아랍어는 발음되는 것보다 적게 쓰입니다. 아랍어 독자는 모음 부호가 없는 문장을 만나면 무의식중에 문맥에서 짧은 모음을 복원합니다. 음성 모델은 같은 일을 통계로 해야 합니다. 문제는 여기서 시작됩니다. 같은 텍스트가 둘 이상의 발음을 허용할 수 있고, 발음마다 의미가 달라집니다. 게다가 아랍어는 방언이 매우 다양한데, 잘 정리된 방언 음성 데이터는 드뭅니다. 이 글에서는 최근 연구 논문들이 이런 장애물에 대해 말하는 내용을 저자들이 발표한 수치와 함께 읽고, 아랍어 오디오 콘텐츠를 만드는 사람에게 그것이 실제로 무엇을 뜻하는지 정리합니다.
발음을 숨기는 텍스트: 짧은 모음의 문제
아랍어는 보통 짧은 모음(파트하, 담마, 카스라, 수쿤, 탄윈)을 쓰지 않습니다. «كتب»은 잘 알려진 예로, «kataba»(그가 썼다), «kutub»(책들), «kutiba»(쓰였다)로 읽을 수 있습니다. 독자는 문장 전체를 보고 판단합니다.
할라 알 마스리와 무히 에딘 자터의 아랍어 음성 데이터 준비 논문은 이 문제를 분명하게 설명합니다. 모음이 없으면 한 단어가 여러 의미를 가질 수 있고, 성우와 AI 모듈 모두 모호성을 줄이는 부호의 도움을 받는다는 것입니다. 모음이 완전히 표기된 텍스트는 드물고 비싸므로, 논문은 모호한 곳에만 표시하는 부분 모음 표기를 제안합니다.
부호를 자동으로 달 수 있을까? 수치는 진전과 격차를 보여 준다
논리적인 해법은 읽기 전에 모음 부호를 자동으로 다는 것입니다. 자동 모음 표기는 크게 개선되었지만 완벽과는 거리가 멉니다. CATT 논문(문자 단위 아랍어 타슈킬 트랜스포머)은 두 벤치마크에서 모델의 결과를 보고합니다.
- 어말 격 모음을 포함한 WikiNews 벤치마크에서 인코더-디코더 모델의 문자 오류율은 약 5.96%, 단어 오류율은 약 20.06%였습니다.
- 더 어려운 CATT 벤치마크에서는 문자 오류율이 약 8.62%, 단어 오류율이 약 34.19%였습니다.
두 벤치마크의 차이는 중요합니다. 여기서 단어 오류란 단어에 모음 표기 오류가 하나 이상 있다는 뜻입니다. 논문의 모델은 비교 대상 모델들을 앞서지만, 쉬운 벤치마크에서는 다섯 단어 중 약 한 단어, 어려운 벤치마크에서는 세 단어 중 약 한 단어를 틀립니다. 어말 격 모음(문법적 어미)은 모음 표기에서 가장 어려운 부분인데, 단어 하나가 아니라 문장 구조에 달려 있기 때문입니다. 그래서 이를 제외하면 수치가 좋아집니다(WikiNews에서 문자 오류 약 3.63%).
요점: 자동 모음 표기는 모호성을 줄이지만 없애지는 못하며, 그 안의 모든 오류는 그대로 발음으로 넘어갑니다.
데이터가 부호를 대신할 수 있을까? QCRI의 실험
대안적인 연구 방향도 있습니다. 텍스트에 부호를 더하는 대신 모델을 방대한 양의 음성으로 학습시켜 올바르게 추측하도록 하는 것입니다. 카타르 컴퓨팅 연구소(QCRI) 연구진의 논문 «More Data, Fewer Diacritics»(2026년 3월)가 이를 시험했습니다. 연구팀은 소셜 플랫폼에서 약 2만 시간의 오디오를 모았고, 정제와 분할을 거쳐 학습에 적합한 약 4000시간을 남겼습니다. 이어 다양한 크기의 모델을 부호가 있는 경우와 없는 경우로 학습시키고, 음성 인식 모델로 단어 오류율(WER)을 측정했습니다.
주요 결과:
- 4000시간, 부호 있음: WER 1.67로 가장 좋은 결과.
- 4000시간, 부호 없음: WER 3.18.
- 1000시간으로 학습한 부호 없는 모델(3.12)이 100시간으로 학습한 부호 있는 모델(3.48과 3.62)보다 좋았습니다.
즉 데이터 양이 같다면 부호가 여전히 가장 좋은 결과를 내지만, 많은 데이터가 부호의 부재를 상당 부분 메워 줍니다. 연구진은 중요한 한계도 밝힙니다. 실험은 현대 표준 아랍어만 다루었고, 측정은 사람의 청취 테스트 없이 객관 지표로만 이루어졌으며, 점수 산정에 쓴 인식 모델 계열이 데이터 준비 파이프라인과 연관되어 있어 결과에 편향이 생길 수 있다는 것입니다.
표준 아랍어와 방언: 쓰는 언어와 말하는 언어
두 번째 문제는 부호보다 깊습니다. 우리가 말하는 «아랍어»는 어느 것인가? Habibi 논문(2026년 1월)은 아랍어에 30개가 넘는 구어 변종이 있고, 현대 표준 아랍어는 일상 대화에서 거의 쓰이지 않으며, 방언은 어휘와 발음에서 크게 다르다고 말합니다. 또한 현재 구할 수 있는 아랍어 음성 데이터의 대부분이 원래 음성 인식용으로 만들어졌고, 잡음이 많으며 모음 부호가 없는 경우가 많고, 다방언 음성 합성을 평가할 통일된 벤치마크도 없다고 덧붙입니다.
