음성 인식
공기 중에 흩어지는 목소리 파동을 붙잡아 글자 블록으로 조립해 주는 자동 통역사예요.
정의 음성 인식(STT, Speech-to-Text)은 사람이 입으로 말하는 소리를 컴퓨터가 알아듣고 텍스트 글자나 디지털 명령어로 바꾸어 주는 기술이에요. 눈에 보이지 않는 공기의 떨림인 소리 파동을 컴퓨터가 읽을 수 있는 디지털 신호로 변환한 뒤, 똑똑한 인공지능이 이를 단어와 문장으로 해석해 내는 원리로 작동해요.
목소리를 잘게 쪼개 숫자로 바꾸기
우리가 목소리를 내면 입 밖으로 나온 공기가 미세하게 떨리며 소리 파동이 만들어져요. 마이크는 이 파동을 포착해 1초에 수만 번씩 전압을 측정하며 디지털 신호로 촘촘하게 기록해요. 마치 빠르게 움직이는 동영상을 수많은 정지 사진으로 잘게 나누어 저장하는 원리와 같아요.
컴퓨터는 이렇게 쪼갠 소리 신호에서 주변의 바람 소리나 잡음을 말끔히 지우고 사람의 목소리 성분만 남겨요. 그런 다음 소리의 높낮이와 세기, 시간에 따른 울림의 주파수 변화를 계산해 시각적인 그래프 형태로 변환해요.
이 과정을 거치면 공기 중에 사라지던 목소리가 컴퓨터가 연산할 수 있는 정교한 숫자 데이터로 정리돼요. '사과'라고 말할 때와 '바나나'라고 말할 때 발생하는 고유한 주파수 모양이 서로 완전히 다르기 때문에 컴퓨터가 두 소리를 뚜렷하게 구별할 수 있게 돼요.
발음 조각과 문맥을 맞추는 인공지능
숫자로 바뀐 소리 데이터는 인공지능 신경망으로 전달돼요. 먼저 음향 모델이라는 인공지능이 잘게 쪼개진 소리 신호가 'ㄱ', 'ㅏ', 'ㄴ' 같은 어떤 발음 기호에 가까운지 확률을 하나씩 계산해요. 수많은 사람의 음성 데이터를 미리 학습했기 때문에 억양이 독특한 사투리나 빠른 말투도 높은 정확도로 짚어낼 수 있어요.
하지만 발음만 알아내서는 완벽한 문장을 만들기 어려워요. 예를 들어 소리만 들으면 '밤'이 먹는 밤인지 깜깜한 밤인지, '바람'이 부는 바람인지 마음속 소원인지 컴퓨터가 분간하기 어렵거든요.
여기서 언어 모델이라는 두 번째 인공지능이 활약해요. 언어 모델은 앞뒤 단어들의 연결 관계를 꼼꼼하게 따져서 가장 자연스러운 문맥의 단어를 골라내요. '어젯밤에 맛있는 [밤/발]을 삶아 먹었다'라는 소리가 들어오면 전체 문맥을 고려해 가장 어울리는 '밤'을 최종 글자로 결정하는 식이에요.
조금 더 정확히 말하면: 음성 인식과 화자 인식
음성 인식과 자주 혼동하는 개념으로 '화자 인식'이 있어요. 음성 인식이 소리를 듣고 '무슨 말을 했는가'를 알아내는 기술이라면, 화자 인식은 사람마다 다른 성대의 고유한 울림을 분석해 '누가 말하고 있는가'를 식별하는 생체 인증 기술이에요.
스마트폰에 대고 '시리야'나 '하이 빅스비'를 부를 때 두 기술이 환상의 짝꿍처럼 함께 작동해요. 먼저 등록된 주인의 목소리가 맞는지 화자 인식이 확인하고, 호출이 승인되면 뒤이어 나오는 사람의 말을 음성 인식 기술이 문장으로 받아 적어 명령을 수행해요.
요즘의 음성 인식 기술은 단순한 받아쓰기를 넘어 거대언어모델(LLM)과 결합하고 있어요. 시끄러운 카페 안이나 웅얼거리는 말투 속에서도 말하는 사람의 숨은 의도와 뉘앙스까지 파악해 매끄러운 문장으로 스스로 다듬어 줄 만큼 똑똑해졌어요.
🤔 흔한 오해
음성 인식은 컴퓨터가 사전에 녹음된 단어 파일들과 내 목소리를 1:1로 대조해서 찾는 방식이다.
사람마다 목소리 톤과 말하는 속도가 제각각이라 1:1 대조는 불가능해요. 소리를 아주 작은 발음 단위(음소) 확률로 쪼갠 뒤, 앞뒤 문맥에 가장 어울리는 단어 조합을 인공지능이 확률적으로 계산해 내는 방식이에요.
🧺 일상에서 만나요
소리 파동을 숫자로 변환한 뒤, 발음 확률과 앞뒤 문맥을 인공지능으로 계산해 글자로 바꾸는 기술이에요.