AI 자동 번역
‘시간 동기화된 엔드투엔드 ASR 모델의 탐색 공간 복잡성과 효율성에 대한 체계적 비교’라는 제목의 연구 논문이 2026년 10월 24일 arXiv 사전인쇄본 플랫폼(번호 2610.31259v1)에 게재되었으며, 엔드투엔드 자동 음성인식(ASR) 시스템에서 탐색 메커니즘의 효율성과 복잡성 문제에 초점을 맞추고 있다.
이 연구는 연결형 시계열 분류(CTC)와 신경 트랜스듀서(neural transducer)라는 두 가지 시간 동기화형 엔드투엔드 ASR 모델을 비교하며, 고정 폭 범위 검색, 점수 기반 동적 프리닝 등 다양한 프리닝 전략과 외부 언어 모델(LM) 구성 하에서의 성능을 평가하였다. 그 결과, 이러한 모델들은 대부분의 시간대에서는 매우 작은 탐색 공간만을 필요로 하지만, 음성 내용이 불명확하거나 신호 대 잡음비가 낮은 등 불확실성이 높은 상황에서는 가설 수가 급격히 일시적으로 증가하는 현상을 보이는 것으로 나타났다.
연구에 따르면, 점수 기반의 동적 가지치기 전략을 적용하면 모델의 신뢰도에 따라 검색 범위를 실시간으로 조정할 수 있어 실시간 요인(RTF)을 크게 감소시키고 디코딩 효율을 향상시킬 수 있다. 이에 비해 전통적인 낮은 너비의 고정 번들 탐색 방식에는 명백한 한계가 존재한다. 본 논문은 이를 바탕으로 엔드투엔드 ASR 시스템을 위한 효율적인 검색에 관한 실용적 제안을 제시하되, 구체적인 데이터셋, 하드웨어 환경 또는 정량적 성능 개선 수치는 보고하지 않았다.