KR102412134B1 - 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치 - Google Patents

음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치 Download PDF

Info

Publication number
KR102412134B1
KR102412134B1 KR1020190152665A KR20190152665A KR102412134B1 KR 102412134 B1 KR102412134 B1 KR 102412134B1 KR 1020190152665 A KR1020190152665 A KR 1020190152665A KR 20190152665 A KR20190152665 A KR 20190152665A KR 102412134 B1 KR102412134 B1 KR 102412134B1
Authority
KR
South Korea
Prior art keywords
information
sound source
target sound
bit
user
Prior art date
Application number
KR1020190152665A
Other languages
English (en)
Other versions
KR20210063948A (ko
Inventor
서정훈
이원섭
Original Assignee
주식회사 사운드플랫폼
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 주식회사 사운드플랫폼 filed Critical 주식회사 사운드플랫폼
Priority to KR1020190152665A priority Critical patent/KR102412134B1/ko
Publication of KR20210063948A publication Critical patent/KR20210063948A/ko
Application granted granted Critical
Publication of KR102412134B1 publication Critical patent/KR102412134B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/12—Payment architectures specially adapted for electronic shopping systems

Abstract

다양한 실시예들은 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치에 대한 것이다.

Description

음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치{OPERATING METHOD FOR ELECTRONIC APPARATUS FOR MASTERING SOUND SOURCE AND ELECTRONIC APPARATUS SUPPORTING THEREOF}
다양한 실시예들은 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치에 대한 것이다.
음원의 생산 및 배포과정에서 음원 가공, 믹싱 또는 마스터링은 작곡가나 가수가 직접 수행하기에 많은 시간이 필요하고, 기술적 장벽이 높은 어려움이 있다. 이에 엔지니어들에 의하여 음원의 가공단계가 필수적으로 수행되고 있으나, 이는 많은 비용과 시간이 소요되는 문제가 있다.
다양한 실시예들은, 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
구체적으로, 다양한 실시예들은, AI 엔진에 기초하여 음원을 마스터링하는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
또한, 다양한 실시예들은, 다양한 수요자들이 음원 마스터링 서비스에 쉽게 접근할 수 있도록 하는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
또한, 다양한 실시예들은, 음원 마스터링을 요청한 사용자의 취향을 고려하여 음원을 마스터링할 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
또한, 다양한 실시예들은, 음원 마스터링을 요청한 사용자의 피드백을 반영하여 음원을 마스터링할 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
다양한 실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
다양한 실시예들은, 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치를 제공할 수 있다.
다양한 실시예들에 따른 전자 장치의 동작 방법은: 대상 음원의 마스터링 (mastering) 요청 정보를 획득하는 동작; 상기 마스터링 요청 정보에 대한 응답으로, AI (artificial intelligence) 엔진 (engine) 에 입력 가능하도록 상기 대상 음원을 처리함에 기초하여 제1 정보를 획득하는 동작; 상기 제1 정보를 상기 AI 엔진에 입력하는 동작; 및 상기 제1 정보에 대한 상기 AI 엔진의 출력에 기초하여 마스터링된 대상 음원을 획득하는 동작을 포함할 수 있다.
예시적 실시예에서, 상기 마스터링 요청 정보는, 상기 대상 음원의 가공을 요청하는 사용자의 식별 정보인 사용자 ID (identifier) 를 포함할 수 있다.
예시적 실시예에서, 상기 전자 장치의 동작 방법은: 상기 사용자 ID 와 데이터베이스에 기초하여, 상기 사용자의 가공 요청 이력에 대한 정보, 상기 사용자의 선호 음악 장르에 대한 정보, 상기 사용자의 선호 이퀄라이저에 대한 정보 중 하나 이상을 포함하는 제2 정보를 획득하는 동작을 더 포함할 수 있다.
상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 상기 제2 정보에 따라 후처리함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 사용자 ID 는, 복수의 사용자 ID 들 중 하나일 수 있다.
예시적 실시예에서, 상기 데이터베이스에는, 상기 복수의 사용자 ID 들에 대응하는 복수의 사용자들 각각의 가공 요청 이력에 대한 정보, 상기 복수의 사용자들 각각의 선호 음악 장르에 대한 정보, 상기 복수의 사용자들 각각의 선호 이퀄라이저에 대한 정보가 상기 복수의 사용자 ID 들 별로 분류되어 있을 수 있다.
예시적 실시예에서, 상기 제2 정보는, 상기 데이터베이스를 상기 사용자 ID 에 따라 검색함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 전자 장치의 동작 방법은: 상기 마스터링 요청 정보에 기초하여, 상기 사용자로부터 서비스 과금이 납부되었는지 여부를 식별하는 동작; 및 상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 서비스 과금 납부 요청 정보를 피드백 (feedback) 하는 동작을 더 포함할 수 있다.
예시적 실시예에서, 상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 상기 제1 정보를 획득하는 동작, 상기 입력하는 동작 및 상기 마스터링된 대상 음원을 획득하는 동작은 드롭 (drop) 될 수 있다.
예시적 실시예에서, 상기 마스터링 요청 정보는, 상기 사용자가 서비스 구독자 (subscriber) 인지 여부를 지시하는 제1 비트를 포함할 수 있다.
예시적 실시예에서, 상기 제1 비트가 제1 값임에 대응하여, 상기 마스터링 요청 정보는 상기 사용자로부터 일회성 (one-time) 서비스 과금이 납부되었는지 여부를 지시하는 제2 비트를 더 포함할 수 있다.
예시적 실시예에서, 상기 제1 비트가 제1 값이고 상기 제2 비트가 제1 값임에 기초하여, 상기 서비스 과금이 납부되지 않은 것으로 식별될 수 있다.
예시적 실시예에서, (i) 상기 제1 비트가 제2 값임 또는 (ii) 상기 제1 비트가 제1 값이고 상기 제2 비트가 제2 값임에 기초하여, 상기 서비스 과금이 납부된 것으로 식별될 수 있다.
예시적 실시예에서, 상기 제1 비트의 제1 값은, 상기 서비스 구독자가 아님을 지시할 수 있다.
예시적 실시예에서, 상기 제1 비트의 제2 값은, 상기 서비스 구독자임을 지시할 수 있다.
예시적 실시예에서, 상기 제2 비트의 제1 값은, 상기 일회성 과금이 납부되지 않았음을 지시할 수 있다.
예시적 실시예에서, 상기 제2 비트의 제2 값은, 상기 일회성 과금이 납부되었음을 지시할 수 있다.
예시적 실시예에서, 상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 하나 이상의 파라미터에 따라 후처리함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 하나 이상의 파라미터는, 상기 대상 음원의 컴프레싱, 상기 대상 음원의 멀티밴드 컴프레싱, 상기 대상 음원의 이퀄라이저 조정, 상기 대상 음원의 스테레오 조정 및 상기 대상 음원의 음압 조정 중 하나 이상을 위한 것일 수 있다.
예시적 실시예에서, 상기 AI 엔진은, 모델 (model) 에 기계 학습 (machine learning) 을 적용함에 기초하여 미리 구성될 수 있다.