«Arab Voices» 연구(브리티시컬럼비아대학교, 2026년 1월)는 데이터 쪽에서 이 그림을 뒷받침합니다. 31개의 아랍어 음성 데이터셋을 정리한 이 연구는 방언 레이블이 표준화되어 있지 않고, 북아프리카(알제리, 하사니야, 모로코, 튀니지)와 이라크 같은 지역이 충분히 대표되지 않음을 밝혔습니다. 사전 학습 없는 음성 인식 테스트에서 일부 Whisper 구성의 오류율은 200을 넘었고 메소포타미아 아랍어에서는 271.25에 이른 반면, 표준 아랍어의 오류율은 여러 모델에서 12 아래로 내려갔습니다. 이는 음성 합성이 아니라 음성 인식의 수치지만, 데이터에서 표준어와 방언 사이의 같은 격차를 보여 줍니다.
Habibi의 눈에 띄는 결과 하나는, 모델을 먼저 표준 아랍어로 학습시킨 뒤 방언으로 학습시키면 방언만으로 학습시킬 때보다 훨씬 나은 결과가 나온다는 점입니다. SADA 데이터셋에서 이 방식의 WER은 약 13.30이었고, 방언만으로 처음부터 학습하면 55.63이었습니다. 다시 말해 표준 아랍어는 그 위에 쌓아 올리는 기초 역할을 하며, 방언 데이터만으로는 충분하지 않습니다.
모델이 말하기 전에: 텍스트 정규화와 녹음
우리가 듣는 오류의 상당수는 음성 모델이 아니라 모델에 도달하는 텍스트에서 비롯됩니다. 알 마스리와 자터는 데이터 준비 과정이 모음 표기, 맞춤법 검사, 분할에 앞서 숫자, 날짜, 아랍어가 아닌 단어, 약어를 발음 가능한 아랍어 텍스트로 바꾼다고 설명합니다. «1994», «5 km», «iPhone» 같은 텍스트는 쓰인 대로 발음되지 않으며, 명시적으로 변환하지 않으면 잘못 발음되거나 건너뜁니다.
논문은 녹음 품질도 다룹니다. 처리되지 않은 스튜디오의 잡음, 쉿 소리, 파열음은 학습 데이터를 해치므로, 소음을 발생원에서 막고, 일정하고 자연스러운 속도를 유지하며, 쉼은 문장 부호에서만 두라고 권합니다. 합성 음성의 품질은 그것이 학습한 사람 목소리의 품질에 달려 있다는 점을 상기시킵니다.
좋은 목소리인지 어떻게 알까? 측정의 문제
대부분의 연구는 WER, 화자 유사도, 예측 자연스러움(UTMOS) 같은 자동 지표에 의존하며, 모두 한계가 있습니다. Habibi는 이 지표 중 일부가 학습 데이터 밖에서는 잘 일반화되지 않는다고 경고하며, 그래서 연구진은 방언마다 10~20명의 원어민이 참여하는 사람 평가를 추가했습니다. 상용 모델과의 비교에서 어느 쪽도 모든 지표에서 이기지는 못했습니다. Habibi는 여러 방언에서 화자 유사도와 오류율이 더 좋았고, 상용 모델은 자연스러움에서 더 좋았습니다. 교훈은 «최고의 시스템»이 무엇을 재느냐에 달려 있으며, 실제로 들어 보는 것은 대체할 수 없다는 것입니다.
아랍어 오디오 콘텐츠를 만드는 사람에게 무엇을 뜻할까?
위 연구에서 몇 가지 실용적인 습관을 끌어낼 수 있습니다. 이는 논문이 그대로 말한 내용이 아니라 제 분석입니다.
- 모호한 곳에는 직접 모음 부호를 다십시오. 발음이 둘 이상 가능한 단어에 대한 부분 표기는 추측에 맡기는 것보다 싸고 정확하며, 알 마스리와 자터도 이를 제안합니다.
- 숫자, 날짜, 약어, 외국 이름은 읽히기를 원하는 형태로 쓰십시오.
- 표준 아랍어와 방언 중 하나를 의도적으로 선택하고, 예술적 목적이 아니라면 한 문단에서 섞지 마십시오.
- 게시하기 전에 들어 보십시오. 어떤 자동 지표도 사람의 귀를 대신하지 못하며, 이름, 용어, 숫자에서는 특히 그렇습니다.
- 긴 텍스트는 짧은 부분으로 나누어 부분별로 검토하십시오. 한 시간 분량 속의 오류 하나는 찾기 어렵습니다.
오늘의 Moknah
Moknah는 이 단계들의 일부를 플랫폼 안에서 처리합니다. 아랍어에는 기본, Tashkeel, AI 시인의 세 가지 텍스트 처리기가 있으며, Tashkeel과 AI 시인은 기본보다 크레딧을 더 사용합니다. 플랫폼은 130개가 넘는 언어의 텍스트 음성 변환을 지원합니다. 사람의 검토를 대신하는 것이 아니라 반복적인 수작업을 줄여 줍니다. 무료로 시작해서 중요한 텍스트를 요금 페이지에서 시험해 볼 수 있습니다.
관련 글
출처
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2