KR102498667B1 - 합성 음성을 화자 이미지에 적용하는 방법 및 시스템 - Google Patents

합성 음성을 화자 이미지에 적용하는 방법 및 시스템 Download PDF

Info

Publication number
KR102498667B1
KR102498667B1 KR1020200108678A KR20200108678A KR102498667B1 KR 102498667 B1 KR102498667 B1 KR 102498667B1 KR 1020200108678 A KR1020200108678 A KR 1020200108678A KR 20200108678 A KR20200108678 A KR 20200108678A KR 102498667 B1 KR102498667 B1 KR 102498667B1
Authority
KR
South Korea
Prior art keywords
phonemes
information
voice
input text
voice data
Prior art date
Application number
KR1020200108678A
Other languages
English (en)
Other versions
KR20220027598A (ko
Inventor
김태수
이영근
신유경
Original Assignee
네오사피엔스 주식회사
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 네오사피엔스 주식회사 filed Critical 네오사피엔스 주식회사
Priority to KR1020200108678A priority Critical patent/KR102498667B1/ko
Priority to PCT/KR2021/010678 priority patent/WO2022045651A1/ko
Priority to EP21861948.4A priority patent/EP4191586A4/en
Publication of KR20220027598A publication Critical patent/KR20220027598A/ko
Priority to KR1020230016080A priority patent/KR20230023700A/ko
Application granted granted Critical
Publication of KR102498667B1 publication Critical patent/KR102498667B1/ko
Priority to US18/113,671 priority patent/US20230206896A1/en
Priority to KR1020240000569A priority patent/KR20240008385A/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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • 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
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of 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
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/24—Speech recognition using non-acoustical features
    • G10L15/25—Speech recognition using non-acoustical features using position of the lips, movement of the lips or face analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/16—Vocoder architecture
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
    • G10L21/0356—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude for synchronising with other signals, e.g. video signals
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/04—Time compression or expansion
    • G10L21/055—Time compression or expansion for synchronising with other signals, e.g. video signals
    • 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/4302—Content synchronisation processes, e.g. decoder synchronisation
    • H04N21/4307—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen
    • 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
    • G10L13/10—Prosody rules derived from text; Stress or intonation
    • G10L2013/105—Duration
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G10L2015/025—Phonemes, fenemes or fenones being the recognition units
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Telephonic Communication Services (AREA)

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 합성 음성을 화자 이미지에 적용하는 방법에 관한 것이다. 이러한 방법은, 입력 텍스트를 수신하는 단계, 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력하는 단계, 출력된 음성 데이터에 대응하는 합성 음성을 생성하는 단계 및 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계를 포함할 수 있다. 여기서, 복수의 음소에 대한 정보는 출력된 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다.

