AI › 생성형 AI › 이미지 · 멀티모달 › 멀티모달

음성 인식Automatic Speech Recognition

사람의 말소리 파형을 받아 그 말을 글자 · 낱말 열(전사 텍스트)로 바꾸는 기술이다. 음향 특징 추출 · 음향 모델 · 언어 모델 · 디코딩으로 이루어진다.

1요약

  1. 음성 인식은 멀티모달 가운데 소리 → 텍스트 방향을 맡는 기술로, GMM-HMM 하이브리드에서 2006년 CTC · 2012년 DNN-HMM 을 거쳐 종단 간(end-to-end) 모델로 옮겨 왔고, 그 위에서 자막 · 음성 명령 · 회의록 · 음성 대화의 입력이 돈다.
  2. 말소리는 10 ms 마다 프레임이 나오지만 글자는 그보다 몇 배 드물고 경계 표시도 없어 프레임과 글자의 정렬을 풀어야 한다 — CTC 는 정렬 경로 전부의 확률을 더하는 방식으로 TIMIT 에서 문맥 의존 HMM 35.21% 보다 낮은 30.51% 의 레이블 오류율을 냈다(Graves 2006 5.3절 표 1).
  3. 「인식이 틀린다」는 평가 기준 · 녹음 조건 · 모델 단계 순서로 가른다 — 한국어는 띄어쓰기만 달라도 어절 WER 이 66.7% 까지 오르므로(본문 사례) 공백을 뺀 CER 을 먼저 나란히 놓는다.

2등장 배경

2000년대까지 받아쓰기 시스템은 음소 상태마다 GMM 확률을 두고 HMM 으로 잇는 하이브리드였다. 발음 사전 · 상태 정렬 · 언어 모델을 따로 만들었고, 신경망을 쓰려 해도 프레임마다 강제 정렬로 만든 정답 상태가 먼저 있어야 했다(Graves 2006 1절).

Graves 외(2006)는 출력에 «아무 글자도 아님»을 뜻하는 blank 를 더해 정렬 없이 낱말 열로 바로 학습하는 CTC 를 냈다. Hinton 외(2012)는 HMM 은 그대로 두고 GMM 자리를 심층 신경망으로 바꿔 Switchboard 309시간 학습에서 WER 을 27.4% 에서 18.5% 로 낮췄다(Hinton 2012). 이어 트랜스듀서(Graves 2012) · 주의 인코더-디코더 LAS(Chan 2015) · 합성곱을 섞은 Conformer(Gulati 2020) · 레이블 없는 음성으로 사전 학습하는 wav2vec 2.0(Baevski 2020)이 나왔다.

지금은 발음 사전 없이 파형 특징에서 글자를 바로 내는 종단 간 모델이 주류이고, 비교 기준으로 16 kHz 영어 낭독 약 1,000시간의 공개 말뭉치 LibriSpeech(CC BY 4.0)를 쓴다(OpenSLR LibriSpeech 안내). 2022년에는 레이블 품질이 고르지 않은 대량 음성으로 학습한 약지도 모델(Radford 2022)까지 나왔지만, 잡음 · 말투 · 전문 용어 · 실시간 처리는 지금도 방식을 고르는 기준으로 남아 있다.

3쉽게 이해하기 — 받아쓰기 시간의 카드 정리

국어 시간에 선생님이 문장을 불러 주면 소리 그림판이 목소리를 높낮이 줄무늬로 바꿔 보여 준다. 반장 민호는 줄무늬를 박자마다 한 칸씩 보고 카드 한 장에 들리는 글자를 적는데, 소리가 길면 같은 글자를 여러 장 내고 숨 쉬는 틈에는 빈 카드를 낸다. 정리 담당 서연이 붙어 있는 같은 글자를 한 장으로 합치고 빈 카드를 빼면, 국어사전을 든 지우가 말이 되는 문장을 골라 칠판에 쓰고 선생님이 정답과 견주어 틀린 낱말을 센다.

선생님 문장을 소리로 불러 줌 사용자 · 음성 파형 소리 그림판 높낮이를 줄무늬로 특징 추출 · log-Mel 반장 민호 박자마다 카드 한 장 음향 모델 · 프레임 출력 정리 담당 서연 합치고 빈 카드 빼기 CTC 축약 · blank 제거 사전 든 지우 말이 되는 문장 고르기 언어 모델 · 빔 탐색 칠판과 채점 정답과 견주어 세기 전사 텍스트 · WER 1 2 3 4 5 사람 소리 데이터 모델 · 규칙 출력 · 평가

그림 1 · 목소리는 줄무늬 그림이 되고, 박자마다 낸 카드를 합치고 빼서 글자 열을 만든 뒤, 사전으로 문장을 골라 채점한다.

