fix: 한국인 억양 영어를 한국어로 감지해 한글 음차로 적던 것
Some checks failed
Windows / verify (push) Has been cancelled

원본 언어가 '자동 감지'일 때 Whisper 는 말의 언어보다 억양을 보고 언어를
고른다. 한국어 화자가 말한 영어는 한국어로 감지되고 "스나이퍼 온 더
루프탑" 처럼 소리 나는 대로 적혀, 원문=번역 언어가 되어 번역도 건너뛰었다.
실측(한국어 TTS 가 영어를 읽은 10문장): small·turbo 모두 10/10 한국어 감지.

번역 대상 언어(또는 지원 밖 언어)로 감지된 확정 문장만 한 번 더 받아 적는다.
- 대안 언어는 영어 우선. 확률 순으로 고르면 일본어가 뽑혀 가타카나 음차가
  되고 확률도 높아 거를 수 없었다.
- 평균 log 확률이 크게 떨어지면(진짜 한국어를 영작한 경우) 버린다.
- 대안에 한글이 섞이면(small 이 언어를 못 바꾼 경우) 버린다.
- 압축률 2.4 초과(반복 환각)면 버린다.

결과: small·turbo(beam 1/2) 모두 억양 영어 10/10 영어로, 한국어 6/6 유지,
원어민 영어·무전 가공 음성은 그대로.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
This commit is contained in:
EJClaw
2026-10-09 02:27:41 +09:00
parent 1dde1b2aaa
commit 53ccbcf677
5 changed files with 258 additions and 6 deletions

View File

@@ -272,6 +272,7 @@ class TranslationEngine:
language=source_lang,
fast=not segment.is_final,
prompt=self._last_final_text if segment.is_final else "",
target_lang=mcfg.target_lang,
)
asr_ms = int((time.perf_counter() - t0) * 1000)
if not transcript.text:

View File

@@ -3,16 +3,37 @@
from __future__ import annotations
import logging
import re
import threading
from dataclasses import dataclass
from dataclasses import dataclass, field
import numpy as np
from ..constants import models_dir
from ..constants import LANGUAGE_CODES, models_dir
from .tiers import AsrSpec
log = logging.getLogger(__name__)
#: 번역 대상 언어로 감지됐을 때, 다른 언어로 다시 받아 적은 결과를 채택하는 기준.
#: 두 결과의 토큰당 평균 log 확률 차이(다시 받은 쪽 - 처음 쪽)가 이 값보다 커야 한다.
#:
#: 한국인 억양 영어는 Whisper 가 한국어로 감지해 "스나이퍼 온 더 루프탑" 처럼
#: 소리 나는 대로 적는다. 영어로 다시 받으면 확률이 비슷하거나 더 높게 나온다
#: (실측 차이 -0.35 ~ +0.32). 진짜 한국어를 영어로 받으면 엉뚱한 영작이 되며
#: 확률이 크게 떨어진다 (turbo 실측 -0.79 이하). 그 사이에 둔다.
ALT_LANGUAGE_MAX_LOGPROB_DROP = -0.45
#: Whisper 가 반복 환각("お客様にお客様に…")을 판정할 때 쓰는 압축률 기준과 같다.
#: 반복 루프는 확률이 높게 나와서 log 확률만으로는 걸러지지 않는다.
MAX_COMPRESSION_RATIO = 2.4
#: 다시 받은 결과에 이 글자가 섞여 있으면 모델이 언어를 바꾸지 못한 것이다.
#: (진짜 한국어를 small 모델로 '영어로' 받으면 한글을 그대로 적는다.)
_SCRIPT = {
"ko": re.compile(r"[\uac00-\ud7a3\u3131-\u318e]"),
"ja": re.compile(r"[\u3040-\u30ff]"),
}
@dataclass
class Transcript:
@@ -20,6 +41,12 @@ class Transcript:
language: str
confidence: float = 0.0
duration_s: float = 0.0
#: 토큰당 평균 log 확률. 언어 재판정에 쓴다.
avg_logprob: float = 0.0
#: 구간 중 가장 높은 압축률. 높으면 같은 말을 반복하는 환각이다.
compression_ratio: float = 0.0
#: 언어 감지를 했을 때의 언어별 확률 (지정했으면 비어 있다)
language_probs: dict[str, float] = field(default_factory=dict)
class SpeechRecognizer:
@@ -63,15 +90,48 @@ class SpeechRecognizer:
language: str | None = None,
fast: bool = False,
prompt: str = "",
target_lang: str | None = None,
) -> Transcript:
"""오디오 한 덩어리를 텍스트로.
`fast=True` 는 중간 결과용으로 beam search를 끄고 빠르게 돌린다.
`language` 가 None(자동 감지)이고 `target_lang` 을 주면 감지 결과를 한 번
더 따진다. Whisper 는 말의 언어보다 **억양**을 보고 언어를 고르는 경향이
있어서, 한국인이 말한 영어를 한국어로 감지하고 소리 나는 대로 한글로 적는다.
그러면 원문과 번역 언어가 같아져 번역도 건너뛰고, 자막에는 "에너미 커밍
프롬더 레프트" 가 뜬다. 그래서 지원 언어 밖이거나 번역 대상 언어로 감지되면
다른 지원 언어로 한 번 더 받아 적고, 그쪽이 자연스러우면 채택한다.
"""
if self._model is None:
self.load()
assert self._model is not None
first = self._run(audio, language, fast, prompt)
if language is not None or fast or not first.text:
return first
supported = first.language in LANGUAGE_CODES
if supported and first.language != target_lang:
return first
alt_lang = _alternative_language(first.language_probs, first.language, supported)
if alt_lang is None:
return first
alt = self._run(audio, alt_lang, fast, prompt)
if not alt.text or alt.compression_ratio > MAX_COMPRESSION_RATIO:
return first
# 지원하지 않는 언어로는 어차피 번역할 수 없으므로 그때는 더 따지지 않는다.
if supported and not _accept_alternative(first, alt, first.language):
return first
log.debug("언어 재판정: %s -> %s (%r)", first.language, alt.language, alt.text)
alt.language_probs = first.language_probs
return alt
def _run(
self, audio: np.ndarray, language: str | None, fast: bool, prompt: str
) -> Transcript:
assert self._model is not None
with self._lock:
segments, info = self._model.transcribe(
audio.astype(np.float32, copy=False),
@@ -84,12 +144,57 @@ class SpeechRecognizer:
vad_parameters={"min_silence_duration_ms": 300},
word_timestamps=False,
)
parts = [s.text for s in segments]
segments = list(segments)
text = " ".join(p.strip() for p in parts if p.strip()).strip()
text = " ".join(s.text.strip() for s in segments if s.text.strip()).strip()
tokens = sum(len(getattr(s, "tokens", ()) or ()) for s in segments)
logprob = (
sum(s.avg_logprob * len(getattr(s, "tokens", ()) or ()) for s in segments) / tokens
if tokens
else 0.0
)
probs = getattr(info, "all_language_probs", None) or []
return Transcript(
text=text,
language=getattr(info, "language", language or "") or "",
confidence=float(getattr(info, "language_probability", 0.0) or 0.0),
duration_s=float(getattr(info, "duration", 0.0) or 0.0),
avg_logprob=float(logprob),
compression_ratio=max(
(float(getattr(s, "compression_ratio", 0.0) or 0.0) for s in segments),
default=0.0,
),
language_probs={str(k): float(v) for k, v in probs},
)
def _alternative_language(
probs: dict[str, float], detected: str, supported: bool
) -> str | None:
"""다시 받아 적을 언어 하나.
번역 대상 언어로 잘못 감지된 경우는 거의 다 억양 섞인 영어라서 영어를 먼저
본다. 감지 확률 순으로 고르면 안 된다 — 한국인 억양 영어에 Whisper 는 영어보다
일본어를 높게 치기도 하는데, 일본어로 받으면 "スナイパーオン・ド・ループトップ"
처럼 가타카나로 소리를 적고 확률도 높게 나와 걸러낼 방법이 없다.
지원하지 않는 언어로 감지됐을 때(광둥어 등)는 지원 언어 중 확률이 가장 높은 쪽.
"""
candidates = [c for c in LANGUAGE_CODES if c != detected]
if supported:
return "en" if "en" in candidates else _most_likely(candidates, probs)
return _most_likely(candidates, probs)
def _most_likely(candidates: list[str], probs: dict[str, float]) -> str | None:
known = [c for c in candidates if c in probs]
return max(known, key=lambda c: probs[c]) if known else None
def _accept_alternative(first: Transcript, alt: Transcript, avoided: str) -> bool:
if not alt.text:
return False
script = _SCRIPT.get(avoided)
if script is not None and script.search(alt.text):
return False
return alt.avg_logprob - first.avg_logprob > ALT_LANGUAGE_MAX_LOGPROB_DROP