- 비타민 12기 : 구준회(Leader), 이서현, 이예린
- 비타민 13기 : 김윤영, 김재겸, 이형석
- 2024년 1학기
- 제주 방언과 표준어 양방향 번역 모델 생성
- 데이터 관리 전반과 모델링 관련 부분을 맡아서 수행했습니다.
- 데이터 관련 : 데이터 수집, 데이터 전처리 및 후처리, 데이터 증강, EDA
- 모델 관련 : 번역 모델 탐색, 모델 파인 튜닝
- 제주 방언에 대한 이해를 증진시키고, 제주 문화의 보존에 기여하고자 합니다.
- 제주 지역도민과 원활한 의사소통을 도모합니다.
- 제주 사투리와 한국어 표준어 사이를 연결하는 양방향 번역 모델을 개발합니다.
- 음성 인식 기능과 사용자 인터페이스를 구현합니다.
-
AI-Hub에서 수집한 데이터
- 한국어 방언 발화 데이터
- 중·노년층 한국어 방언 데이터
-
Github에서 수집한 데이터
- 카카오 JIT 제주 방언 데이터
-
그 외 데이터
- 생활제주어 데이터 (제주어사전 웹페이지 크롤링)
- 뭐랭하맨 데이터 (유튜버 뭐랭하맨 영상 중 가사 번역 영상 참고해 데이터 수집)
- 제주방언 그 맛과 멋 데이터 (도서 '제주방언 그 맛과 멋'에서 데이터 수집)
- 부에나도 지꺼져도 데이터 (도서 '부에나도 지꺼져도'에서 데이터 수집)
- 2018 제주어 구술 자료집 (평가용으로 수집)
-
사전 학습 모델을 불러와 Fine-tuning 하는 방식으로 학습하였습니다.
-
번역 모델 개발을 위해 활용한 사전 학습 모델:
- gogamza/kobart-base-v2
-
사전 학습 모델 선택 기준
- 번역 Task에 적합한 모델인가?
- 한국어로 학습되어 있는가?
- 모델 용량이 그리 크지 않고 학습 속도가 빠른가?
-
고려해봤지만 선택하지 않은 모델:
- T5 (학습 시간이 너무 긴 문제가 있음)
- Jebert (성능이 만족스럽지 않았음)
-
학습 방법론
- source -> target 형식으로 학습
- 문장 입력 전에 [제주] 혹은 [표준] 토큰을 추가하여 번역 방향을 명시하고 이를 함께 학습
- datasets 패키지의 Dataset을 활용하여 언어 모델 학습에 최적화된 형태로 변환
-
주요 파라미터 설정
- max_length : 64
- batch_size : 32
- traning_rate : 처음에는 2e-5에서 시작해 학습이 진행되면서 점차 줄어들도록 설정
- epochs : 3
- 최종 BLEU 점수 - 제주어 구술 자료집 데이터 기준
- 제주어 -> 표준어 : 0.76
- 표준어 -> 제주어 : 0.5
- BLEU Score 성능 표
날짜 | 04-13 | 05-03 | 05-06 | 05-13 | 05-21 | 05-24 | 05-26 | 05-30 |
---|---|---|---|---|---|---|---|---|
제주어->표준어 BLEU Score | 0.56 | 0.59 | 0.42 | 0.64 | 0.70 | 0.74 | 0.76 | 0.74 |
표준어->제주어 BLEU Score | 0.35 | 0.37 | 0.26 | 0.37 | 0.39 | 0.46 | 0.50 | 0.49 |
- 전체적으로 우상향하는 BLEU Score을 기록하였습니다.
-
인터페이스 구현
-
음성 인식 기능
- STT
- 허깅페이스에서 Whisper 모델 받아서 Fine-tuning 진행
- 제주어 억양 학습해 text로 변환
- TTS
- 허깅페이스에서 glos TTS, hifigan 모델 받아서 fine-tuning 진행
- 제주어 억양으로 음성 표현 시도했지만 실패...
- 표준어 음성으로 대신 표현 (gtts 사용)
- STT
- 양질의 데이터 확보를 위해 추가적인 데이터 수집과 문법적 미세 조정을 통한 전처리 수행
- 음성 인식 모델의 억양 인식 능력 향상
- 웹 구현 및 모바일 앱 개발 계획
- 데이터 출처
- 한국어 방언 발화 데이터 (AI-Hub 제공) : https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=data&dataSetSn=121
- 중·노년층 한국어 방언 데이터 (AI-Hub 제공) : https://www.aihub.or.kr/aihubdata/data/view.do?currMenu=115&topMenu=100&aihubDataSe=data&dataSetSn=71558
- 카카오 JIT 제주 방언 데이터 (카카오브레인 Github 참조) : https://github.com/kakaobrain/jejueo
- 생활제주어 데이터 (제주어사전 참조) : https://www.jeju.go.kr/culture/dialect/lifeDialect.htm
- 모델 출처
- Kobart Hugging Face : https://huggingface.co/gogamza/kobart-base-v2
- Whisper Hugging Face : https://huggingface.co/openai/whisper-large-v2
- Kobart Github : https://github.com/SKT-AI/KoBART