KR102463570B1 - Method and tts system for configuring mel-spectrogram batch using unvoice section - Google Patents

Method and tts system for configuring mel-spectrogram batch using unvoice section Download PDF

Info

Publication number
KR102463570B1
KR102463570B1 KR1020200160393A KR20200160393A KR102463570B1 KR 102463570 B1 KR102463570 B1 KR 102463570B1 KR 1020200160393 A KR1020200160393 A KR 1020200160393A KR 20200160393 A KR20200160393 A KR 20200160393A KR 102463570 B1 KR102463570 B1 KR 102463570B1
Authority
KR
South Korea
Prior art keywords
mel
spectrogram
sub
spectrograms
text
Prior art date
Application number
KR1020200160393A
Other languages
Korean (ko)
Other versions
KR20220072599A (en
Inventor
강진범
주동원
이정훈
남용욱
Original Assignee
주식회사 자이냅스
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 자이냅스 filed Critical 주식회사 자이냅스
Priority to KR1020200160393A priority Critical patent/KR102463570B1/en
Priority to US17/380,387 priority patent/US20220165247A1/en
Publication of KR20220072599A publication Critical patent/KR20220072599A/en
Application granted granted Critical
Publication of KR102463570B1 publication Critical patent/KR102463570B1/en

Links

Images

Classifications

    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00Speech synthesis; Text to speech systems
    • G10L13/02Methods for producing synthetic speech; Speech synthesisers
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00Speech recognition
    • G10L15/26Speech to text systems
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00Speech 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
    • G10L19/02Speech 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 spectral analysis, e.g. transform vocoders or subband vocoders
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/93Discriminating between voiced and unvoiced parts of speech signals

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)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

화자 정보 및 텍스트를 이용하여 음성 데이터를 생성하는 방법은, 화자 정보를 수신하여 화자 정보에 기초하여 화자 임베딩 벡터를 생성하는 단계, 텍스트를 수신하여 텍스트에 기초하여 텍스트 임베딩 벡터를 생성하는 단계, 화자 임베딩 백터 및 텍스트 임베딩 벡터에 기초하여 멜-스펙트로그램을 생성하는 단계, 및 멜-스펙트로그램으로부터 음성 데이터를 생성하는 단계를 포함할 수 있다.
음성 데이터를 생성하는 단계는, 멜-스펙트로그램에서 무음(silence) 부분을 결정하고, 무음 부분을 기준으로 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하고, 복수의 서브 멜-스펙트로그램을 후처리하며, 후처리된 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성하는 단계를 포함할 수 있다.
A method of generating voice data using speaker information and text includes the steps of: receiving speaker information and generating a speaker embedding vector based on the speaker information; receiving text and generating a text embedding vector based on the text; generating a mel-spectrogram based on the embedding vector and the text embedding vector, and generating speech data from the mel-spectrogram.
The step of generating the voice data includes determining a silent part in the mel-spectrogram, dividing the mel-spectrogram into a plurality of sub mel-spectrograms based on the silent part, and a plurality of sub mel-spectrograms. post-processing, and generating voice data from a plurality of post-processed sub-mel-spectrograms.

Description

무음 구간 검출을 통한 멜 스펙트로그램의 배치 구성 방법 및 음성 합성 시스템{METHOD AND TTS SYSTEM FOR CONFIGURING MEL-SPECTROGRAM BATCH USING UNVOICE SECTION}Method and voice synthesis system for arrangement of Mel spectrogram through silent section detection

본 개시는 무음 구간 검출을 통한 멜 스펙트로그램의 배치 구성 방법 및 음성 합성 시스템에 관한다.The present disclosure relates to a method for configuring a Mel spectrogram arrangement through silent section detection and a speech synthesis system.

최근 인공 지능 기술의 발달로 음성 신호를 활용하는 인터페이스가 보편화되고 있다. 이에 따라, 주어진 상황에 따라 합성된 음성을 발화할 수 있도록 하는 음성 합성(speech synthesis) 기술에 대한 연구가 활발히 진행되고 있다.Recently, with the development of artificial intelligence technology, interfaces using voice signals are becoming common. Accordingly, research on a speech synthesis technology capable of uttering a synthesized voice according to a given situation is being actively conducted.

음성 합성 기술은 인공 지능에 기반한 음성 인식 기술과 접목하여 가상 비서, 오디오북, 자동 통번역 및 가상 성우 등의 많은 분야에 적용되고 있다. Speech synthesis technology is being applied to many fields such as virtual assistants, audiobooks, automatic interpretation and translation, and virtual voice actors by combining speech recognition technology based on artificial intelligence.

종래의 음성 합성 방법으로는 연결 합성(Unit Selection Synthesis, USS) 및 통계 기반 파라미터 합성(HMM-based Speech Synthesis, HTS) 등의 다양한 방법이 있다. USS 방법은 음성 데이터를 음소 단위로 잘라서 저장하고 음성 합성 시 발화에 적합한 음편을 찾아서 이어붙이는 방법이고, HTS 방법은 음성 특징에 해당하는 파라미터들을 추출해 통계 모델을 생성하고 통계 모델에 기반하여 텍스트를 음성으로 재구성하는 방법이다. 그러나, 상술한 종래의 음성 합성 방법은 화자의 발화 스타일 또는 감정 표현 등을 반영한 자연스러운 음성을 합성하는 데 많은 한계가 있었다. As a conventional speech synthesis method, there are various methods such as unit selection synthesis (USS) and statistic-based parameter synthesis (HMM-based speech synthesis, HTS). The USS method cuts out speech data into phoneme units and stores them, and finds a sound piece suitable for utterance during speech synthesis. The HTS method creates a statistical model by extracting parameters corresponding to speech characteristics and converts text into speech based on the statistical model. as a way to reconstruct it. However, the conventional voice synthesis method described above has many limitations in synthesizing a natural voice reflecting the speaker's speech style or emotional expression.

이에 따라, 최근에는 인공 신경망(Artificial Neural Network)에 기반하여 텍스트로부터 음성을 합성하는 음성 합성 방법이 주목받고 있다.Accordingly, recently, a speech synthesis method for synthesizing speech from text based on an artificial neural network is attracting attention.

실제 발화자가 말하는 듯한 자연스러운 음성을 구현할 수 있는 인공 지능 기반의 음성 합성 기술을 제공하는 데 있다. 또한, 실제 발화자가 말하는 듯한 자연스러운 음성을 구현할 수 있는 인공 지능 기반의 음성 합성 기술을 제공하는 데 있다. 또한, 적은 양의 학습 데이터를 이용하는 고효율의 인공 지능 기반의 음성 합성 기술을 제공하는 데 있다.The goal is to provide artificial intelligence-based speech synthesis technology that can implement natural voices as if they were being spoken by a real speaker. In addition, the purpose of the present invention is to provide an artificial intelligence-based speech synthesis technology capable of realizing a natural voice as if speaking by an actual speaker. In addition, it is to provide a highly efficient artificial intelligence-based speech synthesis technology using a small amount of learning data.

해결하고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 유추될 수 있다.The technical problem to be solved is not limited to the technical problems as described above, and other technical problems may be inferred.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 화자 정보 및 텍스트를 이용하여 음성 데이터를 생성하는 방법에 있어서, 화자 정보를 수신하여 상기 화자 정보에 기초하여 화자 임베딩 벡터를 생성하는 단계; 텍스트를 수신하여 상기 텍스트에 기초하여 텍스트 임베딩 벡터를 생성하는 단계; 상기 화자 임베딩 백터 및 상기 텍스트 임베딩 벡터에 기초하여 멜-스펙트로그램을 생성하는 단계; 및 상기 멜-스펙트로그램으로부터 음성 데이터를 생성하는 단계;를 포함하고, 상기 음성 데이터를 생성하는 단계는, 상기 멜-스펙트로그램에서 무음(silence) 부분을 결정하는 단계; 상기 무음 부분을 기준으로 상기 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하는 단계; 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계; 및 상기 후처리된 복수의 서브 멜-스펙트로그램으로부터 상기 음성 데이터를 생성하는 단계;를 포함하는, 방법을 제공할 수 있다.As a technical means for achieving the above technical problem, a first aspect of the present disclosure provides a method for generating voice data using speaker information and text, receiving speaker information and based on the speaker information, a speaker embedding vector creating a; receiving text and generating a text embedding vector based on the text; generating a Mel-spectrogram based on the speaker embedding vector and the text embedding vector; and generating voice data from the mel-spectrogram, wherein the generating of the voice data includes: determining a silence part in the mel-spectrogram; dividing the mel-spectrogram into a plurality of sub-mel-spectrograms based on the silent portion; post-processing the plurality of sub-mel-spectrograms; and generating the voice data from the plurality of post-processed sub-mel-spectrograms.

또한, 상기 후처리하는 단계는, 상기 복수의 서브 멜-스펙트로그램 각각의 길이를 계산하는 단계; 및 상기 복수의 서브 멜-스펙트로그램의 길이가 기준 배치(batch) 길이와 동일해지도록, 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계;를 포함하는, 방법을 제공할 수 있다.In addition, the post-processing may include calculating a length of each of the plurality of sub-mel-spectrograms; and post-processing the plurality of sub-mel-spectrograms so that the lengths of the plurality of sub-mel-spectrograms are equal to the reference batch length.

또한, 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계는, 상기 복수의 서브 멜-스펙트로그램 각각의 길이가 상기 기설정된 배치 길이와 동일해지도록, 상기 기준 배치 길이 미만의 길이를 갖는 서브 멜-스펙트로그램에 대해 제로-패딩(zero-padding)을 적용하는 단계;를 포함하는, 방법을 제공할 수 있다.In addition, in the post-processing of the plurality of sub-mel-spectrograms, the sub-mel having a length less than the reference batch length so that the length of each of the plurality of sub-mel-spectrograms is equal to the preset batch length -Applying zero-padding to the spectrogram; including; a method may be provided.

전술한 본 개시의 과제 해결 수단에 의하면, 멜-스펙트로그램의 무음 부분을 기준으로 멜-스펙트로그램을 서브 멜-스펙트로그램으로 분할하고, 서브 멜-스펙트로그램으로부터 음성 데이터를 생성함으로써, 보다 정확성 높은 음성 데이터를 생성할 수 있다.According to the above-described problem solving means of the present disclosure, by dividing the Mel-spectrogram into sub-mel-spectrograms based on the silent part of the Mel-spectrogram and generating voice data from the sub-mel-spectrogram, higher accuracy Voice data can be generated.

본 개시의 다른 과제 해결 수단 중 하나에 의하면, 무음 멜-스펙트로그램을 이용하여 음성 데이터를 생성함으로써, 보다 정확성 높은 음성 데이터를 생성할 수 있다.According to one of the other problem solving means of the present disclosure, by generating the voice data using the silent Mel-spectrogram, it is possible to generate more accurate voice data.

