퍼시안 음소 인식을 위한 PPNet 기반 STFT‑CNN 모델

초록

본 논문은 PCVC 데이터셋의 30개 퍼시안 음소(23 자음, 6 모음, 무음)를 50 ms 단위로 절단하고, 5 ms 창·150 주파수 대역의 STFT 스펙트로그램을 입력으로 하는 새로운 합성곱 신경망 구조 PPNet을 설계하였다. 6개의 컨볼루션 레이어(32‑32‑64‑64‑128‑128 필터)와 배치 정규화·드롭아웃·맥스풀링을 결합해 50 epoch, 배치 16으로 학습한 결과, 전체 평균 정확도 75.87 %와 F1 점수 75.78 %를 달성하였다.

상세 분석

본 연구는 퍼시안 음소 인식이라는 좁은 영역에 초점을 맞추어, 기존 음성 인식에서 널리 사용되는 MFCC 대신 STFT 기반 스펙트로그램을 특징으로 선택한 점이 특징이다. 5 ms 길이의 윈도우와 150개의 주파수 구간을 사용해 100 × 150 형태의 입력을 만들고, 이를 6단계 컨볼루션 구조에 투입한다. 초기 두 레이어는 32개의 3 × 3 필터, 중간 레이어는 64개, 마지막 레이어는 128개를 사용해 점진적으로 채널 수를 늘리는 설계는 이미지 분류에서 흔히 보는 패턴이며, 음성 데이터에도 적용 가능함을 보여준다. 배치 정규화와 드롭아웃을 각각 첫 번째 컨볼루션 뒤와 각 레이어 사이에 삽입해 과적합을 방지했으며, 맥스풀링을 3번 적용해 시간‑주파수 해상도를 적절히 축소하였다. 학습 파라미터는 배치 16, 에포크 50으로 비교적 보수적인 설정을 사용했으며, 데이터는 전체 샘플의 85 %를 훈련, 15 %를 테스트에 무작위로 할당하였다.

성능 측면에서 75.87 %의 정확도는 같은 PCVC 데이터셋을 이용한 기존 연구(예: MFCC‑ANN)보다 우수하지만, 절대적인 수준에서는 아직 인간 수준(5 % 이하 오류율)과 거리가 있다. 또한 평가가 동일 화자 내에서 무작위 분할에 의존했기 때문에 화자 독립성(speaker‑independent) 검증이 부족하다. 제시된 PPNet 구조는 기존 VGG‑style CNN과 크게 차별화되지 않으며, 논문에서는 아키텍처의 혁신적 요소를 구체적으로 설명하지 않아 재현 가능성이 낮다. 데이터 전처리 단계에서 0.25 × 최대 진폭을 기준으로 모음을 검출하는 방법은 간단하지만, 잡음이나 억양 변동에 취약할 수 있다.

향후 개선 방안으로는 (1) 화자 교차 검증(k‑fold speaker split)으로 일반화 능력 평가, (2) 데이터 증강(시간‑주파수 변형, 잡음 추가) 및 더 큰 퍼시안 음성 코퍼스 활용, (3) MFCC, 로그멜스펙트로그램, 원시 파형 등 다중 특징 결합, (4) Residual Block이나 Attention 메커니즘을 도입한 더 깊은 네트워크 설계, (5) 모델 경량화를 위한 양자화·프루닝 등을 제시할 수 있다. 이러한 보완을 통해 현재의 75 % 수준을 넘어, 실제 응용에 적합한 높은 인식률을 달성할 가능성이 있다.