음차 표기 데이터를 이용한 학습 질문입니다.

[harmlessman]

제가 학습 데이터를 speech와 text쌍을 음차표기 text로 구성했습니다.
ex) (소리)i like cake -> (텍스트)아이 라이크 케이크

이런 식으로 데이터를 구성하면 학습에 문제가 생기나요?
지금 multi speaker로 kss데이터와 일본어를 한글로 음차표기한 데이터를 사용하여 학습을 진행 중인데 kss speaker는 align이 잘 잡히는 반면, 일본어 데이터는 거의 안잡히네요..
혹시 이 질문에 대한 답을 아시는 분은 답변 부탁드립니다.1!!

(하나만 더 물어보자면 align이 잘 잡힌다. 퍼지지 않고 대각선으로 색이 뚜렷하게 확 잡히는게 좋은 건 알겠는데 정확히 align그래프를 보는 법을 잘 모르겠습니다. 혹시 그래프를 보는 법을 아시면 이에 대해서 답변해주셔도 감사하겠습니다 :) )