도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다.
도 2는 음성 합성 시스템의 일 실시예를 나타내는 도면이다.
도 3은 음성 합성 시스템의 합성기의 일 실시예를 나타내는 도면이다.
도 4는 합성기를 통해 멜 스펙트로그램을 출력하는 일 실시예를 나타내는 도면이다.
도 5는 일 실시예에 따른 멜-스펙트로그램에 대응하는 볼륨 그래프를 도시한 도면이다.
도 6a 내지 도 6b는 일 실시예에 따른 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하는 과정을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 텍스트 시퀀스를 분할하는 예시를 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 서브 멜-스펙트로그램 사이에 무음 멜-스펙트로그램을 추가하여 최종 멜-스펙트로그램을 생성하는 과정을 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 멜-스펙트로그램의 무음 부분을 결정하는 방법의 흐름도이다.
1 is a diagram schematically illustrating an operation of a speech synthesis system.
2 is a diagram illustrating an embodiment of a speech synthesis system.
3 is a diagram illustrating an embodiment of a synthesizer of a speech synthesis system.
4 is a diagram illustrating an embodiment of outputting a Mel spectrogram through a synthesizer.
5 is a diagram illustrating a volume graph corresponding to a Mel-spectrogram according to an exemplary embodiment.
6A to 6B are diagrams for explaining a process of dividing a mel-spectrogram into a plurality of sub-mel-spectrograms according to an exemplary embodiment.
7 is a diagram for explaining a process of generating voice data from a plurality of sub-mel-spectrograms according to an embodiment.
8 is a diagram for explaining an example of dividing a text sequence according to an embodiment.
FIG. 9 is a diagram for explaining a process of generating a final Mel-spectrogram by adding a silent Mel-spectrogram between sub-mel-spectrograms according to an exemplary embodiment.
10 is a flowchart of a method for determining a silent portion of a mel-spectrogram according to an embodiment.

본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들 전반에 걸친 내용을 토대로 정의되어야 한다. The terms used in the present embodiments have been selected as currently widely used general terms as possible while considering the functions in the present embodiments, but this may vary depending on the intention or precedent of a person skilled in the art, the emergence of new technology, etc. have. In addition, in certain cases, there are also terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the relevant part. Therefore, the terms used in the present embodiments should be defined based on the meaning of the term and the contents throughout the present embodiments, rather than the simple name of the term.

본 실시예들은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 일부 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 실시예들을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 실시예들의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어들은 단지 실시예들의 설명을 위해 사용된 것으로, 본 실시예들을 한정하려는 의도가 아니다.Since the present embodiments may have various changes and may have various forms, some embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the present embodiments to a specific disclosure form, and it should be understood that all modifications, equivalents and substitutes included in the spirit and scope of the present embodiments are included. The terms used herein are used only for description of the embodiments, and are not intended to limit the present embodiments.

본 실시예들에 사용되는 용어들은 다르게 정의되지 않는 한, 본 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 실시예들에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.Unless otherwise defined, terms used in the present embodiments have the same meanings as commonly understood by those of ordinary skill in the art to which the present embodiments belong. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in the present embodiments, have an ideal or excessively formal meaning. should not be interpreted.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0012] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0014] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0016] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the following detailed description is not to be taken in a limiting sense, and the scope of the present invention should be taken as encompassing the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects.

한편, 본 명세서에서 하나의 도면 내에서 개별적으로 설명되는 기술적 특징은 개별적으로 구현될 수도 있고, 동시에 구현될 수도 있다.On the other hand, in the present specification, technical features that are individually described within one drawing may be implemented individually or at the same time.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.

도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다. 1 is a diagram schematically illustrating an operation of a speech synthesis system.

음성 합성(Speech Synthesis) 장치는 텍스트를 사람의 음성으로 변환하는 장치이다. A speech synthesis device is a device that converts text into human speech.

예를 들어, 도 1의 음성 합성 시스템(100)은 인공 신경망(Artificial Neural Network) 기반의 음성 합성 시스템일 수 있다. 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미한다. For example, the speech synthesis system 100 of FIG. 1 may be an artificial neural network-based speech synthesis system. An artificial neural network refers to an overall model that has problem-solving ability by changing the strength of synaptic bonding through learning in which artificial neurons that form a network through synaptic bonding.

음성 합성 시스템(100)은 PC(personal computer), 서버 디바이스, 모바일 디바이스, 임베디드 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있고, 구체적인 예로서 인공 신경망를 이용하여 음성 합성을 수행하는 스마트폰, 태블릿 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스, 자율주행 자동차, 로보틱스, 의료기기, 전자책 단말기 및 네비게이션 등에 해당될 수 있으나, 이에 제한되지 않는다. The voice synthesis system 100 may be implemented in various types of devices such as a personal computer (PC), a server device, a mobile device, an embedded device, and the like, and as a specific example, a smartphone or tablet that performs voice synthesis using an artificial neural network. It may correspond to a device, an Augmented Reality (AR) device, an Internet of Things (IoT) device, an autonomous vehicle, robotics, a medical device, an e-book terminal, and a navigation device, but is not limited thereto.

나아가서, 음성 합성 시스템(100)은 위와 같은 디바이스에 탑재되는 전용 하드웨어 가속기(HW accelerator)에 해당될 수 있다. 또는, 음성 합성 시스템(100)은 인공 신경망의 구동을 위한 전용 모듈인 NPU(neural processing unit), TPU(Tensor Processing Unit), Neural Engine 등과 같은 하드웨어 가속기일 수 있으나, 이에 제한되지 않는다.Furthermore, the speech synthesis system 100 may correspond to a dedicated hardware accelerator mounted on the above device. Alternatively, the speech synthesis system 100 may be a hardware accelerator such as a neural processing unit (NPU), a tensor processing unit (TPU), or a neural engine, which is a dedicated module for driving an artificial neural network, but is not limited thereto.

도 1을 참고하면, 음성 합성 시스템(100)은 텍스트 입력과 특정 화자 정보를 수신할 수 있다. 예를 들어, 음성 합성 시스템(100)은 텍스트 입력으로써 도 1에 도시된 바와 같이 "Have a good day!"를 수신할 수 있고, 화자 정보 입력으로써 "화자 1"을 수신할 수 있다. Referring to FIG. 1 , the speech synthesis system 100 may receive a text input and specific speaker information. For example, the speech synthesis system 100 may receive "Have a good day!" as shown in FIG. 1 as a text input, and may receive "Speaker 1" as a speaker information input.

"화자 1"은 기 설정된 화자 1의 발화 특징을 나타내는 음성 신호 또는 음성 샘플에 해당할 수 있다. 예를 들어, 화자 정보는 음성 합성 시스템(100)에 포함된 통신부를 통해 외부 장치로부터 수신될 수 있다. 또는, 화자 정보는 음성 합성 시스템(100)의 사용자 인터페이스를 통해 사용자로부터 입력될 수 있고, 음성 합성 시스템(100)의 데이터 베이스에 미리 저장된 다양한 화자 정보들 중 하나로 선택될 수도 있으나, 이에 제한되는 것은 아니다."Speaker 1" may correspond to a voice signal or a voice sample indicating the preset speech characteristics of Speaker 1. For example, the speaker information may be received from an external device through a communication unit included in the speech synthesis system 100 . Alternatively, the speaker information may be input from the user through the user interface of the speech synthesis system 100 and may be selected from among various speaker information pre-stored in the database of the speech synthesis system 100, but is limited thereto. not.

음성 합성 시스템(100)은 입력으로 수신한 텍스트 입력과 특정 화자 정보에 기초하여 음성(speech)를 출력할 수 있다. 예를 들어, 음성 합성 시스템(100)은 "Have a good day!" 및 "화자 1"을 입력으로 수신하여, 화자 1의 발화 특징이 반영된 "Have a good day!"에 대한 음성을 출력할 수 있다. 화자 1의 발화 특징은 화자 1의 음성, 운율, 음높이 및 감정 등 다양한 요소들 중 적어도 하나를 포함할 수 있다. 즉, 출력되는 음성은 화자 1이 "Have a good day!"를 자연스럽게 발음하는 듯한 음성일 수 있다. 음성 합성 시스템(100)의 구체적인 동작은 도 2 내지 도 4에서 후술한다. The speech synthesis system 100 may output a speech based on a text input received as an input and specific speaker information. For example, the speech synthesis system 100 may say "Have a good day!" and "Speaker 1" may be received as an input, and a voice for "Have a good day!" in which the speech characteristics of speaker 1 are reflected may be output. The speech characteristics of the first speaker may include at least one of various factors such as the speaker's voice, rhyme, pitch, and emotion. That is, the output voice may be a voice as if the speaker 1 naturally pronounces “Have a good day!”. A detailed operation of the speech synthesis system 100 will be described later with reference to FIGS. 2 to 4 .

도 2는 음성 합성 시스템의 일 실시예를 나타내는 도면이다. 도 2의 음성 합성 시스템(200)은 도 1의 음성 합성 시스템(100)과 동일할 수 있다.2 is a diagram illustrating an embodiment of a speech synthesis system. The speech synthesis system 200 of FIG. 2 may be the same as the speech synthesis system 100 of FIG. 1 .

도 2를 참조하면, 음성 합성 시스템(200)은 화자 인코더(210), 합성기(220) 및 보코더(230)를 포함할 수 있다. 한편, 도 2에 도시된 음성 합성 시스템(200)에는 일 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 음성 합성 시스템(200)에는 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.Referring to FIG. 2 , the speech synthesis system 200 may include a speaker encoder 210 , a synthesizer 220 , and a vocoder 230 . Meanwhile, in the speech synthesis system 200 illustrated in FIG. 2 , only components related to an embodiment are illustrated. Accordingly, it is apparent to those skilled in the art that the speech synthesis system 200 may include other general-purpose components in addition to the components shown in FIG. 2 .

도 2의 음성 합성 시스템(200)은 화자 정보 및 텍스트(text)를 입력으로 수신하여 음성(speech)를 출력할 수 있다. The speech synthesis system 200 of FIG. 2 may receive speaker information and text as inputs and output a speech.

예를 들어, 음성 합성 시스템(200)의 화자 인코더(210)는 화자 정보를 입력으로 수신하여 화자 임베딩 벡터(embedding vector)를 생성할 수 있다. 화자 정보는 화자의 음성 신호 또는 음성 샘플에 해당할 수 있다. 화자 인코더(210)는 화자의 음성 신호 또는 음성 샘플을 수신하여, 화자의 발화 특징을 추출할 수 있으며 이를 임베딩 벡터로 나타낼 수 있다. For example, the speaker encoder 210 of the speech synthesis system 200 may receive speaker information as an input and generate a speaker embedding vector. The speaker information may correspond to a speaker's voice signal or a voice sample. The speaker encoder 210 may receive the speaker's voice signal or voice sample, extract the speaker's utterance characteristics, and represent this as an embedding vector.

