AncomWiki

한국어 TTS 텍스트 정규화(TN) 경량 모델 개발 진행 상황 (2026-02)

Properties1
description본 노트는 4월 말까지 온디바이스용 경량 TTS 텍스트 정규화 모델(5M 파라미터 이하) 개발을 목표로 하는 프로젝트의 2월 진행 상황을 기록한 일일 업무 노트입니다. 핵심 내용은 LLM 기반의 자동 데이터 생성 및 검증 파이프라인 구축, 약 35만 건의 골드 데이터셋 생성(품질 통과율 약 94%), 그리고 T5 계열(KoT5, mT5 등) 베이스 모델들의 시범 훈련 및 토크나이저(BPE vs SentencePiece) 비교…

41 min read

한국어 TTS 텍스트 정규화(TN) 경량 모델 개발 진행 상황 (2026-02)

Source

  • Field Notes/ReturnZero/Daily Notes/Day 1700. 2026-02-24.md

Summary

본 노트는 4월 말까지 온디바이스용 경량 TTS 텍스트 정규화 모델(5M 파라미터 이하) 개발을 목표로 하는 프로젝트의 2월 진행 상황을 기록한 일일 업무 노트입니다. 핵심 내용은 LLM 기반의 자동 데이터 생성 및 검증 파이프라인 구축, 약 35만 건의 골드 데이터셋 생성(품질 통과율 약 94%), 그리고 T5 계열(KoT5, mT5 등) 베이스 모델들의 시범 훈련 및 토크나이저(BPE vs SentencePiece) 비교 실험 결과입니다. 또한 일본어 ASR 모델 개선(주소, 번호, 가타카나) 및 제로원 프로젝트 대응 등 병행 업무 사항도 포함되어 있습니다.

Key Points

  • 프로젝트 목표: 4월 말까지 차량 내 저지연 추론이 가능한 5M 파라미터 이하의 한국어 TTS 텍스트 정규화 경량 모델 개발.
  • 데이터 파이프라인: LLM을 활용한 ‘정규화(Normalize) -> 검증(Evaluate) -> 재시도(Retry)’ 이중 프롬프트 구조의 자동화 파이프라인 구축.
  • 데이터셋 현황: 약 35만 건의 입력 데이터 중 품질 게이트 통과율 약 94%(329,033건)를 기록하며 2차 학습 데이터셋 생성 완료. 과거 대비 저품질 데이터 비율이 약 89% 감소.
  • 모델 실험: KETI, Google, Wisenut 등 다양한 T5 기반 베이스 모델 비교 실험 진행. KoT5-small(60M) 시범 훈련 시 성능 향상 및 약 240MB 메모리 점유율 확인.
  • 토크나이저 전략: 한국어 TN 특성에 적합한 토크나이징 방식을 위해 BPE와 SentencePiece(Unigram) 방식의 비교 분석 중.
  • 향후 계획(3월): 모델 구조 최종 확정 및 지식 증류(Distillation) 기법 적용을 통한 초경량 모델 구현 집중.
  • 병행 업무: 일본어 ASR 모델 개선(주소/번호/가타카나 전사 및 ITN 처리), 제로원 프로젝트 대응, 현대캐피탈 운영계 모델 반입 등.

그래프 뷰

백링크