[논문]STT로 생성된 자막의 자동 문장 분할

김기현; 김홍기; 오병두; 김유섭

STT로 생성된 자막의 자동 문장 분할
Automatic sentence segmentation of subtitles generated by STT 원문보기

김기현 (한림대학교 소프트웨어융합대학) , 김홍기 (한림대학교 소프트웨어융합대학) , 오병두 (한림대학교 융합소프트웨어학과) , 김유섭 (한림대학교 소프트웨어융합대학)

순환 신경망(RNN) 기반의 Long Short-Term Memory(LSTM)는 자연어처리 분야에서 우수한 성능을 보이는 모델이다. 음성을 문자로 변환해주는 Speech to Text (STT)를 이용해 자막을 생성하고, 생성된 자막을 다른 언어로 동시에 번역을 해주는 서비스가 활발히 진행되고 있다. STT를 사용하여 자막을 추출하는 경우에는 마침표가 없이 전부 연결된 문장이 생성되기 때문에 정확한 번역이 불가능하다. 본 논문에서는 영어자막의 자동 번역 시, 정확도를 높이기 위해 텍스트를 문장으로 분할하여 마침표를 생성해주는 방법을 제안한다. 이 때, LSTM을 이용하여 데이터를 학습시킨 후 테스트한 결과 62.3%의 정확도로 마침표의 위치를 예측했다.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서는 영어 자막의 자동 번역 시, 정확도를 높이기 위해 텍스트를 문장으로 분할하여 마침표를 생성해주는 방법을 제안한다. 우리는 순환 신경망(RNN)기반의 Long Short-Term Memory(LSTM) [2]를 이용하여 훈련 데이터를 학습시킨 후 마침표의 위치를 예측한다.
본 논문에서는 LSTM을 이용하여 문장의 마침표를 예측하고자 하였다. 13,233개 문장을 학습하고 13,233개 전혀 다른 문장을 테스트한 결과 62.

제안 방법

데이터 전처리 작업으로는 1)마침표 제거, 2)소문자 변환, 3)물음표와 느낌표를 마침표로 변환, 4)콤마와 큰따옴표 작은따옴표 제거, 5) 단어의 개수가 7개 이상인 문장만 추출을 진행하였다.
따라서 각 단어에 번호(인덱스)를 매긴 사전을 만들고 워드 임베딩을 사용하여 5개 단어 묶음에 대해 벡터로 표현한다. 본 논문에서는 자막 데이터의 전처리 후, LSTM의 입력데이터(X)와 출력데이터(Y)를 구성하였다.
따라서 각 단어에 번호(인덱스)를 매긴 사전을 만들고 워드 임베딩을 사용하여 5개 단어 묶음에 대해 벡터로 표현한다. 본 논문에서는 자막 데이터의 전처리 후, LSTM의 입력데이터(X)와 출력데이터(Y)를 구성하였다. 자막 데이터를 단어 5개씩 슬라이스 한다.
본 논문에서는 텍스트를 문장으로 분할하기 위해 기계학습 알고리즘 중 LSTM을 이용하여 마침표의 위치를 예측한다. 이를 위해 각 문장에서 5개의 단어씩 묶어 데이터로 사용한다.
따라서 본 논문에서는 영어 자막의 자동 번역 시, 정확도를 높이기 위해 텍스트를 문장으로 분할하여 마침표를 생성해주는 방법을 제안한다. 우리는 순환 신경망(RNN)기반의 Long Short-Term Memory(LSTM) [2]를 이용하여 훈련 데이터를 학습시킨 후 마침표의 위치를 예측한다. 이 때, 성능 평가는 실제 마침표의 위치와 예측한 마침표의 위치를 비교함으로 측정한다.

대상 데이터

본 논문에서 사용한 데이터는 Stanford University의 Natural Language Processing with Deep Learning 강의와 Human Behavioral Biology 강의에서 제공되는 26,466개 문장의 자막을 학습 데이터로 이용하였다. 이 자막 데이터는 온전한 문장 데이터를 제공하기 때문에, 이 자막을 훈련 데이터로 사용하였다.
본 논문에서 입력, 출력데이터는 총 26,466개의 리스트로 구성되어 있고, 훈련 데이터와 테스트 데이터를 무작위로 각 50%로 나누어 사용하였다. 표 2는 LSTM 모델을 사용한 정확도의 결과를 보여준다.
본 논문에서 사용한 데이터는 Stanford University의 Natural Language Processing with Deep Learning 강의와 Human Behavioral Biology 강의에서 제공되는 26,466개 문장의 자막을 학습 데이터로 이용하였다. 이 자막 데이터는 온전한 문장 데이터를 제공하기 때문에, 이 자막을 훈련 데이터로 사용하였다. 데이터 전처리 작업으로는1)마침표 제거,2)소문자 변환,3)물음표와 느낌표를 마침표로 변환, 4)콤마와 큰따옴표 작은따옴표 제거,5) 단어의 개수가 7개 이상인 문장만 추출을 진행하였다.

성능/효과

본 논문에서는 LSTM을 이용하여 문장의 마침표를 예측하고자 하였다. 13,233개 문장을 학습하고 13,233개 전혀 다른 문장을 테스트한 결과 62.3%의 정확도를 보였다. 현재 성능 평가는 실제 정답과 얼마나 같은 답을 예측했는지를 통해 평가한다.

후속연구

현재 성능 평가는 실제 정답과 얼마나 같은 답을 예측했는지를 통해 평가한다. 그러나 이러한 성능 평가는 단순히 마침표의 위치만을 비교하기 때문에 recall, precision, f1-score을 이용하여 성능 평가를 진행한다면 더 객관적인 평가를 할 수 있을 것으로 기대된다.
본 연구를 바탕으로 일련의 단어들의 집합에 마침표를 정확하게 생성한다면, STT로 생성된 수많은 자막들에게보다 정확한 번역을 통하여 언어 장벽이 쉽게 허물어질 것이라 기대한다.

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

STT로 생성된 자막의 자동 문장 분할
Automatic sentence segmentation of subtitles generated by STT 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

STT로 생성된 자막의 자동 문장 분할 Automatic sentence segmentation of subtitles generated by STT 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

성능/효과

후속연구

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

STT로 생성된 자막의 자동 문장 분할
Automatic sentence segmentation of subtitles generated by STT 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper