음성 전처리 성능은 무엇으로 재는가 — SI-SDR·SNR·RTF 읽는 법

음성 전처리 성능은 잡음을 얼마나 줄였는가(SNR·소음 저감량), 원음을 얼마나 보존했는가(SI-SDR), 실시간으로 처리되는가(RTF) 세 가지로 읽습니다.

한 숫자가 높다고 해서 모든 사용 환경에서 더 좋은 음성이 만들어지는 것은 아닙니다. SNR은 신호와 잡음의 관계를, SI-SDR은 기준 음원에 대한 왜곡을, RTF는 입력 음원을 따라갈 수 있는 처리 속도를 봅니다. 따라서 성능 수치를 읽을 때는 지표가 무엇을 재는지, 어떤 조건에서 측정했는지, 어느 제품을 대상으로 했는지를 한 단위로 확인해야 합니다.

음성 전처리 성능은 왜 하나의 숫자로 말할 수 없는가

음성 전처리는 잡음을 낮추는 일과 음성 형태를 보존하는 일, 그리고 처리를 제시간에 끝내는 일을 동시에 수행해야 합니다. 잡음 성분이 줄어든 출력이라도 음성의 일부가 함께 약해지거나 변형될 수 있고, 음질이 안정적이라도 처리 시간이 입력 길이를 따라가지 못하면 연속 음성 환경에서는 사용할 수 없습니다. 서로 다른 문제를 하나의 수치로 환원하면 어느 요소가 좋아졌고 어느 요소가 희생됐는지 알기 어렵습니다.

SNR은 음성과 잡음의 상대적 크기를 보는 척도이며, NIST도 음성 신호와 잡음이 섞인 환경의 측정을 위해 별도 방법을 제시합니다 [1]. SI-SDR은 출력과 기준 음원의 관계에서 전체 크기 조절의 영향을 분리하도록 설계된 왜곡 지표입니다 [2]. RTF는 음성 길이 대비 처리 시간의 비율이므로 시스템의 연산 속도를 나타내며, 체감 지연 그 자체를 뜻하지는 않습니다 [3]. 이 세 지표를 함께 보면 결과의 품질, 보존 정도, 운용 가능성을 분리해 판단할 수 있습니다.

지연을 설계 관점에서 더 넓게 검토해야 한다면 온디바이스와 클라우드 음성 처리의 판단 기준도 함께 볼 수 있습니다. 다만 이 글의 수치는 아래에 명시한 시험 대상과 조건의 범위를 벗어나 해석하지 않습니다.

SNR(신호대잡음비)은 무엇을 재는가

SNR(신호대잡음비)은 원하는 신호와 잡음의 비율을 데시벨(dB)로 나타낸 값입니다. 음성 전처리에서는 출력 음성에서 음성 성분이 잡음 성분보다 어느 정도 우세한지를 읽는 데 사용합니다.

음성 신호의 SNR을 구할 때는 신호와 잡음을 어떻게 구분하고, 어느 구간을 평가에 넣는지가 중요합니다. NIST의 음성 SNR 측정 자료도 배경 소음이 섞인 음성에서 신호 강도를 정밀하게 다루기 위한 측정 방법을 설명합니다 [1]. 같은 알고리즘이라도 입력 SNR, 소음 종류, 발화의 크기, 마이크 구성, 잔향이 달라지면 결과값이 달라질 수 있습니다. 비교하려면 같은 입력 신호, 동일한 평가 구간, 같은 잡음 조건에서 계산한 값인지 먼저 확인해야 합니다. 이 전제가 없으면 숫자의 차이에는 알고리즘의 차이뿐 아니라 시험 환경의 차이도 함께 반영될 수 있습니다. SNR은 「얼마나 높았는가」보다 어떤 신호와 잡음의 관계에서 계산됐는지를 먼저 묻는 지표입니다.

SNR이 높아졌다는 결과는 잡음 대비 음성의 관계가 개선됐음을 보여 줍니다. 그러나 그것만으로 음성의 자연스러움이나 원음 보존까지 판단할 수는 없습니다. 음성과 함께 일부 성분이 줄어들었어도 비율이 개선돼 보일 수 있기 때문입니다. 그래서 SNR은 잡음 억제 결과를 읽는 유용한 지표이지만, 왜곡을 별도로 보는 SI-SDR과 함께 해석해야 합니다.

