다 → 완전히 기기 내(iPhone 또는 Android 경로)
- •자주 여행하고 비행기/음영 지역에서 음성을 원한다 → 완전히 기기 내
- •기자, 의료 전문가, 또는 변호사이다 → 소스/환자/클라이언트 기밀을 위해 완전히 기기 내
- •오프라인 음성 워크플로우 프로토타입을 만드는 개발자이다 → 완전히 기기 내
Use a cloud model if:
- •70B+ 모델 품질이 필요하다(복잡한 추론) → 하이브리드 경로(전화기에서 STT + 집의 원격 Ollama)
- •실시간 웹 검색 또는 라이브 데이터가 필요하다 → 클라우드 비서(2026년에는 로컬 동등물 없음)
- •독점 클라우드와의 깊은 통합이 필요하다(Google Calendar, iCloud 등) → 해당 작업을 위해 계속 Siri / Google Assistant 사용
Quick decision:
- →iPhone에서 가장 간단한 경로: WhisperKit + LLM Farm + iOS 음성
- →Android에서 가장 간단한 경로: Layla(통합 스택)
- →최고 품질: 하이브리드(전화기에서 STT + 집에서 Ollama 70B)
💡Tip: 결국 하이브리드 접근 방식을 원하더라도 완전히 기기 내 경로로 시작하십시오. 기기 내 설정은 모바일 구성 요소(STT, LLM, TTS)를 가르쳐 주고 홈 서버 의존 없이 작동합니다. 일단 작동하면, LLM 호출을 로컬에서 원격 Ollama URL로 변경하는 것은 한 줄 변경입니다.
음성 비서 스택 비교
2026년 세 가지 실행 가능한 스택, 각각 다른 우선순위에 맞게 조정됨: 단순성(Layla), 네이티브 Apple 폴리시(WhisperKit + LLM Farm), LLM 품질(하이브리드). 세 가지 모두 기기에서 STT와 TTS를 실행합니다; 하이브리드만 LLM 단계를 집의 컴퓨터로 이동합니다.
📍 한 문장으로
iOS에서 단순성을 위한 iPhone(WhisperKit + LLM Farm + iOS 음성), Android에서 단순성을 위한 Android(Layla), 더 나은 LLM 품질을 위한 하이브리드(전화기에서 STT + 집의 Ollama)를 선택하십시오.
💬 쉽게 말하면
아래 지연 수치는 음성에서 첫 오디오까지입니다 — 말을 멈추고 나서 비서가 응답을 시작할 때까지의 시간. 2초 미만은 사용 가능하게 느껴집니다; 1초 미만은 네이티브하게 느껴집니다. 배터리는 양방향 활성 대화 1시간 동안 소모된 비율입니다.
| 스택 | 지연 (음성 → 첫 오디오) | 배터리 (1시간 활성) | 최적 |
|---|---|---|---|
| iPhone (WhisperKit + LLM Farm) | ~0.9–1.4초 (16 Pro / 17 Pro) | ~25–35% | 네이티브 Apple 폴리시를 원하는 iOS 사용자 |
| Android (Layla, 통합) | ~1.0–1.6초 (Pixel 9 Pro, Galaxy S25 Ultra) | ~25–40% | 하나의 앱에서 단순성을 원하는 Android 사용자 |
| Android (Termux + whisper.cpp + Ollama + Piper) | ~1.2–2.0초 | ~30–40% | 완전한 제어를 원하는 고급 사용자 |
| 하이브리드 (전화기에서 STT + 집의 Ollama 70B) | ~1.5–2.5초 (Wi-Fi 의존) | ~10–15% | 70B급 품질, 홈 네트워크 사용 |
💡Tip: 지연은 Whisper나 TTS가 아닌 LLM의 "첫 번째 토큰" 단계에 의해 지배됩니다. 지연을 줄이려면 더 작은 LLM을 사용하십시오(Phi-4 Mini 대신 Qwen3 1.7B를 사용하면 LLM 단계가 ~600ms에서 ~250ms로 줄어듭니다). 단점은 더 짧고 덜 상세한 응답입니다.
세 가지 구성 요소 스택: STT + LLM + TTS
음성 텍스트 변환, LLM, 텍스트 음성 변환은 개별적으로 교환할 수 있는 세 가지 독립 구성 요소입니다. 어느 것이든 최적화하면(더 작은 Whisper, 더 빠른 LLM, 더 낮은 지연 TTS) 전체 지연이 줄어듭니다.
