KR102463589B1 - 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템 - Google Patents

멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템 Download PDF

Info

Publication number
KR102463589B1
KR102463589B1 KR1020200160402A KR20200160402A KR102463589B1 KR 102463589 B1 KR102463589 B1 KR 102463589B1 KR 1020200160402 A KR1020200160402 A KR 1020200160402A KR 20200160402 A KR20200160402 A KR 20200160402A KR 102463589 B1 KR102463589 B1 KR 102463589B1
Authority
KR
South Korea
Prior art keywords
mel
spectrogram
sub
spectrograms
length
Prior art date
Application number
KR1020200160402A
Other languages
English (en)
Other versions
KR20220072605A (ko
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 KR1020200160402A priority Critical patent/KR102463589B1/ko
Priority to US17/380,387 priority patent/US20220165247A1/en
Publication of KR20220072605A publication Critical patent/KR20220072605A/ko
Application granted granted Critical
Publication of KR102463589B1 publication Critical patent/KR102463589B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/93—Discriminating between voiced and unvoiced parts of speech signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (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-스펙트로그램 각각의 길이에 기초하여 복수의 서브 음성 데이터 각각에 대한 참조 구간을 결정하며, 참조 구간을 연결하여 상기 음성 데이터를 생성하는 단계를 포함할 수 있다.

Description

멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템{METHOD AND TTS SYSTEM FOR DETERMINING THE REFERENCE SECTION OF SPEECH DATA BASED ON THE LENGTH OF THE MEL-SPECTROGRAM}
본 개시는 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템에 관한다.
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.
음성 합성 기술은 인공 지능에 기반한 음성 인식 기술과 접목하여 가상 비서, 오디오북, 자동 통번역 및 가상 성우 등의 많은 분야에 적용되고 있다.
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.
이에 따라, 최근에는 인공 신경망(Artificial Neural Network)에 기반하여 텍스트로부터 음성을 합성하는 음성 합성 방법이 주목받고 있다.
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.
해결하고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 유추될 수 있다.
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; 및 상기 복수의 서브 멜-스펙트로그램 각각의 길이에 기초하여, 상기 복수의 서브 음성 데이터 각각에 대한 참조 구간을 결정하는 단계; 및 상기 참조 구간을 연결하여 상기 음성 데이터를 생성하는 단계;를 포함하는, 방법을 제공할 수 있다.
또한, 상기 참조 구간을 결정하는 단계는, 상기 복수의 서브 멜-스펙트로그램 각각의 길이가 상기 기준 배치 길이와 동일해지도록, 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계; 상기 후처리된 복수의 서브 멜-스펙트로그램 각각으로부터 복수의 서브 음성 데이터를 생성하는 단계; 및 상기 복수의 서브 멜-스펙트로그램 각각의 길이에 기초하여, 상기 복수의 서브 음성 데이터 각각에 대한 참조 구간을 결정하는 단계;를 포함하는, 방법을 제공할 수 있다.
또한, 상기 음성 데이터를 생성하는 단계는, 상기 복수의 서브 멜-스펙트로그램 각각의 길이와 기설정된 홉 사이즈(hop size)에 기초하여, 상기 복수의 서브 멜-스펙트로그램으로부터 상기 음성 데이터를 생성하는 단계;를 포함하는, 방법을 제공할 수 있다.
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.
본 개시의 다른 과제 해결 수단 중 하나에 의하면, 무음 멜-스펙트로그램을 이용하여 음성 데이터를 생성함으로써, 보다 정확성 높은 음성 데이터를 생성할 수 있다.
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.
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.
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.
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.
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.
한편, 본 명세서에서 하나의 도면 내에서 개별적으로 설명되는 기술적 특징은 개별적으로 구현될 수도 있고, 동시에 구현될 수도 있다.
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.
도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다.
음성 합성(Speech Synthesis) 장치는 텍스트를 사람의 음성으로 변환하는 장치이다.
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.
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.
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.
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.
"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.
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.
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.
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.
도 2의 음성 합성 시스템(200)은 화자 정보 및 텍스트(text)를 입력으로 수신하여 음성(speech)를 출력할 수 있다.
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.
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.
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.
도 3은 음성 합성 시스템의 합성기의 일 실시예를 나타내는 도면이다. 도 3의 합성기(300)는 도 2의 합성기(220)와 동일할 수 있다.
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.
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.
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.
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.
또는, 합성기(300)의 인코더는 입력된 텍스트를 복수의 짧은 텍스트들로 분리하고, 짧은 텍스트들 각각에 대하여 복수의 텍스트 임베딩 벡터들을 생성할 수도 있다.
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.
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.
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.
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.
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.
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.
도 4는 합성기를 통해 멜 스펙트로그램을 출력하는 일 실시예를 나타내는 도면이다. 도 4의 합성기(400)는 도 3의 합성기(300)와 동일할 수 있다.
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.
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.
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.
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.
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.
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.
또는, 보코더(230)는 예를 들어 뉴럴 보코더(neural vocoder)에 기 초하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다.
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.
뉴럴 보코더는 WaveNet, Parallel WaveNet, WaveRNN, WaveGlow 또는 MelGAN 등과 같은 인공 신경망 모델에 기반한 보코더에 해당할 수 있으나, 이에 제한되는 것은 아니다.
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.
도 5는 일 실시예에 따른 멜-스펙트로그램에 대응하는 볼륨 그래프를 도시한 도면이다.
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.
프레임의 평균 에너지가 클수록 볼륨 값은 크고, 프레임의 평균 에너지가 작을수록 볼륨 값은 작다. 즉, 평균 에너지가 작은 프레임은 무음 부분에 해당할 수 있다.
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.
프로세서는 복수의 프레임 중에서 볼륨 값이 제1 임계값(511) 이하인 적어도 하나의 프레임을 제1 구간(521a 내지 521f)으로 선택할 수 있다.
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.
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.
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.
도 6a 내지 도 6b는 일 실시예에 따른 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할하는 과정을 설명하기 위한 도면이다.
도 6a의 멜-스펙트로그램(620)은 도 5의 멜-스펙트로그램(520)에 대응될 수 있다.
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.
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.
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.
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.
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.
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.
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.
도 6b를 참조하면, 후처리된 복수의 서브 멜-스펙트로그램(651, 652, 653)은 모두 동일한 길이(예를 들어, 150)를 가지게 된다.
도 7은 일 실시예에 따른 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성하는 과정을 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
프로세서는 제1 참조 구간(771), 제2 참조 구간(772) 그리고 제3 참조 구간(773)을 연결하여 음성 데이터(780)를 생성할 수 있다.
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.
한편, 도 5, 도 6a, 도 6b 및 도 7의 프로세서는 음성 합성 시스템의 보코더에 포함되는 하드웨어 및/또는 별도의 독립적인 하드웨어일 수 있다.
도 8은 일 실시예에 따른 텍스트 시퀀스를 분할하는 예시를 설명하기 위한 도면이다.
도 8에는 특정 자연 언어로 구성된 텍스트 시퀀스의 예가 도시된다. 또한, 텍스트 시퀀스에는 문장 부호가 포함된다. 예를 들어, 문장 부호는 '.', ',', '?', '!' 등일 수 있다.
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.
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.
도 9는 일 실시예에 따른 서브 멜-스펙트로그램 사이에 무음 멜-스펙트로그램을 추가하여 최종 멜-스펙트로그램을 생성하는 과정을 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
도 10은 일 실시예에 따른 멜-스펙트로그램의 무음 부분을 결정하는 방법의 흐름도이다.
도 10을 참조하면, 단계 1010에서 프로세서는 화자 정보를 수신하고 화자 정보에 기초하여 화자 임베딩 벡터를 생성할 수 있다.
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.
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.
단계 1020에서 프로세서는 텍스트를 수신하여 텍스트에 기초하여 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.
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.
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.
단계 1030에서 프로세서는 화자 임베딩 백터 및 텍스트 임베딩 벡터에 기초하여 멜-스펙트로그램을 생성할 수 있다.
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.
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.
단계 1040에서 프로세서는 멜-스펙트로그램에서 무음(silence) 부분을 결정할 수 있다.
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.
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.
단계 1050에서 프로세서는 무음 부분을 기준으로 멜-스펙트로그램을 복수의 서브 멜-스펙트로그램으로 분할할 수 있다.
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.
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.
단계 1060에서 프로세서는 복수의 서브 멜-스펙트로그램으로부터 음성 데이터를 생성할 수 있다.
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.
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.
프로세서는 참조 구간을 연결하여 음성 데이터를 생성할 수 있다.
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.
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.
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.

Claims (3)

  1. 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 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-스펙트로그램 각각의 길이가 기준 배치 길이 - 상기 기준 배치 길이는 상기 복수의 서브 멜-스펙트로그램을 동일한 길이로 일치시키기 위한 기준이 되는 길이임 - 와 동일해지도록, 상기 복수의 서브 멜-스펙트로그램을 후처리하는 단계;
    음성 재구성 알고리즘을 이용하여 상기 후처리된 복수의 서브 멜-스펙트로그램 각각으로부터 복수의 서브 음성 데이터를 생성하는 단계;
    상기 후처리되기 전의 복수의 서브 멜-스펙트로그램 각각의 길이에 기초하여, 상기 복수의 서브 음성 데이터 각각에 대한 참조 구간 - 상기 참조 구간은 상기 후처리된 복수의 서브 멜-스펙트로그램 각각에서 유효한 데이터가 포함되는 구간임 - 을 결정하는 단계; 및
    상기 참조 구간을 연결하여 상기 음성 데이터를 생성하는 단계;
    를 포함하는, 방법.
  2. 제 1 항에 있어서,
    상기 기준 배치 길이는,
    상기 복수의 서브 멜-스펙트로그램 중에서 가장 긴 길이를 갖는 서브 멜-스펙트로그램의 길이로 설정되는,
    방법.
  3. 제 1 항에 있어서,
    상기 참조 구간을 결정하는 단계는,
    상기 후처리되기 전의 복수의 서브 멜-스펙트로그램 각각의 길이와 기설정된 홉 사이즈(hop size)에 기초하여, 참조 구간을 결정하는 것인,
    방법.
KR1020200160402A 2020-11-24 2020-11-25 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템 KR102463589B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200160402A KR102463589B1 (ko) 2020-11-25 2020-11-25 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템
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
KR1020200160402A KR102463589B1 (ko) 2020-11-25 2020-11-25 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템

Publications (2)

Publication Number Publication Date
KR20220072605A KR20220072605A (ko) 2022-06-02
KR102463589B1 true KR102463589B1 (ko) 2022-11-09

Family

ID=81985093

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160402A KR102463589B1 (ko) 2020-11-24 2020-11-25 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템

Country Status (1)

Country Link
KR (1) KR102463589B1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200056261A (ko) * 2018-11-14 2020-05-22 삼성전자주식회사 전자 장치 및 이의 제어 방법
KR20200092505A (ko) * 2019-01-13 2020-08-04 네오데우스 주식회사 심층 합성곱 신경망 인공지능을 기반으로 한 미세조정을 통해 소량의 샘플로 화자 적합된 음성합성 모델을 생성하는 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jing Pang, ‘Spectrum Energy Based Voice Activity Detection’, 2017 IEEE 7th Annual Computing and Communication Workshop and Conference (CCWC), Jan. 2017.*
YuxuanWang et al., ‘TACOTRON: TOWARDS END-TO-END SPEECH SYNTHESIS’, arXiv:1703.10135v2 [cs.CL] 6 Apr. 2017.*
무음구간 자동 컷 편집 무료 프로그램, 유튜브 동영상, 2020.04.20.*

Also Published As

Publication number Publication date
KR20220072605A (ko) 2022-06-02

Similar Documents

Publication Publication Date Title
JP7355306B2 (ja) 機械学習を利用したテキスト音声合成方法、装置およびコンピュータ読み取り可能な記憶媒体
KR102265972B1 (ko) 다중 언어 텍스트-음성 합성 모델을 이용한 음성 번역 방법 및 시스템
KR102449209B1 (ko) 무음 부분을 자연스럽게 처리하는 음성 합성 시스템
KR20200015418A (ko) 순차적 운율 특징을 기초로 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
KR102449223B1 (ko) 음성의 속도 및 피치를 변경하는 방법 및 음성 합성 시스템
KR102528019B1 (ko) 인공지능 기술에 기반한 음성 합성 시스템
KR20210059586A (ko) 텍스트 음성 변환과 함께 멀티태스크 학습을 사용한 감정적 음성 변환 방법 및 장치
US20220165247A1 (en) Method for generating synthetic speech and speech synthesis system
JP2017167526A (ja) 統計的パラメトリック音声合成のためのマルチストリームスペクトル表現
KR20220071523A (ko) 문자들의 시퀀스를 분할하는 방법 및 음성 합성 시스템
US11776528B2 (en) Method for changing speed and pitch of speech and speech synthesis system
KR102463589B1 (ko) 멜-스펙트로그램의 길이에 기초하여 음성 데이터의 참조 구간을 결정하는 방법 및 음성 합성 시스템
KR20220071522A (ko) 합성 음성을 생성하는 방법 및 음성 합성 시스템
KR102463570B1 (ko) 무음 구간 검출을 통한 멜 스펙트로그램의 배치 구성 방법 및 음성 합성 시스템
KR102568145B1 (ko) 무음 멜-스펙트로그램을 이용하여 음성 데이터를 생성하는 방법 및 음성 합성 시스템
KR102503066B1 (ko) 어텐션 얼라인먼트의 스코어를 이용하여 스펙트로그램의 품질을 평가하는 방법 및 음성 합성 시스템
KR102532253B1 (ko) 스펙트로그램에 대응하는 어텐션 얼라인먼트의 디코더 스코어를 연산하는 방법 및 음성 합성 시스템
KR20240014252A (ko) 멜-스펙트로그램의 무음 부분을 결정하는 방법 및 음성 합성 시스템
KR20240014251A (ko) 음성의 속도 및 피치를 변경하는 방법 및 음성 합성 시스템
KR102363955B1 (ko) 녹음의 품질을 평가하는 방법 및 시스템
KR20230018312A (ko) 음성을 스코어링하여 음성을 합성하는 방법 및 시스템
KR20240014257A (ko) 합성 음성을 생성하는 방법 및 음성 합성 시스템
US20230037541A1 (en) Method and system for synthesizing speeches by scoring speeches
KR102668866B1 (ko) 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
KR20240014250A (ko) 스펙트로그램에 대응하는 어텐션 얼라인먼트의 인코더 스코어를 연산하는 방법 및 음성 합성 시스템

Legal Events

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