realtime_voice_bot/README.md

realtime_voice_bot

디스코드 음성 채널에서 여러 사용자의 음성을 개별로 받아 한국어로 인식하고, LLM 응답을 생성한 뒤 ElevenLabs TTS로 다시 읽어주는 최소 프로토타입입니다.

현재 구현 범위

• Discord slash command 기반 제어: /join, /leave, /status, /reset, /say
• @discordjs/voice 기반 음성 채널 입장 및 유저별 오디오 수신
• 48k stereo PCM을 16k mono로 내려서 유저별 VAD 처리
• Silero 계열 VAD(avr-vad)로 발화 시작/종료 감지
• ElevenLabs Scribe Realtime WebSocket으로 발화 단위 STT
• OpenAI Responses API로 짧은 한국어 답변 생성
• ElevenLabs Flash v2.5 스트리밍 TTS
• 채널 단위 단일 재생 큐
• 사용자 발화 시작 시 현재 TTS와 대기열 중단(barge-in)

권장 환경

• Bun 1.3+
• Node.js 22.12+
• Discord bot with Voice permissions
• ElevenLabs API key + 사용할 Voice ID
• OpenAI API key

환경 변수

.env.example를 참고해서 .env를 채우면 됩니다.

필수:

• DISCORD_BOT_TOKEN
• DISCORD_APPLICATION_ID
• OPENAI_API_KEY
• ELEVENLABS_API_KEY
• ELEVENLABS_VOICE_ID

선택:

• DISCORD_COMMAND_GUILD_ID
  • 테스트 서버에만 slash command를 즉시 반영하려면 설정
• OPENAI_MODEL
  • 기본값: gpt-5.4-mini
• ELEVENLABS_STT_MODEL
  • 기본값: scribe_v2_realtime
• ELEVENLABS_TTS_MODEL
  • 기본값: eleven_flash_v2_5
• DEBUG_TEXT_EVENTS
  • true면 명령을 실행한 텍스트 채널에 transcript/reply를 같이 올림

실행

bun install
bun run start

개발 모드:

bun run dev

타입 체크:

bun run check

사용 흐름

1. 봇을 서버에 초대하고 음성 권한을 부여합니다.
2. 음성 채널에 들어갑니다.
3. 텍스트 채널에서 /join 실행
4. 말을 하면 봇이 발화 단위로 인식하고 음성으로 짧게 답합니다.
5. 다시 말하면 현재 읽고 있던 TTS는 즉시 중단됩니다.

설계 메모

• 입력은 유저별 병렬 처리
• 출력은 길드 세션당 단일 큐
• 화자 구분은 speaker_id, speaker_name을 LLM 프롬프트에 항상 포함
• 최소 프로토타입이므로 Deepgram 대체 STT, 장기 메모리, 고급 명령 라우팅은 아직 포함하지 않았습니다.