KR102098237B1 - 화자 검증 방법 및 음성인식 시스템 - Google Patents

Abstract

화자를 정확하게 인식할 수 있는 음성 인식 시스템 및 이의 화자 검증 방법이 제공된다. 화자 검증 방법은 상기 음성인식 서버에 의하여, 상기 음성인식 장치로부터 음성 신호를 수신하는 단계, 상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하는 단계, 상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하는 단계, 상기 음성 신호의 화자가 상기 등록된 화자라고 결정한 경우, 상기 음성인식 장치와 다른 장치인 상기 등록된 화자의 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하는 단계, 및 상기 등록된 화자의 장치로부터 입력을 수신하는 단계를 포함한다.

Description

화자 검증 방법 및 음성인식 시스템{Method for verifying speaker and system for recognizing speech}

본 개시는 화자 검증 방법 및 음성인식 시스템에 관한 것으로서, 보다 상세하게는 음성인식 장치와 음성인식 서버를 포함하는 음성인식 시스템에서 화자를 검증하는 방법에 관한 것이다.

음성인식 기능이 탑재된 인공지능 스피커 장치가 출시되고 있다. 인공지능 스피커 장치는 사용자의 음성을 인식하고 음성에 포함된 명령을 추출하여 명령에 따른 동작을 실행하고 그 결과를 음성으로 출력함으로써 인공지능 비서와 같은 역할을 수행할 수 있다. 인공지능 스피커 장치가 단순히 음성 질의에 응답하여 질의 결과를 음성으로 출력하는 수준을 넘어서 금융 거래나 쇼핑과 같이 보안이 필요한 분야에서 사용되기 위해서는 정확하게 화자를 인식 및 식별할 수 있어야 한다. 그러나, 인공지능 스피커 장치는 목소리를 기초로 사용자를 식별할 수 밖에 없기 때문에 지문이나 홍채 인식과 같은 생체 정보를 이용한 사용자 식별 또는 인증 방법에 비해 정확도가 떨어진다.

본 개시가 해결하고자 하는 과제는 전술한 문제를 해결하기 위한 것으로서, 화자를 정확하게 인식 및 식별할 수 있는 방법을 제공하는 것이다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은 음성인식 장치와 음성인식 서버를 포함하는 음성인식 시스템에서 화자를 검증하는 방법을 제공한다. 화자 검증 방법은 상기 음성인식 서버에 의하여, 상기 음성인식 장치로부터 음성 신호를 수신하는 단계, 상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하는 단계, 상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하는 단계, 상기 음성 신호의 화자가 상기 등록된 화자라고 결정한 경우, 상기 음성인식 장치와 다른 장치인 상기 등록된 화자의 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하는 단계, 및 상기 등록된 화자의 장치로부터 입력을 수신하는 단계를 포함한다.

본 개시의 제2 측면은 음성인식 장치 및 휴대 장치와 통신하는 통신 모듈 및 프로세서를 포함하는 음성인식 서버를 제공한다. 프로세서는 상기 통신 모듈을 이용하여 상기 음성인식 장치로부터 음성 신호를 수신하고, 상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하고, 상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하고, 상기 통신 모듈을 이용하여 상기 음성인식 장치와 다른 장치인 상기 등록된 화자의 상기 휴대 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하고, 상기 통신 모듈을 이용하여 상기 휴대 장치로부터 입력을 수신하도록 구성된다.

본 개시의 제3 측면은 음성인식 장치에 의해 수행되는 동작 방법을 제공한다. 음성인식 장치의 동작 방법은 음성을 수신하여 음성 신호를 생성하는 단계, 상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하는 단계, 상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하는 단계, 상기 음성 신호의 화자가 상기 등록된 화자라고 결정한 경우, 상기 음성인식 장치와 다른 장치로서 상기 음성인식 장치와 통신 가능하게 연결되는 상기 등록된 화자의 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하는 단계; 및 상기 등록된 화자의 장치로부터 입력을 수신하는 단계를 포함한다.

본 개시의 다양한 실시예들에 따르면, 화자 검증 절차를 통해 화자를 정확하게 식별 및 인식할 수 있기 때문에 도용의 우려 없이 화자의 명령을 실행할 수 있다. 뿐만 아니라, 화자 검증 오류 또는 목소리 도용이 발생하더라도 이러한 사실을 화자 당사자가 파악할 수 있다.

도 1은 일 실시예에 따른 음성인식 시스템의 예시적인 네트워크 구성도이다.
도 2a는 일 실시예에 따른 음성인식 스피커 장치의 내부 구성을 설명하기 위한 블록도이다.
도 2b는 다른 실시예에 따른 음성인식 스피커 장치의 내부 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 음성인식 서버의 내부 구성을 설명하기 위한 블록도이다.
도 4a는 일 실시예에 따른 음성인식 서버의 프로세서의 내부 구성을 설명하기 위한 블록도이다.
도 4b는 일 실시예에 따른 음성인식 서버의 프로세서의 내부 구성을 설명하기 위한 블록도이다.
도 5a 및 도 5b는 일 실시예에 따른 음성인식 시스템의 화자 검증 방법을 설명하기 위한 예시적인 흐름도이다.
도 6은 일 실시예에 따라서 음성인식 시스템에 접속되는 제2 화자의 휴대 장치의 예시적인 화면을 도시한다.
도 7은 다른 실시예에 따른 음성인식 시스템의 화자 검증 방법을 설명하기 위한 예시적인 흐름도이다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 명세서에서 다양한 곳에 등장하는 "일부 실시예에서" 또는 "일 실시예에서" 등의 어구는 반드시 모두 동일한 실시예를 가리키는 것은 아니다.

일부 실시예는 기능적인 블럭 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블럭들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블럭들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블럭들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블럭들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “모듈” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.

또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.

본 개시에서 음성인식 기능은 사용자의 음성을 포함하는 음성 신호를 문자열(또는 텍스트)로 변환하는 것을 말한다. 음성 인식 기능에 의해 음성 신호가 변환된 문자열(또는 텍스트)은 음성인식 결과로 지칭될 수 있다. 사용자의 음성 신호는 음성 명령을 포함할 수 있으며, 음성인식 결과 역시 음성 명령에 대응하는 명령을 포함할 수 있다. 음성 명령은 음성인식 스피커 장치 또는 음성인식 서버의 특정 기능을 실행할 수 있다. 한편, 본 개시에서 음성합성 기능은 음성인식 기능과 반대로 문자열(또는 텍스트)을 음성 신호로 변환하는 것을 말한다. 음성 인식 기능에 의해 문자열(또는 텍스트)이 변환된 음성 신호는 합성음 신호로 지칭될 수 있다.

본 개시에서 "등록된(registered)"이라는 표현은 음성인식 시스템에 사용자 또는 이의 관련 정보로서 등록되어 있음을 의미한다. "등록된 사용자"는 음성인식 시스템에 사용자 등록을 마친 사용자를 의미한다. 어느 한 사람은 본 개시에 따른 음성인식 시스템에 사용자로 등록할 수 있으며, 사용자로 등록할 때 본인의 음성을 입력할 수 있다. 음성인식 시스템은 사용자 등록 시에 입력된 음성의 음성 신호에서 화자 특징 벡터를 추출하여 등록된 사용자의 관련 정보로 저장할 수 있다. 이와 같이 음성인식 시스템에 저장된 화자 특징 벡터는 등록된 화자 특징 벡터라고 지칭할 수 있다. 또한, 사용자 등록 시에, 자기 소유의 휴대 장치의 식별 번호를 함께 저장할 수 있다.

음성인식 시스템에는 복수의 사용자들이 등록될 수 있다. 본 개시에서, 제1 화자는 음성 신호의 음성을 실제로 발성한 사람을 의미하고, 등록된 제2 화자(registered second speaker)는 음성인식 시스템에 등록된 복수의 사용자들 중에서 음성인식 시스템이 음성 신호의 음성을 발성한 것으로 인식 또는 결정한 사용자를 의미한다. 등록된 제2 화자는 일반적으로 제1 화자와 동일하지만, 음성인식 시스템의 화자 오인식 및 목소리 도용이 발생하는 경우, 등록된 제2 화자는 제1 화자와 상이할 수 있다.

본 개시에서 키워드는 워드 형태를 갖거나, 구 형태를 가질 수 있다. 본 개시에서, 웨이크업 키워드 이후에 발화되는 음성 명령은 자연어 형태의 문장 형태, 워드 형태, 또는 구 형태를 가질 수 있다.

이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 음성인식 시스템의 예시적인 네트워크 구성도이다.

도 1을 참조하면, 음성인식 시스템의 네트워크 환경은 음성인식 스피커 장치(100), 음성인식 서버(200), 휴대 장치(300) 및 네트워크(400)를 포함하는 것으로 예시적으로 도시된다. 음성인식 시스템은 음성인식 스피커 장치(100) 및 음성인식 서버(200)를 포함한다.

음성인식 스피커 장치(100)는 음성인식 장치의 일 예로서, 음성 제어 기능이 탑재되어 특정 기능을 수행하는 스피커 장치이다. 음성인식 스피커 장치(100)는 스마트 스피커 장치 또는 인공지능 스피커 장치로 지칭될 수도 있다. 음성인식 스피커 장치(100)는 화자의 음성을 수신하면 음성과 화자를 인식하고 음성에 포함된 명령을 추출하여 명령에 따른 동작을 실행하고 그 결과를 음성으로 출력할 수 있다. 음성인식 스피커 장치(100)가 수행할 수 있는 특정 기능은 예컨대 음성 정보 제공, 음악 재생, 인터넷 쇼핑, 금융 거래, 전화 연결, 메시지 전송, 알람 설정, 및 음성인식 스피커 장치에 네트워크를 통해 접속된 전자 또는 기계 장치의 제어 등을 포함할 수 있다.

예를 들면, 음성인식 스피커 장치(100)가 네트워크를 통해 스마트 텔레비전에 접속된 경우, 특정 기능은 채널 시청, 채널 검색, 동영상 재생, 및 프로그램 검색 등을 포함할 수 있다. 예를 들어, 음성인식 스피커 장치(100)가 스마트 냉장고와 같은 가전 기기에 접속된 경우, 특정 기능은 냉장 및 냉동 상태 점검 및 온도 설정 등을 포함할 수 있다. 그러나, 본 개시에서 특정 기능은 상술한 바로 제한되지 않는다.

음성인식 스피커 장치(100)는 무선 또는 유선 통신을 통해 네트워크(400)를 통해 음성인식 서버(200)와 통신할 수 있다.

네트워크(400)의 통신 방식은 제한되지 않으며, 네트워크(400)에 포함될 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용한 통신 방식뿐만 아니라, 음성인식 스피커 장치(100)와의 근거리 무선 통신이 포함될 수 있다. 예를 들어, 네트워크(400)는 PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 네트워크(400)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

음성인식 서버(200)는 네트워크(400)를 통해 음성인식 스피커 장치(100)와 통신하며, 적어도 하나의 컴퓨터 장치로 구현될 수 있다. 음성인식 서버(200)는 클라우드 형태로 분산될 수 있으며, 명령, 코드, 파일, 컨텐츠 등을 제공할 수 있다.

음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 수신되는 음성 신호를 문자열(또는 텍스트)로 변환하여 음성인식 결과를 생성할 수 있다. 음성인식 서버(200)는 음성인식 스피커 장치(100)에서 재생될 음성을 합성하여 합성음 신호를 생성하고 합성음 신호를 음성인식 스피커 장치(100)에 송신할 수 있다.

음성인식 서버(200)는 음성인식 스피커 장치(100)가 수행할 수 있는 특정 기능들을 실제로 수행할 수 있다. 예컨대, 음성 정보 제공 기능의 경우, 음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 수신된 음성 신호에 포함된 정보 요청을 인식하고, 이에 대한 결과를 생성하여, 합성음 신호의 형태로 음성인식 스피커 장치(100)로 송신할 수 있다. 전화 연결 기능의 경우, 음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 수신된 음성 신호에 포함된 전화 연결 요청을 인식하고, 요청에 따라 전화 연결을 수행하며, 전화 연결 시 송신 신호와 수신 신호를 중계할 수 있다. 음성인식 서버(200)는 네트워크(400)를 통해 가전 기기에도 접속될 수 있으며, 음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 수신된 음성 신호에 포함된 제어 명령에 따라 가전 기기를 제어할 수 있다.

음성인식 서버(200)는 네트워크(400)를 통해 휴대 장치(300)에 접속될 수 있다. 음성인식 서버(200)와 음성인식 스피커 장치(100)를 연결하는 네트워크와 음성인식 서버(200)와 휴대 장치(300)를 연결하는 네트워크는 서로 다른 종류일 수도 있다. 예컨대, 음성인식 서버(200)와 음성인식 스피커 장치(100)를 연결하는 네트워크는 LAN 또는 인터넷일 수 있으며, 음성인식 서버(200)와 휴대 장치(300)를 연결하는 네트워크는 이동통신망일 수 있다.

휴대 장치(300)는 사용자가 휴대하고 다닐 수 있는 무선 통신을 지원하는 전자 기기이다. 예컨대, 휴대 장치(300)는 휴대 전화, 스마트폰, 태블릿, 또는 노트북 등일 수 있다. 휴대 장치(300)는 전화 기능, 메시지 기능, 또는 메신저 기능을 가질 수 있으며, 음성인식 서버(200)로부터 수신되는 음성 신호 또는 영상 신호를 재생할 수 있다. 또한, 휴대 장치(300)는 음성 신호를 음성인식 서버(200)로 제공할 수도 있다. 휴대 장치(300)는 일반적으로 한 개인이 사용하는 전자 기기일 수 있다.

도 1에는 음성인식 스피커 장치(100)가 네트워크(400)를 통해 음성인식 기능을 수행하는 음성인식 서버(200)에 접속되는 것으로 도시되어 있지만, 이는 예시적이며, 음성인식 스피커 장치(100)는 독립적으로 음성인식 또는 음성합성 기능을 수행할 수도 있다.

도 2a는 일 실시예에 따른 음성인식 스피커 장치(100)의 내부 구성을 설명하기 위한 블록도이다.

도 2a를 참조하면, 음성인식 스피커 장치(100)는 프로세서(110), 마이크로폰(120), 스피커(130) 및 통신 모듈(140)을 포함할 수 있다. 음성인식 스피커 장치(100)는 도 2a에 도시된 구성요소보다 많은 구성 요소들을 포함할 수 있다. 예를 들면, 음성인식 스피커 장치(100)는 메모리를 더 포함할 수 있다. 음성인식 스피커 장치(100)는 통신 모듈(140)을 통해 도 1의 네트워크(400)에 접속되어, 음성인식 서버(200)와 통신할 수 있다.

마이크로폰(120)은 주변의 오디오를 전기적인 음향 데이터로 변환함으로써 오디오 신호를 직접 생성할 수 있다. 음성인식 스피커 장치(100)는 복수의 마이크로폰(120)을 포함할 수 있으며, 복수의 마이크로폰(120)을 이용하여 오디오 신호의 입력 방향을 찾아낼 수 있다.