화자의 발화 특징은 발화 속도, 휴지 구간, 음높이, 음색, 운율, 억양 또는 감정 등 다양한 요소들 중 적어도 하나를 포함할 수 있다. 즉, 화자 인코더(210)는 화자 정보에 포함된 불연속적인 데이터 값을 연속적인 숫자로 구성된 벡터로 나타낼 수 있다. 예를 들어, 화자 인코더(210)는 pre-net, CBHG 모듈, DNN(Deep Neural Network), CNN(convolutional neural network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 화자 임베딩 벡터를 생성할 수 있다. The speaker's speech characteristics may include at least one of various factors such as speech speed, pause period, pitch, tone, rhyme, intonation, or emotion. That is, the speaker encoder 210 may represent the discontinuous data values included in the speaker information as a vector composed of continuous numbers. For example, the speaker encoder 210 includes a pre-net, a CBHG module, a deep neural network (DNN), a convolutional neural network (CNN), a recurrent neural network (RNN), a long short-term memory network (LSTM), a BRDNN ( A speaker embedding vector may be generated based on at least one or a combination of two or more of various artificial neural network models such as Bidirectional Recurrent Deep Neural Network).

예를 들어, 음성 합성 시스템(200)의 합성기(220)는 텍스트(text) 및 화자의 발화 특징을 나타내는 임베딩 벡터를 입력으로 수신하여 스펙트로그램(spectrogram)을 출력할 수 있다. For example, the synthesizer 220 of the speech synthesis system 200 may receive text and an embedding vector representing the speaker's utterance characteristics as inputs, and output a spectrogram.

도 3은 음성 합성 시스템의 합성기의 일 실시예를 나타내는 도면이다. 도 3의 합성기(300)는 도 2의 합성기(220)와 동일할 수 있다. 3 is a diagram illustrating an embodiment of a synthesizer of a speech synthesis system. The synthesizer 300 of FIG. 3 may be the same as the synthesizer 220 of FIG. 2 .

도 3을 참조하면, 음성 합성 시스템(200)의 합성기(300)는 인코더 및 디코더를 포함할 수 있다. 한편, 합성기(300)에는 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.Referring to FIG. 3 , the synthesizer 300 of the speech synthesis system 200 may include an encoder and a decoder. On the other hand, it is apparent to those skilled in the art that the synthesizer 300 may further include other general-purpose components.

화자의 발화 특징을 나타내는 임베딩 벡터는 상술한 바와 같이 화자 인코더(210)로부터 생성될 수 있으며, 합성기(300)의 인코더 또는 디코더는 화자 인코더(210)로부터 화자의 발화 특징을 나타내는 임베딩 벡터를 수신할 수 있다. The embedding vector representing the speech characteristic of the speaker may be generated from the speaker encoder 210 as described above, and the encoder or decoder of the synthesizer 300 receives the embedding vector representing the speech characteristic of the speaker from the speaker encoder 210. can

합성기(300)의 인코더는 텍스트를 입력으로 수신하여 텍스트 임베딩 벡터를 생성할 수 있다. 텍스트는 특정 자연 언어로 된 문자들의 시퀀스를 포함할 수 있다. 예를 들어, 문자들의 시퀀스는 알파벳 문자들, 숫자들, 문장 부호들 또는 기타 특수 문자들을 포함할 수 있다. The encoder of the synthesizer 300 may receive text as input and generate a text embedding vector. The text may include a sequence of characters in a particular natural language. For example, the sequence of characters may include alphabetic characters, numbers, punctuation marks, or other special characters.

합성기(300)의 인코더는 입력된 텍스트를 자모 단위, 글자 단위 또는 음소 단위로 분리할 수 있고, 분리된 텍스트를 인공 신경망 모델에 입력할 수 있다. 예를 들어, 합성기(300)의 인코더는 pre-net, CBHG 모듈, DNN, CNN, RNN, LSTM, BRDNN 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 텍스트 임베딩 벡터를 생성할 수 있다. The encoder of the synthesizer 300 may separate the inputted text into a unit of a alphabet, a unit of a letter, or a unit of a phoneme, and may input the separated text into the artificial neural network model. For example, the encoder of the synthesizer 300 may generate a text embedding vector based on at least one or a combination of two or more of various artificial neural network models such as pre-net, CBHG module, DNN, CNN, RNN, LSTM, BRDNN. .

또는, 합성기(300)의 인코더는 입력된 텍스트를 복수의 짧은 텍스트들로 분리하고, 짧은 텍스트들 각각에 대하여 복수의 텍스트 임베딩 벡터들을 생성할 수도 있다. Alternatively, the encoder of the synthesizer 300 may divide the input text into a plurality of short texts and generate a plurality of text embedding vectors for each of the short texts.

합성기(300)의 디코더는 화자 인코더(210)로부터 화자 임베딩 벡터 및 텍스트 임베딩 벡터를 입력으로 수신할 수 있다. 또는, 합성기(300)의 디코더는 화자 인코더(210)로부터 화자 임베딩 벡터를 입력으로 수신하고, 합성기(300)의 인코더로부터 텍스트 임베딩 벡터를 입력으로 수신할 수 있다. The decoder of the synthesizer 300 may receive a speaker embedding vector and a text embedding vector from the speaker encoder 210 as inputs. Alternatively, the decoder of the synthesizer 300 may receive a speaker embedding vector from the speaker encoder 210 as an input, and receive a text embedding vector from the encoder of the synthesizer 300 as an input.

합성기(300)의 디코더는 화자 임베딩 벡터와 텍스트 임베딩 벡터를 인공 신경망 모델에 입력하여, 입력된 텍스트에 대응되는 스펙트로그램을 생성할 수 있다. 즉, 합성기(300)의 디코더는 화자의 발화 특징이 반영된 입력 텍스트에 대한 스펙트로그램을 생성할 수 있다. 예를 들면, 스펙트로그램은 멜 스펙트로그램(mel-spectrogram)에 해당할 수 있으나, 이에 제한되는 것은 아니다.The decoder of the synthesizer 300 may generate a spectrogram corresponding to the input text by inputting the speaker embedding vector and the text embedding vector to the artificial neural network model. That is, the decoder of the synthesizer 300 may generate a spectrogram of the input text in which the speaker's speech characteristics are reflected. For example, the spectrogram may correspond to a mel-spectrogram, but is not limited thereto.

스펙트로그램은 음성 신호의 스펙트럼을 시각화하여 그래프로 표현한 것이다. 스펙트로그램의 x축은 시간, y축은 주파수를 나타내며 각 시간당 주파수가 가지는 값을 값의 크기에 따라 색으로 표현할 수 있다. 스펙토그램은 연속적으로 주어지는 음성 신호에 STFT(Short-time Fourier transform)를 수행한 결과물일 수 있다. A spectrogram is a graph that visualizes the spectrum of a voice signal. The x-axis of the spectrogram represents time and the y-axis represents frequency, and the value of each time frequency can be expressed as a color according to the size of the value. The spectogram may be a result of performing short-time Fourier transform (STFT) on a continuously given speech signal.

STFT는 음성 신호를 일정한 길이의 구간들로 나누고 각 구간에 대하여 푸리에 변환을 적용하는 방법이다. 이 때, 음성 신호에 STFT를 수행한 결과물은 복소수 값이기 때문에, 복소수 값에 절대값을 취해 위상(phase) 정보를 소실시키고 크기(magnitude) 정보만을 포함하는 스펙트로그램을 생성할 수 있다. STFT is a method in which a speech signal is divided into sections of a certain length and a Fourier transform is applied to each section. At this time, since the result of performing STFT on the speech signal is a complex value, it is possible to take an absolute value to the complex value to lose phase information and to generate a spectrogram including only magnitude information.

한편, 멜 스펙트로그램은 스펙트로그램의 주파수 간격을 멜 스케일(Mel Scale)로 재조정한 것이다. 사람의 청각기관은 고주파수(high frequency) 보다 저주파수(low frequency) 대역에서 더 민감하며, 이러한 특성을 반영해 물리적인 주파수와 실제 사람이 인식하는 주파수의 관계를 표현한 것이 멜 스케일이다. 멜 스펙트로그램은 멜 스케일에 기반한 필터 뱅크(filter bank)를 스펙트로그램에 적용하여 생성될 수 있다.On the other hand, the Mel spectrogram is a readjustment of the frequency interval of the spectrogram to the Mel scale. The human auditory organ is more sensitive in the low frequency band than in the high frequency band, and the Mel Scale expresses the relationship between the physical frequency and the frequency perceived by humans by reflecting these characteristics. The Mel spectrogram may be generated by applying a filter bank based on the Mel scale to the spectrogram.

한편, 도 3에는 도시되어 있지 않으나, 합성기(300)는 어텐션 얼라이먼트를 생성하기 위한 어텐션 모듈을 더 포함할 수 있다. 어텐션 모듈은 디코더의 특정 타임 스텝(time-step)의 출력이 인코더의 모든 타임 스텝의 출력 중 어떤 출력과 가장 연관이 있는가를 학습하는 모듈이다. 어텐션 모듈을 이용하여 더 고품질의 스펙트로그램 또는 멜 스펙트로그램을 출력할 수 있다. Meanwhile, although not shown in FIG. 3 , the synthesizer 300 may further include an attention module for generating the attention alignment. The attention module is a module that learns which output of a specific time-step of the decoder is most related to the output of all the time-steps of the encoder. A higher quality spectrogram or Mel spectrogram can be output by using the attention module.

도 4는 합성기를 통해 멜 스펙트로그램을 출력하는 일 실시예를 나타내는 도면이다. 도 4의 합성기(400)는 도 3의 합성기(300)와 동일할 수 있다.4 is a diagram illustrating an embodiment of outputting a Mel spectrogram through a synthesizer. The synthesizer 400 of FIG. 4 may be the same as the synthesizer 300 of FIG. 3 .

도 4를 참조하면, 합성기(400)는 입력 텍스트들과 이에 대응되는 화자 임베딩 벡터들을 포함하는 리스트를 수신할 수 있다. 예를 들어, 합성기(400)는 'first sentence'라는 입력 텍스트와 이에 대응되는 화자 임베딩 벡터인 embed_voice1, 'second sentence'라는 입력 텍스트와 이에 대응되는 화자 임베딩 벡터인 embed_voice2, 'third sentence'라는 입력 텍스트와 이에 대응되는 화자 임베딩 벡터인 embed_voice3을 포함하는 리스트(410)를 입력으로 수신할 수 있다.Referring to FIG. 4 , the synthesizer 400 may receive a list including input texts and speaker embedding vectors corresponding thereto. For example, the synthesizer 400 includes the input text 'first sentence', the corresponding speaker embedding vectors embed_voice1, the input text 'second sentence', and the corresponding speaker embedding vectors embed_voice2 and the input text 'third sentence'. and a list 410 including embed_voice3, which is a speaker embedding vector corresponding thereto, may be received as an input.

합성기(400)는 수신한 리스트(410)에 포함된 입력 텍스트의 개수만큼의 멜 스펙트로그램(420)을 생성할 수 있다. 도 4를 참고하면, 'first sentence', 'second sentence' 및 'third sentence' 각각의 입력 텍스트에 대응하는 멜 스펙트로그램들이 생성된 것을 알 수 있다.The synthesizer 400 may generate as many Mel spectrograms 420 as the number of input texts included in the received list 410 . Referring to FIG. 4 , it can be seen that Mel spectrograms corresponding to input texts of 'first sentence', 'second sentence' and 'third sentence' are generated.

또는, 합성기(400)는 입력 텍스트의 개수만큼의 멜 스펙트로그램(420) 및 어텐션 얼라인먼트(attention alignment)을 함께 생성할 수 있다. 도 4에는 도시되어 있지 않으나, 예를 들어 'first sentence', 'second sentence' 및 'third sentence' 각각의 입력 텍스트에 대응하는 어텐션 얼라인먼트가 추가적으로 생성될 수 있다. 또는, 합성기(400)는 입력 텍스트들 각각에 대하여 복수의 멜 스펙트로그램 및 복수의 어텐션 얼라인먼트를 생성할 수도 있다. Alternatively, the synthesizer 400 may generate as many Mel spectrograms 420 and attention alignment as the number of input texts together. Although not shown in FIG. 4 , for example, attention alignment corresponding to each input text of 'first sentence', 'second sentence' and 'third sentence' may be additionally generated. Alternatively, the synthesizer 400 may generate a plurality of Mel spectrograms and a plurality of attention alignments for each of the input texts.

다시 도 2로 돌아와서, 음성 합성 시스템(200)의 보코더(230)는 합성기(220)에서 출력된 스펙트로그램을 실제 음성(speech)으로 생성할 수 있다. 상술한 바와 같이 출력된 스펙트로그램은 멜 스펙트로그램일 수 있다. Returning to FIG. 2 again, the vocoder 230 of the speech synthesis system 200 may generate the spectrogram output from the synthesizer 220 as actual speech. As described above, the output spectrogram may be a Mel spectrogram.

일 실시예에서, 보코더(230)는 ISFT(Inverse Short-Time Fourier Transform)를 이용하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다. 스펙트로그램 또는 멜 스펙트로그램은 위상 정보를 포함하고 있지 않으므로, ISFT를 이용하여 음성 신호를 생성하는 경우 스펙트로그램 또는 멜 스펙트로그램의 위상 정보는 고려되지 않는다. In an embodiment, the vocoder 230 may generate the spectrogram output from the synthesizer 220 as an actual speech signal by using Inverse Short-Time Fourier Transform (ISFT). Since the spectrogram or Mel spectrogram does not include phase information, when a voice signal is generated using ISFT, the phase information of the spectrogram or Mel spectrogram is not considered.

다른 실시예에서, 보코더(230)는 그리핀-림 알고리즘(Griffin-Lim algorithm)을 사용하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다. 그리핀-림 알고리즘은 스펙트로그램 또는 멜 스펙트로그램의 크기 정보에서 위상 정보 추정하는 알고리즘이다. In another embodiment, the vocoder 230 may generate the spectrogram output from the synthesizer 220 as an actual speech signal using a Griffin-Lim algorithm. The Griffin-Rim algorithm is an algorithm for estimating phase information from size information of a spectrogram or Mel spectrogram.

또는, 보코더(230)는 예를 들어 뉴럴 보코더(neural vocoder)에 기 초하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다. Alternatively, the vocoder 230 may generate a spectrogram output from the synthesizer 220 as an actual voice signal, for example, based on a neural vocoder.

뉴럴 보코더는 스펙트로그램 또는 멜 스펙트로그램을 입력으로 받아 음성 신호를 생성하는 인공 신경망 모델이다. 뉴럴 보코더는 스펙트로그램 또는 멜 스펙트로그램과 음성 신호 사이의 관계를 다량의 데이터를 통해 학습할 수 있고, 이를 통해 고품질의 실제 음성 신호를 생성할 수 있다. A neural vocoder is an artificial neural network model that generates a voice signal by receiving a spectrogram or a Mel spectrogram as an input. A neural vocoder can learn the relationship between a spectrogram or a Mel spectrogram and a voice signal from a large amount of data, and can generate a high-quality real voice signal.

뉴럴 보코더는 WaveNet, Parallel WaveNet, WaveRNN, WaveGlow 또는 MelGAN 등과 같은 인공 신경망 모델에 기반한 보코더에 해당할 수 있으나, 이에 제한되는 것은 아니다. A neural vocoder may correspond to a vocoder based on an artificial neural network model such as, but not limited to, WaveNet, Parallel WaveNet, WaveRNN, WaveGlow, or MelGAN.

예를 들어, WaveNet 보코더는 여러 층의 dilated causal convolution layer들로 구성되며, 음성 샘플들 간의 순차적 특징을 이용하는 자기회귀(Autoregressive) 모델이다. WaveRNN 보코더는 WaveNet의 여러 층의 dilated causal convolution layer를 GRU(Gated Recurrent Unit)로 대체한 자기회귀 모델이다. WaveGlow 보코더는 가역성(invertible)을 지닌 변환 함수를 이용하여 스펙트로그램 데이터셋(x)으로부터 가우시안 분포와 같이 단순한 분포가 나오도록 학습할 수 있다. WaveGlow 보코더는 학습이 끝난 후 변환 함수의 역함수를 이용하여 가우시안 분포의 샘플로부터 음성 신호를 출력할 수 있다. For example, the WaveNet vocoder consists of several dilated causal convolution layers and is an autoregressive model that uses sequential features between speech samples. The WaveRNN vocoder is an autoregressive model that replaces the dilated causal convolution layer of WaveNet with a Gated Recurrent Unit (GRU). The WaveGlow vocoder can learn to obtain a simple distribution such as a Gaussian distribution from the spectrogram dataset (x) by using an invertible transform function. After learning, the WaveGlow vocoder can output a voice signal from a sample of a Gaussian distribution using the inverse function of the transform function.

도 5는 일 실시예에 따른 멜-스펙트로그램에 대응하는 볼륨 그래프를 도시한 도면이다.5 is a diagram illustrating a volume graph corresponding to a Mel-spectrogram according to an exemplary embodiment.

멜-스펙트로그램(520)은 복수의 프레임(frame)을 포함할 수 있다. 도 5를 참조하면, 멜-스펙트로그램(520)은 400개의 프레임을 포함할 수 있다. 프로세서는 각 프레임의 평균 에너지를 계산하여 볼륨 그래프(510)를 생성할 수 있다. 멜-스펙트로그램(520)의 프레임 중에서 색이 진한 부분(예를 들어, 노란색 부분)은 높은 볼륨 값을 가진다. 멜-스펙트로그램(520)으로부터 생성된 볼륨 그래프(510)는 최대 값 4.0을 갖고, 최소 값 -4.0을 가진다.The Mel-spectrogram 520 may include a plurality of frames. Referring to FIG. 5 , the Mel-spectrogram 520 may include 400 frames. The processor may generate the volume graph 510 by calculating the average energy of each frame. In the frame of the Mel-spectrogram 520 , a dark-colored portion (eg, a yellow portion) has a high volume value. The volume graph 510 generated from the Mel-spectrogram 520 has a maximum value of 4.0 and a minimum value of -4.0.

프레임의 평균 에너지가 클수록 볼륨 값은 크고, 프레임의 평균 에너지가 작을수록 볼륨 값은 작다. 즉, 평균 에너지가 작은 프레임은 무음 부분에 해당할 수 있다.The larger the average energy of the frame, the larger the volume value, and the smaller the average energy of the frame, the smaller the volume value. That is, a frame having a small average energy may correspond to a silent portion.

프로세서는 멜-스펙트로그램(520)에서 무음 부분을 결정할 수 있다. 프로세서는 멜-스펙트로그램(520)을 구성하는 복수의 프레임 각각에 대한 볼륨 값을 계산하여 볼륨 그래프(510)를 생성할 수 있다.The processor may determine a silent portion in the mel-spectrogram 520 . The processor may generate the volume graph 510 by calculating a volume value for each of a plurality of frames constituting the mel-spectrogram 520 .

프로세서는 복수의 프레임 중에서 볼륨 값이 제1 임계값(511) 이하인 적어도 하나의 프레임을 제1 구간(521a 내지 521f)으로 선택할 수 있다. The processor may select at least one frame having a volume value equal to or less than the first threshold value 511 from among the plurality of frames as the first sections 521a to 521f.

일 실시예에서, 프로세서는 제1 구간(521a 내지 521f)을 멜-스펙트로그램(520)의 무음 부분으로 결정할 수 있다. 예를 들어, 제1 임계값(511)은 -3.0, -3.25, -3.5, -3.75 등일 수 있으나, 이에 제한되지 않는다. 멜-스펙트로그램(520)에 어느 정도의 노이즈가 포함되어 있는지에 따라 제1 임계값(511)은 다르게 설정될 수 있다. 노이즈가 많은 멜-스펙트로그램(520)의 경우, 제1 임계값(511)은 더 큰 값으로 설정될 수 있다.In an embodiment, the processor may determine the first sections 521a to 521f as the silent part of the Mel-spectrogram 520 . For example, the first threshold value 511 may be -3.0, -3.25, -3.5, -3.75, etc., but is not limited thereto. The first threshold value 511 may be set differently according to how much noise is included in the Mel-spectrogram 520 . In the case of the noisy Mel-spectrogram 520 , the first threshold 511 may be set to a larger value.

다른 실시예에서, 프로세서는 제1 구간(521a 내지 521f) 중에서, 프레임 개수가 제2 임계값 이상인 구간을 제2 구간(521c, 521e)으로 선택할 수 있다. 프로세서는 멜-스펙트로그램(520)의 제2 구간(521c, 521e)을 무음 부분으로 결정할 수 있다. 예를 들어, 제2 임계값은 3, 4, 5, 6, 7 등일 수 있으나, 이에 제한되지 않는다. 멜-스펙트로그램(520)으로 음성을 만들 때 보코더 중 하나인 WaveRNN에서 설정된 overlap 값 및 hop size에 기초하여 제2 임계값이 결정될 수 있다. overlap 은 WaveRNN에서 음성 데이터를 만들 때 배치 사이에 크로스페이딩(crossfading) 하는 길이를 의미한다. 예를 들어, overlap 값이 1200이고 hop size가 300인 경우, 연속된 4개의 프레임의 볼륨 값이 제1 임계값(511) 이하여야 바람직하므로 제2 임계값은 4 또는 5로 설정될 수 있다.In another embodiment, the processor may select a section in which the number of frames is equal to or greater than the second threshold value from among the first sections 521a to 521f as the second sections 521c and 521e. The processor may determine the second sections 521c and 521e of the Mel-spectrogram 520 as the silent part. For example, the second threshold value may be 3, 4, 5, 6, 7, etc., but is not limited thereto. The second threshold value may be determined based on the overlap value and the hop size set in WaveRNN, which is one of the vocoders, when making a voice with the Mel-spectrogram 520 . overlap means the length of crossfading between batches when creating voice data in WaveRNN. For example, if the overlap value is 1200 and the hop size is 300, the second threshold value may be set to 4 or 5 because it is preferable that the volume value of four consecutive frames is less than or equal to the first threshold value (511).

도 5를 참조하면, 프로세서는 멜-스펙트로그램(520)의 [[123, 132, 141], [280, 283, 286]]의 구간을 무음 부분으로 결정할 수 있다. 상기 리스트는 [무음 부분 시작 지점, 중간 값, 무음 부분 끝 지점]을 의미한다. 한편, 첫 번째 제1 구간(521a)에 포함된 프레임들의 볼륨 값이 제1 임계값(511) 이하이고, 프레임 개수가 제2 임계값 이상이더라도, 첫 번째 제1 구간(521a)은 목소리가 시작되는 구간이므로 무음 부분에서 제외할 수 있다. 다만, 프로세서는 추후 멜-스펙트로그램(520)으로부터 음성 데이터를 생성할 때, 목소리의 시작 지점을 첫 번째 제1 구간(521a) 이후로 설정할 수 있다.Referring to FIG. 5 , the processor may determine a section of [[123, 132, 141], [280, 283, 286]] of the Mel-spectrogram 520 as a silent part. The above list means [the starting point of the silent part, the middle value, and the ending point of the silent part]. On the other hand, even if the volume value of the frames included in the first first section 521a is less than or equal to the first threshold value 511 and the number of frames is equal to or greater than the second threshold value, the first first section 521a is a voice start This section can be excluded from the silent section. However, when the processor later generates voice data from the Mel-spectrogram 520 , the processor may set the voice start point after the first first section 521a or later.

도 6a 내지 도 6b는 일 실시예에 따른 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하는 과정을 설명하기 위한 도면이다.6A to 6B are diagrams for explaining a process of dividing a mel-spectrogram into a plurality of sub-mel-spectrograms according to an exemplary embodiment.

도 6a의 멜-스펙트로그램(620)은 도 5의 멜-스펙트로그램(520)에 대응될 수 있다.The Mel-spectrogram 620 of FIG. 6A may correspond to the Mel-spectrogram 520 of FIG. 5 .

프로세서는 도 5에서 무음 부분으로 결정된 제2 구간(521c, 521e)에 기초하여 멜-스펙트로그램(620)을 복수의 서브 멜-스펙트로그램(631, 632, 633)으로 분할할 수 있다. 첫 번째 제2 구간(521c)은 [123, 132, 141]이고, 두 번째 제2 구간(521e)이 [280, 283, 286]인 경우, 프로세서는 첫 번째 제2 구간(521c)의 중간 값을 제1 분할 지점(641)으로 결정하고, 두 번째 제2 구간(521e)의 중간 값을 제2 분할 지점(642)으로 결정할 수 있다.The processor may divide the mel-spectrogram 620 into a plurality of sub mel-spectrograms 631 , 632 , and 633 based on the second sections 521c and 521e determined as the silent part in FIG. 5 . If the first second interval 521c is [123, 132, 141], and the second second interval 521e is [280, 283, 286], the processor determines the median value of the first second interval 521c may be determined as the first dividing point 641 , and an intermediate value of the second second section 521e may be determined as the second dividing point 642 .

프로세서는 제1 분할 지점(641) 및 제2 분할 지점(642)을 기준으로 멜-스펙트로그램(620)을 분할함으로써 복수의 서브 멜-스펙트로그램(631, 632, 633)을 생성할 수 있다.The processor may generate a plurality of sub-mel-spectrograms 631 , 632 , and 633 by dividing the mel-spectrogram 620 based on the first dividing point 641 and the second dividing point 642 .

프로세서는 복수의 서브 멜-스펙트로그램(631, 632, 633) 각각의 길이를 계산할 수 있다. 프로세서에서 멜-스펙트로그램(620)의 무음 부분을 기준으로 멜-스펙트로그램(620)을 복수의 서브 멜-스펙트로그램(631, 632, 633)로 분할하였으므로, 복수의 서브 멜-스펙트로그램(631, 632, 633)은 서로 다른 길이를 가질 수 있다.The processor may calculate the length of each of the plurality of sub-mel-spectrograms 631 , 632 , and 633 . Since the processor divided the mel-spectrogram 620 into a plurality of sub-mel-spectrograms 631, 632, and 633 based on the silent part of the mel-spectrogram 620, a plurality of sub-mel-spectrograms 631 , 632, 633) may have different lengths.

도 6a를 참조하면, 제1 서브 멜-스펙트로그램(631)은 [0, 132] 구간에 해당하는 132의 길이를 갖고, 제2 서브 멜-스펙트로그램(632)은 [133, 283] 구간에 해당하는 150의 길이를 가지며, 제3 서브 멜-스펙트로그램(633)은 [284, 398]에 해당하는 114의 길이를 가진다.Referring to FIG. 6A , the first sub-mel-spectrogram 631 has a length of 132 corresponding to the interval [0, 132], and the second sub-mel-spectrogram 632 is in the interval [133, 283]. It has a corresponding length of 150, and the third sub Mel-spectrogram 633 has a length of 114 corresponding to [284, 398].

도 6b를 참조하면, 프로세서는 복수의 서브 멜-스펙트로그램(631, 632, 633)의 길이가 기준 배치(batch) 길이와 동일해지도록, 복수의 서브 멜-스펙트로그램(631, 632, 633)을 후처리할 수 있다. 일 실시예에서 기준 배치 길이는 기설정된 값일 수 있다. Referring to FIG. 6B , the processor performs a plurality of sub-mel-spectrograms 631, 632, and 633 such that the lengths of the plurality of sub-mel-spectrograms 631, 632, and 633 are equal to the reference batch length. can be post-processed. In an embodiment, the reference arrangement length may be a preset value.

다른 실시예에서 기준 배치 길이는 복수의 서브 멜-스펙트로그램(631, 632, 633) 중에서 가장 긴 길이를 갖는 서브 멜-스펙트로그램의 길이로 설정될 수 있다. 예를 들어, 제1 서브 멜-스펙트로그램(631)의 길이가 132, 제2 서브 멜-스펙트로그램(632)의 길이가 150, 그리고 제3 서브 멜-스펙트로그램(633)의 길이가 114인 경우, 기준 배치 길이는 150으로 설정될 수 있다.In another embodiment, the reference arrangement length may be set as the length of the sub-mel-spectrogram having the longest length among the plurality of sub-mel-spectrograms 631 , 632 , and 633 . For example, the length of the first sub-mel-spectrogram 631 is 132, the length of the second sub-mel-spectrogram 632 is 150, and the length of the third sub-mel-spectrogram 633 is 114. In this case, the reference arrangement length may be set to 150.

프로세서는 복수의 서브 멜-스펙트로그램(631, 632, 633)의 길이가 기준 배치(batch) 길이와 동일해지도록, 기준 배치 길이 미만의 길이를 갖는 서브 멜-스펙트로그램에 대해 제로-패딩(zero-padding)을 적용할 수 있다. 예를 들어, 기준 배치 길이가 150으로 설정된 경우, 프로세서는 제1 서브 멜-스펙트로그램(631) 및 제3 서브 멜-스펙트로그램(633)에 대해 제로-패딩을 적용할 수 있다.The processor performs zero-padding on sub-mel-spectrograms having a length less than the reference batch length, such that the lengths of the plurality of sub-mel-spectrograms 631, 632, and 633 are equal to the reference batch length. -padding) can be applied. For example, when the reference batch length is set to 150, the processor may apply zero-padding to the first sub-mel-spectrogram 631 and the third sub-mel-spectrogram 633 .

도 6b를 참조하면, 후처리된 복수의 서브 멜-스펙트로그램(651, 652, 653)은 모두 동일한 길이(예를 들어, 150)를 가지게 된다.Referring to FIG. 6B , the plurality of post-processed sub-mel-spectrograms 651 , 652 , and 653 all have the same length (eg, 150 ).

도 7은 일 실시예에 따른 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성하는 과정을 설명하기 위한 도면이다.7 is a diagram for explaining a process of generating voice data from a plurality of sub-mel-spectrograms according to an embodiment.

도 7을 참조하면, 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753)은 모두 동일한 길이(예를 들어, 150)를 갖는다. 도 7의 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753) 각각은, 도 6의 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753)에 대응될 수 있다.Referring to FIG. 7 , the plurality of post-processed sub-mel-spectrograms 751 , 752 , and 753 all have the same length (eg, 150 ). Each of the plurality of post-processed sub-mel-spectrograms 751, 752, and 753 of FIG. 7 may correspond to the plurality of post-processed sub-mel-spectrograms 751, 752, and 753 of FIG. 6 .

프로세서는 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753) 각각으로부터 복수의 서브 음성 데이터(761, 762, 763)를 생성할 수 있다. 예를 들어, 프로세서는 ISFT 또는 그리핀-림 알고리즘을 이용하여 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753) 각각으로부터 복수의 서브 음성 데이터(761, 762, 763)를 생성할 수 있다.The processor may generate a plurality of sub-voice data 761 , 762 , and 763 from each of the plurality of post-processed sub-mel-spectrograms 751 , 752 , and 753 . For example, the processor may generate a plurality of sub-voice data 761, 762, 763 from each of the plurality of sub-mel-spectrograms 751, 752, and 753 post-processed using ISFT or a Griffin-Rim algorithm. have.

일 실시예에서, 프로세서는 후처리 되기 전의 복수의 서브 멜-스펙트로그램(631, 632, 633) 각각의 길이에 기초하여, 복수의 서브 음성 데이터(761, 762, 763) 각각에 대한 참조 구간(771, 772, 773)을 결정할 수 있다. In one embodiment, the processor, based on the length of each of the plurality of sub-mel-spectrograms 631, 632, and 633 before post-processing, a reference interval for each of the plurality of sub-voice data 761, 762, 763 ( 771, 772, 773) can be determined.

예를 들어, 후처리된 복수의 서브 멜-스펙트로그램(751, 752, 753)은 모두 150의 길이를 갖지만, 제1 후처리된 서브 멜-스펙트로그램(751)에 대응하는 제1 서브 멜-스펙트로그램(631)은 132의 길이를 가지므로, 제1 후처리된 서브 멜-스펙트로그램(751)은 132의 길이까지만 유효한 데이터를 포함한다. 마찬가지 이유에서, 제3 후처리된 서브 멜-스펙트로그램(753)은 114의 길이까지만 유효한 데이터를 포함하는 반면, 제2 후처리된 서브 멜-스펙트로그램(752)의 경우 150의 길이 모두 유효한 데이터를 포함할 수 있다.For example, the plurality of post-processed sub-mel-spectrograms 751, 752, and 753 all have a length of 150, but a first sub-mel-spectrogram corresponding to the first post-processed sub-mel-spectrogram 751 Since the spectrogram 631 has a length of 132, the first post-processed sub-mel-spectrogram 751 includes valid data up to a length of 132 . For the same reason, the third post-processed sub-mel-spectrogram 753 includes valid data only up to a length of 114, whereas, in the case of the second post-processed sub-mel-spectrogram 752, data valid for all lengths of 150 may include.

프로세서는 제1 후처리된 서브 멜-스펙트로그램(751)으로부터 생성된 제1 서브 음성 데이터(761)의 제1 참조 구간(771) 길이를 132로 결정하고, 제2 후처리된 서브 멜-스펙트로그램(752)으로부터 생성된 제2 서브 음성 데이터(762)의 제2 참조 구간(772) 길이를 150으로 결정하고, 제3 후처리된 서브 멜-스펙트로그램(753)으로부터 생성된 제3 서브 음성 데이터(763)의 제3 참조 구간(773) 길이를 114로 결정할 수 있다.The processor determines the length of the first reference section 771 of the first sub-voice data 761 generated from the first post-processed sub-mel-spectrogram 751 to be 132, and uses the second post-processed sub-mel-spectrum as 132. The length of the second reference section 772 of the second sub-voice data 762 generated from the gram 752 is determined to be 150, and the third sub-voice generated from the third post-processed sub-mel-spectrogram 753 is The length of the third reference section 773 of the data 763 may be determined to be 114 .

프로세서는 제1 참조 구간(771), 제2 참조 구간(772) 그리고 제3 참조 구간(773)을 연결하여 음성 데이터(780)를 생성할 수 있다.The processor may generate the voice data 780 by connecting the first reference section 771 , the second reference section 772 , and the third reference section 773 .

프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이와 기설정된 홉 사이즈(hop size)에 기초하여, 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성할 수 있다. 구체적으로, 프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이와, 멜-스펙트로그램의 하나의 프레임이 커버하는 음성 데이터의 길이에 해당하는 홉 사이즈(예를 들어, 300)를 곱함으로써, 복수의 서브 음성 데이터(761, 762, 763) 각각에 대한 참조 구간(771, 772, 773)을 결정할 수 있다.The processor may generate voice data from the plurality of sub-mel-spectrograms based on a length of each of the plurality of sub-mel-spectrograms and a preset hop size. Specifically, the processor multiplies the length of each of the plurality of sub-mel-spectrograms by the hop size (eg, 300) corresponding to the length of voice data covered by one frame of the mel-spectrogram, thereby Reference sections 771 , 772 , and 773 for each of the sub-voice data 761 , 762 , and 763 may be determined.

한편, 도 5, 도 6a, 도 6b 및 도 7의 프로세서는 음성 합성 시스템의 보코더에 포함되는 하드웨어 및/또는 별도의 독립적인 하드웨어일 수 있다.Meanwhile, the processor of FIGS. 5, 6A, 6B, and 7 may be hardware included in the vocoder of the speech synthesis system and/or separate and independent hardware.

도 8은 일 실시예에 따른 텍스트 시퀀스를 분할하는 예시를 설명하기 위한 도면이다.8 is a diagram for explaining an example of dividing a text sequence according to an embodiment.

도 8에는 특정 자연 언어로 구성된 텍스트 시퀀스의 예가 도시된다. 또한, 텍스트 시퀀스에는 문장 부호가 포함된다. 예를 들어, 문장 부호는 '.', ',', '?', '!' 등일 수 있다.8 shows an example of a text sequence constructed in a specific natural language. Also, the text sequence includes punctuation marks. For example, punctuation marks are '.', ',', '?', '!' etc.

음성 합성 시스템(100, 200)은 텍스트 시퀀스에 포함된 문자들 및 문장 부호들을 확인한다. 그리고, 음성 합성 시스템(100, 200)은 텍스트 시퀀스에 포함된 문장 부호들이 미리 정해진 문장 부호인지 여부를 확인한다.The speech synthesis systems 100 and 200 identify characters and punctuation marks included in the text sequence. Then, the speech synthesis systems 100 and 200 check whether the punctuation marks included in the text sequence are predetermined punctuation marks.

만약, 문장 부호들이 미리 정해진 문장 부호인 경우, 음성 합성 시스템(100, 200)은 텍스트 시퀀스를 문장 부호를 기준으로 분할할 수 있다. 예를 들어, 문장 부호 '.', ',', '?', '!'가 미리 정해진 문장 부호인 경우, 음성 합성 시스템(100, 200)은 텍스트 시퀀스를 기설정된 문장 부호를 기준으로 분할함으로써, 서브 시퀀스들을 생성할 수 있다.If the punctuation marks are predetermined punctuation marks, the speech synthesis systems 100 and 200 may divide the text sequence based on the punctuation marks. For example, when the punctuation marks '.', ',', '?', and '!' are predetermined punctuation marks, the speech synthesis systems 100 and 200 divide the text sequence based on the preset punctuation marks. , subsequences may be generated.

도 9는 일 실시예에 따른 서브 멜-스펙트로그램 사이에 무음 멜-스펙트로그램을 추가하여 최종 멜-스펙트로그램을 생성하는 과정을 설명하기 위한 도면이다.FIG. 9 is a diagram for explaining a process of generating a final Mel-spectrogram by adding a silent Mel-spectrogram between sub-mel-spectrograms according to an exemplary embodiment.

도 9를 참조하면, 음성 합성 시스템(100, 200)은 텍스트 시퀀스(910)를 복수의 서브 시퀀스(911, 912, 913)로 분할할 수 있다. 텍스트 시퀀스(910)를 복수의 서브 시퀀스(911, 912, 913)로 분할하는 방식은 도 8에서 상술하였으므로, 여기서는 생략하기로 한다.Referring to FIG. 9 , the speech synthesis systems 100 and 200 may divide a text sequence 910 into a plurality of subsequences 911 , 912 , and 913 . Since the method of dividing the text sequence 910 into the plurality of subsequences 911, 912, and 913 has been described above with reference to FIG. 8, it will be omitted herein.

음성 합성 시스템(100, 200)은 복수의 서브 시퀀스(911, 912, 913)를 이용하여 복수의 서브 멜-스펙트로그램(921, 922, 923)을 생성할 수 있다. 구체적으로 음성 합성 시스템(100, 200)은 텍스트에 해당하는 복수의 서브 시퀀스(911, 912, 913)와 화자 정보에 기초하여 복수의 서브 멜-스펙트로그램(921, 922, 923)을 생성할 수 있다. 또한, 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923)으로부터 음성 데이터를 생성할 수 있다. 이에 대한 구체적인 내용은 도 1 내지 도 4에서 상술하였으므로, 여기서는 생략하기로 한다.The speech synthesis systems 100 and 200 may generate a plurality of sub-mel-spectrograms 921 , 922 , and 923 using the plurality of sub-sequences 911 , 912 , and 913 . Specifically, the speech synthesis systems 100 and 200 may generate a plurality of sub-sequences 911, 912, and 913 corresponding to text and a plurality of sub-mel-spectrograms 921, 922, and 923 based on speaker information. have. Also, the speech synthesis systems 100 and 200 may generate speech data from the plurality of sub Mel-spectrograms 921 , 922 , and 923 . Specific details thereof have been described above with reference to FIGS. 1 to 4 , and thus will be omitted herein.

일 실시예에서 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923) 사이에 무음 멜-스펙트로그램(931, 932)을 추가하여 최종 멜-스펙트로그램(940)을 생성할 수 있다. 음성 합성 시스템(100, 200)은 최종 멜-스펙트로그램(940)으로부터 음성 데이터를 생성할 수 있다.In one embodiment, the speech synthesis system 100, 200 adds the silent Mel-spectrograms 931 and 932 between the plurality of sub-mel-spectrograms 921, 922, 923 to obtain a final Mel-spectrogram 940. can create The speech synthesis systems 100 and 200 may generate speech data from the final Mel-spectrogram 940 .

구체적으로, 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923)에 대응하는 복수의 서브 시퀀스(911, 912, 913)(즉, 텍스트)의 마지막 문자를 식별할 수 있다. 마지막 문자가 제1 그룹 문자인 경우, 음성 합성 시스템(100, 200)은 서브 멜-스펙트로그램에 제1 시간을 갖는 무음 멜-스펙트로그램을 추가함으로써 최종 멜-스펙트로그램을 생성할 수 있다. 또한, 마지막 문자가 제2 그룹 문자인 경우, 음성 합성 시스템(100, 200)은 서브 멜-스펙트로그램에 제2 시간을 갖는 무음 멜-스펙트로그램을 추가함으로써 최종 멜-스펙트로그램을 생성할 수 있다.Specifically, the speech synthesis system 100, 200 identifies the last character of the plurality of sub-sequences 911, 912, 913 (ie, text) corresponding to the plurality of sub-mel-spectrograms 921, 922, 923 can do. When the last character is the first group character, the speech synthesis systems 100 and 200 may generate the final Mel-spectrogram by adding the silent Mel-spectrogram having the first time to the sub-mel-spectrogram. Also, when the last character is the second group character, the speech synthesis systems 100 and 200 may generate the final Mel-spectrogram by adding a silent Mel-spectrogram having a second time to the sub-mel-spectrogram. .

예를 들어, 제1 그룹 문자는 짧은 휴지 기간에 해당하는 문자로써 ',' 및 ' '를 포함할 수 있다. 또한, 제2 그룹 문자는 긴 휴지 기간에 해당하는 문자로써 '.', '?', '!'를 포함할 수 있다. 이 경우, 제1 시간은 기준 시간으로 설정되고, 제2 시간은 기준 시간의 3배로 설정될 수 있다.For example, the first group character may include ',' and ' ' as characters corresponding to a short idle period. Also, the second group character may include '.', '?', and '!' as characters corresponding to a long idle period. In this case, the first time may be set as the reference time, and the second time may be set to three times the reference time.

한편, 음성 합성 시스템(100, 200)은 복수의 서브 시퀀스(911, 912, 913)의 문자를 2개 이상의 그룹으로 구분할 수 있고, 각 그룹에 대응하는 무음 멜-스펙트로그램의 시간도 상술한 예로 제한되지 않는다.On the other hand, the speech synthesis systems 100 and 200 can classify the characters of the plurality of subsequences 911, 912, and 913 into two or more groups, and the time of the silent Mel-spectrogram corresponding to each group is also the above-described example. not limited

다른 실시예에서 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923) 사이에 숨소리 멜-스펙트로그램을 추가하여 최종 멜-스펙트로그램을 생성할 수 있다. 이를 위해, 음성 합성 시스템(100, 200)은 화자 정보로써 숨소리 데이터를 획득할 수 있다.In another embodiment, the speech synthesis systems 100 and 200 may generate a final Mel-spectrogram by adding a breath sound-mel-spectrogram between the plurality of sub-mel-spectrograms 921 , 922 , and 923 . To this end, the speech synthesis systems 100 and 200 may acquire breath sound data as speaker information.

