์ธํธ์๋ ํฌํจ๋์ด ์์ต๋๋ค
DeepSpeech๋ ๊ธฐ์กด ์์คํ ๋ณด๋ค ํจ์ฌ ๊ฐ๋จํ๋ฉฐ ๋์์ ์ธ๋ถ ์์์ด ์์ ๋ ๋ ๋์ ํ์ง์ ์ธ์์ ์ ๊ณตํฉ๋๋ค. ๊ธฐ์กด ์ํฅ ๋ชจ๋ธ๊ณผ ์์ ๊ฐ๋ ์ ์ฐํํ๋ ๋์ ๊ณ ๋๋ก ์ต์ ํ๋ ์ ๊ฒฝ๋ง ๊ธฐ๋ฐ ๊ธฐ๊ณ ํ์ต ์์คํ ์ ์ฌ์ฉํ๋ฏ๋ก ์์, ๋ฐํฅ, ์์ฑ ํน์ง ๋ฑ ๋ค์ํ ์ด์ ํ์์ ๋ชจ๋ธ๋งํ๊ธฐ ์ํด ๋ณ๋์ ๊ตฌ์ฑ ์์๋ฅผ ๊ฐ๋ฐํ ํ์๊ฐ ์์ต๋๋ค.
์ด ์ ๊ทผ ๋ฐฉ์์ ๋จ์ ์ ์ ๊ฒฝ๋ง์ ๊ณ ํ์ง ์ธ์ ๋ฐ ํ๋ จ์ ์ป๊ธฐ ์ํด DeepSpeech ์์ง์ด ์ค์ ์ํฉ์์ ๋ค์ํ ์์ฑ๊ณผ ์์ฐ ์ก์์ด ์๋ ์ํ์์ ์ง์๋๋ ๋๋์ ์ด์ง์ ์ธ ๋ฐ์ดํฐ๊ฐ ํ์ํ๋ค๋ ๊ฒ์
๋๋ค.
Mozilla์์ ์์ฑ๋ ํ๋ก์ ํธ๋ ์ด๋ฌํ ๋ฐ์ดํฐ๋ฅผ ์์งํฉ๋๋ค.
Common Voice ํ๋ก์ ํธ์ ๊ถ๊ทน์ ์ธ ๋ชฉํ๋ ์ธ๊ฐ ์์ฑ์ ์ผ๋ฐ์ ์ธ ๋ฌธ๊ตฌ์ ๋ํ ๋ค์ํ ๋ฐ์์ 10์๊ฐ ๋์ ๋ น์ํ์ฌ ํ์ฉ ๊ฐ๋ฅํ ์์ค์ ์ธ์ ์ค๋ฅ๋ฅผ ๋ฌ์ฑํ๋ ๊ฒ์ ๋๋ค. ํ์ฌ ํ์์์ ํ๋ก์ ํธ ์ฐธ๊ฐ์๋ ์ด๋ฏธ ์ด 4.3์๊ฐ์ ์ง์ํ์ผ๋ฉฐ ๊ทธ ์ค 3.5์๊ฐ์ด ํ ์คํธ๋์์ต๋๋ค. DeepSpeech๋ฅผ ์ํ ์ต์ข ์์ด ๋ชจ๋ธ์ ํ๋ จํ ๋ LibriSpeech, Fisher ๋ฐ Switchboard ํ๋ก์ ํธ์ ๋ฐ์ดํฐ๋ฅผ ๋ค๋ฃจ๋ Common Voice ์ธ์ 3816์๊ฐ์ ์์ฑ์ด ์ฌ์ฉ๋์์ผ๋ฉฐ ์ฝ 1700์๊ฐ์ ๋ น์๋ ๋ผ๋์ค ์ผ ๋ น์๋ ํฌํจ๋์์ต๋๋ค.
๋ค์ด๋ก๋๋ฅผ ์ํด ์ ๊ณต๋๋ ๊ธฐ์ฑ ์์ด ๋ชจ๋ธ์ ์ฌ์ฉํ ๋ ํ
์คํธ ์ธํธ๋ก ํ๊ฐํ์ ๋ DeepSpeech์ ์ธ์ ์ค๋ฅ์จ์ 7.5%์
๋๋ค.
DeepSpeech๋ ์ํฅ ๋ชจ๋ธ๊ณผ ๋์ฝ๋๋ผ๋ ๋ ๊ฐ์ง ํ์ ์์คํ ์ผ๋ก ๊ตฌ์ฑ๋ฉ๋๋ค. ์ํฅ ๋ชจ๋ธ์ ์ฌ์ธต ๊ธฐ๊ณ ํ์ต ๋ฐฉ๋ฒ์ ์ฌ์ฉํ์ฌ ์ ๋ ฅ ์ฌ์ด๋์ ํน์ ๋ฌธ์๊ฐ ์กด์ฌํ ๊ฐ๋ฅ์ฑ์ ๊ณ์ฐํฉ๋๋ค. ๋์ฝ๋๋ ๊ด์ ๊ฒ์ ์๊ณ ๋ฆฌ์ฆ์ ์ฌ์ฉํ์ฌ ๋ฌธ์ ํ๋ฅ ๋ฐ์ดํฐ๋ฅผ ํ ์คํธ ํํ์ผ๋ก ๋ณํํฉ๋๋ค.
์ฃผ์
- ๋ ๋์ ์๋ต์ฑ์ ์ ๊ณตํ๊ณ ์ฒ๋ฆฌ๋ ์ค๋์ค ๋ฐ์ดํฐ์ ํฌ๊ธฐ์ ๋ ๋ฆฝ์ ์ธ ์๋ก์ด ์คํธ๋ฆฌ๋ฐ ๋์ฝ๋๊ฐ ์ ์๋์์ต๋๋ค. ๊ทธ ๊ฒฐ๊ณผ ์ ๋ฒ์ ์ DeepSpeech๋ ์ธ์ ๋๊ธฐ ์๊ฐ์ ์ด์ ๋ณด๋ค 260% ๋น ๋ฅธ 73ms๋ก ๋จ์ถํ์ผ๋ฉฐ DeepSpeech๋ฅผ ์์ฑ ์ธ์ ์๋ฃจ์ ์ ์ฆ์ ์ฌ์ฉํ ์ ์๊ฒ ๋์์ต๋๋ค.
- API๊ฐ ๋ณ๊ฒฝ๋์์ผ๋ฉฐ ํจ์ ์ด๋ฆ์ ํตํฉํ๋ ์์ ์ด ์ํ๋์์ต๋๋ค. ๋๊ธฐํ์ ๋ํ ์ถ๊ฐ ๋ฉํ๋ฐ์ดํฐ๋ฅผ ์ป๊ธฐ ์ํ ๊ธฐ๋ฅ์ด ์ถ๊ฐ๋์ด ํ ์คํธ ํํ์ ์ถ๋ ฅ์ผ๋ก ์์ ํ ์ ์์ ๋ฟ๋ง ์๋๋ผ ๊ฐ๋ณ ๋ฌธ์ ๋ฐ ๋ฌธ์ฅ์ ์ค๋์ค ์คํธ๋ฆผ ์์น์ ๋ํ ๋ฐ์ธ๋ฉ์ ์ถ์ ํ ์๋ ์์ต๋๋ค.
- ๊ต์ก ๋ชจ๋์ฉ ํดํท์ ๋ผ์ด๋ธ๋ฌ๋ฆฌ ์ฌ์ฉ ์ง์์ด ์ถ๊ฐ๋์์ต๋๋ค.
CuDNN RNN(๋ฐ๋ณต ์ ๊ฒฝ๋ง) ์์ ์ ์ต์ ํํ์ฌ ๋ชจ๋ธ ํ๋ จ ์ฑ๋ฅ์ ํฌ๊ฒ(์ฝ XNUMX๋ฐฐ) ํฅ์ํ ์ ์์์ง๋ง ์ด์ ์ ์ค๋น๋ ๋ชจ๋ธ๊ณผ์ ํธํ์ฑ์ ์๋ฐํ๋ ์ฝ๋๋ฅผ ๋ณ๊ฒฝํด์ผ ํ์ต๋๋ค. - ์ต์ TensorFlow ๋ฒ์ ์๊ตฌ ์ฌํญ์ด 1.13.1์์ 1.14.0์ผ๋ก ์ํฅ๋์์ต๋๋ค. DeepSpeech ํจํค์ง ํฌ๊ธฐ๋ฅผ 98MB์์ 3.7MB๋ก ์ค์ด๋ TensorFlow Lite์ ๊ฒฝ๋ ๋ฒ์ ์ ๋ํ ์ง์์ด ์ถ๊ฐ๋์์ต๋๋ค. ์๋ฒ ๋๋ ๋ฐ ๋ชจ๋ฐ์ผ ์ฅ์น์์ ์ฌ์ฉํ๊ธฐ ์ํด ๋ชจ๋ธ๊ณผ ํจ๊ป ์์ถ๋ ํ์ผ์ ํฌ๊ธฐ๋ 188MB์์ 47MB๋ก ์ค์์ต๋๋ค(๋ชจ๋ธ ํ์ต ํ ์์ถ์ ์ํด ์์ํ ๋ฐฉ๋ฒ์ด ์ฌ์ฉ๋จ).