SI-SDR은 SNR과 무엇이 다른가

SI-SDR은 척도 불변(scale-invariant) 신호대왜곡비입니다. 기준 음원과 처리 결과를 비교할 때 단순한 전체 크기 조절이 점수에 영향을 주지 않도록 하여, 출력의 크기만 바꿔 유리한 값을 얻는 문제를 줄이려는 지표입니다. Le Roux 등은 기존 SDR의 한계를 지적하고, 더 단순하고 견고한 척도로 SI-SDR을 제안했습니다 [2]. 출력 전체의 크기를 조절하는 것만으로 점수가 달라진다면, 신호의 형태가 실제로 더 좋아지지 않았는데도 결과가 좋아 보일 수 있습니다. SI-SDR은 이러한 전체 척도 변화가 평가에 영향을 주지 않도록 하므로, 단순히 얼마나 크게 만들었는지가 아니라 기준 음원의 형태를 얼마나 지켰는지에 초점을 둡니다 [2].

이 차이는 「잡음이 줄었다」와 「원음이 보존됐다」가 같은 판단이 아님을 뜻합니다. SI-SDR이 높다고 해서 특정 음성 인식 결과가 반드시 좋아진다고 단정할 수도 없습니다. 음성 인식은 처리된 음성 외에도 인식 모델, 언어, 화자, 어휘, 입력 장치와 소음 조건의 영향을 받기 때문입니다. SI-SDR은 기준 음원과의 신호 왜곡을 확인하는 축으로, SNR과 대체 관계가 아니라 보완 관계에 있습니다.

RTF(실시간 처리인수)가 1을 넘으면 무슨 일이 일어나는가

RTF는 처리 시간 ÷ 오디오 길이로 계산합니다. 예를 들어 1분 길이의 파일을 30초에 처리하면 RTF는 0.5입니다 [3]. 파일 입력을 기준으로 RTF가 1보다 작으면 오디오 길이보다 빠르게 처리를 마칠 수 있고, 1보다 크면 입력이 들어오는 속도를 처리 속도가 따라가지 못합니다.

RTF가 1을 넘는 시스템에서는 연속 입력이 이어질수록 처리 대기열이 늘어날 수 있습니다. 다만 RTF가 1보다 작다고 해서 사용자가 느끼는 모든 지연이 작다는 뜻은 아닙니다. 음성 수집, 버퍼링, 구간 판정, 전송, 후속 처리와 화면 반영 시간도 별도로 작용합니다. Microsoft의 임베디드 음성 성능 안내도 RTF와 사용자 체감 지연을 구분하며, RTF는 파일 기반 입력으로 측정해야 한다고 설명합니다 [3]. Microsoft는 사용자 체감 지연(UPL)을 말한 순간부터 인식 결과가 화면에 보일 때까지의 시간으로 구분합니다 [3].

따라서 RTF는 「이 처리가 음성 길이를 따라갈 수 있는가」라는 질문에 답하는 지표입니다. 실제 서비스 반응성을 판단하려면 같은 장치, 같은 모델, 유사한 CPU·메모리 부하와 입력 방식에서 별도로 검증해야 합니다 [3].

소음 저감량 dB는 어떤 조건에서 측정되는가

소음 저감량은 처리 전후의 잡음 성분 차이를 dB로 표현한 값입니다. 이 수치는 입력에 어떤 소음이 있었는지, 음성과 소음의 레벨이 각각 얼마였는지, 입력 SNR이 어떠했는지에 따라 달라집니다. 같은 방식이라도 잔향이 커지거나 마이크 위치가 바뀌면 신호와 잡음의 분리가 달라질 수 있습니다.

그러므로 소음 저감량은 숫자만 인용해서는 안 됩니다. 측정 시점의 입력 SNR, 음성 레벨, 소음 레벨, 발화 수, 잔향의 유무처럼 결과에 영향을 주는 조건을 숫자와 같은 문장 또는 같은 표 행에 두어야 합니다. 음성 SNR 측정에서도 음성·배경 소음을 구분하는 방식과 관측 환경이 측정값을 좌우한다는 점이 강조됩니다 [1].

특히 다른 시험의 조건을 가져와 값에 덧붙이는 일은 피해야 합니다. 조건이 기록되지 않은 시험 결과는 조건이 기록되지 않았다는 사실까지 포함해 읽는 것이 정확합니다. 이는 결과를 약하게 만드는 표현이 아니라, 해당 숫자가 말할 수 있는 범위를 명확히 하는 표현입니다. 소음 저감량은 입력 SNR, 음성·소음 레벨, 잔향, 마이크 구성이라는 조건의 묶음 안에서만 의미가 생깁니다. 이 조건 중 하나라도 바뀌면 잡음 성분과 음성 성분이 분리되는 방식이 달라질 수 있습니다. 따라서 한 환경의 수치를 다른 환경으로 옮겨 해석할 수 없으며, 평가 환경을 표시하는 일은 값의 일부입니다.

공인 시험성적서는 무엇을 보증하고 무엇을 보증하지 않는가

공인 시험성적서는 명시된 시험 대상과 조건에서 해당 값이 측정되었고, 정해진 절차에 따라 시험이 수행되었다는 사실을 보여 주는 문서입니다. TTA의 시험 서비스는 고객과 시험항목 및 절차를 협의해 시험을 수행하고 공인성적서를 제공한다고 안내합니다 [4]. 따라서 성적서는 제품 성능을 검토할 때 중요한 근거이지만, 문서에 적힌 범위를 넘어선 일반 보증으로 읽어서는 안 됩니다.

반면 인증은 별도의 제도와 기준, 평가 및 심의 절차에 따라 부여될 수 있습니다. 예를 들어 TTA의 GS시험인증 안내는 시험 평가 후 인증심의위원회가 인증 여부를 결정하고, 통과 시 시험성적서·시험결과서·품질인증서를 제공하는 구조를 설명합니다 [5]. 시험성적서와 인증을 같은 말로 사용하지 않는 이유가 여기에 있습니다.

시험성적서가 보증하지 않는 것도 분명합니다. 그것은 다른 제품, 다른 마이크 배치, 다른 설치 환경, 다른 소음 조건에서 같은 결과가 나온다는 보증이 아닙니다. 시험 대상이 아닌 제품에 수치를 확장하는 근거도 아닙니다. 시험성적서는 「이 조건에서 이 값이 나왔다」를 보증하지, 「어디서나 이 값이 나온다」를 보증하지 않습니다. 그래서 도입 검토에서는 성적서 수치를 확인한 뒤 실제 마이크 구성과 소음 환경에서 다시 측정하는 절차가 필요합니다.

mpWAV는 어떤 조건에서 무엇을 기록했는가

아래 기록은 서로 다른 두 시험입니다. TTA-25-1103은 ClearSense Audio v1.1.0(알고리즘 v1.0.0), 중기부 디딤돌 TTA 시험성적서는 mpAB를 대상으로 합니다. 대상과 조건이 다르므로 직접 비교하지 않습니다. 조건이 기록되지 않은 항목에는 그 사실을 그대로 적었습니다.

TTA-25-1103의 시험 기간은 2025-06-09~06-12, 발급일은 2025-11-17입니다. LibriSpeech ASR·AIHub 한국어 음성 코퍼스와 gpuRIR로 시뮬레이션한 잔향을 사용했습니다. 각 수치는 표의 조건과 함께 해석합니다.

0.852와 85.17%는 같은 값을 서로 다른 방식으로 표기한 것입니다. mpAB 바이너리 크기는 정적 사양이므로 음향 조건과 무관합니다.

두 RTF는 다른 제품을 다른 시험에서 측정했으므로 직접 비교하지 않습니다. 마이크 배열에 따른 수음 방향성의 원리를 함께 확인하려면 빔포밍과 5G의 차이를 참고할 수 있습니다.

성능 수치를 검토한 뒤 실제 활용 장면을 살펴보려면 도입 사례에서 적용 환경과 검증 범위를 함께 확인할 수 있습니다.

참고자료

• [1] National Institute of Standards and Technology, “NIST Speech Signal to Noise Ratio Measurements,” 2025
• [2] Jonathan Le Roux, Scott Wisdom, Hakan Erdogan, John R. Hershey, “SDR — Half-Baked or Well Done?,” ICASSP, 2019
• [3] Microsoft, “Evaluating Performance of Embedded Speech,” 2026
• [4] 한국정보통신기술협회, “TTA Tested 시험,” 확인일 2026-08-20
• [5] 한국정보통신기술협회, “GS시험인증(1등급),” 확인일 2026-08-20