.svg)
AI 솔루션 문의하기
조용한 스튜디오에서 녹음된 음성만으로 음성인식 모델을 학습시키면 실제 사용 환경에서는 인식률이 뚝 떨어지는 경우가 많습니다. 현지어 화자들은 스튜디오가 아니라 시장이나 길거리처럼 소음이 뒤섞인 공간에서 일상적으로 말을 하기 때문입니다. 오토바이 소음이나 상인들의 외침처럼 다양한 배경음이 섞인 환경에서 직접 녹음한 자료를 함께 확보해야 실제 사용 조건과 학습 조건 사이의 간극이 좁혀집니다. 소음이 섞인 실제 생활 공간에서 녹음한 음성을 데이터에 포함시켜야 조용한 환경에서만 작동하는 반쪽짜리 모델을 피할 수 있습니다.
같은 단어라도 어린아이와 노년층의 발음은 성대 구조와 발화 습관 차이로 인해 음향적으로 상당한 차이를 보입니다. 특정 연령대나 성별의 목소리로만 데이터를 채우면 그 범주에 속하지 않는 화자의 음성은 제대로 인식되지 않을 위험이 커집니다. 다양한 연령대와 성별을 고르게 아우르는 화자 구성을 처음부터 계획해야 이런 편중을 막을 수 있습니다.
여러 지역에서 동시에 자료를 모으다 보면 저마다 다른 녹음 기기가 쓰이기 마련이며 이로 인해 어떤 자료는 선명하고 어떤 자료는 잡음 섞인 저음질로 남는 경우가 생깁니다. 이런 편차를 그대로 둔 채 모델을 학습시키면 특정 기기로 녹음된 음성에만 지나치게 익숙해질 수 있습니다. 음질 수준을 일정하게 맞추는 후처리 작업이나 다양한 음질을 고르게 섞어 학습시키는 방식으로 이 문제를 보완해야 합니다. 여러 장비로 수집된 음질의 편차를 후처리나 균형 있는 배합으로 다스려야 특정 기기에만 익숙한 모델이 되는 상황을 막을 수 있습니다.
동남아시아의 여러 현지어는 같은 발음이라도 음의 높낮이에 따라 전혀 다른 뜻을 가지는 성조 언어인 경우가 많습니다. 이런 언어에서는 단순히 발음만 텍스트로 옮겨서는 부족하며 음높이의 변화까지 정밀하게 표시해 두어야 모델이 뜻의 차이를 학습할 수 있습니다. 성조 표시를 빠뜨리거나 부정확하게 라벨링하면 완전히 다른 단어로 뒤바뀐 채 학습되는 오류가 생깁니다.
같은 언어를 쓰더라도 화자 개개인의 말하는 속도와 리듬은 상당히 다르며 어떤 사람은 또박또박 천천히 말하고 어떤 사람은 빠르게 말을 이어 붙입니다. 특정 속도의 발화로만 데이터를 채우면 그와 다른 속도로 말하는 사람의 음성은 제대로 처리되지 않습니다. 다양한 발화 속도를 고르게 수집해야 이런 개인차에도 안정적으로 대응하는 모델을 만들 수 있습니다.
녹음된 음성과 그 내용을 옮긴 텍스트를 시간 단위로 정확히 맞춰 두지 않으면 모델은 어느 소리가 어느 글자에 해당하는지 제대로 배우지 못합니다. 특히 여러 사람이 겹쳐 말하거나 말끝이 흐려지는 구간에서는 이 정렬 작업이 까다로워집니다. 정렬의 정확도를 검증하는 별도의 확인 절차 없이는 이런 오류가 데이터 전반에 조용히 퍼져 있을 수 있습니다.
.svg)
.svg)
