KR102482827B1 - 화자 임베딩 기반 음성 활동 검출을 이용한 화자 분할 방법, 시스템, 및 컴퓨터 프로그램 - Google Patents

Abstract

화자 임베딩 기반 음성 활동 검출을 이용한 화자 분할 방법, 시스템, 및 컴퓨터 프로그램이 개시된다. 화자 분할 방법은, 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출하는 단계; 및 상기 화자 임베딩에 기초하여 음성 활동 영역(speech activity region)인 음성 구간을 검출하는 단계를 포함한다.

Description

화자 임베딩 기반 음성 활동 검출을 이용한 화자 분할 방법, 시스템, 및 컴퓨터 프로그램{METHOD, SYSTEM, AND COMPUTER PROGRAM TO SPEAKER DIARISATION USING SPEECH ACTIVITY DETECTION BASED ON SPEARKER EMBEDDING}

아래의 설명은 화자 분할(speaker diarisation) 기술에 관한 것이다.

화자 분할이란 다수의 화자가 발성한 내용을 녹음한 음성 파일로부터 각 화자 별로 음성 구간을 분할하는 기술이다.

화자 분할 기술은 음성 데이터로부터 화자 경계 구간을 검출하는 것으로, 화자 분할 방식은 화자에 대한 선행 지식 사용 여부에 따라 거리기반 방식과 모델기반 방식으로 나뉠 수 있다.

예컨대, 한국등록특허 제10-1833731호(등록일 2018년 02월 23일)에는 화자의 음성을 인식하는 환경의 변화 및 화자의 발화 상태에 영향 없이 화자의 음성을 통해 화자를 구분할 수 있는 화자 인식 모델을 생성하는 기술이 개시되어 있다.

이러한 화자 분할 기술은 회의, 인터뷰, 거래, 재판 등 여러 화자가 일정한 순서 없이 발성하는 상황에서 발성 내용을 화자 별로 분할하여 자동 기록하는 제반 기술로 회의록 자동 작성 등에 활용될 수 있다.

화자 임베딩에 기초하여 음성 활동 영역(speech activity region)인 음성 구간을 검출할 수 있는 방법 및 시스템을 제공한다.

음성 활동 검출을 위한 별도의 모델을 사용하지 않고 단일 모델인 화자 인식 모델을 이용하여 음성 활동 검출과 화자 임베딩 추출을 수행할 수 있는 방법 및 시스템을 제공한다.

컴퓨터 시스템에서 실행되는 화자 분할 방법에 있어서, 상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 화자 분할 방법은, 상기 적어도 하나의 프로세서에 의해, 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 화자 임베딩에 기초하여 음성 활동 영역(speech activity region)인 음성 구간을 검출하는 단계를 포함하는 화자 분할 방법을 제공한다.

일 측면에 따르면, 상기 화자 분할 방법은, 단일 모델인 화자 인식 모델을 이용하여 상기 화자 임베딩을 추출하는 단계와 상기 음성 구간을 검출하는 단계를 수행할 수 있다.

다른 측면에 따르면, 상기 음성 구간을 검출하는 단계는, 상기 음성 프레임 각각의 화자 임베딩 벡터에 대해 놈(Norm) 값을 구하는 단계; 및 임베딩 놈 값이 임계값(threshold) 이상인 음성 프레임을 상기 음성 구간으로 판단하고 상기 임계값 미만인 음성 프레임을 비음성 구간으로 판단하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 분할 방법은, 상기 적어도 하나의 프로세서에 의해, 음성과 비음성을 분류하기 위한 상기 임계값을 주어진 음성 파일에 따라 적응적인 값으로 설정하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 분할 방법은, 상기 적어도 하나의 프로세서에 의해, 상기 음성 파일에 대해 가우시안 혼합 모델(Gaussian mixture model)을 통해 추정된 상기 임계값을 설정하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 분할 방법은, 상기 적어도 하나의 프로세서에 의해, 음성과 비음성을 분류하기 위한 상기 임계값을 실험을 통해 결정된 고정값으로 설정하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 임베딩을 추출하는 단계는, 슬라이딩 윈도우(sliding window) 방식을 이용하여 상기 음성 프레임마다 상기 화자 임베딩을 추출하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 임베딩을 추출하는 단계는, 분류 손실(classification loss)과 하드 네거티브 마이닝 손실(hard negative mining loss)의 조합을 이용하여 학습된 화자 인식 모델을 통해 상기 화자 임베딩을 추출하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 화자 임베딩을 추출하는 단계는, 화자 인식 모델의 출력이 시간적 평균 풀링 계층(temporal average pooling layer)을 사용하여 시간 경과에 따라 집계된 다음 투영 계층(projection layer)을 통과함에 따라 발언 레벨(utterance-level) 임베딩을 획득하는 단계를 포함할 수 있다.

또 다른 측면에 따르면, 상기 음성 구간을 검출하는 단계는, 상기 화자 인식 모델의 출력이 시간 경과에 따른 집계 없이 상기 투영 계층을 통해 전달됨에 따라 음성 활동 레이블을 획득하는 단계를 포함할 수 있다.

상기 화자 분할 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램을 제공한다.

컴퓨터 시스템에 있어서, 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출하는 화자 임베딩부; 및 상기 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출하는 음성 구간 검출부를 포함하는 컴퓨터 시스템을 제공한다.

본 발명의 실시예들에 따르면, 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출함으로써 화자 인식이 명확한 구간만을 검출할 수 있어 화자 분할 성능을 향상시킬 수 있다.

본 발명의 실시예들에 따르면, 음성 활동 검출을 위해 화자 임베딩 추출에 사용되는 화자 인식 모델을 사용함으로써 단일 모델로 음성 활동 검출과 화자 임베딩 추출을 수행할 수 있어 화자 분할 파이프라인을 간소화시킬 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 있어서 컴퓨터 시스템의 내부 구성의 일례를 설명하기 위한 블록도이다.
도 3은 본 발명의 일실시예에 따른 컴퓨터 시스템의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 컴퓨터 시스템이 수행할 수 있는 화자 분할 방법의 예를 도시한 순서도이다.
도 5는 본 발명의 일실시예에 있어서 화자 분할을 위한 전체 과정을 도시한 순서도이다.
도 6은 본 발명의 일실시예에 있어서 화자 임베딩 추출을 위한 모델 예시를 도시한 것이다.
도 7은 본 발명의 일실시예에 있어서 화자 임베딩 기반 음성 구간 검출 방법을 이용한 화자 분할의 성능 실험 결과를 나타낸 것이다.

이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

본 발명의 실시예들은 음성 데이터로부터 화자 경계 구간을 검출하는 화자 분할 기술에 관한 것이다.

본 명세서에서 구체적으로 개시되는 것들을 포함하는 실시예들은 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출함으로써 화자 분할 성능을 향상시킬 수 있고 화자 분할 파이프라인을 간소화시킬 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 서버(150), 및 네트워크(160)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 시스템으로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(160)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150)와 통신할 수 있는 다양한 물리적인 컴퓨터 시스템들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150)는 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(160)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(160)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 목적하는 서비스를 제공하는 시스템일 수 있다. 보다 구체적인 예로, 서버(150)는 복수의 전자 기기들(110, 120, 130, 140)에 설치되어 구동되는 컴퓨터 프로그램으로서의 어플리케이션을 통해, 해당 어플리케이션이 목적하는 서비스(일례로, 음성인식 기반 인공지능 회의록 서비스 등)를 복수의 전자 기기들(110, 120, 130, 140)로 제공할 수 있다.

도 2는 본 발명의 일실시예에 따른 컴퓨터 시스템의 예를 도시한 블록도이다. 도 1을 통해 설명한 서버(150)는 도 2와 같이 구성된 컴퓨터 시스템(200)에 의해 구현될 수 있다.

도 2에 도시된 바와 같이 컴퓨터 시스템(200)은 본 발명의 실시예들에 따른 화자 분할 방법을 실행하기 위한 구성요소로서, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다.

메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 시스템(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(160)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 시스템(200)의 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(230)는 네트워크(160)를 통해 컴퓨터 시스템(200)이 다른 장치와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 시스템(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(160)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(160)를 거쳐 컴퓨터 시스템(200)의 통신 인터페이스(230)를 통해 컴퓨터 시스템(200)으로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 시스템(200)이 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

통신 방식은 제한되지 않으며, 네트워크(160)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 유선/무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(160)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(160)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드, 카메라 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250)는 컴퓨터 시스템(200)과 하나의 장치로 구성될 수도 있다.

또한, 다른 실시예들에서 컴퓨터 시스템(200)은 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 시스템(200)은 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

이하에서는 화자 임베딩 기반 음성 활동 검출을 이용한 화자 분할 방법 및 시스템의 구체적인 실시예를 설명하기로 한다.

도 3은 본 발명의 일실시예에 따른 서버의 프로세서가 포함할 수 있는 구성요소의 예를 도시한 블록도이고, 도 4는 본 발명의 일실시예에 따른 서버가 수행할 수 있는 방법의 예를 도시한 흐름도이다.

본 실시예에 따른 서버(150)는 다수의 화자가 발성한 내용을 녹음한 음성 파일로부터 각 화자 별로 음성 구간을 분할하여 문서로 정리할 수 있는 인공지능 서비스를 제공하는 서비스 플랫폼 역할을 한다.

서버(150)에는 컴퓨터 시스템(200)으로 구현된 화자 분할 시스템이 구성될 수 있다. 일례로, 서버(150)는 클라이언트(client)인 복수의 전자 기기들(110, 120, 130, 140)을 대상으로 전자 기기들(110, 120, 130, 140) 상에 설치된 전용 어플리케이션이나 서버(150)와 관련된 웹/모바일 사이트 접속을 통해 음성인식 기반 인공지능 회의록 서비스를 제공할 수 있다.

특히, 서버(150)는 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출할 수 있다.

서버(150)의 프로세서(220)는 도 4에 따른 화자 분할 방법을 수행하기 위한 구성요소로서 도 3에 도시된 바와 같이, 화자 임베딩부(310), 음성 구간 검출부(320), 및 클러스터링 수행부(330)를 포함할 수 있다.

실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.

이러한 프로세서(220) 및 프로세서(220)의 구성요소들은 도 4의 화자 분할 방법이 포함하는 단계들(S410 내지 S430)을 수행하도록 서버(150)를 제어할 수 있다. 예를 들어, 프로세서(220) 및 프로세서(220)의 구성요소들은 메모리(210)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.

여기서, 프로세서(220)의 구성요소들은 서버(150)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 예를 들어, 서버(150)가 화자 임베딩을 추출하도록 상술한 명령에 따라 서버(150)를 제어하는 프로세서(220)의 기능적 표현으로서 화자 임베딩부(310)가 이용될 수 있다.

프로세서(220)는 서버(150)의 제어와 관련된 명령이 로딩된 메모리(210)로부터 필요한 명령을 읽어들일 수 있다. 이 경우, 상기 읽어들인 명령은 프로세서(220)가 이후 설명될 단계들(S410 내지 S430)을 실행하도록 제어하기 위한 명령을 포함할 수 있다.

이후 설명될 단계들(S410 내지 S430)은 도 4에 도시된 순서와 다른 순서로 수행될 수 있으며, 단계들(S410 내지 S430) 중 일부가 생략되거나 추가의 과정이 더 포함될 수 있다.

도 4를 참조하면, 단계(S410)에서 화자 임베딩부(310)는 다수의 화자가 발성한 내용을 녹음한 음성 파일이 주어지는 경우 화자 인식 모델을 이용하여 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출할 수 있다. 일례로, 화자 임베딩부(310)는 슬라이딩 윈도우(sliding window) 방식을 이용하여 음성 프레임마다 화자 임베딩을 추출할 수 있다.

단계(S420)에서 음성 구간 검출부(320)는 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출할 수 있다. 화자 임베딩 추출을 위한 화자 인식 모델(예를 들어, SpeakerNet 등)은 음성에 대해서는 임베딩 놈(Norm) 값이 높게 나타나고 비음성에 대해 임베딩 놈 값이 낮게 나타난다. 일례로, 음성 구간 검출부(320)는 음성 프레임 각각의 화자 임베딩 벡터에 대해 놈 값을 구하고 임베딩 놈 값이 임계값(threshold) 이상인 음성 프레임을 음성 구간으로 판단하고 임베딩 놈 값이 임계값 미만인 음성 프레임을 비음성 구간으로 판단할 수 있다.

단계(S430)에서 클러스터링 수행부(330)는 화자 임베딩을 그룹화하는 것으로, 단계(S420)에서 검출된 음성 구간을 이용하여 화자 분할 클러스터링을 수행할 수 있다. 클러스터링 수행부(330)는 화자 임베딩에 대한 유사도 행렬(affinity matrix)을 계산한 후 유사도 행렬에 기초하여 클러스터 수를 결정할 수 있다. 이때, 클러스터링 수행부(330)는 유사도 행렬에 대해 고유값 분해(eigen decomposition)를 수행하여 고유값(eigenvalue)을 추출한 후 추출된 고유값을 고유값 크기에 따라 정렬하고 정렬된 고유값에서 인접한 고유값 간의 차이를 기준으로 유효한 주성분에 해당되는 고유값의 개수를 클러스터 수로 결정할 수 있다. 고유값이 높다는 것은 유사도 행렬에서 영향력이 크다는 것을 의미하는 것으로, 즉 음성 파일 내 음성 구간에 대해 유사도 행렬을 구성할 때 발성이 있는 화자 중 발성 비중이 높다는 것을 의미한다. 다시 말해, 클러스터링 수행부(330)는 정렬된 고유값 중에서 충분히 큰 값을 가진 고유값을 선택하여 선택된 고유값의 개수를 화자 수를 나타내는 클러스터 수로 결정할 수 있다. 클러스터링 수행부(330)는 결정된 클러스터 수를 기반으로 음성 구간을 매핑함으로써 화자 분할 클러스터링을 수행할 수 있다.

도 5에 도시한 바와 같이, 화자 분할을 위한 전체 과정(S50)은 음성 구간 검출 단계(S51), 화자 임베딩 추출 단계(S52), 및 화자 분할 클러스터링 단계(S53)를 포함할 수 있다.

기존에는 각 프레임의 에너지를 측정하여 음성과 비음성을 구분하는 방식으로 음성 구간을 검출하는데, 음성 구간 검출을 위한 모델은 화자 임베딩 추출을 위한 모델과 다른 독립적인 모델을 사용하게 된다. 에너지를 기반으로 음성 구간을 검출하는 경우 검출된 음성 구간 중 일부는 화자 인식이 어려운 구간이 포함될 수 있으며, 화자 인식이 어려운 구간은 화자 인식 모델이 학습하지 못한 유형이기 때문에 화자 임베딩의 품질이 떨어지게 된다. 결과적으로, 검출된 음성 구간의 품질이 화자 분할 성능을 좌우하게 된다.

본 실시예에서 프로세서(220)는 음성 활동 검출을 위한 별도의 모델을 사용하지 않고 단일 모델인 화자 인식 모델을 이용하여 음성 활동 검출과 화자 임베딩 추출을 수행할 수 있다. 다시 말해, 본 발명은 임베딩 모델 하나로 음성 구간 검출 단계(S51)와 화자 임베딩 추출 단계(S52)를 수행할 수 있다.

본 발명에 따른 화자 분할 시스템에 적용되는 핵심 아키텍처를 설명하면 다음과 같다.

화자 인식 모델이 잘 인식될 수 있는 화자 표현(speaker representations)을 얻는 것이 화자 분할 문제의 핵심이다. 이하에서는 심층 신경망을 이용하여 화자 임베딩을 학습하고 추출하는 방법을 설명한다.

입력 표현(input representations)은 mel-스케일에서 선형적으로 구간을 나누어 구현할 수 있다. 프로세서(220)는 일정 크기(예를 들어, 25ms의 폭과 10ms의 스트라이드)의 윈도우로 각 발언(utterance)으로부터 스펙트로그램을 추출한다. 64차원 Mel-필터뱅크는 네트워크에 대한 입력으로 사용된다. 평균 및 분산 정규화(MVN)는 인스턴스 정규화를 사용하여 발언 레벨에서 스펙트럼과 필터뱅크의 모든 주파수 빈에 대해 수행된다.

화자 임베딩 추출 모델은 화자 인식 모델 중 하나인 ResNet(Residual networks)가 사용될 수 있다. 예를 들어, 기본 아키텍처로 사전 활성화 잔여 유닛(pre-activation residual units)을 제외한 ResNet-34를 적용할 수 있다. ResNet-34 아키텍처 예시는 도 6과 같다.

화자 임베딩 추출 모델의 출력은 시간적 평균 풀링 계층(temporal average pooling layer)을 사용하여 시간 경과에 따라 집계된 다음 선형 투영 계층(linear projection layer)을 통과하여 발언 레벨 임베딩을 얻을 수 있다.

프로세서(220)는 목적 함수로서 분류 손실(classification loss)과 하드 네거티브 마이닝 손실(hard negative mining loss)의 조합을 이용하여 화자 임베딩 추출 모델을 학습한다.

분류 손실(

)은 수학식 1과 같이 정의되고, 하드 네거티브 마이닝 손실(

)은 수학식 2와 같이 정의된다.

[수학식 1]

[수학식 2]

여기서, N은 배치 크기(batch size),

와

는 i번째 발언의 임베딩 벡터와 해당 화자의 기저를 나타낸다.

는

값이 큰 상위 H 화자 베이스의 집합을 의미한다. 특정 화자에 대한 화자 기준은 화자에 해당하는 출력 계층의 가중치 행렬의 한 행 벡터이다. 각 샘플에 대한 하드 집합인

는 샘플

와 학습 셋의 모든 화자 베이스 사이의 코사인 유사성을 바탕으로 모든 미니배치에 대해 선택된다. 범주형 교차 엔트로피 손실인 분류 손실(

)와 하드 네거티브 마이닝 손실(

)은 동일한 가중치로 결합된다.

[수학식 3]

프로세서(220)는 유명인의 음성을 추출 및 검수하여 만든 학습 데이터 셋(예를 들어, VoxCeleb2 등)을 이용하여 화자 임베딩 추출 모델을 학습한다. 이때, 프로세서(220)는 각 발언에서 무작위로 추출된 고정 길이(예컨대, 2초)의 시간 세그먼트(temporal segments)를 사용하여 화자 임베딩 추출 모델을 학습할 수 있다.

음성 구간 검출 단계(S51)를 통해 선택된 프레임에서 화자 정보를 표현하는 화자 임베딩 추출 단계(S52)에서만 사용했던 화자 인식 모델을 음성 구간 검출 단계(S51)에서도 활용할 수 있다. 화자 임베딩은 한 사람의 음성을 다른 사람의 음성과 구별할 수 있기 때문에 음성과 비음성을 구별할 수 있다.

임베딩 놈 값은 목표 태스크에 대한 신뢰도와 상관 관계가 있다는 점에서, 임베딩 벡터가 소프트맥스 함수(softmax function)에 의해 활성화된 출력 계층과 같은 선형 분류기에 의해 분류되는 경우 놈 값이 높다는 것은 임베딩 벡터와 초평면(hyper plane) 사이에 큰 여유가 있다는 것, 즉 모델의 신뢰 점수(confidence score)가 높다는 것을 의미한다.

화자 인식 모델은 인간의 음성에 대해서만 학습되었기 때문에 학습 대상이 아닌 비음성에 대해서는 임베딩 놈 값이 낮고 신뢰 점수 또한 매우 낮게 나타나게 된다. 따라서, 독립된 모듈이나 모델 수정 없이 음성 구간 검출 단계(S51)에 화자 인식 모델을 사용할 수 있다.

세분화된 음성 활동 레이블을 얻기 위해 화자 임베딩 추출 모델에서 모든 출력을 가져와 시간적 집계 없이 투영 계층(projection layer)을 통해 전달한다. 이는 화자 표현을 위해 시간적 평균 풀링을 사용하여 일정 크기(예를 들어, 2초)의 윈도우를 걸쳐 집계되는 임베딩을 사용하는 것과 대조적이다.

프로세서(220)는 음성 프레임 각각의 화자 임베딩 벡터에 대해 놈 값을 구하고 임베딩 놈 값이 임계값 이상인 음성 프레임을 음성 구간으로 판단하고 임베딩 놈 값이 임계값 미만인 음성 프레임을 비음성 구간으로 판단한다.

일례로, 프로세서(220)는 음성과 비음성을 분류하기 위한 임계값을 실험에 의한 고정값으로 설정할 수 있다. 실험을 수행하고 임계값 범위 내에서 최상의 결과를 찾아냄으로써 개발 집합을 사용하여 임베딩 놈 값에 대한 수동 임계값을 설정할 수 있다. 프로세서(220)는 모든 데이터 셋에 대해 단일 임계값을 설정할 수 있다.

다른 예로, 프로세서(220)는 주어진 음성 파일에 대해 최적의 임계값을 자동 설정할 수 있다. 이때, 프로세서(220)는 가우시안 혼합 모델(GMM)을 사용하여 각 발언에 대한 최적 임계값을 추정할 수 있다. 이를 위하여 두 가지 혼합 성분을 사용하여 가우시안 혼합 모델을 학습시켜 하나의 발언으로 놈 값의 분포를 학습한다. 이때, 혼합 성분은 음성 클러스터와 비음성 클러스터를 나타낸다. 가우시안 혼합 모델을 학습시킨 후 수학식 4를 통해 임계값

를 추정할 수 있다.

[수학식 4]

여기서,

과

은 혼합 성분 각각의 평균값이며,

는 두 평균값 사이의 가중치 계수를 의미한다.

프로세서(220)는 음성과 비음성을 분류하기 위한 임계값을 음성 데이터에 따라 적응적인 값으로 추정함으로써 다양한 데이터 셋 도메인에서 강력한 임계값을 설정할 수 있다.

프로세서(220)는 화자 임베딩 기반 음성 구간 검출 단계(S51)의 결과를 바탕으로 음성 데이터의 각 세션을 여러 개의 음성 활동 세그먼트로 나눌 수 있다.

프로세서(220)는 음성 구간 검출 결과의 지나친 급변을 보상하기 위해 EPD(end point detection) 과정을 수행한다. EPD는 음성과 비음성을 구분한 발성의 시작과 끝만 찾는 과정이다. 일례로, 프로세서(220)는 일정 크기의 윈도우를 슬라이딩하여 시작점과 끝점을 탐지한다. 예를 들어, 시작점은 음성 활동 프레임 비율이 70%를 초과하는 지점으로 식별되며, 비음성 프레임에 대해서도 동일한 규칙에 따라 종료 지점이 식별될 수 있다.

프로세서(220)는 AHC(Agglomerative Hierarchical Clustering) 알고리즘을 이용하여 화자 임베딩을 그룹화할 수 있다. AHC 알고리즘은 거리 임계값 또는 클러스터 수에 따라 화자 표현을 클러스터링할 수 있다. 프로세서(220)는 여러 다른 도메인에 걸쳐 실루엣 점수(2≤C≤10)를 기준으로 각 세션 또는 음성 파일(또는 음성을 포함한 비디오)에 대해 최적의 클러스터 수를 자동으로 선택할 수 있다.

실루엣 점수는 데이터 클러스터 내 일관성을 해석한 것이므로 신뢰도의 척도로 볼 수 있다. 실루엣 점수는 클러스터 내 평균 거리에 따라 수학식 5와 같이 정의될 수 있다.

[수학식 5]

평균 최근접 클러스터 거리(mean nearest-cluster distance)는 각 샘플 당 수학식 6과 같이 정의될 수 있다.

[수학식 6]

특히, 샘플의 실루엣 점수

는 수학식 7과 같이 정의될 수 있다.

[수학식 7]

실루엣 점수를 이용한 클러스터링 방법은 각 데이터 셋에 대해 임계값을 수동으로 조정하는 방법과 달리 매개변수 최적화를 요구하지 않는다.

본 실시예에서는 화자 임베딩에 기초하여 음성 활동 영역(즉, 음성 구간)을 검출하는 방법이 화자 분할 성능을 높이기 위한 매우 간단하면서도 효과적인 해결책이 될 수 있다.

도 7은 본 발명에 따른 화자 임베딩에 기초한 음성 구간 검출 방법의 화자 분할 성능 실험 결과를 나타낸 것이다.

실험은 화자 분할 챌린지 데이터 셋으로 DIHARD를 이용하고, 음성 활동 검출을 위한 모델과 화자 임베딩 추출을 위한 모델이 완전 분할된 파이프라인의 화자 분할 방법을 베이스라인으로 이용한다. SE(speech enhancement)는 음성에 대한 노이즈 제거(denoising) 과정이 포함된 것이다.

MS(missed speech)는 결과에 포함되지 않은 음성 비율, FA(false alarm)는 결과에 포함된 비음성 비율, SC(speaker confusion)는 결과에 포함된 매핑 오류 비율(화자 ID를 잘못 매핑한 음성 비율)을 나타내고, DER(diarsation error rate)은 MS와 FA 및 SC의 총합을 의미한다. 따라서, DER이 낮을수록 화자 분할 성능이 높다는 것을 의미한다.

단일 모델로 음성 활동 검출과 화자 임베딩 추출을 수행하는 본 발명의 화자 분할 성능을 베이스라인과 비교해 보면, 음성과 비음성의 분류 기준이 되는 임계값을 고정 설정한 방법(Ours w/ SpeakerNet SAD Fixed)과 적응적으로 자동 설정한 방법(Ours w/ SpeakerNet SAD GMM) 모두 베이스라인에 비해 높은 성능을 보임을 알 수 있다.

이처럼 본 발명의 실시예들에 따르면, 화자 임베딩에 기초하여 음성 활동 영역인 음성 구간을 검출함으로써 화자 인식이 명확한 구간만을 검출할 수 있어 화자 분할 성능을 향상시킬 수 있다. 본 발명의 실시예들에 따르면, 음성 활동 검출을 위해 화자 임베딩 추출에 사용되는 화자 인식 모델을 사용함으로써 단일 모델로 음성 활동 검출과 화자 임베딩 추출을 수행할 수 있어 화자 분할 파이프라인을 간소화시킬 수 있다.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

1. 컴퓨터 시스템에서 실행되는 화자 분할 방법에 있어서,
   상기 컴퓨터 시스템은 메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고,
   상기 화자 분할 방법은,
   상기 적어도 하나의 프로세서에 의해, 화자 인식 모델을 이용하여, 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출하는 단계; 및
   상기 적어도 하나의 프로세서에 의해, 상기 화자 인식 모델을 통해 추출된 상기 화자 임베딩을 이용하여 음성 활동 영역(speech activity region)인 음성 구간을 검출하는 단계
   를 포함하고,
   상기 화자 인식 모델은 화자 표현으로 발언 레벨(utterance-level) 임베딩을 획득할 수 있는 모델로 화자 임베딩 추출과 음성 구간 검출을 위한 임베딩 모델로 사용되는 것
   을 특징으로 하는 화자 분할 방법.
2. 삭제
3. 제1항에 있어서,
   상기 음성 구간을 검출하는 단계는,
   상기 음성 프레임 각각의 화자 임베딩 벡터에 대해 놈(Norm) 값을 구하는 단계; 및
   임베딩 놈 값이 임계값(threshold) 이상인 음성 프레임을 상기 음성 구간으로 판단하고 상기 임계값 미만인 음성 프레임을 비음성 구간으로 판단하는 단계
   를 포함하는 화자 분할 방법.
4. 제3항에 있어서,
   상기 화자 분할 방법은,
   상기 적어도 하나의 프로세서에 의해, 음성과 비음성을 분류하기 위한 상기 임계값을 주어진 음성 파일에 따라 적응적인 값으로 설정하는 단계
   를 더 포함하는 화자 분할 방법.
5. 제3항에 있어서,
   상기 화자 분할 방법은,
   상기 적어도 하나의 프로세서에 의해, 상기 음성 파일에 대해 가우시안 혼합 모델(Gaussian mixture model)을 통해 추정된 상기 임계값을 설정하는 단계
   를 더 포함하는 화자 분할 방법.
6. 제3항에 있어서,
   상기 화자 분할 방법은,
   상기 적어도 하나의 프로세서에 의해, 음성과 비음성을 분류하기 위한 상기 임계값을 실험을 통해 결정된 고정값으로 설정하는 단계
   를 더 포함하는 화자 분할 방법.
7. 제1항에 있어서,
   상기 화자 임베딩을 추출하는 단계는,
   슬라이딩 윈도우(sliding window) 방식을 이용하여 상기 음성 프레임마다 상기 화자 임베딩을 추출하는 단계
   를 포함하는 화자 분할 방법.
8. 제1항에 있어서,
   상기 화자 임베딩을 추출하는 단계는,
   분류 손실(classification loss)과 하드 네거티브 마이닝 손실(hard negative mining loss)의 조합을 이용하여 학습된 화자 인식 모델을 통해 상기 화자 임베딩을 추출하는 단계
   를 포함하는 화자 분할 방법.
9. 제1항에 있어서,
   상기 화자 임베딩을 추출하는 단계는,
   화자 인식 모델의 출력이 시간적 평균 풀링 계층(temporal average pooling layer)을 사용하여 시간 경과에 따라 집계된 다음 투영 계층(projection layer)을 통과함에 따라 발언 레벨(utterance-level) 임베딩을 획득하는 단계
   를 포함하는 화자 분할 방법.
10. 제9항에 있어서,
    상기 음성 구간을 검출하는 단계는,
    상기 화자 인식 모델의 출력이 시간 경과에 따른 집계 없이 상기 투영 계층을 통해 전달됨에 따라 음성 활동 레이블을 획득하는 단계
    를 포함하는 화자 분할 방법.
11. 제1항, 제3항 내지 제10항 중 어느 한 항의 화자 분할 방법을 상기 컴퓨터 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독가능한 기록 매체에 저장되는 컴퓨터 프로그램.
12. 컴퓨터 시스템에 있어서,
    메모리에 포함된 컴퓨터 판독가능한 명령들을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    화자 인식 모델을 이용하여, 주어진 음성 파일에 대해 음성 프레임 별로 화자 임베딩을 추출하는 화자 임베딩부; 및
    상기 화자 인식 모델을 통해 추출된 상기 화자 임베딩을 이용하여 음성 활동 영역인 음성 구간을 검출하는 음성 구간 검출부
    를 포함하고,
    상기 화자 인식 모델은 화자 표현으로 발언 레벨(utterance-level) 임베딩을 획득할 수 있는 모델로 화자 임베딩 추출과 음성 구간 검출을 위한 임베딩 모델로 사용되는 것
    을 특징으로 하는 컴퓨터 시스템.
13. 삭제
14. 제12항에 있어서,
    상기 음성 구간 검출부는,
    상기 음성 프레임 각각의 화자 임베딩 벡터에 대해 놈 값을 구하고,
    임베딩 놈 값이 임계값 이상인 음성 프레임을 상기 음성 구간으로 판단하고 상기 임계값 미만인 음성 프레임을 비음성 구간으로 판단하는 것
    을 특징으로 하는 컴퓨터 시스템.
15. 제14항에 있어서,
    상기 적어도 하나의 프로세서는,
    음성과 비음성을 분류하기 위한 상기 임계값을 주어진 음성 파일에 따라 적응적인 값으로 설정하는 것
    을 특징으로 하는 컴퓨터 시스템.
16. 제14항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 음성 파일에 대해 가우시안 혼합 모델을 통해 추정된 상기 임계값을 설정하는 것
    을 특징으로 하는 컴퓨터 시스템.
17. 제12항에 있어서,
    상기 화자 임베딩부는,
    슬라이딩 윈도우 방식을 이용하여 상기 음성 프레임마다 상기 화자 임베딩을 추출하는 것
    을 특징으로 하는 컴퓨터 시스템.
18. 제12항에 있어서,
    상기 화자 임베딩부는,
    분류 손실과 하드 네거티브 마이닝 손실의 조합을 이용하여 학습된 화자 인식 모델을 통해 상기 화자 임베딩을 추출하는 것
    을 특징으로 하는 컴퓨터 시스템.
19. 제12항에 있어서,
    상기 화자 임베딩부는,
    화자 인식 모델의 출력이 시간적 평균 풀링 계층을 사용하여 시간 경과에 따라 집계된 다음 투영 계층을 통과함에 따라 발언 레벨 임베딩을 획득하는 것
    을 특징으로 하는 컴퓨터 시스템.
20. 제19항에 있어서,
    상기 음성 구간 검출부는,
    상기 화자 인식 모델의 출력이 시간 경과에 따른 집계 없이 상기 투영 계층을 통해 전달됨에 따라 음성 활동 레이블을 획득하는 것
    을 특징으로 하는 컴퓨터 시스템.

Images