음성 인식(ASR, 음성 텍스트 변환)

음성 인식은 ASR 또는 음성 텍스트 변환이라고도 불리며, 말한 오디오를 문자 텍스트로 바꿉니다.

  • 모델과 아키텍처
  • 업데이트

ASR 모델은 녹음이나 실시간 스트림을 듣고 전사본을 작성합니다. 보통 타임스탬프와 문장 부호가 붙고, 모델에 따라 화자 라벨도 붙습니다. 완성된 파일을 전사하는 모델이 있는가 하면, 스트리밍 모델은 말하는 동안 텍스트를 출력하며 짧은 지연과 정확도를 절충할 수 있게 합니다. 번역을 하거나 수십 개 언어를 전사할 수 있는 모델도 많습니다.

정확도는 보통 공개 테스트셋의 단어 오류율(word error rate)로 보고되는데, 이런 테스트셋은 여러분의 오디오와 일치하는 경우가 드뭅니다. 따라서 억양, 배경 소음, 분야 용어에 따라 결과가 크게 달라질 수 있습니다. Whisper는 한 번도 말하지 않은 텍스트를 써내기도 하므로, 중요한 전사본은 반드시 확인하세요.

관련 용어

  • 단어 오류율(WER) 단어 오류율은 음성 인식의 표준 점수입니다. 올바른 참조문과 비교해 전사본에서 틀리거나 빠지거나 더해진 단어의 비율을 말합니다.
  • 화자 분리(화자 라벨) 화자 분리는 녹음에서 누가 언제 말했는지 파악하여, 화자 1과 화자 2처럼 발화 구간마다 화자 라벨을 붙입니다.
  • 텍스트 음성 변환(TTS) 텍스트 음성 변환 모델은 작성된 텍스트를 음성 오디오로 바꾸며, 짧은 샘플만으로 목소리를 복제할 수 있는 모델도 많습니다.

전체 용어