넥스데이타코리아, 주목할 만한 AI 학습 데이터셋 소개

AI 기술이 고도화되면서 모델 학습에 필요한 데이터의 종류와 품질에 대한 요구도 더욱 다양해지고 있습니다. 자연스러운 음성 상호작용을 위한 풀 듀플렉스 음성 데이터부터 이미지와 수식을 함께 이해하는 멀티모달 데이터, 실제 환경에서의 로봇 행동을 학습하기 위한 Ego-Centric 데이터까지, AI 기술의 발전 방향에 따라 필요한 데이터의 형태도 세분화되고 있습니다.

넥스데이타코리아는 이러한 기술 및 산업 현장의 요구에 대응하기 위해 음성 AI, 이미지 인식, 멀티모달 AI, 에이전트, Physical AI 등 다양한 분야의 학습 데이터를 제공하고 있습니다. 이번 콘텐츠에서는 최근 국내 시장에서 문의가 이어지고 있는 데이터와 주요 사업 분야에서 활용할 수 있는 데이터셋을 중심으로, 모델 학습 및 서비스 개발에 적용할 수 있는 넥스데이타코리아의 데이터 제품을 소개합니다.

1. ASR & TTS 데이터셋

다국어 시뮬레이션 고객센터 풀 듀플렉스(전이중) 혼합 발화 음성 데이터

영어와 다른 언어가 혼합되거나 여러 언어가 혼합되어 발화하는 음성을 포함하며, 다국어 음성 인식에 적합합니다. 본 데이터셋에는 텍스트 내용, 화자 신원 및 성별 등 다양한 속성에 대한 어노테이션이 포함되어 있으며, 서로 다른 지역과 문화적 배경을 가진 현지인이 녹음했습니다. 높은 정확도와 활용성을 갖추고 있어 음성 인식 관련 연구 및 애플리케이션에 풍부한 리소스를 제공하며, 실제 환경의 다양성에 직면한 모델의 성능 향상에 기여할 수 있습니다.

579시간 48kHz 풀 듀플렉스 일본어 자연 대화 마이크 수집 음성 데이터

48kHz/32bit 비압축 WAV 형식으로 녹음했으며, 고음질 마이크로 수집했습니다. 문자 인식 정확도는 98% 이상입니다. 대화는 서로 익숙한 주제를 바탕으로 자연스럽게 진행되어 실제 의사소통 환경과 유사한 유창성을 갖추고 있습니다. 풀 듀플렉스 설계를 통해 발화 중첩 어노테이션을 지원하며, 양측의 동시 발화와 배경 소음 정보를 온전히 보존합니다. 음성 인식, 화자 인식 및 대화 시스템 개발에 필요한 고품질 일본어 학습 리소스를 제공해 자연스러운 상호작용 환경에서 모델의 정확도를 높이는 데 기여할 수 있습니다.

943시간 풀 듀플렉스 타갈로그어 자연 대화 음성 데이터

타갈로그어 화자별 채널 분리 자연 대화 휴대폰 수집 음성 데이터로, 일반적인 주제를 기반으로 대화를 시뮬레이션하여 녹음했습니다. 본 데이터셋에는 텍스트 내용, 문장 타임스탬프, 화자 식별 정보, 성별 등 다양한 속성이 어노테이션되어 있습니다. 서로 다른 지역과 문화적 배경을 가진 필리핀 현지인이 직접 녹음했으며, 높은 정확도를 바탕으로 음성 인식 관련 연구 및 응용에 활용할 수 있는 풍부한 리소스를 제공합니다. 여러 AI 기업의 검증을 거쳐 실제 환경의 다양한 상황에서도 모델의 성능 향상에 도움이 되는 것으로 확인되었습니다.

INTERSPEECH 2026 - MLC-SLM 다국어 대화 음성 경연 데이터

본 데이터셋은 넥스데이타가 2026년에 개최한 MLC-SLM 다국어 대화 음성 경연을 배경으로 하며, 넥스데이타가 자체 보유한 21종의 대화 음성 데이터셋으로 구성됩니다. 높은 정확도와 활용성을 갖추고 있으며, 다국어 음성 인식 및 장문 컨텍스트 이해 기술의 한계를 극복하기 위해 설계되었습니다. 화자 간 발화 중첩, 즉흥적인 끼어들기 등 복잡한 상호작용 상황을 실제 환경에서 포착하여 음성 인식 관련 연구 및 애플리케이션에 풍부한 리소스를 제공하며, 실제 환경의 다양성에 직면한 모델의 성능 향상에 기여할 수 있습니다.

INTERSPEECH 2025 - MLC-SLM 다국어 대화 음성 데이터

본 데이터셋은 데이터탕이 2025년에 개최한 MLC-SLM 다국어 대화 음성 경연을 위해 구축된 데이터셋으로, 넥스데이타가 보유한 15종의 대화 음성 데이터셋을 기반으로 합니다. 높은 데이터 정확도와 활용성을 갖추었으며, 다국어 음성 인식 및 장문 컨텍스트 이해 기술의 한계를 극복하기 위해 설계되었습니다. 실제 대화에서 발생하는 화자 중첩 발화, 즉흥적인 끼어들기 등의 복잡한 상호작용 상황을 반영하여 음성 인식 관련 연구 및 응용을 위한 풍부한 리소스를 제공하며, 실제 환경의 다양한 상황에서 모델의 성능 향상에 도움이 됩니다.

이외에도 넥스데이타코리아는 네덜란드어, 태국어, 포르투갈어, 독일어, 프랑스어, 영어 등 다양한 언어의 음성 데이터셋을 제공하고 있습니다. 통일된 어노테이션 기준과 고품질 데이터 수집 프로세스를 기반으로 글로벌 다국어 음성 인식 및 화자 인식 시스템 개발에 필요한 데이터 기반을 지원합니다.

2. 이미지 인식 데이터셋

5,147장 일본어 필기체 OCR 데이터

일본어 필기체 OCR 데이터로, A4 용지, 가로줄 노트, 모눈종이 등에 기재된 내용을 스마트폰으로 정면 촬영했습니다. 데이터는 일본어 작문, 시, 산문, 뉴스, 이야기 등 다양한 분야를 포함합니다. 어노테이션은 행 단위 텍스트의 사각형 바운딩 박스와 행 단위 전사 텍스트로 구성되어 있습니다.

3. 멀티모달 대규모 언어 모델 데이터셋

50만 건 LLM 한국어 수학 사진 기반 문제 풀이 데이터

본 데이터는 다양한 학년과 문항 유형을 포함하고 있습니다. 모든 답안은 전사되어 있으며, 수식과 표는 LaTeX 형식으로 변환되어 있습니다. 본 데이터셋은 자동 채점, 숙제 및 학습 보조 등의 다양한 교육 분야에 활용할 수 있습니다.

4. 에이전트 트레이젝토리 데이터셋

에이전트 트레이젝토리 데이터셋

본 데이터셋은 심층 검색, 데이터 분석, 산업 리서치 등 업무 환경을 포괄하며, 여러 차례에 걸친 추론 과정과 도구 호출 체인을 완전하게 기록합니다. 에이전트의 계획 수립 능력 분석, 도구 선택 전략 연구 및 품질 평가 등에 활용할 수 있으며, 에이전트 학습 및 평가를 위한 구조화된 벤치마크를 제공합니다.

5. Physical AI 데이터셋

1,042개 세그먼트 6카메라 Ego-Centric 임베디드 AI 데이터

본 데이터셋은 34개 장소, 6개 실제 환경에서 수집된 1,042개의 Ego-centric 영상 세그먼트로 구성되며, 각 세그먼트는 35초 길이의 실제 작업 데이터를 포함합니다. 수집 환경은 가정, 사무실, 리테일 공간 등 다양한 실제 시나리오를 포함합니다. 자체 개발한 VSLAM 시스템을 기반으로 밀리미터 수준의 위치 측정 정확도, 1ms 이하의 멀티센서 하드웨어 트리거 동기화, 그리고 RGB 카메라 기준 60fps 고프레임률 데이터를 제공합니다. 본 데이터셋은 멀티뷰 영상, 카메라 캘리브레이션 정보, 포인트 클라우드, SLAM 트래젝토리 및 제스처 인식 결과 데이터를 표준 형식으로 제공합니다. 임베디드 AI, 공간 인식 및 3D 재구성 모델 개발을 위해 설계되었으며, 높은 정밀도, 다양한 실제 환경 커버리지, 즉시 활용 가능한 데이터 구성을 통해 강력한 인식-행동(Perception-Action) 모델 학습에 적합합니다.

116,048건 3D 손 제스처 데이터

이 데이터셋은 116,048쌍의 3D 손 제스처 데이터를 포함하며, 각 쌍에는 손 마스크 이미지(RGB, 24비트), 깊이 이미지(16비트), 카메라 내부 파라미터 파일(TXT), 3D 키포인트 파일(OBJ), 메쉬 파일(OBJ), 제스처 라벨 파일(TXT), 키포인트 데모 이미지(JPG), 메쉬 데모 이미지(JPG)가 포함됩니다. 실내 환경에서 오른손(손에 물건 없음)으로 수집되었으며, 1인칭 및 3인칭 시점, 다양한 제스처 유형, 손가락 자세, 손 전체 회전 자세를 포함한 여러 명이 수집했습니다. 수집 장비는 다수의 Kinect이며, 개인 얼굴 민감 정보는 포함되지 않습니다. 손 마스크 이미지와 깊이 이미지는 정렬되어 있습니다. 이 데이터셋은 제스처 인식, 손 3D 재구성, 손 키포인트 탐지 등의 작업에 활용 가능합니다.

데이터 품질과 맞춤형 데이터 구축 지원

넥스데이타코리아는 GDPR, CCPA, PIPL 등 글로벌 개인정보 보호 규정을 고려한 데이터 관리와 품질 검수 프로세스를 기반으로 다양한 AI 학습 데이터를 제공합니다. 즉시 사용 가능한 데이터셋은 물론, 고객의 프로젝트 목적과 요구사항에 맞춘 맞춤형 데이터 수집 및 어노테이션 서비스도 지원합니다.

음성 AI, 멀티모달 AI, 에이전트, Physical AI 등 AI 모델 개발에 필요한 데이터가 있다면 넥스데이타코리아에 문의해 주시기 바랍니다.