불러 주기선생님이 문장을 소리로
줄무늬 그리기높낮이를 그림으로
카드 내기박자마다 한 장 · 틈엔 빈 카드
합치고 빼기같은 글자 한 장 · 빈 카드 버림
사전 고르기말이 되는 문장
채점틀린 낱말 세기
비유 — 민호의 카드 정리 실제 — CTC 축약 규칙 B 펌 펌 빈 프 프 빈 같은 글자 합치기 펌 빈 프 빈 빈 카드 빼기 펌 프 = 「펌프」 프 빈 프 = 「프프」 빈 카드가 사이에 있어야 두 글자 출력 기호 = 레이블(펌 · 프) + blank(∅) B = 연속 같은 기호 합침 → ∅ 제거 B(펌 펌 ∅ 프 프 ∅) = 펌프 B(∅ 펌 ∅ ∅ 프 프) = 펌프 B(펌 프 프 프 프 ∅) = 펌프 B(프 ∅ 프) = 프프 · B(프 프) = 프 6 프레임 정렬 3⁶ = 729개 중 70개가 「펌프」 원문 예 B(a−ab−) = B(−aa−−abb) = aab(Graves 2006 3.1절) 빈 카드 = blank(∅) · 카드 한 장 = 프레임 하나의 출력 · 서연의 정리 = B

그림 2 · 카드 여섯 장은 «같은 글자 합치기 → 빈 카드 빼기» 순서로 두 글자가 되고, 같은 글자 둘을 남기려면 그 사이에 빈 카드가 꼭 있어야 한다.

비유 속 역할실제 이름실제로 하는 일
선생님의 목소리음성 파형16 kHz 로 표본화한 소리 신호가 입력이 된다
소리 그림판의 줄무늬특징 추출(log-Mel)25 ms 창마다 주파수 세기를 멜 필터로 묶어 로그를 취한다
박자마다 내는 카드음향 모델의 프레임 출력프레임마다 레이블 · blank 의 확률 분포를 낸다
빈 카드blank(∅)이 프레임에는 새 글자가 없다는 기호
서연의 합치기 · 빼기CTC 축약 규칙 B연속 같은 기호를 합치고 blank 를 지워 레이블 열을 만든다
지우의 국어사전언어 모델 · 빔 탐색후보 문장 여럿 가운데 낱말 열로 그럴듯한 것을 고른다
선생님의 채점WER · CER정답과 정렬해 치환 · 삭제 · 삽입 수를 센다

⚠ 비유가 맞지 않는 곳: 민호는 박자마다 카드 한 장을 고르지만 모델은 프레임마다 모든 기호의 확률을 내고, 학습은 정답이 되는 카드 배열 전부의 확률을 더해 올린다. 지우의 «사전»도 뜻을 찾는 책이 아니라 낱말이 이어 나올 확률의 표다.

4구조 — 특징 추출에서 채점까지

음성 인식기는 특징 추출 → 음향 인코더 → 출력 방식 → 디코딩의 줄로 이어지고, 하이브리드 방식만 발음 사전 · HMM 을 더 쓴다. 출력 방식의 CTC · 주의 디코더 · 트랜스듀서는 같은 인코더 위에 갈아 끼울 수 있고, 비교 절이 그 차이를 다룬다.

음성 파형 16 kHz 특징 추출 log-Mel 프레임 음향 인코더 시간 축소 출력 방식(택1) CTC 주의 디코더 트랜스듀서 디코딩 빔 탐색 외부 언어 모델 선택 · 재점수 발음 사전 · HMM 하이브리드만 전사 텍스트 평가 WER · CER 정답 전사 소리 데이터 모델 · 규칙 레이블 출력 · 평가 점선 = 방식에 따라 쓰는 구성

그림 3 · 인코더가 줄인 프레임 열 위에 출력 방식 하나를 얹고, 외부 언어 모델은 디코딩에서만, 발음 사전은 하이브리드에서만 쓰인다.