예시적 실시예에서, 상기 기계 학습은: (a) 학습용 음원 데이터를 처리함에 기초하여 획득된 훈련용 데이터 및 테스트용 데이터 중 훈련용 데이터에 기초하여 상기 모델을 학습; (b) 상기 테스트용 데이터가 상기 모델로 입력됨에 대한 응답으로 출력되는 가공 데이터에 대한 제1 피드백 정보를 획득; (c) 상기 제1 피드백 정보에 기초하여 상기 모델을 업데이트; 및 (d) 상기 (a) 내지 (c) 가 반복되되, 상기 (a) 내지 (c) 의 반복 횟수가 미리 설정된 임계값과 일치하면 종료됨에 기초하여 수행될 수 있다.
예시적 실시예에서, 상기 전자 장치의 동작 방법은: 상기 마스터링된 대상 음원에 대한 제2 피드백 정보를 획득하는 동작; 상기 제2 피드백 정보에 포함된 대상 음원을 위한 피드백 정보에 기초하여, 상기 제1 정보를 업데이트하는 동작; 상기 제2 피드백 정보에 포함된 AI 엔진을 위한 피드백 정보에 기초하여, 상기 AI 엔진을 업데이트 하는 동작; 상기 업데이트된 제1 정보를 상기 업데이트된 AI 엔진에 입력하는 동작; 및 상기 업데이트된 제1 정보에 대한 상기 업데이트된 AI 엔진의 출력에 기초하여 업데이트된 마스터링된 대상 음원을 획득하는 동작을 더 포함할 수 있다.
다양한 실시예들에 따른 전자 장치는: 프로세서 (processor); 및 하나 이상의 인스트럭션 (instruction) 을 저장하는 하나 이상의 메모리 (memory) 를 포함할 수 있다.
예시적 실시예에서, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 대상 음원의 마스터링 (mastering) 요청 정보를 획득하는 동작; 상기 마스터링 요청 정보에 대한 응답으로, AI (artificial intelligence) 엔진 (engine) 에 입력 가능하도록 상기 대상 음원을 처리함에 기초하여 제1 정보를 획득하는 동작; 상기 제1 정보를 상기 AI 엔진에 입력하는 동작; 및 상기 제1 정보에 대한 상기 AI 엔진의 출력에 기초하여 마스터링된 대상 음원을 획득하는 동작을 수행하도록 상기 프로세서를 제어할 수 있다.
예시적 실시예에서, 상기 마스터링 요청 정보는, 상기 대상 음원의 가공을 요청하는 사용자의 식별 정보인 사용자 ID (identifier) 를 포함할 수 있다.
예시적 실시예에서, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 상기 사용자 ID 와 데이터베이스에 기초하여, 상기 사용자의 가공 요청 이력에 대한 정보, 상기 사용자의 선호 음악 장르에 대한 정보, 상기 사용자의 선호 이퀄라이저에 대한 정보 중 하나 이상을 포함하는 제2 정보를 획득하는 동작을 더 수행하도록 상기 프로세서를 제어할 수 있다.
예시적 실시예에서, 상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 상기 제2 정보에 따라 후처리함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 사용자 ID 는, 복수의 사용자 ID 들 중 하나일 수 있다.
예시적 실시예에서, 상기 데이터베이스에는, 상기 복수의 사용자 ID 들에 대응하는 복수의 사용자들 각각의 가공 요청 이력에 대한 정보, 상기 복수의 사용자들 각각의 선호 음악 장르에 대한 정보, 상기 복수의 사용자들 각각의 선호 이퀄라이저에 대한 정보가 상기 복수의 사용자 ID 들 별로 분류되어 있을 수 있다.
예시적 실시예에서, 상기 제2 정보는, 상기 데이터베이스를 상기 사용자 ID 에 따라 검색함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 상기 마스터링 요청 정보에 기초하여, 상기 사용자로부터 서비스 과금이 납부되었는지 여부를 식별하는 동작; 및 상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 서비스 과금 납부 요청 정보를 피드백 (feedback) 하는 동작을 더 수행하도록 상기 프로세서를 제어할 수 있다.
예시적 실시예에서, 상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 상기 제1 정보를 획득하는 동작, 상기 입력하는 동작 및 상기 마스터링 하는 동작은 드롭 (drop) 될 수 있다.
예시적 실시예에서, 상기 마스터링 요청 정보는, 상기 사용자가 서비스 구독자 (subscriber) 인지 여부를 지시하는 제1 비트를 포함할 수 있다.
예시적 실시예에서, 상기 제1 비트가 제1 값임에 대응하여, 상기 마스터링 요청 정보는 상기 사용자로부터 일회성 (one-time) 서비스 과금이 납부되었는지 여부를 지시하는 제2 비트를 더 포함할 수 있다.
예시적 실시예에서, 상기 제1 비트가 제1 값이고 상기 제2 비트가 제1 값임에 기초하여, 상기 서비스 과금이 납부되지 않은 것으로 식별될 수 있다.
예시적 실시예에서, (i) 상기 제1 비트가 제2 값임 또는 (ii) 상기 제1 비트가 제1 값이고 상기 제2 비트가 제2 값임에 기초하여, 상기 서비스 과금이 납부된 것으로 식별될 수 있다.
예시적 실시예에서, 상기 제1 비트의 제1 값은, 상기 서비스 구독자가 아님을 지시할 수 있다.
예시적 실시예에서, 상기 제1 비트의 제2 값은, 상기 서비스 구독자임을 지시할 수 있다.
예시적 실시예에서, 상기 제2 비트의 제1 값은, 상기 일회성 과금이 납부되지 않았음을 지시할 수 있다.
예시적 실시예에서, 상기 제2 비트의 제2 값은, 상기 일회성 과금이 납부되었음을 지시할 수 있다.
예시적 실시예에서, 상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 하나 이상의 파라미터에 따라 후처리함에 기초하여 획득될 수 있다.
예시적 실시예에서, 상기 하나 이상의 파라미터는, 상기 대상 음원의 컴프레싱, 상기 대상 음원의 멀티밴드 컴프레싱, 상기 대상 음원의 이퀄라이저 조정, 상기 대상 음원의 스테레오 조정 및 상기 대상 음원의 음압 조정 중 하나 이상을 위한 것일 수 있다.
예시적 실시예에서, 상기 AI 엔진은, 모델 (model) 에 기계 학습 (machine learning) 을 적용함에 기초하여 미리 구성될 수 있다.
예시적 실시예에서, 상기 기계 학습은: (a) 학습용 음원 데이터를 처리함에 기초하여 획득된 훈련용 데이터 및 테스트용 데이터 중 훈련용 데이터에 기초하여 상기 모델을 학습; (b) 상기 테스트용 데이터가 상기 모델로 입력됨에 대한 응답으로 출력되는 가공 데이터에 대한 제1 피드백 정보를 획득; (c) 상기 제1 피드백 정보에 기초하여 상기 모델을 업데이트; 및 (d) 상기 (a) 내지 (c) 가 반복되되, 상기 (a) 내지 (c) 의 반복 횟수가 미리 설정된 임계값과 일치하면 종료됨에 기초하여 수행될 수 있다.
예시적 실시예에서, 상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 상기 마스터링된 대상 음원에 대한 제2 피드백 정보를 획득하는 동작; 상기 제2 피드백 정보에 포함된 대상 음원을 위한 피드백 정보에 기초하여, 상기 제1 정보를 업데이트하는 동작; 상기 제2 피드백 정보에 포함된 AI 엔진을 위한 피드백 정보에 기초하여, 상기 AI 엔진을 업데이트 하는 동작; 상기 업데이트된 제1 정보를 상기 업데이트된 AI 엔진에 입력하는 동작; 및 상기 업데이트된 제1 정보에 대한 상기 업데이트된 AI 엔진의 출력에 기초하여 업데이트된 마스터링된 대상 음원을 획득하는 동작을 더 수행하도록 상기 프로세서를 제어할 수 있다.
상술한 다양한 실시예들은 본 개시의 바람직한 실시예들 중 일부에 불과하며, 다양한 실시예들의 기술적 특징들이 반영된 여러 가지 실시예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 상세한 설명을 기반으로 도출되고 이해될 수 있다.
다양한 실시예들에 따르면, AI 엔진에 기초하여 음원을 마스터링 할 수 있어, 빠르고, 저렴하고, 효율적으로 음원을 마스터링할 수 있어, 음원 마스터링 전체 과정을 효율을 크게 높일 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치가 제공될 수 있다.
또한, 다양한 실시예들에 따르면, 다양한 수요자들이 음원 마스터링 서비스에 쉽게 접근할 수 있도록 하여, 특히 개인 또는 소규모 음악 제작자가 쉽게 음원 마스터링 서비스를 이용하도록 할 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치가 제공될 수 있다.
또한, 다양한 실시예들에 따르면, 음원 마스터링을 요청한 사용자의 취향을 고려하여 음원을 마스터링할 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치가 제공될 수 있다.
또한, 다양한 실시예들에 따르면, 음원 마스터링을 요청한 사용자의 피드백을 반영하여 음원을 마스터링할 수 있는 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치가 제공될 수 있다.
다양한 실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
다양한 실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 본 개시의 기술적 특징을 설명한다.
도 1 은 다양한 실시예들에 따른 음원 마스터링을 위한 전자 장치의 동작 방법이 구현될 수 있는 음원 마스터링 시스템을 설명하기 위한 도면이다.