- STT — Whisper.cpp / WhisperKit / Sherpa-ONNX. Whisper Small(~466 MB)은 모바일을 위한 표준 선택 — 일반적인 말에서 ~12% WER(단어 오류율), 5초 발화에서 ~150–300ms STT 지연. Whisper Medium(~1.5 GB)은 WER을 ~9%로 낮추지만 지연을 두 배로 늘립니다. Whisper Tiny(~75 MB)는 빠르지만 중간 정도의 배경 소음에서 오류가 발생하기 쉽습니다. WhisperKit(iOS)는 Apple Neural Engine을 사용하여 표준 Whisper.cpp보다 ~30–40% 더 낮은 STT 지연을 달성합니다.
- LLM — Phi-4 Mini, Gemma 3 4B, Llama 3.2 3B. Phi-4 Mini(3.8B Q4_K_M, ~2.7 GB)는 고급 전화기에서 권장 기본값입니다. 짧은 프롬프트에서 iPhone 16 Pro의 첫 번째 토큰까지 시간은 ~400–800ms — 전체 지연에서 가장 큰 단일 기여자. 오래되거나 RAM이 제한된 기기의 경우, Qwen3 1.7B(~1.1 GB)는 더 짧고 단순한 응답을 희생하여 더 빠릅니다(~200–400ms TTFT).
- TTS — Piper TTS 또는 시스템 TTS. Piper(Rhasspy 프로젝트, 오픈소스)는 30개 이상의 언어를 지원하고, 음성당 ~50 MB, 첫 오디오까지 ~100–200ms 지연을 가지며, iOS, Android, Linux, macOS, Windows에서 작동합니다. 시스템 TTS(iOS에서 AVSpeechSynthesizer, Android에서 TextToSpeech)는 더 낮은 지연(~50–100ms)을 가지지만 이전 OS 버전에서 더 로봇 같은 음성. iOS 18+ 및 Android 14+ 시스템 음성은 이전 버전보다 현저히 향상되었습니다.
- 음성 활동 감지(VAD). 대부분의 앱은 말하기를 멈출 때를 감지하기 위해 Silero VAD 또는 webrtcvad를 사용합니다. 200–500ms 침묵 창이 일반적인 발화 종료 임계값입니다. 너무 짧으면 → 문장 중간에 끊기고; 너무 길면 → 지연이 추가됩니다. 300ms가 합리적인 기본값입니다.
- 전체 파이프라인: 마이크 캡처 → VAD가 말하기 종료 감지 → Whisper 전사 → LLM 응답 생성 → TTS 말하기. 도착하는 대로 LLM 토큰을 TTS로 스트리밍하는 것이 고급 전화기에서 "첫 오디오"가 1초 미만으로 도달하게 만드는 것입니다 — 대안(전체 LLM 응답을 기다렸다가 말하기)은 지각된 지연을 두 배로 늘립니다.
💡Tip: 스택이 느리게 느껴진다면 각 단계를 프로파일링하십시오: (마이크 → STT 준비), (STT 준비 → LLM 첫 번째 토큰), (LLM 첫 번째 토큰 → TTS 첫 오디오)의 지속 시간을 기록하십시오. 한 단계가 지배하는 경향이 있습니다. 2026년 고급 전화기에서 거의 항상 LLM 첫 번째 토큰 시간(~400–800ms)입니다. 지각된 지연을 줄이려면 더 작은 LLM으로 전환하십시오.
iPhone 설정: WhisperKit + LLM Farm (5분)
2026년 가장 간단하고 완전히 오프라인인 iPhone 음성 비서: STT를 위한 WhisperKit(또는 Whisper Transcription), LLM을 위한 LLM Farm, 음성을 위한 iOS 시스템 TTS. 총 설정 시간은 모델 다운로드 시간 플러스 5–10분입니다.
- 1App Store에서 WhisperKit 기반 앱 설치(예: 개발자 Aiko의 "Whisper Transcription", 무료) — Apple Neural Engine을 사용하여 기기 내 전사를 제공합니다. GitHub(Argmax / WhisperKit)에서 WhisperKit 참조 앱을 빌드할 수도 있습니다.
- 2WhisperKit / Whisper Transcription에서: "Small" 모델 다운로드(~466 MB). Tiny는 더 빠르지만 부정확하고; Medium은 더 정확하지만 더 느립니다.
- 3App Store에서 LLM Farm 설치(무료). LLM Farm에서: Models 탭 → "URL에서 모델 추가" → Phi-4 Mini Q4_K_M을 위한 Hugging Face URL 붙여넣기(또는 사용 가능한 경우 내장 라이브러리 사용). 모델은 ~2.7 GB를 차지합니다.
- 4iOS Shortcuts를 통해 연결: 다음 액션으로 단축어 생성 — (1) 오디오 녹음(또는 공유 시트에서 오디오 입력 수락), (2) Whisper Transcription으로 전사, (3) LLM Farm(사용 가능한 경우) 또는 Private LLM(~£10, 단축어 액션 있음)으로 텍스트 생성, (4) iOS 시스템 음성으로 텍스트 재생.
- 5단축어를 잠금 화면 위젯, 동작 버튼(iPhone 15 Pro 이상) 또는 "Siri야, [단축어 이름] 실행"에 할당하십시오. 동작 버튼이 가장 짧은 핸즈프리 응답 시간을 제공합니다.
- 6테스트: 동작 버튼을 길게 누르기 → 말하기 → 놓기. STT 실행(~200ms) → LLM 생성(~600ms 첫 번째 토큰, TTS로 스트리밍) → 첫 오디오가 총 ~0.9–1.4초에 들림. 끊기는 경우 단축어에서 VAD 침묵 임계값을 조정하십시오.
⚠️Warning: LLM Farm은 현재(2026년 5월 기준) 단축어 액션을 노출하지 않습니다. iOS Shortcuts 파이프라인을 사용하려면 "텍스트 생성" 액션을 노출하는 Private LLM(~£10 일회성 구매)이 필요합니다. 단축어 접근 방식이 iPhone 경로를 "5분"으로 만드는 것입니다 — 단축어 없이는 앱을 수동으로 체인해야 합니다.
Android 설정: Layla 또는 Termux 스택 (5–15분)
Android에서 두 가지 경로: Layla(5분의 통합 스택 접근 방식) 또는 Termux + whisper.cpp + Ollama + Piper(더 많은 제어가 있는 15분 수동 접근 방식). 두 가지 모두 설정 후 완전히 오프라인으로 작동합니다.
- 경로 A — Layla(5분): Play Store에서 Layla 설치, 모델 다운로드(Phi-4 Mini 또는 Gemma 3 4B), 설정에서 음성 모드 활성화. Layla는 STT를 위한 whisper.cpp, 응답을 위한 로컬 LLM을 포함하며 Android 시스템 TTS를 사용합니다. 가장 간단한 경로; 단점은 구성 가능성이 낮습니다.
- 경로 B — Termux 스택(15분):
- F-Droid에서 Termux 설치(Play Store 버전은 오래되어 권장하지 않음).
- Termux에서:
pkg update && pkg install git cmake clang ffmpeg. - whisper.cpp 빌드:
git clone https://github.com/ggerganov/whisper.cpp && cd whisper.cpp && make와 Small 모델 다운로드:bash ./models/download-ggml-model.sh small. - Ollama(Termux ARM 빌드) 설치:
curl -fsSL https://ollama.com/install.sh | sh. 모델 다운로드:ollama pull phi4-mini. 서버 시작:ollama serve. - Piper 설치:
pip install piper-tts(Termux Python venv에서)와 음성 다운로드(예:piper-tts --download-voice ko_KR-kss-medium). arecord에서 읽어 오디오에 whisper.cpp를 실행하고, 전사를 localhost:11434의 Ollama로 전송하고, 응답을 Piper로 파이프하는 소형 Python 스크립트로 파이프라인을 연결하십시오. 또는 Tasker를 사용하여 버튼이나 빠른 타일로 활성화된 쉘 명령을 체인하십시오.
💡Tip: 경로 B의 경우, Termux:Widget을 사용하여 음성 비서 스크립트를 실행하는 홈 화면 단축키를 만드십시오. 위젯을 한 번 터치하면 전체 파이프라인이 활성화됩니다. 핸즈프리 호출을 위해 Bluetooth 버튼이나 Tasker 빠른 타일과 결합하십시오. Pixel 9 Pro와 Galaxy S25 Ultra의 동작/사이드 키도 Tasker 액션을 트리거할 수 있습니다.
하이브리드 설정: 전화기 STT + 원격 Ollama
하이브리드 스택은 기기에서 STT와 TTS를 유지하면서 LLM 호출만 집의 컴퓨터로 이동합니다. 이를 통해 오디오 개인 정보 보호를 유지하면서(전화기를 떠나지 않음 — 텍스트 전사만 홈 Wi-Fi를 통해 전송) 70B급 모델(Llama 3.3 70B, Qwen3-Coder 32B)에 접근할 수 있습니다.
iOS Shortcut: 하이브리드 음성 비서 (동작 버튼으로 활성화)
“1. 오디오 녹음 → 임시 파일에 저장. 2. Whisper Transcription으로 전사 → 출력: 전사 텍스트. 3. URL에서 콘텐츠 가져오기 → URL: http://192.168.1.20:11434/api/generate, 메서드: POST, JSON 본문: {"model":"llama3.3:70b","prompt":"[transcript]","stream":false} → 출력: 응답 텍스트. 4. 텍스트 재생 → 입력: 응답 텍스트, 음성: iOS 시스템 음성. 동작 버튼에 할당. 길게 누르기로 녹음; 놓기로 전송. 첫 오디오가 ~1.5–2.5초에 들림.”
Tasker: Android에서 하이브리드 음성 비서
“1. 변수: %TRANSCRIPT = (녹음된 오디오 파일에서 whisper-cli 출력). 2. HTTP 요청: URL http://192.168.1.20:11434/api/generate, 메서드 POST, 본문 {"model":"llama3.3:70b","prompt":"%TRANSCRIPT","stream":false}. 3. 변수: %REPLY = (JSON에서 파싱된 "response" 필드). 4. 말하기: %REPLY (Android 시스템 TTS 또는 Piper가 설치된 경우). 빠른 타일, Bluetooth 버튼 또는 Pixel 9 Pro 사이드 키 길게 누르기로 활성화.”
- 1집의 컴퓨터(Mac, PC 또는 NAS)에 Ollama를 설치하십시오. 70B 모델 다운로드:
ollama pull llama3.3:70b(~40GB 여유 디스크 공간 + ~48GB RAM 또는 24GB GPU VRAM 필요). - 2Ollama를 로컬 네트워크에 바인딩:
OLLAMA_HOST=0.0.0.0:11434 ollama serve. 집 컴퓨터의 로컬 IP를 메모하십시오(예: 192.168.1.20). - 3전화기에서 음성 비서 파이프라인(iOS Shortcut 또는 Android Tasker)을 설정하여 Whisper 전사를 로컬 LLM 호출 대신
http://192.168.1.20:11434/api/generate로 HTTP POST로 전송하십시오. - 4TTS는 집 컴퓨터의 응답 텍스트를 사용하여 전화기에서 계속 실행됩니다(Piper 또는 시스템 음성).
- 5결과: Whisper STT가 전화기에서 실행되고(오디오가 기기를 떠나지 않음), 집의 Ollama가 ~600–1200ms에 70B급 응답을 생성하며, TTS가 전화기에서 말합니다. 총 지연 ~1.5–2.5초 — 완전히 기기 내보다 약간 더 많지만 훨씬 더 나은 LLM 품질.
💡Tip: 하이브리드 모드에서 최저 지연을 위해 Ollama를 스트리밍 모드("stream":true)로 설정하고 전체 응답을 기다리는 대신 도착하는 대로 TTS로 토큰을 스트리밍하십시오. iOS Shortcuts는 네이티브로 스트리밍을 할 수 없지만 소형 Tasker 플러그인이나 커스텀 iOS 앱은 할 수 있습니다. 스트리밍으로 총 응답 시간이 동일해도 "첫 오디오" 지각 지연이 200–400ms 줄어듭니다.
지연 예산: 초가 어디로 가는가
2026년 고급 전화기에서 LLM 첫 번째 토큰 시간이 전체 지연을 지배합니다 — 일반적으로 음성에서 첫 오디오 시간의 50–60%. LLM 단계를 최적화하면 Whisper나 TTS를 조정하는 것보다 더 큰 영향을 줍니다.
| 단계 | 일반적인 시간 (iPhone 16 Pro, 기기 내) | 참고 |
|---|---|---|
| VAD 발화 종료 감지 | ~200–500ms | 조정 가능; 기본 300ms. 지각 지연에 포함됨. |
| Whisper Small STT (5초 발화) | ~150–300ms | WhisperKit은 Apple Neural Engine을 통해 ~30–40% 더 빠름. |
| LLM 첫 번째 토큰 시간 (Phi-4 Mini) | ~400–800ms | 가장 큰 기여자. 더 작은 모델 = 더 빠름. |
| TTS 첫 오디오 (Piper 또는 시스템) | ~100–200ms | 시스템 TTS가 Piper보다 약간 더 빠름. |
| 총 음성에서 첫 오디오 | ~0.9–1.4초 | 2초 미만 = "사용 가능하게 느껴짐"; 1초 미만 = "네이티브하게 느껴짐". |
💡Tip: 총 1초 미만으로 줄이려면: Whisper Tiny(75 MB, ~80ms STT) + Qwen3 1.7B(~250ms TTFT) + 시스템 TTS(~80ms 첫 오디오)를 사용하십시오. iPhone 16 Pro에서 총 ~600–800ms. 단점은 더 짧고 덜 일관된 LLM 응답과 소음이 있는 환경에서 더 낮은 STT 정확도입니다. 응답 속도가 주요 우선순위인 경우 가치 있습니다.
1시간 동안의 정확도와 배터리 소모
Whisper Small은 중간 정도의 배경 소음이 있는 일반적인 말에서 ~88% 정확도를 달성합니다; Whisper Medium은 ~91%에 도달하지만 지연이 두 배입니다. 1시간 활성 대화 동안 배터리 소모는 iPhone 16 Pro에서 ~25–35%, 고급 Android에서 ~25–40%입니다.
- 모델 크기별 Whisper 정확도(WER LibriSpeech-clean, 낮을수록 좋음): Tiny ~7.5%, Small ~3%, Medium ~2.4%, Large v3 ~1.8%. 소음이 있는 실제 조건에서: Tiny는 ~15–20% WER로 악화, Small은 ~10–14%, Medium은 ~7–10%, Large v3는 ~5–7%.
- 클라우드 Whisper vs 로컬 Whisper: OpenAI의 클라우드 Whisper API는 기본적으로 Large v3를 사용합니다(깨끗한 말에서 ~2% WER). 전화기의 로컬 Whisper Small은 동일한 오디오에서 ~3% WER — 일상적인 음성 비서 사용에서 차이가 감지되지 않을 만큼 충분히 가깝습니다.
- 배터리 소모(1시간 활성 대화, 화면 켜짐): iPhone 16 Pro ~25–35%; iPhone 17 Pro ~22–30%; Pixel 9 Pro ~30–40%; Galaxy S25 Ultra ~28–38%. 하이브리드 모드는 STT만 로컬에서 실행되므로 전화기 소모를 시간당 ~10–15%로 줄입니다.
- 열 제한: 기기 내 지속적인 LLM 추론은 iPhone에서 ~10–15분 후 열 제한을 트리거하고(칩 표면 ~38°C); 고급 Android에서 ~15–20분(태블릿과 대형 전화기에서 더 나은 열 질량). 제한은 토큰/초를 30–50% 줄여 LLM 첫 번째 토큰 지연을 ~600ms에서 ~900ms로 늘립니다.
- 긴 세션을 위한 완화: 충전기를 연결하고, 딱딱한 표면에 전화기를 앞면 위로 놓거나(손에 들지 않고) 하이브리드 모드로 전환하십시오. 마이크로 전화기를 사용하면 전화기를 전부로 사용하는 에너지의 일부를 사용합니다.
⚠️Warning: 완전히 로컬인 1시간 음성 세션은 전화기 배터리의 30–40%를 소모할 수 있습니다. 하루 종일 또는 차에서 사용하려면 충전을 계획하십시오. 하이브리드 경로(기기에서 STT만)는 항상 켜져 있는 주변 음성 비서를 위한 현실적인 옵션입니다 — 집의 컴퓨터가 무거운 작업을 합니다.
핸즈프리: Shortcuts, Tasker, CarPlay, Android Auto
핸즈프리 활성화는 음성 스택이 아닌 활성화 메커니즘에 달려 있습니다. iOS는 동작 버튼 또는 "Siri야, [단축어 이름] 실행"으로 Shortcuts를 사용하고; Android는 사이드 키, 빠른 타일 또는 Bluetooth 버튼으로 Tasker를 사용합니다.
- iPhone 동작 버튼(iPhone 15 Pro 이상): 음성 파이프라인을 활성화하는 단축어를 할당하십시오. 동작 버튼을 길게 누르기로 녹음 시작; 놓기로 전송. 2026년 iPhone에서 가장 낮은 지연의 핸즈프리 트리거.
- **iPhone "Siri야, [단축어 이름] 실행":** Siri를 활성화하고(~500ms) 단축어를 실행합니다. 동작 버튼보다 지연이 추가되지만 전화기가 잠금 해제된 언제든지 핸즈프리로 작동합니다.
- Android 사이드 키/Bixby 키(Galaxy): Galaxy Modes & Routines 설정 또는 Bixby 키 재매핑 앱을 통해 Tasker 액션을 할당하십시오. 누르기로 활성화.
- Android의 Tasker 빠른 타일: 음성 스크립트를 실행하는 알림 패널에 빠른 타일을 추가하십시오. 잠금 화면에서 두 번 스와이프로 활성화.
- Bluetooth 버튼(예: Flic, 일반 미디어 버튼): iOS 또는 Android와 페어링하고 음성 단축어/Tasker 작업을 트리거하도록 구성하십시오. 진정한 핸즈프리(책상, 핸들, 주머니의 버튼).
