SpeechMap 특허 9건이 실제로 다루는 것

왜 특허 건수가 아니라 "무엇"이 중요한가

"특허 9건"이라는 숫자는 눈에 잘 들어오지만, 숫자 자체만으로는 아무것도 설명하지 않습니다. OpenAI·Gemini API 래퍼를 만들면 특허가 나올 수 없고, 반대로 래퍼가 아니어도 엔진 안쪽 구조를 문서화된 기술 단위로 정리해 두지 않으면 특허로 제출할 거리가 없습니다.

이 글은 저희가 자체 출원한 SpeechMap 관련 특허 9건이 각각 엔진의 어느 부분을 덮고 있는지 정리해 두는 자리입니다. 출원인은 전부 주식회사 송앤스타크코아퍼레이션, 발명자는 대표 송완입니다. 출원 상태는 모두 filed입니다. KIPO 출원번호·PDF 공개는 별도 정리 후 회사 소개 페이지에서 순차 게시합니다.

스코어링 — 발화를 어떻게 점수로 바꾸는가

엔진의 첫 번째 일은 아이의 발화를 임상가가 쓰는 지표로 환산하는 것입니다.

1. 2차원 자모 분해 기반 자음정확도(PCC) 자동 산출 방법 및 시스템 아동 발화를 2차원 자모 단위로 분해하고 **임상 발달 오류 가중치를 적용한 동적계획법(DP)**으로 자음정확도(PCC)를 자동 산출합니다. 임상에서 수작업으로 채점하던 영역을 엔진화했습니다.

2. 환각 억제형 비결정적 언어모델과 하이브리드 음향 강제 정렬 기반 아동 발화 진단 시스템 비결정적 LLM의 환각을 제어하면서 음향 강제 정렬을 결합해 아동 발화의 임상 지표를 예측합니다. STT 오류가 상대적으로 많은 유아 음성 특성을 직접 다루도록 설계한 구조입니다.

3. 내용 의존적 다중 과제 기반 아동 언어발달 자동 선별검사 방법 및 시스템 그림 설명·문장 따라말하기·수 세기 등 다중 과제로 약 3분 내에 5개 언어 지표를 추출하고 표준화 검사 T-score로 환산합니다. 일선 교사가 직접 운용할 수 있는 수준의 자동 선별검사를 목표로 한 설계입니다.

추천·추적 — 한 번 재고 끝이 아닙니다

선별검사 점수 그 자체보다, 다음 한 걸음을 제안하는 것이 임상 루프에서 훨씬 중요합니다.

4. 자동 채점 기반 선별검사 결과로부터의 심화 표준화 검사 자동 추천 방법 및 시스템 선별검사 결과의 결손 패턴을 식별하고, APAC·REVT·PRES 등 표준화 심화검사 중 어떤 것을 받으면 좋은지를 회귀 모델로 자동 추천합니다. "점수만 주고 끝"에서 "점수 + 다음 검사 지정"으로 범위를 넓히는 레이어입니다.

5. 반복 선별검사 기반 아동 언어발달의 시계열 종단 추적 및 치료 반응 자동 판정 방법과 시스템 반복 선별검사 결과를 시계열로 축적해 기울기·변곡점을 분석, 반응자 / 비반응자 / 정체를 자동 분류합니다. 언어치료가 실제로 효과가 있었는지 데이터로 설명하는 레이어입니다.

자기 개선 루프 — 엔진이 시간에 따라 똑똑해진다는 것

배포 후에도 멈추지 않는 구조입니다.

6. 임상 음성 데이터의 자동 매칭, 품질 판정, 및 적응형 예측 모델 재학습 방법과 시스템 현장에서 수집된 음성 데이터를 자동 매칭해 품질 판정을 거치고, 통과한 데이터로 예측 모델을 재학습합니다. 엔진이 시간이 지날수록 자기 필드 데이터로 개선되는 구조입니다.

7. 순환적 자기 개선 구조를 갖는 아동 언어발달 통합 진단 플랫폼 및 운용 방법 선별 → 점수 산출 → 결손 식별 → 심화검사 추천 → 표준화 검사 연동 → 학습 데이터 생성 → 재학습 → 엔진 개선의 전체 순환을 하나의 플랫폼으로 오케스트레이션합니다. 위 특허들이 각자 담당하는 요소를 묶어 내는 상위 레이어입니다.

분석 융합과 임상 연동

마지막 두 건은 엔진의 "입구"와 "출구"에 해당합니다.

8. 언어학·음향학 융합 분석 기반 아동 언어 발달 평가 시스템 STT 후처리 언어학적 분석과 원본 음성 직접 분석(운율·음향)을 AI로 융합하여 아동 언어 발달 위험을 조기에 선별합니다. 두 신호 축을 한 엔진 안에서 다루는 설계 자체가 청구 범위입니다.

9. 임상 리포트 자동 생성 및 가정·센터 연계 피드백 시스템 언어치료사가 검토 가능한 임상 리포트를 자동 생성하고, 보호자 피드백을 센터 ERP와 연동해 지속적인 개입을 설계합니다. 엔진이 뱉는 결과가 치료 현장에서 실제로 쓰이려면 반드시 필요한 출력 레이어입니다.

특허 9건이 공통으로 말하는 것

위 9건을 묶어 보면 SpeechMap 엔진의 전체 모양이 드러납니다:

1. 입력 — 아동 발화를 받아 2차원 자모 분해 + 음향 강제 정렬로 정돈 (1·2)
2. 스코어 — 다중 과제 기반 자동 선별검사로 5개 지표 + T-score (3)
3. 다음 한 걸음 — 결손 패턴에 맞는 표준화 검사 자동 추천 (4)
4. 지속 추적 — 반복 검사 시계열로 치료 반응 판정 (5)
5. 자기 개선 — 현장 데이터 품질 판정 + 적응형 재학습 (6)
6. 오케스트레이션 — 위 전부를 한 플랫폼으로 묶음 (7)
7. 신호 융합 — 언어학·음향학 두 축 융합 (8)
8. 출력 — 임상 리포트 자동 생성 + 가정·센터 피드백 루프 (9)

즉, "발화 → 진단 → 다음 개입 → 재학습"의 루프 전체가 저희 손으로 설계됐다는 뜻입니다. 다른 누군가의 API 위에 얹힌 앱 한 겹이 아닙니다.

여기에서 나오는 약속 하나

저희가 고객사에 AI를 붙일 때, 저희는 자기 엔진을 먼저 만들어 본 사람의 감각으로 붙입니다. 엔진 내부를 끝까지 써 본 팀은 "여기엔 LLM API만 있으면 된다 / 여긴 강제 정렬이 필요하다 / 여긴 차라리 AI를 안 쓰는 게 낫다"를 판단하는 속도가 다릅니다.

제품에 AI를 붙일지 말지부터 고민 중이시라면, 질문을 먼저 보내 주세요. SpeechMap에 대해 더 보고 싶으시면 제품 페이지로, 그리고 회사의 전체 모양은 회사 한 장 소개 글에서 이어집니다.