도 2는 다양한 실시예들에 따른 서버 디바이스 및/또는 사용자 디바이스의 구성을 도시한 도면이다.
도 3은 다양한 실시예들에 따른 음원 마스터링을 위한 전자 장치의 동작 방법을 도시한 도면이다.
도 4는 다양한 실시예들에 따른 음원 마스터링을 위한 UI/UX 의 일 예를 도시한 도면이다.
도 5는 다양한 실시예들에 따른 음원 마스터링을 위한 AI (artificial intelligence) 엔진을 획득하는 과정을 도시한 도면이다.
도 6은 다양한 실시예들에 따른 음원 마스터링을 위한 AI 엔진을 획득하는 전자 장치의 동작 방법을 도시한 도면이다.
이하의 실시예들은 다양한 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
1. 음원 마스터링 시스템 구현
도 1은 다양한 실시예들에 따른 음원 마스터링을 위한 전자 장치의 동작 방법이 구현될 수 있는 음원 마스터링 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 다양한 실시예들에 따른 음원 마스터링 시스템은 다양한 종류의 전자 장치들(1)에 구현될 수 있다. 예를 들어, 음원 마스터링 시스템은 서버 디바이스(100) 및/또는 사용자 디바이스(200)에 구현될 수 있다. 달리 말해, 서버 디바이스(100) 및/또는 사용자 디바이스(200)는 각각의 장치에 구현된 음원 마스터링 시스템을 기반으로, 본 개시의 다양한 실시예들에 따른 동작을 수행할 수 있다. 한편, 다양한 실시예들에 따른 음원 마스터링 시스템은, 상기 도 1에 도시된 바에 국한되지 않고, 더 다양한 전자 장치와 서버들에 구현될 수도 있을 것이다.
다양한 실시예들에 따른 사용자 디바이스(200)는, 데스크탑 피시, 태블릿 피시, 모바일 단말 등의 개인 사용자에 의해 이용될 수 있는 장치일 수 있다. 이외에도 유사한 기능을 수행하는 다른 전자 장치들이 사용자 디바이스(200)로 이용될 수 있다.
다양한 실시예들에 따른 서버 디바이스(100)는, 복수 개의 사용자 디바이스(200)들과 무선 및/또는 유선 통신을 수행하며, 대단위의 저장 용량을 갖는 데이터베이스를 포함하는 장치일 수 있다. 예를 들어, 서버 디바이스(100)는 복수 개의 사용자 디바이스들과 연동되는 클라우드 디바이스(Cloud device)일 수 있다.
1.1. 기능적 구현
다양한 실시예들에 따른 음원 마스터링 시스템은 동작을 위한 다양한 모듈들을 포함할 수 있다. 음원 마스터링 시스템에 포함된 모듈들은 음원 마스터링 시스템이 구현되는(또는, 물리적 장치에 포함되는) 물리적 장치(예: 사용자 디바이스(200) 및/또는 서버 디바이스(100))가 지정된 동작을 수행할 수 있도록 구현된 컴퓨터 코드 내지는 하나 이상의 인스트럭션 (instruction) 일 수 있다. 다시 말해, 음원 마스터링 시스템이 구현되는 물리적 장치는 복수 개의 모듈들을 컴퓨터 코드 형태로 메모리에 저장하고, 메모리에 저장된 복수 개의 모듈들이 실행되는 경우 복수 개의 모듈들은 물리적 장치가 복수 개의 모듈들에 대응하는 지정된 동작들을 수행하도록 할 수 있다.
1.2. 장치 구현
도 2는 다양한 실시예들에 따른 서버 디바이스 및/또는 사용자 디바이스의 구성을 도시한 도면이다.
도 2를 참조하면, 서버 디바이스(100) 및/또는 사용자 디바이스(200)는 입/출력부(310), 통신부(320), 데이터베이스(230) 및 프로세서(240)를 포함할 수 있다.
입/출력부(310)는 사용자 입력을 받거나 또는 사용자에게 정보를 출력하는 각종 인터페이스나 연결 포트 등일 수 있다. 입/출력부(310)는 입력 모듈과 출력 모듈로 구분될 수 있는데, 입력 모듈은 사용자로부터 사용자 입력을 수신한다. 사용자 입력은 키 입력, 터치 입력, 음성 입력을 비롯한 다양한 형태로 이루어질 수 있다. 이러한 사용자 입력을 받을 수 있는 입력 모듈의 예로는 전통적인 형태의 키패드나 키보드, 마우스는 물론, 사용자의 터치를 감지하는 터치 센서, 음성 신호를 입력받는 마이크, 영상 인식을 통해 제스처 등을 인식하는 카메라, 사용자 접근을 감지하는 조도 센서나 적외선 센서 등으로 구성되는 근접 센서, 가속도 센서나 자이로 센서 등을 통해 사용자 동작을 인식하는 모션 센서 및 그 외의 다양한 형태의 사용자 입력을 감지하거나 입력받는 다양한 형태의 입력 수단을 모두 포함하는 포괄적인 개념이다. 여기서, 터치 센서는 디스플레이 패널에 부착되는 터치 패널이나 터치 필름을 통해 터치를 감지하는 압전식 또는 정전식 터치 센서, 광학적인 방식에 의해 터치를 감지하는 광학식 터치 센서 등으로 구현될 수 있다. 이외에도 입력 모듈은 자체적으로 사용자 입력을 감지하는 장치 대신 사용자 입력을 입력받는 외부의 입력 장치를 연결시키는 입력 인터페이스(USB 포트, PS/2 포트 등)의 형태로 구현될 수도 있다. 또 출력 모듈은 각종 정보를 출력해 사용자에게 이를 제공할 수 있다. 출력 모듈은 영상을 출력하는 디스플레이, 소리를 출력하는 스피커, 진동을 발생시키는 햅틱 장치 및 그 외의 다양한 형태의 출력 수단을 모두 포함하는 포괄적인 개념이다. 이외에도 출력 모듈은 상술한 개별 출력 수단을 연결시키는 포트 타입의 출력 인터페이스의 형태로 구현될 수도 있다.
일 예로, 디스플레이 형태의 출력 모듈은 텍스트, 정지 영상, 동영상을 디스플레이 할 수 있다. 디스플레이는 액정 디스플레이(LCD: Liquid Crystal Display), 발광 다이오드(LED: light emitting diode) 디스플레이, 유기 발광 다이오드(OLED: Organic Light Emitting Diode) 디스플레이, 평판 디스플레이(FPD: Flat Panel Display), 투명 디스플레이(transparent display), 곡면 디스플레이(Curved Display), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 홀로그래픽 디스플레이(holographic display), 프로젝터 및 그 외의 영상 출력 기능을 수행할 수 있는 다양한 형태의 장치를 모두 포함하는 광의의 영상 표시 장치를 의미하는 개념이다. 이러한 디스플레이는 입력 모듈의 터치 센서와 일체로 구성된 터치 디스플레이의 형태일 수도 있다.
통신부(320)는 외부 기기와 통신할 수 있다. 따라서, 서버 디바이스(100) 및/또는 사용자 디바이스(200)는 는 통신부를 통해 외부 기기와 정보를 송수신할 수 있다. 예를 들어, 서버 디바이스(100) 및/또는 사용자 디바이스(200)는 통신부를 이용해 음원 마스터링 시스템에 저장 및 생성된 정보들이 공유되도록 외부 기기와 통신을 수행할 수 있다.
여기서, 통신, 즉 데이터의 송수신은 유선 또는 무선으로 이루어질 수 있다. 이를 위해 통신부는 LAN(Local Area Network)를 통해 인터넷 등에 접속하는 유선 통신 모듈, 이동 통신 기지국을 거쳐 이동 통신 네트워크에 접속하여 데이터를 송수신하는 이동 통신 모듈, 와이파이(Wi-Fi) 같은 WLAN(Wireless Local Area Network) 계열의 통신 방식이나 블루투스(Bluetooth), 직비(Zigbee)와 같은 WPAN(Wireless Personal Area Network) 계열의 통신 방식을 이용하는 근거리 통신 모듈, GPS(Global Positioning System)과 같은 GNSS(Global Navigation Satellite System)을 이용하는 위성 통신 모듈 또는 이들의 조합으로 구성될 수 있다.
데이터베이스(330)는 각종 정보를 저장할 수 있다. 데이터베이스는 데이터를 임시적으로 또는 반영구적으로 저장할 수 있다. 예를 들어, 서버(100)의 데이터베이스에는 서버(100)를 구동하기 위한 운용 프로그램(OS: Operating System), 웹 사이트를 호스팅하기 위한 데이터나 점자 생성을 위한 프로그램 내지는 어플리케이션(예를 들어, 웹 어플리케이션)에 관한 데이터 등이 저장될 수 있다. 또, 데이터베이스는 상술한 바와 같이 모듈들을 컴퓨터 코드 형태로 저장할 수 있다.
데이터베이스(330)의 예로는 하드 디스크(HDD: Hard Disk Drive), SSD(Solid State Drive), 플래쉬 메모리(flash memory), 롬(ROM: Read-Only Memory), 램(RAM: Random Access Memory) 등이 있을 수 있다. 이러한 데이터베이스는 내장 타입 또는 탈부착 가능한 타입으로 제공될 수 있다.
프로세서(340)는 서버 디바이스(100) 및/또는 사용자 디바이스(200)의 전반적인 동작을 제어한다. 이를 위해 프로세서(340)는 각종 정보의 연산 및 처리를 수행하고 서버(100)의 구성요소들의 동작을 제어할 수 있다. 예를 들어, 프로세서(340)는 음원 마스터링을 위한 프로그램 내지 어플리케이션을 실행시킬 수 있을 것이다. 프로세서(340)는 하드웨어 소프트웨어 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 프로세서(340)는 전기적인 신호를 처리하여 제어 기능을 수행하는 전자 회로 형태로 제공될 수 있으며, 소프트웨어적으로는 하드웨어적인 프로세서(340)를 구동시키는 프로그램 형태로 제공될 수 있다. 한편, 이하의 설명에서 특별한 언급이 없는 경우에는 서버 디바이스(100) 및/또는 사용자 디바이스(200)의 동작은 프로세서(340)의 제어에 의해 수행되는 것으로 해석될 수 있다. 즉, 상술한 음원 마스터링 시스템에 구현되는 모듈들이 실행되는 경우, 모듈들은 프로세서(340)가 서버 디바이스(100) 및/또는 사용자 디바이스(200)를 이하의 동작들을 수행하도록 제어하는 것으로 해석될 수 있다.
요약하면, 다양한 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 다양한 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 다양한 실시예들에 따른 방법은 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), 프로세서, 콘트롤러, 마이크로 콘트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 다양한 실시예들에 따른 방법은 이하에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 예를 들어, 소프트웨어 코드는 메모리에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리는 상기 프로세서 내부 또는 외부에 위치할 수 있으며, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
2. 다양한 실시예들에 따른 전자 장치의 동작
이하에서는, 상기와 같은 기술적 사상에 기반하여 다양한 실시예들에 대해 보다 상세히 설명한다. 이하에서 설명되는 다양한 실시예들에 대해서는 앞서 설명한 제 1 절의 내용들이 적용될 수 있다. 예를 들어, 이하에서 설명되는 다양한 실시예들에서 정의되지 않은 동작, 기능, 용어 등은 제 1 절의 내용들에 기반하여 수행되고 설명될 수 있다.
2.1. 음원 마스터링 동작
이하의 설명에서는 사용자 디바이스(200)로부터 마스터링 요청 정보를 획득한 서버 디바이스(100)가 음원 마스터링 동작을 수행함을 전제로 다양한 실시예들에 대하여 설명하였으나, 다양한 실시예들에 따르면, 서버 디바이스(100)로부터 마스터링 요청 정보를 획득한 사용자 디바이스(200)가 음원 마스터링 동작을 수행할 수도 있다. 또는, 다양한 실시예들에 따르면, 하나의 서버 디바이스(100) 또는 하나의 사용자 디바이스(200) 각각이 직접 마스터링 요청 정보를 획득(예를 들어, 사용자로부터 직접 입력)하여, 음원 마스터링 동작을 수행할 수도 있다. 또는, 다양한 실시예들에 따르면, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버 디바이스(100)들이 마련되어, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버 디바이스(100)들 간에 마스터링 요청 정보 송수신 및 음원 마스터링 동작이 각 동작 별로 분배되어, 별개로 실시될 수도 있다.
도 3은 다양한 실시예들에 따른 음원 마스터링을 위한 전자 장치의 동작 방법을 도시한 도면이다.
다양한 실시예들에 따르면, 동작 301 에서, 서버 디바이스(100)는 대상 음원의 마스터링 요청 정보를 획득할 수 있다. 예를 들어, 마스터링 요청 정보는 사용자 디바이스(200)로부터 수신된 것일 수 있다.
예를 들어, 마스터링 요청 정보는 사용자 ID (identifier) 를 포함할 수 있다. 예를 들어, 사용자 ID 는 대상 음원의 가공을 요청하는 사용자의 식별 정보로, 각 사용자에게 미리 부여된 것일 수 있다.
예를 들어, 마스터링 요청 정보는 대상 음원의 마스터링을 요청한 사용자로부터 서비스 과금이 납부되었는지 여부를 식별하기 위한 정보를 포함할 수 있다. 예를 들어, 서버 디바이스(100)는 해당 정보에 기초하여 사용자로부터 서비스 과금이 납부되었는지 여부를 식별할 수 있다.
예를 들어, 해당 정보는 제1 비트와 제2 비트를 포함할 수 있다. 예를 들어, 제1 비트 및/또는 제2 비트는 각각 1-비트 크기(one-bit size)를 가질 수 있다.
예를 들어, 제1 비트는 사용자가 서비스 구독자 (subscriber) 인지 여부를 지시할 수 있다, 예를 들어, 제1 비트가 0 (또는 1) 인 경우, 제1 비트는 사용자가 서비스 구독자가 아님을 지시하고, 제1 비트가 1 (또는 0) 인 경우, 제1 비트는 사용자가 서비스 구독자임을 지시할 수 있다.
예를 들어, 서버 디바이스(100)는, 사용자가 서비스 구독자로 식별된 경우, 해당 사용자로부터 구독을 위한 정기적 서비스 과금 (예를 들어, 일/월/년 단위로 정기적 납부되는 서비스 이용료) 이 납부된 것으로 보아, 해당 사용자로부터 서비스 과금이 납부되었다고 식별할 수 있다.
예를 들어, 제2 비트는 사용자로부터 일회성 (one-time) 서비스 과금이 납부되었는지 여부를 지시할 수 있다. 예를 들어, 일회성 서비스 과금이란, 정기적 서비스 과금의 반대 의미로, 사용자가 해당 서비스를 이용할 때마다 해당 서비스 별로 지불해야할 과금 (즉, 케이스 기반 이용료) 일 수 있다. 예를 들어, 일회성 서비스 과금은 대상 음원 개수 별로 부과될 수 있으며, 정기적 서비스 과금은 미리 설정된 서비스 패키지 별로 다르게 정의될 수 있다. 예를 들어, 제2 비트가 0 (또는 1) 인 경우, 제2 비트는 일회성 서비스 과금이 납부되지 않았음을 지시하고, 제2 비트가 1 (또는 0) 인 경우, 제2 비트는 일회성 서비스 과금이 납부되었음을 지시할 수 있다.
예를 들어, 제2 비트는, 제1 비트가 서비스 구독자가 아님을 지시하는 경우에만 마스터링 요청 정보에 포함될 수 있다. 이 경우, 예를 들어, 서버 디바이스(100)는 제1 비트가 0 (또는 1)인 경우, 마스터링 요청 정보에 제2 비트가 포함되었음 알 수 있고, 제1 비트가 1 (또는 0) 인 경우, 제2 비트가 포함되지 않았음을 알 수 있다.
예를 들어, 서버 디바이스(100)는, 서비스 과금이 납부되지 않았음이 식별되는 경우, 서비스 과금 납부를 요청하는 정보를 포함하는 피드백을 생성하여, 사용자 디바이스(200)로 송신할 수 있다. 예를 들어, 서비스 과금 납부를 요청하는 정보는, 서비스 구독을 요청하는 정보 및/또는 일회성 서비스 과금 납부를 요청하는 정보 중 하나 이상을 포함할 수 있다.
예를 들어, 서버 디바이스(100)는 서비스 과금이 납부되었음이 식별되는 경우에만 후술할 다양한 실시예들에 따른 동작을 수행하고, 서비스 과금이 납부되지 않았음이 식별되는 경우에는 후술할 다양한 실시예들에 따른 동작을 수행하지 않을 수 (예를 들어, 각 동작 수행을 드롭(drop)) 있다.
다양한 실시예들에 따르면, 동작 303 에서, 서버 디바이스(100)는 마스터링 요청 정보에 대한 응답으로, AI (artificial intelligence) 엔진 (engine) 에 입력 가능하도록 대상 음원을 처리함에 기초하여 제1 정보를 획득할 수 있다.
예를 들어, 대상 음원은 마스터링 요청 정보에 포함되거나, 별개의 메시지에 포함되어 서버 디바이스(100)로부터 획득될 수 있다. 또는, 서버 디바이스(100) 내에 미리 저장된 복수의 음원들로부터 획득되거나, 별개의 서버 또는 웹(web)으로부터 획득될 수도 있으며, 이 경우, 대상 음원을 검색하기 위한 대상 음원 정보 (예를 들어, 대상 음원의 제목, 가수명, 작곡가명, 장르 중 하나 이상에 대한 정보) 가 대상 음원 요청 정보에 포함되거나, 별개의 메시지에 포함되어 서버 디바이스(100)로부터 획득될 수 있다.
예를 들어, 대상 음원은 wav, mp3, aac, flac 및 그외 다양한 파일 형식 중 하나의 형식을 가질 수 있다. 예를 들어, 서버 디바이스(100)는 대상 음원을 AI 엔진 (예를 들어, CNN (convolutional neural network) 기반 AI 엔진) 에 입력 가능하도록 (melspectrogram) png 파일 형식으로 변환하고, 해당 png 파일 형식을 행렬 (matrix) 형태로 추가 변환하여, 대상 음원에 대응하는 제1 정보를 생성할 수 있다.
다양한 실시예들에 따르면, 동작 305 에서, 서버 디바이스(100)는 제1 정보를 AI 엔진에 입력할 수 있고, 동작 307 에서, 서버 디바이스(100)는, 제1 정보에 대한 AI 엔진의 출력에 기초하여 마스터링된 대상 음원을 획득할 수 있다.
예를 들어, AI 엔진은 미리 구성될 수 있으며, 구체적인 방법은 제 2.2 절에서 상세하게 설명한다. 예를 들어, AI 엔진은 서버 디바이스(100) 내에 포함되거나, 외부 디바이스에 포함된 것일 수도 있다.
예를 들어, AI 엔진을 통하여 제1 마스터링 동작이 수행될 수 있다. 즉, 예를 들어, 제1 정보에 대한 AI 엔진의 출력은, 대상 음원에 제1 마스터링 동작이 적용된 제1 마스터링된 대상 음원일 수 있다. 서버 디바이스(100)는, 제1 마스터링된 대상 음원을 마스터링된 대상 음원으로 획득할 수 있다.
