시각 매체 자막 번역을 위한 표현력 강화 LLM 학습

초록

본 논문은 시각 매체 자막 번역이라는 특수 도메인에 초점을 맞추어, LLM을 활용한 표현력·생동감 있는 번역 모델을 구축한다. LLM‑as‑Judge를 통해 인간 평점과의 높은 상관성을 검증하고, 다방향 자막 병렬 코퍼스를 공개한다. 또한 세부 구간별 선호 정렬을 위한 Adaptive Local Preference Optimization(ALPO) 방식을 제안해 14 B 규모 모델을 미세조정함으로써 기존 SOTA 모델 대비 다차원 품질에서 크게 향상된 결과를 얻었다.

상세 분석

이 연구는 크게 네 가지 기술적 기여로 구분할 수 있다. 첫째, 시각 매체 자막 번역을 ‘리터럴’과 ‘리버럴’ 번역의 스펙트럼 상에서 가장 리버럴에 가까운 도메인으로 정의하고, 다양한 도메인(법률, 의료, 뉴스 등)과 비교해 백번역 BLEU·ChrF++ 점수가 현저히 낮아 자유로운 의미 전달이 요구됨을 실증하였다. 둘째, LLM‑as‑Judge 프레임을 도입해 Qwen3‑14B 모델이 인간 평가자와 스피어만 ρ ≥ 0.82, Bland‑Altman 평균 차이 거의 0에 가까운 높은 일치도를 보임을 입증함으로써, 대규모 LLM을 보상 모델·평가자로 활용할 수 있음을 증명했다. 셋째, 기존 RLHF·DPO와 같은 전역 출력 최적화 방식은 자막 라인마다 독립적인 선호 정렬이 필요하다는 점에서 한계를 보이므로, ALPO라는 ‘프로세스‑슈퍼바이즈드’ 접근을 설계했다. ALPO는 (1) 전체 코퍼스를 SFT용과 ALPO용으로 8:2 비율로 분할, (2) 각 라인별로 사전 번역(prefix)와 함께 k = 15개의 후보 번역을 샘플링하고, (3) 인간 레퍼런스가 있으면 후보에 추가, (4) Qwen3‑14B 평가자를 이용해 구간별 선호 점수를 계산해 로컬 손실을 역전파한다는 순차적 파이프라인을 갖는다. 이때 손실 함수는 후보 간 상대적 순위를 보존하도록 설계돼, 전체 문맥을 유지하면서도 라인‑레벨의 미세한 스타일·감정 선호를 학습한다. 넷째, 다방향(EN↔ZH, EN↔DE, ZH↔TH 등) 자막 병렬 코퍼스를 공개함으로써 연구 커뮤니티가 다양한 언어쌍에서 동일한 실험을 재현하고 확장할 수 있게 했다. 실험 결과, ALPO로 미세조정된 14 B 모델은 BLEU, ChrF++, 그리고 LLM‑as‑Judge 기반 ‘생동감’·‘표현력’ 점수에서 기존 SOTA(예: GPT‑4o, Claude Opus)보다 평균 3~7%p 상승했으며, 특히 감정·톤 전달 측면에서 인간 번역에 근접한 점수를 기록했다. 이러한 성과는 ‘전역 최적화’가 아닌 ‘구간‑레벨 선호 정렬’이 자막과 같이 짧고 문맥 의존적인 번역 작업에 더 효과적임을 시사한다. 전체적으로 본 논문은 도메인‑특화 번역 LLM 구축을 위한 데이터·평가·학습 삼위일체 전략을 제시하고, ALPO라는 새로운 로컬 정렬 기법을 통해 LLM의 표현력·생동감을 실질적으로 끌어올린 점에서 학술적·실용적 의의가 크다.