KR102321801B1

KR102321801B1 - 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스

Info

Publication number: KR102321801B1
Application number: KR1020190101776A
Authority: KR
Inventors: 정재웅; 김영만; 오상준; 이규호; 황승현
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-20
Filing date: 2019-08-20
Publication date: 2021-11-05
Also published as: US20200005788A1; US11189282B2; KR20190104280A

Abstract

지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스가 개시된다. 본 발명의 일 실시예에 따른 음성 인식 장치의 지능적 음성 인식 방법은, 마이크 검출 신호를 획득하고, 미리 학습된 음성 인식 모델을 이용하여 마이크 검출 신호에서 사용자의 음성을 인식하며, 사용자의 음성을 인식한 결과와 관련된 정보를 출력하되, 음성 인식 모델은 출력된 음성 인식 결과 정보에 기반하여 업데이트됨으로써, 사용자에게 직관적으로 나타나는 음성 인식 결과 정보를 이용하여 음성 인식을 위한 음성 인식 모델을 쉽게 업데이트할 수 있다.
본 발명의 음성 인식 장치, 지능형 컴퓨팅 디바이스 및 서버 중 하나 이상이 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스{INTELLIGENT VOICE RECOGNIZING METHOD, APPARATUS, AND INTELLIGENT COMPUTING DEVICE}

본 발명은 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스에 관한 것으로서, 보다 구체적으로는, 사용자의 음성을 정확하게 인식하기 위한 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스에 관한 것이다.

음성 인식 장치는 사용자의 음성을 텍스트로 변환하고, 텍스트에 포함된 메시지의 의미를 분석하며, 분석 결과에 기반하여 또 다른 형태의 소리를 출력할 수 있는 장치이다.

음성 인식 장치의 예로, 홈 IoT 시스템의 홈 로봇(Home Robot)이나, 인공지능 기술이 탑재된 인공지능 스피커(Artificial Intelligence(AI) Speaker)를 들 수 있다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 발명은, 사용자의 음성을 지능적으로 인식하기 위한 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스를 구현하는 것을 목적으로 한다.

본 발명의 일 실시예에 따른 지능적 음성 인식 방법은, 마이크 검출 신호를 획득하는 단계; 미리 학습된 음성 인식 모델을 이용하여 상기 마이크 검출 신호에서 사용자의 음성을 인식하는 단계; 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 단계;를 포함하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

상기 음성 인식 결과 정보는, 상기 음성 인식의 성공 여부와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

상기 성공 여부와 관련된 정보는, 상기 음성을 인식하여 생성된 텍스트 정보를 포함하는 것을 특징으로 할 수 있다.

상기 성공 여부와 관련된 정보는, 상기 텍스트에 포함된 단어의 수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

상기 출력된 음성 인식 결과 정보에 대한 후처리를 수행하는 단계를 더 포함하며, 상기 음성 인식 결과 정보는, 상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

상기 후처리 결과와 관련된 정보는, 상기 후처리에 따라 발생된 상기 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

상기 음성 인식 결과 정보는, 상기 음성 인식 결과 정보가 출력되는 속도와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계, 및 상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 단계를 더 포함하는 것을 특징으로 할 수 있다.

SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계, 및 상기 음성 인식 결과 정보는 PUSCH를 통해 상기 네트워크로 전송하는 단계를 더 포함하며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.

상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계, 및 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계를 더 포함하고, 상기 AI 프로세싱된 정보는, 상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 할 수 있다.

본 발명의 실시예에 따른 지능적 음성 인식 장치는, 외부의 신호를 검출하는 적어도 하나의 마이크; 미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 프로세서;를 포함하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

상기 프로세서는 상기 출력된 음성 인식 결과 정보에 대한 후처리를 수행하며, 상기 음성 인식 결과 정보는, 상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

외부 장치와 무선 통신을 수행하기 위한 통신부를 더 포함하며, 상기 프로세서는, 상기 통신부를 통해 상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 상기 통신부를 통해 상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 것을 특징으로 할 수 있다.

상기 프로세서는, 상기 통신부를 통해 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 상기 통신부를 통해 상기 음성 인식 결과 정보를 PUSCH를 통해 상기 네트워크로 전송하며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.

상기 프로세서는, 상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 상기 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하며, 상기 AI 프로세싱된 정보는, 상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 할 수 있다.

본 발명의 또 다른 실시예에 따른 비 일시적 컴퓨터 판독 가능한 기록 매체는, 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 마이크 검출 신호를 획득하고, 미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

본 발명의 일 실시예에 따른 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스의 효과에 대해 설명하면 다음과 같다.

본 발명의 지능적 음성 인식 장치는 사용자에게 직관적으로 나타나는 음성 인식 결과 정보를 이용하여 음성 인식을 위한 음성 인식 모델을 쉽게 업데이트할 수 있다.

또한, 본 발명의 지능적 음성 인식 방법은 음성 인식 장치의 제조사가 음성 인식 모델을 모델링한 제조사와 다른 경우에도, 음성 인식 장치가 음성 인식 모델의 파라미터를 음성 인식 장치의 출력 정보를 이용하여 쉽게 튜닝할 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 음성 인식 방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.
도 5는 본 발명의 일 실시예들에 적용될 수 있는 AI 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 음성 인식 장치의 예시적인 블록도이다.
도 7은 본 발명의 일 실시예에 따른 음성 인식 시스템 환경에서 음성 인식 장치의 개략적인 블럭도를 도시한다.
도 8은 본 발명의 다른 실시예에 따른 음성 인식 시스템 환경에서 음성 인식 장치의 개략적인 블럭도를 도시한다.
도 9는 본 발명의 일 실시예에 따라 음성 인식을 구현할 수 있는 지능형 프로세서의 개략적인 블럭도를 도시한다.
도 10은 본 발명의 일 실시예에 따른 음성 인식 방법을 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 음성 인식 모델을 업데이트하는 과정을 도시한다.
도 12는 음성 인식 결과 정보의 하나의 예로서 음성 인식 성공 여부와 관련된 정보를 도시한다.
도 13은 음성 인식 결과 정보의 다른 하나의 예로서 음성 인식 결과에 대한 후처리 결과와 관련된 정보를 도시한다.
도 14는 음성 인식 결과 정보의 또 다른 하나의 예로서 음성 인식 시간과 관련된 정보를 도시한다.
도 15는 도 10의 음성 인식 모델 업데이트 과정을 AI 프로세싱을 통해 수행하는 과정을 도시한 흐름도이다.
도 16은 도 15의 모델 업데이트 과정(S172)를 5G 네트워크를 통해 수행하는 과정을 도시한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치로 정의(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI (Artificial Intelligence) 장치 등일 수 있다.

예를 들어, 단말 또는 UE (User Equipment)는 휴대폰, 스마트 폰 (smart phone), 노트북 컴퓨터 (laptop computer), 디지털 방송용 단말기, PDA (personal digital assistants), PMP (portable multimedia player), 네비게이션, 슬레이트 PC (slate PC), 태블릿 PC (tablet PC), 울트라북 (ultrabook), 웨어러블 디바이스 (wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD (head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다.

도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)는 프로세서 (processor, 911,921), 메모리 (memory, 914,924), 하나 이상의 Tx/Rx RF 모듈 (radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)를 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL (Downlink)(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송 (TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신 (RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL (Uplink)(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)은 각각의 안테나(926)를 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.

무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.

단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S201). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.

초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S203 내지 S206). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다( S206).

상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S208)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.

한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속 (Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색 (search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH (Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID (Identifier) (예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 즉, 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기 (periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크 (예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록 (master information block, MIB)과 복수의 시스템 정보 블록 (system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI (Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1 (SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성 (availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속 (Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드 (triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반 (contention-based) 임의 접속 과정과 경쟁 프리 (contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격 (subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답 (random access response, RAR) 메시지 (Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속 (random access, RA) 무선 네트워크 임시 식별자 (radio network temporary identifier, RNTI) (RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑 (power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리 (Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS (sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고 (beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보 (channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고를 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ...}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력 (reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선 (best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된 (quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간 (spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제 (refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의 (best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID (예, CRI) 및 관련 품질 정보 (예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링 (예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구 (beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF (Radio Link Failure)는 UE의 회전 (rotation), 이동 (movement) 또는 빔포밍 블로키지 (blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시 (indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간 (period) 내에 RRC 시그널링에 의해 설정된 임계치 (threshold)에 이르면 (reach), 빔 실패를 선언 (declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시 (initiate)함으로써 빔 실패 복구를 트리거하고; 적절한 (suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료 (completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항 (requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간 (duration) (예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격 (stringent)한 레이턴시 요구 사항 (latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화 (multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션 (preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유 (sharing)가 지원된다. eMBB와 URLLC 서비스들은 비-중첩 (non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인 (ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링 (puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트 (corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시 (preemption indication)를 제공한다. 상기 프리엠션 지시 (preemption indication)는 중단된 전송 지시 (interrupted transmission indication)로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반 (convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설정되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도 (granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞 (last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC (massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB (NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH (physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑 (hopping), 리튜닝 (retuning), 가드 구간 (guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑 (frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간 (guard period)에서 (RF) 리튜닝 (retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역 (narrowband) (ex. 6 RB (resource block) or 1 RB)을 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2). 여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, mMTC 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)를 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

H. 음성 인식 시스템 및 AI 프로세싱

도 4는 본 발명의 일 실시예에 따른 음성 인식 방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.

도 4를 참조하면, 본 발명의 일 실시예에 따른 음성 인식 방법이 구현되는 시스템은, 음성 인식 장치(10), 네트워크 시스템(16), 음성 인식 엔진(Speech Synthesis Engine)으로서 TTS(Text-To-Speech) 시스템(18)을 포함할 수 있다.

적어도 하나의 음성 인식 장치(10)는 휴대폰(11), PC(12), 노트북 컴퓨터(13) 및 기타 서버 장치(14)들을 포함할 수 있다. 상기 PC(12), 노트북 컴퓨터(13)는 무선 엑세스 포인트(15)를 통해 적어도 하나의 네트워크 시스템(16)에 연결할 수 있다. 본 발명의 일 실시예에 의하면 상기 음성 인식 장치(10)는 오디오 북, 스마트 스피커를 포함할 수 있다.

한편, 상기 TTS 시스템(18)은 네트워크에 포함된 서버에 구현될 수도 있고, 온디바이스 프로세싱으로 구현되어 음성 인식 장치(10) 내에 임베딩되어 구현될 수도 있다. 본 발명의 일 실시예에서는 상기 TTS 시스템(18)이 음성 인식 장치(10)에 내장되어 구현되는 것을 전제로 설명한다.

도 5는 본 발명의 일 실시예들에 적용될 수 있는 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 4에 도시된 음성 인식 장치(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 프로세싱은, 도 5에 도시된 음성 인식 장치(10)의 음성 인식과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 상기 AI 프로세싱은, 음성 인식 장치(10)의 음성 인식 결과 정보를 분석하여 업데이트된 음성 인식 모델의 파라미터를 출력하는 과정일 수 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다.

특히, AI 프로세서(21)는 음성 인식 결과 정보를 분석하여 업데이트된 음성 인식 모델의 파라미터를 출력하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다.

복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 메시지 및/또는 메시지 로부터 추출한 특징값을 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 음성 인식 결과 정보가 업데이트된 음성 인식 모델의 파라미터를 인식하기 위한 학습에 이용될 수 있도록, 획득된 음성 인식 결과 정보를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 업데이트된 음성 인식 모델의 파라미터의 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 음성 인식 결과 정보를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 음성 인식 장치(10)에서 획득한 음성 인식 결과 정보의 특징값 중 특정 영역을 검출함으로써, 특정 영역에 포함된 음절에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 전자 기기는 AI 프로세서(21)가 네트워크 시스템에 포함된 경우, 상기 외부 전자 기기는 본 발명의 일 실시예에 따른 음성 인식 장치가 될 수 있다.

한편, 도 5에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 6은 본 발명의 일 실시예에 따른 음성 인식 장치의 예시적인 블록도이다.

본 발명의 일 실시예는 상기 음성 인식 장치(10)에 포함될 수 있는 컴퓨터 판독 가능한 및 컴퓨터 실행 가능한 명령들을 포함할 수 있다. 도 6은 상기 음성 인식 장치(10)에 포함된 복수의 구성 요소들을 개시하지만, 상기 개시되지 않은 구성요소들이 상기 음성 인식 장치(10)에 포함될 수도 있음은 물론이다.

복수의 음성 인식 장치가 하나의 음성 인식 장치에 적용될 수도 있다. 그러한 다중 장치 시스템에서 상기 음성 인식 장치는 음성 인식 처리의 다양한 측면들을 수행하기 위한 서로 다른 구성요소들을 포함할 수 있다. 도 6에 도시된 음성 인식 장치(10)는 예시적인 것이며, 독립된 장치일 수 있으며, 보다 큰 장치 또는 시스템의 일 구성요소로 구현될 수도 있다.

본 발명의 일 실시예는 복수의 서로 다른 장치 및 컴퓨터 시스템 예를 들어, 범용 컴퓨팅 시스템, 서버-클라이언트 컴퓨팅 시스템, 전화(telephone) 컴퓨팅 시스템, 랩탑 컴퓨터, 휴대용 단말기, PDA, 테블릿 컴퓨터 등에 적용될 수 있다. 상기 음성 인식 장치(10)는 자동 입출금기(ATMs), 키오스크(kiosks), 글로벌 위치 시스템(GPS), 홈 어플라이언스(예를 들어, 냉장고, 오븐, 세탁기 등), 차량(vehicles), 전자 책 리더(ebook readers) 등의 음성 인식 기능을 제공하는 다른 장치 또는 시스템의 일 구성요소로 적용될 수도 있다.

도 6에 도시된 바와 같이, 음성 인식 장치(10)는 통신부(110), 입력부(120), 출력부(130), 메모리(140), 전원 공급부(190) 및/또는 프로세서(170)를 포함할 수 있다. 한편, 상기 음성 인식 장치(10)에 개시된 몇몇 구성요소들은 단일 구성요소로서, 하나의 장치에서 여러 번 나타날 수 있다.

상기 음성 인식 장치(10)는 상기 음성 인식 장치(10)의 구성요소들 사이에 데이터를 전달하기 위한 어드레스/데이터 버스(미도시)를 포함할 수 있다. 상기 음성 인식 장치(10) 내의 각 구성요소들은 상기 버스(미도시)를 통해 다른 구성요소들과 직접적으로 연결될 수 있다. 한편, 상기 음성 인식 장치(10) 내의 각 구성요소들은 프로세서(170)와 직접적으로 연결될 수도 있다.

통신부(110)는 무선 주파수(RF), 적외선(infrared), 블루투스(Bluetooth), 무선 근거리 통신망(WLAN)(Wi-Fi 등)과 같은 무선 통신 장치 또는 5G 네트워크, LTE(Long Term Evolution) 네트워크, WiMAN 네트워크, 3G 네트워크와 같은 무선 네트워크 무선 장치를 포함할 수 있다.

상기 입력부(120)는 마이크로폰, 터치 입력부, 키보드, 마우스, 스타일러스 또는 다른 입력부를 포함할 수 있다.

출력부(130)는 상기 음성 인식 장치(10) 또는 다른 장치에 의해 처리된 정보(예를 들면, 음성)을 출력할 수 있다. 상기 출력부(130)는 스피커(speaker), 헤드폰(headphone) 또는 음성을 전파하는 다른 적절한 구성요소를 포함할 수 있다. 다른 예를 들면, 출력부(130)는 오디오 출력부를 포함할 수 있다. 또한, 상기 출력부(130)는 디스플레이(visual display or tactile display), 오디오 스피커, 헤드폰, 프린터 또는 기타 출력부를 포함할 수 있다. 상기 출력부(130)는 상기 음성 인식 장치(10)에 통합되거나, 상기 음성 인식 장치(10)와 분리되어 구현될 수도 있다.

입력부(120) 및/또는 출력부(130)는 또한 USB(Universal Serial Bus), FireWire, Thunderbolt 또는 다른 연결 프로토콜과 같은 외부 주변 장치 연결용 인터페이스를 포함할 수 있다. 입력부(120) 및/또는 출력부(130)는 또한 이더넷 포트, 모뎀 등과 같은 네트워크 연결을 포함할 수 있다. 음성 인식 장치(10)는 입력부(120) 및/또는 출력부(130)를 통해 인터넷 또는 분산 컴퓨팅 환경(distributed computing environment)에 접속될 수도 있다. 또한, 음성 인식 장치(10)는 입력부(120) 또는 출력부(130)를 통해 착탈식 또는 외장 메모리(예를 들어, 분리형 메모리 카드, 메모리 키 드라이브, 네트워크 스토리지 등)에 접속될 수 있다.

메모리(140)는 데이터 및 명령을 저장할 수 있다. 상기 메모리(140)는 마그네틱 스토리지, 광학식 스토리지, 고체 상태(solid-state) 스토리지 타입 등을 포함할 수 있다. 상기 메모리(140)는 휘발성 RAM, 비휘발성 ROM 또는 다른 타입의 메모리를 포함할 수 있다.

음성 인식 장치(10)는 프로세서(170)를 포함할 수 있다. 프로세서(170)는 버스(미도시), 입력부(120), 출력부(130) 및/또는 음성 인식 장치(10)의 다른 구성요소에 접속될 수 있다. 상기 프로세서(170)는 데이터를 처리하기 위한 CPU, 데이터를 처리하는 컴퓨터 판독 가능한 명령 및 데이터 및 명령들을 저장하기 위한 메모리에 대응될 수 있다.

음성 인식 장치(10) 및 다양한 구성요소들을 동작시키기 위한 프로세서(170)에서 처리될 컴퓨터 명령(computer instructions)은, 프로세서(170)에 의해 실행될 수 있고, 메모리(140), 외부 디바이스 또는 후술할 프로세서(170)에 포함된 메모리나 스토리지에 저장될 수 있다. 대안적으로, 실행 가능한 명령의 전부 또는 일부는 소프트웨어에 추가하여 하드웨어 또는 펌웨어에 내장될 수도 있다. 본 발명의 일 실시예는 예를 들어, 소프트웨어, 펌웨어 및/또는 하드웨어의 다양한 조합으로 구현될 수 있다.

구체적으로, 프로세서(170)는 텍스트 데이터를 음성을 포함하는 오디오 파형으로 처리하거나, 오디오 파형을 텍스트 데이터로 처리할 수 있다. 텍스트 데이터(textual data)의 출처는 음성 인식 장치(10)의 내부 구성요소에 의해 생성된 것일 수 있다. 또한, 상기 텍스트 데이터의 출처는 키보드와 같이 입력부로부터 수신되거나, 네트워크 연결을 통해 음성 인식 장치(10)로 전송될 것일 수 있다. 텍스트는 프로세서(170)에 의해 스피치로 변환하기 위한 텍스트, 숫자 및/또는 문장 부호(punctuation)를 포함하는 문장의 형태일 수 있다. 입력 텍스트는 또한 프로세서(170)에 의한 처리를 위하여, 특수 주석(special annotation)을 포함할 수 있으며, 상기 특수 주석을 통해 특정 텍스트가 어떻게 발음되어야 하는지를 지시할 수 있다. 텍스트 데이터는 실시간으로 처리되거나 나중에 저장 및 처리될 수 있다.

또한, 도 6에 도시되지 않았으나, 프로세서(170)는 전처리부(Front End), 음성 합성 엔진(Speech Synthesis Engine) 및 TTS 저장부를 포함할 수 있다. 전처리부는 입력 테스트 데이터를 음성 합성 엔진에 의한 처리를 위해 기호 언어 표현(symbolic linguistic representation)으로 변환할 수 있다. 음성 합성 엔진은 주석된 음성 단위 모델(annotated phonetic units models)과 TTS 저장부에 저장된 정보를 비교하여 입력 텍스트를 음성으로 변환할 수 있다. 전처리부 및 음성 합성 엔진은 임베디드된 내부 프로세서 또는 메모리를 포함할 수 있거나, 음성 인식 장치(10)에 포함된 프로세서(170) 및 메모리(140)를 이용할 수 있다. 전처리부 및 음성 합성 엔진을 동작시키기 위한 명령들은 프로세서(170), 음성 인식 장치(10)의 메모리(140) 또는 외부 장치 내에 포함될 수도 있다.

프로세서(170)로의 텍스트 입력은 프로세싱을 위해 전처리부로 전송될 수 있다. 전처리부는 텍스트 정규화(text normalization), 언어 분석(linguistic analysis), 언어 운율 생성(linguistic prosody generation)을 수행하기 위한 모듈을 포함할 수 있다.

전처리부는 텍스트 정규화 동작을 수행하는 동안, 텍스트 입력을 처리하고 표준 텍스트(standard text)를 생성하여, 숫자(numbers), 약어(abbreviations), 기호(symbols)를 쓰여진 것과 동일하게 변환한다.

전처리부는 언어 분석 동작을 수행하는 동안, 정규화된 텍스트의 언어를 분석하여 입력 텍스트에 대응하는 일련의 음성학적 단위(phonetic units)를 생성할 수 있다. 이와 같은 과정은 발음 표기(phonetic transcription)로 호칭될 수 있다.

음성 단위(phonetic units)는 최종적으로 결합되어 음성(speech)으로서 음성 인식 장치(10)에 의해 출력되는 사운드 단위(sound units)의 심볼 표현을 포함한다. 다양한 사운드 유닛들이 음성 합성을 위해 텍스트를 분할하는데 사용될 수 있다.

프로세서(170)는 음소(phonemes, 개별 음향), 하프-음소(half-phonemes), 다이폰(di-phones, 인접한 음소의 전반과 결합된 하나의 음소의 마지막 절반), 바이폰(bi-phones, 두 개의 연속적인 음속), 음절(syllables), 단어(words), 문구(phrases), 문장(sentences), 또는 기타 단위들에 기초하여 음성을 처리할 수 있다. 각 단어는 하나 이상의 음성 단위(phonetic units)에 매핑될 수 있다. 이와 같은 매핑은 음성 인식 장치(10)에 저장된 언어 사전(language dictionary)을 이용하여 수행될 수 있다.

전처리부에 의해 수행되는 언어 분석은 또한 접두사(prefixes), 접미사(suffixes), 구(phrases), 구두점(punctuation), 구문론 경계(syntactic boundaries)와 같은 서로 다른 문법적 요소들 확인하는 과정을 포함할 수 있다. 이와 같은 문법적 구성요소는 프로세서(170)에 의해 자연스러운 오디오 파형 출력을 만드는데 사용될 수 있다. 상기 언어 사전은 또한 프로세서(170)에 의해 발생할 수 있는 이전에 확인되지 않은 단어 또는 문자 조합을 발음하는데 사용될 수 있는 문자 대 소리 규칙(letter-to-sound rules) 및 다른 도구들을 포함할 수 있다. 일반적으로 언어 사전에 포함된 정보들이 많을 수록 고 품질의 음성 출력을 보장할 수 있다.

상기 언어 분석에 기초하여, 전처리부는 음성 단위(phonetic units)에 최종 음향 단위가 최종 출력 음성에서 어떻게 발음되어야 하는지를 나타내는 운율 특성(prosodic characteristics)으로 주석 처리된 언어 운율 생성을 수행할 수 있다.

상기 운율 특성은 음향 특징(acoustic features)으로도 호칭될 수 있다. 이 단계의 동작을 수행하는 동안, 전처리부는 텍스트 입력을 수반하는 임의의 운율 주석(prosodic annotations)을 고려하여 프로세서(170)에 통합할 수 있다. 이와 같은 음향 특징(acoustic features)은 피치(pitch), 에너지(energy), 지속 시간(duration) 등을 포함할 수 있다. 음향 특징의 적용은 프로세서(170)이 이용할 수 있는 운율 모델(prosodic models)에 기초할 수 있다.

이러한 운율 모델은 특정 상황에서 음성 단위(phonetic units)가 어떻게 발음되어야 하는지를 나타낸다. 예를 들어, 운율 모델은 음절에서 음소의 위치(a phoneme's position in a syllable), 단어에서 음절의 위치(a syllable's position in a word), 문장 또는 구문에서 단어의 위치(a word's position in a sentence or phrase), 인접한 음운 단위(neighboring phonetic units) 등을 고려할 수 있다. 언어 사전과 마찬가지로, 운율 정보(prosodic model)의 정보가 많을수록 고품질의 음성 출력이 보장될 수 있다.

전처리부의 출력은, 운율 특성(prosodic characteristics)으로 주석 처리된 일련의 음성 단위를 포함할 수 있다. 상기 전처리부의 출력은 기호식 언어 표현(symbolic linguistic representation)으로 호칭될 수 있다. 상기 심볼릭 언어 표현은 음성 합성 엔진에 전송될 수 있다.

상기 음성 합성 엔진은 출력부(130)를 통해 사용자에게 출력하기 위해 스피치(speech)를 오디오 파형(audio waveform)으로의 변환 과정을 수행한다. 음성 합성 엔진은 입력 텍스트를 효율적인 방식으로 고품질의 자연스러운 음성으로 변환하도록 구성될 수 있다. 이러한 고품질의 스피치는 가능한 한 화자(human speaker)와 유사하게 발음되도록 구성될 수 있다.

음성 합성 엔진은 적어도 하나 이상의 다른 방법을 이용하여 음성 합성을 수행할 수 있다.

유닛 선택 엔진(Unit Selection Engine)은 녹음된 스피치 데이터 베이스(recorded speech database)를, 상기 전처리부에 의해 생성된 기호식 언어 표현(symbolic linguistic representation)과 대조한다. 유닛 선택 엔진은 상기 심볼 언어 표현과 스피치 데이터베이스의 음성 오디오 유닛을 매칭한다. 음성 출력(speech output)을 형성하기 위해 매칭 유닛이 선택되고, 선택된 매칭 유닛들이 함께 연결될 수 있다. 각 유닛은 .wav 파일(피치, 에너지 등)과 연관된 다양한 음향 특성들의 설명(description)과 함께, 특정 사운드의 짧은 .wav 파일과 같은 음성 유닛(phonetic unit)에 대응하는 오디오 파형(audio waveform) 뿐 아니라, 상기 음성 유닛이 단어, 문장 또는 문구, 이웃 음성 유닛에 표시되는 위치와 같은 다른 정보들을 포함할 수 있다.

유닛 선택 엔진은 자연스러운 파형을 생성하기 위하여 유닛 데이터 베이스 내의 모든 정보를 이용하여 입력 텍스트를 매칭시킬 수 있다. 유닛 데이터 베이스는 유닛들을 스피치로 연결하기 위해 서로 다른 옵션들을 음성 인식 장치(10)에 제공하는 다수의 음성 유닛들의 예시를 포함할 수 있다. 유닛 선택의 장점 중 하나는, 데이터 베이스의 크기에 따라 자연스러운 음성 출력이 생성될 수 있다는 것이다. 또한, 유닛 데이터 베이스가 클수록 음성 인식 장치(10)는 자연스러운 음성을 구성할 수 있게 된다.

한편, 음성 합성은 전술한 유닛 선택 합성 외에 파라미터 합성 방법이 존재한다. 파라미터 합성은 인공적인 음성 파형을 생성하기 위해 주파수, 볼륨, 잡음과 같은 합성 파라미터들이 파라미터 합성 엔진, 디지털 신호 프로세서, 또는 다른 오디오 생성 장치에 의해 변형될 수 있다.

파라미터 합성은, 음향 모델 및 다양한 통계 기법을 사용하여 기호식 언어 표현(symbolic linguistic representation) 원하는 출력 음성 파라미터와 일치시킬 수 있다. 파라미터 합성에는 유닛 선택과 관련된 대용량의 데이터베이스 없이도 음성을 처리할 수 있을 뿐 아니라, 높은 처리 속도로 정확한 처리가 가능하다. 유닛 선택 합성 방법 및 파라미터 합성 방법은 개별적으로 수행되거나 결합되어 수행되어 음성 오디오 출력을 생성할 수 있다.

파라미터 음성 합성은 다음과 같이 수행될 수 있다. 프로세서(170)는 오디오 신호 조작에 기초하여 기호식 언어 표현(symbolic linguistic representation)을 텍스트 입력의 합성 음향 파형(synthetic acoustic waveform)으로 변환이 가능한 음향 모델(acoustic model)을 포함할 수 있다. 상기 음향 모델은, 입력 음성 단위 및/또는 운율 주석(prosodic annotations)에 특정 오디오 파형 파라미터(specific audio waveform parameters)를 할당하기 위해 파라미터 합성 엔진에 의해 사용될 수 있는 규칙(rules)을 포함할 수 있다. 상기 규칙은 특정 오디오 출력 파라미터(주파수, 볼륨 등)가 전처리부로부터의 입력 기호식 언어 표현의 부분에 대응할 가능성을 나타내는 스코어를 계산하는데 이용될 수 있다.

파라미터 합성 엔진은 합성될 음성을 입력 음성 유닛 및/또는 운율 주석과 매칭시키기 위해 복수의 기술들이 적용될 수 있다. 일반적인 기술 중 하나는 HMM(Hidden Markov Model)을 사용한다, HMM은 오디오 출력이 텍스트 입력과 일치해야 하는 확률을 결정하는데 이용될 수 있다. HMM은 원하는 음성을 인공적으로 합성하기 위해, 언어 및 음향 공간의 파라미터들을 보코더(디지털 보이스 인코더)에 의해 사용될 파라미터들로 전환시키는데 이용될 수 있다.

또한, 음성 인식 장치(10)는 유닛 선택에 사용하기 위한 음성 유닛 데이터베이스를 포함할 수 있다. 상기 음성 유닛 데이터 베이스는 메모리(140) 또는 다른 스토리지 구성에 저장될 수 있다. 상기 음성 유닛 데이터 베이스는 레코딩된 스피치 발성을 포함할 수 있다. 상기 스피치 발성은 발화 내용에 대응되는 텍스트일 수 있다. 또한, 음성 유닛 데이터 베이스는 음성 인식 장치(10)에서 상당한 저장 공간을 차지하는 녹음된 음성(오디오 파형, 특징 벡터 또는 다른 포맷의 형태)을 포함할 수 있다. 음성 유닛 데이터베이스의 유닛 샘플들은 음성 단위(음소, 다이폰, 단어 등), 언어적 운율 레이블, 음향 특징 시퀀스, 화자 아이덴티티 등을 포함하는 다양한 방법으로 분류될 수 있다. 샘플 발화(sample utterance)는 특정 음성 유닛에 대한 원하는 오디오 출력에 대응하는 수학적 모델을 생성하는데 사용될 수 있다.

음성 합성 엔진은 기호화된 언어 표현을 매칭할 때, 입력 텍스트(음성 단위 및 운율 기호 주석 모두를 포함)와 가장 근접하게 일치하는 음성 유닛 데이터베이스 내의 유닛을 선택할 수 있다. 일반적으로 음성 유닛 데이터 베이스가 클 수록 선택 가능한 유닛 샘플 수가 많아서 정확한 스피치 출력이 가능하게 된다.

프로세서(170)는 음성 출력을 포함하는 오디오 파형(audio waveforms)은 사용자에게 출력하기 위해 출력부(130)로 전달할 수 있다. 프로세서(170)는 음성을 포함하는 오디오 파형을 일련의 특징 벡터(feature vectors), 비 압축 오디오 데이터(uncompressed audio data) 또는 압축 오디오 데이터와 같은 복수의 상이한 포맷으로 메모리(140)에 저장할 수 있다. 예를 들어, 프로세서(170)는 음성 출력을 상기 전송 전에 인코더/디코더를 이용하여 인코딩 및/또는 압축할 수 있다. 인코더/디코더는 디지털화된 오디오 데이터, 특징 벡터 등과 같은 오디오 데이터를 인코딩 및 디코딩할 수 있다. 또한 인코더/디코더의 기능은 별도의 컴포넌트 내에 위치될 수 있거나, 프로세서(170)에 의해 수행될 수도 있음은 물론이다.

한편, 상기 메모리(140)는 음성 인식(speech recognition)을 위해 다른 정보들을 저장할 수 있다. 메모리(140)의 컨텐츠는 일반적인 음성 인식 및 TTS 사용을 위해 준비될 수도 있고, 특정 애플리케이션에서 사용될 가능성이 있는 소리 및 단어를 포함하도록 맞춤화될 수 있다. 예를 들어, GPS 장치에 의해 TTS 처리를 위해 TTS 스토리지는 위치 및 내비게이션에 특화된 맞춤형 음성을 포함할 수 있다.

또한, 메모리(140)는 개인화된 원하는 음성 출력에 기초하여 사용자에게 커스터마이징될 수도 있다. 예를 들어, 사용자는 출력되는 보이스가 특정 성별, 특정 억양, 특정 속도, 특정 감정(예를 들어, 행복한 음성)을 선호할 수 있다. 음성 합성 엔진은 이와 같은 사용자 선호도를 설명하기 위하여 특수 데이터 베이스 또는 모델(specialized database or model)을 포함할 수 있다.

음성 인식 장치(10)는 또한 다중 언어로 TTS 처리를 수행하도록 구성될 수 있다. 각 언어에 대해, 프로세서(170)는 원하는 언어로 음성을 합성하기 위해 특별히 구성된 데이터, 명령 및/또는 구성 요소를 포함할 수 있다.

성능 향상을 위해 프로세서(170)은 TTS 처리 결과에 대한 피드백에 기초하여 메모리(140)의 내용을 수정하거나 갱신할 수 있으므로, 프로세서(170)이 훈련 코퍼스(training corpus)에서 제공되는 능력 이상으로 음성 인식을 향상시킬 수 있다.

음성 인식 장치(10)의 처리 능력이 향상됨에 따라, 입력 텍스트가 갖는 감정 속성을 반영하여 음성 출력이 가능하다. 또는 음성 인식 장치(10)는 상기 입력 텍스트에 감정 속성에 포함되어 있지 않더라도, 입력 텍스트를 작성한 사용자의 의도(감정 정보)를 반영하여 음성 출력이 가능하다.

실제로 TTS 처리를 수행하는 TTS 모듈에 통합될 모델이 구축될 때 TTS 시스템은, 위에서 언급한 다양한 구성요소와 다른 구성요소를 통합할 수 있다. 일 예로, 음성 인식 장치(10)는 화자 설정을 위한 블록을 포함할 수 있다.

화자 설정부는 스크립트에 등장하는 캐릭터 별로 각각 화자를 설정할 수 있다. 화자 설정부은 프로세서(170)에 통합되거나, 전처리부 또는 음성 합성 엔진의 일부로서 통합될 수 있다. 상기 화자 설정부는 화자 프로필에 대응하는 메타 데이터를 이용하여 복수의 캐릭터에 대응하는 텍스트를 설정된 화자의 음성으로 합성되도록 한다.

본 발명의 일 실시예에 의하면, 상기 메타 데이터는 마크업 언어(Markup Language)가 이용될 수 있으며, 바람직하게는 SSML(Speech Synthesis Markup Language)가 이용될 수 있다.

이하, 도 7 및 도 8를 통해 디바이스 환경(device environment) 및/또는 클라우드 환경(cloud environment or server environment)에서 수행되는 음성 처리 과정(음성 인식 및 음성 출력(TTS) 과정)을 설명한다. 도 7 및 도 8에서 디바이스 환경(50,70)는 클라이언트 디바이스로 호칭될 수 있으며, 클라우드 환경(60, 80)은 서버로 호칭될 수 있다. 도 7은 음성을 입력받는 것은 디바이스(50)에서 이루어질 수 있으나, 입력된 음성을 처리하여 음성을 합성하는 과정 즉 음성 처리의 전반적인 동작이 클라우드 환경(60)에서 이루어지는 예를 도시한 것이다. 이에 반해, 도 8은 전술한 입력된 음성을 처리하여 음성을 합성하는 음성 처리의 전반적인 동작이 디바이스(70)에서 이루어지는 온 디바이스 프로세싱(On-device processing)의 예를 도시한 것이다.

도 7은 본 발명의 일 실시예에 따른 음성 인식 시스템 환경에서 음성 인식 장치의 개략적인 블럭도를 도시한다.

엔드 투 엔드(end-to-end) 음성 UI 환경에서 음성 이벤트를 처리하기 위해서는 다양한 구성요소가 필요하다. 음성 이벤트를 처리하는 시퀀스는 음성 신호를 수집하여(Signal acquisition and playback), 음성 사전 처리(Speech Pre Processing), 음성 활성화(Voice Activation), 음성 인식(Speech Recognition), 자연어 이해(Natural Language Processing) 및 최종적으로 장치가 사용자에게 응답하는 음성 합성(Speech Synthesis) 과정을 수행한다.

클라이언트 디바이스(50)는 입력 모듈을 포함할 수 있다. 상기 입력 모듈은 사용자로부터 사용자 입력을 수신할 있다. 예를 들어, 입력 모듈은 연결된 외부 장치(예를 들어, 키보드, 헤드셋) 으로부터 사용자 입력을 수신할 수 있다. 또한 예를 들어, 입력 모듈은 터치 스크린을 포함할 수 있다. 또한 예를 들어, 입력 모듈은 사용자 단말에 위치한 하드웨어 키를 포함할 수 있다.

일 실시예에 의하면, 상기 입력 모듈은 사용자의 발화를 음성 신호로 수신할 수 있는 적어도 하나의 마이크를 포함할 수 있다. 상기 입력 모듈은 발화 입력 시스템(speech input system)을 포함하고, 상기 발화 입력 시스템을 통해 사용자의 발화를 음성 신호로 수신할 수 있다. 상기 적어도 하나의 마이크는 오디오 입력을 위한 입력 신호를 생성함으로써, 사용자의 발화에 대한 디지털 입력 신호를 결정할 수 있다. 일 실시예에 의하면, 복수의 마이크가 어레이로 구현될 수 있다. 어레이는 기하학적 패턴, 예를 들어, 선형 기하학적 형태, 원형 기하학적 형태 또는 임의의 다른 구성으로 배열될 수 있다. 예를 들어, 소정 지점에 대하여, 네 개의 센서들의 어레이는 네 개의 방향들로부터 사운드를 수신하기 위해 90도로 구분되어 원형의 패턴으로 배치될 수 있다. 일부 구현들에서, 상기 마이크는 데이터 통신 내 공간적으로 서로 다른 어레이의 센서들을 포함할 수 있는데, 센서들의 네트워크화된 어레이가 포함될 수 있다. 마이크는 무지향성(omnidirectional), 방향성(directional, 예를 들어, 샷건(shotgun) 마이크)등을 포함할 수 있다.

클라이언트 디바이스(50)는 상기 입력 모듈(예를 들어, 마이크)을 통해 수신된 사용자 입력(음성 신호)를 전처리할 수 있는 전처리 모듈(pre-processing module)(51)을 포함할 수 있다.

상기 전처리 모듈(51)은 적응 반향 제거(adaptive echo canceller, AEC) 기능을 포함함으로써, 상기 마이크를 통해 입력된 사용자 입력(음성 신호)에 포함된 에코(echo)를 제거할 수 있다. 상기 전처리 모듈(51)은 노이즈 억제(noise suppression, NS) 기능을 포함함으로써, 사용자 입력에 포함된 배경 잡음을 제거할 수 있다. 상기 전처리 모듈(51)은 종점 검출(end-point detect, EPD) 기능을 포함함으로써, 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾을 수 있다. 또한, 상기 전처리 모듈(51)은 자동 이득 제어(automatic gain control, AGC) 기능을 포함함으로써, 상기 사용자 입력을 인식하여 처리하기 적합하도록 상기 사용자 입력의 음량을 조절할 수 있다.

클라이언트 디바이스(50)는 음성 인식 활성화(voice activation) 모듈(52)을 포함할 수 있다. 상기 음성 인식 활성화 모듈(52)은 사용자의 호출(예: 기동어(wake-up word))을 인식하는 웨이크업(wake up) 명령을 인식할 수 있다. 상기 음성 인식 활성화 모듈(52)은 전처리 과정을 거친 사용자 입력으로부터 소정의 키워드(ex, Hi LG)를 디텍트할 수 있다. 상기 음성 인식 활성화 모듈(52)은 대기 상태로 존재하여 올 웨이즈 온 키워드 디텍트(Always-on keyword detection) 기능을 수행할 수 있다.

클라이언트 디바이스(50)는 사용자 음성 입력을 클라우드 서버로 전송할 수 있다. 사용자 음성을 처리하기 위한 핵심 구성인 자동 음성 인식(ASR), 자연어 이해(NLU) 동작은 컴퓨팅, 저장, 전원 제약 등으로 인해 전통적으로 클라우드에서 실행되고 있는 것이 일반적이지만, 반드시 이에 한정될 필요는 없으며, 클라이언트 디바이스(50) 내에서 이루어질 수도 있다.

상기 클라우드는 클라이언트로부터 전송된 사용자 입력을 처리하는 클라우드 디바이스(60)를 포함할 수 있다. 상기 클라우드 디바이스(60)는 서버 형태로 존재할 수 있다.