예를 들어, 제1 마스터링 동작에는 목표 특성에 대한 정보가 이용될 수 있다. 예를 들어, 목표 특성은 음원의 장르, 테마, 템포, 트렌드, 음색 등 다양한 특징들을 포함할 수 있다. 예를 들어, 목표 특성에 대한 정보는 사용자로부터 입력될 수 있고, 사용자의 기존 데이터에 기초하여 획득될 수도 있고, 사용자로부터 획득된 레퍼런스 음원으로부터 해당 레퍼런스 음원에 대응하는 목표 특성에 대한 정보가 획득될 수도 있다. 또는, 예를 들어, 목표 특성에 대한 정보는 대상 음원의 타겟 시장, 목표 고객층 등을 포함할 수도 있다. 서버 디바이스(100)는, 획득된 일정 정보에 기초하여 대응하는 타겟 시장이나 목표 고객층에서 많이 스트리밍 되거나 다운로드된 음원들에 대한 정보를 획득하고, 이에 기초하여 목표 특성을 추출할 수도 있다.
또 다른 예시로, 서버 디바이스(100)는 제1 마스터링된 대상 음원을 하나 이상의 파라미터를 이용하여 후처리하여, 제2 마스터링 동작을 수행할 수 있으며, 제1 마스터링된 대상 음원에 제2 마스터링 동작이 적용된 결과물을 마스터링된 대상 음원으로 획득할 수 있다.
예를 들어, 하나 이상의 파라미터는, 대상 음원의 컴프레싱, 대상 음원의 멀티밴드 컴프레싱, 대상 음원의 이퀄라이저 조정, 대상 음원의 스테레오 조정 및 대상 음원의 음압 조정 중 하나 이상을 위한 것일 수 있다.
예를 들어, 마스터링된 대상 음원은 wav, mp3, aac, flac 및 그외 다양한 파일 형식 중 하나의 형식을 가질 수 있다.
예를 들어, 대상 음원에 대응하는 마스터링된 대상 음원은 하나 이상일 수 있다. 예를 들어, 마스터링된 대상 음원이 복수인 경우, 각 마스터링된 대상 음원은 서로 다른 버젼일 수 있다. 예를 들어, 각 마스터링된 대상 음원은 서로 다른 장르/테마 등에 최적화된 것일 수 있다.
예를 들어, 마스터링된 대상 음원이 복수인 경우, 각 마스터링된 대상 음원은 서로 다른 음질을 가질 수 있다.
예를 들어, 마스터링된 대상 음원이 하나인 경우, 마스터링된 대상 음원은 각 사용자의 니즈(needs)에 따라 다른 음질을 갖도록 설정될 수 있다. 예를 들어, 마스터링된 대상 음원이 복수인 경우, 사용자가 음악 제작자인 경우의 대상 음원의 음질(예를 들어, mp3 의 경우 128k, wav 의 경우 44kHz/16bit)이 사용자가 마스터링 전문가인 경우의 대상 음원의 음질(예를 들어, mp3 의 경우 320k, wav 의 경우 96kHz/24bit)보다 낮게 설정될 수 있으며, 그 반대의 경우도 가능할 수 있다.
한편, 다양한 실시예들에 따르면, 서버 디바이스(100)는, 마스터링된 대상 음원을 사용자 디바이스(200)으로 송신할 수 있다.
예를 들어, 사용자 디바이스(200)는 마스터링된 대상 음원에 대한 응답으로, 피드백(feedback) 정보를 서버 디바이스(100)로 송신할 수 있다.
예를 들어, 피드백 정보는, 대상 음원에 대한 수정 요청 및/또는 수정을 위한 정보를 포함하는 대상 음원을 위한 피드백 정보, 제1 마스터링 동작에 대한 수정 요청 및/또는 수정을 위한 정보를 포함하는 AI 엔진을 위한 피드백 정보 또는 제2 마스터링 동작에 대한 수정 요청 및/또는 수정을 위한 정보(예를 들어, 상술한 하나 이상의 파라미터에 대한 수정 요청 및/또는 수정을 위한 정보)를 포함하는 파라미터 피드백 정보 중 하나 이상을 포함할 수 있다.
예를 들어, 서버 디바이스(100)는 대상 음원을 위한 피드백 정보를 대상 음원에 적용함에 기초하여, 대상 음원을 수정함에 따라 제1 정보를 업데이트 할 수 있다. 또는, 예를 들어, 서버 디바이스(100)는 동일 대상 음원에 대한 제1 정보에 피드백 정보를 적용함에 제1 정보를 수정함에 따라 제1 정보를 업데이트할 수도 있다.
예를 들어, 서버 디바이스(100)는 AI 엔진을 위한 피드백 정보에 기초하여 AI 엔진을 업데이트할 수 있다. 예를 들어, 서버 디바이스(100)는 AI 엔진을 위한 피드백 정보에 기초하여 관련 변수들을 수정할 수 있다. 또는, 예를 들어, 서버 디바이스(100)는 AI 엔진을 위한 피드백 정보를 AI 엔진에 입력할 수 있으며, AI 엔진은 AI 엔진을 위한 피드백 정보에 기초하여 직접 관련 변수들을 수정할 수도 있다.
예를 들어, 서버 디바이스(100)는 업데이트된 제1 정보를 업데이트된 AI 엔진에 입력하고, 그 출력에 기초하여 업데이트된 마스터링된 대상 음원을 획득할 수 있다.
즉, 예를 들어, 업데이트된 제1 정보에 대한 AI 엔진의 출력은, 대상 음원에 제1 마스터링 동작이 적용된 업데이트된 제1 마스터링된 대상 음원일 수 있다. 서버 디바이스(100)는, 업데이트된 제1 마스터링된 대상 음원을 업데이트된 마스터링된 대상 음원으로 획득할 수 있다.
또 다른 예시로, 서버 디바이스(100)는 업데이트된 제1 마스터링된 대상 음원을 상술한 하나 이상의 파라미터를 이용하여 후처리하여, 제2 마스터링 동작을 수행할 수 있으며, 업데이트된 제1 마스터링된 대상 음원에 제2 마스터링 동작이 적용된 결과물을 업데이트된 마스터링된 대상 음원으로 획득할 수 있다.
예를 들어, 서버 디바이스(100)는 상술한 하나 이상의 파라미터를 파라미터 피드백 정보에 기초하여 수정하여, 수정된 하나 이상의 파라미터를 제2 마스터링 동작에 사용할 수 있다.
예를 들어, 서버 디바이스(100)는, 각 피드백 정보를 적용함에 앞서 각 피드백 정보에 포함된 노이즈를 제거할 수 있다.
예를 들어, 각 피드백 정보는 사용자 디바이스(200)로부터 수신된 정보 외, 서버 디바이스(100)가 직접 수집한 정보를 포함할 수도 있다. 예를 들어, 사용자 디바이스(200)는, 음원 서비스에서 상위권에 위치하는 음원들을 주기적으로 수집 및 분석하여, 현재 트렌드에 맞는 음악의 장르, 테마, 음색, 템포, 피치 등 음악의 가공방법과, 음악의 멜로디나 가사의 내용, 가창방식 등 음악의 제조방법을 추출함에 기초하여 각 피드백 정보를 획득할 수도 있다.
예를 들어, 제2 마스터링 동작에는 데이터베이스에 저장된 정보가 활용될 수 있다. 예를 들어, 데이터베이스에는 복수의 사용자들 각각의 가공 요청 이력에 대한 정보, 복수의 사용자들 각각의 선호 음악 장르에 대한 정보, 복수의 사용자들 각각의 선호 이퀄라이저에 대한 정보가, 복수의 사용자들 각각을 식별하기 위한 복수의 사용자 ID (identifier) 들 별로 분류되어 저장되어 있을 수 있다.
예를 들어, 서버 디바이스(100)는, 데이터베이스를, 마스터링 요청 정보에 포함된, 대상 음원의 가공을 요청하는 사용자의 식별 정보인 사용자 ID 에 따라 검색함에 기초하여 획득된 정보에 기초하여 제2 마스터링 동작을 수행할 수 있다.
다양한 실시예들에 따르면, 서버 디바이스(100)는 마스터링된 대상 음원을 다양한 음원 플랫폼을 통한 스트리밍 및/또는 다운로드 방법 등에 기초하여 배포할 수 있다.
예를 들어, 서버 디바이스(100)는, 배포된 음원에 대한 피드백 정보를 획득할 수도 있다. 예를 들어 피드백 정보는 음원에 대한 공감(좋아요, 싫어요 등)이나 댓글 형태로 수집될 수도 있고, 음원을 스트리밍하거나 다운로드한 사용자에 대하여 설문을 배포하며, 설문에 대한 응답결과를 수집함으로써 획득될 수도 있다.
예를 들어, 서버 디바이스(100)는, 해당 피드백 정보를 제1 마스터링 / 제2 마스터링 동작에 반영하여, 각 마스터링을 위한 변수를 수정할 수 있다.
예를 들어, 서버 디바이스(100)는, 복수의 마스터링된 음원들을 배포한 후, 일정 시간마다 피드백 정보를 수집하며, 피드백 정보에 기초하여 일부 음원들의 배포를 중지하는 소거법에 기반하여 최종적으로 하나 이상의 음원을 남기는 방식을 이용할 수도 있다.
예를 들어, 서버 디바이스(100)는, 특정 음악에 대해 다양한 목표 특성에 기초하여 마스터링된 음원들을 하나의 미니앨범 형태로, 혹은 서로 다른 싱글 앨범 형태로 배포한 후, 사용자들의 피드백(예를 들어, 조회수, 스트리밍 및 다운로드 수, 공감 및 덧글 등)에 기초하여 결과가 부진한 음원들의 배포를 중단하는 방식의 소거법을 적용함으로써, 최종적으로 하나 또는 수 개의 음원만을 남겨 해당 음원들에 사용자들이 집중되도록 하는 방법을 활용할 수도 있다.
예를 들어, 서버 디바이스(100)는, 피드백 정보에 포함된 노이즈를 제거할 수 있다. 예를 들어, 피드백 정보에는 음악 자체에 대한 평가가 아닌 다양한 내용들(예를 들어, 응원하는 덧글 혹은 잡담 등)이 포함될 수 있다. 따라서, 서버 디바이스(100)는 피드백으로부터 이와 같은 노이즈들을 제거하고, 음원 자체에 대한 평가정보를 포함하는 피드백만을 획득할 수 있다.
예를 들어, 서버 디바이스(100)는, 복수의 마스터링된 음원들을 동시에 올리는 경우 음원의 재생수나 다운로드 수 등 음원순위에 반영되는 지표들이 분산될 수 있는 바, 사용자의 피드백을 수집하는 과정은 선공개 형태로 지정된 사용자들(예를 들어, 사전신청을 한 사용자들, 특정 음원서비스를 이용하는 사용자들 또는 팬클럽 회원들 등)에게만 소정의 시간제한을 두고 배포한 후, 그중 하나의 음원을 선택하여 해당 음원에 재생수나 다운로드 수 등 음원순위에 반영되는 지표들이 집중되도록 할 수 있다.
예를 들어, 소거법이 적용되는 경우, 소거된 음원에 대한 스트리밍, 재생 등의 지표는 남아있는 다른 음원에 통합되도록 설정될 수도 있다.
예를 들어, 하나의 마스터링된 음원을 올리되 피드백 정보에 기초하여 지속적으로 마스터링된 음원에 대한 업데이트를 수행하는 경우, 마스터링된 음원을 업데이트하는 경우에도 해당 마스터링된 음원에 대한 지표들이 누적되도록 음원 서비스가 설정될 수도 있다.
