Mega-ASR: 실제 환경의 복합적 음향 시뮬레이션 확장을 통한 야생(In-the-wild^2) 음성 인식 연구

요약

Mega-ASR은 실제 환경의 복합적인 음향 왜곡 상황에서도 견고한 음성 인식을 수행하기 위해 제안된 통합 프레임워크입니다. 54가지 복합 시나리오를 포함하는 Voices-in-the-Wild-2M 데이터셋과 점진적 음향-의미 최적화 학습 방식을 통해, 기존 모델들이 겪는 음향적 강건성 병목 현상을 해결합니다. 실험 결과, 열악한 환경의 벤치마크에서 기존 SOTA 시스템 대비 월등한 성능과 30% 이상의 WER 감소를 입증했습니다.

핵심 포인트

• 실제 환경의 복합적 음향 왜곡을 모사하는 Voices-in-the-Wild-2M 데이터셋 도입
• 음향-의미 점진적 지도 미세 조정(Acoustic-to-Semantic Progressive Supervised Fine-Tuning) 기법 적용
• 이중 입도 WER 게이트 정책 최적화를 통한 학습 효율성 증대
• 복잡한 음향 시나리오에서 기존 베이스라인 대비 30% 이상의 상대적 WER 감소 달성