요소입력 → 출력역할값 · 근거
특징 추출파형 → 프레임 × 멜 채널25 ms 창의 주파수 세기를 멜 척도로 묶음80채널 · 25 ms · 10 ms 간격(Gulati 2020 3.1절)
음향 인코더프레임 → 축소된 은닉 열프레임 수를 줄이며 문맥을 섞음pBLSTM 3개로 8배 축소(Chan 2015 3.1절) · Conformer 블록(Gulati 2020 2절)
CTC 출력은닉 열 → 프레임별 기호 확률blank 를 더해 정렬 경로 전부를 합산프레임 출력끼리 조건부 독립(Graves 2006 3.1절)
주의 디코더은닉 열 + 앞 글자 → 다음 글자주의 가중치로 정렬을 암묵 학습언어 모델 없이 WER 14.1%(Chan 2015)
트랜스듀서은닉 열 + 앞 레이블 → 레이블 또는 blank앞 레이블에 의존하되 미래 프레임은 보지 않음스트리밍 전제(He 2018 2절)
언어 모델낱말 열 → 확률후보 문장 재점수빔 32개 재점수로 14.1 → 10.3%(Chan 2015)
평가정답 · 가설 → 오류율최소 편집 거리로 정렬치환 · 삭제 · 삽입 집계(NIST sclite 문서)

🔑 인코더는 «소리를 무엇으로 들었나»를, 출력 방식은 «몇 번째 프레임이 몇 번째 글자인가»를 맡는다 — 같은 인코더라도 출력 방식에 따라 스트리밍 가능 여부가 갈린다.

5동작 — 1.2초 합성 음성에서 CTC 손실과 오류율까지

직접 실행(합성 데이터 · 시드 0)한 사례다. 합성 음성과 학습 전 무작위 출력은 설명용 가정 값이고, 나머지 수는 그 값으로 직접 셈했다.

  1. 220 Hz 음 · 올라가는 음 · 약한 잡음을 섞은 1.2초 합성 음성을 16 kHz 로 표본화해 19,200 표본을 만든다.
  2. 25 ms 창(400 표본)을 10 ms(160 표본)씩 옮기면 1 + ⌊(19,200 − 400) / 160⌋ = 118 프레임이 된다.
  3. 프레임마다 512점 FFT 파워(NumPy rfft 문서)에 멜 필터 40개를 곱하고 로그를 취해 118 × 40 행렬을 얻는다.
  4. 인코더가 시간을 4배 줄이면 30 프레임, 8배면 15 프레임이 남는다 — CTC 는 남은 프레임 수가 «레이블 수 + 연속 같은 레이블 수»보다 적으면 정답 경로가 하나도 없다.
  5. 낱말 「펌프」 구간 6 프레임만 떼어 출력 기호 {∅ · 펌 · 프} 의 확률을 낸다(학습 전 무작위 출력).
  6. 6 프레임 정렬 3⁶ = 729개 가운데 B 로 「펌프」가 되는 경로 70개의 확률 합은 0.0524 이고, 전진 알고리즘(Graves 2006 4.1절)이 같은 값을 셀 15개짜리 표 하나로 내며 CTC 손실은 −ln 0.0524 = 2.95 다.
  7. 프레임마다 가장 큰 기호를 고르는 최선 경로 디코딩은 「프 프 펌 ∅ 프 ∅」 → 「프펌프」로 틀린다 — 학습은 6단계 손실을 줄여 「펌프」 경로들의 확률을 키우는 일이다.
  8. 정답 「펌프 3번 압력 값을 확인해 줘」(설명용 가정 값 · 6어절 · 공백 뺀 12음절)와 가설 셋을 최소 편집 거리로 정렬해 WER = (S + D + I) / N 과 CER 을 낸다(그림 6).
1 표본화 합성 음성 1.2초 16 kHz 19,200 표본 2 프레임 나누기 창 400 · 간격 160 1 + ⌊18,800 / 160⌋ = 118 프레임 3 log-Mel FFT 512점 파워 멜 필터 40 · 로그 118 × 40 4 시간 축소 인코더 4배 축소 118 → 30 프레임 8배면 15 프레임 5 기호 확률 낱말 구간 6 프레임 기호 {∅ · 펌 · 프} 학습 전 · 시드 0 6 CTC 손실 경로 729 중 70개 P(펌프) = 0.0524 −ln P = 2.95 7 최선 경로 프 프 펌 ∅ 프 ∅ → 「프펌프」 학습 전이라 틀림 8 채점 정답 6어절 · 12음절 WER = (S+D+I) / N CER = 공백 뺀 음절 가정 값 = 합성 음성 · 학습 전 무작위 출력(시드 0) · 나머지는 그 값으로 직접 셈 · ∅ = blank · ⌊ ⌋ = 내림