- ์ธ์ด ๋ชจ๋ธ์ ํ์ผ์ด ๋ก๋๋ ๋ ๋ฉ๋ชจ๋ฆฌ์ ๋งคํ๋ ์ ์๋๋ก ๋ค๋ฅธ ๋ฐ์ดํฐ ๊ตฌ์กฐ ํ์์ผ๋ก ๋ณํ๋์์ต๋๋ค. ์ด์ ํ์์ ๋ํ ์ง์์ด ์ค๋จ๋์์ต๋๋ค.
- ์ธ์ด ๋ชจ๋ธ์ด ํฌํจ๋ ํ์ผ์ ๋ก๋ํ๋ ๋ชจ๋๊ฐ ๋ณ๊ฒฝ๋์ด ๋ชจ๋ธ ์์ฑ ํ ์ฒซ ๋ฒ์งธ ์์ฒญ์ ์ฒ๋ฆฌํ ๋ ๋ฉ๋ชจ๋ฆฌ ์๋ชจ๊ฐ ์ค์ด๋ค๊ณ ์ง์ฐ ์๊ฐ์ด ์ค์ด๋ญ๋๋ค. ์๋ ์ค์ DeepSpeech๋ ์ด์ 22๋ฐฐ ์ ์ ๋ฉ๋ชจ๋ฆฌ๋ฅผ ์๋นํ๊ณ 500๋ฐฐ ๋ ๋น ๋ฅด๊ฒ ์์๋ฉ๋๋ค.
- ์ธ์ด ๋ชจ๋ธ์์ ํฌ๊ท ๋จ์ด๊ฐ ํํฐ๋ง๋์์ต๋๋ค. ์ด ๋จ์ด ์๋ ๋ชจ๋ธ ํ์ต์ ์ฌ์ฉ๋ ํ ์คํธ์์ ๋ฐ๊ฒฌ๋ ๊ฐ์ฅ ์ธ๊ธฐ ์๋ ๋จ์ด ์ค 500๋ง ๊ฐ๋ก ์ค์์ต๋๋ค. ์ ๋ฆฌ๋ฅผ ํตํด ์ธ์ด ๋ชจ๋ธ์ ํฌ๊ธฐ๋ฅผ 1800MB์์ 900MB๋ก ์ค์ผ ์ ์์๊ณ ์ธ์ ์ค๋ฅ์จ์๋ ๊ฑฐ์ ์ํฅ์ ๋ฏธ์น์ง ์์์ต๋๋ค.
- ๋ค์ํ ์ง์ ์ถ๊ฐ
๊ธฐ์ ์ ํ๋ จ์ ์ฌ์ฉ๋๋ ์ค๋์ค ๋ฐ์ดํฐ์ ์ถ๊ฐ ๋ณํ(์ฆ๊ฐ) ์์ฑ(์: ์ต์ ์ธํธ์ ์๊ณก ๋๋ ๋ ธ์ด์ฆ ์ถ๊ฐ) - .NET ํ๋ซํผ ๊ธฐ๋ฐ ์ ํ๋ฆฌ์ผ์ด์ ๊ณผ์ ํตํฉ์ ์ํ ๋ฐ์ธ๋ฉ์ด ํฌํจ๋ ๋ผ์ด๋ธ๋ฌ๋ฆฌ๋ฅผ ์ถ๊ฐํ์ต๋๋ค.
- ๋ฌธ์๊ฐ ์ฌ์์
๋์ด ์ด์ ๋ณ๋์ ์น์ฌ์ดํธ์ ์์ง๋์์ต๋๋ค.
deepspeech.readthedocs.io .
์ถ์ฒ : opennet.ru