인식을 위한 목소리 준비: 소음 억제, 에코 제어, 음성 감지
음성 인식 전에 오디오에 무슨 일이 일어날까요? 자동 게인 조절, 소음 억제, 에코 제거, 음성 구간 감지, 스펙트로그램, 그리고 더 깨끗한 소리가 항상 더 좋은 건 아닌 이유를 알아봐요.
요약
인식 전에 오디오는 크기가 고르게 맞춰지고, 에코와 소음이 줄고, 목소리가 있는 부분만 잘릴 수 있어요. 각 단계에는 정해진 역할이 있고, 어느 것도 말을 이해하지 않으며, 어느 것도 필수는 아니에요. 소음 억제가 너무 강하면 오히려 나빠질 수도 있어요. 단어를 구별해 주는 약한 자음까지 지워 버리기 때문이에요.
말한 내용
민수 씨 안녕하세요 청구서 첨부합니다 숫자가 맞는지 알려 주세요
SayVelio가 입력한 내용
민수 씨, 안녕하세요.
청구서 첨부합니다. 숫자가 맞는지 알려 주세요.
신호 처리는 음성 인식이 아니에요
신호 처리는 언어가 아니라 소리를 다뤄요. 목소리를 더 크게, 작게, 또렷하게 만들거나 어디서 시작하고 끝나는지 정할 수는 있지만, 무슨 말을 했는지는 절대 정하지 않아요. 그건 음성 인식의 원리에서 설명하는 인식 모델의 일이에요.
앱이 어떤 단계를 쓰는지는 상황에 따라 달라요. 통화에는 에코 제거가 필요해요. 상대방 목소리가 내 스피커에서 나오기 때문이에요. 아무것도 재생하지 않는 음성 입력 앱에는 전혀 필요 없을 수도 있어요.
네 가지 도구, 네 가지 역할
| 도구 | 하는 일 | 못 하는 일 |
|---|---|---|
| 자동 게인 조절 | 녹음 크기를 올리거나 내려요 | 처음부터 잘 잡히지 않은 목소리를 되살리기 |
| 소음 억제 | 선풍기나 차 소리 같은 일정한 소음을 줄여요 | 동시에 말하는 두 사람을 나누기 |
| 에코 제거 | 스피커 소리가 마이크로 다시 들어온 부분을 빼요 | 아무것도 재생되지 않을 때 돕기 |
| 음성 구간 감지 | 어느 순간에 목소리가 있는지 추정해요 | 무슨 말을 했는지 알기 |
에코 제거 가 가장 정확하게 겨냥하는 처리예요. 기기가 무엇을 재생하는지 참조용 사본으로 정확히 알고, 마이크가 다시 잡은 부분을 빼요. 반면 소음 억제는 무엇이 소음인지 추측해야 해요.
음성 구간 감지: 말하는 부분 찾기
음성 구간 감지기(VAD)는 보통 10~30밀리초 정도의 짧은 오디오 조각을 살펴보고, 각 조각에 목소리가 있을 확률을 추정해요. 가장 단순한 방식은 소리 크기만 보지만, 문 닫히는 소리는 기준을 넘고 작은 목소리는 기준 아래에 머물 수 있어요. 더 나은 감지기는 조각마다 목소리 확률을 추정하고, 가까운 발화 구간을 이어 붙이고, 단어라기엔 너무 짧은 것은 버려요.

감지는 무음을 건너뛰고, 문장을 다 말했는지 판단하는 데 쓰여요. SayVelio 같은 "누르고 있는 동안 말하기" 방식에서는 녹음의 시작과 끝을 내가 정해요. 녹음은 받아쓰기 키를 누르고 있는 동안만 이어져요.
더 깨끗하다고 항상 더 좋지는 않은 이유
소음을 더 많이 없앨수록 늘 도움이 될 것 같지만, 그렇지 않아요. "ㅅ", "ㅎ", "ㅌ", "ㅊ" 같은 자음은 약하고 소음과 비슷한 소리라서, 강한 소음 억제는 배경과 함께 이 소리들을 가늘게 만들어요. 사람 귀에는 더 깨끗하게 들려도, 인식은 "살"과 "알"을 구별하는 단서를 잃어버린 거예요.
요즘 모델은 시끄러운 실제 말소리를 아주 많이 학습해서, 많이 가공한 오디오보다 원래 소리를 더 잘 다루는 경우가 많아요. 좋은 처리는 부드럽고, 귀로만이 아니라 실제 음성 입력으로 시험해요.
스펙트로그램: 기계가 소리를 보는 방식
많은 인식 시스템은 파형을 그대로 쓰지 않아요. 짧은 창(보통 20~30ms)을 오디오 위로 밀면서 각 구간에 어떤 주파수가 있는지 측정해요. 그 결과가 스펙트로그램 이에요. 가로축은 시간, 세로축은 음높이, 밝기는 에너지인 이미지예요.

스펙트로그램은 받아쓴 글이 아니에요. 모델이 말소리와 연결하도록 배우는 소리의 패턴을 보여 줄 뿐이에요. 창의 길이는 절충이에요. 짧은 창은 타이밍을, 긴 창은 음높이를 잘 보여 줘요. 최근 모델 중에는 이 단계를 건너뛰고 샘플에서 바로 배우는 것도 있어요.
내가 할 수 있는 일
- 가장 조용한 곳에서 말하세요. 좋은 처리도 옆에서 말하는 동료의 목소리는 지우지 못해요. 그것도 목소리니까요.
- 음성 입력하는 동안 음악과 영상 소리를 줄이세요.
- 마이크와의 거리를 일정하게 유지하세요. 그래야 소리 크기가 안정돼요. 다른 팁은 받아쓰기 잘하는 법에 있어요.
질문
음질이 좋을수록 항상 텍스트도 좋아지나요?
항상 그렇지는 않아요. 가장 도움이 되는 건 적당한 크기의 또렷한 목소리예요. 강한 소음 억제, 소리 깨짐, 맞지 않는 오디오 형식은 인식에 필요한 세부를 없앨 수 있고, 모델의 학습 내용, 언어, 어휘도 영향을 줘요.
시끄러운 카페에서도 음성 입력할 수 있나요?
대부분 가능해요. 특히 입 가까이 있는 헤드셋 마이크라면 더 좋아요. 커피 머신 같은 일정한 소음은 근처 다른 사람의 목소리보다 다루기 쉬워요.