그림 4 · 19,200 표본은 118 프레임 → 30 프레임으로 줄고, 6 프레임 구간의 정렬 70개를 더한 값이 CTC 손실이 되며, 채점은 어절과 음절 두 기준으로 한다.

t = 1 2 3 4 5 6 s1 ∅ s2 펌 s3 ∅ s4 프 s5 ∅ 시작 끝 옮겨 가기 셋 머무름 · 다음 상태 ∅ 건너뛰기 = 서로 다른 레이블 사이만 「펌프」 70 경로 「프프」 35 경로 같은 레이블 사이는 ∅ 상태를 꼭 거침 경로 펌 펌 ∅ 프 프 ∅ 건너뛰기 경로 펌 펌 펌 프 프 프 레이블 상태 blank 상태 · 굵은 테 = 시작 · 끝

그림 5 · CTC 는 레이블 사이에 blank 를 끼운 다섯 상태를 프레임마다 따라가며, 서로 다른 레이블 사이에서만 blank 를 건너뛸 수 있어 「프프」의 경로는 「펌프」의 절반이다.

🔑 CTC 는 정렬 하나를 맞히는 것이 아니라 정답이 되는 정렬 전부의 확률을 더한다 — 그래서 프레임마다 정답 글자가 없어도 학습되고, 같은 글자가 이어지면 그 사이 blank 몫의 프레임이 더 필요하다.

6비교 — 정렬을 푸는 방식

방식정렬을 푸는 법출력끼리 의존스트리밍대표 수치(근거)
하이브리드 DNN-HMM발음 사전 · HMM 상태 정렬HMM 전이 + 외부 언어 모델가능Switchboard WER 27.4 → 18.5%(GMM → DNN · Hinton 2012)
CTCblank + 정렬 경로 전부 합산프레임끼리 조건부 독립가능TIMIT 레이블 오류 30.51% ↔ HMM 35.21%(Graves 2006 표 1)
주의 인코더-디코더주의 가중치가 암묵 학습앞 글자 전부에 의존어려움 · 발화 전체를 본 뒤 출력LAS 14.1% · 재점수 10.3% ↔ 하이브리드 8.0%(Chan 2015)
트랜스듀서(RNN-T)blank + 예측 네트워크앞 레이블에 의존 · 미래 프레임 안 봄적합 · 휴대 기기에서 실시간보다 빠름(He 2018)Conformer 트랜스듀서 2.1% / 4.3%(Gulati 2020 3.3절)
자기 지도 사전 학습 + CTC레이블 없는 5만 3천 시간으로 표현 학습 뒤 CTC 미세 조정CTC 와 같음출력 방식에 따름레이블 10분으로 4.8% / 8.2%(Baevski 2020 5.1절)

분석실시간 자막 · 기기 안 인식은 트랜스듀서, 녹음 파일을 모아 한 번에 받아 적는 일은 주의 인코더-디코더, 레이블이 적은 새 말투 · 새 언어는 자기 지도 사전 학습 + CTC, 낱말 목록 · 발음을 직접 고쳐야 하는 도메인은 하이브리드를 먼저 본다. 근거는 표의 스트리밍 열(He 2018 2절 = 미래 프레임 비의존)과 레이블 10분 결과(Baevski 2020 5.1절)다.

7실무 진단 — 오류율이 높을 때 단계 가르기

분석평가 기준(무엇으로 셌나) → 녹음 조건 → 모델 단계 순서로 본다. 같은 전사도 어절로 세면 66.7%, 공백 뺀 음절로 세면 0% 라서(그림 6 · 직접 실행) 기준이 어긋난 채 모델을 고치면 결과가 나아진 것처럼 보이지도 않는다.

