인간은 선택적 지각능력으로 여러 사람의 목소리 중 한 사람의 목소리를 명확하게 구분하고, 선택적으로 알아들을 수 있다. 일명 칵테일 파티 효과(Cocktail Party Effect)라고 알려진 이러한 능력은 자신이 관심을 집중하는 대상의 목소리를 구별해내는 인간의 고유한 능력이지만, 인공지능 기술 분야에서도 중요한 과제라고 한다. 이에 구글 리서치는 지난 12일, 특정 인물의 목소리를 구분해내는 심층학습 인공지능 기술(research.googleblog.com/2018/04/looking-to-listen-audio-visual-speech.html)을 공개했다. 다시 말해, 다른 사람의 목소리와 주변 소음으로부터 한 사람의 목소리를 완벽하게 분리하는 것이다. 구글이 공개한 영상을 보면 이 인공지능 기술은 두 사람의 목소리를 확실하게 구분해내며, 선택한 인물의 음성은 강화하고, 나머지 소리는 음소거가 가능하다. 한 사람의 얼굴과 입 모양, 목소리를 인식하게 하도록 소음을 섞어 인위적인 칵테일 파티 효과를 만들어내고, 구분하는 훈련을 거듭 반복했다. 이에 움직이면서 입 모양이 잠시 보이지 않거나, 손이나 물체 등으로 입 모양을 가릴 때도 목소리를 구분해내 인간과 유사한 능력을 구현할 수 있다. 이는 스마트폰의 영상통화 기능이나 청각 보조장치 등에 활용해 여러 사람이 말을 할 때나 주변에 소음이 있을 때 유용하게 사용할 수 있다. 또한, 음성인식 인공지능 비서나 스마트폰 잠금 해제, 금융 모바일 앱 등에 적용돼 목소리를 통한 생체 인증에도 활용할 수 있겠다.

Audio-Visual Speech Separation, Google Research(2018/04)