파동합성 기반 정밀 음성 구간 검출 알고리즘

본 논문은 자동 음성 인식(ASR) 등 음성 기반 시스템에서 음성 구간을 정확히 추출하는 것이 전체 성능에 미치는 영향을 강조하며, 기존의 종단점 검출(Endpoint Detection, EPD) 방법들의 한계를 상세히 분석한다. 전통적인 STE(Short‑Term Energy)와 ZCR(Zero‑Crossing Rate) 기반 알고리즘은 배경 잡음이 없고 비음성 소리(NON‑Speech Artifacts, NSA)가 존재하지 않을 때는 비교적 잘 동작한다. 그러나 실제 녹음 환경에서는 화자에 의해 발생하는 입술 클릭, 호흡, 팝 소리와 같은 고주파 비음성 소음이 빈번히 섞이며, 이러한 NSA는 STE와 ZCR 값에 큰 영향을 주어 음성 구간과 비음성 구간을 구분하기 어렵게 만든다. 패턴 인식 및 머신러닝 기반 접근법(SVM, HMM, 신경망 등)은 높은 정확도를 보일 수 있으나, 라벨링된 학습 데이터가 필요하고, 새로운 녹음 환경에 대한 재학습이 요구된다. 또한, 무성(자음)과 NSA가 주파수 스펙트럼에서 겹치는 경우 분류 경계가 모호해지는 문제도 존재한다. 이러한 배경에서 저자들은 라벨링 없이도 다양한 환경에 적용 가능한 새로운 방법을 제안한다. 제안된 WCSEPD(또는 WCSED) 알고리즘은 다음과 같은 핵심 단계로 구성된다. 1. **파동합성 기반 신호 분해**: 연속 파동합성(convolution) 연산을 이용해 입력 음성 신호를 고주파(HF)와 저주파(LF) 두 서브밴드로 분리한다. 저주파는 주로 유성(모음) 구간을, 고주파는 무성(자음)과 NSA를 포함한다는 가정에 기반한다. 2. **프레임 단위 엔트로피 계산**: 각 서브밴드에 대해 일정 길이(예: 20 ms)로 프레임을 나눈 뒤, 파동계수의 확률 분포를 추정하고 엔트로피를 계산한다. 엔트로피는 신호의 복잡도와 변동성을 정량화하여, 잡음이 많은 구간과 음성 구간을 구별하는 지표가 된다. 3. **동적 임계값 설정**: LF와 HF 각각에 대해 평균 엔트로피와 표준편차를 이용해 자동 임계값을 정의한다. 이 임계값은 데이터에 따라 동적으로 조정되므로, 사전에 고정된 에너지 기준을 설정할 필요가 없다. 4. **구간 분류 및 필터링**: LF 엔트로피가 임계값을 초과하면 해당 프레임을 유성 구간으로, HF 엔트로피가 임계값을 초과하면서 LF 임계값을 만족하지 않으면 무성 구간으로 분류한다. 고주파 서브밴드에서 NSA가 높은 엔트로피를 보이지만, 무성 구간과는 다른 통계적 특성을 가지므로 효과적으로 배제된다. 5. **종단점 결정**: 연속된 유성·무성 프레임을 합쳐 최종 음성 구간을 형성하고, 앞뒤의 침묵 구간을 제거한다. 알고리즘의 장점은 라벨링이 필요 없으며, 프레임 길이와 임계값 계산이 데이터에 독립적이라는 점이다. 따라서 다양한 녹음 환경(스튜디오, 전화, 실내·실외)에서도 동일한 파라미터로 적용 가능하다. 또한, 파동합성 자체가 고주파와 저주파를 명확히 구분하는 필터 역할을 수행하므로, 별도의 전처리(노이즈 억제) 없이도 높은 정확도를 달성한다. 실험에서는 NSA가 포함된 여러 음성 데이터셋을 사용해 기존 STE/ZCR, SVM, HMM 기반 방법과 비교하였다. 평가 지표는 정확도(Precision), 재현율(Recall), F1‑Score이며, WCSEPD는 특히 무성 구간과 NSA가 혼재된 상황에서 평균 5~10% 높은 F1 점수를 기록했다. 또한, 연산량 분석 결과 파동합성(FFT 기반 구현)과 엔트로피 계산은 실시간 처리에 충분히 가벼워, 모바일 디바이스나 임베디드 시스템에 적용 가능함을 확인하였다. 결론적으로, 고주파·저주파 분리와 엔트로피 기반 동적 임계값을 결합한 WCSEPD는 라벨링 비용을 없애고, 잡음에 강인한 음성 종단점 검출을 구현한다. 향후 연구에서는 다중 스케일 파동합성, 적응형 윈도우 길이, 그리고 다른 비선형 특성(예: 스펙트럼 평탄도)과의 결합을 통해 더욱 정밀한 구간 검출과 실시간 적용성을 확대할 수 있을 것으로 기대한다.