다른 실시예에서 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923)에 대응하는 복수의 서브 시퀀스(911, 912, 913)(즉, 텍스트)의 마지막 문자를 식별할 수 있다. 마지막 문자가 제1 그룹 문자인 경우, 음성 합성 시스템(100, 200)은 서브 멜-스펙트로그램에 소정의 시간을 갖는 무음 멜-스펙트로그램을 추가함으로써 최종 멜-스펙트로그램을 생성할 수 있다. 또한, 마지막 문자가 제2 그룹 문자인 경우, 음성 합성 시스템(100, 200)은 서브 멜-스펙트로그램에 숨소리 멜-스펙트로그램을 추가함으로써 최종 멜-스펙트로그램을 생성할 수 있다. 예를 들어, 제1 그룹 문자는 짧은 휴지 기간에 해당하는 문자로써 ',' 및 ' '를 포함할 수 있다. 또한, 제2 그룹 문자는 긴 휴지 기간에 해당하는 문자로써 '.', '?', '!'를 포함할 수 있다.In another embodiment, the speech synthesis system 100, 200 extracts the last character of the plurality of sub-sequences 911, 912, 913 (ie, text) corresponding to the plurality of sub-mel-spectrograms 921, 922, 923. can be identified. When the last character is the first group character, the speech synthesis systems 100 and 200 may generate the final mel-spectrogram by adding a silent mel-spectrogram having a predetermined time to the sub mel-spectrogram. Also, when the last character is the second group character, the speech synthesis systems 100 and 200 may generate the final mel-spectrogram by adding the breath sound mel-spectrogram to the sub mel-spectrogram. For example, the first group character may include ',' and ' ' as characters corresponding to a short idle period. Also, the second group character may include '.', '?', and '!' as characters corresponding to a long idle period.

다른 실시예에서 음성 합성 시스템(100, 200)은 복수의 서브 멜-스펙트로그램(921, 922, 923) 사이에 임의의 시간을 갖는 무음 멜-스펙트로그램을 추가함으로써 최종 멜-스펙트로그램을 생성할 수도 있다.In another embodiment, the speech synthesis system 100 , 200 generates a final mel-spectrogram by adding a silent mel-spectrogram having an arbitrary time between the plurality of sub mel-spectrograms 921 , 922 , 923 . may be

도 10은 일 실시예에 따른 멜-스펙트로그램의 무음 부분을 결정하는 방법의 흐름도이다.10 is a flowchart of a method for determining a silent portion of a mel-spectrogram according to an embodiment.

도 10을 참조하면, 단계 1010에서 프로세서는 화자 정보를 수신하고 화자 정보에 기초하여 화자 임베딩 벡터를 생성할 수 있다. Referring to FIG. 10 , in step 1010, the processor may receive speaker information and generate a speaker embedding vector based on the speaker information.

화자 정보는 화자의 음성 신호 또는 음성 샘플에 해당할 수 있다. 프로세서는 화자의 음성 신호 또는 음성 샘플을 수신하여, 화자의 발화 특징을 추출할 수 있으며 이를 임베딩 벡터로 나타낼 수 있다. The speaker information may correspond to a speaker's voice signal or a voice sample. The processor may receive the speaker's voice signal or voice sample, extract the speaker's utterance characteristics, and represent this as an embedding vector.

화자의 발화 특징은 발화 속도, 휴지 구간, 음높이, 음색, 운율, 억양 또는 감정 등 다양한 요소들 중 적어도 하나를 포함할 수 있다. 즉, 프로세서는 화자 정보에 포함된 불연속적인 데이터 값을 연속적인 숫자로 구성된 벡터로 나타낼 수 있다. 예를 들어, 프로세서는 pre-net, CBHG 모듈, DNN(Deep Neural Network), CNN(convolutional neural network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 화자 임베딩 벡터를 생성할 수 있다. 일 실시예에서 단계 1010은 도 2의 화자 인코더(210)에 의해 수행될 수 있다.The speaker's speech characteristics may include at least one of various factors such as speech speed, pause period, pitch, tone, rhyme, intonation, or emotion. That is, the processor may represent the discontinuous data values included in the speaker information as a vector composed of continuous numbers. For example, the processor includes pre-net, CBHG module, Deep Neural Network (DNN), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory Network (LSTM), Bidirectional Recurrent Deep Neural (BRDNN). Network) and the like, a speaker embedding vector may be generated based on at least one or a combination of two or more of various artificial neural network models. In one embodiment, step 1010 may be performed by the speaker encoder 210 of FIG. 2 .

단계 1020에서 프로세서는 텍스트를 수신하여 텍스트에 기초하여 텍스트 임베딩 벡터를 생성할 수 있다.In operation 1020, the processor may receive the text and generate a text embedding vector based on the text.

텍스트는 특정 자연 언어로 된 문자들의 시퀀스를 포함할 수 있다. 예를 들어, 문자들의 시퀀스는 알파벳 문자들, 숫자들, 문장 부호들 또는 기타 특수 문자들을 포함할 수 있다. The text may include a sequence of characters in a particular natural language. For example, the sequence of characters may include alphabetic characters, numbers, punctuation marks, or other special characters.

프로세서는 입력된 텍스트를 자모 단위, 글자 단위 또는 음소 단위로 분리할 수 있고, 분리된 텍스트를 인공 신경망 모델에 입력할 수 있다. 예를 들어, 프로세서는 pre-net, CBHG 모듈, DNN, CNN, RNN, LSTM, BRDNN 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 텍스트 임베딩 벡터를 생성할 수 있다. The processor may divide the inputted text into a unit of a alphabet, a unit of a letter, or a unit of a phoneme, and may input the separated text into the artificial neural network model. For example, the processor may generate a text embedding vector based on at least one or a combination of two or more of various artificial neural network models such as pre-net, CBHG module, DNN, CNN, RNN, LSTM, and BRDNN.

또는, 프로세서는 입력된 텍스트를 복수의 짧은 텍스트들로 분리하고, 짧은 텍스트들 각각에 대하여 복수의 텍스트 임베딩 벡터들을 생성할 수도 있다. 일 실시예에서 단계 1020은 도 2의 합성기(220) 에 의해 수행될 수 있다.Alternatively, the processor may divide the input text into a plurality of short texts and generate a plurality of text embedding vectors for each of the short texts. In one embodiment, step 1020 may be performed by the synthesizer 220 of FIG. 2 .

단계 1030에서 프로세서는 화자 임베딩 백터 및 텍스트 임베딩 벡터에 기초하여 멜-스펙트로그램을 생성할 수 있다.In operation 1030, the processor may generate a Mel-spectrogram based on the speaker embedding vector and the text embedding vector.

프로세서는 화자 임베딩 벡터 및 텍스트 임베딩 벡터를 입력으로 수신할 수 있다. 프로세서는 화자 임베딩 벡터와 텍스트 임베딩 벡터를 인공 신경망 모델에 입력하여, 입력된 텍스트에 대응되는 스펙트로그램을 생성할 수 있다. 즉, 프로세서는 화자의 발화 특징이 반영된 입력 텍스트에 대한 스펙트로그램을 생성할 수 있다. 예를 들면, 스펙트로그램은 멜 스펙트로그램(mel-spectrogram)에 해당할 수 있으나, 이에 제한되는 것은 아니다.The processor may receive a speaker embedding vector and a text embedding vector as inputs. The processor may generate a spectrogram corresponding to the input text by inputting the speaker embedding vector and the text embedding vector into the artificial neural network model. That is, the processor may generate a spectrogram of the input text in which the speaker's speech characteristics are reflected. For example, the spectrogram may correspond to a mel-spectrogram, but is not limited thereto.

스펙트로그램은 음성 신호의 스펙트럼을 시각화하여 그래프로 표현한 것이다. 스펙트로그램의 x축은 시간, y축은 주파수를 나타내며 각 시간당 주파수가 가지는 값을 값의 크기에 따라 색으로 표현할 수 있다. 스펙토그램은 연속적으로 주어지는 음성 신호에 STFT(Short-time Fourier transform)를 수행한 결과물일 수 있다. 멜 스펙트로그램은 스펙트로그램의 주파수 간격을 멜 스케일(Mel Scale)로 재조정한 것이다. 일 실시예에서 단계 1030은 도 2의 합성기(220) 에 의해 수행될 수 있다.A spectrogram is a graph that visualizes the spectrum of a voice signal. The x-axis of the spectrogram represents time and the y-axis represents frequency, and the value of the frequency per time can be expressed as a color according to the size of the value. The spectogram may be a result of performing short-time Fourier transform (STFT) on a continuously given speech signal. The Mel spectrogram is a readjustment of the frequency interval of the spectrogram to the Mel Scale. In one embodiment, step 1030 may be performed by the synthesizer 220 of FIG. 2 .

단계 1040에서 프로세서는 멜-스펙트로그램에서 무음(silence) 부분을 결정할 수 있다.In operation 1040, the processor may determine a silence portion in the mel-spectrogram.

프로세서는 멜-스펙트로그램을 구성하는 복수의 프레임 각각에 대한 볼륨 값을 계산하여 볼륨 그래프를 생성할 수 있다. 프로세서는 복수의 프레임 중에서 볼륨 값이 제1 임계값 이하인 적어도 하나의 프레임을 제1 구간으로 선택할 수 있다. 일 실시예에서, 프로세서는 제1 구간을 멜-스펙트로그램의 무음 부분으로 결정할 수 있다.The processor may generate a volume graph by calculating a volume value for each of a plurality of frames constituting the mel-spectrogram. The processor may select at least one frame having a volume value equal to or less than the first threshold value from among the plurality of frames as the first period. In an embodiment, the processor may determine the first interval as a silent part of the Mel-spectrogram.

다른 실시예에서, 프로세서는 제1 구간 중에서, 프레임 개수가 제2 임계값 이상인 구간을 제2 구간으로 선택할 수 있다. 프로세서는 멜-스펙트로그램의 제2 구간을 무음 부분으로 결정할 수 있다. 예를 들어, 멜-스펙트로그램(520)으로 음성을 만들 때 보코더 중 하나인 WaveRNN에서 설정된 overlap 값 및 hop size에 기초하여 제2 임계값이 결정될 수 있다.In another embodiment, the processor may select a section in which the number of frames is equal to or greater than the second threshold value from among the first section as the second section. The processor may determine the second section of the mel-spectrogram as a silent part. For example, the second threshold value may be determined based on the overlap value and the hop size set in WaveRNN, which is one of the vocoders, when making a voice with the Mel-spectrogram 520 .

단계 1050에서 프로세서는 무음 부분을 기준으로 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할할 수 있다.In operation 1050, the processor may divide the mel-spectrogram into a plurality of sub-mel-spectrograms based on the silent portion.

프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이를 계산할 수 있다. 프로세서는 복수의 서브 멜-스펙트로그램의 길이가 기준 배치 길이와 동일해지도록, 복수의 서브 멜-스펙트로그램을 후처리할 수 있다. 일 실시예에서 기준 배치 길이는 기설정된 값일 수 있다. 다른 실시예에서 기준 배치 길이는 복수의 서브 멜-스펙트로그램 중에서 가장 긴 길이를 갖는 서브 멜-스펙트로그램의 길이로 설정될 수 있다.The processor may calculate a length of each of the plurality of sub-mel-spectrograms. The processor may post-process the plurality of sub-mel-spectrograms so that the lengths of the plurality of sub-mel-spectrograms are equal to the reference batch length. In an embodiment, the reference arrangement length may be a preset value. In another embodiment, the reference batch length may be set as the length of the sub-mel-spectrogram having the longest length among the plurality of sub-mel-spectrograms.

