일상 대화에서 나타나는 중국어(만다린) 단어의 시간 정규화된 f0(기본 주파수) 곡선, 즉 음높이 변화가 문맥화된 임베딩(CE)으로 어느 정도 예측 가능하다는 사실은 이미 앞선 연구를 통해 알려져 있었다. 이번 연구는 여기서 한 걸음 더 나아가, 같은 임베딩이 단어의 발화 길이(duration)까지 예측할 수 있는지를 검증했다.
연구진은 자연스러운 발화 상황에서 수집된 중국어 말뭉치에서 추출한 자음-모음(CV) 구조의 단음절 단어 7470개 토큰을 대상으로 분석을 진행했다. 그 결과 문맥화된 임베딩이 발화 길이 예측에서 우연 수준을 넘어서는 유의미한 성능을 보이는 것으로 나타났다. 이런 예측력은 단어 유형(type) 수준뿐 아니라 개별 발화 토큰(token) 수준에서도 확인됐으며, 연구진은 유형 기준과 토큰 기준의 순열 기준선(permutation baseline)을 각각 적용해 이 결과를 검증했다.
연구진은 나아가 예측된 발화 길이의 정밀도가 충분히 높아, 0에서 1 사이로 정규화된 시간축 상의 예측 f0 곡선을 실제 밀리초(ms) 단위의 시간축으로 역변환하는 데도 활용될 수 있음을 보여줬다. 이렇게 역변환된 예측 곡선은 실제 관측된 음높이 곡선과 유사한 양상을 보였으며, 순열 기준선 대비 더 나은 예측 성능을 나타냈다.
이번 연구는 텍스트 기반의 언어모델 임베딩이 단순히 의미나 문법적 정보뿐 아니라, 실제 발화의 운율적 특성인 길이와 음높이까지 함께 담아내고 있을 가능성을 시사한다. 성조 언어인 중국어의 음성 합성이나 운율 예측 모델을 개발하는 데 있어 문맥 임베딩을 보조 신호로 활용할 수 있는 근거를 제공한다는 점에서 의미가 있다.
