원문: http://cafe.naver.com/rapid7/2285
딥러닝 기반의 음성인식 기술
음성인식 기술의 개요
음성은 사람 간의 가장 자연스러운 의사소통 방식이다. 음성 인식 기술은 이미 스마트폰, 자동차, 콜센터 등 현재 우리 생활 의 많은 부분에 녹아들어서 서비스화되고 있다.
음성인식 기술은 사람이 일상생활에서 발성한 모든 내용을 그대로 받아 적으며(dictation), 외국인이 자기 나라 언어로 발 성한 것을 그대로 우리말로 통역해 주거나 그 반대로 해 주는 자동통역(automatic interpretation), 원어민과 대화하듯이 영어 회화를 가르쳐 주는 컴퓨터 언어교사(language tutor), 말만하면 알아서 일정관리 및 대화상대 등을 해주는 지능형 비 서 등의 개발을 궁극의 목표로 한다.
과거 음성인식의 역할 은 소리를 문자로 바꾸 어주는 것에 한정되어 있었으나 현재는 사람과 기계간의 대화를 가능하 게 하는 자연어처리 (natural language processing) 기술까지도 그 기술적 영역 안에 포 함하기도 한다. 따라서 인공지능의 한 세부 영 역으로써 음성인식 기술 을 포괄적으로 언어지능 으로 분류하기도 한다.
인공지능 기술이 1950년대에 태동(Birth)해 1990년대에 암 흑기(Winter)를 맞았던 것과 유사하게, 음성인식도 약 50여년 동안 발전을 거듭해 오면서 암흑기를 겪기도 했다. 음성인식 기술이 몇 차례 그 기술적 부침을 겪어가면서 오늘날 비교적 똑똑한 모습으로 우리 생활 가까이에 다가오고 있는 배경에는 하드웨어의 비약적 발전이 자리하고 있다.
예를 들어 1950년대 RCA에서 개발된 음소타자기나 1960년 대에 개발된 숫자 음성 인식기는 규모나 계산 능력 면에서 수 백 배나 작은 스마트폰의 그것보다 훨씬 못 미치는 성능으로 훨씬 낮은 수준의 인식 대상만을 고려할 수 밖에 없었다.
최근 몇 년 동안 딥러닝으로 말미암아 혁신적인 성능을 보이 고 있는 음성인식 기술도 보편화되고 있는 클라우드 서버 및 고성능 GPU와 같은 하드웨어의 눈부신 발전에 그 배경을 두 고 있다.
아직 완전하다고는 할 수 없지만 음성인식 성공의 또 다른 측면에는 포기하지 않는 연구자들의 끊임없는 노력이 있었다 고 하겠다.
예를 들어 최근 음성인식에 사용되는 주요한 딥러닝 기술 패 러다임들인 DNN(Deep Neural Networks), CNN(Convoluti on al Neural Network), LSTM-RNN(Long Short-Term Memory - Recurrent Neural Network)1) 등은 이미 1990년 대에 이론적, 개념적 토대가 완성됐지만 사장될 위기에 있었 다. 하지만 이를 실용적 성능으로 개선하기 위한 연구자들의 끊임없는 노력 덕분에 2000년 후반부터 빛을 보기 시작했는 데, 여기에 고성능 GPU와 같은 하드웨어의 지원에 편승하여 비로소 꽃을 피우게 됐다.
음성인식 및 인공지능 기술 발전의 또 한가지 중요한 배경에 는 오픈소스에 기반하는 생태계의 활성화를 들 수 있다. 예를 들어 딥러닝과 관련된 오픈소스 기반의 도구들을 들 수 있다. Kaldi(미국의 존스홉킨스대학), Caffe(미국 버클리대학), Tensorflow(구글), Theano(캐나다 몬트리올대학), Torch(페 이스북), CNTK/DMTK(마이크로소프트), cuDNN(엔비디아) 등이 여기에 해당한다. 여기서 중요한 사실은 구글이나 페이스 북 등 글로벌 주요 IT 기업들이 자체적인 오픈소스 도구를 개 발할 뿐만 아니라 주요 대학에도 개발비를 지원하고 있다는 사 실이다.