- CarPlay / Android Auto: 이것들은 Siri / Google Assistant 시스템을 중심으로 설계되었습니다 — 2026년에는 어느 것도 타사 음성 비서 API를 노출하지 않습니다. CarPlay 해결책은 CarPlay 동작 버튼에 단축어 연결(제한된 단축어 지원); Android Auto의 경우 Bluetooth 미디어 버튼으로 활성화된 Tasker 사용. 어느 것도 차량 사용을 위해 시스템 비서와 동일한 통합 수준을 달성하지 않습니다.
💡Tip: CarPlay / Android Auto 통합 없이 차량 사용의 경우: 작은 Bluetooth 버튼(Flic, AirShou, 일반 미디어 컨트롤)을 페어링하고 핸들에 부착하십시오. 누르기로 오프라인 음성 비서를 활성화합니다 — 인터넷 없이 작동하고, 오디오를 클라우드로 전송하지 않으며, ~1.5초에 응답합니다. CarPlay와 비교한 단점은 차량 화면에 인터페이스가 없고 오디오만 있다는 것입니다.
개인 정보 보장: 진정한 오프라인 vs 클라우드 지원
음성 비서는 마이크 오디오, 전사, TTS 오디오가 네트워크 호출 없이 기기에 남아 있는 경우에만 "진정으로 오프라인"입니다. "개인 정보 보호"로 마케팅된 많은 앱이 여전히 전사나 텔레메트리를 클라우드로 전송합니다 — 신뢰하기 전에 비행기 모드나 네트워크 모니터로 확인하십시오.
- "진정으로 오프라인" 확인 방법: 전화기를 비행기 모드로 설정하고 비서를 사용하십시오. 완전한 품질로 작동하면 진정으로 오프라인입니다. 저하되거나 실패하면 일부 단계가 클라우드 서비스에 의존합니다.
- 오디오 캡처: 마이크 데이터는 로컬로 처리되고 전사 후 어디에도 기록되거나 전송되지 않아야 합니다. Whisper, WhisperKit, Sherpa-ONNX는 메모리에서 STT를 실행하고 전사 후 오디오를 버립니다.
- LLM 추론: 응답이 전화기의 로컬 모델(Phi-4 Mini, Gemma 3, Llama 3.2)에 의해 생성되는 경우, 프롬프트가 기기를 나가지 않습니다. 비서가 "클라우드 지원" 모드를 사용하는 경우(Apple Intelligence Private Cloud Compute, Google의 기기 우선 후 클라우드 모드), 전사가 특정 조건에서 서버로 전송될 수 있습니다 — 앱의 개인 정보 보호 정책을 확인하십시오.
- TTS: Piper와 시스템 TTS는 완전히 기기 내. 일부 "프리미엄" 클라우드 음성(ElevenLabs, OpenAI TTS)은 응답 텍스트를 서버로 전송해야 합니다 — 진정한 오프라인 사용을 위해 피하십시오.
- 하이브리드 경로의 개인 정보 보호 입장: 하이브리드 모드에서 오디오는 전화기에 남아 있지만(로컬 Whisper) 텍스트 전사가 홈 Wi-Fi를 통해 집의 Ollama 서버로 전송됩니다. 이것은 로컬 네트워크 전용으로 클라우드가 아닙니다 — 데이터는 네트워크 내에 남아 있습니다. 대부분의 개인 정보 보호 의식이 있는 사용자에게 허용 가능합니다; 가장 엄격한 위협 모델에는 완전히 기기 내와 동등하지 않습니다.
- 앱별 참고사항(2026년 5월): WhisperKit과 whisper.cpp는 오픈소스이며 검증 가능하게 오프라인입니다. Layla는 기본적으로 로컬로 작동합니다(비행기 모드에서 확인하십시오). LLM Farm과 PocketPal AI는 완전히 기기 내에서 추론을 실행합니다. Apple Intelligence는 기기 내 모드와 Private Cloud Compute 모두 있습니다 — 완전히 기기 내 작동을 위해 설정에서 PCC를 비활성화하십시오.
💡Tip: 완전히 오프라인 작동이 중요한 경우(기자/소스 기밀, 의료, 법률): 네트워크 동작을 감사할 수 있는 오픈소스 앱(WhisperKit 참조 빌드, Termux를 통한 whisper.cpp, Layla)을 선호하십시오. 클로즈드 소스 앱은("개인 정보 보호"로 마케팅된 경우에도) 사용자에게 명확한 알림 없이 향후 업데이트에서 클라우드 기능을 추가할 수 있습니다.
흔한 실수
- 모든 것에 Whisper Tiny 사용하기. Tiny는 빠르지만(~80ms STT) 소음이 있는 환경에서 오류가 발생하기 쉽습니다(~15–20% WER 대 Small의 ~10–14%). Tiny는 조용한 방에서 짧은 명령에는 허용 가능합니다; 범용 음성 비서에는 Small을 사용하십시오.
- TTS가 시작하기 전에 전체 LLM 응답 기다리기. 이것은 지각 지연을 두 배로 늘립니다. 도착하는 대로 LLM 토큰을 TTS로 스트리밍하십시오 — Piper는 스트리밍 입력을 지원하고, 시스템 TTS는 증분적 말하기를 지원합니다. 첫 오디오는 전체 응답 후가 아닌 LLM의 첫 번째 문장 후에 재생되어야 합니다.
- 더운 환경에서 기기 내 LLM 실행하기. 열 제한은 직사광선이나 뜨거운 차 안에서 몇 분 안에 활성화되어 토큰/초를 30–50% 줄이고 지연을 2초 이상으로 밀어냅니다. 하이브리드 경로를 사용하거나 전화기를 시원하게 유지하십시오.
- 확인 없이 "개인 정보 보호"를 신뢰하기. "개인 정보 보호"와 "로컬"은 2026년 마케팅 용어입니다 — 로컬 처리를 주장하는 일부 앱이 여전히 분석, 모델 업데이트 또는 클라우드 지원 전사를 위해 데이터를 전송합니다. 민감한 사용에 신뢰하기 전에 비행기 모드로 확인하십시오.
- RAM이 부족한 Android 기기에서 Termux 스택 구축하기. Termux + whisper.cpp + Ollama + Piper는 피크에서 ~4GB 시스템 RAM을 소비합니다. RAM이 6GB 이하인 기기는 대화 중간에 OOM으로 구성 요소를 죽입니다. RAM이 부족한 Android에서는 Layla를 사용하거나 iPhone 경로를 사용하십시오.
출처
- Whisper.cpp — github.com/ggerganov/whisper.cpp(Android 및 iOS 빌드 포함 크로스플랫폼 Whisper).
- WhisperKit (Argmax) — github.com/argmaxinc/WhisperKit(iOS / macOS에서 Apple Neural Engine에 최적화된 Whisper).
- Piper TTS (Rhasspy) — github.com/rhasspy/piper(오픈소스 신경망 TTS, 모바일 호환, 30개 이상 언어).
- LLM Farm — github.com/guinmoon/LLMFarm(로컬에서 GGUF 모델 실행을 위한 iOS 앱).
- Layla (Android) — Play Store 목록 및 개발자 문서(음성 지원이 있는 통합 로컬 LLM 스택).
자주 묻는 질문
로컬 Whisper는 클라우드 Whisper와 비교하여 얼마나 정확합니까?
전화기에서 로컬로 실행되는 Whisper Small은 깨끗한 말에서 ~3% WER을 달성합니다; OpenAI의 클라우드 Whisper(Large v3)는 ~2%를 달성합니다. 소음이 있는 환경에서 로컬 Small은 동일한 오디오에서 ~10–14% WER로 떨어지는 반면 Cloud Large v3는 ~5–7%로 떨어집니다. 일상적인 음성 비서 사용에서 로컬 정확도는 실용적으로 감지되지 않을 만큼 충분히 가깝습니다. 모든 단어가 중요한 긴 받아쓰기의 경우 클라우드나 로컬 Medium/Large가 선호됩니다.
로컬 음성 비서가 Siri를 완전히 대체할 수 있습니까?
개인 Q&A, 초안 작성, 요약의 경우: 네, Siri의 기기 내 기능과 비교 가능하거나 더 나은 품질로. 시스템 액션(앱 열기, 타이머 설정, HomeKit 제어), 웹 검색 시작 또는 라이브 데이터(날씨, 스포츠 결과): 아니요 — iOS와 Apple 서비스와의 Siri 통합은 2026년에 타사 로컬 스택으로 복제할 수 없습니다. 많은 사용자가 두 가지를 유지합니다: 시스템 액션을 위한 Siri, 개인 Q&A를 위한 로컬 스택.
CarPlay나 Android Auto에서 작동합니까?
제한적으로. CarPlay와 Android Auto는 Siri / Google Assistant 시스템을 중심으로 설계되었습니다; 어느 것도 2026년에 타사 음성 비서 API를 노출하지 않습니다. 해결책: CarPlay 동작 버튼에 단축어 연결(제한된 단축어 지원), 또는 Bluetooth 버튼으로 Tasker/단축어를 활성화하십시오. 어느 것도 차량 사용에서 시스템 비서와 동일한 통합 수준을 달성하지 않습니다.
핸즈프리로 어떻게 활성화합니까?
iPhone: 단축어를 호출하기 위해 동작 버튼을 길게 누르거나(iPhone 15 Pro 이상), "Siri야, [단축어 이름] 실행"이라고 말하십시오. Android: Galaxy 전화기의 사이드 키나 Bixby 키, Tasker 빠른 타일, 또는 페어링된 Bluetooth 버튼을 사용하십시오. 진정한 핸즈프리 주변 환경(웨이크 워드를 들을 때까지 항상 듣기)의 경우, 로컬 스택은 2026년에 Siri / Google Assistant와 동등하지 않습니다 — 전화기의 시스템 웨이크 워드 감지기는 타사 앱에 노출되지 않습니다.
여러 언어로 대화를 처리할 수 있습니까?
네, 하지만 뉘앙스가 있습니다. Whisper는 입력 언어를 자동으로 감지하고 99개 언어를 지원합니다. 로컬 LLM은 다양합니다: Phi-4 Mini는 영어를 잘 처리하고 주요 유럽 언어를 합리적으로 처리합니다; Qwen3는 중국어를 포함한 강력한 다국어 지원을 가지고 있습니다; Gemma 3는 100개 이상의 언어를 지원합니다. TTS의 경우 Piper는 30개 이상의 언어에 음성이 있습니다; 시스템 TTS는 설치된 OS 언어 패키지에 따라 다릅니다. 대화 중간 언어 전환은 Whisper에서는 작동하지만 LLM을 혼란스럽게 할 수 있습니다.
배경 소음이 로컬 STT를 망칩니까?
Whisper Tiny는 중간 정도의 소음에서 크게 저하됩니다(~15–20% WER); Small은 카페 수준의 소음을 합리적으로 처리합니다(~10–14% WER); Medium과 Large는 대부분의 실제 환경을 잘 처리합니다. 소음이 있는 사용(차, 대중교통)의 경우, 전화기에 RAM이 있다면 Whisper Medium을 사용하거나 VAD를 공격적으로 적용하십시오(발화가 감지될 때만 전사, 발화 사이의 침묵은 무시).
스마트 홈 기기와 로컬로 통합하려면 어떻게 합니까?
LLM 응답을 인텐트를 감지하는 파서를 통해 전달하고(예: "주방 불 끄기") 스마트 홈 허브의 API를 직접 호출하십시오 — Home Assistant는 로컬 IP에 REST API가 있으며, Apple HomeKit 통합은 단축어의 "홈 제어" 액션을 통해 작동합니다. 진정한 오프라인 파이프라인을 원한다면 클라우드 스마트 홈 통합(Alexa, Google Home)을 피하십시오.
TTS 음성을 커스터마이징할 수 있습니까?
네. Piper TTS는 30개 이상의 언어에 100개 이상의 커뮤니티 훈련 음성이 있으며 ~50 MB 음성 모델로 다운로드 가능합니다. iOS 음성 단축어는 고품질 Premium 음성을 포함한 시스템 음성 중에서 선택할 수 있습니다(설정 → 접근성 → 말한 콘텐츠 → 음성에서 다운로드). Android 시스템 TTS는 Google이나 타사 음성 패키지를 지원합니다. 커스텀 음성 클로닝(자신의 음성 또는 특정 인물)은 별도의 TTS 도구 체인(Coqui, Tortoise TTS)이 필요합니다 — 2026년에는 아직 기기 내에서 실용적이지 않습니다.
배터리가 많이 소모됩니까?
네 — 고급 전화기에서 시간당 활성 대화 약 25–40%. 가끔 음성 쿼리의 경우 영향이 작습니다. 하루 종일 또는 항상 켜져 있는 사용의 경우 충전하거나 하이브리드 경로를 사용하십시오(기기에서 STT만 실행, 소모를 시간당 ~10–15%로 줄임). 웨이크 워드 감지를 통한 수동 백그라운드 청취는 현재 허용 가능한 배터리 비용으로 타사 로컬 스택에서 실현 가능하지 않습니다.
iOS 19 또는 Android 16이 이 설정을 망칩니까?
주요 스택(Whisper, 로컬 LLM, TTS)에는 거의 그렇지 않습니다 — 이것들은 표준 API(마이크 캡처, TTS, 네트워크)에 의존하는 사용자 공간 앱입니다. 망가질 수 있는 것: Apple이 단축어 API를 변경하면 단축어 통합; Android 16이 백그라운드 프로세스를 더 제한하면 Android에서 Termux(Android는 각 버전에서 이를 점진적으로 제한해 왔습니다). 앱을 업데이트하고 각 주요 OS 업데이트 후 확인하십시오.