KR102286775B1 - 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 - Google Patents

Abstract

본 발명의 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치는 각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 계층의 복수의 노드가 가중치로 연결되는 심층신경망과, 화자가 알려지지 않은 음성을 상기 심층신경망의 상기 입력계층에 입력시킨 후, 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 화자를 미등록 화자로 분류하는 인식부를 포함한다.

Description

미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체{Apparatus for identifying speaker based on in-depth neural network capable of enrolling unregistered speakers, method thereof and computer recordable medium storing program to perform the method}

본 발명은 화자 식별 기술에 관한 것으로, 보다 상세하게는, 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 관한 것이다.

심층 신경망을 이용한 화자 식별 시스템은 사전에 정의된 화자들을 식별할 수 있도록 학습된다. 심층 신경망 기술이 발전함에 따라 우수한 성능의 화자 식별 시스템의 구축이 가능해졌다. 하지만， 심층 신경망을 이용한 분류 시스템의 특성으로 인해 미등록 화자를 추가하는 과정에서 시스템의 전면적인 재구성이 필요하기 때문에 큰 비용(overhead)이 발생한다.

한국공개특허 제2015-0104111호 2015년 09월 14일 공개 (명칭: 인공 신경망 기반 서브-음성 유닛 구별을 이용한 화자 검층 및 식별)

본 발명의 목적은 심층신경망을 이용한 화자 식별 시스템에 새로운 화자를 주가하는 경우를 가정하여 전체 시스템의 재구성 대신 마지막 계층의 가중치를 산출하는 방법으로 새로운 화자를 추가할 수 있는 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치, 이를 위한 방법 및 이 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체를 제공할 수 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치는 각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 계층의 복수의 노드가 가중치로 연결되는 심층신경망과, 화자가 알려지지 않은 음성을 상기 심층신경망의 상기 입력계층에 입력시킨 후, 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 화자를 미등록 화자로 분류하는 인식부를 포함한다.

상기 미등록 화자로 분류되면, 상기 미등록 화자에 대응하는 출력노드를 출력계층에 추가하고, 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력층에 추가된 출력노드 간의 가중치를 산출하는 학습부를 더 포함한다.

상기 출력 노드의 활성화 함수는 소프트맥스(softmax) 함수이며, 마지막 은닉계층의 복수의 은닉노드와 상기 추가된 출력 노드 간의 가중치는 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균인 것을 특징으로 한다.

상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 방법은 인식부가 각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 복수의 계층의 복수의 노드가 가중치로 연결되는 심층신경망에 화자가 알려지지 않은 음성을 입력하는 단계와, 상기 인식부가 상기 입력에 따라 상기 심층신경망의 복수의 계층의 복수의 노드가 상기 가중치가 작용되는 복수의 연산을 통해 출력계층의 복수의 출력노드의 출력값을 도출하는 단계와, 상기 인식부가 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만인지 여부를 판별하는 단계와, 상기 판별 결과, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 인식부가 상기 화자를 미등록 화자로 분류하는 단계를 포함한다.

상기 화자 식별 방법은 상기 화자를 미등록 화자로 분류하는 단계 후, 학습부가 상기 미등록 화자에 대응하는 출력노드를 출력계층에 추가하는 단계와, 상기 학습부가 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 복수의 은닉노드의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력노드 간의 가중치를 산출하는 단계를 더 포함한다.

상기 출력노드의 활성화 함수는 소프트맥스(softmax) 함수이며, 상기 가중치를 산출하는 단계는 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균을 상기 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력 노드 간의 가중치로 산출하는 것을 특징으로 한다.

상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체는 인식부가 각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 복수의 계층의 복수의 노드가 가중치로 연결되는 심층신경망에 화자가 알려지지 않은 음성을 입력하는 단계와, 상기 인식부가 상기 입력에 따라 상기 심층신경망의 복수의 계층의 복수의 노드가 상기 가중치가 작용되는 복수의 연산을 통해 출력계층의 복수의 출력노드의 출력값을 도출하는 단계와, 상기 인식부가 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만인지 여부를 판별하는 단계와, 상기 판별 결과, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 인식부가 상기 화자를 미등록 화자로 분류하는 단계를 포함한다.

