Google 다국어 AI를 평가하는 세 가지 기준

전 세계에는 7,000개가 넘는 언어가 있지만, 온라인에서 충분한 자료를 확보할 수 있는 언어는 일부에 불과하다. 화자 수가 10만 명 이상인 언어도 약 1,300개다.¹ 이런 격차를 고려하면 Google 다국어 AI의 목표는 단순히 번역 목록을 늘리는 것이 아니다. 데이터가 부족한 언어도 음성 인식, 입력, 자막, 번역, 생성형 AI에서 실제로 사용할 수 있게 만드는 것이 핵심이다.

Google 번역이 2006년 출시된 이후 다국어 기술의 범위는 텍스트 번역에서 음성과 생성형 AI로 확장됐다. 이 변화를 제대로 이해하려면 지원 언어 수보다 데이터의 대표성, 검증 방식, 제품 적용 범위를 살펴봐야 한다.

1. 데이터에 실제 화자가 얼마나 반영됐는가

언어 AI의 학습 데이터는 웹 문서, 수집된 음성, 식별된 영상 자막 등에서 확보된다. 수집된 자료는 모델 학습 전에 전처리와 검증을 거치며, 테스트에서 문제가 발견되면 데이터의 품질과 관련성을 조정한다.¹

따라서 모델 규모만큼 중요한 질문은 “누구의 말이 데이터에 담겼는가”다. 지역, 성별, 연령, 교육 수준이 편중되면 같은 언어 안의 억양과 표현 차이를 충분히 반영하기 어렵다.

인도의 음성 데이터 수집은 이러한 문제를 줄이기 위해 다양한 인구 특성을 고려해 지역별로 진행된다. 수집된 음성은 같은 지역 출신 작업자가 전사해 지역의 뉘앙스와 언어 변이를 반영한다.¹ Project Vaani는 109개 언어에서 15만5,000명 이상의 화자로부터 3만 시간 이상의 음성을 수집했다.

2. 대규모 모델과 지역 데이터가 어떻게 연결되는가

다국어 AI는 대규모 학습과 지역별 데이터 구축을 함께 필요로 한다. Universal Speech Model은 1,200만 시간의 오디오로 학습됐다. 반면 WAXAL 공개 음성 데이터세트는 사하라 이남 아프리카의 27개 언어를 포함한다. 전자가 폭넓은 음성 학습 기반을 보여준다면, 후자는 온라인에서 충분히 대표되지 않았던 언어의 데이터를 확충하는 접근을 보여준다.

번역 모델도 같은 방향으로 발전하고 있다. TranslateGemma는 55개 언어로 학습된 경량 오픈 번역 모델 제품군이다. 개발자는 하나의 모델에 모든 작업을 맡기기보다, 가벼운 모델로 대화를 관리하고 번역이나 복잡한 추론을 전문 모델에 맡기는 구조를 선택할 수 있다.² 공개 모델을 지역 전문가가 직접 조정하는 방식 역시 문화적 맥락과 언어 변이를 반영하는 경로가 된다.³

3. ‘지원’이 실제 제품 기능으로 이어지는가

검증을 마친 언어 모델은 Gboard와 YouTube에 적용되거나 Gemini와 Google 번역의 기존 모델을 업데이트하는 데 사용된다.¹ 다만 Google의 언어 지원 범위는 제품마다 다르다. 특정 언어가 지원된다는 발표만으로는 음성 인식, 자막, 입력, 번역에서 모두 같은 수준으로 작동한다고 판단할 수 없다.

다국어 AI를 평가할 때는 다음을 확인하는 것이 실용적이다.

• 현지 화자의 지역적·사회적 다양성이 데이터에 반영됐는가

• 전처리, 검증, 테스트 이후 데이터가 지속해서 개선되는가

• 해당 언어가 어떤 제품과 기능에서 지원되는가

• 지역 전문가와 공동체가 데이터 구축과 모델 조정에 참여하는가

언어 포용성은 곧 제품 품질이다

Google 다국어 AI의 성과는 지원 언어의 총개수만으로 판단하기 어렵다. 실제 화자의 언어를 대표성 있게 수집하고, 지역별로 검증하며, 사용할 수 있는 제품 기능으로 연결해야 언어 장벽을 낮출 수 있다. 결국 언어 포용성은 부가적인 목표가 아니라 다국어 AI의 정확성과 활용도를 결정하는 품질 기준이다.

요약: Google 다국어 AI를 평가하려면 언어 수보다 데이터의 대표성, 지역 공동체가 참여하는 검증 과정, 제품별 실제 지원 범위를 확인해야 한다.

¹Language Inclusion: supporting the world's languages with Google AI

²Create chatbots that speak different languages with Gemini, Gemma, Translation LLM, and Model Context Protocol

³Towards Global Understanding - Advancing Multilingual AI with Gemma 2 and a $150K Challenge