[논문]한국어의 경음에 대한 분석

임수호; 김주곤; 김범국; 정호열; 정현열

문제 정의

본 논문에서는 한국어 음소의 음성학적, 음향학적 특성을 분 석하고 음성인식 실험을 통하여 한국어 음소에 적합한 특징파라 미터의 차원을 찾아 음성인식 시스템의 성능을 높이고자 한다.
본 논문에서는 한국어 음소의 음성학적, 음향학적 특성을 분 석하고 음성인식 실험을 통하여 한국어 음소에 적합한 특징파라 미터의 차원을 찾아 음성인식 시스템의 성능을 높이고자 한다.
본 논문은 음소를 기반으로 하는 한국어 음성인식의 기초 연구로서 한국어에만 나타나는 경음에 대하여 음운학적, 음향학적 특성을 고찰하고 이를 기반으로 음성인식 실험을 수행한 후 그 결과를 분석하였다.
향후 이상의 결과를 바탕으로 학습과 평가요 음성 데이터를 증가시켜 연속음성인식 시스템의 성능 향상을 위한 연구를 계속 하고자 한다.

제안 방법

음성자료는 Pre-emphasis 필터를 통과 시켜 고역 강조된 후 16ms(256points) 길이의 해밍 윈도우를 사용하여 5ms (80points) 씩 쉬프트 시키면서 분석된다. 이로부터 다양한 차원으로 LPC 켑스트럼 계수를 구한 후, 10차의 LPC 멜-켑스트럼을 정적 특징 파라미터로 사용하여 음소 인식과 단어 인식에 이용한다. 표 3 에 음성자료의 분석 조건을 나타내었다[7] [9] [10].
또한 음성자료는 핸드레이블링 된 정보에 의해 각각의 음소r 군으로 분류되었다. 그림 2는 한국 전자통신 연구소(ETRI)에서 구축한 한국인 남성 22인의 2회 발성한 445단어의 음소 군별 분 포 비율을 나타내고 있다.
먼저, 각각의 음소들의 인식성능을 알아보기 위한 화자 독립 음소 인식 실험에서는 묵음을 제외한 47개의 유사 음소에 대하 여 4상태 3출력 Left-to-Right 모델을 구성하였다. 음소의 지속시 간을 고려하여 LPC 차원을 11차부터 26차 까지 증가시키면서 입 력 음성을 분석하였다.
먼저, 각각의 음소들의 인식성능을 알아보기 위한 화자 독립 음소 인식 실험에서는 묵음을 제외한 47개의 유사 음소에 대하 여 4상태 3출력 Left-to-Right 모델을 구성하였다. 음소의 지속시 간을 고려하여 LPC 차원을 11차부터 26차 까지 증가시키면서 입 력 음성을 분석하였다.
먼저, 각각의 음소들의 인식성능을 알아보기 위한 화자 독립 음소 인식 실험에서는 묵음을 제외한 47개의 유사 음소에 대하 여 4상태 3출력 Left-to-Right 모델을 구성하였다. 음소의 지속시 간을 고려하여 LPC 차원을 11차부터 26차 까지 증가시키면서 입 력 음성을 분석하였다.
먼저, 각각의 음소들의 인식성능을 알아보기 위한 화자 독립 음소 인식 실험에서는 묵음을 제외한 47개의 유사 음소에 대하 여 4상태 3출력 Left-to-Right 모델을 구성하였다. 음소의 지속시 간을 고려하여 LPC 차원을 11차부터 26차 까지 증가시키면서 입 력 음성을 분석하였다.

대상 데이터

본 논문에서는 한국 전자통신 연구소(ETRI)에서 구축한 한국 인 남성 22인의 2회 발성의 445단어(ETRI445)를 사용하며 이중 에서 5명이 발성한 단어로부터 추출한 음소를 모델학습에 사용 하였으며, 학습에 참여 하지 않은 3명의 화자를 음소실험 및 단 어 인식에 사용하였다. 음성인식 알고리즘은 탐색 시간 면에서 좋은 성능을 보이면서 상대적으로 적은 기억장소를 이용하는 OPDP(One Pass Dynamic Programming)법을 사용하였다[6] [7] [9].
본 논문에서는 한국 전자통신 연구소(ETRI)에서 구축한 한국 인 남성 22인의 2회 발성의 445단어(ETRI445)를 사용하며 이중 에서 5명이 발성한 단어로부터 추출한 음소를 모델학습에 사용 하였으며, 학습에 참여 하지 않은 3명의 화자를 음소실험 및 단 어 인식에 사용하였다. 음성인식 알고리즘은 탐색 시간 면에서 좋은 성능을 보이면서 상대적으로 적은 기억장소를 이용하는 OPDP(One Pass Dynamic Programming)법을 사용하였다[6] [7] [9].

이론/모형

본 논문에서는 한국 전자통신 연구소(ETRI)에서 구축한 한국 인 남성 22인의 2회 발성의 445단어(ETRI445)를 사용하며 이중 에서 5명이 발성한 단어로부터 추출한 음소를 모델학습에 사용 하였으며, 학습에 참여 하지 않은 3명의 화자를 음소실험 및 단 어 인식에 사용하였다. 음성인식 알고리즘은 탐색 시간 면에서 좋은 성능을 보이면서 상대적으로 적은 기억장소를 이용하는 OPDP(One Pass Dynamic Programming)법을 사용하였다[6] [7] [9]. 음성자료는 Pre-emphasis 필터를 통과 시켜 고역 강조된 후 16ms(256points) 길이의 해밍 윈도우를 사용하여 5ms (80points) 씩 쉬프트 시키면서 분석된다.

