실용적인 HTK 음성 인식 시스템 구축

초록

본 논문은 HTK 툴킷을 이용해 인도네시아어 기반 가정 자동화 전기 스위치를 제어하는 음성 인식 시스템을 구현하는 실용적 절차를 제시한다. 하드웨어·소프트웨어 환경 설정, 데이터 수집·전처리, MFCC 특징 추출, 서브워드 HMM 모델 학습, HVite 테스트까지 전 과정을 상세히 설명한다. 마이크 감도 조절과 잡음 라벨링을 통해 침묵 검출 오류를 최소화하고, 실험 결과 100% 명령 성공률을 달성하였다.

상세 분석

본 연구는 HTK(Hidden Markov Model Toolkit)를 활용한 실용적인 음성 인식 시스템 구축 과정을 단계별로 상세히 제시한다. 먼저 하드웨어 측면에서는 일반 PC와 USB 마이크만으로 충분함을 밝히며, 마이크 감도 조절이 침묵 검출 오류를 방지하는 핵심 포인트임을 강조한다. 소프트웨어 측면에서는 HTK 3.4 버전과 함께 필요한 라이브러리(예: SphinxBase, libsndfile)를 설치하고, 환경 변수 설정을 통해 명령줄 기반 툴(HCopy, HCompV, HERest, HVite 등)을 원활히 사용할 수 있도록 안내한다.

데이터 수집 단계에서는 테스트 프로그램에서 사용되는 명령어를 동일한 환경에서 녹음하고, 각 발화에 대해 시작·끝 침묵 구간을 명시적으로 라벨링한다. 특히 잡음이 포함된 발화는 별도의 클래스(‘noise’)로 라벨링하여 HMM 학습에 포함시키는 전략을 채택한다. 이는 HTK의 기본 침묵 검출기가 과도하게 민감해지는 문제를 보완한다.

특징 추출은 12차 MFCC와 1차 델타, 2차 델타 특징을 결합한 39차 벡터를 사용하며, HCopy를 통해 WAV 파일을 HTK 포맷으로 변환한다. 이후 HCompV로 전역 평균·분산을 정규화하고, HERest를 이용해 서브워드(폰) 단위 HMM을 3-스테이트 Gaussian Mixture Model(GMM)으로 초기화한다. 반복적인 재학습(다중 HERest) 과정을 통해 모델 파라미터를 수렴시킨다.

테스트 단계에서는 HVite를 이용해 Viterbi 디코딩을 수행하고, 사전(lexicon)과 언어 모델(단순 N-gram)을 적용한다. 실험 결과, 훈련 데이터와 동일한 환경에서 녹음된 테스트 음성에 대해 100% 명령 인식률을 기록하였다. 이는 잡음 라벨링과 마이크 감도 조절이 시스템 안정성에 크게 기여했음을 시사한다.

하지만 본 연구는 인도네시아어 소규모 코퍼스와 제한된 명령어 집합(전기 스위치 제어)만을 대상으로 하였으며, 외부 잡음이나 화자 변이(다양한 연령·성별)에는 아직 일반화가 검증되지 않았다. 향후 연구에서는 대규모 다중 화자 데이터와 심층 신경망(HMM‑DNN) 기반 모델을 도입해 인식 정확도와 견고성을 향상시킬 필요가 있다. 또한, 실시간 스트리밍 인식과 모바일 디바이스 적용을 위한 경량화 방안도 모색해야 한다.