결국 주요 IT 기업의 투자가 대학이나 연구소의 연구자금으 로 투입되고, 연구자들은 안정적인 환경에서 연구개발을 함으 로써 중장기적으로 우수한 연구 인력 및 산출물을 기업에서 수 혜받게 되는 선순환 구조가 만들어지고 있다.
한편, 음성인식 기술의 비약적 발전에도 불구하고 여전히 음 성인식은 사람들이 웅성거리는 식당, 회의실, 버스나 지하철 등과 같은 환경에서는 매우 낮은 정확도를 보이는 등 개선할 점이 많다. 다양한 잡음 요인을 고려하지 않더라도 이렇게 음 성인식이 어려운 이유는 먼저 동일한 사람인 경우에도 나이가 들어가거나 병적인 요인에 따라 목소리에 다양한 변이 요인이 발생하며, 동일한 단어라도 감정 및 사투리 등의 영향에 따라 사람마다 발성이 다르고, 문맥에 따라 발성이 달라진다는 점 때문이다.
이러한 음성인식 기술은 기술적으로<표 1>과 같이 분류할 수 있다. 화자 종속에서 독립으로, 고립어에서 연속어로, 소용량 어휘에서 대용량 어휘로 갈수록 높은 난이도를 나타낸다. 이외 에도 음성인식 기술의 단점은 등록이 되지 않은 단어 또는 어 휘는 인식이 불가능하며 우리나 라처럼 지역에 따라 다양한 사투 리가 섞여있는 경우에도 인식이 어렵다. 특히 제주 방언 같은 경 우에는 아예 다른 언어로 취급될 정도로 어휘나 억양이 달라서 인 식이 거의 불가능할 수도 있다.
딥러닝 기반의 음성인식 기술
오늘날 일반적으로 사용되는 음성인식기의 기본 구조는 다음 과 같이 나타낼 수 있다.
음성인식기는 크게 언어모델 과 음향모델이라는 2가지의 중 요한 지식원(knowledge source)을 사용해 음성 신호로부터 문자 정보를 출력하게 되는데, 이때 개념적으로 음성 신호를 문자 심볼로 해석한다는 차원에서 음성인식 알고리즘을 디코 더(decoder)라고 부르기도 한다.
현재 일반적으로 사용되는 음향모델(acoustic model)은 우 리말의‘ㄱ’,‘ ㄴ’,‘ ㄷ’, …,‘ ㅏ’,‘ ㅑ’,‘ ㅓ’, …등의소리단 위를 딥러닝 기술로 학습해서 지식화해 놓고 디코더에서 사용 한다. 언어 모델은 단어나 어휘적 쓰임새를 학습해 지식으로 가지고 있는데 예를 들어‘아버지’라는 어휘 다음에‘는’, ‘이’,‘ 를’등과같은어휘가어느정도의확률로나타날수있 는 가를 나타내는 통계적 모델이 일반적으로 적용된다.
이 외에 자음접변, 구개음화 등의 일반적인 음운 현상을 반 영하기 위해 발음규칙이 사용되며, 인식 어휘 자체를 등록하기 위해 어휘 사전이 사용된다. 현재 시점까지는 음향모델 측면에 서 딥러닝 기술이 매우 효과적이며 언어모델 측면에서는 그 효 과가 상대적으로 약하게 나타나고 있다.
한편 종래의 음성인식 기술은 아나운서가 국어책을 읽듯이 발성하는 음성을 대상으로 하는 낭독체 음성인식 기술이 주로 연구대상이었으나, 딥러닝 및 잡음처리 기술의 발전으로 인해 현재는 사람간의 자연스런 대화 음성을 대상으로 기술 고도화 가 이루어지고 있다.
대화체음성인식이어려운이유는‘그러니까’,‘ 음’,‘ 아참’ 등등 헤아릴 수 없이 많은 간투사가 수시로 사용되며, 더듬거 림, 어휘의 도치 현상, 동일 어휘의 반복이나 어휘적 단락(끊어 짐), 재발성 등등으로 인한 비문법적인 비정형 발성이 빈발함 에 기인하는데, 이를 통칭해서 비정형 자연어(unstructured spontaneous speech)라고로 정의하고 있다.
직관적으로 봐도 기존의 어휘적 쓰임새를 통계적 지식에 의 존해서 처리해야 하는 메커니즘으로는 해결이 어렵기 때문에 새로운 방식의 언어 모델이 필연적으로 개발되어야 한다. 이러 한 통계적 방식의 단점을 극복하고 비정형=0 src="http://www.dbguide.net/publishing/img/knowledge/tech_img4360.jpg">
한편 구글과 같이 수십만대의 서버를 동원해서 클라우드 기 반의 음성인식을 하는 경우에는 문제될 것이 없지만, 특정 기 업의 콜센터 또는 고객센터처럼 제한된 공간에서 제한된 수의 서버를 운용하는 경우 서버당 처리 가능한 고객의 수에 한계가 있을 수 밖에 없기 때문에 단일 컴퓨터 서버에서 몇 개까지의 음성인식 디코더가 실행될 수 있는지를 연구하는 것도 매우 중 요하다고 할 수 있다. 이를 위해 동시접속(concurrency) 성능 을 최대화하는 음성인식 디코더의 집적 및 최적화 기술도 중요 한 연구 요소 중의 하나이다.
현재 다양한 수준의 빅데이터가 존재하고 활용이 가능하지 만 실질적으로는 여전히 데이터에 대한 갈증이 크다. 예를 들 어 특정 카드회사에서 누적된 사용자 경험(user experience) 은 유사한 업종인 보험회사에서조차 효과적으로 쓰이지 못할 수 있고, 의료 분야에서 일반적으로 사용되는 사용자 경험이 법률 분야에서는 사용 불가능할 수도 있는 것이다.
이를 위해 기술적으로 언어 모델이나 음향 모델을 정규화하 거나 적응하도록 하는 학습 메커니즘을 동원하기도 한다. 이러 한 적응 및 정규화 방식은 여전히 전문가가 개입해야만 하는 한계가 있기 때문에, 다양한 영역의 데이터가 누적됨에 따라 스스로 학습해서 지식을 구축해 나가는 방향으로 딥러닝 기술 을 응용하기도 한다.
즉, 향후에는 인간의 뇌처럼 스스로 학습하고 지식을 축적해 나가는 형태로 인공지능이 발전하게 된다는 것이다.
다음 그림은 전통적인 은닉마르코프 모델 기반의 음성인식 기술(HMM; Hidden Markov Model)과 딥러닝 기반의 음성인 식 기술(DNN; Deep Neural Network)2)을 방송대담 프로그 램, 학술 발표 및 학술 토론 데이터를 대상으로 성능 평가한 결 과이다. HMM’14는 기본 성능, HMM’15는 잡음처리 및 고성 능 음향 모델을 적용한 성능, DNN’15는 딥러닝 기반의 음성인 식 기술의 성능을 보이고 있는데, 고도의 잡음처리 기술을 적 용한 것보다 딥러닝 기술을 적용하는 쪽이 보다 우수한 성능을 보임을 상징적으로 보여주고 있다.
딥러닝과 음성인식의 미래
딥러닝과 음성인식을 포함하는 인공지능 기술의 미래를 현 재와 비교해 보면 다음과 같이 예상해 볼 수 있을 것이다. 현재 시점에서 딥러닝을 포함하는 대표적인 인공지능 기술 로 IBM의 TrueNorth3), 구글의 딥마인드4)5), IBM의 Watson6) 등을 들 수 있다.
학습의 기본 알고리즘 측면에서는 영상, 문자, 음성, 제스처 등 단일한 모달리티(modality)를 독립적으로 학습 및 인식하 는 방식에서 나아가 영상이나 음성 등의 여러 가지 모달리티를 동시에 학습 및 인식하는 방식으로 변화할 것이 다. 예를 들어, 음성 신호와 입술의 움직임을 동시 에 사용해서 고성능 음성인식이 가능하게 되는 것 이다.
다음으로 시간적으로나 공간적으로 분리된 대 상(object)을 인식하는 이산형(discrete), 분절형 (segmented) 방법론으로부터 이들을 시간적, 공 간적으로 연동해 학습함으로써 인식 성능을 높이 는 방향으로 발전하게 될 것이다. 예를 들어 단순 한 정지 영상 또는 그 결합을 인식 대상으로 하지 않고 연속된 영상 자체를 인식하는 동적/증강형 (dynamic/incremental) 학습으로 발전하게 될 것이다.
또한 단순 데이터나 패턴을 분류하는 데서 나아가 대상이 내포하는 의미까지 인지하게 되는 방향으로 발전하게 될 것이 다. 예를 들어 음성 신호에서 특정 어휘를 인식한 다음 단어가 문맥적으로 어떤 의미를 내포하고 있는지, 어떠한 감정이 포 함되어 있는지 까지 파악하여 대화를 진행할 수 있게 될 것이 다. IBM 왓슨(Watson)과 같은 지식학습 인공지능은 전통적 인 규칙 및 통계 기반의 인공지능 시스템으로 정의된다. 최근 IBM에서도 인지컴퓨팅(cognitive computing)과 같은 기술 패러다임을 집중적으로 연구하고 있기는 하지만 여전히 방대 한 지식은 전문가의 정교한 손끝에서 생성된다.
향후 이러한 수동 또는 반자동으로 생성되는 지식은 데이터 만 주어지면 인공지능이 스스로 학습해서 지식을 쌓아가는 형 태인 자율 학습 방법론에 따라 사람의 개입이 최소화되는 방 향으로 발전할 전망이다.
또한, 하나의 지식이 생성되면 유사한 지식을 자가적으로 확장해 나가는 다중도메인 확장 지식, 다양한 지식을 검색하 고 분석하는 방식에서 나아가 기존 지식에 기반해서 새로운 사실을 예측해 나가는 예측형 지능으로 발전할 전망이다.
현재 사람 두뇌를 모방한 물리적인 프로세서 중 가장 앞선 기술로는 IBM의 TrueNorth를 들 수 있다. 하지만 여전히 100만 개의 뉴런을 동원해서 5개 정도의 패턴을 80%를 상회 하는 인식 정확도로 인지가 가능하다.
아직은 기능적 한계와 낮은 효율성을 보이고 있지만 조만간 연구자들에 의해 실용적 성능의 프로세서가 개발될 것으로 전 망된다.
맺음말
음성인식 기술이 최근 비약적인 성능 향상을 이루면서 우리 실생활에 스며들고는 있지만 여전히 영화‘스타워즈(Star Wars)’나‘그녀(Her)’에서 나오는 이상적인 기술과는 많은 차이가 있다.
하지만 음성인식을 포함하는 언어지능 기술은 타 산업의 제 품과 서비스에 공통적으로 적용되는 기반 기술이며, IT와 전 통산업의 효과적인 융합을 위한 핵심 원천 기술로써 지속적으 로 연구되어야 하는 중요한 인간-컴퓨터 상호작용(Human- Computer Interaction) 기술의 하나인 것은 분명하다. 이러 한 측면에서 딥러닝과 같은 알고리즘적 혁신, GPU와 같은 물 리적 하드웨어적 혁신은 지속되어야 하며 이를 통해 인류는 보다 나은 미래를 맞이할 수 있을 것이다
출처 : DBguide.net