스마트폰을 위한 방향성 음성 추출, 소닉시브와 마이크로구조

초록

소닉시브는 저비용 유선 이어폰의 인라인 마이크에 부착되는 3D 프린팅 마이크로구조를 이용해, 스마트폰에서 실시간으로 특정 방향의 음성을 추출한다. 두 개의 마이크(인라인 마이크와 상단 마이크)와 방향성 힌트를 내장한 패시브 구조를 결합한 뒤, 엔드‑투‑엔드 신경망이 원시 오디오를 처리해 30° 구역 내 음성을 평균 5 dB SI‑SDR 향상시킨다. 두 마이크만으로 5채널 배열보다 우수한 성능을 보이며, 8 ms 청크당 4–7 ms 안에 추론한다.

상세 분석

소닉시브는 기존 스마트폰 마이크 배열이 갖는 물리적 한계를 마이크로구조라는 패시브 광학적(음향적) 요소로 보완한다는 점에서 혁신적이다. 인간의 두 귀가 머리와 귓바퀴 형태로 방향성 힌트를 생성하듯, 3D 프린팅된 마이크로구조는 입구에 여러 개의 구멍·튜브·공명기 등을 배치해 입사각에 따라 주파수 응답 Mθ(f)를 크게 변형한다. 실험 결과(그림 2, 3)에서 마이크로구조가 없을 때는 서로 다른 각도에서 들어오는 신호가 거의 구분되지 않지만, 구조를 삽입하면 각도별 스펙트럼 패턴이 뚜렷해져 신경망이 학습할 수 있는 공간‑주파수 특징이 크게 증가한다.

하드웨어 설계 단계에서는 음성 대역(≈300 Hz–4 kHz)에 최적화된 구멍 직경·배열을 유전 알고리즘과 전자기 시뮬레이션을 통해 탐색했으며, 인라인 마이크와 스마트폰 상단 마이크 사이의 거리(≈1 cm)를 활용해 두 채널 간 위상 차이를 극대화했다. 이 구조는 별도의 전원이나 액티브 회로가 필요 없으며, 저가 유선 이어폰에 간단히 부착할 수 있어 대량 생산과 사용자 교체가 용이하다.

소프트웨어 측면에서는 원시 파형을 8 ms 청크 단위로 STFT 변환 후, 두 채널을 동시에 입력받는 1‑D Conv‑Transformer‑based 모델을 설계했다. 모델은 시간‑주파수 도메인에서 각도‑특이적 필터 Mθ(f)를 역추정하고, 목표 구역에 해당하는 스펙트럼을 가중치·마스크 형태로 강화한다. 인코더‑디코더 구조에 causal attention을 적용해 실시간 처리를 보장했으며, 모바일 GPU(예: Snapdragon 8 Gen 1)에서 4–7 ms의 추론 시간을 달성했다.

성능 평가는 9개 위치·3개 방에서 수집한 30 시간 분량의 다중 스피커·배경 잡음 데이터셋을 사용했다. SI‑SDR 기준 30° 구역에서 평균 5.0 dB 향상을 기록했으며, 동일 조건에서 5‑채널 마이크로폰 어레이 기반 베이스라인보다 MOS가 0.35점 높았다. 또한, 사용자는 마이크로구조와 스마트폰 상단 마이크 사이의 정렬을 앱이 안내하는 절차만으로 손쉽게 수행할 수 있었다.

한계점으로는 마이크로구조의 방향성 특성이 사용자의 손에 의해 가려지거나, 마이크와 구조 사이의 간격이 변하면 성능 저하가 발생한다는 점이다. 또한, 현재는 30° 구역 단위로만 제어가 가능하므로 더 세밀한 각도 제어나 동시 다중 스피커 추출에는 추가 연구가 필요하다. 향후 연구에서는 구조 설계를 가변형(예: 전자기식 조정)으로 바꾸어 실시간 각도 스위칭을 가능하게 하거나, 더 많은 마이크 채널을 결합해 복합적인 공간 필터링을 구현할 수 있다.