1단계 — 드라이버 없는 오디오 캡처
VoxisLive는 WASAPI 루프백을 사용합니다 — 화면 녹화 프로그램이 “현재 재생 중인 소리”를 캡처할 때 쓰는 것과 동일한 저수준 Windows Audio Session API입니다. 이는 Windows 자체 기능이므로 가상 오디오 케이블도, 드라이버 설치도, 오디오 라우팅 변경도 필요 없습니다. 캡처 과정에서 재생 대비 지연이 발생하지 않으며, 귀에 들리는 잡음(아티팩트)도 전혀 추가되지 않습니다.
경쟁 도구는 대개 VB-CABLE 같은 가상 장치를 통해 오디오를 우회시키는데, 이는 드라이버 설치(대개 관리자 권한과 재부팅 필요)가 필요하며 독점 모드 오디오, ASIO 드라이버, 안티치트 시스템과 충돌할 수 있습니다. VoxisLive는 이런 문제를 애초에 겪지 않습니다.
2단계 — 기기 내 음성 감지
앱은 기기 내 음성 활동 감지(VAD)를 실행하여 음성을 무음, 배경 소음, 음악과 구분합니다 — 네트워크 왕복 없이 사용자의 CPU에서 로컬로 처리됩니다. 사람의 음성으로 식별된 구간만 번역 단계로 넘어가며, 이는 지연 시간을 줄여주고, 결제된 사용 시간이 낭비되지 않도록 보호합니다. VAD는 VoxisLive 자신이 출력하는 음성도 추적하여 자기 목소리를 다시 번역하는 일이 없도록 합니다.
3단계 — 단일 패스 동시 번역
음성 구간은 인식, 번역, 음성 합성을 단일한 저지연 패스로 처리하는 멀티모달 실시간 모델로 전달됩니다 — 기존 파이프라인의 세 단계 순차 네트워크 호출(음성 인식 → 번역 → 음성 합성)을 하나로 압축한 것입니다. 부스 안의 인간 통역사처럼, 화자가 아직 말하고 있는 동안 번역을 시작합니다.
4단계 — 더킹을 적용한 음성 재생
번역된 음성은 사용자의 출력 장치를 통해 재생되며, 이와 동시에 두 가지가 병행됩니다: 심리음향 더킹은 번역이 재생되는 동안 원본 오디오를 낮추고(전문 동시통역을 그대로 재현), 지연 동기화는 각 번역을 해당 음성 구간에 맞춰 정렬해 긴 세션에서도 어긋나지 않도록 합니다.