상기 화자 식별 방법은 상기 화자를 미등록 화자로 분류하는 단계 후, 학습부가 상기 미등록 화자에 대응하는 출력노드를 출력계층에 추가하는 단계와, 상기 학습부가 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 복수의 은닉노드의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력노드 간의 가중치를 산출하는 단계를 더 포함한다.

상기 출력노드의 활성화 함수는 소프트맥스(softmax) 함수이며, 상기 가중치를 산출하는 단계는 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균을 상기 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력 노드 간의 가중치로 산출하는 것을 특징으로 한다.

상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 한다.

본 발명에 따르면, 심층심경망의 전체적인 재학습 없이, 마지막 은닉 계층과 추가된 화자에 대응하는 출력 노드 간의 가중치를 산출하여 인식할 수 있는 화자를 추가할 수 있다. 이에 따라, 연산 복잡도가 감소하며, 시스템의 부하를 줄일 수 있다.

도 1은 본 발명의 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자를 식별하기 위한 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시예에 따른 심층신경망의 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 심층신경망을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 심층신경망을 이용한 화자 인식 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 발명의 실시예에 따른 미등록 화자를 추가하는 방법을 설명하기 위한 흐름도이다.
도 8은 본 발명의 실시예에 따른 미등록 화자를 추가하는 방법을 설명하기 위한 도면이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자를 식별하기 위한 장치에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자를 식별하기 위한 장치를 설명하기 위한 블록도이다. 도 2는 본 발명의 실시예에 따른 심층신경망의 구성을 설명하기 위한 도면이다. 그리고 도 3은 본 발명의 실시예에 따른 가중치가 적용되는 연산을 수행하는 노드를 설명하기 위한 도면이다.

먼저, 도 1을 참조하면, 본 발명의 실시예에 따른 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자를 식별하기 위한 장치(100, 이하, 식별장치로 축약함)는 통신부(110), 오디오부(120), 입력부(130), 표시부(140), 저장부(150) 및 제어부(160)를 포함한다.

통신부(110)는 다른 장치와 통신하기 위한 수단이다. 통신부(110)는 네트워크를 통해 다른 장치로부터 학습 데이터를 수집할 수 있다. 통신부(110)는 송신되는 신호의 주파수를 상승 변환 및 증폭하는 RF(Radio Frequency) 송신기(Tx) 및 수신되는 신호를 저 잡음 증폭하고 주파수를 하강 변환하는 RF 수신기(Rx)를 포함할 수 있다. 그리고 통신부(110)는 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(Modem)을 포함할 수 있다.

오디오부(120)는 본 발명의 실시예에 따른 음성과 같은 오디오 신호를 출력하기 위한 스피커(SPK)와, 음성과 같은 오디오 신호를 수집하기 위한 마이크(MIKE)를 포함한다. 즉, 오디오부(120)는 제어부(160)의 제어에 따라 오디오 신호를 스피커(SPK)를 통해 출력하거나, 마이크(MIKE)를 통해 입력된 오디오 신호를 제어부(160)로 전달할 수 있다.

입력부(130)는 인식장치(10)를 제어하기 위한 사용자의 키 조작을 입력받고 입력 신호를 생성하여 제어부(160)에 전달할 수 있다. 입력부(130)는 인식장치(10)를 제어하기 위한 각 종 키들을 포함할 수 있다. 입력부(130)는 표시부(140)가 터치스크린으로 이루어진 경우, 각 종 키들의 기능이 표시부(140)에서 이루어질 수 있으며, 터치스크린만으로 모든 기능을 수행할 수 있는 경우, 입력부(130)는 생략될 수도 있다.

표시부(140)는 다양한 정보를 화면으로 표시하기 위한 것이다. 특히, 표시부(140)는 미등록 화자에게 식별자를 입력하도록 하는 안내를 출력할 수 있다. 그 밖에 표시부(140)는 인식장치(10)의 메뉴, 입력된 데이터, 기능 설정 정보 및 기타 다양한 정보를 사용자에게 시각적으로 제공할 수 있다. 또한, 표시부(140)는 인식장치(10)의 부팅 화면, 대기 화면, 메뉴 화면, 등의 화면을 출력하는 기능을 수행한다. 표시부(140)는 액정표시장치(LCD, Liquid Crystal Display), 유기 발광 다이오드(OLED, Organic Light Emitting Diodes), 능동형 유기 발광 다이오드(AMOLED, Active Matrix Organic Light Emitting Diodes) 등으로 형성될 수 있다. 한편, 표시부(140)는 터치스크린으로 구현될 수 있다. 이러한 경우, 표시부(140)는 터치센서를 포함한다. 터치센서는 사용자의 터치 입력을 감지한다. 터치센서는 정전용량 방식(capacitive overlay), 압력식, 저항막 방식(resistive overlay), 적외선 감지 방식(infrared beam) 등의 터치 감지 센서로 구성되거나, 압력 감지 센서(pressure sensor)로 구성될 수도 있다. 상기 센서들 이외에도 물체의 접촉 또는 압력을 감지할 수 있는 모든 종류의 센서 기기가 본 발명의 터치센서로 이용될 수 있다. 터치센서는 사용자의 터치 입력을 감지하고, 감지 신호를 발생시켜 제어부(160로 전송한다. 특히, 표시부(140)가 터치스크린으로 이루어진 경우, 입력부(130) 기능의 일부 또는 전부는 표시부(140)를 통해 이루어질 수 있다.

저장부(150)는 인식장치(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 특히, 저장부(150)는 미등록 화자로 판별된 화자의 마지막 은닉노드의 노드값을 해당 화자의 음성을 입력할 때마다 저장할 수 있다. 저장부(160)에 저장되는 각 종 데이터는 사용자의 조작에 따라, 삭제, 변경, 추가될 수 있다.

제어부(160)는 인식장치(10)의 전반적인 동작 및 인식장치(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 또한, 제어부(160)는 기본적으로, 인식장치(10의 각 종 기능을 제어하는 역할을 수행한다. 제어부(160)는 중앙처리장치(CPU: Central Processing Unit), 디지털신호처리기(DSP: Digital Signal Processor) 등을 예시할 수 있다. 특히, 제어부(160)는 심층신경망(200, DNN: Deep Neural Network), 학습부(300) 및 인식부(400)를 포함한다. 이러한 심층신경망(200), 학습부(300) 및 인식부(400)를 포함하는 제어부(160)의 동작은 아래에서 보다 상세하게 설명될 것이다.

그러면 도 2를 참조하여 본 발명의 실시예에 따른 심층신경망(200)에 대해서 보다 상세하게 설명하기로 한다. 본 발명의 실시예에 따른 심층신경망(200)은 복수의 계층(IL, HL, OL)을 포함한다. 이러한 복수의 계층은 입력 계층(IL: Input Layer), 적어도 하나의 은닉 계층(HL: Hidden Layer, HL1 ~ HLk) 및 출력 계층(OL: Output Layrer)을 포함한다.

또한, 복수의 계층(IL, HL, OL) 각각은 복수의 노드를 포함한다. 예컨대, 도시된 바와 같이, 입력 계층(IL)은 n개의 노드(i1 ~ in)를 포함하며, 출력 계층(OL)은 t개의 노드(o1 ~ ot)를 포함할 수 있다. 또한, 은닉 계층(HL) 중 제1 은닉계층(HL1)은 a개의 노드(h11 ~ h1a)를 포함하고, 제k 은닉계층(HLk)은 c개의 노드(hk1 ~ hkc)를 포함할 수 있다.

복수의 계층의 복수의 노드 모두는 연산을 가진다. 특히, 서로 다른 계층의 복수의 노드는 가중치(W: weight)를 가지는 채널(점선으로 표시)로 연결된다. 다른 말로, 어느 하나의 노드의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 이러한 연결 관계에 대해 도 3을 참조하여 설명하기로 한다. 도 3에 예시적으로 심층신경망(200)에 존재하는 어느 하나의 노드인 노드 D를 도시하였다. 노드 D는 입력된 신호 x=[x1, x2, … , xn]에 가중치 w=[w1, w2, … , wn]를 적용한 후, 그 결과에 함수 F를 취한다. 여기서, 함수 F는 활성화 함수(activation function) 또는 전달함수(transfer function)라고 한다. 이때, 입력이 동일한 경우에도, 출력은 가중치(W)에 따라 다른 값이 된다.

즉, 각 노드의 출력은 다음의 수학식 1과 같다.

설명되지 않은 변수 θ는 임계치 혹은 바이어스이며, 이러한 임계치는 수학식 4에서

의 값이 임계치 보다 작을 때 해당 노드가 활성화되지 않도록 하는 역할을 한다.

예를 들면, 어느 하나의 노드 D의 이전 계층의 노드가 3개라고 가정한다. 이에 따라, 해당 노드에 대해 3개의 입력(n=3) X1, X2, X3과 3개의 가중치 W1, W2, W3이 존재한다.

노드 D는 3개의 입력 X1, X2, X3에 대응하는 가중치 W1, W2, W3을 곱한 값을 입력받고, 모두 합산한 후, 합산된 값을 전달 함수에 대입하여 출력을 산출한다. 구체적으로, 입력 [X1, X2, X3] = 0.5, -0.3, 0이라고 가정하고, 가중치 w=[W1, W2, W3] = 4, 5, 2라고 가정한다. 또한, 설명의 편의를 위하여 전달 함수는 'sgn()'이라고 가정하면, 다음과 같이 출력값이 산출된다.

x1 × w1 = 0.5 × 4 = 2

x2 × w2 = - 0.3 × 5 = -1.5

x3 × w3 = 0 × 2 = 0

2 + (-1.5) + 0 = 0.5

sgn(0.5) = 1

이와 같이, 심층신경망(200)의 어느 한 계층의 어느 하나의 노드는 이전 계층의 노드로부터의 입력에 가중치를 적용한 값을 입력받고, 이를 합산하여 전달 함수를 취하고, 이러한 결과를 다음 계층의 입력으로 전달한다.

다만, 출력계층의 복수의 출력노드의 활성화 함수 혹은 전달 함수는 소프트맥스(softmax) 함수를 이용한다. 소프트맥스 함수는 입력받은 값을 출력값을 0 내지 1사이의 값으로 모두 정규화하며 출력값들의 총합은 항상 1이 되는 특성을 가진 함수이다. 이러한 소프트맥수 함수는 다음의 수학식 2와 같다.

여기서, t는 출력계층의 출력노드를 나타낸다.

한편, 도 2로 돌아오면, 입력 계층(IL)에는 사용자의 음성이 입력되며, 이러한 입력에 따라 은닉 계층(HL)의 복수의 노드들은 도 3에서 설명된 바와 같은 연산을 수행하여 그 연산 결과를 출력 계층(OL)으로 전달한다. 그러면, 출력 계층(OL)의 각 노드들은 출력값을 출력한다.

도 2에서 출력 계층(OL)의 t개의 노드(o1 ~ ot)는 각각 서로 다른 t명의 화자에 대응한다. 즉, 제1 출력노드 내지 제t 출력노드 각각은 제1 화자 내지 제t 화자에 대응한한다. t명의 화자 중 어느 한 화자의 음성을 심층신경망(200)의 입력계층(IL)에 입력했을 때, 제2 출력 노드(o2)의 출력값이 나머지 출력 노드(o1, o3 ~ ot)의 출력값보다 크면, 해당 음성은 제2 화자를 나타낸다. 즉, 음성을 심층신경망(200)에 입력했을 때, 복수의 출력노드 중 어느 하나의 출력노드의 출력값이 나머지 출력 노드의 출력값보다 크면, 해당 음성은 가장 큰 출력값을 가지는 출력노드에 대응하는 화자의 음성으로 판단한다.

심층신경망(200)이 전술한 바와 같은 인식을 하기 위해서는 학습(machine learning)이 요구된다. 본 발명의 실시예에 따른 학습은 화자가 알려진 음성을 학습 데이터로 사용하고, 기대값을 설정한 후, 해당 기대값에 따라 심층신경망(200)의 노드의 가중치(w)를 조정하는 절차이다.

이러한 학습에 대해 도 4를 참조하여 보다 자세히 설명하기로 한다. 도 4는 본 발명의 실시예에 따른 심층신경망을 학습시키는 방법을 설명하기 위한 흐름도이다. 도 2 내지 도 4를 참조하면, 이 실시예에서 출력노드는 2개(t=2)이며, 제1 화자와 제2 화자가 존재한다고 가정한다. 또한, 제1 화자 및 제2 화자 각각은 제1 출력 노드(o1) 및 제2 출력 노드(o2)에 대응한다고 가정한다. 제1 화자를 식별하기 위한 학습을 위해 제1 화자의 음성을 이용하며, 제2 화자를 식별하기 위한 학습을 위해 제2 화자의 음성을 이용한다. 다른 말로, 학습 데이터는 화자가 알려진 음성을 이용한다.

먼저, 학습부(300는 S110 단계에서 학습시키고자 하는 화자에 따른 기댓값을 설정한다. 예를 들면, 제1 화자에 대한 학습 데이터, 즉, 제1 화자의 음성에 대한 기댓값은 예컨대, 제1 출력 노드(o1)의 출력값이 0.8 이상이고, 제2 출력 노드(o2)의 출력값이 0.2 이하(o1≥0.8, o2≤0.2)로 설정될 수 있다. 또한, 제2 화자에 대한 학습 데이터, 즉, 제2 화자의 음성에 대한 기댓값은 예컨대, 제1 출력 노드(o1)의 출력값이 0.2 이하이고, 제2 출력 노드(o2)의 출력값이 0.8 이상(o1≤0.2, o2≥0.8)으로 설정될 수 있다.

다음으로, 학습부(300는 해당하는 학습 데이터를 심층신경망(200)에 입력한다. 심층신경망(200)은 복수의 계층 및 복수의 노드는 도 3에서 설명된 바와 같은 연산을 수행하며, 그 결과인 출력값을 출력 노드(o1, o2)를 통해 출력할 것이다. 이러한 출력값은 앞서 설정된 기댓값과의 차이가 발생할 수 있다.

그러면, 학습부(300는 S130 단계에서 기댓값과 출력값의 차이를 산출하고, S140 단계에서 차이가 최소가 되도록 역확산(Back Propagation) 알고리즘을 통해 각 노드의 가중치(W)를 조정한다. 다른 말로, 학습부(300는 출력값이 기대값이 되도록 각 노드의 가중치(W)를 조정한다. 각 노드의 가중치(W)를 조정하는 것을 학습이라고 하며, 이러한 학습은 전술한 1회의 프로세스로는 부족하며, 복수의 학습 데이터를 이용하여 출력값이 항상 기댓값을 만족할 때까지 반복 수행하는 것이 바람직하다.

정리하면, 학습은 학습 데이터를 심층신경망(200)에 실제 입력 했을 때, 출력값과 미리 설정된 기댓값을 비교하여, 출력값이 기댓값이 되도록 가중치(w)를 조정하는 과정이다. 보다 구체적으로, 다시 도 3을 참조하면, 노드 D는 출력 노드 중 어느 하나라고 가정한다. 입력 [x1, x2, x3] = 0.5, -0.3, 0이고, 가중치 w=[w1, w2, w3] = 4, 5, 2이고, 전달함수는 'sgn()'일 때, 노드 N의 출력은 1이었다. 이때, 노드 D의 기대값은 0이라고 가정한다. 그러면, 학습에 의해 w2는 5에서 6으로 수정 될 수 있고, 출력값은 다음과 같이 기댓값이 된다.

x1 × w1 = 0.5 × 4 = 2

x2 × w2 = - 0.3 × 6 = -1.8

x3 × w3 = 0 × 2 = 0

2 + (-1.8) + 0 = 0.2

sgn(0.2) = 0

전술한 바와 같은 학습은 기댓값이 같지만 서로 다른 복수의 학습 데이터를 이용하여 반복 수행할 때, 출력값의 변화가 없으면서 그 출력값이 기댓값을 만족할 때까지 반복하여 수행하는 것이 바람직하다. 이와 같이, 기댓값과 출력값의 차이가 최소가 되도록 심층신경망의 가중치를 조정하는 절차인 학습은 역확산 알고리즘을 통해 출력 계층에서부터 입력 계층까지 역순으로 순차로 복수의 노드에 대한 가중치를 수정하는 절차를 포함한다.

학습이 완료되면, 심층신경망(200)은 화자를 인식할 수 있다. 그러면, 본 발명의 실시예에 따른 화자 인식 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 심층신경망을 이용한 화자 인식 방법을 설명하기 위한 흐름도이다. 도 2 내지 도 5를 참조하면, 이 실시예에서 출력노드는 2개(t=2)이며, 제1 화자와 제2 화자가 학습된 상태라고 가정한다. 또한, 제1 화자 및 제2 화자 각각은 제1 출력 노드(o1) 및 제2 출력 노드(o2)에 대응한다고 가정한다.

도 5를 참조하면, 인식부(400)는 S210 단계에서 화자가 알려지지 않은 음성을 심층신경망(200)에 입력한다. 그러면, 심층신경망(200)은 복수의 계층의 가중치가 적용되는 복수의 연산을 통해 복수의 출력 노드(o1, o2)를 통해 출력값을 출력할 것이다.

따라서 인식부(400)는 S220 단계에서 출력값에 따라 화자를 인식한다. 예컨대, 제1 출력 노드 및 제2 출력 노드 각각은 출력값이 0.85, 0.15라고 가정한다(o1 = 0.85, o2 = 0.15). 이는 입력된 음성이 제1 화자의 음성일 확률이 85%이고, 제2 화자의 음성일 확률이 15%임을 나타낸다. 따라서 인식부(400)은 입력된 음성이 제1 화자의 음성인 것으로 인식할 수 있다.

한편, 학습된 화자의 경우, 해당 화자가 음성임을 인식할 수 있다. 하지만, 미리 학습된 화자의 음성이 아닌 경우, 심층신경망(200)은 화자를 인식할 수 없다. 이러한 경우, 본 발명은 새로 화자를 추가할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 6 및 도 7은 본 발명의 실시예에 따른 미등록 화자를 추가하는 방법을 설명하기 위한 흐름도이다. 도 8은 본 발명의 실시예에 따른 미등록 화자를 추가하는 방법을 설명하기 위한 도면이다.

먼저, 도 6을 참조하면, 이 실시예에서 출력노드는 2개(t=2)이며, 제1 화자와 제2 화자가 학습된 상태라고 가정한다. 또한, 제1 화자 및 제2 화자 각각은 제1 출력 노드(o1) 및 제2 출력 노드(o2)에 대응한다고 가정한다.

인식부(400)는 S310 단계에서 화자가 알려지지 않은 음성을 심층신경망(200)에 입력하고, S320 단계에서 심층신경망(200)을 통해 출력값을 도출한다. 이어서, 인식부(400)는 S330 단계에서 출력 노드의 출력값 모두가 기 설정된 임계치 미만인지 여부를 판단한다. 본 발명의 실시예에서 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값이 될 수 있다. 전술한 바와 같이, 제1 화자에 대한 학습 데이터의 기댓값은 예컨대, 제1 출력 노드(o1)의 출력값이 0.8 이상이고, 제2 출력 노드(o2)의 출력값이 0.2 이하(o1≥0.8, o2≤0.2)로 설정되고, 제2 화자에 대한 학습 데이터의 기댓값은 예컨대, 제1 출력 노드(o1)의 출력값이 0.2 이하이고, 제2 출력 노드(o2)의 출력값이 0.8 이상(o1≤0.2, o2≥0.8)으로 설정될 수 있다. 이러한 경우, 임계치는 0.8이 될 수 있다.

만약, 출력 노드(o1, o2)의 출력값 모두가 기 설정된 임계치(예컨대, 0.8) 미만이면(예컨대, o1 = 0.7, o2 = 0.3), S340 단계에서 인식부(400)는 해당 화자를 미등록 화자로 분류하고(해당 음성이 미등록 화자의 음성인 것으로 판단하고), 화자 추가 프로세스를 수행한다. 반면, 출력 노드의 출력값 모두가 기 설정된 임계치 미만이 아니면, 인식부(400)는 S350 단계에서 심층신경망(200)의 출력값에 따라 화자를 인식한다. 이러한 S350 단계는 앞서 설명된 S220 단계와 동일하다.

그러면, 도 7을 참조하여 화자 추가 프로세스에 대해서 설명한다. 만약, 출력 노드(o1, o2)의 출력값 모두가 기 설정된 임계치 미만이면(예컨대, o1 = 0.7, o2 = 0.3), 학습부(300)는 S410 단계에서 해당 미등록 화자의 식별자를 입력 받는다. 예컨대, 학습부(300)는 오디오부(120) 및 표시부(140)를 통해 화자의 이름(식별자)을 입력하도록 안내하여, 미등록 화자의 식별자를 입력 받을 수 있다.

미등록 화자의 식별자가 입력되면, 학습부(300)는 S420 단계에서 입력된 미등록 화자의 식별자에 매핑하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장한다. 도 8을 참조하면, 예컨대, k=2이라고 가정한다. 그러면, 마지막 은닉 계층은 제2 은닉계층이 될 수 있다. 그러면, 학습부(300)는 입력된 미등록 화자의 식별자에 매핑하여 마지막 은닉계층(제2 은닉계층)의 복수의 은닉노드(hk1 ~ hkc, k=2) 각각의 노드값을 저장부(150)에 저장한다.

이어서, 학습부(300)는 S430 단계에서 해당 미등록 화자의 식별자에 해당하는 마지막 은닉계층의 노드값 저장 횟수가 기 설정된 횟수 이상인지 여부를 판별한다. 이러한 S430 단계는 해당하는 미등록 화자의 음성이 충분히 학습될 수 있는 수의 학습 데이터를 확보하였는지 여부를 판단하기 위한 것이다.

만약, S430 단계의 판단 결과, 해당 미등록 화자에 대응하는 마지막 은닉계층의 노드값이 기 설정된 횟수 이상 저장된 상태이면, 학습부(300)는 S440 단계에서 출력노드를 추가한다. 예컨대, 도 2와 비교하여 도 8을 참고하면, 학습부(300)는 제t+1 출력노드(ot+1)를 출력계층에 추가한다. 추가된 제t+1 출력노드(ot+1)는 새로 등록되는 미등록 화자에 대응한다.

다음으로, 학습부(300)는 S450 단계에서 저장부(150)에 저장된 해당 미등록 화자에 대응하는 마지막 은닉계층의 복수의 은닉노드의 노드값을 이용하여 마지막 은닉계층의 복수의 은닉노드와 출력계층에 추가된 출력노드 간의 가중치(W_add)를 산출한다.

출력계층의 활성함수는 소프트 맥스 함수이기 때문에 마지막 은닉계층과 출력계층을 연결하는 가중치 행렬은 마지막 은닉층의 차원 수 x 등록된 화자 수의 2차원 행렬이다. 해당 가중치 행렬에 새로운 미등록 화자를 새로운 화자로 추가하기 위해 제t+1 화자를 나타내는 마지막 은닉층의 차원수의 벡터를 추가한다. 구체적으로 제t+1 화자를 나타내는 벡터는 사전에 저장해둔 제t+1 화자의 음성이 입력되었을 때의 마지막 은닉계층의 은닉노드의 노드값들의 평균을 사용한다. 결과적으로 가중치 행렬은 (마지막 은닉층의 차원 수 x 등록된 화자 수 + 1) 의 크기를 갖게 되고, 이후 새로운 발성이 입력될 경우 제t+1 화자를 포함하여 화자 식별을 수행할 수 있다.

한편, S330 단계의 판단 결과, 해당 미등록 화자에 대응하는 마지막 은닉계층의 노드값이 기 설정된 횟수 미만으로 저장된 상태이면, 해당 미등록 화자를 등록할 수 없기 때문에 해당 프로세스를 종료한다.

추가로, 앞서 설명된 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

100: 식별장치 110: 통신부
120: 오디오부 130: 입력부
140: 표시부 150: 저장부
160: 제어부 200: 신경망
300: 학습부 400: 인식부

Claims (12)

