[논문리뷰] Typhoon ASR Real-time: FastConformer-Transducer for Thai Automatic Speech Recognition

링크: 논문 PDF로 바로 열기

저자: Warit Sirichotedumrong, Adisai Na-Thalang, Potsawee Manakul, Pittawat Taveekitworachai, Sittipong Sripaisarnmongkol, Kunat Pipatanakul

핵심 연구 목표

본 논문은 높은 지연 시간 때문에 스트리밍 애플리케이션에 비실용적인 대규모 오프라인 ASR 모델(예: Whisper)의 한계를 극복하고, 저지연 태국어 자동 음성 인식(ASR)을 위한 효율적인 스트리밍 솔루션을 개발하는 것을 목표로 합니다. 특히 태국어 ASR 커뮤니티의 재현성 문제를 해결하고 표준화된 평가 프로토콜을 제공하기 위해 Typhoon ASR Benchmark 를 공개합니다.

핵심 방법론

연구팀은 115M 파라미터 FastConformer-Transducer 모델 을 사용하여 저지연 스트리밍 성능을 확보했습니다. 또한, 여러 티처 모델( Pathumma-Whisper-Large , Biodatlab-Distill-Whisper-Large , Internal-Whisper-Large )의 합의를 활용한 확장 가능한 준지도 학습 데이터 파이프라인 을 통해 11,000시간 의 훈련 데이터를 큐레이션했습니다. 시스템적 모호성을 해결하고 일관된 훈련 목표를 생성하기 위해 포괄적인 텍스트 정규화 파이프라인 을 구현했으며, 이산 방언 적응을 위해 2단계 커리큘럼 학습 방식을 도입했습니다.

주요 결과

Typhoon ASR Real-time 모델 은 Whisper Large-v3에 비해 계산 비용을 45배 절감 하면서도 유사한 정확도를 달성했습니다. Gigaspeech2-Typhoon 벤치마크 에서 6.81% CER 을 기록하여 오프라인 Pathumma-Whisper Large-v3 (5.84%)와 비교할 만한 성능을 보였고, Typhoon Isan ASR Realtime 은 이산 방언 데이터셋에서 10.65% CER 을 달성하여 Whisper-Medium-Dialect (17.72%)를 크게 능가했습니다. 모델의 파라미터 수는 115M 으로, Pathumma-Whisper Large-v3 대비 약 13배 작습니다.

AI 실무자를 위한 시사점

이 연구는 소수의 파라미터를 가진 데이터 중심 모델이 대규모 오프라인 모델을 능가하여 실시간 스트리밍 ASR 에 적합함을 입증했습니다. 특히 태국어와 같은 저자원 언어에서 엄격한 텍스트 정규화 의 중요성을 강조하며, 이는 일관된 훈련 데이터와 정확한 모델 성능으로 직결됩니다. 공개된 Typhoon ASR Benchmark 는 태국어 ASR 연구의 재현성을 높이고 표준화된 평가 환경을 제공하여 실용적인 AI 시스템 개발에 기여할 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.