음성인식의 원리, "경쟁에서 살아남는 단어 만이 인식되는 냉혹한 세계"

음성인식의 원리

(사진=뉴시스)

'음성인식의 원리'가 소개돼 네티즌들의 관심이 쏠리고 있다.

최근 한 포털 사이트에는 '음성인식의 원리'라는 제목의 글이 게재돼 네티즌들의 눈길을 끈다.

게시된 글을 보면 음성인식기가 사람의 음성을 인식하는 기본적인 원리는 음성 파형 분석이다.

음성인식기는 매 1/1000초 단위로 그 시점에 있는 약 0.02초 길이의 음편을 가져와 분석한다. 그때 짧은 길이의 음성 파형은 여러 단계의 신호 처리를 거쳐 최종적으로 10개 이상의 숫자들이 나오는데, 음성 파형 분석은 성대 진동 횟수와 입 모양을 그릴 수 있는 숫자들을 분석하는 것이다.

한편, 음성 인식 측면에서 보면 사람은 어떤 음높이의 ‘학교’라는 말을 들어도 모두 ‘학교’라는 언어 정보를 추출한다. 즉, 성대의 진동 주기는 언어 정보와 무관하다. 그러므로 음성 파형을 분석한 숫자들을 더 이상 사용하지 않는다.

이를 비유적으로 표현해보자. 성문에서부터 입까지 찍는 특수한 사진기가 있다고 가정하고 그 사진기는 초당 100회 사진을 찍게 된다. 음성인식은 그 사진들을 시간 축으로 나열해 놓고 어떤 말일까 계산하는 과정이라고 할 수 있다.

음성인식기가 빠르게 음성을 인식하는 방법은 간단하다. 모든 후보 단어 열에 대한 가능성을 열어두고, 음성인식기가 음성을 듣다가 정답이 아닐 것 같은 후보들을 빨리 탈락시키면 된다. 음성 신호가 모두 처리됐을 때 그 험한 경쟁에서 살아남은 최종 단어가 최종 인식 결과가 되기 때문이다.