도 4는 다양한 실시예들에 따른 음원 마스터링을 위한 UI/UX 일 예를 도시한 도면이다. 예를 들어, 도 4 의 예시는 사용자 디바이스(200)를 위한 UI/UX (user interface/user experience) 일 수 있다.
예를 들어, 도 4 를 참조하면, Drag'n'drop your
Figure 112019121331791-pat00001
file here! 으로 표시된 제1 영역(401)에는 대상 음원 파일이 놓여짐에 따라 대상 음원 파일이 입력될 수 있으며, 사용자 디바이스(200)는, 제1 영역(401)에 대상 음원 파일이 입력되면, 마스터링 요청 정보를 생성하고 이를 서버 디바이스(100)로 송신할 수 있다. 또한, 예를 들어, 사용자 디바이스(200)는, 대상 음원 파일을 해당 마스터링 요청 정보 및/또는 별개의 메시지에 기초하여 서버 디바이스(100)로 송신할 수 있다.
예를 들어, 사용자 디바이스(200)는, 대상 음원의 파형을 분석하여, 대상 음원의 파형에 대응하는 시각 정보인 Original WaveForm 을 제2 영역(403)에 표시할 수 있다.
예를 들어, 사용자 디바이스(200)는, 사용자로부터 대상 음원의 재생/중지 (play/pause) 명령을 입력 받기 위한 UI/UX 를 생성하여 제2 영역(403)에 표시(display)할 수 있다.
예를 들어, 사용자 디바이스(200)는, 마스터링 요청 정보에 대한 응답으로, 마스터링된 대상 음원을 수신할 수 있다.
예를 들어, 사용자 디바이스(200)는, 마스터링된 대상 음원의 파형을 분석하여, 마스터링된 대상 음원의 파형에 대응하는 시각 정보인 Mastered WaveForm 을 제3 영역(405)에 표시할 수 있다.
예를 들어, 사용자 디바이스(200)는, 사용자로부터 마스터링된 대상 음원의 재생/중지 (play/pause) 명령을 입력 받기 위한 UI/UX 를 생성하여 제3 영역(405)에 표시할 수 있다.
예를 들어, 사용자로부터 이퀄라이저 조절을 위한 제4 영역(407)을 통하여 사용자 선호 이퀄라이저에 대한 정보를 입력 받으면, 사용자 디바이스(200)는 사용자 선호 이퀄라이저에 대한 정보에 기초하여 대상 음원 및/또는 마스터링된 음원 및/또는 Orignal WaveForm 및/또는 Mastered WaveForm 을 수정하거나 및/또는 해당 사용자 선호 이퀄라이저에 대한 정보를 서버 디바이스(200)로 송신할 수 있다.
예를 들어, 해당 사용자 선호 이퀄라이저에 대한 정보를 피드백함에는, 대상 음원을 위한 피드백 정보, 또는 파라미터 피드백 정보 중 하나 이상이 이용될 수 있다.
2.2. AI 엔진 획득 동작
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소 기술들로 구성된다.
기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소 기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
이하의 설명에서는 서버 디바이스(100)가 AI 엔진 획득 동작을 수행함을 전제로 다양한 실시예들에 대하여 설명하였으나, 다양한 실시예들에 따르면, 서버 디바이스(100) 외부의 다른 서버 디바이스가 AI 엔진 획득 동작을 수행할 수도 있다. 또는, 다양한 실시예들에 따르면, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버 디바이스(100)들이 마련되어, 복수의 사용자 디바이스(200)들 및/또는 복수의 서버 디바이스(100)들 간에 AI 엔진 획득 동작의 각 동작이 분배되어, 별개로 실시될 수도 있다.
도 5는 다양한 실시예들에 따른 음원 마스터링을 위한 AI (artificial intelligence) 엔진을 획득하는 과정을 도시한 도면이다.
도 5 를 참조하면, 예를 들어, 서버 디바이스(100)는, 학습용 음원 데이터를 수집할 수 있다. 예를 들어, 학습용 음원 데이터는, 일정 기간 동안 각 음원 서비스의 차트에 기초하여 상위의 미리 설정된 개수의 음원들이 수집될 수 있다. 예를 들어 학습용 음원 데이터는 장르별, 테마별, 청취자의 성별, 청취자의 연령대 등 다양한 특성들 중 하나 이상의 특성에 기초하여 수집될 수 있다.
예를 들어, 서버 디바이스(100)는, 학습용 음원 데이터에 기초하여 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터는 훈련용 데이터 및 테스트용 데이터를 포함할 수 있다.
예를 들어, 서버 디바이스(100)는, 음원 데이터들을 표준화(normalization)하고, 이후 PCA Whitening에 기초하여 저차원으로 변경하여, 학습 데이터를 획득할 수 있다. 학습 데이터가 저차원으로 변경되어, 기계 학습에 소용되는 시간이 단축될 수 있다.
예를 들어, 서버 디바이스(100)는, 학습 데이터를 훈련용 데이터(Training Set) 및 테스트용 데이터(Test Set)로 분류할 수 있다. 예를 들어, 훈련용 데이터는 모델을 학습시키는데 활용되고, 테스트용 데이터는 학습된 모델을 검증 및 업데이트 하는데 활용될 수 있다.
예를 들어, 서버 디바이스(100)는, 훈련용 데이터에 기초하여 모델을 학습시킬 수 있다. 예를 들어, 모델은 CNN (convolutional neural network)에 기초한 것일 수 있다. 예를 들어, 모델을 학습 시키는데에는 다양한 지도 학습 방법이 활용될 수 있으며, 비지도 학습 방법이 다양한 실시예들의 적어도 일부 동작에서 활용될 수도 있다.
예를 들어, 서버 디바이스(100)는 학습된 모델에 기초하여 테스트용 데이터에 대한 가공 데이터를 획득할 수 있다.
예를 들어, 서버 디바이스(100)는 가공 데이터에 대한 피드백 정보를 획득할 수 있다.
예를 들어, 피드백 정보는, 서버 디바이스(100) 관리자로부터 입력될 수 있다.
또 다른 예시로, 피드백 정보는, 해당 음원에 대하여 미리 가공된 학습 데이터가 있는 경우, 서버 디바이스(100) 는 해당 미리 가공된 학습 데이터와 가공 데이터를 비교하고, 그 비교 결과에 기초하여 피드백 정보를 생성할 수도 있다. 다시 말하면, 예를 들어, 학습 데이터에는 음원의 가공 전 및 가공 후 버전이 포함될 수 있으며, 서버 디바이스(100)는 가공 전 음원을 학습된 모델에 기초하여 가공하여 가공 데이터를 생성하고, 가공 데이터와 학습 데이터에 포함된 가공 후 버전을 비교하여 그 비교 결과에 기초하여 피드백을 획득할 수도 있다.
예를 들어, 서버 디바이스(100)는, 피드백에 기초하여 학습된 모델을 업데이트할 수 있다.
예를 들어, 서버 디바이스(100)는 피드백에 기초하여 학습된 모델의 특성 (예를 들어, CNN 의 특성) 을 수정하고, 수정된 모델에 기초하여 테스트용 음원을 가공하고, 다시 피드백을 획득하여 업데이트 하는 과정을 반복할 수 있다.
예를 들어, 서버 디바이스(100)는 반복 횟수가 미리 설정된 임계값 (예를 들어, 7-9회) 에 도달하면, 동작을 종료하고 학습된 모델을 AI 엔진으로서 획득할 수 있다.
도 6은 다양한 실시예들에 따른 음원 마스터링을 위한 AI 엔진을 획득하는 전자 장치의 동작 방법을 도시한 도면이다.
도 6 을 참조하면, 예를 들어, 동작 601 에서, 서버 디바이스(100)는, 학습용 음원 데이터를 처리함에 기초하여 획득된 훈련용 데이터 및 테스트용 데이터 중 훈련용 데이터에 기초하여 모델을 학습시킬 수 있다.
예를 들어, 동작 603 에서, 서버 디바이스(100)는, 테스트용 데이터가 학습된 모델로 입력됨에 대한 응답으로 출력되는 가공 데이터에 대한 제1 피드백 정보를 획득할 수 있다.
예를 들어, 동작 605 에서, 서버 디바이스(100)는, 제1 피드백 정보에 기초하여 모델을 업데이트할 수 있다.
예를 들어, 동작 607 에서, 서버 디바이스(100)는, 동작 601 내지 동작 605 가 반복된 횟수를 미리 설정된 임계값 (N_TH) 과 비교할 수 있다.
예를 들어, 서버 디바이스(100)는, 반복된 횟수가 미리 설정된 임계값과 일치하지 않으면 (즉, 반복된 횟수가 미리 설정된 임계값 미만이면), 동작 601 로 돌아가, 동작 601 내지 동작 605 을 재수행할 수 있다.
예를 들어, 서버 디바이스(100)는, 반복된 횟수가 미리 설정된 임계값과 일치하면, 프로세스를 종료할 수 있다.
상술한 다양한 실시예들에 따른 음원 마스터링을 위한 AI 엔진을 획득하는 전자 장치의 보다 구체적인 동작은 도 5 를 참조하여 앞서 설명한 내용에 기반하여 설명되고 수행될 수 있다.
다양한 실시예들은 음원의 생산 및 배포과정에서 음원 마스터링에 활용될 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 다양한 실시예들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수 도 있다.
다양한 실시예들은 그 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 다양한 실시예들의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 다양한 실시예들의 등가적 범위 내에서의 모든 변경은 다양한 실시예들의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
100: 서버 디바이스
200: 사용자 디바이스
310: 입/출력부
320: 통신부
330: 데이터베이스
340: 프로세서

Claims (16)

  1. 전자 장치의 동작 방법에 있어서,
    대상 음원의 마스터링 (mastering) 요청 정보를 획득하는 동작;
    상기 마스터링 요청 정보에 대한 응답으로, AI (artificial intelligence) 엔진 (engine)에 입력 가능하도록 상기 대상 음원을 처리함에 기초하여 상기 대상 음원의 파일 형식을 변경하고 행렬 형태로 변환한 제1 정보를 획득하는 동작;
    상기 제1 정보를 상기 AI 엔진에 입력하는 동작; 및
    상기 제1 정보에 대한 상기 AI 엔진의 출력에 기초하여 마스터링된 대상 음원을 획득하는 동작을 포함하며,
    상기 마스터링된 대상 음원을 획득하는 동작은, 상기 대상 음원의 타겟 시장 및 목표 고객층에 대한 정보를 획득하고, 상기 타겟 시장 및 상기 목표 고객층에서 스트리밍 되거나 다운로드된 음원들에 대한 정보에 기초하여 목표 특성을 추출하고, 상기 목표 특성을 이용하여 상기 마스터링된 대상 음원을 획득하는 동작을 포함하고,
    상기 목표 특성은 음원의 장르, 템포, 음색을 포함하며,
    상기 마스터링 요청 정보는 서비스 구독자(subscriber)인지 여부를 지시하는 제1 비트를 포함하고,
    상기 마스터링 요청 정보는, 상기 제1 비트가 상기 서비스 구독자가 아님을 지시하는 제1 값인 경우에만 제2 비트를 포함하고, 상기 제1 비트가 기 서비스 구독자임을 지시하는 제2 값인 경우에는 상기 제2 비트를 포함하지 않고,
    상기 제2 비트는 일회성(one-time) 서비스 과금의 납부 여부를 지시하는 비트인, 방법.
  2. 제 1 항에 있어서,
    상기 마스터링 요청 정보는, 상기 대상 음원의 가공을 요청하는 사용자의 식별 정보인 사용자 ID (identifier)를 포함하고,
    상기 전자 장치의 동작 방법은: 상기 사용자 ID 와 데이터베이스에 기초하여, 상기 사용자의 가공 요청 이력에 대한 정보, 상기 사용자의 선호 음악 장르에 대한 정보, 상기 사용자의 선호 이퀄라이저에 대한 정보 중 하나 이상을 포함하는 제2 정보를 획득하는 동작을 더 포함하고,
    상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 상기 제2 정보에 따라 후처리함에 기초하여 획득되는, 방법.
  3. 제 2 항에 있어서,
    상기 사용자 ID 는, 복수의 사용자 ID 들 중 하나이고,
    상기 데이터베이스에는, 상기 복수의 사용자 ID 들에 대응하는 복수의 사용자들 각각의 가공 요청 이력에 대한 정보, 상기 복수의 사용자들 각각의 선호 음악 장르에 대한 정보, 상기 복수의 사용자들 각각의 선호 이퀄라이저에 대한 정보가 상기 복수의 사용자 ID 들 별로 분류되어 있고,
    상기 제2 정보는, 상기 데이터베이스를 상기 사용자 ID 에 따라 검색함에 기초하여 획득되는, 방법.
  4. 제 1 항에 있어서,
    상기 전자 장치의 동작 방법은:
    상기 마스터링 요청 정보에 기초하여, 사용자로부터 서비스 과금이 납부되었는지 여부를 식별하는 동작; 및
    상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 서비스 과금 납부 요청 정보를 피드백 (feedback) 하는 동작을 더 포함하고,
    상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 상기 제1 정보를 획득하는 동작, 상기 입력하는 동작 및 상기 마스터링된 대상 음원을 획득하는 동작은 드롭 (drop) 되는, 방법.
  5. 제 4 항에 있어서,
    상기 제2 비트의 제1 값은 상기 일회성 서비스 과금이 납부되지 않음을 지시하고, 상기 제2 비트의 제2 값은 상기 일회성 서비스 과금이 납부됨을 지시하고,
    상기 서비스 과금이 납부되었는지 여부를 식별하는 동작은,
    상기 마스터링 요청 정보의 상기 제1 비트가 상기 제1 값이고 상기 제2 비트가 상기 제1 값인 경우에는, 상기 서비스 과금이 납부되지 않은 것으로 식별하고,
    상기 마스터링 요청 정보의 상기 제1 비트가 상기 제1 값이고 상기 제2 비트는 상기 제2 값인 경우, 또는 상기 제1 비트가 상기 제2 값인 경우에는, 상기 서비스 과금이 납부된 것으로 식별하는, 방법.
  6. 제 1 항에 있어서,
    상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 하나 이상의 파라미터에 따라 후처리함에 기초하여 획득되고,
    상기 하나 이상의 파라미터는, 상기 대상 음원의 컴프레싱, 상기 대상 음원의 멀티밴드 컴프레싱, 상기 대상 음원의 이퀄라이저 조정, 상기 대상 음원의 스테레오 조정 및 상기 대상 음원의 음압 조정 중 하나 이상을 위한 것인, 방법.
  7. 제 1 항에 있어서,
    상기 AI 엔진은, 모델 (model) 에 기계 학습 (machine learning) 을 적용함에 기초하여 미리 구성되고,
    상기 기계 학습은:
    - (a) 학습용 음원 데이터를 처리함에 기초하여 획득된 훈련용 데이터 및 테스트용 데이터 중 훈련용 데이터에 기초하여 상기 모델을 학습;
    - (b) 상기 테스트용 데이터가 상기 모델로 입력됨에 대한 응답으로 출력되는 가공 데이터에 대한 제1 피드백 정보를 획득;
    - (c) 상기 제1 피드백 정보에 기초하여 상기 모델을 업데이트; 및
    - (d) 상기 (a) 내지 (c) 가 반복되되, 상기 (a) 내지 (c) 의 반복 횟수가 미리 설정된 임계값과 일치함에 기초하여 종료;
    됨에 기초하여 수행되는, 방법.
  8. 제 1 항에 있어서,
    상기 전자 장치의 동작 방법은:
    상기 마스터링된 대상 음원에 대한 제2 피드백 정보를 획득하는 동작;
    상기 제2 피드백 정보에 포함된 대상 음원을 위한 피드백 정보에 기초하여, 상기 제1 정보를 업데이트하는 동작;
    상기 제2 피드백 정보에 포함된 AI 엔진을 위한 피드백 정보에 기초하여, 상기 AI 엔진을 업데이트 하는 동작;
    상기 업데이트된 제1 정보를 상기 업데이트된 AI 엔진에 입력하는 동작; 및
    상기 업데이트된 제1 정보에 대한 상기 업데이트된 AI 엔진의 출력에 기초하여 업데이트된 마스터링된 대상 음원을 획득하는 동작을 더 포함하는, 방법.
  9. 전자 장치에 있어서,
    프로세서 (processor); 및
    하나 이상의 인스트럭션 (instruction) 을 저장하는 하나 이상의 메모리 (memory) 를 포함하고,
    상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가:
    대상 음원의 마스터링 (mastering) 요청 정보를 획득하는 동작;
    상기 마스터링 요청 정보에 대한 응답으로, AI (artificial intelligence) 엔진 (engine) 에 입력 가능하도록 상기 대상 음원을 처리함에 기초하여 상기 대상 음원의 파일 형식을 변경하고 행렬 형태로 변환한 제1 정보를 획득하는 동작;
    상기 제1 정보를 상기 AI 엔진에 입력하는 동작; 및
    상기 제1 정보에 대한 상기 AI 엔진의 출력에 기초하여 마스터링된 대상 음원을 획득하는 동작을 수행하도록 상기 프로세서를 제어하며,
    상기 프로세서의 상기 마스터링된 대상 음원을 획득하는 동작은, 상기 대상 음원의 타겟 시장 및 목표 고객층에 대한 정보를 획득하고, 상기 타겟 시장 및 상기 목표 고객층에서 스트리밍 되거나 다운로드된 음원들에 대한 정보에 기초하여 목표 특성을 추출하고, 상기 목표 특성을 이용하여 상기 마스터링된 대상 음원을 획득하는 동작을 포함하고,
    상기 목표 특성은 음원의 장르, 템포, 음색을 포함하며,
    상기 마스터링 요청 정보는 서비스 구독자(subscriber)인지 여부를 지시하는 제1 비트를 포함하고,
    상기 마스터링 요청 정보는, 상기 제1 비트가 상기 서비스 구독자가 아님을 지시하는 제1 값인 경우에만 제2 비트를 포함하고, 상기 제1 비트가 기 서비스 구독자임을 지시하는 제2 값인 경우에는 상기 제2 비트를 포함하지 않고,
    상기 제2 비트는 일회성(one-time) 서비스 과금의 납부 여부를 지시하는 비트인, 전자 장치.
  10. 제 9 항에 있어서,
    상기 마스터링 요청 정보는, 상기 대상 음원의 가공을 요청하는 사용자의 식별 정보인 사용자 ID (identifier) 를 포함하고,
    상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가: 상기 사용자 ID 와 데이터베이스에 기초하여, 상기 사용자의 가공 요청 이력에 대한 정보, 상기 사용자의 선호 음악 장르에 대한 정보, 상기 사용자의 선호 이퀄라이저에 대한 정보 중 하나 이상을 포함하는 제2 정보를 획득하는 동작을 더 수행하도록 상기 프로세서를 제어하고,
    상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 상기 제2 정보에 따라 후처리함에 기초하여 획득되는, 전자 장치.
  11. 제 10 항에 있어서,
    상기 사용자 ID 는, 복수의 사용자 ID 들 중 하나이고,
    상기 데이터베이스에는, 상기 복수의 사용자 ID 들에 대응하는 복수의 사용자들 각각의 가공 요청 이력에 대한 정보, 상기 복수의 사용자들 각각의 선호 음악 장르에 대한 정보, 상기 복수의 사용자들 각각의 선호 이퀄라이저에 대한 정보가 상기 복수의 사용자 ID 들 별로 분류되어 있고,
    상기 제2 정보는, 상기 데이터베이스를 상기 사용자 ID 에 따라 검색함에 기초하여 획득되는, 전자 장치.
  12. 제 9 항에 있어서,
    상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가:
    상기 마스터링 요청 정보에 기초하여, 사용자로부터 서비스 과금이 납부되었는지 여부를 식별하는 동작; 및
    상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 서비스 과금 납부 요청 정보를 피드백 (feedback) 하는 동작을 더 수행하도록 상기 프로세서를 제어하고,
    상기 서비스 과금이 납부되지 않은 것으로 식별됨에 기초하여, 상기 제1 정보를 획득하는 동작, 상기 입력하는 동작 및 상기 마스터링된 대상 음원을 획득하는 동작은 드롭 (drop) 되는, 전자 장치.
  13. 제 12 항에 있어서,
    상기 제2 비트의 제1 값은 상기 일회성 서비스 과금이 납부되지 않음을 지시하고, 상기 제2 비트의 제2 값은 상기 일회성 서비스 과금이 납부됨을 지시하고,
    상기 서비스 과금이 납부되었는지 여부를 식별하는 동작은,
    상기 마스터링 요청 정보의 상기 제1 비트가 상기 제1 값이고 상기 제2 비트가 상기 제1 값인 경우에는, 상기 서비스 과금이 납부되지 않은 것으로 식별하고,
    상기 마스터링 요청 정보의 상기 제1 비트가 상기 제1 값이고 상기 제2 비트는 상기 제2 값인 경우, 또는 상기 제1 비트가 상기 제2 값인 경우에는, 상기 서비스 과금이 납부된 것으로 식별하는, 전자 장치.
  14. 제 9 항에 있어서,
    상기 마스터링된 대상 음원은, 상기 AI 엔진의 출력을 하나 이상의 파라미터에 따라 후처리함에 기초하여 획득되고,
    상기 하나 이상의 파라미터는, 상기 대상 음원의 컴프레싱, 상기 대상 음원의 멀티밴드 컴프레싱, 상기 대상 음원의 이퀄라이저 조정, 상기 대상 음원의 스테레오 조정 및 상기 대상 음원의 음압 조정 중 하나 이상을 위한 것인, 전자 장치.
  15. 제 9 항에 있어서,
    상기 AI 엔진은, 모델 (model) 에 기계 학습 (machine learning) 을 적용함에 기초하여 미리 구성되고,
    상기 기계 학습은:
    - (a) 학습용 음원 데이터를 처리함에 기초하여 획득된 훈련용 데이터 및 테스트용 데이터 중 훈련용 데이터에 기초하여 상기 모델을 학습;
    - (b) 상기 테스트용 데이터가 상기 모델로 입력됨에 대한 응답으로 출력되는 가공 데이터에 대한 제1 피드백 정보를 획득;
    - (c) 상기 제1 피드백 정보에 기초하여 상기 모델을 업데이트; 및
    - (d) 상기 (a) 내지 (c) 가 반복되되, 상기 (a) 내지 (c) 의 반복 횟수가 미리 설정된 임계값과 일치함에 기초하여 종료;
    됨에 기초하여 수행되는, 전자 장치.
  16. 제 9 항에 있어서,
    상기 하나 이상의 인스트럭션은, 실행 시에, 상기 프로세서가:
    상기 마스터링된 대상 음원에 대한 제2 피드백 정보를 획득하는 동작;
    상기 제2 피드백 정보에 포함된 대상 음원을 위한 피드백 정보에 기초하여, 상기 제1 정보를 업데이트하는 동작;
    상기 제2 피드백 정보에 포함된 AI 엔진을 위한 피드백 정보에 기초하여, 상기 AI 엔진을 업데이트 하는 동작;
    상기 업데이트된 제1 정보를 상기 업데이트된 AI 엔진에 입력하는 동작; 및
    상기 업데이트된 제1 정보에 대한 상기 업데이트된 AI 엔진의 출력에 기초하여 업데이트된 마스터링된 대상 음원을 획득하는 동작을 더 수행하도록 상기 프로세서를 제어하는, 전자 장치.
KR1020190152665A 2019-11-25 2019-11-25 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치 KR102412134B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190152665A KR102412134B1 (ko) 2019-11-25 2019-11-25 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152665A KR102412134B1 (ko) 2019-11-25 2019-11-25 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치

Publications (2)

Publication Number Publication Date
KR20210063948A KR20210063948A (ko) 2021-06-02
KR102412134B1 true KR102412134B1 (ko) 2022-06-21

Family

ID=76373143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190152665A KR102412134B1 (ko) 2019-11-25 2019-11-25 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치

Country Status (1)

Country Link
KR (1) KR102412134B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102504081B1 (ko) 2022-08-18 2023-02-28 주식회사 킨트 사운드 파일 마스터링 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220156226A (ko) 2021-05-18 2022-11-25 에스엘 주식회사 차량용 램프
KR102363394B1 (ko) * 2021-08-06 2022-02-15 티오더 주식회사 주문 서비스를 제공하고 광고 메시지를 생성하기 위한 방법 및 장치
KR102504088B1 (ko) * 2022-10-21 2023-02-28 주식회사 킨트 가상현실 출력 기기를 통한 입체음향 콘텐츠 생성 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004068358A1 (ja) * 2003-01-27 2004-08-12 Matsushita Electric Industrial Co., Ltd. デジタルコンテンツ配信システム
GB0702587D0 (en) * 2006-05-05 2007-03-21 Omnifone Ltd Digital rights management
US20080153537A1 (en) * 2006-12-21 2008-06-26 Charbel Khawand Dynamically learning a user's response via user-preferred audio settings in response to different noise environments
KR20190100543A (ko) * 2018-02-09 2019-08-29 삼성전자주식회사 전자장치 및 이를 이용한 인공지능 알고리즘 기반의 음악 작곡 방법
US11367438B2 (en) * 2019-05-16 2022-06-21 Lg Electronics Inc. Artificial intelligence apparatus for recognizing speech of user and method for the same

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
DESO, ‘LANDR (랜디알), 검증된 무료 마스터링!’, 네이버블로그, 페이지 1-19, (2017.03.23.) 1부*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102504081B1 (ko) 2022-08-18 2023-02-28 주식회사 킨트 사운드 파일 마스터링 시스템

Also Published As

Publication number Publication date
KR20210063948A (ko) 2021-06-02

Similar Documents

Publication Publication Date Title
KR102412134B1 (ko) 음원 마스터링을 위한 전자 장치의 동작 방법 및 이를 지원하는 전자 장치
US10902841B2 (en) Personalized custom synthetic speech
US11526369B2 (en) Skill discovery for computerized personal assistant
EP3803846B1 (en) Autonomous generation of melody
KR102535411B1 (ko) 메트릭 학습 기반의 데이터 분류와 관련된 장치 및 그 방법
US9715870B2 (en) Cognitive music engine using unsupervised learning
US20190043239A1 (en) Methods, systems, articles of manufacture and apparatus for generating a response for an avatar
CN114365120A (zh) 减少的训练意图识别技术
US11043216B2 (en) Voice feedback for user interface of media playback device
US20220083583A1 (en) Systems, Methods and Computer Program Products for Associating Media Content Having Different Modalities
US20190318262A1 (en) Tool for designing artificial intelligence systems
KR102484257B1 (ko) 전자 장치, 그의 문서 표시 방법 및 비일시적 컴퓨터 판독가능 기록매체
CN111201567A (zh) 用于与数字媒体内容交互的口语、面部和姿势通信设备和计算体系架构
US20240029436A1 (en) Action classification in video clips using attention-based neural networks
US11881209B2 (en) Electronic device and control method
US11955026B2 (en) Multimodal neural network for public speaking guidance
US10762902B2 (en) Method and apparatus for synthesizing adaptive data visualizations
US20210201549A1 (en) Generating digital avatar
CN111512299A (zh) 用于内容搜索的方法及其电子设备
KR20200056342A (ko) 대상 화자 음성과 동일한 음성을 가진 컨텐츠를 검색하는 방법 및 이를 실행하기 위한 장치
KR102623431B1 (ko) 사용자 보컬 평가 기반 트레이너 매칭 방법
US11657095B1 (en) Supplemental content placement for natural language interfaces
KR102486806B1 (ko) 인공지능에 기반하여 시놉시스 텍스트를 분석하고 시청률을 예측하는 서버
US20230027078A1 (en) Systems and methods for generation and deployment of a human-personified virtual agent using pre-trained machine learning-based language models and a video response corpus
KR20200127836A (ko) 화상 정보를 제공하는 인공 지능 장치 및 그 방법

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant