<aside>
⚡
GPU 없이 동작하는 AWS Lambda 환경에서 음원 분리 파이프라인을 최적화해, 사용자가 최초 분리 결과를 듣기까지의 체감 대기 시간을 약 110~140초에서 10~15초 수준으로 단축했습니다.
</aside>
프로젝트 요약
MusicBlender는 사용자가 업로드한 음악을 Voice, Drum, Bass, Other 네 개의 Stem으로 분리하고, 각 Stem의 볼륨과 음악의 필터·속도를 조절하며 들을 수 있는 웹 음악 스트리밍 서비스입니다. 변형한 음악을 클립으로 저장하고, 추정한 BPM에 맞춰 화면 효과를 제공하는 기능도 포함했습니다.
musicblender.me
프로젝트 정보
- 기간: 2021.04 - 2021.07
- 팀 구성: Full-stack 1명, Back-end 2명, PM 1명, Design 1명
- 담당: 음원 분리·BPM 분석 Serverless Pipeline, 성능 실험, AWS 배포
문제와 기술적 판단
1. 무거운 음원 분리를 사용량 기반으로 제공
음원 분리 모델은 연산량이 크지만 사용자가 파일을 업로드할 때만 실행되는 작업이었습니다. 고사양 서버를 상시 운영하면 요청이 없는 시간에도 비용이 발생하고, 제한된 기간 안에 동시 요청을 수용할 구조까지 혼자 구축해야 했습니다.
- 회사의 AWS 크레딧, 예상 동시 사용자, 운영 비용과 개발 기간을 함께 고려해 AWS Lambda를 선택했습니다.
- Lambda Container Image로 모델과 의존성을 패키징하고 AWS ECR에서 버전을 관리했습니다.
- S3에 업로드된 음원과 메타데이터를 기반으로 Lambda가 분리 작업을 수행하도록 구성했습니다.
- BPM 추정 기능도 같은 Serverless 환경에서
librosa 기반으로 구현했습니다.
2. 전체 처리 완료를 기다리는 사용자 경험 개선
초기 구조는 음원 전체를 한 번에 분리한 뒤 결과를 반환해, 첫 결과가 제공되기까지 약 110~140초가 소요됐습니다. 총 처리 시간만 줄이는 것보다 사용자가 먼저 재생을 시작할 수 있도록 흐름을 바꾸는 것이 더 중요하다고 판단했습니다.
- 음원을 짧은 구간으로 분할하고, 처리된 구간부터 순차적으로 사용할 수 있는 Pipeline으로 변경했습니다.
- 모델 로딩, 음원 분할, Encoding, Multi-processing 등 구간별 병목을 나눠 반복 측정했습니다.
- 실행 환경을 재사용할 때 모델을 Cache하도록 구성해, 기존 약 40~70초 수준이던 모델 로딩 구간을 약 9~10초 수준으로 줄였습니다.