자기지도학습 기법을 통해 추출된 저대역 음성 특징벡터 기반 종단간 한국어 음성인식

국문 초록 (Abstract)

본 논문에서는 콜 음성 데이터의 기본 sampling rate인 8kHz 한국어 도메인에서의 음성인식 성능 향상을 위해, 비전사 음성 데이터를 이용한 feature extractor 모델과 이를 결합한 종단간 한국어 음성인식 시스템의 딥러닝 네트워크 구조에 관하여 제안하였다. 원음성의 대표적인 특징을 잘 추출할 수 있는 contrastive learning 방법론을 사용하는 wav2vec 2.0 모델을 활용하여 8kHz sampling rate에 적합한 wav2vec 2.0의 convolution feature encoder 구조를 도출하였고, 성능 검증을 위해, 도출된 convolution feature encoder를 feature extractor 모델에 적용하고, 해당 feature extractor 모델을 8kHz sampling rate으로 변환된 Ksponspeech DB로 사전 학습하였다. 학습된 feature extractor 모델에 선형 레이어와 음절로 이루어진 소프트맥스 레이어를 추가한 후, ctc loss를 이용하여 8kHz sampling rate으로 변환된 Clovacall DB로 fine-tuning 시, 기존 wav2vec 2.0 모델 대비 CER 기준 20.4%, WER 기준 12.0% 정도의 상대적인 성능 개선이 있었다.
또한, 본 논문에서 제안한 종단간 한국어 음성인식 시스템의 성능을 검증하기 위해, 전사된 훈련 데이터가 풍부한 경우와 전사된 훈련 데이터가 적은 경우로 나눠서 다양한 실험을 진행하였고, 다양한 변인에 대한 성능 변화를 살펴보고, 성능 변화에 대한 분석을 진행하였다. 전사된 훈련 데이터가 풍부한 경우, Ksponspeech DB를 이용하여, feature extractor 모델 학습과 제안한 종단간 한국어 음성인식 시스템 학습을 진행하였으며, feature extractor 구조, encoder/decoder 구조 및 spec augmentation 적용 여부, feature extractor 모델의 학습 데이터 종류 및 훈련 업데이트 수에 따른 성능 변화를 살펴보고, 해당 성능 변화에 대한 분석을 진행하였다. 더 나아가 기존 종단간 한국어 음성인식 시스템과의 성능 비교를 진행하였고, 본 논문에서 제안한 종단간 한국어 음성인식 시스템은 기존 종단간 한국어 음성인식 시스템에 비해 Ksponspeech DB의 eval clean set에 대해서는 14.8% 이상의 상대적인 성능 향상이 있었고, Ksponspeech DB의 eval other set에 대해서는 19.0% 이상의 상대적인 성능 향상이 있었다. 전사된 훈련 데이터가 적은 경우, feature extractor 모델 학습 시에는 Ksponspeech DB 또는 Clovacall DB를 이용하였고, 제안한 종단간 한국어 음성인식 시스템 학습 시에는 Clovacall DB를 이용하여 학습을 진행하였다. 또한, 제안한 종단간 한국어 음성인식 시스템의 출력 노드에 해당되는 BPE 수 제한, feature extractor 모델의 학습 데이터 종류, pre-encoder 출력 차원에 따른 성능 변화를 살펴보고, 해당 성능 변화에 대한 분석을 진행하였다. 더 나아가, 기존 종단간 한국어 음성인식 시스템과의 성능 비교를 진행하였고, 본 논문에서 제안한 종단간 한국어 음성인식 시스템은 선행 논문 중에서 가장 높은 성능을 보인 K-Wav2vec 2.0 (Multi-task)에 비해, Clovacall evaluation set에 대해 10.9% 정도의 상대적인 성능 향상이 있었다.
본 연구는 비전사 데이터를 활용하여, 콜 데이터의 기본 sampling rate인 8kHz 한국어 도메인에서 다양한 변인에 대한 실험을 통해 제안한 feature extractor 모델과 제안한 종단간 한국어 음성인식 시스템의 성능 변화에 대한 분석을 진행했을 뿐만 아니라, 본 연구에서 제안한 종단간 한국어 음성인식 시스템은 기존 종단간 한국어 음성인식 시스템 대비 두드러진 성능 향상이 있어, wav2vec 2.0 모델을 feature extractor 모델로 사용하는 종단간 한국어 음성인식 시스템에 대한 이정표를 제시하였다는 점에서 의의를 지닌다.

다국어 초록 (Multilingual Abstract)

In this thesis, a feature extractor model using non-transcribed data was proposed to improve speech recognition performance at 8kHz, which is the basic sampling rate of call speech data in the Korean domain. The model was applied to a deep learning network structure of an end-to-end Korean speech recognition system. The wav2vec 2.0 model, which uses the contrastive learning methodology to extract representative features of the original speech well, was utilized to derive a convolution feature encoder structure of wav2vec 2.0 suitable for a sampling rate of 8kHz. This structure was applied to the feature extractor model, and the corresponding feature extractor model was pre-trained with Ksponspeech DB converted at an 8kHz sampling rate. The pre-trained feature extractor model fine-tuned with Clovacall DB converted to an 8kHz sampling rate using ctc loss was compared to the existing wav2vec 2.0 model. A relative performance improvement of 20.4% in terms of CER was observed.
In addition, to verify the performance of the end-to-end Korean speech recognition system proposed herein, various experiments were conducted by classifying the cases wherein the transcribed training data were abundant and cases wherein they were not. When the transcribed training data were abundant, the end-to-end Korean speech recognition system proposed in this thesis performed better by 14.8% relative to the existing end-to-end Korean speech recognition system using the eval clean set of Ksponspeech DB. Additionally, the relative performance improvement was ≥19.0% for the eval other set of Ksponspeech DB. When a small amount of transcribed training data was used, the end-to-end Korean speech recognition system proposed in this thesis yielded an approximate relative performance improvement of 10.9% compared with K-Wav2vec 2.0 (Multi-task), which has yielded the highest performance in previous studies for the Clovacall evaluation set.
In summary, this study analyzed the change in the performance of the proposed feature extractor model and the proposed end-to-end Korean speech recognition system through experiments on various variables in the 8kHz Korean domain, using non-transcribed speech data. Additionally, the end-to-end Korean speech recognition system proposed herein yielded a remarkable performance improvement compared to the existing end-to-end Korean speech recognition system. Therefore, the findings here present a significant milestone for the end-to-end Korean speech recognition system using the wav2vec 2.0 model as a feature extractor model.

목차 (Table of Contents)

• 1. 서론 1
• 2. 이론적 배경 3
• 2.1 wav2vec 2.0 3
• 2.2 Connectionist Temporal Classification (CTC) 디코딩 6
• 2.3 컨포머 딥러닝 구조 8
• 3. 제안한 종단간 한국어 음성인식 시스템 13
• 3.1 Feature Extractor 14
• 3.2 Pre-encoder 15
• 3.3 Encoder 16
• 3.4 Decoder 17
• 4. 실험 방법 18
• 4.1 실험 데이터 18
• 4.1.1 훈련 데이터 구성 18
• 4.1.2 노이즈 데이터 구성 19
• 4.2 8kHz sampling rate에 적합한 feature extractor 모델 19
• 4.3 제안한 종단간 한국어 음성인식 시스템 20
• 4.3.1 전사 데이터가 풍부한 경우 21
• 4.3.2 전사 데이터가 적은 경우 22
• 4.3.3 공통 실험 요소 23
• 4.4 성능 측정 Metric 24
• 5. 실험 결과 및 고찰 25
• 5.1 8kHz sampling rate에 적합한 feature extractor 모델 25
• 5.2 전사된 훈련 데이터가 풍부한 경우 26
• 5.2.1 제안한 종단간 음성인식 시스템의 feature extractor 구조에 따른
• 성능 변화 26
• 5.2.2 제안한 종단간 음성인식 시스템의 encoder/decoder 구조 및
• spec augmentation 적용 여부에 따른 성능 변화 28
• 5.2.3 제안한 종단간 한국어 음성인식 시스템의 feature extractor 모델의
• 학습 데이터 종류 및 훈련 업데이트 수에 따른 성능 변화 29
• 5.2.4 제안한 종단간 한국어 음성인식 시스템과 기존 종단간 한국어 음성인식
• 시스템과의 성능 비교 31
• 5.3 전사된 훈련 데이터가 적은 경우 33
• 5.3.1 제안한 종단간 한국어 음성인식 시스템의 BPE 수 제한에 따른 성능 변화 33
• 5.3.2 제안한 종단간 한국어 음성인식 시스템의 feature extractor 모델의
• 학습 데이터 종류에 따른 성능 변화 35
• 5.3.3 제안한 종단간 한국어 음성인식 시스템의 pre-encoder 출력 차원에
• 따른 성능 변화 37
• 5.3.4 제안한 종단간 한국어 음성인식 시스템과 기존 종단간 한국어 음성인식
• 시스템과의 성능 비교 38
• 6. 결론 40
• 참고문헌 42
• ABSTRACT 44