자동 음성 인식(ASR)

**자동 음성 인식(ASR)**은 사람의 음성을 듣고 기계가 읽을 수 있는 텍스트로 변환하는 기술이다. 음성 비서, 메시지 받아쓰기, 실시간 자막, IVR 전화 시스템 등 일상과 서비스 전반에 활용된다.

ASR은 음성에서 무엇이 말해졌는지를 식별하는 기술이며, **STT(speech-to-text)**는 이를 기능이나 애플리케이션으로 구현한 개념에 가깝다. 음성 인식 기술은 여기에 화자 식별을 더해 누가 어떤 말을 했는지 구분하며, 이는 **화자 분리(speaker diarization)**의 기반이 된다.

ASR의 발전 과정은 다음과 같다.

• 1952년: Bell Laboratories가 개발한 AUDREY가 1부터 9까지 숫자를 인식했다. 정확도는 약 90%였지만 발명자가 사용할 때만 작동했다.
• 1960~70년대: 연구기관들이 인식 어휘를 확장했고, Raj Reddy의 연구가 단어 사이에 멈추지 않는 연속 음성 인식의 기반을 마련했다. DARPA 연구는 Beam Search를 활용해 1976년 1,000개 이상의 단어를 인식하는 데 기여했다.
• 1980년대~2010년대 초: Hidden Markov Model과 Beam Search를 결합하면서 특정 화자에 맞춘 훈련 없이도 작동하는 시스템이 가능해졌다. Dragon Systems는 1997년 분당 100단어를 인식하는 상용 ASR인 NaturallySpeaking Preferred를 출시했다.
• 2010년대 이후: 음성과 전사 데이터를 직접 학습하는 end-to-end 신경망이 기존 통계 기반 파이프라인을 능가하기 시작했다. 현재 ASR은 수백만 시간의 오디오를 학습한 대규모 신경망을 기반으로 수십 개 언어를 실시간 처리한다.

ASR 성능의 대표적인 지표는 **단어 오류율(WER)**이다. 실제 서비스에서는 정확도뿐 아니라 지연 시간, 화자 분리 품질, 문맥 이해 능력도 중요한 평가 기준으로 작용한다.

ElevenAPI는 개발자가 사용할 수 있는 production-grade ASR을 제공하며, Artificial Analysis의 독립 벤치마크에서 2026년 7월 기준 단어 오류율 2.2%를 기록해 해당 지수에서 가장 낮은 수치를 기록했다고 소개된다.