Description

합성 음성을 화자 이미지에 적용하는 방법 및 시스템{METHOD AND SYSTEM FOR APPLYING SYNTHEISS VOICE TO SPEACKER IMAGES}
본 개시는 합성 음성을 화자 이미지에 적용하는 방법 및 시스템에 관한 것으로서, 더 구체적으로, 입력 텍스트에 대한 합성 음성 및 입력 텍스트에 대한 음성 데이터에 포함된 복수의 음소의 각각에 대한 정보를 기초로 생성된 비디오 콘텐츠를 제공하는 방법 및 시스템에 관한 것이다.
오디오 콘텐츠 및 비디오 콘텐츠 제작 기술의 발전에 따라, 콘텐츠 제작자는 누구나 오디오 콘텐츠 또는 비디오 콘텐츠를 쉽게 제작할 수 있게 되었다. 또한, 음성 더빙 기술 및 가상 영상 제작 기술의 발전으로, 실제로 사람이 출연하지 않고, 가상의 인물 또는 애니메이션 캐릭터 등이 출연하는 비디오 콘텐츠가 다수 제작되고 있다.
다만, 실제 사람이 출연하지 않는 비디오 콘텐츠를 제작하는 데 있어서도, 가상 인물, 애니메이션 캐릭터가 출연하는 이미지 또는 동영상에 음성을 더빙하기 위해, 사람이 직접 대본을 발화한 음성을 녹음하여 비디오 콘텐츠를 제작해야 했다. 또한, 종래의 시스템에서는 동영상에 나오는 가상 인물, 애니메이션 캐릭터의 입 모양과 녹음된 더빙 음성을 일치시키기 위해, 실제 사람이 녹음된 더빙 음성을 발화할 때의 입 모양을 촬영 및 인식해왔다. 이러한 종래 시스템의 번거로움으로 인해, 별도의 음성 녹음 작업이나, 입 모양 촬영 작업 없이 오디오 콘텐츠 및 비디오 콘텐츠를 자동으로 생성하는 기술에 대한 관심과 수요가 증가하고 있다.
본 개시의 실시예들은 입력 텍스트에 대한 합성 음성 및 입력 텍스트에 대한 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 제공함으로써, 입력 텍스트에 대한 합성 음성 및 화자의 입 모양이 합성 음성과 대응하는 영상을 포함하는 비디오 콘텐츠를 생성하기 위한 방법에 관한 것이다.
본 개시는 방법, 시스템, 장치 또는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따른, 적어도 하나의 프로세서에 의해 수행되는, 합성 음성을 화자 이미지에 적용하는 방법은, 입력 텍스트를 수신하는 단계, 입력 텍스트를 인공신경망 텍스트-음성 합성(text-to-speech synthesis) 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력하는 단계, 출력된 음성 데이터에 대응하는 합성 음성을 생성하는 단계 및 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계를 포함하고, 여기서, 복수의 음소에 대한 정보는 출력된 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍(timing) 정보를 포함한다.
일 실시예에 따르면, 합성 음성을 화자 이미지에 적용하는 방법은, 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는, 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성하는 단계 및 생성된 하나 이상의 프레임에 생성된 합성 음성을 더빙하여 비디오 콘텐츠를 생성하는 단계를 더 포함한다.
일 실시예에 따르면, 복수의 음소의 각각에 대응하는, 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성하는 단계는, 복수의 음소에 대한 정보를 기초로 얼굴 랜드마크 특징을 생성하는 단계 및 생성된 얼굴 랜드마크 특징을 기초로 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성하는 단계를 포함한다. 여기서, 생성된 얼굴 랜드마크 특징은 화자의 입 모양에 대한 랜드마크 특징을 포함한다.
일 실시예에 따르면, 출력된 음성 데이터에 대응하는 합성 음성을 생성하는 단계는. 출력된 음성 데이터를 보코더(vocoder)에 입력하여, 합성 음성을 생성하는 단계를 포함하고, 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계는, 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계를 포함한다.
일 실시예에 따르면, 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계는, 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 수신하는 단계 및 복수의 음소 시퀀스에 대한 정보 및 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계를 포함한다.
일 실시예에 따르면, 인공신경망 텍스트-음성 합성 모델은 입력 텍스트의 길이를 기초로 합성 음성의 길이를 결정하도록 구성된 어텐션 모듈(attention module)을 포함하고, 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계는, 어텐션 모듈을 통해 복수의 음소의 각각에 대한 타이밍 정보를 생성하는 단계를 포함한다.
일 실시예에 따르면, 인공신경망 텍스트-음성 합성 모델은, 복수의 음소의 각각의 지속 시간(duration)을 예측하도록 학습된, 인공신경망 지속시간 예측용 모델을 포함하고, 어텐션 모듈을 통해 복수의 음소의 각각에 대한 타이밍 정보를 생성하는 단계는, 복수의 음소의 각각에 대한 임베딩을 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각에 대한 지속 시간을 예측하는 단계를 포함한다.
일 실시예에 따르면, 복수의 음소의 각각에 대한 지속 시간을 예측하는 단계는, 복수의 음소의 각각에 대한 임베딩을 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각이 적용되는 프레임의 수를 예측하는 단계를 포함한다.
일 실시예에 따르면, 복수의 음소의 각각에 대한 타이밍 정보는, 복수의 음소의 각각에 대응하는 시간 정보 아이템 또는 프레임 정보 아이템 중 적어도 하나의 정보 아이템을 포함한다.
본 개시의 일 실시예에 따른 상술한 합성 음성을 화자 이미지에 적용하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일부 실시예에 따르면, 사용자는 텍스트를 입력하는 것만으로, 입력 텍스트에 대한 합성 음성 및 가상 인물, 실존 인물 또는 캐릭터 등의 입 모양이 합성 음성과 대응하는 영상을 포함하는 비디오 콘텐츠를 손쉽게 생성할 수 있다.
본 개시의 일부 실시예에 따르면, 입력 텍스트에 대한 음성 데이터에 대하여 보다 정확한 음소 정보를 제공할 수 있다. 이에 따라, 종래기술에 비해, 음성 데이터에 포함된 음소의 인식률 및 음소 타이밍 정보의 정확도가 향상될 수 있다.
본 개시의 일부 실시예에서 사용되는 인공신경망 텍스트-음성 합성 모델은, 합성 음성과 대응하는 영상을 포함한 비디오 콘텐츠를 제공하기 위하여 이미지(또는 동영상)-음성 데이터 쌍의 학습 데이터를 필요로 하지 않으며, 텍스트-음성 데이터 쌍의 학습 데이터만으로 학습될 수 있다. 여기서, 이미지-음성 데이터 쌍의 학습 데이터는 주로 야외에서 촬영된 데이터로부터 추출되어 학습 데이터로 쓰기 적합하지 않을 수 있으나, 본 개시의 일부 실시예에서의 텍스트-음성 데이터 쌍의 학습 데이터는 노이즈가 적거나 없는 음성 합성의 학습에 사용되기 적합할 수 있다.
본 개시의 일부 실시예에 따르면, 인공신경망 텍스트-음성 합성 모델을 이용하여 입력 텍스트에 포함된 복수의 음소에 따른 화자의 입 모양을 포함한 화자 이미지(프레임)가 생성되고, 생성된 화자 이미지에 합성 음성을 더빙한 비디오 콘텐츠가 생성될 수 있다.
도 1은 본 개시의 일 실시예에 따른 합성 음성을 화자 이미지에 적용하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성을 생성하고, 합성 음성을 화자 이미지에 적용하는 서비스를 제공하기 위하여, 복수의 사용자 단말과 정보 처리 시스템이 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 음성의 구성 및 복수의 화자 및/또는 음성 스타일 특징의 각각을 구분할 수 있는 임베딩 벡터를 추출하는 네트워크를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 합성 음성을 화자 이미지에 적용하는 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다.
도 8은 본 개시의 다른 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다.
도 9는 본 개시의 또 다른 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른 인공신경망 텍스트-음성 합성 모델 구조를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따라 합성 음성 및 음소 타이밍 정보를 기초로 비디오 콘텐츠가 생성되는 예시를 나타내는 도면이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 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 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '부' 또는 '모듈'이라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈'은 어떤 역할들을 수행한다. 그렇지만, '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '부' 또는 '모듈'은 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '음성 데이터에 포함된 복수의 음소의 각각'은 음성 데이터에 포함된 모든 음소의 각각을 지칭할 수 있다. 이와 달리, 음성 데이터에 포함된 복수의 음소의 각각에 포함된 적어도 일부 음소의 각각을 지칭할 수 있다.
본 개시에서, '정보 아이템'은 정보를 지칭할 수 있고, 정보는 정보 아이템을 지칭할 수 있다.
본 개시에서, '이미지'는 하나 이상의 이미지를 포함할 수 있다. 또한, 이미지는 영상을 지칭할 수 있고, 영상은 이미지를 지칭할 수 있다.
본 개시에서, '프레임'은 비디오 콘텐츠를 구성하는 하나 이상의 이미지를 지칭할 수 있다. 여기서, 비디오 콘텐츠는 초당 미리 결정된 수의 이미지를 포함하도록 구성될 수 있다. 이하에서, 프레임은 이미지를 지칭할 수 있고, 이미지는 프레임을 지칭할 수 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 개시의 일 실시예에 따른 합성 음성을 화자 이미지에 적용하는 예시를 나타내는 도면이다. 사용자 단말(110)은 사용자(100)에게 입력 텍스트(120)에 대한 비디오 콘텐츠(130)를 제공하기 위해, 입력 텍스트(120)를 수신할 수 있다. 여기서, 사용자 단말(110)은 수신된 입력 텍스트(120)에 대응하는 합성 음성이 반영된 화자 영상을 생성하기 위하여, 수신된 입력 텍스트(120)를 정보 처리 시스템(미도시)으로 전송할 수 있다. 일 실시예에서, 사용자 단말(110)의 입력 장치(예를 들어, 키보드, 터치스크린 등)를 통해 입력 텍스트(120)가 수신될 수 있고, 수신된 입력 텍스트(120)는 사용자 단말(110)의 화면의 일부에 표시될 수 있다. 예를 들어, 도시된 바와 같이, 사용자(100)는 사용자 단말(110)에 표시되는 사용자 인터페이스를 통해 텍스트 입력 영역에 '안녕하세요.'라는 텍스트(120)를 직접 입력할 수 있다.
다른 실시예로서, 사용자 단말(110)은 입력 텍스트(120)를 포함하는 문서 형식의 파일을 수신하여 사용자 인터페이스를 통해 업로드할 수 있다. 수신된 문서 형식의 파일에 포함된 입력 텍스트(120)는 사용자 단말(110)의 화면의 일부에 표시될 수 있다. 예를 들어, 사용자 단말(110)에서 접근 가능하거나 클라우드 시스템을 통해 접근 가능한 문서 형식의 파일이 사용자 인터페이스를 통해 업로드될 수 있다. 여기서, 문서 형식의 파일은, 사용자 단말(110) 및/또는 정보 처리 시스템에서 지원가능한 임의의 문서 형식의 파일, 예를 들어, 사용자 인터페이스를 통해 텍스트를 추출하는 것이 가능하거나 편집 가능한 프로젝트 파일, 텍스트 파일 등을 지칭할 수 있다. 본 개시에서, 입력된 텍스트(120)는 비디오 콘텐츠(130)의 아래에 배치되도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(110)의 임의의 위치에 입력된 텍스트(120)가 표시되도록 구성될 수 있다.
사용자 단말(110)은 수신된 입력 텍스트(120)에 대한 음성 데이터를 출력하고, 출력된 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 일 실시예에서, 사용자 단말(110)은 입력 텍스트(120)에 대한 음성 데이터에 대응하는 합성 음성(140)을 사용자 단말의 출력 장치(예를 들어, 스피커 등)를 통해 출력할 수 있다. 여기서, 사용자 단말(110)을 통해 출력되는 합성 음성(140)은, 인공신경망 텍스트-음성 합성 모델에 입력 텍스트(120)를 입력하여, 생성 또는 출력되는 음성 데이터에 대응하는 합성 음성을 포함할 수 있다. 예를 들어, 도시된 바와 같이, 사용자 단말을 통해 출력되는 합성 음성(140)은, 입력 텍스트(120)인 '안녕하세요.'를 인공신경망 텍스트-음성 합성 모델에 입력함으로써, 생성 또는 출력되는 음성 데이터에 대응하는 합성 음성(140)을 포함할 수 있다. 여기서, 입력 텍스트(120)는 입력된 텍스트를 나타내거나 특징화하는 임의의 데이터(예를 들어, 임베딩 벡터 등)로 나타내거나 구성될 수 있다.
사용자 단말(110)은 입력 텍스트(120)에 대한 비디오 콘텐츠(130)를 출력할 수 있다. 일 실시예에서, 사용자 단말(110)이 사용자(100)에게 입력 텍스트(120)에 대한 비디오 콘텐츠(130)를 제공하기 위해, 입력 텍스트(120)에 대한 합성 음성(140)에 포함된 복수의 음소에 대한 정보가 생성될 수 있다. 여기서, 합성 음성(140)에 포함된 복수의 음소에 대한 정보는 합성 음성(140)에 포함된 복수의 음소의 각각에 대한 타이밍(timing) 정보를 포함할 수 있다. 예를 들어, '안녕하세요.'라는 합성 음성(140)에서, 합성 음성(140)에 포함된 복수의 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ' 등이 각각 나타나는 구간, 순서, 지속되는 시간 등의 정보가 생성될 수 있다. 여기서 음소가 지속되는 시간 정보는, 시간을 나타내는 임의의 정보로 표현될 수 있는데, 예를 들어, 초 단위, 분 단위 또는 프레임 수 단위 등의 시간 정보를 포함할 수 있다.
합성 음성(140)에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는, 화자의 입 모양(150)을 포함하는 하나 이상의 프레임이 생성될 수 있다. 예를 들어, '안녕하세요.'라는 합성 음성(140)에 포함된 복수의 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ' 등 각각에 대응하는 화자의 입 모양(150)을 포함하는 프레임이 생성될 수 있다. 이 경우, 합성 음성(140)에 포함된 복수의 음소가 지속되는 시간 정보에 따라, 화자의 입 모양(150)을 포함하는 복수의 프레임이 생성될 수 있다. 여기서 화자는, 임의의 실존 인물 또는 가상 인물 등을 포함할 수 있는데, 예를 들어, 실존 인물의 이미지, 가상 인물의 아바타 또는 캐릭터 등으로 표현될 수 있다.