성능/효과

그림 3는 LPC 차원을 11차부터 26차 까지 증가 시켜 입력음 성을 분석하면서 전체 음소에 대하여 인식실험을 한 결과이다. 그 결과, LPC 차원이 23차 일 때 가장 좋은 인식률, 46.1%를 나타내었다.
음소 인식 실험결과 바탕으로 각각의 음소 군별로 인식률을 분석하여 그림 4에 나타내었다. 이 분석 결과에서 경음의 인식 성능이 가장 저조함을 알 수 있었다. 기음과 비음은 각각 LPC 16차 일 때 가장 좋은 인식률을 보였으며, 모음, 설측음, 평음 은 인식률이 LPC 분해능에 민감하지 않았다.
이 분석 결과에서 경음의 인식 성능이 가장 저조함을 알 수 있었다. 기음과 비음은 각각 LPC 16차 일 때 가장 좋은 인식률을 보였으며, 모음, 설측음, 평음 은 인식률이 LPC 분해능에 민감하지 않았다. 이에 반해 경음은 LPC 차원의 증가에 따라 인식률도 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다.
이 분석 결과에서 경음의 인식 성능이 가장 저조함을 알 수 있었다. 기음과 비음은 각각 LPC 16차 일 때 가장 좋은 인식률을 보였으며, 모음, 설측음, 평음 은 인식률이 LPC 분해능에 민감하지 않았다. 이에 반해 경음은 LPC 차원의 증가에 따라 인식률도 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다.
기음과 비음은 각각 LPC 16차 일 때 가장 좋은 인식률을 보였으며, 모음, 설측음, 평음 은 인식률이 LPC 분해능에 민감하지 않았다. 이에 반해 경음은 LPC 차원의 증가에 따라 인식률도 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 또한 경음의 인식률 이 가장 좋은 LPC 23차 일 때, 전체 음소 인식률도 가장 좋은 성능을 나타내었다.
이에 반해 경음은 LPC 차원의 증가에 따라 인식률도 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 또한 경음의 인식률 이 가장 좋은 LPC 23차 일 때, 전체 음소 인식률도 가장 좋은 성능을 나타내었다. 이상으로부터 경음은 전체 음소 인식률에 상당한 영향이 있음을 알 수 있었다.
이에 반해 경음은 LPC 차원의 증가에 따라 인식률도 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 또한 경음의 인식률 이 가장 좋은 LPC 23차 일 때, 전체 음소 인식률도 가장 좋은 성능을 나타내었다. 이상으로부터 경음은 전체 음소 인식률에 상당한 영향이 있음을 알 수 있었다.
또한 경음의 인식률 이 가장 좋은 LPC 23차 일 때, 전체 음소 인식률도 가장 좋은 성능을 나타내었다. 이상으로부터 경음은 전체 음소 인식률에 상당한 영향이 있음을 알 수 있었다.
단어 인식 실험에서는 LPC 23차, 25차 일 때 81.68%, 81.87%로 인식률이 가장 좋음을 알 수 있었다.
먼저, 음소 인식 실험에서 경음은 가장 저조한 인식결과를 나 타내었고, LPC 차원의 증가에 따라 인식률이 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 전체 음 소인식률과 경음의 인식률은 각각 LPC 23치 일 때 46.
먼저, 음소 인식 실험에서 경음은 가장 저조한 인식결과를 나 타내었고, LPC 차원의 증가에 따라 인식률이 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 전체 음 소인식률과 경음의 인식률은 각각 LPC 23치 일 때 46.
먼저, 음소 인식 실험에서 경음은 가장 저조한 인식결과를 나 타내었고, LPC 차원의 증가에 따라 인식률이 증가하여 경음에 대해 보다 많은 LPC 분해능이 필요함을 알 수 있었다. 전체 음 소인식률과 경음의 인식률은 각각 LPC 23치 일 때 46.1%, 34.11% 로 인식률이 가장 높게 나타났으며 단어 인식 실험에서 는 LPC 23차, 25차 일 때 81.68%, 81.87%로 인식률이 가장 높 게 나왔다.
전체 음 소인식률과 경음의 인식률은 각각 LPC 23치 일 때 46.1%, 34.11% 로 인식률이 가장 높게 나타났으며 단어 인식 실험에서 는 LPC 23차, 25차 일 때 81.68%, 81.87%로 인식률이 가장 높 게 나왔다.

후속연구

이상의 음성인식 실험 결과로부터 한국어 음성인식에 있어서 한국어에만 존재하는 경음에 대한 좀 더 세밀한 특징 분석이 필 요함을 알 수 있었다.
이상의 음성인식 실험 결과로부터 한국어 음성인식에 있어서 한국어에만 존재하는 경음에 대한 좀 더 세밀한 특징 분석이 필 요함을 알 수 있었다.
향후 이상의 결과를 바탕으로 학습과 평가요 음성 데이터를 증가시켜 연속음성인식 시스템의 성능 향상을 위한 연구를 계속 하고자 한다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 한국어의 경음에 대한 분석
Analysis of Unaspirated sound for Korean 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 한국어의 경음에 대한 분석 Analysis of Unaspirated sound for Korean 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 한국어의 경음에 대한 분석
Analysis of Unaspirated sound for Korean 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper