KR102395472B1 - 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치 - Google Patents

가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치 Download PDF

Info

Publication number
KR102395472B1
KR102395472B1 KR1020170071795A KR20170071795A KR102395472B1 KR 102395472 B1 KR102395472 B1 KR 102395472B1 KR 1020170071795 A KR1020170071795 A KR 1020170071795A KR 20170071795 A KR20170071795 A KR 20170071795A KR 102395472 B1 KR102395472 B1 KR 102395472B1
Authority
KR
South Korea
Prior art keywords
signal
window size
sound source
learning target
determining
Prior art date
Application number
KR1020170071795A
Other languages
English (en)
Other versions
KR20180134213A (ko
Inventor
임우택
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020170071795A priority Critical patent/KR102395472B1/ko
Publication of KR20180134213A publication Critical patent/KR20180134213A/ko
Application granted granted Critical
Publication of KR102395472B1 publication Critical patent/KR102395472B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • G10L19/12—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters the excitation function being a code excitation, e.g. in code excited linear prediction [CELP] vocoders

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치가 개시된다. 본 개시의 일 실시 예에 따른 가변 윈도우 사이즈 기반의 음원 분리 방법은 상기 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정하는 과정과, 상기 윈도우 사이즈 단위의 학습 대상 신호를 설정하는 과정과, 신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행하고, 상기 학습 대상 신호에 대한 특성을 확인하는 과정과, 상기 학습 대상 신호에 대한 특성을 고려하여, 상기 오디오 신호로부터 상기 특성에 대응되는 음원을 분리하는 과정을 포함할 수 있다.

Description

가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치{METHOD SEPARATING SOUND SOURCE BASED ON VARIABLE WINDOW SIZE AND APPARATUS ADAPTING THE SAME}
본 개시는 오디오 신호 처리 기술에 관한 것이며, 보다 구체적으로는 오디오 신호로부터 적어도 하나의 특성을 갖는 신호를 분리하는 방법 및 장치에 대한 것이다.
인간은 다수의 음원이 존재하는 환경에서 특정 음원 신호에 주목하여 인식할 수 있으므로, 기계 역시 효과적인 신호 처리를 위해 혼합 신호로부터 특정 음원을 분리할 것이 요구되었다.
특히 최근에 음성 인식 기반의 대화 서비스나, 인공지능 서비스 등이 주목받으면서, 여러 음원 신호가 혼합된 오디오 신호에서 개별적인 음원 신호를 분리해내는 기술에 대한 연구가 활발하게 이루어지고 있다.
오디오 신호에서 개별적인 음원 신호를 분리하기 위해 독립 성분 분석(Independent Component Analysis;ICA) 방식, 독립 벡터 분석(Independent Vector Analysis;IVA) 방식, 빔 포밍(Beam Forming) 방식, ESPRIT(Estimation of Signal Parameters via Rotational Invariance Technique) 방식, DUET(Degenerate Unmixing and Estimation Technique) 방식 등과 같이 음원의 공간적인 정보나 통계적인 정보에 기초하여 음원 신호를 분리하는 방식이 연구되었다.
종래의 공간적인 정보나 통계적인 정보에 기초하여 음원 신호를 분리하는 방식의 한계를 극복하기 위해, 딥 러닝 기술을 적용하여 음원 신호를 분리하기 위한 연구가 시도되고 있다.
본 개시의 기술적 과제는 딥 러닝 기술을 적용하여 음원 신호를 보다 정확하게 검출할 수 있는 방법 및 장치를 제공하는 것이다.
본 개시의 다른 기술적 과제는 딥 러닝 기술을 적용한 음원 신호를 분리시 검출 성능을 극대화 할 수 있는 방법 및 장치를 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따르면 가변 윈도우 사이즈 기반의 음원 분리 방법이 제공될 수 있다. 상기 방법은 상기 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정하는 과정과, 상기 윈도우 사이즈 단위의 학습 대상 신호를 설정하는 과정과, 신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행하고, 상기 학습 대상 신호에 대한 특성을 확인하는 과정과, 상기 학습 대상 신호에 대한 특성을 고려하여, 상기 오디오 신호로부터 상기 특성에 대응되는 음원을 분리하는 과정을 포함할 수 있다.
본 개시에 대하여 위에서 간략하게 요약된 특징들은 후술하는 본 개시의 상세한 설명의 예시적인 양상일 뿐이며, 본 개시의 범위를 제한하는 것은 아니다.
본 개시에 따르면, 딥 러닝 기술을 적용한 음원 신호의 검출 시 정확하게 음원 신호를 분리하고 검출할 수 있는 방법 및 장치가 제공될 수 있다.
또한, 본 개시에 따르면, 딥 러닝 기술 기반의 음원 신호 분리시 검출 성능을 극대화 할 수 있는 방법 및 장치를 제공하는 것이다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 일 실시예에 따른 음원 분리 장치의 구성을 도시하는 블록도이다.
도 2는 본 개시의 일 실시예에 따른 음원 분리 장치에 사용되는 뉴럴 네트워크 구조를 예시하는 도면이다.
도 3은 본 개시의 일 실시예에 따른 음원 분리 방법의 순서를 도시하는 흐름도이다.
도 4는 본 개시의 일 실시예에 따른 음원 분리 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
이하에서는 첨부한 도면을 참고로 하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시의 실시 예를 설명함에 있어서 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다. 그리고, 도면에서 본 개시에 대한 설명과 관계없는 부분은 생략하였으며, 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계뿐만 아니라, 그 중간에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 어떤 구성요소가 다른 구성요소를 "포함한다" 또는 "가진다"고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 배제하는 것이 아니라 또 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 개시에 있어서, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되며, 특별히 언급되지 않는 한 구성요소들간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시 예에서의 제1 구성요소는 다른 실시 예에서 제2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시 예에서의 제2 구성요소를 다른 실시 예에서 제1 구성요소라고 칭할 수도 있다.
본 개시에 있어서, 서로 구별되는 구성요소들은 각각의 특징을 명확하게 설명하기 위함이며, 구성요소들이 반드시 분리되는 것을 의미하지는 않는다. 즉, 복수의 구성요소가 통합되어 하나의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있고, 하나의 구성요소가 분산되어 복수의 하드웨어 또는 소프트웨어 단위로 이루어질 수도 있다. 따라서, 별도로 언급하지 않더라도 이와 같이 통합된 또는 분산된 실시 예도 본 개시의 범위에 포함된다.
본 개시에 있어서, 다양한 실시 예에서 설명하는 구성요소들이 반드시 필수적인 구성요소들은 의미하는 것은 아니며, 일부는 선택적인 구성요소일 수 있다. 따라서, 일 실시 예에서 설명하는 구성요소들의 부분집합으로 구성되는 실시 예도 본 개시의 범위에 포함된다. 또한, 다양한 실시 예에서 설명하는 구성요소들에 추가적으로 다른 구성요소를 포함하는 실시 예도 본 개시의 범위에 포함된다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예들에 대해서 설명한다.
도 1은 본 개시의 일 실시예에 따른 음원 분리 장치의 구성을 도시하는 블록도이다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 음원 분리 장치는 윈도우 스위칭부(11), 신호 처리부(13), 뉴럴 네트워크 구조부(15), 신호 특성 확인부(17), 및 음원 분리부(19)를 구비한다.
윈도우 스위칭부(11)는 입력되는 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정한다.
윈도우 스위칭부(11)는 신호 특성 확인부(17)에서 확인된 신호 특성을 피드백 받아 오디오 신호의 윈도우 사이즈를 결정할 수 있다.
예를 들어, 윈도우 스위칭부(11)는 현재 프레임 또는 이전 프레임에 대한 신호 특성을 신호 특성 확인부(17)로부터 수신할 수 있으며, 현재 프레임 또는 이전 프레임에 대한 신호 특성을 반영하여, 다음 프레임이나 현재 프레임의 윈도우 사이즈를 결정할 수 있다.
다른 예로서, 윈도우 스위칭부(11)는 미리 보기(Look-ahead) 프레임을 설정하여 현재 프레임의 신호 특성을 미리 판단한 뒤, 현재 프레임에 대한 윈도우 사이즈를 결정할 수도 있다.
또한, 오디오 신호를 처리할 때 윈도우의 사이즈는 2N으로 이루어질 수 있음을 고려하여, 윈도우 스위칭부(11)는 장(Long) 윈도우와, 단(Short) 윈도우의 사이즈는 하기의 수학식 1에 기초하여 산출할 수 있다.
Figure 112017054725735-pat00001
NShort은 Short 윈도우의 사이즈를 나타내며, NLong은 Long 윈도우의 사이즈를 나타낸다.
한편, 음원은 조화음(Harmonic)과 타격음(Percussive)을 포함할 수 있으며, 이에 따라 오디오 신호는 조화음(Harmonic) 특성을 갖는 신호와 타격음(Percussive) 특성을 갖는 신호를 포함할 수 있다.
그리고, 사람의 음성은 일반적으로 조화음 특성을 갖는 신호를 구비하고 있으며, 타격음 특성을 갖는 신호는 음성 인식을 처리하는데 노이즈로서 작용할 수 있으므로, 음성 인식의 성능을 향상시키기 위해서 타격음 특성을 갖는 신호를 제거하는 등의 신호 처리를 수행한 후, 음성 인식 처리 동작을 수행하기도 한다.
또한, 음악과 같은 오디오 신호에서도, 보컬, 피아노 등에 대응되는 오디오 신호는 조화음 특성을 갖는 신호를 더 많이 포함하고 있으며, 드럼, 베이스 등에 대응되는 오디오 신호는 조화음 특성을 갖는 신호를 더 많이 포함할 수 있다.
이렇게 두 신호의 성분은 서로 다른 특성을 가지고 있다는 가정을 전제로 분리를 수행하기 때문에 오디오 신호 처리시 프레임 사이즈가 음원 분리 성능에 중요한 영향을 미치는 요소가 될 수 있다.
일반적으로 오디오 신호의 프레임 사이즈와, 조화음 및 타격음 성분의 신호를 분리하는 성능은 서로 트레이드 오프 관계에 있다. 즉, 프레임 사이즈가 작아질수록 타격음 특성을 갖는 신호의 분리 성능이 향상되고, 프레임 사이즈가 커질수록 조화음 특성을 갖는 신호의 분리 성능이 향상될 수 있다.
오디오 신호에는 두 성분 중 한 가지 성분만 존재하는 부분이 있을 수 있고, 두 가지 성분이 동시에 존재하는 부분이 있을 수 있다. 따라서, 고정된 프레임 사이즈를 이용하여 조화음 특성을 갖는 신호와, 타격음 특성을 갖는 신호를 분리하는 것은 신호 처리의 효율성을 저하시킬 수 있다. 따라서, 윈도우 스위칭부(11)는 오디오 신호의 특성을 파악하여 프레임 사이즈를 조절하는 것이 바람직하다.
신호 처리부(13)는 상기 윈도우 사이즈 단위의 학습 대상 신호를 설정할 수 있다. 상기 학습 대상 신호는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 단위의 신호를 포함할 수 있으며, 이를 위해 신호 처리부(13)는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할할 수 있다.
다른 예로서, 상기 학습 대상 신호는 시간-주파수의 2차원 도메인으로 변환된 오디오 신호를 포함할 수 있다. 이에 따라, 신호 처리부(13)는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 후, 분할된 오디오 신호를 STFT(Short Time Fourier Transform)등을 수행하여 시간-주파수 2차원 도메인으로 변환할 수 있다.
나아가, 오디오 신호에서 다양한 특징값을 구비할 수 있으며, 상기 학습 대상 신호는 상기 다양한 특징값을 고려하여 변환된 신호를 포함할 수 있다. 그리고, 신호 처리부(13)는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 후, 상기 다양한 특징값을 고려하여 변환한 신호를 출력할 수 있다.
나아가, 본 개시의 일 실시예에서, 스위칭부(11) 및 신호 처리부(13)가 학습 대상 신호를 처리하여, 뉴럴 네트워크 구조부(15)에 제공하는 것을 예시하였으나, 본 개시가 이를 한정하는 것은 아니다. 예를 들어, 스위칭부(11) 및 신호 처리부(13)는 테스트 신호에 대한 처리를 수행할 수 있으며, 이렇게 처리도니 테스트 신호를 뉴럴 네트워크 구조부(15)의 입력 신호로서 제공할 수 있다.
뉴럴 네트워크 구조부(15)는 신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행할 수 있다.
구체적으로, 뉴럴 네트워크 구조부(15)는 학습을 통해 구성된 네트워크 구조를 기반으로 신경망을 학습하거나 결과를 도출할 수 있다. 신경망의 구조는 하나 이상의 레이어로 구성된 네트워크 구조를 형성할 수 있는데, 이러한 네트워크 구조는 인공 신경망(Artificial Neural Network), 컨벌루션 신경망(Convolutional Neural Network), 회귀 신경망(Recurrent Neural Network), 양방향성 신경망(Bidirectional Neural Network)등 다양한 방식을 포함할 수 있다. 나아가, 상기 네트워크 구조는 컨벌루션, 서브 샘플링, 활성화(Activation), 드롭 아웃(Drop out), 소프트맥스(Softmax), 정규화 등 다양한 방식을 반영하여 구성될 수 있다.
신호 특성 확인부(17)는 네트워크 노드의 출력 값을 바탕으로 상기 학습 대상 신호의 특성을 판단한다. 뉴럴 네트워크는 수많은 노드의 출력 값의 조합을 통해 결과를 출력해 내므로 입력된 신호, 즉 학습 대상 신호의 특성에 따라 활성화되는 노드가 달라질 수 있다. 따라서, 이러한 노드들의 출력값을 비교하면 학습 대상 신호가 어떤 특성을 구비하는 지를 추론할 수 있다. 예를 들어, 2차원 시간-주파수 도메인 스펙트로그램을 컨벌루션 신경망의 입력으로 사용함을 가정하면, 조화음 특성을 갖는 신호에 대해서는 시간 축에 수평방향으로 분포되는 특성을 갖는 필터가 더 많이 활성화될 수 있으며, 타격음 특성을 갖는 신호에 대해서는 시간 축에 수직방향으로 분포되는 특성을 지닌 필터가 더 많이 활성화될 수 있다.
이를 고려하여, 신호 특성 확인부(17)는 네트워크 노드의 출력값을 확인하여 학습 대상 신호의 특성을 판단할 수 있다. 신호 특성 확인부(17)는 판단된 신호의 특성을 윈도우 스위칭부(11)에 제공할 수 있다.
한편, 윈도우 스위칭부(11)는 신호 특성 확인부(17)에서 제공하는 신호의 특성을 피드백 받을 수 있으며, 피드백 받은 결과를 반영하여 윈도우 사이즈르 ㄹ결정하는데 반영할 수 있다. 예를 들어, 윈도우 스위칭부(11)는 스펙트로그램을 입력으로 하는 뉴럴 네트워크의 출력 노드값을 바탕으로 윈도우 사이즈를 결정할 수 있다.
즉, 신호 특성 확인부(17)는 타격음에 대응되는 네트워크 노드의 출력값이 더 큰 것으로 확인하고, 학습 대상 신호의 주된 성분이 타격음 특성을 갖는 신호임을 확인하고, 그 결과를 윈도우 스위칭부(11)에 제공할 수 있다. 이에 따라, 윈도우 스위칭부(11)는 학습 대상 신호의 윈도우 사이즈를 이전 프레임보다 상대적으로 작게 변경할 수 있다. 또는 신호 특성 확인부(17)는 조화음에 대응되는 네트워크 노드의 출력값이 더 큰 것으로 확인하고, 학습 대상 신호의 주된 성분이 조화음 특성을 갖는 신호임을 확인하고, 그 결과를 윈도우 스위칭부(11)에 제공할 수 있다. 이에 따라, 윈도우 스위칭부(11)는 학습 대상 신호의 윈도우 사이즈를 이전 프레임보다 상대적으로 크게 변경할 수 있다.
나아가, 윈도우 스위칭부(11)가 학습 대상 신호의 주된 성분을 반영하여 윈도우 사이즈를 변경하는 동작은 하기의 수학식 2의 연산을 통해 처리할 수 있다.
Figure 112017054725735-pat00002
Figure 112017054725735-pat00003
여기서, t= 시간, f= 주파수,
Figure 112017054725735-pat00004
,
Figure 112017054725735-pat00005
은 아웃풋 신호이다.
나아가, 일반적으로 여러 개의 음원이 포함된 오디오 신호는, 조화음 특성을 갖는 신호와 타격음 특성을 갖는 신호의 절대적인 에너지 값은 같은 비율로 분포하지 않을 수 있다. 따라서, 이를 보상해줄 수 있는 가중치 값(scaling　factor)이 필요하다. 수학식 2에서, 가중치 값(α)은 네트워크 훈련 과정을 통해 실험적으로 임의의 실수 값으로 정해질 수 있다.
한편, 음원 분리부(19)는 신호 특성 확인부(17)에서 제공하는 신호 특성ㅇ르 바탕으로, 뉴럴 네트워크 구조부(15)에서 출력된 출력신호에 대한 음원 분리 마스킹을 수행하여, 학습 대상 신호로부터 음원을 분리할 수 있다. 예를 들어, 음원 분리부(19)는 하기의 수학식 3의 연산을 통해, 2차원 시간-주파수 도메인 스펙트로그램을 기반으로 소프트 음원 분리 마스킹을 수행할 수 있다.
Figure 112017054725735-pat00006
Figure 112017054725735-pat00007
여기서, X는 인풋 신호, M은 마스킹 함수, Sh(t, f)는 조화음 마스킹 신호, SP(t, f)는 타격음 마스킹 신호를 나타낸다. 그리고, Mh(t, f)는 하기의 수학식 4에 의해 산출될 수 있다.
Figure 112017054725735-pat00008
도 3은 본 개시의 일 실시예에 따른 음원 분리 방법의 순서를 도시하는 흐름도이다.
본 개시의 일 실시예에 따른 음원 분리 방법은 전술한 음원 분리 장치에 의해 수행될 수 있다.
우선, S301 단계에서, 음원 분리 장치는 입력되는 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정한다.
음원 분리 장치는 S304 단계에서 확인된 신호 특성을 피드백받아 오디오 신호의 윈도우 사이즈를 결정할 수 있다. 예를 들어, 음원 분리 장치는 현재 프레임 또는 이전 프레임에 대한 신호 특성을 S304 단계를 진행하여 확인할 수 있으며, 현재 프레임 또는 이전 프레임에 대한 신호 특성을 반영하여, 다음 프레임이나 현재 프레임의 윈도우 사이즈를 결정할 수 있다.
다른 예로서, 음원 분리 장치는 미리 보기(Look-ahead) 프레임을 설정하여 S302 내지 S304 단계를 진행하여 현재 프레임의 신호 특성을 미리 판단한 뒤, 현재 프레임에 대한 윈도우 사이즈를 결정할 수도 있다.
또한, 오디오 신호를 처리할 때 윈도우의 사이즈는 2N으로 이루어질 수 있으며, 장(Long) 윈도우와, 단(Short) 윈도우의 사이즈는 전술한 수학식 1에 기초하여 산출할 수 있다.
한편, 음원은 조화음(Harmonic)과 타격음(Percussive)을 포함할 수 있으며, 이에 따라 오디오 신호는 조화음(Harmonic) 특성을 갖는 신호와 타격음(Percussive) 특성을 갖는 신호를 포함할 수 있다.
그리고, 사람의 음성은 일반적으로 조화음 특성을 갖는 신호를 구비하고 있으며, 타격음 특성을 갖는 신호는 음성 인식을 처리하는데 노이즈로서 작용할 수 있으므로, 음성 인식의 성능을 향상시키기 위해서 타격음 특성을 갖는 신호를 제거하는 등의 신호 처리를 수행한 후, 음성 인식 처리 동작을 수행하기도 한다.
또한, 음악과 같은 오디오 신호에서도, 보컬, 피아노 등에 대응되는 오디오 신호는 조화음 특성을 갖는 신호를 더 많이 포함하고 있으며, 드럼, 베이스 등에 대응되는 오디오 신호는 조화음 특성을 갖는 신호를 더 많이 포함할 수 있다.
이렇게 두 신호의 성분은 서로 다른 특성을 가지고 있다는 가정을 전제로 분리를 수행하기 때문에 오디오 신호 처리시 프레임 사이즈가 음원 분리 성능에 중요한 영향을 미치는 요소가 될 수 있다.
일반적으로 오디오 신호의 프레임 사이즈와, 조화음 및 타격음 성분의 신호를 분리하는 성능은 서로 트레이드 오프 관계에 있다. 즉, 프레임 사이즈가 작아질수록 타격음 특성을 갖는 신호의 분리 성능이 향상되고, 프레임 사이즈가 커질수록 조화음 특성을 갖는 신호의 분리 성능이 향상될 수 있다.
오디오 신호에는 두 성분 중 한 가지 성분만 존재하는 부분이 있을 수 있고, 두 가지 성분이 동시에 존재하는 부분이 있을 수 있다. 따라서, 고정된 프레임 사이즈를 이용하여 조화음 특성을 갖는 신호와, 타격음 특성을 갖는 신호를 분리하는 것은 신호 처리의 효율성을 저하시킬 수 있다. 따라서, 음원 분리 장치는 오디오 신호의 특성을 파악하여 프레임 사이즈를 조절하는 것이 바람직하다.
S302 단계에서, 음원 분리 장치는 상기 윈도우 사이즈 단위의 학습 대상 신호를 설정할 수 있다. 상기 학습 대상 신호는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 단위의 신호를 포함할 수 있으며, 이를 위하여, 음원 분리 장치는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할할 수 있다.
다른 예로서, 상기 학습 대상 신호는 시간-주파수의 2차원 도메인으로 변환된 오디오 신호를 포함할 수 있다. 이에 따라, S302 단계에서, 음원 분리 장치는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 후, 분할된 오디오 신호를 STFT(Short Time Fourier Transform)등을 수행하여 시간-주파수 2차원 도메인으로 변환할 수 있다.
나아가, 오디오 신호에서 다양한 특징값을 구비할 수 있으며, 상기 학습 대상 신호는 상기 다양한 특징값을 고려하여 변환된 신호를 포함할 수 있다. 그리고, 음원 분리 장치는 입력된 오디오 신호를 상기 윈도우 사이즈로 분할한 후, 상기 다양한 특징값을 고려하여 변환한 신호를 출력할 수 있다.
다음으로, S303 단계에서, 음원 분리 장치는 신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행할 수 있다.
구체적으로, 음원 분리 장치는 학습을 통해 구성된 네트워크 구조(200, 도 2 참조)를 기반으로 신경망을 학습하거나 결과를 도출할 수 있다. 신경망의 구조는 하나 이상의 레이어로 구성된 네트워크 구조를 형성할 수 있는데, 이러한 네트워크 구조는 인공 신경망(Artificial Neural Network), 컨벌루션 신경망(Convolutional Neural Network), 회귀 신경망(Recurrent Neural Network), 양방향성 신경망(Bidirectional Neural Network)등 다양한 방식을 포함할 수 있다. 나아가, 상기 네트워크 구조는 컨벌루션, 서브 샘플링, 활성화(Activation), 드롭 아웃(Drop out), 소프트맥스(Softmax), 정규화 등 다양한 방식을 반영하여 구성될 수 있다.
S304 단계에서, 음원 분리 장치는 네트워크 노드의 출력 값을 바탕으로 상기 학습 대상 신호의 특성을 판단한다. 뉴럴 네트워크는 수많은 노드의 출력 값의 조합을 통해 결과를 출력해 내므로 입력된 신호, 즉 학습 대상 신호의 특성에 따라 활성화되는 노드가 달라질 수 있다. 따라서, 이러한 노드들의 출력값을 비교하면 학습 대상 신호가 어떤 특성을 구비하는 지를 추론할 수 있다. 예를 들어, 2차원 시간-주파수 도메인 스펙트로그램을 컨벌루션 신경망의 입력으로 사용함을 가정하면, 조화음 특성을 갖는 신호에 대해서는 시간 축에 수평방향으로 분포되는 특성을 갖는 필터가 더 많이 활성화될 수 있으며, 타격음 특성을 갖는 신호에 대해서는 시간 축에 수직방향으로 분포되는 특성을 지닌 필터가 더 많이 활성화될 수 있다.
이를 고려하여, 음원 분리 장치는 네트워크 노드의 출력값을 확인하여 학습 대상 신호의 특성을 판단할 수 있다. 이와 같이 판단된 신호의 특성은 S301 단계에서 윈도우 사이즈를 설정하는데 사용될 수 있다. 예컨대, 음원 분리 장치는 S304 단계에서 확인된 신호의 특성을 피드백으로 처리하는 구성을 구비할 수 있으며, 이에 따라, 음원 분리 장치는 피드백 받은 결과를 반영하여 윈도우 사이즈를 결정하는데 반영할 수 있다. 예를 들어, 음원 분리 장치는 스펙트로그램을 입력으로 하는 뉴럴 네트워크의 출력 노드값을 바탕으로 윈도우 사이즈를 결정할 수 있다. 즉, 음원 분리 장치는 타격음에 대응되는 네트워크 노드의 출력값이 더 큰 것으로 확인하고, 학습 대상 신호의 주된 성분이 타격음 특성을 갖는 신호임을 확인하고, 학습 대상 신호의 윈도우 사이즈를 이전 프레임보다 상대적으로 작게 변경할 수 있다. 또는 음원 분리 장치는 조화음에 대응되는 네트워크 노드의 출력값이 더 큰 것으로 확인하고, 학습 대상 신호의 주된 성분이 조화음 특성을 갖는 신호임을 확인하고, 그 결과를 반영하여 학습 대상 신호의 윈도우 사이즈를 이전 프레임보다 상대적으로 크게 변경할 수도 있다.
나아가, 음원 분리 장치가 학습 대상 신호의 주된 성분을 반영하여 윈도우 사이즈를 변경하는 동작은 전술한 수학식 2의 연산을 통해 처리할 수 있다.
한편, S305 단계에서, 음원 분리 장치는 뉴럴 네트워크 구조를 통해 출력되는 값을 바탕으로 음원 분리 마스킹을 수행하여, 학습 대상 신호로부터 음원을 분리할 수 있다. 예를 들어, 음원 분리 장치는 전술한 수학식 3의 연산을 통해, 2차원 시간-주파수 도메인 스펙트로그램을 기반으로 소프트 음원 분리 마스킹을 수행할 수 있다.
도 4는 본 개시의 일 실시예에 따른 음원 분리 방법 및 장치를 실행하는 컴퓨팅 시스템을 예시하는 블록도이다.
도 4를 참조하면, 컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다.
프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory) 및 RAM(Random Access Memory)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같은 저장 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보를 판독할 수 있고 저장 매체에 정보를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
본 개시의 예시적인 방법들은 설명의 명확성을 위해서 동작의 시리즈로 표현되어 있지만, 이는 단계가 수행되는 순서를 제한하기 위한 것은 아니며, 필요한 경우에는 각각의 단계가 동시에 또는 상이한 순서로 수행될 수도 있다. 본 개시에 따른 방법을 구현하기 위해서, 예시하는 단계에 추가적으로 다른 단계를 포함하거나, 일부의 단계를 제외하고 나머지 단계를 포함하거나, 또는 일부의 단계를 제외하고 추가적인 다른 단계를 포함할 수도 있다.
본 개시의 다양한 실시 예는 모든 가능한 조합을 나열한 것이 아니고 본 개시의 대표적인 양상을 설명하기 위한 것이며, 다양한 실시 예에서 설명하는 사항들은 독립적으로 적용되거나 또는 둘 이상의 조합으로 적용될 수도 있다.
또한, 본 개시의 다양한 실시 예는 하드웨어, 펌웨어(firmware), 소프트웨어, 또는 그들의 결합 등에 의해 구현될 수 있다. 하드웨어에 의한 구현의 경우, 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 범용 프로세서(general processor), 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
본 개시의 범위는 다양한 실시 예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다.

Claims (10)

  1. 오디오 신호를 처리하는 방법에 있어서,
    상기 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정하는 과정과,
    상기 윈도우 사이즈 단위의 학습 대상 신호를 설정하는 과정과,
    신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행하고, 상기 학습 대상 신호에 대한 특성을 확인하는 과정과,
    상기 학습 대상 신호에 대한 특성을 고려하여, 상기 오디오 신호로부터 상기 특성에 대응되는 음원을 분리하는 과정을 포함하고,
    상기 윈도우 사이즈를 결정하는 과정은,
    이전 프레임에 대한 신호 특성을 확인하고, 상기 이전 프레임에 대한 신호 특성을 반영하여, 현재 프레임의 윈도우 사이즈를 결정하는 과정을 포함하는 것을 특징으로 하는 가변 윈도우 사이즈 기반의 음원 분리 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 윈도우 사이즈를 결정하는 과정은,
    미리 보기(Look-ahead) 프레임을 설정하여 현재 프레임의 신호 특성을 확인하는 과정과,
    상기 현재 프레임에 대한 윈도우 사이즈를 결정하는 과정을 포함하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  4. 제1항에 있어서,
    상기 학습 대상 신호는,
    시간-주파수의 2차원 도메인으로 변환된 오디오 신호를 포함하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  5. 제1항에 있어서,
    상기 윈도우 사이즈를 결정하는 과정은,
    상기 신경망의 출력 노드값을 바탕으로 윈도우 사이즈를 결정하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  6. 제1항에 있어서,
    상기 학습 대상 신호에 대한 특성을 확인하는 과정은,
    타격음에 대응되는 네트워크 노드의 출력값이 조화음에 대응되는 네트워크 노드의 출력값보다 상대적으로 더 큰값을 나타내는 것을 확인하고,
    상기 학습 대상 신호의 주된 성분이 상기 타격음 특성을 갖는 신호임을 결정하는 과정을 포함하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  7. 제6항에 있어서,
    상기 윈도우 사이즈를 결정하는 과정은,
    상기 학습 대상 신호의 현재 프레임에 대한 윈도우 사이즈를 이전 프레임의 윈도우 사이즈보다 상대적으로 작게 결정하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  8. 제1항에 있어서,
    상기 학습 대상 신호에 대한 특성을 확인하는 과정은,
    조화음에 대응되는 네트워크 노드의 출력값이 타격음에 대응되는 네트워크 노드의 출력값보다 상대적으로 더 큰값을 나타내는 것을 확인하고,
    상기 학습 대상 신호의 주된 성분이 상기 조화음 특성을 갖는 신호임을 결정하는 과정을 포함하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  9. 제8항에 있어서,
    상기 윈도우 사이즈를 결정하는 과정은,
    상기 학습 대상 신호의 현재 프레임에 대한 윈도우 사이즈를 이전 프레임의 윈도우 사이즈보다 상대적으로 크게 결정하는,
    가변 윈도우 사이즈 기반의 음원 분리 방법.
  10. 오디오 신호를 처리하는 전자장치에 있어서,
    상기 오디오 신호의 특성을 반영하여 윈도우 사이즈를 결정하는 윈도우 스위칭부,
    상기 윈도우 사이즈 단위의 학습 대상 신호를 설정하는 신호 처리부,
    신경망 구조에 상기 학습 대상 신호를 적용하여, 상기 신경망 구조에 대한 학습을 수행하는 학습처리부와,
    상기 신경망의 출력 노드 값에 기초하여, 상기 학습 대상 신호에 대한 특성을 확인하는 신호 특성 확인부, 및
    상기 학습 대상 신호에 대한 특성을 고려하여, 상기 오디오 신호로부터 상기 특성에 대응되는 음원을 분리하는 음원 분리부를 포함하고,
    상기 윈도우 스위칭부는,
    이전 프레임에 대한 신호 특성을 확인하고, 상기 이전 프레임에 대한 신호 특성을 반영하여, 현재 프레임의 윈도우 사이즈를 결정하는,
    가변 윈도우 사이즈 기반의 음원 분리 장치.
KR1020170071795A 2017-06-08 2017-06-08 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치 KR102395472B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170071795A KR102395472B1 (ko) 2017-06-08 2017-06-08 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170071795A KR102395472B1 (ko) 2017-06-08 2017-06-08 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180134213A KR20180134213A (ko) 2018-12-18
KR102395472B1 true KR102395472B1 (ko) 2022-05-10

Family

ID=64952460

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170071795A KR102395472B1 (ko) 2017-06-08 2017-06-08 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102395472B1 (ko)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070083365A1 (en) * 2005-10-06 2007-04-12 Dts, Inc. Neural network classifier for separating audio sources from a monophonic audio signal

Also Published As

Publication number Publication date
KR20180134213A (ko) 2018-12-18

Similar Documents

Publication Publication Date Title
Li et al. Adversarial music: Real world audio adversary against wake-word detection system
KR102128926B1 (ko) 오디오 정보 처리 방법 및 디바이스
Grais et al. Raw multi-channel audio source separation using multi-resolution convolutional auto-encoders
US11069342B2 (en) Method for training voice data set, computer device, and computer-readable storage medium
US20190180142A1 (en) Apparatus and method for extracting sound source from multi-channel audio signal
WO2015047517A1 (en) Keyword detection
WO2014109847A1 (en) Speaker verification and identification using artificial neural network-based sub-phonetic unit discrimination
US9570069B2 (en) Sectioned memory networks for online word-spotting in continuous speech
Meyer et al. Efficient convolutional neural network for audio event detection
US20170249957A1 (en) Method and apparatus for identifying audio signal by removing noise
US11282514B2 (en) Method and apparatus for recognizing voice
CN110751955B (zh) 基于时频矩阵动态选择的声音事件分类方法及系统
CN112634882B (zh) 端到端实时语音端点检测神经网络模型、训练方法
CN110648669B (zh) 多频分路声纹识别方法、装置、系统及计算机可读存储介质
JP6966750B2 (ja) ブラインド信号分離のための方法、装置及び電子デバイス
KR20230125994A (ko) 적대적 생성 신경망을 이용한 오디오 신호 생성 모델 및 훈련 방법
Li et al. Learning normality is enough: a software-based mitigation against inaudible voice attacks
US10586529B2 (en) Processing of speech signal
Liu et al. Golden gemini is all you need: Finding the sweet spots for speaker verification
WO2012105386A1 (ja) 有音区間検出装置、有音区間検出方法、及び有音区間検出プログラム
KR102395472B1 (ko) 가변 윈도우 사이즈 기반의 음원 분리 방법 및 장치
US20220358934A1 (en) Spoofing detection apparatus, spoofing detection method, and computer-readable storage medium
US20210256970A1 (en) Speech feature extraction apparatus, speech feature extraction method, and computer-readable storage medium
Ivry et al. Evaluation of deep-learning-based voice activity detectors and room impulse response models in reverberant environments
Yang et al. Embedding recurrent layers with dual-path strategy in a variant of convolutional network for speaker-independent speech separation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant