AI 기반 한국어 가창 음성 변환에서 가창자 음향 특성의 차원별 보존 및 전이 분석

음성 변환은 원본(source) 화자의 음성을 대상(target) 화자의 음향 특성으로 변환하면서 언어 내용을 유지하는 작업이다[21]. 가창을 대상으로 하는 가창 음성 변환(SVC; singing voice conversion)은 여기에 음높이, 멜로디, 비브라토 등 가창 고유 성분의 처리가 더해진다는 점에서 일반 음성 변환과 구분된다[7]. 음성 변환은 학습 양식에 따라 화자 종속 학습(speaker-dependent training)으로 대상 화자의 음향 특성을 모델 파라미터에 학습시키는 방식과, 대상 학습 없이 짧은 참조 음성만으로 대상 특성을 추정하는 방식(zero-shot)으로 나뉜다. 본 연구는 이러한 두 방식의 대표 모델인 RVC v2와 SEED-VC를 비교 분석 대상으로 선정한다. 두 모델은 가창 전용으로 설계된 SVC 모델이 아니라 범용 음성 변환 모델이지만, 이를 가창에 적용한 결과물이 무단 복제와 저작권 분쟁 등 사회적 문제로 이어지고 있어[1] 분석 대상으로서 의의를 가진다. 다만, 두 모델이 가창 특화 모델이 아니라는 점은 본 결과 해석의 조건으로 함께 고려하며, 이에 따라 본 연구의 위치는 SVC 모델의 성능 평가가 아니라 범용 음성 변환 모델을 가창에 적용한 변환 결과물의 음향 특성 분석으로 한정된다.

RVC v2(Retrieval-based Voice Conversion v2)는 화자 종속 학습 기반의 검색 합성 모델로, 세 단계로 이루어진다. 첫째, 임베딩 단계에서는 자기지도학습(SSL; self-supervised learning)으로 사전 훈련된 ContentVec[22] 임베더(embedder)가 원본 음성에서 화자 정보를 분리한 언어 내용 표현을 추출한다. 둘째, 검색 단계에서는 대상 화자의 학습 음성에서 구축한 특징 색인으로부터 원본 임베딩에 가장 가까운 대상 특징을 검색한다. 셋째, 합성 단계에서는 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)[23] 기반 보코더(vocoder)가 검색된 특징을 시간 영역의 음성 파형으로 합성한다. RVC Project[24]는 이 세 단계를 통합한 오픈소스 음성 변환 프레임워크로, 화자 종속 학습 모델 계열의 대표적 구현으로 자리잡았다.

SEED-VC[25]는 확산(diffusion) 기반의 zero-shot 음성 변환 모델이다. 확산 모델은 잡음을 점진적으로 제거하는 역방향 과정을 학습하여 데이터를 생성하는 생성 모델 계열로[26], 음성 합성 분야에서 자연스러운 음향 품질을 달성하며 표준 생성 모델로 자리잡았다. SEED-VC는 30초 길이의 대상 참조 음성으로부터 대상 화자의 음향 특성을 추정하고, 확산 과정을 통해 원본 음성을 대상 특성으로 변환한다. 모델 설계는 원본 피치 궤적의 보존을 지원하며, 가창 변환에서 멜로디 정보를 유지한다.

가창자 내 안정성은 곡 단위 CV로 측정한다. CV는 한 가창자의 차원 측정값이 곡별로 얼마나 안정한가를 표준편차와 평균의 비율로 표현하며, CV < 0.5를 안정 임계값으로 적용한다. CV < 0.5는 곡 간 표준편차가 평균의 절반 미만임을 뜻하며, 표준편차가 평균과 같아지는 CV = 1보다 엄격한 기준이다. 이 기준을 충족하는 차원은 측정값이 곡에 따라 평균에서 크게 벗어나지 않기 때문에, 특정 곡에 의존하기보다 가창자의 안정적 특성을 반영한다. 차원별 통과율(pass_rate)은 85명 중 CV < 0.5를 충족하는 가창자의 비율이다.

58차원 중 34차원이 85명 전원 통과(pass rate = 1.0)를 보였다. 동률 그룹 내에서 평균 CV가 가장 낮은 5차원은 F2_mean(0.048), spectral_bandwidth_mean(0.049), mfcc1_mean(0.056), HNR(0.060), F1_mean(0.076)으로, 발성의 물리적 기제와 직접 대응되는 차원이 가창자 내 안정성에서 우위를 보인다. 반대로 통과율 최저 차원은 vibrato_rate(0.141)이며, vibrato_extent(0.329)와 함께 비브라토 2차원이 가창자 내 변동성이 큰 차원군에 속한다. 축별 패턴을 보면, 음색 엔벨로프 축의 MFCC 평균 차원 11개가 0.5 미만이지만 MFCC 표준편차 차원은 mfcc20_std(0.988)를 제외한 19/20차원이 1.0을 기록하여, 같은 음색 축이라도 표준편차가 평균보다 안정적이다. 축 4 SPR은 0.541로 단일 차원 축 중 통과율이 가장 낮으며, 축 7 한국어 음운 조음 4차원은 fric 및 aff가 1.0, plo 및 voi가 각각 0.976, 0.988로 통과율이 높은 차원군에 속한다. 이로써 본 측정 체계의 다수 차원이 가창자 고유 특성을 곡 단위로 안정적으로 포착함을 확인한다. 차원별 안정성 분포는 그림 1에 제시한다.

Fig. 1.

Distribution of within-singer stability across 58 dimensions

가창자 간 변별력은 가창자 쌍별 Cohen's d로 측정한다. Cohen’s d는 두 가창자의 측정값 분포를 표준화하여 단위에 무관한 비교를 가능하게 한다. 85명의 가창자 쌍 3,570쌍에 대해 Cohen’s d를 산출하고, 차원별 |d| 분포의 중앙값(abs_d_median)을 주요 지표로 사용한다. 중앙값은 일부 가창자 쌍의 극단값에 덜 민감하기 때문에 분포 대표성이 높다. 변별력 임계값은 효과 크기 분류에서 large에 해당하는 d > 0.8을 적용한다[33].

58차원 중 53차원이 d > 0.8 임계를 통과했다. 변별력이 가장 높은 5차원은 mfcc6_std, mfcc11_mean, mfcc8_std, mfcc9_mean, mfcc8_mean으로 모두 음색 엔벨로프 축에 속한다. 변별력이 가장 낮은 5차원은 plo, fric, voi, f0_std, vibrato_extent이며, 한국어 음운 조음 차원이 하위에 집중적으로 분포한다. 음색 엔벨로프 축은 가창자 변별의 핵심 차원군이고, 한국어 음운 조음 축은 변별력이 상대적으로 약하다. 이로써 본 측정 체계의 다수 차원이 가창자 변별에 높은 유효성을 보임을 확인한다. 앞서 정의한 두 기준을 모두 충족하여 가창자 고유성 지표로 해석되는 차원은 58차원 중 32차원이며, 축 7 한국어 음운 조음은 aff를 제외한 3차원이 변별력 기준에 미달하여 여기에서 제외된다. 가창자 간 차원별 변별력 분포는 그림 2에 제시한다.

Fig. 2.

Distribution of between-singer discriminability across 58 dimensions

가창자 간 변별력은 가창자 개인 수준 효과와 인구통계 군집 효과를 분리하지 않는다. 한 차원이 성별, 연령, 음색 그룹 간 평균 차이로 변별력을 얻는다면, 그 차원은 가창자 고유성이 아닌 인구통계 의존 지표일 가능성이 있다. 본 항은 차원별 인구통계 독립성을 일원 분산 분석(one-way ANOVA)[34]으로 검정한다. 본 검정은 다음색 가창자 단위 메타데이터 4 변인을 독립 변인으로 사용한다. 변인별 카테고리는 성별 MALE 43, FEMALE 42, 연령 10TO29, 30TO49, OVER49, 음색 NORMAL, CLEAR, HUSKY, 장르 BALLAD 47, DANCE 38이다. 58차원과 4 변인에 대해 총 232회의 검정을 수행하는 다중 비교(multiple comparisons) 상황에서는, 개별 검정의 유의수준을 그대로 적용하면 우연에 의한 거짓 양성이 누적된다. 이를 통제하기 위해 본페로니 교정(Bonferroni correction)[35]으로 유의수준을 검정 수로 나눈다(α = 0.05 / 232 ≈ 2.16 × 10^-4).

본페로니 교정 후 유의 차원은 성별 38개, 장르 11개, 연령 및 음색은 모두 0개로 수렴한다. 단순 임계(p < 0.05) 기준에서는 연령 및 음색에도 일부 유의 차원이 분포하나, 본페로니 교정 임계를 통과하지 못한다. 인구통계 의존성은 성별과 장르 효과가 주요하며, 성별 효과가 가장 강한 차원은 f0_mean(F = 456.52, p = 1.74 × 10^-35)로 ANOVA 검정 중 최대 효과를 보인다. 장르 효과가 가장 강한 차원은 jitter(F = 110.30, p = 6.65 × 10^-17)이며, 발성질, 비브라토, 한국어 음운 영역에서 주로 관찰된다. 축 7 한국어 음운 조음 4차원은 성별, 연령, 음색에서 모두 0/4 유의이나, 장르에서는 3/4 유의로 BALLAD와 DANCE 영역에서 음운 조음 차원이 차이를 보인다. 연령과 음색 의존성이 본페로니 교정 후 소멸하는 점은, 본 측정 체계의 차원들이 연령 및 음색 군집과 독립적이며 해당 변인에 대해 가창자 개인 수준의 고유성을 반영함을 시사한다. 축별 분포 분석 요약은 표 4에 제시한다.

Table 4.

Per-axis summary of distribution analysis (G: gender, A: age, T: timbre, Gn: genre)

가창자 간 교차 변환 실험은 성별, 연령, 음색의 인구통계 조합으로 가창자를 층화한다. 음색이 NORMAL 단일로 구성되어 층화가 불가능한 OVER49 8명은 층화 격자에서 제외하여, 연령은 10TO29와 30TO49 2수준으로 구성된다. 대상 24명은 성별(2), 연령(2), 음색(3)의 12 조합에서 각 조합을 대표하는 조합 내 최대 변별 쌍 2명씩을 결정론적 규칙으로 선택하여 인구통계 분포의 대표성을 확보한다. 원본 12명은 대상 24명을 제외한 후보군에서 성별(2), 연령(2)의 4 조합에 조합당 3명씩, 재현 가능성 확보를 위해 시드값 (seed value)을 42로 고정하여 무작위 추출한다. 원본 음성의 음색은 변환 과정에서 대상 음색으로 치환되므로 음색 층화는 적용하지 않는다. 실험 대상 구성은 표 5에 제시한다.

Table 5.

Voice conversion experiment design

변환 입력은 각 가창자의 60초 원본 클립으로, 이 길이는 음운 단위 측정에 필요한 음소 출현을 충분히 포함하며 정렬 정확도 검증의 200 ms 임계를 충족한다. 대상 24명의 학습 및 검증 곡 단위 분할은 정렬 정확도 검증을 통과하고 정렬에 성공한 가용 곡에서 7:3의 비율로 무작위 수행하여[36], 24명 합계 학습 563곡, 검증 257곡을 산출한다. 곡 분할 시 가창자마다 시드값을 42로 고정하여 재현 가능성을 확보하며, 학습 곡이 검증에 포함되지 않도록 한다. 학습 곡은 RVC v2 학습에 사용하며, 검증 곡은 56차원 측정과 변환 원본 클립 추출에 사용한다.

RVC v2는 화자 종속 학습으로 대상 가창자당 1개 모델을 학습하고, SEED-VC는 30초 대상 참조 음성으로 zero-shot 변환을 수행한다. 두 모델의 학습 양식 대조는 변환 결과의 보존 및 전이 패턴이 학습 양식에 따라 차별화되는지 또는 일관 재현되는지를 확인하기 위함이다. 두 모델 공통으로 추론 환경을 통일하여 하드웨어 의존성을 제거한다. 두 모델은 기본 F0 처리가 다르므로, 동일 기준 비교를 위해 원본 F0 궤적이 변환 출력에 직접 반영되도록 설정한다. RVC v2 학습은 Applio 기본 설정을 적용하며, ‘overtraining_detector’를 활성화하여 검증 손실이 50회 연속 개선되지 않으면 조기 종료한다. 모델 학습 및 추론 설정은 아래 표 6에 제시한다.

Table 6.

Training and inference settings of RVC v2 and SEED-VC

576개의 변환 wav 음원에 앞서 정의한 7축 측정 도구와 파라미터를 동일 적용하여 변환 결과의 차원별 값을 산출한다. 축 2 비브라토 2차원은 변환 wav 음원에 ‘is_vibrt’이 없어 측정이 불가하므로 분석에서 제외한다. 58차원 중 56차원에 대해 분석을 수행한다.

차원별 보존 및 전이 판정은 분류 비율의 통계적 안정성을 정량화하기 위해 부트스트랩(bootstrap) 방법을 적용한다[38]. 재표집은 차원 유형에 따라 분기하여, 음소 단위 출현값을 갖는 축 7 4차원은 변환 결과의 음소 출현값을 복원추출해 반복마다 평균을 산출하고, 가창자당 단일 값을 갖는 축 1, 3, 4, 5, 6은 변환 값을 고정한 채 원본 및 대상 기준 분포를 재표집한다. 두 방식 모두 시드값 42로 1,000회 반복하며, 각 반복에서 변환 결과가 원본 기준에 더 가까운지, 대상 기준에 더 가까운지를 비교한다. 비교 통계량은 수식 (1)의 z 거리이며, Z_src < Z_tgt 이면 보존, Z_src > Z_tgt 이면 전이로 집계한다.

여기서 O_mean은 변환 출력의 차원 값이고, 원본 기준과 대상 기준은 각각 원본 가창자와 대상 가창자가 앞서 산출한 차원별 측정 분포다. src_b와 tgt_b는 재표집에서 반복마다 측정 평균을 중심으로 하는 정규분포에서 추출한 기준 평균이고, src_s와 tgt_s는 측정 표준편차를 표본 수의 제곱근으로 나눈 값과 측정 표준편차로 각각 고정한다. 거리를 표준편차로 나누어 차원마다 다른 측정 척도를 정규화함으로써, 보존 및 전이 비교를 차원 간 동일 기준으로 수행한다.

신뢰구간은 참 비율이 위치할 법한 범위이며, 윌슨 스코어 신뢰구간(Wilson score interval)은 비율이 0이나 1에 가깝거나 표본이 작을 때에도 안정적인 구간을 제공하여 비율 추정에 적합하다[39],[40]. 1,000회 반복 결과에서 보존 또는 전이 방향의 윌슨 스코어 95% 신뢰구간 하한이 0.5를 초과하는 쪽을 차원별 판정으로 확정하며, 양쪽 모두 임계를 통과하지 못하면 혼합으로 분류한다. 0.5는 보존 및 전이 이항 분류의 과반 기준으로, 신뢰구간 하한이 이를 초과함은 해당 방향의 과반이 부트스트랩 표집 변동에 견고함을 뜻한다. 축 7 음소 출현 횟수가 3 미만이거나 변환 결과의 측정값이 산출되지 않는 사례는 미판정으로 분류한다. 본 장의 보존 및 전이 판정에는 차원 간 다중 비교 보정(FWER; family-wise error rate)을 적용하지 않으며, 통계적 표현은 각 차원의 분류 신뢰구간에 한정한다. 이는 집단 차이의 통계적 유의성을 판정하는 검정에서는 다중 비교 보정이 요구되는 것과 달리, 본 장의 보존 및 전이 판정은 각 차원을 독립적 기술 분류로 보고할 뿐 56차원을 묶어 통계적 결론을 내리지 않기 때문이다.

두 모델의 56차원 종합 판정 결과, RVC v2는 보존 19개, 전이 25개, 혼합 12개, SEED-VC는 보존 19개, 전이 24개, 혼합 13개로 산출된다. 두 모델 모두 전이 판정이 가장 많은 비중을 차지하며, 보존과 혼합의 분포는 유사하다. 차원별 판정 결과는 다음 그림 3에 제시한다.

Fig. 3.

Per-dimension verdict by VC model

발화 음성의 음향 영역에 해당하는 축 1, 축 3, 축 6의 48차원은 다수 차원이 전이로 분류된다. 축 1 해부학적 성도 2차원은 SEED-VC에서 양 차원 모두 전이로, RVC v2에서 1차원 전이, 1차원 혼합으로 분류된다. 축 3 발성질 3차원에서 jitter와 shimmer는 두 모델 모두 보존, HNR은 RVC 전이, SEED-VC 혼합으로 분류된다. 축 6 음색 엔벨로프 43차원은 두 모델 모두 전이가 가장 우세한 분류이나, 영역에 따라 차이가 있다. MFCC 평균 20차원 중 mfcc6~16 평균은 두 모델 모두 강한 전이를 보이고, mfcc1, 19, 20 평균은 두 모델 모두 보존이다. MFCC 표준편차 20차원은 mfcc16~20 표준편차에서 두 모델 모두 보존으로 분류되어, MFCC 표준편차가 평균보다 보존 비율이 높다. 스펙트럼 통계 3차원에서는 spectral_bandwidth_mean이 두 모델 모두 전이, spectral_centroid_mean이 RVC 보존, SEED-VC 혼합, spectral_rolloff_mean이 두 모델 혼합이다.

가창 발성의 음향 영역에 해당하는 축 4와 축 5의 4차원은 전이와 보존이 축별로 대비된다. 축 4 성악 공명 SPR은 두 모델 모두 전이로 분류된다. 축 5 피치 동역학 3차원은 두 모델 모두 보존으로 분류되며, f0_mean의 보존 비율은 RVC v2 82.3%, SEED-VC 83.7%로 56차원 중 가장 높다. f0_std의 보존 비율은 RVC v2 65.6%, SEED-VC 65.3%, f0_range는 RVC v2 69.8%, SEED-VC 62.2%이다. 다만, 축 5의 3차원 보존 판정은 앞서 두 모델 모두 원본 F0 궤적이 변환 출력에 직접 반영되도록 한 설정의 영향을 받으므로, 해당 설정에 따른 결과로 해석한다.

정렬 정확도 검증은 변환 결과 wav 음원의 음운 타이밍 안정성을 변환 품질의 독립 지표로 평가하며, 축 7 한국어 음운 조음 차원 검정의 입력 자격을 결정한다. 576개 변환 wav 음원에 동일하게 적용한 결과, RVC v2 269/288(93.40%), SEED-VC 272/288 (94.44%)가 통과하며, 통과 분포는 아래 그림 4에 제시한다.

Fig. 4.

Alignment time error check pass/fail distribution for converted wav

한국어 가창 음운의 음향 영역에 해당하는 축 7 음운 조음 4차원에서 fric, aff, voi가 두 모델 모두 보존으로 분류되며, 보존 비율은 fric RVC 58.4%, SEED-VC 61.4%, aff RVC 58.0%, SEED-VC 60.7%, voi RVC 62.1%, SEED-VC 64.3%이다. plo는 보존 및 전이 비율이 RVC 125/118, SEED-VC 130/115로 1:1에 가까워 양 모델 모두 혼합으로 분류된다.

축 7 한국어 음운 조음 4차원의 판정은 비대칭을 보인다. 앞서 fric, aff, voi는 두 모델 모두 보존으로 분류된 반면 받침 파열음에 대응하는 plo만 혼합으로 분류되었다. 이는 받침 파열음이 일으키는 소리의 단절[19]이 짧은 구간에서 일어나고, 그 정도가 가창마다 일정하지 않기 때문에, 변환 모델이 이를 일관되게 재현하지 못해 보존과 전이 어느 한쪽으로도 수렴하지 않은 것으로 해석된다.

이러한 비대칭은, 가창에서 받침 유성음이 소리의 단절 없이 음을 지속하고 마찰음과 파찰음은 지속 시간이 길어 비교적 안정적으로 실현된다는 선행 연구[19]의 보고와 정합한다. 한편 앞의 표 4 가창자 간 변별력 분포에서 plo, fric, voi는 하위 5차원에 분포하며, 이는 축 7 차원이 가창자 변별보다 한국어 가창 음운 시스템의 시간 구조 안정성을 추적하는 측정 영역으로 기능함을 시사한다.

차원별 최다 판정 일치율은 56차원 중 47개로 83.9%에 이르며, 9개 불일치 차원은 모두 한 모델에서는 보존 또는 전이로, 다른 모델에서는 혼합으로 분류된 경계 사례이며, 두 모델 간 보존과 전이가 뒤바뀐 차원은 없다. 축별로는 축 5 피치 동역학 3차원과 축 7 한국어 음운 조음 4차원에서 두 모델의 최다 판정이 전수 일치하며, 축 6 음색 엔벨로프에서도 43차원 중 36개가 일치한다. 축별 보존 및 전이 판정 분포는 표 7에 제시한다. 이러한 높은 일치율은 본 7축 측정 체계가 포착하는 차원별 보존 및 전이 패턴이 특정 학습 양식이 아니라 음향 차원 자체의 속성임을 뒷받침한다.

Table 7.

Per-axis verdict distribution of RVC v2 and SEED-VC (P: preserves, T: transfers, M: mixed)

이 불일치 9개 차원 중 7개가 음색 엔벨로프 축에 속해, 불일치는 전이가 우세한 음색 영역의 혼합 경계에 집중된다. 나아가 변환 쌍 단위로 두 모델의 차원별 판정 일치율을 산출하여 가창자 성별, 연령, 음색, 장르별로 비교한 결과, 장르와 음색에서는 유의한 차이가 없었고 성별과 연령에서 검출된 차이도 일치율 중앙값 기준 0.05 미만에 그쳤다. 따라서 두 모델의 판정 불일치는 특정 가창자 집단이나 장르에 집중되기보다 음색 엔벨로프 축의 경계 차원에 구조적으로 분포하며, 측정 체계의 정밀화는 이 영역에 집중되어야 함을 시사한다.

가창자 간 변별력이 차원별 보존 및 전이 방향성의 결정 요인인지 검토하기 위해 점이연 상관계수(point-biserial correlation)[41]를 산출한다. 보존과 전이 건수가 동률인 차원은 이항 변수화 불가로 산출에서 제외하며, RVC v2의 n이 SEED-VC보다 한 차원 적은 것은 축 6의 spectral_rolloff_mean이 보존과 전이 결괏값이 동률로 제외되었기 때문이다. 두 모델 모두 통계적으로 유의한 양의 상관을 보이며, 효과 크기는 medium 수준[42]에 해당한다. 95% 신뢰구간 하한이 모두 0을 상회하여 양의 상관의 강건함을 시사하며, F0 직접 보존 통제 변수로 고정한 축 5 3차원을 제외한 민감도 분석에서도 Δr ≈ +0.013~+0.017에 그쳐 본 상관 결과가 통제 변수에 의존하지 않음을 나타낸다. 산출 결과는 표 8에, 변별력과 방향성의 산포도 및 회귀선은 그림 5에 제시한다.

Table 8.

Point-biserial correlation between discriminability and verdict direction

Fig. 5.

Point-biserial correlation between median |Cohen's d| and verdict direction

본 연구의 한계는 다음과 같다. 첫째, 가창자 간 변별력 산출에 성별 층화 분석을 적용하지 않았다. 일원 분산 분석에서 성별 유의 차원이 38개로 확인되었음에도 성별을 별도 집단으로 분리하여 변별력을 재산출하는 층화 분석은 수행하지 않았으므로, 일부 차원의 변별력에 성별 효과가 혼입되었을 가능성을 완전히 배제하지 못한다. 둘째, 가창 특화 성분인 축 2 비브라토는 변환 결과 분석에서 축 전체가 제외되었다. 비브라토 2차원 (vibrato_rate, vibrato_extent)은 원본 가창자 측정에서 다음색 데이터의 `is_vibrt` 라벨로 산출하였으나, 변환 wav 음원에는 해당 라벨이 없어 원본과 동일 기준의 라벨 기반 측정이 불가하였다. 이로 인해 본 변환 실험의 보존 및 전이 결론은 비브라토를 제외한 6개 축 56차원에 한정되며, 가창 고유의 음높이 변조 성분이 변환 과정에서 보존되는지 또는 전이되는지는 본 연구에서 검증되지 않았다. 셋째, 본 연구의 변환 실험은 데이터셋 구조에 따라 BALLAD와 DANCE 장르에 한정되어 수행하였으므로, 다른 장르에서 동일한 보존 및 전이 패턴이 나타나는지는 확인되지 않았다. 장르별 음운 조음 및 발성 특성이 상이할 수 있어 본 결과의 장르 간 일반화는 제한적이다. 넷째, 피치 동역학의 보존은 변환 모델이 가창자 고유성을 독립적으로 보존한 결과로 단정하기 어렵고, 변환 설정과 음악적 멜로디 정보의 영향을 함께 반영하므로, 이러한 보존 양상에 대한 해석은 본 실험 조건에 국한된다.

향후 연구는 네 영역을 제안한다. 첫째, 본 측정 체계의 평가 확장이 후속 과제로 남는다. 음역대 라벨을 갖춘 데이터셋에서 음역대별 보존 및 전이 패턴을 층화 분석하고, 특정 차원을 추가하거나 제거하여 분류 기반 식별 정확도의 변화를 평가하는 것이다. 둘째, 본 측정 체계의 축 1부터 축 6은 언어 비의존적 음향 특성에 기반하는 반면, 축 7 한국어 음운 조음은 한국어에 특화되므로, 타 언어권 가창으로 확장하기 위해서는 해당 언어의 음운 분류에 맞춘 축 7 재정의가 필요하다. 셋째, 본 측정 체계를 생성형 AI 가창 모델에 적용하는 것이다. 사용자 보컬 데이터를 학습하여 가창을 생성하는 TTM(text-to-music) 모델은 변환 모델과 근본적으로 다른 패러다임이다. 원본과 대상을 비교한 본 연구의 판정 구조를 적용하기 어려우며, TTM 모델의 패러다임에 맞는 별도의 측정 및 판정 절차 설계가 필요하다. 넷째, 음성 변환 기술의 확산으로 가창 보컬의 무단 복제 및 도용 가능성이 높아지는 가운데, 본 연구의 차원별 보존 및 전이 패턴이 AI를 통해 생성되거나 변환된 가창의 식별 특징으로 기능하는지 검증하고, 이를 한국어 가창 딥페이크 탐지[43] 모델 개발로 확장하는 것이 후속 과제이다.