"음성 기반 웹 검색은 흔하지만, 캐스케이드 모델링 접근 방식 때문에 정확도 문제가 있습니다. 이 방법은 먼저 음성을 텍스트로 변환하며, 전사 과정에서의 오류는 관련 없는 검색 결과로 이어질 수 있습니다. 예를 들어, 그림에 대한 질문에서 "scream"을 "screen"으로 잘못 해석하면 완전히 잘못된 정보를 얻을 수 있습니다. 이를 해결하기 위해 Speech-to-Retrieval(S2R) 기술은 텍스트 전사 단계를 완전히 건너뜁니다. S2R은 음성 쿼리를 직접 해석하고 음성을 검색 의도에 매핑하여 정보를 검색합니다. 이러한 아키텍처 변경은 단순히 "무슨 단어가 말해졌는가?"가 아니라 "어떤 정보가 검색되고 있는가?"에 답하는 것을 목표로 합니다. 실험 결과, 현재 캐스케이드 시스템과 이론적으로 완벽한 전사 사이에는 상당한 성능 격차가 있음을 보여줍니다. S2R 모델은 듀얼 인코더 아키텍처를 사용하여 오디오 쿼리와 문서를 공유 공간에 표현하도록 학습합니다. 이를 통해 오디오에서 사용자의 의도를 직접 추론할 수 있습니다. SVQ 데이터셋에 대한 평가 결과, S2R이 기존 캐스케이드 ASR 모델보다 훨씬 뛰어난 성능을 보였습니다. 그 성능은 완벽한 음성 인식으로 달성할 수 있는 이론적 최대치에 근접합니다. Google은 이제 여러 언어에서 S2R 기반 음성 검색을 구현했습니다. 또한 이 분야의 추가 연구를 장려하기 위해 SVQ 데이터셋을 오픈 소싱하고 있습니다."