다른 예에 따르면, 음성인식 스피커 장치(100)는 통신 모듈(140)을 통해 외부 장치로부터 송신된 오디오 신호를 수신할 수도 있다. 스피커(130)는 오디오 신호를 음성으로 변환하여 출력할 수 있다.

프로세서(110)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리로부터 프로세서(110)에 제공되거나, 통신 모듈(140)을 통해 수신되어 프로세서(110)로 제공될 수 있다. 예를 들면 프로세서(110)는 메모리와 같은 기록 장치에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.

프로세서(110)는 마이크로폰(120)에서 생성된 오디오 신호로부터 화자의 음성에 대응하는 음성 신호를 검출하고, 통신 모듈(140)을 통해 검출된 음성 신호를 음성인식 서버(200)로 송신할 수 있다. 프로세서(110)는 키워드를 이용하여 오디오 신호로부터 음성 신호를 검출할 수 있다. 프로세서(110)는 오디오 신호 중에서 키워드에 대응하는 키워드 음성 신호를 추출함으로써 키워드 음성 신호에 후속하여 수신되는 음성 신호를 식별할 수 있다.

프로세서(110)는 음성인식 서버(200)로부터 합성음 신호를 수신하고 스피커(130)를 통해 합성음 신호에 대응하는 합성음을 재생할 수 있다.

도 2b는 다른 실시예에 따른 음성인식 스피커 장치(100a)의 내부 구성을 설명하기 위한 블록도이다.

도 2b를 참조하면, 음성인식 스피커 장치(100a)는 도 2a의 음성인식 스피커 장치(100)에 비해 카메라(150)를 더 포함할 수 있다.

카메라(150)는 프로세서(110)에 의해 제어되며, 마이크로폰(120)으로부터 수신되는 오디오 신호에서 음성 신호가 검출된 시점의 영상에 대응하는 영상 신호를 생성할 수 있다. 프로세서(110)는 통신 모듈(140)을 통해 영상 신호를 음성인식 서버(200)로 송신할 수 있다. 카메라(150)는 예컨대 360도를 모두 촬영할 수 있는 360도 카메라일 수 있다.

다른 예에 따르면, 음성인식 스피커 장치(100a)는 카메라(150)의 촬영 방향을 조절할 수 있다. 음성인식 스피커 장치(100a)는 음성이 발생한 방향을 감지할 수 있는 센서를 포함할 수 있다. 프로세서(110)는 음성 신호가 검출된 방향을 감지하고, 카메라(150)의 촬영 방향을 음성 신호가 검출된 방향으로 조절할 수 있다. 이때, 프로세서(110)에서 음성인식 서버(200)로 전송되는 영상 신호는 화자의 음성이 발생한 방향의 영상을 포함할 수 있다.

또 다른 예에 따르면, 음성인식 스피커 장치(100a)는 주변 360도를 촬영할 수 있도록 일정한 간격으로 배열되는 복수의 카메라(150)를 포함할 수 있다. 음성인식 스피커 장치(100a)는 음성이 발생한 방향을 감지할 수 있는 센서를 포함할 수 있다. 프로세서(110)는 음성 신호가 검출된 방향을 감지하고, 복수의 카메라(150) 중에서 음성 신호가 검출된 방향을 촬영할 수 있는 카메라(150)를 이용하여 화자의 음성이 발생한 방향의 영상에 대응하는 영상 신호를 획득할 수 있다.

도 3은 일 실시예에 따른 음성인식 서버(200)의 내부 구성을 설명하기 위한 블록도이다.

도 3을 참조하면, 음성인식 서버(200)는 프로세서(210), 메모리(220) 및 통신 모듈(230)을 포함한다. 음성인식 서버(200)는 도 3에 도시된 구성요소보다 많은 구성 요소들을 포함할 수 있다. 예를 들면, 음성인식 서버(200)는 입출력 장치를 더 포함할 수 있다.

통신 모듈(230)은 네트워크(400)를 통해 음성인식 서버(200)가 음성인식 스피커 장치(100) 및 휴대 장치(300)와 통신하기 위한 기능을 제공할 수 있다. 음성인식 서버(200)는 통신 모듈(230)을 통해 도 1의 네트워크(400)에 접속되어, 음성인식 스피커 장치(100) 및 휴대 장치(300)와 통신할 수 있다.

메모리(220)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 메모리(220)에는 운영체제와 적어도 하나의 프로그램 코드(예컨대, 음성인식 서버(200)에 설치되어 구동되는 음성인식 어플리케이션, 음성합성 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 통신 모듈(230)을 이용하여 통신을 통해 메모리(220)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(400)를 통해 제공하는 파일들에 의해 설치되는 프로그램에 기반하여 메모리(220)에 로딩될 수 있다.

프로세서(210)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 프로세서(210)는 메모리(220)에 저장된 프로그램 코드에 따라 명령을 실행하도록 구성될 수 있다.

프로세서(210)는 음성인식 스피커 장치(100)로부터 제1 화자의 음성을 포함하는 음성 신호를 수신하고, 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하도록 구성될 수 있다. 예를 들어, 프로세서(210)는 음성 신호에 대한 음성 인식을 수행하기 위하여, 음성 신호의 주파수 특성을 추출하고, 음향 모델과 언어 모델을 이용하여 음성 인식을 수행할 수 있다. 주파수 특성은 음향 입력의 주파수 스펙트럼을 분석하여 추출되는 음향 입력의 주파수 성분들의 분포를 의미할 수 있다. 음향 모델과 언어 모델은 메모리(220)에 저장될 수 있다. 다만 음성인식 방법은 이에 한정되는 것은 아니며, 음성 신호를 문자열(또는 텍스트)로 변환하는 다양한 기술들이 사용될 수 있다.

프로세서(210)는 음성 신호를 분석하여 음성 신호에 포함된 음성을 발화한 화자가 누구인지를 판단할 수 있다. 예를 들어, 음성 신호에서 화자 특징 벡터를 추출하여 화자 특징 벡터를 등록된 화자 특징 벡터와 비교하고, 비교 결과에 따라 음성 신호의 화자가 등록된 제2 화자(registered second speaker)라고 결정하도록 구성될 수 있다. 등록된 화자 특징 벡터(registered speaker feature vector)는 메모리(220)에 미리 저장될 수 있다. 음성인식 서버(200)에 복수의 화자들이 음성인식 스피커 장치(100)의 사용자로 등록할 수 있으며, 이 경우, 메모리(220)에는 복수의 등록된 화자 특징 벡터들이 저장될 수 있다. 등록된 화자 특징 벡터들은 등록된 화자들에 각각 대응할 수 있다.

프로세서(210)는 음성 신호의 화자가 제2 화자라고 결정하기 위하여, 음향 모델로부터 추출된 사후 정보(states posteriors), 일반적 배경 모델, 및 전체 변이성 변환 정보 중 적어도 하나를 이용하여 음성 신호의 주파수 특성으로부터 화자 특징 벡터를 생성할 수 있다. 프로세서(210)는 생성된 화자 특징 정보와 메모리(220)에 저장된 등록된 화자 특징 벡터들에 기초하여 음성 신호의 화자가 등록된 화자인지 여부를 판단할 수 있다. 메모리(220)에는 사후 정보, 일반적 배경 모델, 전체 변이성 변환 정보, 및 등록된 화자 정보 중 적어도 하나가 저장될 수 있다.

프로세서(210)는 제2 화자의 휴대 장치(300)로 음성인식 결과 및 음성 신호를 송신하고, 제2 화자의 휴대 장치(300)로부터 승인 입력을 수신하도록 구성될 수 있다. 제2 화자의 등록된 휴대 장치(300)에 관한 정보는 메모리(220)에 미리 저장될 수 있다. 제2 화자가 음성인식 스피커 장치(100)를 통해 음성인식 서버(200)에 음성인식 스피커 장치(100)의 사용자로 등록할 때, 자신의 휴대 장치(300)에 관한 정보(예컨대, 휴대 장치(300)의 식별번호)를 함께 등록할 수 있다.

프로세서(210)는 음성인식 결과에 대응하는 동작을 실행하도록 구성될 수 있다. 프로세서(210)는 음성인식 결과에 대응하는 기능을 결정하고, 해당 기능을 수행할 수 있다. 프로세서(210)는 동작의 실행 결과를 보고하기 위한 합성음 신호를 생성하도록 구성될 수 있다. 프로세서(210)는 함성음 신호를 음성인식 스피커 장치(100)에 송신하도록 구성될 수 있다.

음성인식 서버(200)는 입출력 장치로서, 마이크로폰 또는 스피커를 더 포함할 수 있다. 음성인식 서버(200)는 음성 신호를 직접 생성하고 합성음을 직접 재생할 수도 있다.

도 4a는 일 실시예에 따른 음성인식 서버의 프로세서의 내부 구성을 설명하기 위한 블록도이다.

도 4a를 참조하면, 음성인식 서버(200)의 프로세서(210)는 음성 신호 수신부(211), 음성 인식부(212), 화자 인식부(213), 화자 검증부(214), 및 기능부(215)를 포함한다. 음성인식 서버(200)는 합성음 신호 생성부(216)를 더 포함할 수 있다. 화자 인식부(213)는 화자 특징 벡터 추출부(213a), 화자 특징 벡터 비교부(213b), 및 등록 화자 결정부(213c)를 포함한다.

음성 신호 수신부(211)는 음성인식 스피커 장치(100)로부터 제1 화자의 음성을 포함하는 음성 신호를 수신한다.

음성 인식부(212)는 음성 신호 수신부(211)에 의해 수신된 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성한다. 음성 인식부(212)는 음성 신호에 대하여 음성인식을 수행하여 화자의 음성을 문자열(또는 텍스트)로 변환할 수 있다. 음성 인식부(212)는 변환된 문자열(또는 텍스트)을 자연어 처리하여 음성 신호에 포함된 화자의 명령을 추출할 수 있다. 음성인식 결과는 화자의 명령을 포함하며, 음성인식 결과에 대응하는 동작은 화자의 명령에 따른 동작을 의미한다.

화자 인식부(213)는 음성 신호 수신부(211)에 의해 수신된 음성 신호의 화자가 제2 화자라고 결정한다. 제2 화자는 음성인식 시스템에 음성인식 스피커 장치(100)의 사용자로 등록된 화자이다. 예를 들면, 화자 특징 벡터 추출부(213a)는 음성 신호 수신부(211)에 의해 수신된 음성 신호에서 화자 특징 벡터를 추출한다. 화자 특징 벡터 추출부(213a)는 시간 도메인(time domain) 기반의 음성 신호를 주파수 도메인(frequency domain) 상의 신호로 변환하고, 변환된 신호의 주파수 에너지를 서로 다르게 변형함으로써 화자 특징 벡터를 추출할 수 있다. 예컨대, 화자 특징 벡터는 멜 주파수 켑스트럼 계수(Mel-Frequency Cepstral Coefficients) 또는 필터뱅크 에너지(Filter Bank Energy)를 기초로 추출될 수 있으나, 이에 한정되는 것은 아니며 다양한 방식으로 오디오 데이터로부터 화자 특징 벡터를 추출할 수 있다.

화자 특징 벡터 비교부(213b)는 화자 특징 벡터 추출부(213a)에 의해 추출된 화자 특징 벡터를 메모리(220)에 저장된 등록된 화자 특징 벡터와 비교한다. 메모리(220)에는 복수의 등록된 화자 특징 벡터들이 존재하며, 화자 특징 벡터 비교부(213b)는 추출된 화자 특징 벡터를 복수의 등록된 화자 특징 벡터들과 비교하여, 가장 유사도가 높은 등록된 화자 특징 벡터를 결정한다. 등록 화자 결정부(213c)는 화자 특징 벡터 비교부(213b)의 비교 결과에 따라 음성 신호의 화자가 등록된 제2 화자라고 결정한다. 등록 화자 결정부(213c)는 가장 유사도가 높은 등록된 화자 특징 벡터의 화자를 음성 신호의 화자로 결정한다. 등록된 화자 특징 벡터들이 모두 미리 설정한 기준치를 넘는 유사도를 갖지 못한 경우, 등록 화자 결정부(213c)는 음성 신호의 화자가 등록된 화자가 아니라고 결정할 수 있다. 이때, 프로세서(210)는 음성인식 결과에 대응하는 동작을 수행하지 않거나, 음성인식 결과에 대응하는 동작이 누구나 수행할 수 있는 동작으로 설정된 경우에 한하여 해당 동작을 수행할 수 있다.

화자 검증부(214)는 화자 인식부(213)에서 결정되는 제2 화자의 휴대 장치로 음성 인식부(213)에서 생성된 음성인식 결과와 음성 신호 수신부(211)에서 수신된 음성 신호를 송신한다. 제2 화자의 휴대 장치의 식별 번호는 메모리(220)에 미리 저장될 수 있다. 화자 검증부(214)는 제2 화자의 휴대 장치로부터 승인 입력을 수신할 수 있다.

기능부(215)는 화자 검증부(214)에서 승인 입력을 수신하면, 음성 인식부(213)에서 생성된 음성인식 결과에 대응하는 동작을 실행한다. 기능부(215)는 음성 신호의 화자가 등록된 화자가 아니라고 판단되는 경우 음성인식 결과에 대응하는 동작을 실행하지 않을 수 있다. 기능부(215)는 화자 검증부(214)에서 거절 입력을 수신하면 음성인식 결과에 대응하는 동작을 실행하지 않는다.

합성음 신호 생성부(216)는 기능부(215)에서 동작을 실행한 경우, 동작의 실행 결과를 보고하기 위한 합성음 신호를 생성한다. 합성음 신호 생성부(216)는 음성 신호의 화자가 등록된 화자가 아니라고 판단되어 음성인식 결과에 대응하는 동작이 실행되지 않은 경우나, 화자 검증부(214)에서 승인 입력을 수신하지 못하여 음성인식 결과에 대응하는 동작이 실행되지 않은 경우에는 동작이 실행되지 않았음을 보고하기 위한 합성음 신호를 생성할 수 있다.

다른 실시예에 따르면, 프로세서(210)는 음성인식 스피커 장치(100)로부터 영상 신호를 수신하는 영상 신호 수신부를 더 포함할 수 있다. 이때, 화자 검증부(214)는 영상 신호 수신부에 의해 수신된 영상 신호를 제2 화자의 휴대 장치로 송신할 수 있다.

다른 실시예에 따르면, 프로세서(210)는 화자 벡터 개선부를 더 포함하여 구성될 수 있다. 화자 검증부(214)가 제2 화자의 휴대 장치로부터 승인 입력을 수신하면, 수신된 음성 신호의 화자가 제2 화자임이 확인된 것이므로, 화자 벡터 개선부는 수신된 음성 신호에서 추출된 화자 특징 벡터를 이용하여 메모리(220)에 저장된 제2 화자의 등록된 화자 특징 벡터를 개선할 수 있다. 화자 특징 벡터 개선부는 음성 신호에서 추출된 화자 특징 벡터를 이용한 적응 훈련 방식을 통해 제2 화자의 등록된 화자 특징 벡터를 생성하고, 새로 생성된 등록된 화자 특징 벡터가 적응 훈련 이전의 등록된 화자 특징 벡터에 비해 적응 훈련 성능이 상승한 경우, 새로 생성된 등록된 화자 특징 벡터를 메모리(220)에 저장함으로써 등록된 화자 특징 벡터를 개선할 수 있다.

