핵심 비유
음성인식 AI는 '받아쓰기 전문 학생'과 같다. 이 학생은 선생님 목소리를 듣고(음향 모델), 앞뒤 문맥을 떠올려 맞춤법에 맞게 받아쓴다(언어 모델). 처음엔 실수가 많지만, 수십만 시간을 들을수록 어떤 억양과 사투리도 알아듣게 된다. TTS는 반대로, 글을 보고 성우처럼 자연스럽게 읽어주는 AI 성우다.
핵심 포인트
- 소리는 공기 진동이고, 마이크는 이 진동을 숫자(디지털 파형)로 바꿔 컴퓨터에 전달한다. AI는 이 숫자 패턴을 분석해 어떤 말인지 알아낸다.
- STT(Speech-to-Text)는 말소리를 글자로, TTS(Text-to-Speech)는 글자를 말소리로 바꾸는 기술이다. 시리, 빅스비, 클로바가 이 두 기술을 모두 사용한다.
- 음성인식 AI는 '음향 모델'(소리 패턴 학습)과 '언어 모델'(문맥·문법 학습) 두 개의 뇌가 함께 작동해 정확도를 높인다.
- AI는 수십만~수백만 시간의 음성 데이터를 학습해 사람마다 다른 발음, 사투리, 소음 속 목소리도 점점 잘 인식하게 된다. OpenAI Whisper는 68만 시간의 데이터로 학습했다.
- TTS는 단순히 녹음을 재생하는 게 아니라, 텍스트를 소리 스펙트럼(멜 스펙트로그램)으로 변환한 뒤 AI가 사람처럼 자연스러운 억양과 감정을 덧붙여 음성을 합성한다.
교사 팁
수업 도입 시 학생들에게 스마트폰 빅스비나 시리에게 "오늘 날씨 알려줘"라고 말하게 해 STT→AI 처리→TTS 응답 과정을 직접 경험시킨다. 이어서 Google Teachable Machine(teachablemachine.withgoogle.com)을 열고, 박수 소리와 '안녕' 목소리를 각각 20회씩 녹음해 AI가 두 소리를 구별하게 훈련시키는 5분 실습을 진행한다. "AI가 내 목소리 20번을 듣고 배웠다"는 경험이 '데이터로 학습'하는 핵심 개념을 직관적으로 심어준다.