음성 인식은 어떻게 작동합니까?

단계별로 보기

1. 소리에서 숫자로. 마이크는 공기의 압력 변화를 전기 신호로 바꾸고, 변환기가 이를 1초에 수천 번 측정합니다.
2. 숫자에서 그림으로. 신호를 짧게 잘라 조각마다 어떤 주파수가 들어 있는지 분석합니다. 이를 시간 순서대로 쌓으면 스펙트로그램이 되며, 말소리는 그 안에서 알아볼 수 있는 모양을 이룹니다.
3. 그림에서 단어로. 신경망이 스펙트로그램을 읽고, 소리와 언어에 대해 배운 것을 바탕으로 가장 그럴듯한 텍스트를 한 조각씩 예측합니다.
4. 단어에서 의미로. 비서라면 이 텍스트가 다시 언어 모델로 넘어가, 사용자가 원하는 것이 무엇인지 파악합니다.

방대한 음성으로 배우기

예전 시스템은 소리, 발음, 단어를 각각 다루는 부분을 따로 만들어 조합했습니다. 오늘날의 시스템은 대부분 받아 적은 오디오로 학습한 하나의 신경망입니다. 2022년 OpenAI 연구진은 인터넷에서 모은 다국어 오디오와 그 받아쓰기 68만 시간 분량으로 학습한 시스템을 발표했습니다. 이렇게 만든 모델은 표준 테스트에 맞춰 따로 조정하지 않고도 좋은 성적을 냈고, 정확도와 견고함에서 사람에 가까운 수준에 이르렀습니다.

정확도를 재는 방법

단어 오류율은 시스템이 틀리거나 빠뜨리거나 덧붙인 단어를 세어, 실제로 말한 단어 수에 대한 비율로 나타냅니다. 오류율 5%는 대략 스무 단어에 한 단어가 어긋난다는 뜻입니다. 같은 시스템이라도 조용한 방에서 글을 읽는 목소리와 붐비는 거리에서 웅얼거리는 목소리에서는 점수가 크게 다를 수 있습니다. 그래서 조건 없이 제시된 숫자 하나로는 알 수 있는 것이 많지 않습니다.

여전히 틀리는 이유

• 소음과 거리. 마이크가 멀수록 방과 거리의 소리가 더 많이 섞입니다.
• 거의 들어 보지 못한 목소리. 학습 데이터에 드물었던 억양, 방언, 연령대에서는 오류가 더 많습니다. 자세한 내용은 음성 비서와 억양(영어)에 있습니다.
• 이름과 드문 단어. 처음 듣는 이름은 흔한 단어로 잘못 듣기 쉽습니다.
• 웅얼거림과 겹치는 말. 신호는 줄고 추측은 늘어납니다.

기기에서, 아니면 클라우드에서?

작은 모델은 휴대폰이나 도킹 스테이션에서 돌아가고, 가장 큰 모델은 데이터 센터에서 돌아갑니다. 한쪽에는 개인정보 보호와 배터리가, 다른 쪽에는 정확도와 지원 언어가 놓인 절충입니다. 자세한 내용은 엣지 AI와 클라우드 AI에 있습니다.

저희의 접근 방식

링은 입이 아니라 손에서 목소리를 듣습니다. 그래서 저희는 링 마이크를 시뮬레이션해 소음, 거리, 웅얼거림이 섞인 조건에서 6개 언어로 음성 인식을 테스트합니다. 자세한 내용은 링이 웅얼거림을 알아들을 수 있는지(영어)에 있습니다. Lychnos Ring에서는 버튼을 누르고 있는 동안에만 목소리가 전송되고, EU에 있는 저희 클라우드에서 텍스트로 바뀌며, 음성 녹음은 그 직후 삭제됩니다. Lychnos Ring은 개발 중입니다.

출처(2026년 11월 4일 확인): Radford 외, robust speech recognition via large-scale weak supervision, 2022(arXiv).