도 4b는 일 실시예에 따른 음성인식 서버의 프로세서의 내부 구성을 설명하기 위한 블록도이다.

도 4b를 참조하면, 음성인식 서버(200)의 프로세서(210a)는 음성 신호 수신부(211), 음성 인식부(212), 화자 인식부(213), 검증 여부 결정부(217), 화자 검증부(214), 기능부(215), 및 합성음 신호 생성부(216)를 포함한다.

검증 여부 결정부(217)는 음성인식 결과에 대응하는 동작 및 제2 화자의 설정 중 적어도 하나를 기초로 화자 검증부(214)의 동작을 실행할 것인지의 여부를 결정한다.

일 예에 따르면, 검증 여부 결정부(217)는 음성인식 결과에 따른 동작이 제2 화자가 미리 설정한 사전 승인 동작 리스트에 포함되는 경우, 화자 검증부(214)의 동작을 실행하도록 결정할 수 있다. 사전 승인 동작 리스트는 메모리(220)에 저장될 수 있으며, 음성인식 스피커 장치(100)를 통해 수행할 수 있는 동작들 또는 기능들 중 일부가 미리 설정한 사전 승인 동작 리스트에 포함될 수 있다. 예컨대, 금융 거래나 인터넷 쇼핑, 메시지 보내기 등과 같은 동작들이 미리 설정한 사전 승인 동작 리스트에 포함될 수 있다. 사전 승인 동작 리스트에 포함되는 동작들은 등록된 화자들마다 다르게 설정될 수 있다.

다른 예에 따르면, 음성인식 결과에 따른 동작이 제2 화자가 미리 설정한 사후 통지 동작 리스트에 포함되는 경우, 검증 여부 결정부(217)는 기능부(215)에 의해 음성인식 결과에 대응하는 동작이 먼저 실행되고, 제2 화자의 휴대 장치로 음성인식 결과 및 음성 신호를 송신하도록 결정할 수 있다. 사후 통지 동작 리스트는 메모리(220)에 저장될 수 있으며, 음성인식 스피커 장치(100)가 수행할 수 있는 동작들 중 일부의 동작이 미리 설정한 사후 통지 동작 리스트에 포함될 수 있다. 예컨대, 전화 걸기, 설정 변경 등과 같은 동작들이 미리 설정한 사후 통지 동작 리스트에 포함될 수 있다. 사후 통지 동작 리스트에 포함되는 동작들은 등록된 화자들마다 다르게 설정될 수 있다.

또 다른 예에 따르면, 검증 여부 결정부(217)는 제2 화자의 휴대 장치의 위치 및 현재 시간 중 적어도 하나가 사전 승인 조건에 부합하는 경우, 화자 검증부(214)의 동작을 실행하도록 결정할 수 있다. 예를 들면, 제2 화자의 휴대 장치의 위치가 음성인식 스피커 장치(100)의 위치와 가깝게 위치하는 경우, 예컨대, 제2 화자의 휴대 장치와 음성인식 스피커 장치(100)가 동일한 무선 와이파이 액세스 포인트에 접속되는 경우나, 제2 화자의 휴대 장치의 GPS 위치 또는 무선망 접속 위치가 음성인식 스피커 장치(100)의 위치와 실질적으로 일치하는 경우, 제2 화자가 음성 신호 수신부(211)에서 수신한 음성 신호에 대응하는 음성을 실제로 말했을 가능성이 높으므로, 검증 여부 결정부(217)는 화자 검증부(214)의 동작을 생략할 수 있다. 등록된 화자들은 이러한 화자 검증부(214)의 동작의 생략 여부를 각각 설정할 수 있다.

검증 여부 결정부(217)는 제2 화자가 설정한 시간, 예컨대, 주중 낮 시간에는 화자 검증부(214)의 동작을 실행하도록 결정할 수 있다. 예컨대, 직장인인 제2 화자는 주중 낮 시간에는 집에 없을 가능성이 높으므로, 집에 위치한 음성인식 스피커 장치(100)가 제2 화자의 음성을 수신할 가능성이 낮다. 검증 여부 결정부(217)는 이러한 경우에 화자 검증부(214)의 동작을 실행하도록 결정할 수 있다. 등록된 화자들은 시간을 기초로 화자 검증부(214)의 동작을 실행할 것인지의 여부를 각각 설정할 수 있다.

사전 승인 조건은 등록된 화자에 의해 미리 설정되어 메모리(220)에 저장될 수 있다. 또한, 사전 승인 조건은 등록된 화자의 행동 패턴에 기초하여 결정될 수 있다. 등록된 화자의 행동 패턴은 등록된 화자의 휴대 장치의 위치를 기초로 생성될 수 있다. 예를 들면, 검증 여부 결정부(217)는 등록된 화자의 휴대 장치의 위치를 오랜 시간 동안 수집할 수 있다. 검증 여부 결정부(217)는 수집된 휴대 장치의 위치를 분석하여 등록된 화자가 음성인식 스피커 장치(100)와 가깝게 위치하지 않는 시간대를 결정할 수 있다. 검증 여부 결정부(217)는 현재 시간이 이 시간대에 해당하는 경우에 화자 검증부(214)의 동작을 실행하도록 자동적으로 결정할 수 있다.

도 5a 및 도 5b는 일 실시예에 따른 음성인식 시스템의 화자 검증 방법을 설명하기 위한 예시적인 흐름도이다.

도 5a 및 도 5b를 참조하면, 음성인식 시스템은 음성인식 스피커 장치(100)와 음성인식 서버(200)를 포함한다. 제2 화자의 휴대 장치(300)는 음성인식 서버(200)에 네트워크를 통해 접속된다.

음성인식 스피커 장치(100)는 마이크로폰(도 2a의 120)을 이용하여 주변의 소리를 전기적으로 변환하여 오디오 신호를 생성할 수 있다(S101).

음성인식 스피커 장치(100)는 오디오 신호로부터 음성 신호를 검출할 수 있다(S102). 음성 신호는 사용자의 음성을 포함할 수 있다. 여기서 사용자는 제1 화자로 지칭한다. 음성은 사용자의 음성 명령을 포함할 수 있다. 음성 명령에는 음성 정보 검색, 전화 연결, 메시지 전송, 금융 거래, 인터넷 쇼핑, 음식 배달, 주변 가전 기기 제어, 스마트 홈 제어 등이 포함될 수 있다. 본 예에서는 음성 명령이 금융 거래에 관한 것으로서, 제1 화자의 음성이 "B에게 100만원을 송금해줘"라고 가정한다. 제1 화자의 음성에는 음성인식 스피커 장치(100)를 웨이크업하기 위한 트리거 키워드가 포함될 수 있다. 음성인식 스피커 장치(100)는 트리거 키워드를 인식함으로써 오디오 신호로부터 음성 신호를 검출할 수 있다.

음성인식 스피커 장치(100)는 음성 신호를 음성인식 서버(200)로 송신하고(S103), 음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 음성 신호를 수신한다(S201).

음성인식 서버(200)는 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성한다(S202). 음성인식 서버(200)는 음성 신호의 주파수 특성을 추출하고, 음향 모델과 언어 모델을 이용하여 음성 인식을 수행할 수 있다. 음성인식 서버(200)는 음성 신호를 문자열로 변환하고, 문자열을 자연어 처리함으로써 음성인식 결과를 생성할 수 있다. 음성인식 결과는 음성 명령을 포함할 수 있다.

음성인식 서버(200)는 음성 신호에서 화자 특징 벡터를 추출한다(S203). 음성인식 서버(200)는 음향 모델로부터 추출된 사후 정보(states posteriors), 일반적 배경 모델, 및 전체 변이성 변환 정보 중 적어도 하나를 이용하여 음성 신호의 주파수 특성으로부터 화자 특징 벡터를 생성할 수 있다.

음성인식 서버(200)는 추출된 화자 특징 벡터와 등록된 화자 특징 벡터를 비교한다(S204). 등록된 화자 특징 벡터는 메모리(도 3의 220)에 저장될 수 있으며, 사용자가 음성인식 시스템에 등록할 때 입력되는 사용자의 음성을 기초로 미리 생성될 수 있다.

음성인식 서버(200)는 단계(S204)의 비교 결과에 따라 음성 신호의 화자가 등록된 제2 화자라고 결정한다(S205). 단계(S204)에서 음성인식 서버(200)는 추출된 화자 특징 벡터를 등록된 화자 특징 벡터들 각각과 비교할 수 있다. 비교 결과, 등록된 화자 특징 벡터들 중에서 추출된 화자 특징 벡터와 가장 유사도가 높은 등록된 화자 특징 벡터가 결정될 수 있다. 음성인식 서버(200)는 가장 유사도가 높은 등록된 화자 특징 벡터의 사용자가 음성 신호의 화자라고 결정하며, 여기서 가장 유사도가 높은 등록된 화자 특징 벡터에 대응하는 사용자는 제2 화자로 지칭한다. 제2 화자는 일반적으로 제1 화자와 동일하다. 그러나, 음성인식 서버(200)의 화자 인식 기능의 오류로 인하여, 제2 화자는 제1 화자와 상이할 수 있다.

예를 들면, 제1 화자가 음성 명령을 발화하였으나, 음성인식 서버(200)는 화자 인식 기능의 오류로 인하여 음성 명령을 제1 화자와 다른 제2 화자가 발화한 것으로 인식할 수 있다. 이 경우, 음성인식 서버(200)는 제2 화자가 "B에게 100만원 송금해줘"라고 발화한 것으로 인식할 것이므로, 음성인식 서버(200)는 제2 화자의 계좌에서 B에게 100만원을 송금하는 문제가 발생한다.

다른 예로서, 제1 화자가 제2 화자의 목소리를 흉내내어 음성 명령을 발화하였고, 음성인식 서버(200)는 이 음성 명령을 제2 화자가 발화한 것으로 인식할 수 있다. 이 경우는 목소리 도용으로 인한 경우이다. 이 경우에도, 음성인식 서버(200)는 제2 화자가 "B에게 100만원 송금해줘"라고 발화한 것으로 인식할 것이므로, 음성인식 서버(200)는 제2 화자의 계좌에서 B에게 100만원을 송금하는 문제가 발생한다.

음성인식 서버(200)는 이러한 문제를 해소하기 위하여 추가적인 화자 검증 절차를 실행할 수 있다. 음성인식 서버(200)는 음성인식 결과 및 음성 신호를 제2 화자의 휴대 장치(300)로 송신할 수 있다. 제2 화자가 음성인식 시스템에 음성인식 스피커 장치(100)의 사용자로 등록할 때 자신의 휴대 장치(300)의 식별번호를 입력할 수 있으며, 제2 화자의 휴대 장치(300)의 식별번호는 메모리(220)에 저장될 수 있다.

한편, 음성인식 서버(200)는 단계(S204)의 비교 결과에 따라 음성 신호의 화자가 미리 등록된 사용자가 아니라고 결정할 수 있다. 추출된 화자 특징 벡터와 등록된 화자 특징 벡터들 간의 유사도가 미리 설정한 기준 유사도를 넘지 못하는 경우, 음성인식 서버(200)는 음성 신호의 화자가 미리 등록되지 않았다고 결정하고, 음성 명령에 따른 동작을 실행하지 않을 수 있다. 이 경우, 음성인식 서버(200)는 바로 단계(S209)로 진행하여, 동작이 실행되지 않았음을 보고하기 위한 합성음을 생성할 수 있다. 이 경우에도, 음성 명령의 내용이 누구나 할 수 있도록 설정된 것이라면, 음성인식 서버(200)는 음성 신호의 화자가 미리 등록되지 않았다고 하더라도 음성 명령에 따른 동작을 수행할 수 있다. 이 경우, 음성인식 서버(200)는 화자 검증 절차(단계들(S206, S301-S305, S207))를 생략하고, 바로 단계(S208)로 진행하여 음성 명령에 따른 동작을 수행할 수 있다. 일 실시예에 따르면, 음성 명령에 따른 동작이 누구나 할 수 있는 동작인 경우라면, 음성인식 서버(200)는 단계(S203-S205)를 실행하지 않을 수도 있다.

제2 화자의 휴대 장치(300)는 음성인식 서버(200)로부터 음성인식 결과 및 음성 신호를 수신한다(S301). 전술한 바와 같이, 제2 화자는 실제로 음성 신호에 포함되는 음성을 발화한 제1 화자와 동일할 수도 있고 동일하지 않을 수도 있다.

휴대 장치(300)는 음성인식 결과를 표시할 수 있다(S302). 도 6은 일 실시예에 따라서 음성인식 시스템에 접속되는 제2 화자의 휴대 장치의 예시적인 화면을 도시한다.

도 6에 도시된 바와 같이, 휴대 장치(300)의 디스플레이 창(310) 상에는 "음성인식 스피커 장치에서 다음 명령이 실행되었습니다."라는 문구(301)가 표시될 수 있다. 수신된 음성인식 결과 또는 음성인식 결과에 포함되는 음성 명령이 문구(301) 아래의 영역(302)에 표시될 수 있다. 본 예에서, 영역(302)에는 "B에게 100만원을 송금해줘"라는 문구가 표시될 수 있다.

디스플레이 창(310)에는 음성인식 스피커 장치(100)에서 검출한 음성 신호를 재생할 수 있는 재생 버튼(303)이 표시될 수 있다. 제2 화자가 재생 버튼(303)을 터치하는 경우, 음성인식 서버(200)로부터 수신된 음성 신호가 재생될 수 있다.

디스플레이 창(310)에는 "승인하시겠습니까"라는 문구(304)가 표시될 수 있다. 문구(304) 아래에 승인 버튼(305)과 거절 버튼(306)이 표시될 수 있다. 제2 화자는 수신된 음성인식 결과 또는 재생되는 음성을 확인한 후 승인 버튼(305)을 터치함으로써 음성인식 서버(200)가 음성인식 결과의 음성 명령에 따른 동작을 실행하도록 승인할 수 있다. 제2 화자는 자신이 발화한 적이 없거나 수신된 음성인식 결과가 자신이 발화한 음성 명령과 상이하다면, 거절 버튼(306)을 터치함으로써 음성인식 서버(200)가 음성인식 결과에 대응하는 동작을 실행하지 않도록 할 수 있다. 음성인식 서버(200)의 화자 인식 기능에 오류가 있거나, 제2 화자가 자신이 목소리를 도용당한 경우, 제2 화자가 휴대 장치(300)를 이용하여 음성인식 결과에 대응하는 동작을 실행하지 않도록 함으로써 피해를 방지할 수 있다.

디스플레이 창(310)에는 신고하기 버튼(307)이 표시될 수 있다. 제2 화자는 재생 버튼(303)을 터치하여 재생되는 음성을 들은 후, 자신의 목소리를 도용당했다고 판단되는 경우, 신고하기 버튼(307)을 터치하여 목소리 도용 사실을 관련 금융회사, 관청, 또는 음성인식 시스템의 제조사와 같은 외부 기관에 신고할 수 있다. 이 경우, 휴대 장치(300)는 목소리 도용과 관련된 정보와 함께 음성인식 서버(200)로부터 수신된 음성 신호를 외부 기관에 송신할 수 있다.

디스플레이 창(310)에는 음성 피드백 보내기 버튼(308)이 표시될 수 있다. 제2 화자가 음성 피드백 보내기 버튼(308)을 터치하면 음성인식 스피커 장치(100)에서 출력될 음성을 입력할 수 있다. 제2 화자는 음성 피드백 보내기 버튼(308)을 터치한 후 목소리 도용자 등에게 전할 응답 음성을 발화할 수 있다. 휴대 장치(300)는 응답 음성에 대응하는 응답 음성 신호를 생성하고, 응답 음성 신호를 음성인식 서버(200)로 송신할 수 있다. 음성인식 서버(200)는 응답 음성 신호를 수신하고 음성인식 스피커 장치(100)로 전달할 수 있다. 음성인식 스피커 장치(100)는 음성인식 서버(200)로부터 전송된 응답 음성 신호를 수신하고, 응답 음성 신호에 대응하는 제2 화자의 응답 음성을 출력할 수 있다.

다른 실시예에 따르면, 디스플레이 창(310)에는 음성 통신 버튼이 표시될 수 있으며, 제2 화자가 음성 통신 버튼을 터치하면, 음성인식 스피커 장치(100)와 휴대 장치(300) 사이에 음성을 송수신할 수 있는 세션이 연결된다. 제2 화자는 연결된 세션을 통해 음성인식 스피커 장치(100)의 주변에 위치한 사람과 음성을 주고 받을 수 있다. 예컨대, 제1 화자가 제2 화자의 가족인 경우, 제1 화자는 제2 화자에게 음성인식 결과에 따른 동작이 필요한 이유를 설명하고, 제2 화자는 제1 화자의 설명을 들은 후 해당 동작을 승인할 수도 있다. 휴대 장치(300)는 음성인식 스피커 장치(100)와 직접 연결되거나, 음성인식 서버(200)의 중계 하에 음성인식 스피커 장치(100)와 연결될 수 있다.

다시 도 5a 및 도 5b를 참조하면, 휴대 장치(300)는 디스플레이 창(310)의 영역(302) 상에 음성인식 결과를 표시할 수 있다(S302). 또한, 휴대 장치(300)는 제2 화자가 재생 버튼(303)을 터치함으로써 음성 신호를 재생할 수 있다(S303).

휴대 장치(300)는 제2 화자가 승인 버튼(305)을 터치함으로써 승인 입력을 수신하거나, 제2 화자가 거절 버튼(306)을 터치함으로써 거절 입력을 수신할 수 있다(S304). 휴대 장치(300)는 승인 입력 또는 거절 입력을 음성인식 서버(200)로 송신할 수 있다(S305). 휴대 장치(300)는 미리 설정된 시간 동안 승인 입력이 수신되지 않으면 거절 입력이 수신된 것으로 간주하여 거절 입력을 음성인식 서버(200)로 송신할 수 있다.

음성인식 서버(200)는 휴대 장치(300)로부터 승인 입력 또는 거절 입력을 수신할 수 있다(S207). 음성인식 서버(200)는 승인 입력을 수신한 경우 음성인식 결과에 대응하는 동작을 실행하고, 거절 입력을 수신한 경우 음성인식 결과에 대응하는 동작을 실행하지 않는다(S208). 본 예에서, 음성인식 서버(200)는 승인 입력을 수신한 경우 제2 화자의 계좌에서 B에게 100만원을 송금할 수 있다. 음성인식 서버(200)는 거절 입력을 수신한 경우 B에게 100만원을 송금하지 않는다.

음성인식 서버(200)는 음성인식 결과에 대응하는 동작을 실행한 후 동작의 실행 결과를 보고하기 위한 합성음 신호를 생성한다(S209). 이때, 합성음 신호는 예컨대 "제2 화자의 계좌에서 B에게 100만원을 송금하였습니다"라는 합성음에 대응될 수 있다. 음성인식 서버(200)는 음성인식 결과에 대응하는 동작을 실행하지 않은 경우, 동작의 미실행을 보고하기 위한 합성음 신호를 생성한다(S209). 이때, 합성음 신호는 예컨대 "제2 화자의 불승인으로 인하여 B에게 100만원을 송금하지 않았습니다"라는 합성음에 대응될 수 있다. 음성인식 서버(200)는 생성된 합성음 신호를 음성인식 스피커 장치(100)로 송신할 수 있다(S210).

음성인식 스피커 장치(100)는 합성음 신호를 수신하고(S104), 합성음 신호에 대응하는 합성음을 재생할 수 있다(S105). 따라서, 음성 신호의 음성을 발화했던 제1 화자는 자신의 음성 명령의 실행 결과를 직접 확인할 수 있다.

다른 실시예에 따라, 음성인식 스피커 장치(100)가 카메라(도 2b의 150)를 포함하는 경우, 단계(S102)에서 음성인식 스피커 장치(100)는 카메라(150)를 이용하여 음성 신호가 검출된 시점의 영상을 포함하는 영상 신호를 생성할 수 있다. 또한, 단계(S103)에서 음성인식 스피커 장치(100)는 음성 신호와 함께 영상 신호를 음성인식 서버(200)로 송신할 수 있다.

단계(S201)에서 음성인식 서버(200)는 음성인식 스피커 장치(100)로부터 영상 신호를 수신하고, 단계(S206)에서 음성인식 결과 및 음성 신호와 함께 영상 신호를 제2 화자의 휴대 장치(300)로 전송할 수 있다.

이 경우, 휴대 장치(300)는 영상 신호를 표시할 수 있는 인터페이스, 예컨대, 영상 표시 버튼을 가질 수 있다. 제2 화자가 영상 신호를 표시하기 위해 영상 표시 버튼을 터치하면, 휴대 장치(300)가 영상 신호의 영상을 표시함으로써, 제2 화자는 자신이 발화하지 않은 음성인식 결과를 수신한 경우에 음성을 발화한 사람이 포함된 영상을 확인할 수 있다. 영상 신호는 제1 화자의 음성이 발생한 방향의 영상을 포함할 수 있다. 영상 신호는 동영상 신호일 수도 있다. 휴대 장치(300)는 동영상 신호를 재생할 수 있는 인터페이스, 예컨대, 영상 재생 버튼을 가질 수 있다. 제2 화자가 영상 재생 버튼을 터치하면, 휴대 장치(300)는 동영상 신호에 포함된 동영상을 재생할 수 있다.

다른 실시예에 따라, 단계(S207)에서 음성인식 서버(200)가 휴대 장치(300)로부터 승인 입력을 수신한 경우, 제1 화자와 제2 화자의 동일성이 확인된 것이므로, 음성인식 서버(200)는 추출된 화자 특징 벡터를 이용하여 제2 화자의 등록된 화자 특징 벡터를 개선할 수 있다.

도 7은 다른 실시예에 따른 음성인식 시스템의 화자 검증 방법을 설명하기 위한 예시적인 흐름도이다.

도 7을 참조하면, 다른 실시예에 따른 화자 검증 방법에 따르면, 도 5의 단계(S205)가 수행된 후에, 음성인식 서버(200)는 음성인식 결과에 대응하는 동작 및 제2 화자의 설정 중 적어도 하나를 기초로, 제2 화자의 휴대 장치(300)를 이용한 검증 절차(S206, S301-S305, S207)의 실행 여부를 결정할 수 있다(S211).

단계(S211)에서 검증 절차를 실행하기로 결정한 경우, 음성인식 서버(200)는 단계(S206)로 진행하여 음성인식 결과 및 음성 신호를 송신할 수 있다. 그러나, 단계(S211)에서 검증 절차를 실행하지 않기로 결정한 경우, 음성인식 서버(200)는 검증 절차를 생략하고 단계(S208)로 진행하여 음성인식 결과에 대응하는 동작을 실행할 수 있다.

일 예에 따르면, 음성인식 결과에 따른 동작이 제2 화자가 미리 설정한 사전 승인 동작 리스트에 포함되는 경우, 단계(S211)에서 음성인식 서버(200)는 검증 절차(S206, S301-S305, S207)를 실행하도록 결정할 수 있다. 사전 승인 동작 리스트는 메모리(도 3의 220)에 저장될 수 있다. 사전 승인 동작 리스트에는 음성인식 스피커 장치(100)를 통해 수행할 수 있는 동작들 중에서 제2 화자가 미리 선택한 일부의 동작이 포함될 수 있다. 예컨대, 제2 화자는 금융 거래나 인터넷 쇼핑, 메시지 보내기 등과 같은 동작들을 선택하여 사전 승인 동작 리스트에 포함시킬 수 있다.

다른 예에 따르면, 단계(S211)에서 음성인식 서버(200)는 제2 화자의 휴대 장치(300)의 위치 및 현재 시간 중 적어도 하나가 사전 승인 조건에 부합하는 경우, 검증 절차(S206, S301-S305, S207)를 실행하도록 결정할 수 있다. 예를 들면, 제2 화자의 휴대 장치(300)가 음성인식 스피커 장치(100)로부터 떨어져 위치하는 경우, 제2 화자가 음성 신호에 대응하는 음성을 실제로 발화했을 가능성이 낮으므로, 단계(S211)에서 음성인식 서버(200)는 검증 절차(S206, S301-S305, S207)를 실행하도록 결정할 수 있다. 그러나, 제2 화자의 휴대 장치(300)가 음성인식 스피커 장치(100)와 가깝게 위하는 경우, 단계(S211)에서 음성인식 서버(200)는 검증 절차(S206, S301-S305, S207)를 생략할 수 있다. 이러한 사전 승인 조건은 휴대 장치(300)의 위치 외에도 제2 화자가 설정한 시간대를 기초로 정해질 수 있다.

예를 들면, 단계(S211)에서 음성인식 서버(200)는 현재 시간이 제2 화자가 설정한 시간, 예컨대, 주중 낮 시간에 해당하는 경우에 검증 절차(S206, S301-S305, S207)를 실행하도록 결정할 수 있다. 예컨대, 제2 화자는 자신이 집에 없을만한 시간대를 미리 설정할 수 있다. 이러한 사전 승인 조건은 등록된 화자들마다 상이하게 설정될 수 있다.

사전 승인 조건은 등록된 화자에 의해 미리 설정되어 메모리(220)에 저장될 수 있다. 예를 들어, 사전 승인 조건은 등록된 화자의 휴대 장치(300)의 위치를 기초로 생성되는 등록된 화자의 행동 패턴에 기초하여 결정될 수 있다. 음성인식 서버(200)는 등록된 화자의 휴대 장치(300)의 위치를 수집할 수 있다. 음성인식 서버(200)는 수집된 휴대 장치(300)의 위치를 분석하여 등록된 화자가 음성인식 스피커 장치(100)와 멀리 떨어져 위치하는 시간대를 결정할 수 있다. 음성인식 서버(200)는 현재 시간이 이 시간대에 해당하는 경우에 검증 절차(S206, S301-S305, S207)를 실행하도록 자동적으로 결정할 수 있다.

또 다른 예에 따르면, 음성인식 결과에 따른 동작이 제2 화자가 미리 설정한 사후 통지 동작 리스트에 포함되는 경우, 음성인식 서버(200)는 단계(S209)를 먼저 실행하고, 사후 통지 절차(S206, S301-S303)를 나중에 수행하도록 결정할 수 있다. 사후 통지 동작 리스트는 메모리(220)에 저장될 수 있으며, 사후 통지 동작 리스트에는 음성인식 스피커 장치(100)가 수행할 수 있는 동작들 중에서 제2 화자가 선택한 일부의 동작이 포함될 수 있다. 예컨대, 전화 걸기, 설정 변경 등과 같은 동작들이 미리 설정한 사후 통지 동작 리스트에 포함될 수 있다. 사후 통지 동작 리스트에 포함되는 동작들은 등록된 화자들마다 다르게 설정될 수 있다.

이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 명세서에서, "부", "모듈" 등은 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 예를 들면, "부", "모듈" 등은 소프트웨어 구성 요소들, 객체 지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들에 의해 구현될 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 음성인식 스피커 장치
110: 프로세서
120: 마이크로폰
130: 스피커
140: 통신 모듈
150: 카메라
200: 음성인식 서버
210: 프로세서
220: 메모리
230: 통신 모듈
300: 휴대 장치

Claims (3)

1. 음성인식 장치와 음성인식 서버를 포함하는 음성인식 시스템에서 화자를 검증하는 방법에 있어서,
   상기 음성인식 서버에 의하여,
   상기 음성인식 장치로부터 음성 신호를 수신하는 단계;
   상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하는 단계;
   상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하는 단계;
   상기 음성 신호의 화자가 상기 등록된 화자라고 결정한 경우, 상기 음성인식 장치와 다른 장치인 상기 등록된 화자의 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하는 단계; 및
   상기 등록된 화자의 장치로부터 입력을 수신하는 단계를 포함하는 음성인식 시스템의 화자 검증 방법.
2. 음성인식 장치 및 휴대 장치와 통신하는 통신 모듈; 및
   상기 통신 모듈을 이용하여 상기 음성인식 장치로부터 음성 신호를 수신하고,
   상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하고,
   상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하고,
   상기 통신 모듈을 이용하여 상기 음성인식 장치와 다른 장치인 상기 등록된 화자의 상기 휴대 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하고,
   상기 통신 모듈을 이용하여 상기 휴대 장치로부터 입력을 수신하도록 구성되는 프로세서를 포함하는 음성인식 서버.
3. 음성인식 장치에 의해 수행되는 동작 방법에 있어서,
   음성을 수신하여 음성 신호를 생성하는 단계;
   상기 음성 신호에 대하여 음성인식을 수행하여 음성인식 결과를 생성하는 단계;
   상기 음성 신호에서 화자 특징 벡터를 추출하고, 상기 추출된 화자 특징 벡터를 기초로 상기 음성 신호의 화자가 등록된 화자(registered speaker)인지의 여부를 결정하는 단계;
   상기 음성 신호의 화자가 상기 등록된 화자라고 결정한 경우, 상기 음성인식 장치와 다른 장치로서 상기 음성인식 장치와 통신 가능하게 연결되는 상기 등록된 화자의 장치로 상기 음성인식 결과 및 상기 음성 신호 중 적어도 하나를 송신하는 단계; 및
   상기 등록된 화자의 장치로부터 입력을 수신하는 단계를 포함하는 음성인식 장치의 동작 방법.
   
   

Images