【G검정 대책】 음성 처리의 중요 용어를 「AI 처리 플로우」로 체계적으로 정리하기

G검정(제너럴리스트 검정) 학습에 있어, 음성 처리 분야는 전문 용어가 많아 혼란스러워하기 쉬운 포인트 중 하나입니다.

본 기사에서는 단순히 용어를 나열하는 것이 아니라, **「AI가 음성을 처리할 때의 흐름」**에 따라 체계적으로 정리했습니다.

학습 시 「지금 어느 단계의 이야기를 하고 있는가」를 의식함으로써 이해를 원활하게 할 수 있습니다.

음성 처리는 크게 다음과 같은 5가지 단계로 구성됩니다.

【태스크 (Task)】: 무엇을 하고 싶은가 (목적) -
【소리의 구조】: 다루는 「소리·언어」의 기초 지식 -
【신호 처리 (Signal Processing)】: 아날로그에서 디지털로, 그리고 주파수로 (전처리) -
【특징량 (Feature)】: AI가 학습하기 쉬운 형태로 가공 -
【모델 (Model)】: AI 알고리즘에 의한 학습·추론

먼저, 음성 처리로 무엇을 실현하고 싶은지 분류합니다.

용어	해설
음성 처리	음성과 관련된 기술의 총칭.
음성 인식	음성을 텍스트(문자)로 변환하는 태스크. (예: 자동 받아쓰기)
음성 합성	텍스트로부터 음성을 생성하는 태스크 (TTS). (예: 카 내비게이션 안내)
화자 식별	목소리의 주인공이 누구인지 특정하는 태스크. (예: 목소리를 통한 생체 인증)

인간이 발하는 언어나 소리의 최소 단위에 대한 정의입니다.

음소 (Phoneme)- 물리적인 소리의 최소 단위. (예: 「아」 소리, 영어의 「L」과 「R」의 차이)

음운 (Phonology)- 의미를 구별하는, 뇌 내에서 인식되는 추상적인 최소 단위.

• 일본어의 「ん」은 뒤에 이어지는 말에 따라 발음이 변하지만 (음소가 다름), 의미상으로는 동일함 (음운).

마이크로 포착한 아날로그 소리를 컴퓨터가 다룰 수 있는 형태로 변환하는 단계입니다.

A-D 변환 (ADC)- 연속적인 「아날로그 신호」를 이산적인 「디지털 신호」로 변환하는 처리.

펄스 부호 변조기 (PCM)- A-D 변환의 대표적인 방식. 표본화, 양자화, 부호화 순서로 디지털화함.

고속 푸리에 변환 (FFT)- 시간에 따라 변화하는 「파형 데이터」를 어떤 높이의 소리가 얼마나 포함되어 있는지에 대한 「주파수 데이터」로 고속 변환하는 알고리즘.

※ 이미지는 처리의 전체상을 이해하기 위한 이미지입니다. 엄밀한 파형이나 전문적인 회로도를 나타내는 것은 아닙니다.

FFT로 얻은 데이터를 더욱 인간의 들리는 방식이나 목소리의 특징에 특화된 수치로 변환합니다.

스펙트럼 포락선 (Spectral Envelope)- 주파수 데이터의 세밀한 굴곡을 이은 대략적인 윤곽. 여기에 「목소리의 음색」이나 「모음」의 정보가 포함됨.

포먼트 (Formant, 포먼트 주파수)- 스펙트럼 포락선에 있는 「산의 솟아오름」을 말함. 낮은 쪽부터 제1포먼트(F1)...라고 부르며, 그 조합으로 「아 이 우 에 오」를 판별할 수 있음.

멜 스케일 (Mel Scale)- 인간의 청각(낮은 소리에는 민감, 높은 소리에는 둔감)에 맞춘 주파수의 척도.

멜 주파수 케프스트럼 계수 (MFCC)- 멜 스케일을 이용하여 추출되는, 음성 인식에서의 가장 대표적인 특징량.

추출된 특징량을 사용하여 최종적인 예측이나 생성을 수행하는 핵심부입니다.

은닉 마르코프 모델 (HMM)- 시계열 데이터를 확률적으로 다루는 모델. 딥러닝 이전 음성 인식의 주류.

WaveNet- CNN (합성곱 신경망)을 이용한 음성 생성 모델.

• 매우 고품질이며 자연스러운 음성 합성을 실현함 (Google DeepMind 개발).

음성 처리 용어는 다음과 같은 흐름으로 이어져 있습니다.

아날로그 소리 (PCM)

↓ FFT로 변환

주파수 데이터

↓ 특징 추출

MFCC (멜 스케일 이용)

↓ 모델 학습

HMM이나 WaveNet

↓

음성 인식·음성 합성 실현!

이 흐름을 파악해 둠으로써 「어느 페이즈의 기술인가」를 혼동하지 않게 될 것이라 생각합니다.