#증상의심 원인단계확인 자료판정 기준(근거)
1학습 중 CTC 손실이 inf · nan축소 뒤 프레임 수가 레이블보다 적음인코더 · CTC발화별 축소 뒤 프레임 수 T 와 레이블 수 UT < U + 연속 같은 레이블 수이면 경로 0(Graves 2006 4.1절 · 사례 4단계)
2한국어 WER 은 높은데 들어 보면 거의 맞음띄어쓰기 차이가 어절 치환 · 삭제로 셈평가공백 뺀 CER 나란히WER 66.7% ↔ CER 0%(그림 6 · 직접 실행)
3장비 이름 · 숫자만 틀림학습 문장에 드문 낱말 · 언어 모델 없음언어 모델 · 디코딩틀린 낱말 목록 · 빔 후보언어 모델 재점수로 14.1 → 10.3%(Chan 2015 3.4절)
4긴 발화에서 뒷부분이 빠짐주의 디코더의 긴 입력 일반화 실패출력 방식발화 길이 구간별 WER · 삭제 비율긴 발화일수록 삭제가 오류를 지배(Chan 2015 4.3절)
5조용한 녹음은 맞고 현장 녹음은 틀림학습 조건과 잡음 · 말투 차이데이터 · 음향 모델조건별로 나눈 WER같은 모델도 test-clean 2.1% ↔ test-other 4.3%(Gulati 2020 3.3절)
정답 = 펌프 3번 압력 값을 확인해 줘(6어절 · 공백 뺀 12음절) 0 25 50 75 % 펌프 3번 압력값을 확인해줘 띄어쓰기만 다름 · 치환 2 · 삭제 2 66.7 0 펌프 4번 압력 값을 확인해 줘 숫자 하나 틀림 · 치환 1 16.7 8.3 펌프 3번 압력 값을 확인해 줘 줘 말 하나 덧붙음 · 삽입 1 16.7 8.3 WER(어절) CER(공백 뺀 음절) 직접 실행 · 최소 편집 거리 정렬 · 값 = %

그림 6 · 띄어쓰기만 다른 가설은 WER 66.7% 지만 CER 0% 이고, 숫자 하나가 틀린 가설은 두 기준 모두 오류로 잡힌다.

가려내는 순서는 1행 · 2행처럼 숫자가 깨지는 것부터 본다 — sclite 도 정렬 비용을 삽입 3 · 삭제 3 · 치환 4 로 두고 오류 셋을 따로 집계하므로(NIST sclite 문서), 오류율 하나보다 치환 · 삭제 · 삽입의 구성을 먼저 확인한다.

8시험 대비

출제 정보 컴퓨터시스템응용(119회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 음성 인식의 구성 요소와 평가 지표를 묻는 정의 · 특징형, 그리고 HMM 하이브리드에서 종단 간 모델로 옮겨 온 흐름을 묻는 동향 · 발전형이 나올 수 있다. 정의형은 구조 그림과 CTC 정렬을, 동향형은 비교 표의 다섯 방식을 순서대로 놓고 «정렬을 누가 푸는가»로 엮는다.

답안 목차
  1. 개요 — 정의(파형 → 전사 텍스트) · 멀티모달 안 위치 · 음성 합성과 방향이 반대라는 한 줄
  2. 구성 — 그림 3(특징 추출 · 음향 인코더 · 출력 방식 · 언어 모델 · 디코딩 · 평가)과 요소 표
  3. 정렬 원리 — 그림 5(blank 를 끼운 다섯 상태 · 건너뛰기 규칙 · 「펌프」 70 ↔ 「프프」 35 경로)
  4. 처리 사례 — 그림 4(19,200 표본 → 118 프레임 → 30 프레임 → CTC 손실 2.95)
  5. 방식 비교 · 동향 — 하이브리드 · CTC · 주의 디코더 · 트랜스듀서 · 자기 지도 표(스트리밍 열 · 대표 WER)
  6. 평가와 한계 — 그림 6(WER ↔ CER · 띄어쓰기) · 잡음 · 긴 발화 삭제 · 전문 용어

꼭 쓸 키워드
CTCblank음향 모델언어 모델빔 탐색트랜스듀서Conformer자기 지도 학습WERCER

다른 답안과 차이를 내는 한 가지는 그림 6 의 WER ↔ CER 막대다 — 한국어 인식률을 말할 때 어절 기준과 음절 기준이 같은 전사에서 66.7% 와 0% 로 갈린다는 것을 수치로 보인다.

9오해와 사실

  • 오해종단 간 모델에는 정렬 문제가 없다.
    사실정렬을 사람이 주지 않을 뿐 CTC 는 정렬 경로 전부를 더하고 주의 디코더는 주의 가중치로 정렬을 배우며, 축소 뒤 프레임이 레이블보다 적으면 CTC 는 정답 경로가 0개다(Graves 2006 4.1절).
  • 오해언어 모델은 종단 간 시대에 필요 없다.
    사실같은 LAS 모델도 언어 모델 재점수로 WER 이 14.1% 에서 10.3% 로 내려갔다(Chan 2015).
  • 오해인식률은 숫자 하나로 비교할 수 있다.
    사실같은 전사도 어절 WER 66.7% · 음절 CER 0% 로 갈리므로 두 시스템을 견줄 때는 단위 · 공백 처리 · 정규화 규칙을 먼저 맞춘다(그림 6 · 직접 실행).

10핵심 정리

구분맡는 일단위대표 기법실패 신호
특징 추출파형 → 주파수 세기25 ms 창 · 10 ms 간격log-Mel 40 ~ 80채널표본화율 불일치
음향 인코더프레임 문맥 · 시간 축소축소된 프레임pBLSTM · Conformer축소 과다 → CTC 손실 inf
CTC정렬 경로 합산프레임별 기호blank · 축약 B · 전진 알고리즘같은 글자 반복 누락
주의 디코더앞 글자를 보고 다음 글자글자 · 하위 낱말LAS긴 발화 뒷부분 삭제
트랜스듀서스트리밍 출력레이블 또는 blankRNN-T지연 · 문맥 부족
언어 모델후보 문장 재점수낱말 열빔 탐색 · 재점수전문 용어 · 숫자 오류
평가정답과 정렬해 오류 셈어절 · 음절WER · CER · sclite띄어쓰기로 부풀려진 WER

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks (ICML 2006) — blank 와 축약 규칙 B · 전진 알고리즘 · TIMIT 비교를 원문으로 볼 때
    ICML · 저자 공개판 · 2006-06 · www.cs.toronto.edu/~graves/icml_2006.pdf · 확인 2026-11-13
  3. ★ Deep Neural Networks for Acoustic Modeling in Speech Recognition (IEEE Signal Processing Magazine 29(6) 82-97) — GMM-HMM 에서 DNN-HMM 으로 바뀐 하이브리드 구조와 Switchboard 결과를 볼 때
    IEEE · 저자 공개판 · 2012-11 · www.cs.toronto.edu/~hinton/absps/DNN-2012-proof.pdf · 확인 2026-11-13
  4. ★ Listen, Attend and Spell — 주의 인코더-디코더의 시간 축소 · 언어 모델 재점수 · 긴 발화 약점을 볼 때
    arXiv · 2015-08 · arxiv.org/abs/1508.01211 · 확인 2026-11-13
  5. ★ Conformer: Convolution-augmented Transformer for Speech Recognition — 합성곱과 셀프 어텐션을 섞은 인코더와 LibriSpeech 결과를 볼 때
    arXiv · 2020-05 · arxiv.org/abs/2005.08100 · 확인 2026-11-13
  6. ★ wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations — 레이블 없는 음성으로 사전 학습하고 레이블 10분으로 미세 조정한 결과를 볼 때
    arXiv · 2020-06 · arxiv.org/abs/2006.11477 · 확인 2026-11-13
  7. 본문 근거
  8. Sequence Transduction with Recurrent Neural Networks — arXiv · 2012-11 · arxiv.org/abs/1211.3711 · 확인 2026-11-13
  9. Streaming End-to-end Speech Recognition for Mobile Devices — arXiv · 2018-11 · arxiv.org/abs/1811.06621 · 확인 2026-11-13
  10. Robust Speech Recognition via Large-Scale Weak Supervision (Whisper) — arXiv · 2022-12 · arxiv.org/abs/2212.04356 · 확인 2026-11-13
  11. LibriSpeech ASR corpus (SLR12 · Panayotov 외 ICASSP 2015 말뭉치) — OpenSLR · 2026-11 · www.openslr.org/12 · 확인 2026-11-13
  12. SCTK sclite — Score Lite 사용 설명(정렬 · 치환 · 삭제 · 삽입 집계) — NIST · 2026-11 · github.com/usnistgov/SCTK/blob/master/doc/sclite.htm · 확인 2026-11-13
  13. NumPy documentation - numpy.fft.rfft — NumPy · 2026-11 · numpy.org/doc/stable/reference/generated/numpy.fft.rfft.html · 확인 2026-11-13