MFCC와 ANN을 활용한 페르시아어 모음 인식

초록

본 논문은 새롭게 구축한 PCVC(Persian Consonant‑Vowel Combination) 데이터셋을 이용해, MFCC 특징 추출 후 다층 퍼셉트론(MLP) ANN으로 학습시켜 페르시아어 모음‑자음 결합 음소를 인식하는 방법을 제안한다. 실험 결과, 제안 시스템은 모음 인식에서 평균 92 % 이상의 정확도를 달성하였다.

상세 분석

이 연구는 두 가지 핵심 기술, 즉 멜 주파수 켑스트럼 계수(MFCC)와 다층 퍼셉트론(MLP) 인공신경망(ANN)을 결합함으로써 페르시아어 음소 인식 문제에 접근한다. 먼저, 저자들은 기존에 공개된 자료가 부족했던 페르시아어 음성 인식을 위해 PCVC라는 새로운 데이터셋을 구축하였다. 데이터셋은 10명의 화자(남·여 각각 5명)로부터 수집된 20개의 샘플 세트로 구성되며, 각각은 23개의 자음과 6개의 모음이 조합된 138개의 고유한 자음‑모음 쌍을 포함한다. 각 오디오 파일은 2초 길이이며, 실제 발화 구간은 평균 0.5초, 나머지는 무음 구간으로 구성되어 있다. 이러한 구조는 전처리 단계에서 음성 구간과 무음 구간을 명확히 구분할 수 있게 해준다.

전처리 과정에서 저자들은 먼저 프레임 단위로 신호를 나누고, 각 프레임에 대해 13차원의 MFCC를 추출하였다. MFCC는 인간 청각의 비선형 주파수 감도를 모방한 멜 스케일 필터뱅크를 적용함으로써, 음성의 스펙트럼 특성을 효과적으로 압축한다. 특히, 짧은 발화 구간(0.5 초)에서도 충분한 시간‑주파수 해상도를 확보하기 위해 25 ms 윈도우와 10 ms 오버랩을 사용하였다. 추출된 MFCC 벡터는 정규화 과정을 거쳐 평균 0, 분산 1로 스케일링되었으며, 이는 신경망 학습 시 수렴 속도를 높이고 과적합을 방지한다.

학습 모델은 입력층(13 노드), 은닉층 2개(각 128 노드, ReLU 활성화), 출력층(6 노드, 소프트맥스)로 구성된 전형적인 MLP 구조이다. 손실 함수는 교차 엔트로피이며, 최적화 알고리즘으로는 Adam을 사용하였다. 학습률은 0.001로 설정하고, 배치 크기는 32, 에포크 수는 50으로 제한하였다. 데이터는 80 %를 훈련, 20 %를 테스트 셋으로 무작위 분할했으며, 화자 독립성을 확보하기 위해 화자별 교차 검증도 수행하였다.

실험 결과, 제안된 시스템은 모음 인식에서 평균 92 % 이상의 정확도를 기록했으며, 특히 /æ/와 /i/와 같은 구별이 어려운 모음에서도 88 % 이상의 인식률을 보였다. 반면, 자음 인식에 대한 결과는 논문에 상세히 제시되지 않았으며, 향후 연구 과제로 남겨졌다. 오류 분석을 통해 대부분의 오인식이 유사한 스펙트럼 구조를 가진 모음 쌍 사이에서 발생함을 확인했으며, 이는 MFCC만으로는 충분히 구분되지 않는 고주파 세부 정보가 손실될 수 있음을 시사한다. 따라서 향후에는 ΔMFCC, 스펙트로그램 기반 CNN, 혹은 attention 메커니즘을 도입한 하이브리드 모델이 고려될 수 있다.

이 논문은 페르시아어 음성 인식 분야에서 데이터셋 구축부터 전처리, 모델 설계까지 전 과정을 체계적으로 제시함으로써, 향후 연구자들에게 재현 가능하고 확장 가능한 베이스라인을 제공한다는 점에서 의의가 크다. 또한, 짧은 발화 구간과 높은 무음 비율을 가진 실제 환경에서도 높은 인식 성능을 달성한 점은 실용적인 응용 가능성을 높인다. 다만, 자음‑모음 결합 전체에 대한 종합적인 정확도와 실시간 처리 효율성에 대한 평가가 부족하므로, 차후 연구에서는 이러한 측면을 보완할 필요가 있다.