클라우드 디바이스(60)는 자동 음성 인식(Auto Speech Recognition, ASR) 모듈(61), 지능형 프로세서(Artificial Intelligent Agent)(62), 자연어 이해(Natural Language Understanding, NLU) 모듈(63), 텍스트 음성 변환(Text-to-Speech, TTS) 모듈(64)과, 서비스 매니저(65)를 포함할 수 있다.

ASR 모듈(61)은 클라이언트 디바이스(50)로부터 수신된 사용자 음성 입력을 텍스트 데이터로 변환할 수 있다.

ASR 모듈(61)은 프론트-엔드 스피치 프리 프로세서(front-end speech pre-processor)를 포함한다. 프론트-엔드 스피치 프리프로세서는 스피치 입력으로부터 대표적인 특징을 추출한다. 예를 들어, 프론트-엔드 스피치 프리프로세서는 스피치 입력을 푸리에 변환을 수행하여 대표적인 다차원 벡터의 시퀀스로서 스피치 입력을 특징짓는 스펙트럼 특징을 추출한다. 또한, ASR 모듈(61)은 하나 이상의 스피치 인식 모델(예컨대, 음향 모델 및/또는 언어 모델)을 포함하고, 하나 이상의 스피치 인식 엔진을 구현할 수 있다. 스피치 인식 모델의 예는 은닉 마르코프 모델(hidden Markov models), 가우시안 혼합 모델(Gaussian-Mixture Models), 딥 신경망 모델(Deep Neural Network Models), n-gram 언어 모델, 및 기타 통계 모델을 포함한다. 스피치 인식 엔진의 예는 동적 시간 왜곡 기반 엔진 및 가중치 유한 상태 변환기(WFST) 기반 엔진을 포함한다. 하나 이상의 스피치 인식 모델 및 하나 이상의 스피치 인식 엔진은 중간 인식 결과들(예를 들어, 음소, 음소 문자열, 및 하위 단어들), 및 궁극적으로 텍스트 인식 결과들(예컨대, 단어, 단어 문자열, 또는 토큰들의 시퀀스)을 생성하기 위해 프론트-엔드 스피치 프리프로세서의 추출된 대표 특징들을 처리하는 데 사용될 수 있다.

ASR 모듈(61)이 텍스트 문자열(예를 들어, 단어들, 또는 단어들의 시퀀스, 또는 토큰들의 시퀀스)을 포함하는 인식 결과를 생성하면, 인식 결과는 의도 추론을 위해 자연 언어 처리 모듈(NLU)(63)로 전달된다. 일부 예들에서, ASR 모듈(61)은 스피치 입력의 다수의 후보 텍스트 표현들을 생성한다. 각각의 후보 텍스트 표현은 스피치 입력에 대응하는 단어들 또는 토큰들의 시퀀스이다.

NLU 모듈(63)은 문법적 분석(Syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자 의도를 파악할 수 있다. 상기 문법적 분석은 문법 단위(예를 들어, 단어, 구, 형태소 등)를 나누고, 나누어진 단위가 어떠한 문법적인 요소를 갖는지 파악할 수 있다. 상기 의미적 분석은 의미(semantic) 매칭, 룰(rule) 매칭, 포뮬러(formula) 매칭 등을 이용하여 수행할 수 있다. 이에 따라, NUL 모듈(63)은 사용자 입력이 어느 도메인(domain), 의도(intent) 또는 상기 의도를 표현하는데 필요한 파라미터(parameter)를 획득할 수 있다.

상기 NLU 모듈(63)은 도메인, 의도 및 상기 의도를 파악하는데 필요한 파라미터로 나누어진 매핑 규칙을 이용하여 사용자의 의도 및 파라미터를 결정할 수 있다. 예를 들어, 하나의 도메인(예를 들어, 알람)은 복수의 의도(예를 들어, 알람 설정, 알람 해제)를 포함할 수 있고, 하나의 의도는 복수의 파라미터(예를 들어, 시간, 반복 횟수, 알람음 등)을 포함할 수 있다. 복수의 룰은, 예를 들어, 하나 이상의 필수 요소 파라미터를 포함할 수 있다. 상기 매칭 규칙은 자연어 이해 데이터 베이스(Natural Language Understanding Database)에 저장될 수 있다.

상기 NLU 모듈(63)은 형태소, 구 등의 언어적 특징(예를 들어, 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 도메인 및 의도에 매칭시켜 사용자의 의도를 결정한다.

예를 들어, NLU 모듈(63)은 각각의 도메인 및 의도에 사용자 입력에서 추출된 단어가 얼마나 포함되어 있는지를 계산하여 사용자 의도를 결정할 수 있다. 일 실시예에 따르면, NLU 모듈(63)은 상기 의도를 파악하는데 기초가 된 단어를 이용하여 사용자 입력의 파라미터를 결정할 수 있다.

일 실시예에 따르면, NLU 모듈(63)은 사용자 입력의 의도를 파악하기 위한 언어적 특징이 저장된 자연어 인식 데이터 베이스를 이용하여 사용자의 의도를 결정할 수 있다.

또한 일 실시예에 따르면, NLU 모듈(63)은 개인화 언어 모델(personal language model, PLM)을 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, NLU 모듈(63)은 개인화된 정보(예를 들어, 연락처 리스트, 음악 리스트, 스케줄 정보, 소셜 네트워크 정보 등)을 이용하여 사용자의 의도를 결정할 수 있다.

상기 개인화 언어 모델은, 예를 들어, 자연어 인식 데이터 베이스에 저장될 수 있다. 일 실시예에 따르면, NLU 모듈(63) 뿐 아니라 ASR 모듈(61)도 자연어 인식 데이터 베이스에 저장된 개인화 언어 모델을 참고하여 사용자 음성을 인식할 수 있다.

NLU 모듈(63)은 자연어 생성 모듈(미도시)을 더 포함할 수 있다. 상기 자연어 생성 모듈은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 상기 지정된 정보는 예를 들어, 추가 입력에 대한 정보, 사용자 입력에 대응되는 동작의 완료를 안내하는 정보 또는 사용자의 추가 입력을 안내하는 정보 등을 포함할 수 있다. 상기 텍스트 형태로 변경된 정보는 클라이언트 디바이스로 전송되어 디스플레이에 표시되거나, TTS 모듈로 전송되어 음성 형태로 변경될 수 있다.

음성 합성 모듈(TTS 모듈, 64)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다. TTS 모듈(64)은 NLU 모듈(63)의 자연어 생성 모듈로부터 텍스트 형태의 정보를 수신하고, 상기 텍스트 형태의 정보를 음성 형태의 정보로 변경하여 클라이언트 디바이스(50)로 전송할 수 있다. 상기 클라이언트 디바이스(50)는 상기 음성 형태의 정보를 스피커를 통해 출력할 수 있다.

음성 합성 모듈(64)은 제공된 텍스트에 기초하여 스피치 출력을 합성한다. 예를 들어, 음성 인식 모듈(ASR)(61)에서 생성된 결과는 텍스트 문자열의 형태이다. 음성 합성 모듈(64)은 텍스트 문자열을 가청 스피치 출력으로 변환한다. 음성 합성 모듈(64)은, 텍스트로부터의 스피치 출력을 생성하기 위하여 임의의 적절한 스피치 합성 기법을 사용하는데, 이는 편집 합성(concatenative synthesis), 단위 선택 합성(unit selection synthesis), 다이폰 합성, 도메인-특정 합성, 포먼트 합성(Formant synthesis), 조음 합성(Articulatory synthesis), HMM(hidden Markov model) 기반 합성, 및 정현파 합성(sinewave synthesis)을 포함하지만 이로 한정되지 않는다.

일부 예들에서, 음성 합성 모듈(64)은 단어들에 대응하는 음소 문자열에 기초하여 개별 단어들을 합성하도록 구성된다. 예를 들어, 음소 문자열은 생성된 텍스트 문자열의 단어와 연관된다. 음소 문자열은 단어와 연관된 메타데이터에 저장된다. 음성 합성 모듈(64)은 스피치 형태의 단어를 합성하기 위해 메타데이터 내의 음소 문자열을 직접 프로세싱하도록 구성된다.

클라우드 환경은 일반적으로 클라이언트 디바이스보다 많은 처리 능력 또는 리소스를 갖기 때문에, 클라이언트 측 합성에서 실제보다 높은 품질의 스피치 출력을 획득하는 것이 가능하다. 그러나, 본 발명은 이에 한정되지 않으며, 실제로 음성 합성 과정이 클라이언트 디바이스에서 이루어질 수 있음은 물론이다(도 8 참조).

한편, 본 발명의 일 실시예에 따라 클라우드 환경에는 지능형 프로세서(Artificial Intelligence Processor, AI 프로세서)(62)를 더 포함할 수 있다. 상기 지능형 프로세서(62)는 전술한 ASR 모듈(61), NLU 모듈(62) 및/또는 TTS 모듈(64)이 수행하는 기능 중 적어도 일부의 기능을 수행하도록 설계될 수 있다. 또한 상기 지능형 프로세서 모듈(62)은 ASR 모듈(61), NLU 모듈(62) 및/또는 TTS 모듈(64) 각각의 독립적인 기능을 수행하는데 기여할 수 있다.

상기 지능형 프로세서 모듈(62)은 심층학습(딥러닝)을 통해 전술한 기능들을 수행할 수 있다. 상기 심층학습은 어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 이미지의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있으며, 이러한 노력의 결과로 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들이 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

현재 모든 주요 상업 음성인식 시스템(MS 코타나, 스카이프 번역기, 구글 나우, 애플 시리 등등)이 딥 러닝 기법에 기반하고 있다.

특히, 지능형 프로세서 모듈(62)은 자연어 처리 분야에서 심층 인공 신경망 구조를 이용하여 자동 번역(machine translation), 감정 분석(emotion analysis), 정보 검색(information retrieval)을 비롯한 다양한 자연언어처리 과정을 수행할 수 있다.

한편, 상기 클라우드 환경은 다양한 개인화된 정보를 수집하여 상기 지능형 프로세서(62)의 기능을 지원할 수 있는 서비스 매니저(service manager)(65)를 포함할 수 있다. 상기 서비스 매니저를 통해 획득되는 개인화된 정보는, 클라이언트 디바이스(50)가 클라우드 환경을 통해 이용하는 적어도 하나의 데이터(캘린더 애플리케이션, 메시징 서비스, 뮤직 애플리케이션 사용 등), 상기 클라이언트 디바이스(50) 및/또는 클라우드(60)가 수집하는 적어도 하나의 센싱 데이터들(카메라, 마이크로폰, 온도, 습도, 자이로 센서, C-V2X, 펄스(pulse), 조도(Ambient light), 홍채 인식(Iris scan) 등), 상기 클라이언트 디바이스(50)와 직접적으로 관련 없는 오프 디바이스 데이터들을 포함할 수 있다. 예를 들어, 상기 개인화된 정보는, 맵(maps), SMS, News, Music, Stock, Weather, Wikipedia 정보를 포함할 수 있다.

상기 지능형 프로세서(62)은 설명의 편의를 위해 ASR 모듈(61), NLU 모듈(63) 및 TTS 모듈(64)과 구분되도록 별도의 블럭으로 표현하였으나, 상기 지능형 프로세서(62)는 상기 각 모듈(61, 62,64)의 적어도 일부 또는 전부의 기능을 수행할 수도 있다.

상기 지능형 프로세서(62)는 도 5 및 도 6을 참조하여 설명한 AI 프로세서(21, 261)의 기능의 적어도 일부를 수행할 수도 있다.

도 8은 본 발명의 다른 실시예에 따른 음성 인식 시스템 환경에서 음성 인식 장치의 개략적인 블럭도를 도시한다.

도 8에 도시된 클라이언트 디바이스(70) 및 클라우드 환경(80)은 도 7에서 언급한 클라이언트 디바이스(50) 및 클라우드 환경(60)에 일부 구성 및 기능에 있어서 차이가 있을 뿐 대응될 수 있다. 이에 따라 대응되는 블럭의 구체적인 기능에 대해서는 도 7을 참조할 수 있다.

도 8를 참조하면, 클라이언트 디바이스(70)는 전처리 모듈(71), 음성 인식 활성화(voice activation) 모듈(72), ASR 모듈(73), 지능형 프로세서(74), NLU 모듈(75), TTS 모듈(76)을 포함할 수 있다. 또한, 클라이언트 디바이스(70)는 입력 모듈(적어도 하나의 마이크로 폰)과, 적어도 하나의 출력 모듈을 포함할 수 있다.

또한, 클라우드 환경(80)은 개인화된 정보를 지식(knowledge) 형태로 저장하는 클라우드 지식(Cloud Knowledge)을 포함할 수 있다.

도 8에 도시된 각 모듈의 기능은 도 7를 참조할 수 있다. 다만, ASR 모듈(73), NLU 모듈(75) 및 TTS 모듈(76)이 클라이언트 디바이스(70)에 포함되어 있어서 음성 인식 및 음성 합성 등의 음성 처리 과정을 위해 클라우드와의 통신이 필요 없을 수 있으며, 이에 따라 즉각적이고 실시간 음성 처리처리 동작이 가능하게 된다.

도 7 및 도 8에 도시된 각 모듈은 음성 처리 과정을 설명하기 위한 예시일 뿐이며, 도 7 및 도 8에 도시된 모듈보다 더 많거나 더 적은 모듈을 가질 수 있다. 또한, 둘 이상의 모듈을 조합할 수 있거나 또는 상이한 모듈 또는 상이한 배열의 모듈을 가질 수 있다는 것에 유의해야 한다. 도 7 및 도 8에 도시된 다양한 모듈들은 하나 이상의 신호 프로세싱 및/또는 주문형 직접 회로, 하드웨어, 하나 이상의 프로세서에 의한 실행을 위한 소프트웨어 명령어들, 펌웨어 또는 이들의 조합으로 구현될 수 있다.

도 9는 본 발명의 일 실시예에 따라 음성 인식을 구현할 수 있는 지능형 프로세서의 개략적인 블럭도를 도시한다.

도 9을 참조하면, 상기 지능형 프로세서(74)는 도 7 및 도 8를 통해 설명한 음성 처리 과정에서 ASR 동작, NLU 동작 및 TTS 동작을 수행하는 것 외에, 사용자와 상호 작용(interactive operation)을 지원할 수 있다. 또는 상기 지능형 프로세서(74)는 컨텍스트 정보를 이용하여, 도 7의 NLU 모듈(63)이 ASR 모듈(61)로부터 수신된 텍스트 표현들에 포함된 정보를 보다 명확하게 하고, 보완하거나 추가적으로 정의하는 동작을 수행하는데 기여할 수 있다.

여기서, 컨텍스트 정보는, 클라이언트 디바이스 사용자의 선호도, 클라이언트 디바이스의 하드웨어 및/또는 소프트웨어 상태들, 사용자 입력 전, 입력 중, 또는 입력 직후에 수집되는 다양한 센서 정보, 상기 지능형 프로세서와 사용자 사이의 이전 상호 작용들(예를 들어, 대화) 등을 포함할 수 있다. 본 문서에서 컨텍스트 정보는 동적이고, 시간, 위치, 대화의 내용 및 기타 요소들에 따라 가변되는 특징임을 물론이다.

지능형 프로세서(74)는 컨텍스트 퓨전 및 학습 모듈(741), 로컬 지식(742), 다이얼로그 매니지먼트(743)를 더 포함할 수 있다.

컨텍스트 퓨전 및 학습 모듈(741)은 적어도 하나의 데이터에 기초하여 사용자의 의도를 학습할 수 있다. 상기 적어도 하나의 데이터는 클라이언트 디바이스 또는 클라우드 환경에서 획득되는 적어도 하나의 센싱 데이터를 포함할 수 있다. 또한, 상기 적어도 하나의 데이터는 화자 식별(speaker identification), 음향 사건 인지(Acoustic event detection), 화자의 개인 정보(성별 및 나이)(Gender and age detection), 음성 활성도 검출(VAD, voice activity detection), 감정 정보(Emotion Classification) 을 포함할 수 있다.

상기 화자 식별은, 발화하는 사람을 음성에 의해 등록된 대화군 속에서 특정하는 것을 의미할 수 있다. 상기 화자 식별은 기 등록된 화자를 식별하거나, 새로운 화자로 등록하는 과정을 포함할 수 있다. 음향 사건 인지(Acoustic event detection)는 음성 인식 기술을 넘어서 음향 자체를 인식함으로써, 소리의 종류, 소리의 발생 장소를 인지할 수 있다. 음성 활성도 검출(VAD)은 음악, 잡음 또는 다른 사운드를 포함할 수 있는 오디오 신호에서 인간의 스피치(음성)의 존재 또는 부재가 검출되는 스피치 프로세싱 기술이다. 일 예에 따라 지능형 프로세서(74)는 상기 입력된 오디오 신호로부터 스피치의 존재 여부를 확인할 수 있다. 일 예에 따라 지능형 프로세서(74)는 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터(speech data)와 비 스피치 데이터(non-speech data)를 구분할 수 있다. 또한, 지능형 프로세서(74)는 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터에 대하여 감정 분류(Emotion Classification) 동작을 수행할 수 있다. 상기 감정 분류 동작에 따라 스피치 데이터는 화남(Anger), 지루함(Boredom), 무서움(Fear), 행복(Happiness), 슬픔(Sadness)으로 분류될 수 있다.

상기 컨텍스트 퓨전 및 학습 모듈(741)은 전술한 동작을 수행하기 위해 DNN 모델을 포함할 수 있으며, 상기 DNN 모델 및 클라이언트 디바이스 또는 클라우드 환경에서 수집되는 센싱 정보에 기초하여 사용자 입력의 의도를 확인할 수 있다.

상기 적어도 하나의 데이터는 예시적인 것에 불과하며 음성 처리 과정에서 사용자의 의도를 확인하는데 참조될수 있는 어떠한 데이터도 포함될 수 있음은 물론이다. 상기 적어도 하나의 데이터는, 전술한 DNN 모델을 통해 획득할 수 있음은 물론이다.

지능형 프로세서(74)는 로컬 지식(Local Knowledge)(742)을 포함할 수 있다. 상기 로컬 지식(742)은 사용자 데이터를 포함할 수 있다. 상기 사용자 데이터는 사용자의 선호도, 사용자 주소, 사용자의 초기 설정 언어, 사용자의 연락처 목록 등을 포함할 수 있다. 일 예에 따르면, 지능형 프로세서(74)는 사용자의 특정 정보를 이용하여 사용자의 음성 입력에 포함된 정보를 보완하여 사용자 의도를 추가적으로 정의할 수 있다. 예를 들어, "내 생일 파티에 내 친구들을 초대해주세요" 라는 사용자의 요청에 응답하여, 지능형 프로세서(74)는 "친구들"이 누구인지, "생일 파티"가 언제, 어디서 열리지를 결정하기 위해 사용자에게 보다 명확한 정보를 제공하도록 요구하지 않고, 상기 로컬 지식(742)을 이용할 수 있다.

지능형 프로세서(74)는 다이얼로그 관리(Dialog Management)(743)를 더 포함할 수 있다. 상기 지능형 프로세서(74)는 사용자와의 음성 대화가 가능하도록 다이얼로그 인터페이스를 제공할 수 있다. 상기 다이얼로그 인터페이스는 사용자의 음성 입력에 응답을 디스플레이 또는 스피커를 통해 출력하는 과정을 의미할 수 있다. 여기서 상기 다이얼로그 인터페이스를 통해 출력하는 최종 결과물은 전술한 ASR 동작, NLU 동작 및 TTS 동작에 기초할 수 있다.

I. 음성 인식 방법

도 10은 본 발명의 일 실시예에 따른 음성 인식 방법을 나타낸 흐름도이다.

도 10에 도시된 바와 같이, 음성 인식 장치(10)의 프로세서(170)는 적어도 하나의 마이크(예: 입력부(120))를 통해 마이크 검출 신호를 획득할 수 있다(S110).

여기서, 마이크 검출 신호는 적어도 하나의 마이크(120)를 통해 획득되는 외부 신호를 검출한 신호 정보를 포함할 수 있다.

여기서, 마이크 검출 신호에 사용자의 발화가 포함될 수 있다.

이어서, 프로세서(170)는 미리 학습된 음성 인식 모델을 이용하여 마이크 검출 신호에서 사용자의 음성을 인식할 수 있다(S130).

예를 들어, 음성 인식 모델은 마이크 검출 신호를 입력으로 하여 사용자의 음성을 인식한 결과를 출력하도록 미리 학습될 수 있다. 예를 들어, 사용자의 음성을 인식한 결과는 사용자의 음성 인식에 성공하였는지 여부와 관련된 정보, 사용자의 음성을 인식한 정확도와 관련된 정보, 사용자의 음성을 인식하여 생성되어 출력부(130)를 통해 출력되는 텍스트, 사용자의 음성을 인식하여 생성되며 출력부(130)를 통해 출력되는 이미지, 사용자의 음성을 인식하여 생성되어 출력부(130)를 통해 출력되는 소리, 사용자의 음성을 복수회 인식하여 처음 인식한 결과를 이후 인식한 결과에 기반하여 재차 수정한 텍스트를 포함할 수 있다.

그 다음, 프로세서(170)는 사용자의 음성을 인식한 결과와 관련된 정보를 출력할 수 있다(S150).

예를 들어, 사용자의 음성을 인식한 결과를 출력하기 위한 출력부(130)에는 디스플레이, 스피커 등이 포함될 수 있다.

마지막으로, 프로세서(170)는 출력부(130)를 통해 출력된 음성 인식 결과 정보에 기반하여 상기한 음성 인식 모델(전처리 모델)을 업데이트(튜닝)할 수 있다(S170).

여기서, 음성 인식 모델은 프로세서(170), AI 프로세서(21), 딥 러닝 모델(26), AI 프로세서(261), 메모리(140) 중 적어도 하나에 저장될 수 있다. 프로세서(170)는 출력부(130)를 통해 출력되는 음성 인식 결과 정보를 분석하고, 음성 인식 결과 정보와 음성을 트레이닝셋으로 하여 음성 인식 모델의 파라미터를 튜닝함으로써 음성 인식 모델을 업데이트할 수 있다.

도 11은 본 발명의 일 실시예에 따른 음성 인식 모델을 업데이트하는 과정을 도시한다.

도 11에 도시된 바와 같이, 프로세서(170)는 음성 인식 모델(171)을 포함할 수 있다. 음성 인식 모델(171)은 인공 신경망(Artifical Neural Network, ANN)의 하나의 예이다.

여기서, 프로세서(170)는 마이크 검출 신호(121)를 음성 인식 모델(171)에 입력하여, 음성 인식 모델(171)을 이용하여 마이크 검출 신호에 대한 전처리를 수행한 후, 전처리된 음성 인식 결과를 출력부(130)로 전송할 수 있다.

여기서, 음성 인식 모델(171)은 마이크 검출 신호(121)를 입력으로 하여, 음성 인식 결과를 출력하도록 미리 학습될 수 있다.

출력부(130)는 프로세서(170)의 제어에 따라 음성 인식 결과 정보(131)를 출력할 수 있다.

여기서, 음성 인식 결과 정보(131)는 음성 인식 모델(171)의 파라미터(172)를 튜닝하기 위한 딥 러닝 기술에서의 리워드(reward)로 설정될 수 있다. 즉, 프로세서(170)는 출력부(130)를 통해 출력된 음성 인식 결과 정보(131)를 이용하여 음성 인식 모델(171)의 파라미터(172)를 튜닝(업데이트)할 수 있다.

도 12는 음성 인식 결과 정보의 하나의 예로서 음성 인식 성공 여부와 관련된 정보를 도시한다.

도 12에 도시된 바와 같이, 음성 인식 결과 정보는 마이크 검출 신호에서 사용자의 음성의 인식에 성공하였는지 여부와 관련된 정보(1210, 1211)를 포함할 수 있다.

예를 들어, 도 12에 도시된 바와 같이, 마이크 검출 신호(1201)가 획득되면, 프로세서(170)는 마이크 검출 신호(1201)를 음성 인식 모델을 이용하여 음성 인식을 시도할 수 있다.

프로세서(170)는 음성 인식을 시도한 결과인 텍스트(1210)(예: 음성을 인식하여 생성된 텍스트)("결과:") 또는 음성 인식을 시도한 결과인 단어 개수와 관련된 정보(1211)(예: 인식 단어 수)("인식 단어 수: 0)를 출력부(130)를 통해 출력할 수 있다.

여기서, 프로세서(170)는 음성 인식을 시도한 결과인 텍스트(1210)(예: 음성을 인식하여 생성된 텍스트)("결과:") 또는 음성 인식을 시도한 결과인 단어 개수와 관련된 정보(1211)(예: 인식 단어 수)("인식 단어 수: 0)를 이용하여 음성 인식 모델을 업데이트(튜닝)할 수 있다.

예를 들어, 프로세서(170)는 음성과, 음성 인식을 시도한 결과인 텍스트(1210)를 이용하여, 음성 인식을 시도한 결과인 텍스트(1210)가 출력부(130)를 통해 더 많이 출력되도록 하는 파라미터로 상기 음성 인식 모델의 파라미터를 업데이트(튜닝)할 수 있다.

예를 들어, 프로세서(170)는 음성과, 음성 인식을 시도한 결과인 단어 개수와 관련된 정보(1211)를 이용하여, 음성 인식을 시도한 결과인 단어 개수와 관련된 정보(1211)가 더 높은 값을 나타내도록 파라미터로 상기 음성 인식 모델의 파라미터를 업데이트(튜닝)할 수 있다.

도 13은 음성 인식 결과 정보의 다른 하나의 예로서 음성 인식 결과에 대한 후처리 결과와 관련된 정보를 도시한다.

도 13에 도시된 바와 같이, 음성 인식 결과 정보는 도 12의 음성의 인식에 성공하였는지 여부와 관련된 정보(1210, 1211)에 대하여 후처리한 결과(1310, 1320, 1321, 1330, 1340, 1341)를 포함할 수 있다.

예를 들어, 도 13에 도시된 바와 같이, 마이크 검출 신호(1301)가 획득되면, 프로세서(170)는 마이크 검출 신호(1301)를 음성 인식 모델을 이용하여 음성 인식을 시도할 수 있다.

프로세서(170)는 음성 인식에 성공하였는지 여부와 관련된 정보(텍스트)(1310)에 대하여 후처리를 수행할 수 있다. 예를 들어, 후처리는 상기한 텍스트(1310)에 대하여 복수회 음성 인식을 시도하고, 처음 음성 인식을 시도한 결과인 텍스트(1310)를 복수회 음성 인식 시도에 기반하여 재차 수정하는 과정을 의미할 수 있다.

예를 들어, 프로세서(170)는 음성 인식에 성공하였는지 여부와 관련된 정보(텍스트)(1310)("결과: 우산 오늘 서울의 나씨는 어때")에 대하여 재차 수정 과정을 수행하여 "결과: 오늘 서울의 날씨는 어때"로 수정할 수 있으며, 수정된 텍스트(1320) 및 수정 결과("결과: 변환 횟수: 3")(1321)를 출력부(130)를 통해 출력할 수 있다.

여기서, 프로세서(170)는 수정된 텍스트(1320) 및 수정 결과("결과: 변환 횟수: 3")(1321)를 이용하여 음성 인식 모델을 업데이트(튜닝)할 수 있다.

예를 들어, 프로세서(170)는 음성과, 수정된 텍스트(1320) 및 수정 결과(1321)를 이용하여, 수정 결과가 더 적게 표시(1330, 1340, 1341)되도록 하는 파라미터로 상기 음성 인식 모델의 파라미터를 업데이트(튜닝)할 수 있다.

도 14는 음성 인식 결과 정보의 또 다른 하나의 예로서 음성 인식 시간과 관련된 정보를 도시한다.

도 14에 도시된 바와 같이, 프로세서(1401)는 "오늘 서울의 날씨는 어때"라는 마이크 검출 신호(1401)를 음성 인식 모델을 이용하여 인식할 수 있다.

프로세서(170)는 음성 인식 모델을 이용하여 마이크 검출 신호(1401)에 대한 음성 인식을 시도한 결과, 음성 인식을 통해 생성된 텍스트(1410)가 인식되는 시간과 관련된 정보(1411)("화면 표시 속도: 700ms")를 출력부(130)를 통해 출력할 수 있다.

여기서, 프로세서(170)는 음성 인식의 시간과 관련된 정보(1411)가 더 낮은 값을 갖도록 하는 파라미터로 상기 음성 인식 모델의 파라미터를 튜닝(업데이트)할 수 있다.

도 15는 도 10의 음성 인식 모델 업데이트 과정을 AI 프로세싱을 통해 수행하는 과정을 도시한 흐름도이다.

도 16에 도시된 바와 같이, 프로세서(170)는 S170, S171 단계를 통해 음성 인식 모델을 업데이트할 수 있으며, 상세한 설명은 하기와 같다.

먼저, 프로세서(170)는 음성 인식 결과 정보로부터 특징값을 추출할 수 있다(S171).

예를 들어, 프로세서(170)는 출력부(130)를 통해 출력된 이미지 형태의 음성 인식 결과 정보에 대한 전처리 과정을 수행하고, 전처리된 음성 인식 결과 정보의 특징값(특징 벡터)을 추출할 수 있다.

이어서, 프로세서(170)는 추출된 음성 인식 결과 정보의 특징값과, 음성을 이용하여 미리 학습된 음성 인식 모델을 업데이트할 수 있다(S172).

예를 들어, 프로세서(170)는 추출된 음성 인식 결과 정보의 특징값을 출력값으로 하고, 음성을 입력값으로 하는 트레이닝 셋을 설정하고, 트레이닝 셋을 이용하여 음성 인식 모델을 업데이트할 수 있다. 즉, 프로세서(170)는 트레이닝 셋을 이용하여 전처리를 위한 음성 인식 모델을 튜닝할 수 있다.

도 16은 도 15의 모델 업데이트 과정(S172)를 5G 네트워크를 통해 수행하는 과정을 도시한 흐름도이다.

먼저, 음성 인식 장치(10) 또는 음성 인식 장치의 프로세서(170)는 획득된 음성 인식 결과 정보로부터 추출된 특징값을 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부(110)를 제어할 수 있다. 또한, 프로세서(170)는 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어할 수 있다.

상기 AI 프로세싱된 정보는, 음성 인식 결과 정보에 기반하여 업데이트된 음성 인식 모델의 파라미터를 포함할 수 있다.

한편, 프로세서(170)는 5G 네트워크로 상기한 음성 인식 결과 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 프로세서(170)는 SSB(Synchronization signal block)에 기초하여 상기 5G 네트워크와 초기 접속 절차를 수행할 수 있다.

또한, 프로세서(170)는 무선 통신부를 통해 상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.

프로세서(170)는 상기 DCI에 기초하여 상기 음성 인식 결과 정보를 상기 네트워크로 전송할 수 있다.

프로세서(170)는 상기 음성 인식 결과 정보를 PUSCH를 통해 상기 네트워크로 전송하며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.

이어서, 도 16에 도시된 바와 같이, 프로세서(170)는 음성과, 음성 인식 결과 정보로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S1721).

이어서, 5G 네트워크는 음성과, 음성 인식 결과 정보로부터 추출된 특징값을 이용하여 AI 프로세싱(1722)을 수행할 수 있으며, 상세한 설명은 하기와 같다.

먼저, 5G 네트워크에 포함된 AI 프로세서는 AI 프로세싱(1722)의 과정의 첫번째 단계로서 상기한 음성과 음성 인식 결과 정보로부터 추출된 특징값을 이용하여 음성 인식 모델을 학습시킬 수 있다(S1723).

이어서, AI 프로세서는 음성 인식 모델의 출력값으로서 업데이트된 음성 인식 모델의 파라미터를 획득할 수 있다(S1724).

5G 네트워크는 음성 인식 모델의 업데이트된 파라미터를 음성 인식 장치(로 전송할 수 있다(S1725).

한편, 도 16에 도시된 바와 달리, 음성 인식 장치는 음성과 음성 인식 결과 정보만을 5G 네트워크로 전송하고, 5G 네트워크의 AI 프로세서가 음성 인식 결과 정보로부터 음성 인식 모델을 업데이트하기 위한 특징값을 추출할 수도 있다.

한편, 5G 네트워크의 AI 프로세서는 음성과 음성 인식 결과 정보로부터 추출된 특징값을 이용하여 음성 인식 모델을 업데이트하고, 음성 인식 모델 전체를 음성 인식 장치로 전송할 수도 있다.

J. 실시예 요약

실시예 1: 지능적 음성 인식 방법은, 마이크 검출 신호를 획득하는 단계; 미리 학습된 음성 인식 모델을 이용하여 상기 마이크 검출 신호에서 사용자의 음성을 인식하는 단계; 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 단계;를 포함하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

실시예 2: 실시예 1에 있어서, 상기 음성 인식 결과 정보는, 상기 음성 인식의 성공 여부와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 3: 실시예 2에 있어서, 상기 성공 여부와 관련된 정보는, 상기 음성을 인식하여 생성된 텍스트 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 4: 실시예 2에 있어서, 상기 성공 여부와 관련된 정보는, 상기 텍스트에 포함된 단어의 수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 5: 실시예 1에 있어서, 상기 출력된 음성 인식 결과 정보에 대한 후처리를 수행하는 단계를 더 포함하며, 상기 음성 인식 결과 정보는, 상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 6: 실시예 5에 있어서, 상기 후처리 결과와 관련된 정보는, 상기 후처리에 따라 발생된 상기 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 7: 실시예 1에 있어서, 상기 음성 인식 결과 정보는, 상기 음성 인식 결과 정보가 출력되는 속도와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 8: 실시예 1에 있어서, 상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계, 및 상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 단계를 더 포함하는 것을 특징으로 할 수 있다.

실시예 9: 실시예 8에 있어서, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계, 및 상기 음성 인식 결과 정보는 PUSCH를 통해 상기 네트워크로 전송하는 단계를 더 포함하며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.

실시예 10: 실시예 8에 있어서, 상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계, 및 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계를 더 포함하고, 상기 AI 프로세싱된 정보는, 상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 할 수 있다.

실시예 11: 지능적 음성 인식 장치는, 외부의 신호를 검출하는 적어도 하나의 마이크; 미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 프로세서;를 포함하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

실시예 12: 실시예 11에 있어서, 상기 음성 인식 결과 정보는, 상기 음성 인식의 성공 여부와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 13: 실시예 12에 있어서, 상기 성공 여부와 관련된 정보는, 상기 음성을 인식하여 생성된 텍스트 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 14: 실시예 12에 있어서, 상기 성공 여부와 관련된 정보는, 상기 텍스트에 포함된 단어의 수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 15: 실시예 11에 있어서, 상기 프로세서는 상기 출력된 음성 인식 결과 정보에 대한 후처리를 수행하며, 상기 음성 인식 결과 정보는, 상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 16: 실시예 15에 있어서, 상기 후처리 결과와 관련된 정보는, 상기 후처리에 따라 발생된 상기 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 17: 실시예 11에 있어서, 상기 음성 인식 결과 정보는, 상기 음성 인식 결과 정보가 출력되는 속도와 관련된 정보를 포함하는 것을 특징으로 할 수 있다.

실시예 18: 실시예 11에 있어서, 외부 장치와 무선 통신을 수행하기 위한 통신부를 더 포함하며, 상기 프로세서는, 상기 통신부를 통해 상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 상기 통신부를 통해 상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 것을 특징으로 할 수 있다.

실시예 19: 실시예 18에 있어서, 상기 프로세서는, 상기 통신부를 통해 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 상기 통신부를 통해 상기 음성 인식 결과 정보를 PUSCH를 통해 상기 네트워크로 전송하며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.

실시예 20: 실시예 18에 있어서, 상기 프로세서는, 상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 상기 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하며, 상기 AI 프로세싱된 정보는, 상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 할 수 있다.

실시예 21: 비 일시적 컴퓨터 판독 가능한 기록 매체는, 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 마이크 검출 신호를 획득하고, 미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하되, 상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트된다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims

음성 인식 장치가 지능적으로 음성을 인식하는 방법에 있어서,
마이크 검출 신호를 획득하는 단계;
미리 학습된 음성 인식 모델을 이용하여 상기 마이크 검출 신호에서 사용자의 음성을 인식하는 단계;
상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 단계;를 포함하되,
상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트되고,
상기 음성 인식 결과 정보는 상기 음성 인식의 성공 여부와 관련된 정보를 포함하고,
상기 인식된 음성에 대한 후처리를 수행하는 단계를 더 포함하며,
상기 음성 인식 결과 정보는,
상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 하고,
상기 후처리 결과와 관련된 정보는,
상기 후처리에 따라 발생된 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 하는,
방법.
삭제
제1항에 있어서,
상기 성공 여부와 관련된 정보는,
상기 음성을 인식하여 생성된 텍스트 정보를 포함하는 것을 특징으로 하는,
방법.
제1항에 있어서,
상기 성공 여부와 관련된 정보는,
상기 음성을 인식하여 생성된 텍스트에 포함된 단어의 수와 관련된 정보를 포함하는 것을 특징으로 하는,
방법.
삭제
삭제
제1항에 있어서,
상기 음성 인식 결과 정보는,
상기 음성 인식 결과 정보가 출력되는 속도와 관련된 정보를 포함하는 것을 특징으로 하는,
방법.
제1항에 있어서,
상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계, 및
상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 단계를 더 포함하는 것을 특징으로 하는,
방법.
제8항에 있어서,
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계, 및
상기 음성 인식 결과 정보는 PUSCH를 통해 상기 네트워크로 전송하는 단계를 더 포함하며,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는,
방법.
제8항에 있어서,
상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계, 및
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계를 더 포함하고,
상기 AI 프로세싱된 정보는,
상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 하는,
방법.
외부의 신호를 검출하는 적어도 하나의 마이크;
미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하는 프로세서;를 포함하되,
상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트되고,
상기 음성 인식 결과 정보는 상기 음성 인식의 성공 여부와 관련된 정보를 포함하고,
상기 프로세서는 상기 인식된 음성에 대한 후처리를 수행하며,
상기 음성 인식 결과 정보는,
상기 후처리 결과와 관련된 정보를 포함하고,
상기 후처리 결과와 관련된 정보는,
상기 후처리에 따라 발생된 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 하는,
음성 인식 장치.
삭제
제11항에 있어서,
상기 성공 여부와 관련된 정보는,
상기 음성을 인식하여 생성된 텍스트 정보를 포함하는 것을 특징으로 하는,
음성 인식 장치.
제11항에 있어서,
상기 성공 여부와 관련된 정보는,
상기 음성을 인식하여 생성된 텍스트에 포함된 단어의 수와 관련된 정보를 포함하는 것을 특징으로 하는,
음성 인식 장치.
삭제
삭제
제11항에 있어서,
상기 음성 인식 결과 정보는,
상기 음성 인식 결과 정보가 출력되는 속도와 관련된 정보를 포함하는 것을 특징으로 하는,
음성 인식 장치.
제11항에 있어서,
외부 장치와 무선 통신을 수행하기 위한 통신부를 더 포함하며,
상기 프로세서는,
상기 통신부를 통해 상기 음성 인식 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
상기 통신부를 통해 상기 음성 인식 결과 정보를 상기 DCI에 기초하여 상기 네트워크로 전송하는 것을 특징으로 하는,
음성 인식 장치.
제18항에 있어서,
상기 프로세서는,
상기 통신부를 통해 SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
상기 통신부를 통해 상기 음성 인식 결과 정보를 PUSCH를 통해 상기 네트워크로 전송하며,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는,
음성 인식 장치.
제18항에 있어서,
상기 프로세서는,
상기 음성 인식 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 상기 통신부를 제어하고,
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하며,
상기 AI 프로세싱된 정보는,
상기 음성 인식 결과 정보에 기반하여 업데이트된 상기 음성 인식 모델의 파라미터인 것을 특징으로 하는,
음성 인식 장치.
컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 상기 컴퓨터 실행 가능한 컴포넌트는,
마이크 검출 신호를 획득하고,
미리 학습된 음성 인식 모델을 이용하여 상기 적어도 하나의 마이크를 통해 획득된 마이크 검출 신호에서 사용자의 음성을 인식하며, 상기 사용자의 음성을 인식한 결과와 관련된 정보를 출력하되,
상기 음성 인식 모델은 상기 출력된 음성 인식 결과 정보에 기반하여 업데이트되고,
상기 음성 인식 결과 정보는 상기 음성 인식의 성공 여부와 관련된 정보를 포함하고,
상기 인식된 음성에 대한 후처리를 수행하는 과정을 더 포함하며,
상기 음성 인식 결과 정보는,
상기 후처리 결과와 관련된 정보를 포함하는 것을 특징으로 하고,
상기 후처리 결과와 관련된 정보는,
상기 후처리에 따라 발생된 텍스트의 수정 횟수와 관련된 정보를 포함하는 것을 특징으로 하는,
비 일시적 컴퓨터 판독 가능한 기록 매체.