많은 음성 인식 애플리케이션과 디바이스를 사용할 수 있지만, 보다 고급 솔루션에서는 AI와 머신 러닝을 사용합니다. 이는 문법, 구문, 구조 그리고 오디오와 음성 신호의 구성을 통합하여 사람의 음성을 이해하고 처리합니다. 이상적으로, 이는 실행하면서 학습합니다. 즉, 각각의 상호작용을 통해 응답을 발전시킵니다.

또한 최고 수준의 시스템을 통해 기업들은 언어와 음성의 뉘앙스에서부터 브랜드 인식에 이르기까지 모두를 포함하여 자신의 특정 요구사항에 맞게 기술을 사용자 정의하고 조정할 수 있습니다. 예를 들면 다음과 같습니다.

• 언어 가중치: 기본 어휘에 이미 있는 용어를 벗어나서, 자주 발화되는 특정 단어(예: 제품명 또는 산업 용어)에 가중치를 둠으로서 정밀도를 개선합니다.
• 화자 레이블링: 다수의 참여자가 나누는 대화에서 각 화자의 발화를 인용 또는 태깅하는 전사를 출력합니다.
• 음향 훈련: 비즈니스의 음향적 측면에 집중합니다. 음향 환경(예: 콜센터의 주변 소음)과 화자 스타일(예: 음의 고저, 볼륨 및 속도)에 적응하도록 시스템을 훈련시킵니다.
• 비속어 필터링: 필터를 사용하여 특정 단어나 구문을 식별한 후, 부적절한 부분을 음성 출력에서 제거합니다.

한편, 음성 인식은 계속해서 발전하고 있습니다. IBM 등의 기업들이 다양한 분야에 진출하고 있으며, 인간과 기계의 상호작용을 향상시키는 데 기여하고 있습니다.

인간 음성의 예측 불가능한 변칙 상황은 개발을 매우 어렵게 만들고 있습니다. 이는 언어학, 수학 및 통계학과 함께 가장 복잡한 컴퓨터 사이언스 분야 중 하나로 간주되고 있습니다. 음성 인식기는 음성 입력, 특성 추출, 특성 벡터, 디코더 및 워드 출력 등의 몇몇 컴포넌트로 구성되어 있습니다. 디코더는 음향 모델, 발음 사전 및 언어 모델을 활용하여 적절한 출력을 판별합니다.

음성 인식 기술은 정확도, 즉 단어 오류율(WER) 및 속도에 따라 평가됩니다. 발음, 액센트, 피치, 볼륨 및 배경 잡음 등 다수의 요인이 단어 오류율에 영향을 줄 수 있습니다. 두 사람의 발화의 경우와 대응되는 오류율을 의미하는 인간 패리티 달성은 음성 인식 시스템의 목표가 되어 왔습니다. Lippmann의 연구(IBM 외부 링크)(PDF, 352 KB)에서는 단어 오류율을 약 4% 정도로 추정하지만, 이 논문의 결과와 동일한 결과를 실제 환경에서 얻는 것은 어려웠습니다.

여기에서 음성 인식 분야에서 업계 기록을 달성함으로써 IBM이 이러한 측면에서 어떻게 장족의 발전을 거듭해 왔는지에 대해 알아보세요.

음성을 텍스트로 인식하고 전사의 정확도를 향상시키기 위해 다양한 알고리즘과 계산 기술이 사용되고 있습니다. 다음은 가장 일반적으로 사용되는 방법들 중 일부에 대한 간략한 설명입니다.

• 자연어 처리(NLP): NLP가 반드시 음성 인식에서 사용되는 특정 알고리즘일 필요는 없지만, 이는 음성과 텍스트를 통해 언어를 통한 인간과 기계 간의 상호작용에 초점을 둔 인공지능의 영역입니다. 많은 모바일 디바이스가 음성 검색을 수행하거나(예: Siri) 문자 메시지 전송의 접근성을 높이기 위해 시스템에 음성 인식 기능을 통합합니다. 
• HMM(Hidden Markov Model): HMM은 주어진 상태의 확률이 이전 상태가 아닌 현재 상태에 달려 있음을 규정하는 Markov 체인 모델을 기반으로 합니다. Markov 체인 모델이 텍스트 입력 등의 관찰 가능한 이벤트에는 유용하지만, HMM(Hidden Markov Model)을 이용하면 품사 태그(part-of-speech tag) 등의 숨겨진 이벤트를 확률적 모델에 통합할 수 있습니다. 이는 음성 인식 내의 시퀀스 모델로서 활용되며, 시퀀스에서 단어, 음절, 문장 등의 각 유닛에 레이블을 지정합니다. 이러한 레이블은 주어진 입력으로 맵핑을 작성함으로써 최적의 레이블 시퀀스를 판별할 수 있도록 허용합니다.
• N-gram: 이는 문장이나 구문에 확률을 지정하는 가장 단순한 유형의 언어 모델(LM)입니다. N-gram은 N-word의 시퀀스입니다. 예를 들어 "order the pizza"는 3-gram(혹은 trigram)이며, "please order the pizza"는 4-gram입니다. 특정 단어 시퀀스의 문법 및 확률을 사용하면 인식과 정확도를 향상시킬 수 있습니다.
• 신경망: 주로 딥러닝 알고리즘에 활용되는 신경망은 노드의 계층을 통해 인간 두뇌의 상호연결성을 모방함으로써 훈련 데이터를 처리합니다. 각각의 노드는 입력, 가중치, 바이어스(또는 임계값) 및 출력으로 구성되어 있습니다. 해당 출력 값이 주어진 임계값을 초과하면, 이는 노드를 "실행"하거나 활성화하여 데이터를 네트워크의 다음 계층으로 전달합니다. 신경망은 지도형 학습을 통해 이러한 맵핑 기능을 학습하며, 기울기 하강 프로세스를 통한 손실 함수를 기반으로 조정을 수행합니다. 신경망이 보다 정확한 경향이 있으며 더 많은 데이터를 수용할 수 있지만, 기존의 언어 모델에 비해 훈련 속도가 느려지는 측면이 있으므로 이에는 성능 효율성 비용이 수반됩니다.
• SD(Speaker Diarization): SD 알고리즘은 화자 ID로 음성을 식별하고 세그먼트화합니다. 이는 프로그램이 대화에서 개인을 보다 잘 구분하는 데 도움을 주며, 콜센터에서 고객과 판매 상담원을 구분하는 데 자주 적용됩니다.

오늘날 수많은 산업 분야에서 음성 기술의 다양한 응용 기술을 활용하고 있으며, 기업과 소비자들이 시간을 절약함은 물론 심지어는 생명까지도 구할 수 있도록 지원합니다. 그 예는 다음과 같습니다.

자동차: 음성 인식기는 자동차 라디오에서 음성 활성화 내비게이션 시스템 및 검색 기능을 활성화하여 운전자 안전성을 향상시킵니다.

기술: 가상 상담원은 특히 모바일 디바이스를 통해 점점 더 우리의 일상적 삶 속에 통합되고 있습니다. 우리는 음성 명령을 사용함으로써 음성 검색 등의 작업을 위해 스마트폰(예: Google Assistant 또는 Apple의 Siri)을 통해 이에 액세스하거나, 음악 재생을 위해 스피커(예: Amazon의 Alexa 또는 Microsoft의 Cortana)를 통해 이에 액세스합니다. 이는 우리가 매일 사용하는 일상적인 제품들에 지속적으로 통합됨으로써 "사물인터넷(Internet of Things, IoT)" 혁명을 가속화할 것입니다.

의료: 의사와 간호사는 딕테이션 애플리케이션을 활용함으로써 환자 진단과 치료 기록을 캡처하고 기록합니다.

영업: 음성 인식 기술은 영업 분야에서 몇 가지 방식으로 응용되고 있습니다. 이는 콜센터가 고객과 에이전트 간의 수천 건의 전화 통화를 전사함으로써 공통적인 통화 패턴과 문제들을 식별하는 데 도움을 줄 수 있습니다. AI 챗봇은 또한 웹 페이지를 통해 고객들과 대화하고, 일반적인 질의에 응답하며, 기본적인 요청들을 처리할 수 있습니다. 따라서 고객센터 상담원과 통화를 하려고 오랜 시간을 기다릴 필요가 없습니다. 위의 두 사례 모두에서, 음성 인식 시스템은 고객 문제 해결 시간을 단축하도록 지원합니다.

보안: 기술이 우리의 일상적인 삶에 통합되면서, 보안 프로토콜은 점점 더 우선 순위가 높아지고 있습니다. 음성 기반 인증은 실행 가능한 보안 수준을 추가로 제공합니다.