이렇게 생성된 하나 이상의 프레임에 입력 텍스트(120)에 대한 합성 음성(140)을 더빙함으로써, 비디오 콘텐츠(130)가 생성될 수 있다. 합성 음성(140)이 더빙된 하나 이상의 프레임은, 합성 음성(140)에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 기초로 생성될 수 있다. 이에 따라, 비디오 콘텐츠에 포함된 각각의 프레임에 포함된 화자의 입 모양(150)과 합성 음성(140)은 동기화될 수 있다. 도 1에서 도시된 바와 같이, 사용자 단말(110)의 스피커를 통해 입력 텍스트의 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ' 각각에 대응하는 합성 음성(140)이 출력될 때, 사용자 단말의 화면을 통해 캐릭터(화자)가 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ'의 각각을 발화하는 화자의 입 모양(150)을 포함하는 영상이 표시될 수 있다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성을 생성하고, 합성 음성을 화자 이미지에 적용하는 서비스를 제공하기 위하여, 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230)이 통신 가능하도록 연결된 구성(200)을 나타내는 개요도이다. 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크(220), 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크(220) 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(예를 들어, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(220)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(220)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.
도 2에서 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2) 및 랩탑 또는 데스크탑 컴퓨터(210_3)가 음성 합성 서비스를 제공하는 사용자 인터페이스를 실행하거나 동작하는 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 합성 음성 생성 애플리케이션 또는 비디오 콘텐츠 생성 애플리케이션이 설치되어 합성 음성을 화자 이미지에 적용하는 서비스를 제공하는 사용자 인터페이스가 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 또는, 이러한 서비스는 사용자 단말(210_1, 210_2, 210_3)에 설치된 웹 브라우저를 통해 제공되거나 실행될 수 있다. 예를 들어, 사용자 단말(210)은, 스마트폰, 휴대폰, 내비게이션 단말기, 데스크탑 컴퓨터, 랩탑 컴퓨터, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 컴퓨터, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
사용자 단말(210_1, 210_2, 210_3)은 합성 음성을 화자 이미지에 적용하는 서비스를 제공하는 사용자 인터페이스를 통해 입력 텍스트를 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(210_1, 210_2, 210_3)과 연결되거나 포함된 입력장치(예를 들면, 키보드)를 통한 텍스트 입력에 따라, 사용자 단말(210_1, 210_2, 210_3)은 입력 텍스트를 수신할 수 있다. 다른 실시예에 따르면, 사용자 인터페이스를 통해 업로드된 문서 형식의 파일 내에 포함된 입력 텍스트가 수신될 수 있다. 이렇게 수신된 입력 텍스트는 정보 처리 시스템(230)에 제공될 수 있다. 즉, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 네트워크(220)를 통해 입력 텍스트를 수신할 수 있다.
사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)으로부터 네트워크(220)를 통해 입력 텍스트에 대한 합성 음성을 수신할 수 있다. 일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)으로부터 입력 텍스트에 대한 음성 데이터에 대응하는 합성 음성을 수신할 수 있다. 여기서, 입력 텍스트에 대한 음성 데이터는, 정보 처리 시스템(230)에서 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 생성 또는 출력될 수 있다.
사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)으로부터 네트워크(220)를 통해 입력 텍스트에 대한 비디오 콘텐츠를 수신할 수 있다. 일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)에서 하나 이상의 프레임에 입력 텍스트에 대한 합성 음성을 더빙하여 생성된 비디오 콘텐츠를 수신할 수 있다. 여기서 하나 이상의 프레임은, 정보 처리 시스템(230)에서 생성되는 음성 데이터에 포함된 복수의 음소에 대한 정보, 즉, 복수의 음소 정보 및 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소 각각에 대응하는 화자의 입모양에 대한 이미지를 포함할 수 있다.
도 2에서는 사용자 단말(210_1, 210_2, 210_3)의 각각과 정보 처리 시스템(230)은 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템(230)이 사용자 단말(210_1, 210_2, 210_3)의 각각에 포함되거나 구현될 수 있도록 구성될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2), PC 컴퓨터(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에서 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 인터페이스를 통한 합성 음성을 화자 이미지에 적용하는 서비스를 제공하기 위한 코드, 인공신경망 텍스트-음성 합성 모델을 위한 코드 등)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 인공신경망 텍스트-음성 합성 모델 프로그램, 합성 음성을 화자 이미지에 적용하는 프로그램 등)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템, 별도의 비디오 콘텐츠 공유 지원 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(예를 들어, 비디오 콘텐츠 생성 요청)은 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 키보드, 마이크로폰, 마우스, 이미지 센서를 포함한 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이나 콘텐츠가 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래 기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드 등의 입력 장치(320)를 통해 입력되거나 선택된 텍스트, 이미지 등을 수신할 수 있으며, 수신된 텍스트 및/또는 이미지를 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 터치 스크린, 키보드 등의 입력 장치를 통해 입력되는 텍스트, 합성 음성 생성 요청, 비디오 콘텐츠 생성 요청 등을 수신할 수 있다. 이에 따라 수신된 요청 및/또는 이러한 요청을 처리한 결과는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다.
프로세서(314)는 입력 장치(320) 및 입출력 인터페이스(318)를 통해 입력 텍스트를 수신할 수 있다. 일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통해 입력되는 텍스트를 입출력 인터페이스(318)를 통해 수신할 수 있다. 다른 실시예에 따르면, 프로세서(314)는 입력 텍스트를 포함하고 있는 문서 형식의 파일을 사용자 인터페이스를 통해 업로드하는 입력을 입력 장치(320) 및 입출력 인터페이스(318)를 통해 수신할 수 있다. 여기서, 프로세서(314)는 이러한 입력에 응답하여, 메모리(312)로부터 입력에 대응하는 문서 형식의 파일을 수신할 수 있다. 프로세서(314)는 이러한 입력에 응답하여, 파일에 포함된 입력 텍스트를 수신할 수 있다. 이렇게 수신된 입력 텍스트를 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다. 이와 달리, 프로세서(314)는 업로드된 파일을 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공하고, 정보 처리 시스템(230)으로부터 파일 내에 포함된 입력 텍스트를 수신하도록 구성될 수 있다.
프로세서(314)는 합성 음성 또는 비디오 콘텐츠 생성에 대한 요청을 나타내는 입력을 입력 장치(320) 및 입출력 인터페이스(318)를 통해 수신할 수 있고, 수신된 입력에 대응하는 요청을 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다. 일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통해 입력 텍스트에 대한 합성 음성 생성 요청에 대한 입력을 수신할 수 있다. 다른 실시예에서, 프로세서(314)는 입력 장치(320)를 통해 입력 텍스트에 대한 비디오 콘텐츠 생성 요청에 대한 입력을 수신할 수 있다.
프로세서(314)는 통신 모듈(316)을 통해 정보 처리 시스템(230)로부터 입력 텍스트에 대한 합성 음성 또는 입력 텍스트에 대한 비디오 콘텐츠를 수신할 수 있다. 즉, 정보 처리 시스템에서 생성된 합성 음성 또는 비디오 콘텐츠를 수신할 수 있다.
프로세서(314)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(314)는 수신한 입력 텍스트를 디스플레이 출력 가능 장치 등을 통해 표시할 수 있다. 예를 들면, 프로세서(314)는 입력 장치(320)를 통해 입력된 'Hello.'라는 입력 텍스트를 사용자 단말(210)의 화면을 통해 출력할 수 있다. 다른 예로서, 프로세서(314)는 메모리(312)로부터 수신한 문서 형식의 파일에 포함된 입력 텍스트를 사용자 단말(210)의 화면을 통해 출력할 수 있다. 다른 실시예에서, 프로세서(314)는 입력 텍스트에 대한 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 음성 출력 가능 장치를 통해 출력할 수 있다. 예를 들면, 프로세서(314)는 정보 처리 시스템(230)으로부터 수신한 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 스피커를 통해 출력할 수 있다. 또 다른 실시예에 따르면, 프로세서(314)는 입력 텍스트에 대한 비디오 콘텐츠를 디스플레이 출력 가능 장치 및 음성 출력 가능 장치를 통해 출력할 수 있다. 예를 들면, 프로세서(314)는 정보 처리 시스템(230)으로부터 수신한 비디오 콘텐츠를 사용자 단말(210)의 화면 및 스피커를 통해 출력할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)을 포함한 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336)을 통해 사용자 단말(210)에 제공할 수 있다. 예를 들어, 처리된 정보 및/또는 데이터는 사용자 단말(210)에 실시간으로 제공되거나 추후에 이력 형태로 제공될 수 있다. 예를 들어, 프로세서(334)는 통신 모듈(336)을 통해 사용자 단말(210)로부터 입력 텍스트를 수신할 수 있다.
프로세서(334)는 사용자 단말(210), 외부 시스템(미도시) 또는 정보 처리 시스템(230)의 메모리(332)로부터 입력 텍스트를 수신하고, 수신한 입력 텍스트에 대한 음성 데이터 및 합성 음성을 생성할 수 있다. 일 실시예에서, 프로세서(334)는 수신한 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있고, 출력된 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 다른 실시예에서, 프로세서(334)는 수신한 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있고, 출력된 음성 데이터를 보코더(vocoder)에 입력하여 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 예를 들어, 프로세서(334)는 사용자 단말(210)로부터 수신한 'Hello.'라는 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있고, 출력된 음성 데이터를 보코더(vocoder)에 입력하여 음성 데이터에 대응하는 합성 음성을 생성할 수 있다.
프로세서(334)는 생성한 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성할 수 있다. 여기서 복수의 음소에 대한 정보는 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보 아이템, 복수의 음소의 각각에 대한 지속 시간 정보 아이템, 복수의 음소의 각각에 대응하는 시간 정보 아이템 또는 프레임 정보 아이템 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 프로세서(334)는 입력 텍스트에 대한 음성 데이터를, 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력할 수 있다. 다른 실시예에서, 프로세서(334)는 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 수신하고, 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보 및 입력 텍스트에 대한 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여 복수의 음소의 각각에 대한 타이밍 정보를 출력할 수 있다. 또 다른 실시예에서, 프로세서(334)는 입력 텍스트의 길이를 기초로 합성 음성의 길이를 결정하도록 구성된 어텐션 모듈을 통해 복수의 음소의 각각에 대한 타이밍 정보를 생성할 수 있다. 여기서, 어텐션 모듈은 프로세서(334)가 입력 텍스트에 대한 음성 데이터를 생성하는데에 사용되는 인공신경망 텍스트-음성 합성 모델에 포함될 수 있다.
프로세서(334)는 복수의 음소의 각각의 지속 시간(duration)을 예측하도록 학습된 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각에 대한 지속 시간을 예측할 수 있다. 일 실시예에 따르면, 복수의 음소의 각각의 지속 시간(duration)을 예측하도록 학습된 인공 신경망 모델은, 프로세서(334)가 입력 텍스트에 대한 음성 데이터를 생성하는데에 사용되는 인공신경망 텍스트-음성 합성 모델에 포함될 수 있다. 예를 들어, 프로세서(334)는 복수의 음소의 각각에 대한 임베딩을 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각이 적용되는 프레임의 수를 예측할 수 있다.
프로세서(334)는 수신한 입력 텍스트에 대한 비디오 콘텐츠를 생성할 수 있다. 이를 위해, 프로세서(334)는 입력 텍스트에 대한 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는 화자의 입모양을 포함하는 하나 이상의 프레임을 생성할 수 있다. 일 실시예에서, 프로세서(334)는 입력 텍스트에 대한 음성 데이터에 포함된 복수의 음소에 대한 정보를 기초로 얼굴 랜드마크 특징을 생성하고, 생성된 얼굴 랜드마크 특징을 기초로 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성할 수 있다. 여기서, 얼굴 랜드마크 특징은 화자의 입 모양에 대한 랜드마크 특징 등을 포함할 수 있다. 프로세서(334)는 이렇게 생성한 하나 이상의 프레임에 입력 텍스트에 대한 합성 음성을 더빙하여 비디오 콘텐츠를 생성할 수 있다. 프로세서(334)는 생성된 비디오 콘텐츠를 통신 모듈(336)을 통해 사용자 단말(210)로 제공할 수 있다.
프로세서(334)에서 생성된 합성 음성, 음성 데이터에 포함된 복수의 음소에 대한 정보, 복수의 음소의 각각에 대한 타이밍 정보, 비디오 콘텐츠 등은 메모리(332)에 저장될 수 있다.
도 4는 본 개시의 일 실시예에 따른 정보 처리 시스템(230)의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 프로세서(334)는 합성 음성 생성 모듈(410), 음소 정보 생성 모듈(420), 비디오 콘텐츠 생성 모듈(430)을 포함할 수 있다. 이러한 프로세서(334)에서 동작되는 모듈의 각각은 서로 통신하도록 구성될 수 있다.
합성 음성 생성 모듈(410)은 입력 텍스트에 대한 합성 음성을 생성할 수 있다. 일 실시예에서, 합성 음성 생성 모듈(410)은 인공신경망 텍스트-음성 합성 모델을 통해 입력 텍스트에 대한 합성 음성을 생성할 수 있다. 인공신경망 텍스트-음성 합성 모델은, 합성 음성 생성 모듈(410)에 의해 유선 및/또는 무선 통신을 통해 접근 가능한 임의의 저장 매체에 저장될 수 있다.
일 실시예에서, 인공신경망 텍스트-음성 합성 모델은 복수의 참조 문장 및 복수의 참조 음성 스타일 등을 이용하여, 입력 텍스트 및 입력된 음성 스타일에 대응하는 음성 데이터가 출력되거나 합성 음성이 생성되도록 학습될 수 있다. 여기서, 스타일은 화자 발화 스타일(예를 들어, 남성 화자, 여성 화자, 노인 화자 또는 캐릭터, 실존 인물의 발화 스타일 등), 음성 스타일(예를 들어, 음성 빠르기, 음 높낮이, 운율 등), 감정 스타일을 포함할 수 있다. 이렇게 학습된 인공신경망 텍스트-음성 합성 모델은 텍스트 및 스타일을 수신하고, 텍스트를 수신된 스타일로 발화하는 음성 데이터를 출력하거나 합성 음성을 생성할 수 있다.
합성 음성 생성 모듈(410)은 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있고, 출력된 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 일 실시예에서, 합성 음성 생성 모듈(410)은 수신한 입력 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있고, 출력된 음성 데이터를 보코더(vocoder)에 입력하여 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 예를 들어, 합성 음성 생성 모듈(410)은 '안녕하세요.'라는 텍스트를 인공신경망 텍스트-음성 합성 모델에 입력하여, '범수'라는 가상의 캐릭터가 '안녕하세요'를 발화하는 음성 데이터 또는 합성 음성을 출력 또는 생성할 수 있다. 즉, '범수' 라는 가상의 캐릭터의 화자 발화 스타일, 음성 스타일을 반영한 음성 데이터 또는 합성 음성이 출력 또는 생성될 수 있다.
음소 정보 생성 모듈(420)은 입력 텍스트에 대한 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성할 수 있다. 이를 위해 음소 정보 생성 모듈(420)은 합성 음성 생성 모듈(410)로부터 입력 텍스트에 대한 음성 데이터를 수신할 수 있다. 여기서, 복수의 음소에 대한 정보는 복수의 음소를 나타내는 정보, 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보, 복수의 음소의 각각에 대한 지속 시간 정보, 복수의 음소의 각각에 대응하는 시간 정보 아이템 또는 프레임 정보 아이템 중 적어도 하나를 포함할 수 있다.
음소 정보 생성 모듈(420)은 인공신경망 음소 인식용 모델을 통해 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성할 수 있다. 일 실시예에 따르면, 음소 정보 생성 모듈(420)은 합성 음성 생성 모듈(410)로부터 수신한 입력 텍스트에 대한 음성 데이터를, 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력 또는 생성할 수 있다. 여기서, 인공신경망 음소 인식용 모델은 복수의 참조 음성 데이터 및 복수의 참조 음소 정보 등을 이용하여, 입력 음성 데이터에 대응하는 복수의 음소에 대한 정보를 출력하도록 학습될 수 있다. 복수의 음소에 대한 정보는 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다. 이와 달리, 인공신경망 음소 인식용 모델은 복수의 참조 음성 데이터, 복수의 음소 시퀀스에 대한 정보 및 복수의 참조 음소 정보를 이용하여, 입력 음성 데이터에 대응하는 복수의 음소에 대한 정보를 출력 또는 추론하도록 구성될 수 있다.
일 실시예에서, 음소 정보 생성 모듈(420)은 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 수신하고, 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보 및 입력 텍스트에 대한 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력 또는 생성할 수 있다.이 경우, 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 이용하기 때문에, 복수의 음소의 각각에 대한 타이밍 정보의 정확도는 더욱 향상될 수 있다.
복수의 음소의 각각에 대한 타이밍 정보는, 복수의 음소의 각각에 대응하는 시간 정보 아이템 또는 프레임 정보 아이템 중 적어도 하나의 정보 아이템을 포함할 수 있다. 일 실시예에서, 복수의 음소의 각각에 대한 타이밍 정보는, 비스트림 포맷(non-stream format)으로 'json', 'xml' 등의 형식으로 생성 또는 저장될 수 있다. 예를 들어, '안녕하세요.'라는 1.5초(또는 150개의 프레임)의 음성 데이터에 포함된 복수의 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ' 등의 각각이 발화되는 시간(또는 프레임) 구간이 특정 파일 형식(예를 들어, 'json', 'xml' 등)으로 합성 음성 데이터와 별도로 생성 또는 저장될 수 있다. 여기서, 'ㅏ': 0.1초 ~ 0.2초 (또는 프레임 1에서 프레임 19 구간), 'ㄴ': 0.2초 ~ 0.24초 (또는 프레임 20에서 프레임 23 구간), 'ㅕ': 0.24 ~ 0.4 초 (또는 프레임 24에서 프레임 40 구간), 'ㅇ': 0.4초 ~ 0.5초 (또는 프레임 40에서 프레임 50 구간) 등과 같이 합성 음성에서 음소 각각이 발화되는 시간(또는 프레임) 구간이 합성 음성 데이터와 별도로 생성되어 저장될 수 있다.
다른 실시예에서, 복수의 음소에 대한 정보가 스트림 포맷(stream format)으로 생성 또는 저장될 수 있다. 즉, 합성 음성의 각 프레임에서 발화되는 음소 정보가 각 프레임의 합성 음성 데이터와 함께 저장될 수 있다. 예를 들어, '안녕하세요.'라는 합성 음성이 150개의 프레임으로 이루어져 있는 경우, 프레임 1에서 프레임 19까지는 음소 'ㅏ'가, 프레임 20에서 프레임 23까지는 음소 'ㄴ' 등이 각 프레임의 합성 음성 데이터와 함께 저장되어 있을 수 있다. 따라서, 이러한 복수의 음소에 대한 정보는 음소 'ㅏ'가 프레임 1에서 프레임 19 구간 동안 발화되고, 음소 'ㄴ'이 프레임 20에서 프레임 23 구간 동안 발화된다는 등의 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다. 이에 따라, 비디오 콘텐츠 생성 모듈(430)은 각 프레임의 합성 음성을 각 프레임의 음소 정보에 따른 화자의 입 모양을 포함하는 이미지 프레임에 더빙함으로써, 비디오 콘텐츠를 실시간으로 생성할 수 있다.
비디오 콘텐츠 생성 모듈(430)은 입력 텍스트에 대한 비디오 콘텐츠를 생성할 수 있다. 이를 위해, 비디오 콘텐츠 생성 모듈(430)은 합성 음성 생성 모듈(410)로부터 입력 텍스트에 대한 합성 음성을 수신하고, 음소 정보 생성 모듈(420)로부터 음성 데이터에 포함된 음소에 대한 정보를 수신할 수 있다. 비디오 콘텐츠 생성 모듈(430)은 음성 데이터에 포함된 복수의 음소에 대한 정보를 기초로, 복수의 음소의 각각에 대응하는 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성할 수 있다. 여기서, 음성 데이터에 포함된 음소에 대한 정보는 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다. 예를 들어, 비디오 콘텐츠 생성 모듈(430)은 '안녕하세요.'라는 음성 데이터에 포함된 음소 'ㅏ', 'ㄴ', 'ㅕ', 'ㅇ' 등 대한 정보를 기초로, 화자가 음소 'ㅏ'를 발화하는 입 모양을 포함하는 이미지 프레임, 화자가 음소 'ㄴ'를 발화하는 입 모양을 포함하는 이미지 프레임, 화자가 음소 'ㅕ'를 발화하는 입 모양을 포함하는 이미지 프레임, 화자가 음소 'ㅇ'를 발화하는 입 모양을 포함하는 이미지 프레임을 생성할 수 있다. 이 경우, 복수의 음소의 각각에 대한 타이밍 정보에 따라, 화자가 음소 'ㅏ'를 발화하는 입 모양을 포함하는 이미지 프레임 19개, 화자가 음소 'ㅕ'를 발화하는 입 모양을 포함하는 이미지 프레임 4개 등 복수의 이미지 프레임을 생성할 수 있다.
비디오 콘텐츠 생성 모듈(430)은 이렇게 생성한 하나 이상의 프레임에 입력 텍스트에 대한 합성 음성을 더빙하여 비디오 콘텐츠를 생성할 수 있다. 즉, 예를 들어, '범수'라는 가상의 캐릭터가 '안녕하세요.'라는 입력 텍스트를 발화하는 동영상 및 음성을 포함하는 비디오 콘텐츠를 생성할 수 있다. 도 4에서는 합성 음성 생성 모듈(410)과 음소 정보 생성 모듈(420)은 별개의 모듈로서 도시되어 있으나, 이에 한정되지 않는다. 예를 들어 음소 정보 생성 모듈(420)이 합성 음성 생성 모듈(410)에 포함되도록 구현될 수 있다.
도 5는 본 개시의 일 실시예에 따른 음성의 구성 및 복수의 화자 및/또는 음성 스타일 특징의 각각을 구분할 수 있는 임베딩 벡터(522)를 추출하는 네트워크를 나타내는 도면이다. 텍스트-음성 합성 장치는 인코더(510), 디코더(520) 및 후처리 프로세서(530)를 포함하도록 구성될 수 있다. 이러한 텍스트-음성 합성 장치는 정보 처리 시스템(300)에 포함되도록 구성될 수 있다.
일 실시예에 따르면, 인코더(510)는 도 5에 도시된 바와 같이, 입력 텍스트에 대한 글자 임베딩을 수신할 수 있다. 다른 실시예에 따르면, 입력 텍스트는 하나 이상의 언어에서 사용되는 단어, 문구 또는 문장 중 적어도 하나를 포함할 수 있다. 예를 들어, 인코더(510)는 사용자 인터페이스를 통해 하나 이상의 문장을 입력 텍스트로서 수신할 수 있다. 입력 텍스트가 수신되면, 인코더(510)는 수신된 입력 텍스트를 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리할 수 있다. 또 다른 실시예에 따르면, 인코더(510)는 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리된 입력 텍스트를 수신할 수 있다. 그리고 나서, 인코더(510)는 입력 텍스트를 문자 임베딩(character embedding)로 변환하여 생성할 수 있다.
인코더(510)는 텍스트를 발음 정보로 생성하도록 구성될 수 있다. 일 실시예에서, 인코더(510)는 생성된 문자 임베딩을 완전연결층(fully-connected layer)을 포함한 프리넷(pre-net)에 통과시킬 수 있다. 또한, 인코더(510)는 프리넷(pre-net)으로부터의 출력을 CBHG 모듈에 제공하여, 도 5에 도시된 바와 같이, 인코더의 숨겨진 상태들(encoder hidden states) ei을 출력할 수 있다. 예를 들어, CBHG 모듈은 1차원 컨볼루션 뱅크(1D convolution bank), 맥스 풀링(max pooling), 하이웨이 네트워크(highway network), 양방향 GRU(bidirectional gated recurrent unit)를 포함할 수 있다.
이와 달리, 인코더(510)가 입력 텍스트 또는 분리된 입력 텍스트를 수신한 경우, 인코더(510)는 적어도 하나의 임베딩 레이어를 생성하도록 구성될 수 있다. 일 실시예에 따르면, 인코더(510)의 적어도 하나의 임베딩 레이어는 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리된 입력 텍스트에 기초하여 글자 임베딩을 생성할 수 있다. 예를 들어, 인코더(510)는 분리된 입력 텍스트에 기초하여 글자 임베딩을 획득하기 위하여 이미 학습된 기계 학습 모델(예를 들어, 확률 모델 또는 인공신경망 등)을 사용할 수 있다. 나아가, 인코더(510)는 기계 학습을 수행하면서 기계 학습 모델을 갱신할 수 있다. 기계 학습 모델이 갱신되는 경우, 분리된 입력 텍스트에 대한 글자 임베딩도 변경될 수 있다. 인코더(510)는 글자 임베딩을 완전연결층(fully-connected layer)으로 구성된 DNN(Deep Neural Network) 모듈에 통과시킬 수 있다. DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer)를 포함할 수 있다. 인코더(510)는 DNN의 출력을 CNN(convolutional neural network) 또는 RNN(Recurrent Neural Network) 중 적어도 하나가 포함된 모듈에 제공할 수 있으며, 인코더(510)의 숨겨진 상태(hidden state)들을 생성할 수 있다. CNN은 컨볼루션 커널(convolution kernel) 사이즈에 따른 지역적 특성을 포착할 수 있는 반면에, RNN은 장기 의존성(long term dependency)을 포착할 수 있다. 이러한 인코더(510)의 숨겨진 상태들, 즉 입력 텍스트에 대한 발음 정보는 어텐션 모듈(524)을 포함한 디코더(520)에 제공되고, 디코더(520)는 이러한 발음 정보를 음성으로 생성하도록 구성될 수 있다. 여기서, 어텐션 모듈은 현재 시간-단계(time step)에서 입력 텍스트 중 어떤 부분으로부터 음성을 생성할지 결정하도록 구성될 수 있다.
디코더(520)는, 인코더(510)로부터 인코더의 숨겨진 상태들 ei를 수신할 수 있다. 일 실시예에서, 도 5에 도시된 바와 같이, 디코더(520)는 어텐션 모듈, 완전연결층으로 구성된 프리넷과 GRU(gated recurrnt unit)를 포함하고, 어텐션(attention) RNN(recurrent neural network), 레지듀얼 GRU(residual GRU)를 포함한 디코더 RNN(decoder RNN)을 포함할 수 있다. 여기서, 어텐션 RNN은 어텐션 모듈에서 사용될 정보를 출력할 수 있다. 또한, 디코더 RNN은 어텐션 모듈로부터 입력 텍스트의 위치 정보를 수신할 수 있다. 즉, 위치 정보는 디코더(520)가 입력 텍스트의 어떤 위치를 음성으로 변환하고 있는지에 관한 정보를 포함할 수 있다. 디코더 RNN은 어텐션 RNN으로부터 정보를 수신할 수 있다. 어텐션 RNN으로부터 수신한 정보는 디코더(520)가 이전 시간-단계(time-step)까지 어떤 음성을 생성했는지에 대한 정보를 포함할 수 있다. 디코더 RNN은 지금까지 생성한 음성에 이어질 다음 출력 음성을 생성할 수 있다. 예를 들어, 출력 음성은 멜 스펙트로그램 형태를 가질 수 있으며, 출력 음성은 r개의 프레임을 포함할 수 있다.
다른 실시예에서, 디코더(520)에 포함된 프리넷은 완전연결층(fully-connected layer)으로 구성된 DNN으로 대체될 수 있다. 여기서, DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer) 중 적어도 하나를 포함할 수 있다.
또한, 디코더(520)는 인코더(510)와 마찬가지로 인공 신경망 텍스트-음성 합성 모델을 생성 또는 갱신하기 위해서, 입력 텍스트, 화자 및/또는 음성 스타일 특징과 관련된 정보 및 입력 텍스트에 대응되는 음성 신호의 쌍으로 존재하는 데이터베이스를 이용할 수 있다. 디코더(520)는 입력 텍스트, 화자 및/또는 음성 스타일 특징과 관련된 정보를 각각 인공신경망의 입력으로 하고 해당 입력 텍스트에 대응되는 음성 신호를 정답으로 하여 학습할 수 있다. 디코더(520)는 입력 텍스트와 화자 및/또는 음성 스타일 특징과 관련된 정보를 갱신된 단일 인공 신경망 텍스트-음성 합성 모델에 적용하여, 해당 화자 및/또는 음성 스타일 특징에 대응하는 음성을 출력할 수 있다.
또한, 디코더(520)의 출력은 후처리 프로세서(530)에 제공될 수 있다. 후처리 프로세서(530)의 CBHG는 디코더(520)의 멜 스케일 스펙트로그램을 리니어스케일 스펙트로그램(linear-scale spectrogram)으로 변환하도록 구성될 수 있다. 예를 들어, 후처리 프로세서(530)의 CBHG의 출력 신호는 매그니튜드 스펙트로그램(magnitude spectrogram)를 포함할 수 있다. 후처리 프로세서(530)의 CBHG의 출력 신호의 위상(phase)은 그리핀-림(Griffin-Lim) 알고리즘을 통해 복원되고, 역 단시간 퓨리어 변환(inverse short-time fourier transform)될 수 있다. 후처리 프로세서(530)는 시간 도메인(time domain)의 음성 신호로 출력할 수 있다.
이와 달리, 디코더(520)의 출력은 보코더(미도시)에 제공될 수 있다. 일 실시예에 따르면, 텍스트-음성 합성을 위하여 DNN, 어텐션 RNN 및 디코더 RNN의 동작은 반복적으로 수행될 수 있다. 예를 들어, 최초 시간-단계에서 획득된 r개의 프레임은 다음 시간-단계의 입력이 될 수 있다. 또한 다음 시간-단계에서 출력된 r개의 프레임은 그 다음 시간-단계의 입력이 될 수 있다. 상술한 바와 같은 과정을 통하여 텍스트의 모든 단위에 대한 음성이 생성될 수 있다.
일 실시예에 따르면, 텍스트-음성 합성 장치는 각각의 시간-단계마다 나온 멜 스펙트로그램을 시간 순으로 연결(concatenate)하여 전체 텍스트에 대한 멜 스펙트로그램의 음성을 획득할 수 있다. 보코더는 스펙트로그램의 위상(phase)을 Griffin-Lim 알고리즘을 통해 예측할 수 있다. 보코더는 역 단기 푸리에 변환(Inverse Short-Time Fourier Transform)을 이용하여 시간 도메인(time domain)의 음성 신호를 출력할 수 있다.
본 개시의 다른 실시예에 따른 보코더는 기계학습모델에 기초하여 멜 스펙트로그램으로부터 음성 신호를 생성할 수 있다. 기계학습모델은 멜 스펙트로그램과 음성 신호 사이의 상관 관계를 기계학습한 모델을 포함할 수 있다. 예를 들어 보코더는 멜 스펙트로그램 또는 선형예측계수 (LPC, Linear Prediction Coefficient), LSP (Line Spectral Pair), LSF(Line Spectral Frequency), 피치 주기 (Pitch period) 등을 입력으로 하고 음성 신호를 출력으로 하는 WaveNet, WaveRNN, WaveGlow 등의 인공신경망 모델을 이용하여 구현될 수 있다.
이러한 인공 신경망 기반의 텍스트-음성 합성 장치는, 텍스트와 음성 신호의 쌍으로 존재하는 대용량의 데이터 베이스를 이용하여 학습될 수 있다. 입력으로 텍스트를 넣고 나온 출력을 해당하는 정답 음성 신호와 비교하여 손실 함수(loss function)를 정의할 수 있다. 예를 들어, 텍스트-음성 합성 장치는 손실 함수를 오차 역전파(error back propagation) 알고리즘을 통해 학습하여, 최종적으로 임의의 텍스트를 입력했을 때 원하는 음성 출력이 나오는 단일 인공 신경망 텍스트-음성 합성 모델을 얻을 수 있다.
디코더(520)는 인코더(510)로부터 인코더의 숨겨진 상태들 ei를 수신할 수 있다. 일 실시예에 따르면, 도 5의 디코더(520)는 특정 화자 및/또는 특정 음성 스타일 특징에 대응하는 음성 데이터(521)를 수신할 수 있다. 여기서, 음성 데이터(521)는 미리 결정된 시간 구간(짧은 시간 구간, 예를 들어 수초, 수십초 또는 수십분) 내에 화자로부터 입력된 음성을 나타내는 데이터를 포함할 수 있다. 예를 들어, 화자의 음성 데이터(521)는 음성 스펙트로그램 데이터(예를 들어, log-mel-spectrogram)를 포함할 수 있다. 디코더(520)는 화자의 음성 데이터에 기초하여 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(522)를 획득할 수 있다. 다른 실시예에 따르면, 도 5의 디코더(520)는 원-핫 화자 ID 벡터(single-hot vector) 또는 화자 별 speaker vector를 수신하고, 이를 기초로 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(522)를 획득할 수 있다. 이렇게 획득된 임베딩 벡터는 미리 저장될 수 있으며, 사용자 인터페이스를 통해 특정 화자 및/또는 음성 스타일 특징이 요청되면, 미리 저장된 임베딩 벡터 중에서 요청된 정보에 대응하는 임베딩 벡터를 이용하여 합성 음성이 생성될 수 있다. 디코더(520)는 획득된 임베딩 벡터(522)를 어텐션 RNN 및 디코더 RNN에 제공될 수 있다.
도 5에 도시된 텍스트-음성 합성 장치는, 미리 저장해둔 복수의 화자 및/또는 복수의 음성 스타일 특징에 대응하는 복수의 임베딩 벡터를 제공합니다. 사용자가 사용자 인터페이스를 통해 특정 배역이나 특정 음성 스타일 특징을 선택하는 경우, 이에 대응하는 임베딩 벡터를 이용하여 합성 음성을 생성할 수 있다. 이와 달리, 텍스트-음성 합성 장치는, 새로운 화자 벡터를 생성하기 위하여 TTS 모델을 추가로 학습하거나 화자 임베딩 벡터를 수동으로 검색하는 것 없이 새로운 화자의 음성을 즉시 생성, 즉 적응적으로 생성할 수 있는 TTS 시스템을 제공할 수 있다. 즉, 텍스트-음성 합성 장치는 복수의 화자에 적응적으로 변경된 음성을 생성할 수 있다. 일 실시예에 따르면, 도 5에서는 입력 텍스트에 대한 음성 합성 시, 특정 화자의 음성 데이터(521)로부터 추출된 임베딩 벡터(522)가 디코더 RNN 및 어텐션 RNN에 입력되도록 구성될 수 있다. 특정 화자의 임베딩 벡터(522)에 포함된 발성 특징, 운율 특징, 감정 특징, 또는 음색 및 음높이 특징 중 적어도 하나의 특징이 반영된 합성 음성이 생성될 수 있다.
도 5에 도시된 네트워크는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)를 포함하고, log-Mel-spectrogram을 입력받아서 음성 샘플 또는 음성 신호로서 고정 차원 화자 임베딩 벡터를 추출할 수 있다. 여기서, 음성 샘플 또는 음성 신호는, 입력 텍스트에 해당하는 음성 데이터일 필요가 없으며 임의로 선택된 음성신호가 사용될 수 있다.
이러한 네트워크에서, 스펙트로그램이 이용되는데 제약이 없기 때문에 임의의 스펙트로그램이 이 네트워크에 삽입될 수 있다. 또한, 이를 통해 네트워크의 즉각적인 적응을 통해 새로운 화자 및/또는 새로운 음성 스타일 특징을 나타내는 임베딩 벡터(522)를 생성할 수 있다. 입력 스펙트로그램은 다양한 길이를 가질 수 있지만, 예를 들어, 시간 축에 대해 길이가 1인 고정된 차원 벡터가 컨볼루션 레이어 끝단에 위치한 max-over-time 풀링 레이어에 입력될 수 있다.
도 5에서는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)을 포함한 네트워크를 도시하고 있으나, 화자 및/또는 음성 스타일 특징을 추출하기 위하여 다양한 층을 포함한 네트워크를 구축할 수 있다. 예를 들어, 화자 및/또는 음성 스타일 특징 중 억양과 같이 시간에 따른 음성 특징 패턴의 변화를 나타내는 경우 RNN(Recurrent neural network)을 사용하여 특징을 추출하도록 네트워크를 구현할 수 있다.
도 6은 본 개시의 일 실시예에 따른 합성 음성을 화자 이미지에 적용하는 방법(600)을 나타내는 흐름도이다. 합성 음성을 화자 이미지에 적용하는 방법(600)은 사용자 단말 및/또는 정보 처리 시스템에 의해 수행될 수 있다. 도시된 바와 같이, 합성 음성을 화자 이미지에 적용하는 방법(600)은 입력 텍스트를 수신하는 단계(S610)로 개시될 수 있다. 일 실시예에서, 입력 텍스트는 사용자 단말의 입력 장치(예를 들어, 키보드, 터치 패드 등)을 통해 수신될 수 있다. 다른 실시예에서, 입력 텍스트를 수신하는 단계(S610)는, 입력 음성을 수신하여 음성-텍스트 변환(Speech-to-Text) 모델을 통해 입력 텍스트로 변환하는 단계를 포함할 수 있다.
그리고 나서, 단계(S620)에서, 입력 텍스트가 인공신경망 텍스트-음성 합성 모델에 입력되어, 입력 텍스트에 대한 음성 데이터가 출력될 수 있다. 예를 들어, 특정 화자 발화 스타일, 특정 음성 스타일, 감정 스타일 등을 반영한 입력 텍스트에 대한 음성 데이터가 출력될 수 있다. 여기서, 화자의 음성 데이터는 음성 스펙트로그램 데이터(예를 들어, log-mel-spectrogram)를 포함할 수 있다.
다음으로, 단계(S630)에서, 출력된 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 일 실시예에서, 출력된 음성 데이터를 보코더에 입력하여, 합성 음성을 생성할 수 있다,
다음으로, 단계(S640)에서, 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보가 생성될 수 있다. 여기서, 복수의 음소에 대한 정보는 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다. 여기서, 복수의 음소의 각각에 대한 타이밍 정보는, 복수의 음소의 각각에 대한 지속 시간 정보, 복수의 음소의 각각에 대응하는 시간 정보 아이템 또는 프레임 정보 아이템 중 적어도 하나를 포함할 수 있다. 일 실시예에서, 출력된 음성 데이터가 인공신경망 음소 인식용 모델에 입력되어 복수의 음소의 각각에 대한 타이밍 정보가 출력될 수 있다.
일 실시예에서, 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는, 화자의 입 모양을 포함하는 하나 이상의 프레임이 생성될 수 있다. 이렇게 생성된 하나 이상의 프레임에, 생성된 합성 음성을 더빙함으로써, 비디오 콘텐츠가 생성될 수 있다. 즉, 특정 화자가 입력 텍스트를 발화하는 동영상 및 합성 음성을 포함하는 비디오 콘텐츠가 생성될 수 있다.
도 7은 본 개시의 일 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다. 도 6에 도시된 바와 같이, 합성 음성 생성 모듈(410)은 음성 데이터 생성 모듈(710) 및 보코더(720)를 포함할 수 있다. 또한, 음소 정보 생성 모듈(420)은 음소 인식 모듈(730)을 포함할 수 있다. 일 실시예에 따르면, 음성 데이터 생성 모듈(710)은 상술한 인코더(510) 및 디코더(520)를 포함하도록 구성될 수 있다. 또한, 보코더(720)는 도 5에서 상술한 보코더에 대응될 수 있다.
일 실시예에서, 음성 데이터 생성 모듈(710)은 인공신경망 텍스트-합성 모델을 이용하여 음성 데이터를 생성할 수 있다. 여기서, 인공신경망 텍스트-합성 모델은 음성 데이터 생성 모듈(710)에 의해 접근 가능한 임의의 저장 장치에 저장될 수 있다. 이에 따라, 음성 데이터 생성 모듈(710)은 입력 텍스트를 수신하고, 인공신경망 텍스트-합성 모델에 입력하여, 입력 텍스트에 대한 음성 데이터를 출력할 수 있다. 출력된 음성 데이터를 보코더(720)에 입력하여, 합성 음성을 생성할 수 있다. 즉, 보코더(720)는 음성 데이터 생성 모듈(710)로부터 입력 텍스트에 대한 음성 데이터를 수신하고, 수신한 음성 데이터에 대응하는 합성 음성을 생성할 수 있다. 보코더(720)는 복수의 프레임들을 시간 순으로 나열하여 멜 스펙트로그램으로 표현된 출력 음성 데이터를 시간 도메인의 음성으로 변환할 수 있다.
본 개시의 다른 실시예에 따른 보코더(720)는 기계학습모델에 기초하여 멜 스펙트로그램으로부터 음성 신호를 생성할 수 있다. 기계학습모델은 멜 스펙트로그램과 음성 신호 사이의 상관 관계를 기계학습한 모델을 포함할 수 있다. 예를 들어, 보코더는 멜 스펙트로그램 또는 선형예측계수(LPC, Linear Prediction Coefficient), LSP(Line Spectral Pair), LSF(Line Spectral Frequency), 피치 주기(Pitch period) 등을 입력으로 하고 음성 신호를 출력으로 하는 WaveNet, WaveRNN, WaveGlow 등의 인공신경망 모델을 이용하여 구현될 수 있다.
음소 인식 모듈(730)은 음성 데이터 생성 모듈(710)로부터 출력된 음성 데이터를 수신하여, 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성할 수 있다. 일 실시예에서, 음소 인식 모듈(730)은 인공신경망 음소 인식용 모델을 포함할 수 있다. 따라서, 음소 인식 모듈(730)은 음성 데이터 생성 모듈(710)로부터 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 출력할 수 있다.
도 8은 본 개시의 다른 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다. 도 8에 도시된 바와 같이, 합성 음성 생성 모듈(410)은 음성 데이터 생성 모듈(710) 및 보코더(720)를 포함할 수 있다. 또한, 음소 정보 생성 모듈(420)은 음소 시퀀스 정보 생성 모듈(810) 및 음소 인식 모듈(830)을 포함할 수 있다. 음성 데이터 생성 모듈(710) 및 보코더(720)에 대해서는 도 7을 참조하여 상세히 설명하였으므로, 이하에서 중복되는 설명은 생략한다.
음소 시퀀스 정보 생성 모듈(810)은 음성 데이터 생성 모듈(710)에 의해 수신되는 입력 텍스트를 수신하고, 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 생성할 수 있다. 음소 시퀀스 정보 생성 모듈(810)은 이렇게 생성된 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 음소 인식 모듈(830)에 제공할 수 있다. 여기서, 복수의 음소 시퀀스에 대한 정보는, 입력 텍스트에 포함된 복수의 음소의 순서에 대한 정보를 포함할 수 있다.
음소 인식 모듈(830)은 합성 음성 생성 모듈(410)의 음성 데이터 생성 모듈(710)로부터 출력된 음성 데이터 및 음소 시퀀스 정보 생성 모듈(810)로부터 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 수신하고, 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성할 수 있다. 일 실시예에서, 음소 인식 모듈(830)은 복수의 음소 시퀀스에 대한 정보 및 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 복수의 음소의 각각에 대한 타이밍 정보를 출력할 수 있다. 이 경우, 보다 정확한 복수의 음소의 각각에 대한 타이밍 정보가 생성되거나 출력될 수 있다.
도 9는 본 개시의 또 다른 실시예에 따라 입력 텍스트에 대한 합성 음성 및 음소 타이밍 정보가 출력되는 예시를 나타내는 도면이다. 도 9에 도시된 바와 같이, 합성 음성 생성 모듈(410)은 인코더(910), 음소 정보 생성 모듈(420), 디코더(930) 및 보코더(720)를 포함할 수 있다. 여기서, 음소 정보 생성 모듈(420)은 어텐션 모듈(920)을 포함할 수 있다. 보코더(720)에 대해서는 도 7을 참조하여 상세히 설명되었으므로, 이하에서 중복되는 설명은 생략한다. 일 실시예에 따르면, 인코더(910), 어텐션 모듈(920), 디코더(930)의 각각은 상술한 도 5의 인코더(510), 어텐션 모듈(524), 디코더(520)의 각각과 대응될 수 있다. 도 9에서는 어텐션 모듈(920)과 디코더(930)가 별개의 구성 요소로 도시되어 있으나, 이에 한정되지 않고, 예를 들어 어텐션 모듈(920)은 인코더(910) 및/또는 디코더(930)에 포함될 수 있다.
일 실시예에서, 인코더(910)는, 도 9에 도시된 바와 같이, 입력 텍스트를 수신할 수 있다. 입력 텍스트가 수신되면, 인코더(910)는 수신된 입력 텍스트를 미리 결정된 단위(예: 자모 단위, 글자 단위 및/또는 음소(phoneme) 단위 등)로 분리할 수 있다. 다른 실시예에서, 인코더(910)는 미리 결정된 단위(예: 자모 단위, 글자 단위, 음소 단위 등)로 분리된 입력 텍스트를 수신할 수 있다. 그리고 나서, 인코더(910)는 분리된 입력 텍스트를 임베딩 벡터로 변환하여 생성할 수 있다. 예를 들어, 인코더(910)는 분리된 입력 텍스트에 기초하여 임베딩을 획득하기 위하여 이미 학습된 기계 학습 모델(예를 들어, 확률 모델 또는 인공신경망 등)을 사용할 수 있다. 또 다른 실시예에서, 인코더(910)는 입력 텍스트에 대한 임베딩을 수신할 수 있다.
인코더(910)는 입력 텍스트에 대한 임베딩을 기초로 입력 텍스트를 발음 정보로 생성하도록 구성될 수 있다. 인코더(910)에서 생성된 입력 텍스트에 대한 발음 정보는 어텐션 모듈(920) 및 디코더(930)에 제공되고, 디코더(930)는 이러한 발음 정보를 음성 데이터로 생성하도록 구성될 수 있다.
어텐션 모듈(920)은 입력 텍스트의 길이를 기초로 합성 음성의 길이를 결정하도록 구성될 수 있다. 인공신경망 텍스트-음성 합성 모델에 포함된 어텐션 모듈(920)은 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 생성 또는 출력할 수 있다.
디코더(930)는 입력 텍스트에 대한 발음 정보를 수신하고, 수신된 발명 정보를 합성 음성으로 생성하도록 구성될 수 있다. 또한, 디코더(930)는 음성과 연관된 화자, 음성 등의 스타일 특징과 관련된 정보를 수신하고, 스타일 특징이 반영된 합성 음성을 생성하도록 구성될 수 있다. 일 실시예에 따르면, 디코더(930)는 입력 텍스트, 화자 및/또는 음성 스타일 특징에 관련된 정보를 인공신경망 텍스트-음성 합성 모델에 입력하여, 화자 및/또는 음성 스타일 특징이 반영된, 해당 입력 텍스트에 대응하는 합성 음성을 생성하도록 구성될 수 있다.
인코더(910)와 마찬가지로 인공신경망 텍스트-음성 합성 모델을 생성 또는 갱신하기 위해서, 입력 텍스트, 화자 및/또는 음성 스타일 특징과 관련된 정보 및 입력 텍스트에 대응되는 음성 신호의 쌍으로 존재하는 데이터 베이스를 이용할 수 있다. 이러한 데이터베이스는 디코더(930)에 의해 접근 가능한 임의의 저장 장치에 저장될 수 있다. 디코더(930)는 입력 텍스트, 화자 및/또는 음성 스타일 특징과 관련된 정보 및 해당 입력 텍스트에 대응되는 음성 신호를 이용하여, 인공신경망 텍스트-음성 합성 모델을 학습할 수 있다. 여기서, 화자 및/또는 음성 스타일 특징의 각각은 이에 대응하는 복수의 임베딩 벡터로서 제공될 수 있다.
사용자가 사용자 인터페이스를 통해 특정 화자, 특정 배역 및/또는 특정 음성 스타일 특징을 선택하는 경우, 이에 대응하는 임베딩 벡터를 이용하여 선택된 특정 화자, 특정 화자(배역) 및/또는 특정 음성 스타일 특징에 포함된 발성 특징, 운율 특징, 감정 특징, 음색 및/또는 음높이 특징 등이 반영된 합성 음성을 생성할 수 있다.
도 10은 본 개시의 일 실시예에 따른 인공신경망 텍스트-음성 합성 모델 구조를 나타내는 도면이다. 인공신경망 텍스트-음성 합성 모델은 인코더(910), 어텐션 모듈(920) 및 디코더(930)를 포함할 수 있다. 인코더(910) 및 디코더(930)에 대해서는 도 9을 참조하여 상세히 설명하였으므로, 이하에서 중복되는 설명은 생략한다.
인공신경망 텍스트-음성 합성 모델은 입력 텍스트의 길이를 기초로 합성 음성의 길이를 결정하도록 구성된 어텐션 모듈(920)을 포함할 수 있고, 어텐션 모듈(920)을 통해 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보를 생성할 수 있다.
일 실시예에서, 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍 정보는 복수의 음소의 각각에 대한 지속 시간을 포함할 수 있고, 도시된 바와 같이, 어텐션 모듈(920)은 복수의 음소의 각각에 대한 지속 시간을 예측하는 지속시간 예측기(1010)를 포함할 수 있다. 여기서, 지속시간 예측기(1010)는 음성 데이터에 포함된 복수의 음소의 각각의 지속시간을 예측하도록 학습된 인공신경망 지속시간 예측용 모델을 포함할 수 있다. 즉, 인공신경망 텍스트-음성 합성 모델은 인공신경망 지속시간 예측용 모델을 포함할 수 있다.
도시된 바와 같이, 어텐션 모듈(920)은 인코더(910)로부터 음소 임베딩을 수신할 수 있다. 예를 들어, 지속시간 예측기(1010)에 포함된 인공신경망 지속시간 예측용 모델은, 도시된 바와 같이, 1D 컨볼루션(Conv1D) 및 정규화(Norm) 레이어와 선형 레이어(Linear Layer)를 포함할 수 있다. 인공신경망 지속시간 예측용 모델은, 음성 데이터에 포함된 복수의 음소를 미리 학습된 자기회귀변환 TTS(Autoregressive Transformer TTS) 모델로 입력하여 그로부터 추출되는 각 음소의 지속시간과 지속시간 예측기(1010)에서 출력되는 각 음소의 지속시간 간의 MSE loss(Mean Square Error Loss)가 최소화되도록 학습될 수 있다.
일 실시예에서, 지속시간 예측기(1010)는 음성 데이터에 포함된 복수의 음소의 각각에 대한 임베딩을 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각에 대한 지속 시간을 예측할 수 있다. 다른 실시예에서, 지속시간 예측기(1010)는 음성 데이터에 포함된 복수의 음소의 각각에 대한 임베딩을 인공신경망 지속시간 예측용 모델에 입력하여, 복수의 음소의 각각이 적용되는 프레임의 수를 예측할 수 있다. 즉, 지속시간 예측기(1010)는 입력 텍스트에 대한 음성 데이터의 전체 프레임 중에서 복수의 음소의 각각이 발화되는 프레임의 수를 예측할 수 있다.
어텐션 모듈(920)은 음성 데이터에 포함된 복수의 음소의 각각을 지속시간 예측기(1010)에서 예측된 프레임 수만큼 복사함으로써 생성된 복수의 음소의 각각에 대한 정보를 디코더(930)에 제공할 수 있다. 또한, 이러한 복수의 음소의 각각에 대한 정보는 각 음소에 대응하는 프레임을 생성하기 위해 비디오 콘텐츠 생성 모듈(430)에 제공될 수 있다. 도 10에 도시된 바와 같이, 길이 조절기(length regulator; LR)(1020)는 지속시간 예측기(1010)에서 예측된 프레임 수 {2, 2, 3, 1}을 이용하여, 예측된 대응하는 프레임 수만큼 복수의 음소를 생성할 수 있다. 여기서, α는 합성될 음성의 속도를 조절할 수 있는 하이퍼파라미터(hyperparameter)를 지칭할 수 있으며, LR(1020)은 지속시간 예측기(1010)로부터 도출된 결과값과 α를 곱하여 음성의 속도를 조절할 수 있다. 예를 들어, 도시된 바와 같이, α가 1.0인 경우, 어텐션 모듈(920)은 지속시간 예측기(1010)에서 예측된 프레임 수 {2, 2, 3, 1}에서 변함없이, 예측된 프레임 수 {2, 2, 3, 1}에 대응하는 속도로 복수의 음소를 생성할 수 있다. 다른 예로서, α가 1.3 인 경우, LR(1020)에서 프레임 수 {2, 2, 3, 1}와 1.3을 곱하여 계산되는 프레임 수 {2.6, 2.6, 3.9, 1.3}을 반올림하여 산출되는 프레임 수 {3, 3, 4, 1}을 기초로, 어텐션 모듈(920)은 산출되는 프레임 수에 대응하는 속도로 복수의 음소를 생성할 수 있다. 이러한 구성 하에서, α가 1.0인 경우보다 느린 속도의 음성이 생성될 수 있다. 또 다른 예로서, α가 0.5 인 경우, LR(1020)에서 프레임 수 {2, 2, 3, 1}와 0.5를 곱하여 계산되는 프레임 수 {1, 1, 1.5, 0.5}를 반올림하여 산출되는 {1, 1, 2, 1}를 기초로, 어텐션 모듈(920)은 산출되는 프레임 수에 대응하는 속도로 복수의 음소를 생성한다. 이러한 구성 하에서, α가 1.0인 경우보다 빠른 속도의 음성이 생성될 수 있다. 여기서, 생성된 복수의 음소의 각각은 대응하는 음소를 나타내거나 특징화하는 임의의 정보를 포함할 수 있다. 예를 들어, 음성 데이터에 포함되는 복수의 음소 중 음소 'ㅏ'가 발화되는 프레임 수가 10으로 예측되는 경우, 어텐션 모듈(920)은 음소 'ㅏ'를 프레임 수 10만큼 복사하여 디코더(930) 및 비디오 콘텐츠 생성 모듈(430)에 제공할 수 있다.
도 11은 본 개시의 일 실시예에 따라 합성 음성 및 음소 타이밍 정보를 기초로 비디오 콘텐츠가 생성되는 예시를 나타내는 도면이다. 도 11에 도시된 바와 같이, 비디오 콘텐츠 생성 모듈(430)은 이미지 생성 모듈(1110) 및 합성 음성 더빙 모듈(1130)을 포함할 수 있다. 도시된 바와 같이, 비디오 콘텐츠 생성 모듈(430)은 합성 음성 및 복수의 음소에 대한 정보를 수신하고, 이를 기초로 비디오 콘텐츠를 출력할 수 있다. 여기서, 복수의 음소의 각각에 대한 정보는 복수의 음소의 각각에 대한 타이밍 정보를 포함할 수 있다.
일 실시예에 따르면, 이미지 생성 모듈(1110)은 복수의 음소에 대한 정보를 수신하여 화자의 입 모양을 포함하는 화자의 이미지를 생성할 수 있다. 일 실시예에서, 이미지 생성 모듈(1110)은 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는, 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성할 수 있다. 예를 들어, 이미지 생성 모듈(1110)은 복수의 음소에 대한 정보를 이용하여, 해당 음소 카테고리에 대응하는 입 모양을 포함하는 프레임 또는 이미지를 생성할 수 있다.
다른 실시예에서, 이미지 생성 모듈(1110)은 얼굴 랜드마크 생성 모듈(미도시) 및 프레임 생성 모듈(미도시)을 포함하도록 구성될 수 있다. 이 경우, 얼굴 랜드마크 생성 모듈은 복수의 음소의 각각에 대한 정보를 수신하고, 복수의 음소의 각각에 대응하는 얼굴 랜드마크 특징을 생성할 수 있다. 그 후, 복수의 음소의 각각에 대응하는 얼굴 랜드마크 특징은 프레임 생성 모듈에 제공되고, 프레임 생성 모듈은 복수의 음소의 각각에 대응하는 얼굴 랜드마크 특징 및 복수의 음소의 각각에 대한 타이밍 정보를 기초로, 복수의 음소의 각각에 대응하는, 화자 이미지 프레임을 생성할 수 있다.
여기서, 얼굴 랜드마크 특징은 화자의 입 모양에 대한 랜드마크 특징을 포함할 수 있다. 예를 들어, 얼굴 랜드마크 생성 모듈은 음소 'ㅏ'를 수신하고, 음소 'ㅏ'를 발화하는 입 모양에 대한 랜드마크 특징을 포함하는 얼굴 랜드마크 특징을 생성할 수 있다. 또한 여기서, 화자 이미지 프레임은 복수의 음소의 각각을 발화하는 화자의 입 모양을 포함하는 하나 이상의 프레임을 포함할 수 있다. 예를 들면, 프레임 생성 모듈은, 수신된 얼굴 랜드마크 특징을 반영하여 '범수'라는 캐릭터가 음소 'ㅏ'를 발화하는 입 모양을 포함하는 하나 이상의 프레임을 생성할 수 있다. 여기서, 캐릭터는 미리 결정되거나 사용자 입력에 따라 결정될 수 있다. 이렇게 생성된 하나 이상의 프레임은 합성 음성 더빙 모듈(1130)에 제공될 수 있다.
합성 음성 더빙 모듈(1130)은 합성 음성 생성 모듈(410)로부터 생성된 합성 음성을 수신하고, 이미지 생성 모듈(1110)로부터 생성된 하나 이상의 프레임을 수신할 수 있다. 합성 음성 더빙 모듈(1130)은 수신된 하나 이상의 프레임에 합성 음성을 더빙하여 비디오 콘텐츠를 생성할 수 있다. 예를 들어, 합성 음성 더빙 모듈(1130)은 합성 음성 생성 모듈(410)로부터 '안녕하세요'에 대응하는 합성 음성을 생성할 수 있다. 또한, 합성 음성 더빙 모듈(1130)은 이미지 생성 모듈(1110)로부터 '범수'라는 캐릭터가 '안녕하세요'에 포함된 복수의 음소의 각각을 발화하는 복수의 프레임을 수신할 수 있다. 이에 따라, 합성 음성 더빙 모듈(1130)은 수신된 복수의 프레임에 화자 '범수'가 '안녕하세요.'를 발화하는 합성 음성을 더빙하여, '범수'라는 캐릭터가 '안녕하세요.'를 발화하는 비디오 콘텐츠를 생성할 수 있다.
상술한 합성 음성을 화자 이미지에 적용하는 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 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 DVD 와 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, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
210_1, 210_2, 210_3: 사용자 단말
220: 네트워크
230: 정보 처리 시스템
410: 합성 음성 생성 모듈
420: 음소 정보 생성 모듈
430: 비디오 콘텐츠 생성 모듈
710: 음성 데이터 생성 모듈
720: 보코더
730, 830: 음소 인식 모듈
810: 음소 시퀀스 정보 생성 모듈
510, 910: 인코더
524, 920: 어텐션 모듈
520, 930: 디코더
1010: 지속시간 예측기
1110: 이미지 생성 모듈
1130: 합성 음성 더빙 모듈