프로세서는 후처리된 복수의 서브 멜-스펙트로그램으로부터 상기 음성 데이터를 생성할 수 있다. 복수의 서브 멜-스펙트로그램 각각의 길이가 기설정된 배치 길이와 동일해지도록, 프로세서는 기준 배치 길이 미만의 길이를 갖는 서브 멜-스펙트로그램에 대해 제로-패딩(zero-padding)을 적용함으로써 복수의 서브 멜-스펙트로그램을 후처리할 수 있다.The processor may generate the voice data from a plurality of post-processed sub-mel-spectrograms. The processor applies zero-padding to the sub-mel-spectrograms having a length less than the reference batch length so that the length of each of the plurality of sub-mel-spectrograms is equal to the preset batch length, thereby forming a plurality of sub-mel-spectrograms. Sub-mel-spectrograms can be post-processed.

단계 1060에서 프로세서는 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성할 수 있다.In operation 1060, the processor may generate voice data from the plurality of sub-mel-spectrograms.

프로세서는 후처리된 복수의 서브 멜-스펙트로그램 각각으로부터 복수의 서브 음성 데이터를 생성할 수 있다. 프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이에 기초하여, 복수의 서브 음성 데이터 각각에 대한 참조 구간을 결정할 수 있다.The processor may generate a plurality of sub-voice data from each of the plurality of post-processed sub-mel-spectrograms. The processor may determine a reference section for each of the plurality of sub-voice data based on the lengths of each of the plurality of sub-mel-spectrograms.

프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이와 기설정된 홉 사이즈(hop size)에 기초하여, 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성할 수 있다. 구체적으로, 프로세서는 복수의 서브 멜-스펙트로그램 각각의 길이와, 멜-스펙트로그램의 하나의 프레임이 커버하는 음성 데이터의 길이에 해당하는 홉 사이즈를 곱함으로써, 복수의 서브 음성 데이터 각각에 대한 참조 구간을 결정할 수 있다.The processor may generate voice data from the plurality of sub-mel-spectrograms based on a length of each of the plurality of sub-mel-spectrograms and a preset hop size. Specifically, the processor multiplies the length of each of the plurality of sub mel-spectrograms by a hop size corresponding to the length of the voice data covered by one frame of the mel-spectrogram, thereby referencing each of the plurality of sub-voice data. section can be determined.

프로세서는 참조 구간을 연결하여 음성 데이터를 생성할 수 있다.The processor may generate voice data by concatenating the reference sections.

본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.In this specification, "unit" may be a hardware component such as a processor or circuit, and/or a software component executed by a hardware component such as a processor.

전술한 본 명세서의 설명은 예시를 위한 것이며, 본 명세서의 내용이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The description of the present specification described above is for illustration, and those of ordinary skill in the art to which the content of this specification pertains will understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be able Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive. For example, each component described as a single type may be implemented in a dispersed form, and likewise components described as distributed may be implemented in a combined form.

본 실시예의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.The scope of the present embodiment is indicated by the claims to be described later rather than the above detailed description, and it should be construed as including all changes or modifications derived from the meaning and scope of the claims and their equivalents.

Claims (3)

화자 정보 및 텍스트를 이용하여 음성 데이터를 생성하는 방법에 있어서,
화자 정보를 수신하고 상기 화자 정보에 기초하여 화자 임베딩 벡터를 생성하는 단계;
텍스트를 수신하여 상기 텍스트에 기초하여 텍스트 임베딩 벡터를 생성하는 단계;
상기 화자 임베딩 벡터 및 상기 텍스트 임베딩 벡터에 기초하여 멜-스펙트로그램을 생성하는 단계; 및
상기 멜-스펙트로그램으로부터 음성 데이터를 생성하는 단계;를 포함하고,
상기 음성 데이터를 생성하는 단계는,
상기 멜-스펙트로그램에서 무음(silence) 부분을 결정하는 단계;
상기 무음 부분을 기준으로 상기 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하는 단계;
상기 복수의 서브 멜-스펙트로그램 각각의 길이를 계산하는 단계;
상기 복수의 서브 멜-스펙트로그램의 길이가 기준 배치(batch) 길이와 동일해지도록, 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계; 및
상기 후처리된 복수의 서브 멜-스펙트로그램으로부터 상기 음성 데이터를 생성하는 단계;
를 포함하되,
상기 기준 배치 길이는 상기 복수의 서브 멜-스펙트로그램 중에서 가장 긴 길이를 갖는 서브 멜-스펙트로그램의 길이로 설정되는 것인,
방법.
A method of generating voice data using speaker information and text, the method comprising:
receiving speaker information and generating a speaker embedding vector based on the speaker information;
receiving text and generating a text embedding vector based on the text;
generating a Mel-spectrogram based on the speaker embedding vector and the text embedding vector; and
Including; generating voice data from the Mel-spectrogram;
The generating of the voice data comprises:
determining a silence portion in the Mel-spectrogram;
dividing the mel-spectrogram into a plurality of sub-mel-spectrograms based on the silent portion;
calculating a length of each of the plurality of sub-mel-spectrograms;
post-processing the plurality of sub-mel-spectrograms so that the lengths of the plurality of sub-mel-spectrograms are equal to a reference batch length; and
generating the voice data from the post-processed plurality of sub-mel-spectrograms;
including,
The reference batch length is set to the length of the sub-mel-spectrogram having the longest length among the plurality of sub-mel-spectrograms,
Way.
삭제delete 제 1 항에 있어서,
상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계는,
상기 복수의 서브 멜-스펙트로그램 각각의 길이가 상기 기준 배치 길이와 동일해지도록, 상기 기준 배치 길이 미만의 길이를 갖는 서브 멜-스펙트로그램에 대해 제로-패딩(zero-padding)을 적용하는 단계;
를 포함하는, 방법.
The method of claim 1,
Post-processing the plurality of sub-mel-spectrograms,
applying zero-padding to the sub-mel-spectrograms having a length less than the reference batch length so that the length of each of the plurality of sub-mel-spectrograms is equal to the reference batch length;
A method comprising
KR1020200160393A 2020-11-24 2020-11-25 Method and tts system for configuring mel-spectrogram batch using unvoice section KR102463570B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200160393A KR102463570B1 (en) 2020-11-25 2020-11-25 Method and tts system for configuring mel-spectrogram batch using unvoice section
US17/380,387 US20220165247A1 (en) 2020-11-24 2021-07-20 Method for generating synthetic speech and speech synthesis system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160393A KR102463570B1 (en) 2020-11-25 2020-11-25 Method and tts system for configuring mel-spectrogram batch using unvoice section

Publications (2)

Publication Number Publication Date
KR20220072599A KR20220072599A (en) 2022-06-02
KR102463570B1 true KR102463570B1 (en) 2022-11-09

Family

ID=81985153

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160393A KR102463570B1 (en) 2020-11-24 2020-11-25 Method and tts system for configuring mel-spectrogram batch using unvoice section

Country Status (1)

Country Link
KR (1) KR102463570B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000115636A (en) * 1998-10-06 2000-04-21 Canon Inc Sound data transfer device, program data transfer device, program editing and reproducing system, sound data transfer method, program data transfer method, program editing and reproducing method, and storage medium
KR102363324B1 (en) 2020-11-25 2022-02-16 주식회사 자이냅스 Method and tts system for determining the unvoice section of the mel-spectrogram

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200092505A (en) * 2019-01-13 2020-08-04 네오데우스 주식회사 Method for generating speaker-adapted speech synthesizer model with a few samples using a fine-tuning based on deep convolutional neural network ai

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000115636A (en) * 1998-10-06 2000-04-21 Canon Inc Sound data transfer device, program data transfer device, program editing and reproducing system, sound data transfer method, program data transfer method, program editing and reproducing method, and storage medium
KR102363324B1 (en) 2020-11-25 2022-02-16 주식회사 자이냅스 Method and tts system for determining the unvoice section of the mel-spectrogram

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yukoh Wakabayashi et al., ‘Griffin-Lim phase reconstruction using short-time Fourier transform with zero-padded frame analysis’, Proceedings of APSIPA Annual summit and conference 2019, November 2019.*
임재덕 외 3명, ‘콘텐츠 분류를 위한 오디오 신호 특징 추출 기술’, 전자통신동향분석, 제24권, 제6호, 2009년 12월.

Also Published As

Publication number Publication date
KR20220072599A (en) 2022-06-02

Similar Documents

Publication Publication Date Title
KR102668866B1 (en) Method and computer readable storage medium for performing text-to-speech synthesis using machine learning
KR102449209B1 (en) A tts system for naturally processing silent parts
KR20200015418A (en) Method and computer readable storage medium for performing text-to-speech synthesis using machine learning based on sequential prosody feature
KR102449223B1 (en) Method and tts system for changing the speed and the pitch of the speech
KR20210059586A (en) Method and Apparatus for Emotional Voice Conversion using Multitask Learning with Text-to-Speech
US20220165247A1 (en) Method for generating synthetic speech and speech synthesis system
KR102528019B1 (en) A TTS system based on artificial intelligence technology
US11776528B2 (en) Method for changing speed and pitch of speech and speech synthesis system
KR102568145B1 (en) Method and tts system for generating speech data using unvoice mel-spectrogram
KR102532253B1 (en) A method and a TTS system for calculating a decoder score of an attention alignment corresponded to a spectrogram
KR20220071523A (en) A method and a TTS system for segmenting a sequence of characters
KR102463570B1 (en) Method and tts system for configuring mel-spectrogram batch using unvoice section
KR20220071522A (en) A method and a TTS system for generating synthetic speech
KR102463589B1 (en) Method and tts system for determining the reference section of speech data based on the length of the mel-spectrogram
KR102503066B1 (en) A method and a TTS system for evaluating the quality of a spectrogram using scores of an attention alignment
KR20240014252A (en) Method and tts system for determining the unvoice section of the mel-spectrogram
KR20240014251A (en) Method and tts system for changing the speed and the pitch of the speech
KR102363955B1 (en) Method and system for evaluating the quality of recordingas
CN118366430B (en) Personification voice synthesis method, personification voice synthesis device and readable storage medium
KR20240014257A (en) A method and a TTS system for generating synthetic speech
KR20230018312A (en) Method and system for synthesizing speech by scoring speech
US20230037541A1 (en) Method and system for synthesizing speeches by scoring speeches
KR20240014250A (en) A method and a TTS system for calculating an encoder score of an attention alignment corresponded to a spectrogram
CN118298838A (en) Singing emotion conversion method, device, equipment and medium
CN118629395A (en) Text-to-speech generation method and device and electronic equipment

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right