1. 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 장치에 있어서,
   각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 계층의 복수의 노드가 가중치로 연결되는 심층신경망;
   화자가 알려지지 않은 음성을 상기 심층신경망의 상기 입력계층에 입력시킨 후, 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 화자를 미등록 화자로 분류하는 인식부; 및
   상기 미등록 화자로 분류되면, 상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장하고, 상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장한 횟수가 소정 횟수 이상이면, 상기 미등록 화자에 대응하는 출력노드를 상기 출력계층에 추가하고, 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력노드 간의 가중치를 산출하는 학습부;
   를 포함하는 것을 특징으로 하는
   화자 식별 장치.
2. 삭제
3. 제1항에 있어서,
   상기 출력 노드의 활성화 함수는 소프트맥스(softmax) 함수이며,
   마지막 은닉계층의 복수의 은닉노드와 상기 추가된 출력 노드 간의 가중치는 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균인 것을 특징으로 하는
   화자 식별 장치.
4. 제1항에 있어서,
   상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 하는
   화자 식별 장치.
5. 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 방법에 있어서,
   각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 복수의 계층의 복수의 노드가 가중치로 연결되는 심층신경망에 인식부가 화자가 알려지지 않은 음성을 입력하는 단계;
   상기 심층신경망의 복수의 계층의 복수의 노드가 상기 음성에 대해 상기 가중치가 작용되는 복수의 연산을 통해 출력계층의 복수의 출력노드의 출력값을 도출하는 단계;
   상기 인식부가 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만인지 여부를 판별하는 단계;
   상기 판별 결과, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 인식부가 상기 화자를 미등록 화자로 분류하는 단계;
   학습부가 상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장하는 단계;
   상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장한 횟수가 소정 횟수 이상이면, 상기 학습부가 상기 미등록 화자에 대응하는 출력노드를 상기 출력계층에 추가하는 단계; 및
   상기 학습부가 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 복수의 은닉노드의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력노드 간의 가중치를 산출하는 단계;
   를 포함하는 것을 특징으로 하는
   화자 식별 방법.
6. 삭제
7. 제5항에 있어서,
   상기 출력노드의 활성화 함수는 소프트맥스(softmax) 함수이며,
   상기 가중치를 산출하는 단계는
   상기 학습부가 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균을 상기 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력 노드 간의 가중치로 산출하는 것을 특징으로 하는
   화자 식별 방법.
8. 제5항에 있어서,
   상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 하는
   화자 식별 방법.
9. 미등록 화자를 추가할 수 있는 심층 신경망 기반의 화자 식별 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체에 있어서,
   각각이 복수의 노드를 포함하는 입력계층, 하나 이상의 은닉계층 및 출력계층을 포함하며, 서로 다른 복수의 계층의 복수의 노드가 가중치로 연결되는 심층신경망에 인식부가 화자가 알려지지 않은 음성을 입력하는 단계;
   상기 심층신경망의 복수의 계층의 복수의 노드가 상기 음성에 대해 상기 가중치가 작용되는 복수의 연산을 통해 출력계층의 복수의 출력노드의 출력값을 도출하는 단계;
   상기 인식부가 상기 출력계층의 복수의 출력노드의 출력값을 기초로 화자를 식별하되, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만인지 여부를 판별하는 단계;
   상기 판별 결과, 상기 복수의 출력노드의 출력값 모두가 기 설정된 임계치 미만이면, 상기 인식부가 상기 화자를 미등록 화자로 분류하는 단계;
   학습부가 상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장하는 단계;
   상기 분류된 미등록 화자에 대응하여 마지막 은닉계층의 복수의 은닉노드의 노드값을 저장한 횟수가 소정 횟수 이상이면, 상기 학습부가 상기 미등록 화자에 대응하는 출력노드를 상기 출력계층에 추가하는 단계; 및
   상기 학습부가 소정 횟수 이상 저장된 미등록 화자의 마지막 은닉계층의 복수의 은닉노드의 노드값을 기초로 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력노드 간의 가중치를 산출하는 단계;
   를 포함하는
   화자 식별 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
10. 삭제
11. 제9항에 있어서,
    상기 출력노드의 활성화 함수는 소프트맥스(softmax) 함수이며,
    상기 가중치를 산출하는 단계는
    상기 학습부가 저장된 마지막 은닉계층의 복수의 은닉노드 각각의 노드값의 평균을 상기 마지막 은닉계층의 복수의 은닉노드와 상기 출력계층에 추가된 출력 노드 간의 가중치로 산출하는 것을 특징으로 하는
    화자 식별 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
12. 제9항에 있어서,
    상기 임계치는 등록된 화자를 학습할 때 사용한 학습 데이터의 기댓값 중 가장 큰 값인 것을 특징으로 하는
    화자 식별 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.

Images