대규모 언어 모델(LLM)이 저자원 ASR의 오류를 신뢰성 있게 수정할 수 있는가? West Frisian에 대한 데이터 오염 인지 사례 연구

요약

본 연구는 저자원 언어인 West Frisian을 대상으로 LLM을 활용한 자동 음성 인식(ASR) 오류 수정(GER)의 효과와 데이터 오염 영향을 조사했습니다. 비공개 텍스트를 포함한 오프라인 데이터셋을 통해 검증한 결과, LLM 기반의 오류 수정이 실제 성능 향상으로 이어짐을 확인했습니다.

핵심 포인트

• 저자원 언어 환경에서 LLM을 통한 생성적 오류 수정(GER)이 ASR 성능을 유의미하게 향상시킴
• 비공개 데이터셋을 활용한 실험을 통해 LLM의 성능 향상이 데이터 오염이 아닌 실제 수정 능력임을 입증
• GPT-5.1 모델이 가장 우수한 성능을 보였으며, 일부 설정에서는 오라클 단어 오류율(oracle WERs)을 상회함
• LLM의 오류 수정 패턴에 대한 상세한 분석 제공