Claims (10)

  1. 적어도 하나의 프로세서에 의해 수행되는, 합성 음성을 화자 이미지에 적용하는 방법에 있어서,
    합성 음성 생성부에 의해, 입력 텍스트를 수신하는 단계;
    상기 합성 음성 생성부에 의해, 상기 입력 텍스트를 인공신경망 텍스트-음성 합성(text-to-speech synthesis) 모델에 입력하여, 상기 입력 텍스트에 대한 음성 데이터를 출력하는 단계;
    상기 합성 음성 생성부에 의해, 상기 출력된 음성 데이터에 대응하는 합성 음성을 생성하는 단계; 및
    음소 정보 생성부에 의해, 상기 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계
    를 포함하고,
    상기 복수의 음소에 대한 정보는 상기 출력된 음성 데이터에 포함된 복수의 음소의 각각에 대한 타이밍(timing) 정보를 포함하고,
    상기 출력된 음성 데이터에 대응하는 합성 음성을 생성하는 단계는,
    상기 출력된 음성 데이터를 보코더(vocoder)에 입력하여, 상기 합성 음성을 생성하는 단계를 포함하고,
    상기 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계는,
    상기 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 상기 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계를 포함하고,
    상기 출력된 음성 데이터를 인공신경망 음소 인식용 모델에 입력하여, 상기 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계는,
    상기 입력 텍스트에 대한 복수의 음소 시퀀스에 대한 정보를 수신하는 단계; 및
    상기 복수의 음소 시퀀스에 대한 정보 및 상기 출력된 음성 데이터를 상기 인공신경망 음소 인식용 모델에 입력하여, 상기 복수의 음소의 각각에 대한 타이밍 정보를 출력하는 단계를 포함하고,
    상기 방법은,
    비디오 콘텐츠 생성 모듈에 의해, 상기 복수의 음소의 각각에 대한 정보를 기초로 얼굴 랜드마크 특징을 생성하는 단계 - 상기 생성된 얼굴 랜드마크 특징은 상기 화자의 입 모양에 대한 랜드마크 특징을 포함함 -;
    상기 비디오 콘텐츠 생성 모듈에 의해, 상기 생성된 얼굴 랜드마크 특징을 기초로, 상기 복수의 음소의 각각에 대응하는, 상기 화자의 입 모양을 포함하는 하나 이상의 프레임을 생성하는 단계; 및
    상기 비디오 콘텐츠 생성 모듈에 의해, 상기 생성된 하나 이상의 프레임에 상기 생성된 합성 음성을 더빙하여 비디오 콘텐츠를 생성하는 단계를 더 포함하고,
    상기 복수의 음소의 각각에 대한 타이밍 정보는, 상기 복수의 음소의 각각에 대응하는 프레임 정보 아이템을 포함하는, 합성 음성을 화자 이미지에 적용하는 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 인공신경망 텍스트-음성 합성 모델은 상기 입력 텍스트의 길이를 기초로 상기 합성 음성의 길이를 결정하도록 구성된 어텐션 모듈(attention module)을 포함하고,
    상기 출력된 음성 데이터에 포함된 복수의 음소에 대한 정보를 생성하는 단계는, 상기 어텐션 모듈을 통해 상기 복수의 음소의 각각에 대한 타이밍 정보를 생성하는 단계를 포함하는,
    합성 음성을 화자 이미지에 적용하는 방법.
  7. 제6항에 있어서,
    상기 인공신경망 텍스트-음성 합성 모델은, 상기 복수의 음소의 각각의 지속 시간(duration)을 예측하도록 학습된, 인공신경망 지속시간 예측용 모델을 포함하고,
    상기 어텐션 모듈을 통해 상기 복수의 음소의 각각에 대한 타이밍 정보를 생성하는 단계는, 상기 복수의 음소의 각각에 대한 임베딩을 상기 인공신경망 지속시간 예측용 모델에 입력하여, 상기 복수의 음소의 각각에 대한 지속 시간을 예측하는 단계를 포함하는,
    합성 음성을 화자 이미지에 적용하는 방법.
  8. 제7항에 있어서,
    상기 복수의 음소의 각각에 대한 지속 시간을 예측하는 단계는,
    상기 복수의 음소의 각각에 대한 임베딩을 상기 인공신경망 지속시간 예측용 모델에 입력하여, 상기 복수의 음소의 각각이 적용되는 프레임의 수를 예측하는 단계를 포함하는,
    합성 음성을 화자 이미지에 적용하는 방법.
  9. 제1항에 있어서,
    상기 복수의 음소의 각각에 대한 타이밍 정보는, 상기 복수의 음소의 각각에 대응하는 시간 정보 아이템을 포함하는, 합성 음성을 화자 이미지에 적용하는 방법.
  10. 제1항 및 제6항 내지 제9항 중 어느 한 항에 따른, 합성 음성을 화자 이미지에 적용하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
KR1020200108678A 2020-08-27 2020-08-27 합성 음성을 화자 이미지에 적용하는 방법 및 시스템 KR102498667B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020200108678A KR102498667B1 (ko) 2020-08-27 2020-08-27 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
PCT/KR2021/010678 WO2022045651A1 (ko) 2020-08-27 2021-08-11 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
EP21861948.4A EP4191586A4 (en) 2020-08-27 2021-08-11 METHOD AND SYSTEM FOR APPLYING SYNTHETIC SPEECH TO A SPEAKER IMAGE
KR1020230016080A KR20230023700A (ko) 2020-08-27 2023-02-07 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
US18/113,671 US20230206896A1 (en) 2020-08-27 2023-02-24 Method and system for applying synthetic speech to speaker image
KR1020240000569A KR20240008385A (ko) 2020-08-27 2024-01-02 합성 음성을 화자 이미지에 적용하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200108678A KR102498667B1 (ko) 2020-08-27 2020-08-27 합성 음성을 화자 이미지에 적용하는 방법 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230016080A Division KR20230023700A (ko) 2020-08-27 2023-02-07 합성 음성을 화자 이미지에 적용하는 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220027598A KR20220027598A (ko) 2022-03-08
KR102498667B1 true KR102498667B1 (ko) 2023-02-10

Family

ID=80355368

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020200108678A KR102498667B1 (ko) 2020-08-27 2020-08-27 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
KR1020230016080A KR20230023700A (ko) 2020-08-27 2023-02-07 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
KR1020240000569A KR20240008385A (ko) 2020-08-27 2024-01-02 합성 음성을 화자 이미지에 적용하는 방법 및 시스템

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020230016080A KR20230023700A (ko) 2020-08-27 2023-02-07 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
KR1020240000569A KR20240008385A (ko) 2020-08-27 2024-01-02 합성 음성을 화자 이미지에 적용하는 방법 및 시스템

Country Status (4)

Country Link
US (1) US20230206896A1 (ko)
EP (1) EP4191586A4 (ko)
KR (3) KR102498667B1 (ko)
WO (1) WO2022045651A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022074509A (ja) * 2020-11-04 2022-05-18 株式会社東芝 差分抽出装置、方法及びプログラム
US11574624B1 (en) * 2021-03-31 2023-02-07 Amazon Technologies, Inc. Synthetic speech processing
US11823490B2 (en) * 2021-06-08 2023-11-21 Adobe, Inc. Non-linear latent to latent model for multi-attribute face editing
CN116543749B (zh) * 2023-07-05 2023-09-15 北京科技大学 一种基于堆栈记忆网络的多模态语音合成方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100300962B1 (ko) * 1998-07-24 2001-10-27 윤종용 음성합성을위한립싱크방법및그장치
KR102401512B1 (ko) * 2018-01-11 2022-05-25 네오사피엔스 주식회사 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
CN108763190B (zh) * 2018-04-12 2019-04-02 平安科技（深圳）有限公司 基于语音的口型动画合成装置、方法及可读存储介质
CN110853614A (zh) * 2018-08-03 2020-02-28 Tcl集团股份有限公司 虚拟对象口型驱动方法、装置及终端设备
KR102057926B1 (ko) * 2019-03-19 2019-12-20 휴멜로 주식회사 음성 합성 장치 및 그 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Naihan Li et al., ‘MoBoAligner: a Neural Alignment Model for Non-autoregressive TTS with Monotonic Boundary Search’, arXiv:2005.08528v2 [eess.AS] 9 Jun 2020.*
Rithesh Kumar et al., ‘ObamaNet: Photo-realistic lip-sync from text’, arXiv:1801.01442v1, [cs.CV], 6 December 2017.*
YANG ZHOU et al., ‘VisemeNet: Audio-Driven Animator-Centric Speech Animation’, ACM Transactions on Graphics, Vol. 37, No. 4, Article 161, pp.1~10, August 2018.*
Yi Ren et al., ‘FastSpeech: Fast, robust and controllable text t0 speech’, arXiv:1905.09263v5, [cs.CL], 20 November 2019.*

Also Published As

Publication number Publication date
WO2022045651A1 (ko) 2022-03-03
US20230206896A1 (en) 2023-06-29
EP4191586A4 (en) 2024-07-31
KR20230023700A (ko) 2023-02-17
KR20240008385A (ko) 2024-01-18
EP4191586A1 (en) 2023-06-07
KR20220027598A (ko) 2022-03-08

Similar Documents

Publication Publication Date Title
US20210142783A1 (en) Method and system for generating synthetic speech for text through user interface
US11929059B2 (en) Method, device, and computer readable storage medium for text-to-speech synthesis using machine learning on basis of sequential prosody feature
KR102498667B1 (ko) 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
CN111566656B (zh) 利用多种语言文本语音合成模型的语音翻译方法及系统
US11514887B2 (en) Text-to-speech synthesis method and apparatus using machine learning, and computer-readable storage medium
EP3504709B1 (en) Determining phonetic relationships
KR20220000391A (ko) 순차적 운율 특징을 기초로 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
EP4343755A1 (en) Method and system for generating composite speech by using style tag expressed in natural language
US20240105160A1 (en) Method and system for generating synthesis voice using style tag represented by natural language
WO2020209647A1 (ko) 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
KR20190109651A (ko) 인공지능 기반의 음성 모방 대화 서비스 제공 방법 및 시스템
WO2023279976A1 (zh) 语音合成方法、装置、设备及存储介质
CN114360492B (zh) 音频合成方法、装置、计算机设备和存储介质
US20230186895A1 (en) Method for performing synthetic speech generation operation on text
KR20240099120A (ko) 타이밍 정보가 반영된 합성 음성을 생성하는 방법 및 시스템
KR102604932B1 (ko) 새로운 화자의 합성 음성을 생성하는 방법 및 시스템
KR102663162B1 (ko) 음성 합성 방법 및 시스템
KR20220147554A (ko) 개인화된 음성 콘텐츠를 제공하는 방법
KR20220145739A (ko) 개인화된 음성 콘텐츠를 생성하는 방법
KR20240129506A (ko) 화자 설명 텍스트에 기초한 합성 음성 생성 방법 및 시스템

Legal Events

Date Code Title Description
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
A107 Divisional application of patent
GRNT Written decision to grant