KR102547000B1 - 화자 감정 분석에 기초하여 화자 인증을 개선하는 방법 - Google Patents

Abstract

본 개시의 일 실시예에 따라, 컴퓨팅 장치에 의해 수행되는, 화자 인증(Speaker Verification)을 개선하는 방법이 개시된다. 상기 방법은, 화자의 음성 데이터를 획득하는 단계; 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다.

Description

화자 감정 분석에 기초하여 화자 인증을 개선하는 방법{METHOD FOR IMPROVING SPEAKER VERIFICATION BASED ON SPEAKER SENTIMENT ANALYSIS}

본 발명은 화자 인증 개선 방법에 관한 것으로, 보다 구체적으로 감정 상태 정보를 고려하여 음성 인식 정확도를 개선하는 기술에 관한 것이다.

화자 인식은 사람이 발성한 음성을 컴퓨터가 분석하여 음성의 인물 정보를 얻어내는 과정을 말한다. 음성 인식과 처리 과정은 유사하지만 음성 인식은 발성한 음성에서 언어적 정보를 찾는 반면, 화자 인식은 발성한 음성에서 인물 정보를 찾는다. 화자 인식을 수행하기 위해서는 비밀번호 등록과 같이 발성한 음성을 통계적인 음향 모델(acoustic model)로 만드는 등록(enrollment)과정이 필요하며, 등록 과정에서 만들어진 음향 모델을 이용하여 인식(test)과정에서 입력한 발성의 인물정보를 얻는다.

화자 인식은 얻은 정보를 분류하는 방법에 따라 화자 식별(speaker identification)과 화자 인증(speaker verification)으로 나눌 수 있다. 화자 식별은 등록된 사람들 중에서 발성한 사람을 찾는 과정이고, 화자 인증은 등록된 화자의 음성이 맞는지 결정하는 과정이다. 실제 화자인식기에서는 화자 식별과 화자 인증의 과정이 모두 필요하다.

일반적으로 학습 데이터를 만들 때, 동일 화자의 여러 음성들을 녹음하는데, 동일한 환경에서 단기간 녹음을 하다 보니 감정의 큰 데이터가 수집되지 않은 경향이 있다. 화자 임베딩 모델은 감정변화에 취약한 편이다.

대한민국 등록특허 제10-2203161호(2021.01.08)는 음성파일에 대한 화자인식장치 및 음성파일에 대한 화자인식시스템 그리고 음성파일에 대한 화자인식방법에 관하여 개시한다.

본 개시는 음성 데이터에 기초한 화자 인증 과정에서, 화자 인증의 정확도를 개선하는 것을 해결 과제로 한다. 예를 들어, 본 개시는, 음성 데이터에 기초한 화자 인증 과정에서, 음성 데이터와 연관된 감정 상태를 추가로 고려하거나, 음성 데이터에 대한 음성 인식 결과를 추가로 고려하여, 화자 인증의 정확도를 개선하는 것을 해결 과제로 한다.

한편, 본 개시가 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 기술적 과제가 포함될 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 방법이 개시된다. 상기 방법은, 화자의 음성 데이터를 획득하는 단계; 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계는, 상기 연산 된 확률 값에 기초하여, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계; 및 상기 감정 상태에 대한 검증을 수행한 이후, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는, 상기 음성 데이터의 감정 상태가 중립(Neutral)일 확률 값을 연산하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는, 상기 음성 데이터의 감정 상태가 중립일 확률 값에 0.5를 초과하는 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는, 상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들 연산하는 단계를 포함하고, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는, 상기 복수의 확률 값들 중 가장 높은 확률 값에 중립에 해당하는 확률 값인 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는, 상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들 연산하는 단계; 및 상기 확률 값들에 기초하여 상기 음성 데이터에 대한 감정 특징 벡터를 생성하는 단계를 포함하고, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는, 상기 감정 특징 벡터와 연관된 거리 정보에 기초하여, 상기 감정 상태에 대한 검증을 수행하는 단계를 포함할 수 있다.

대안적으로, 상기 등록 절차는, 상기 음성 데이터에 기초하여 화자 임베딩 벡터(Speaker embedding vector)를 연산하고, 연산된 화자 임베딩 벡터를 상기 화자 인증을 위한 기준 화자 임베딩 벡터로서 결정하는 단계; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 임계치(threshold)를 결정하는 단계를 포함할 수 있다.

대안적으로, 상기 인증 절차는, 상기 음성 데이터에 기초하여 화자 임베딩 벡터를 연산하고, 연산된 화자 임베딩 벡터를 미리 결정된 기준 화자 임베딩 벡터와 비교하는 단계; 및 상기 연산된 화자 임베딩 벡터와 상기 미리 결정된 기준 화자 임베딩 벡터 사이의 유사도가 임계치를 초과하는지 여부를 결정하는 단계를 포함하고, 상기 임계치는, 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여 동적으로 결정될 수 있다.

대안적으로, 상기 임계치는, 상기 음성 데이터의 감정 상태가 중립일 확률 값의 역수; 또는 상기 기준 화자 임베딩 벡터와 연관된 미리 결정된 기준 음성 데이터의 감정 특징 벡터, 및 상기 음성 데이터의 감정 특징 벡터 사이의 유사도의 역수 중 적어도 하나에 기초하여 결정되고, 상기 감정 특징 벡터는 복수의 감정 상태들에 대한 복수의 확률 값들을 포함할 수 있다.

대안적으로, 상기 방법은, 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계; 및 상기 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정하는 단계를 더 포함하고, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계는, 상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다.

대안적으로, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계는, 상기 음성 데이터를 제 1 언어의 문장으로 변환하는 단계; 및 상기 음성 데이터에 포함된 제 2 언어의 문장을 음역하여 상기 제 1 언어의 문장으로 전사하는 단계를 포함할 수 있다.

대안적으로, 상기 발화의 정확도를 결정하는 단계는, 상기 제시된 문장을 답안으로 하고, 상기 예측된 문장을 예측 결과로 설정하여 문자 오류율(CER, Character error rate)을 추출하는 단계를 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 화자 인증을 개선하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 화자의 음성 데이터를 획득하는 동작; 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 동작; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 동작을 포함할 수 있다.

전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 프로세서; 및 메모리를 포함하고, 상기 적어도 하나의 프로세서는, 화자의 음성 데이터를 획득하고; 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하고; 그리고 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하도록 구성될 수 있다.

본 개시는, 음성 데이터에 기초한 화자 인증 과정에서, 음성 데이터와 연관된 감정 상태를 추가로 고려하거나, 음성 데이터에 대한 음성 인식 결과를 추가로 고려하여, 화자 인증의 정확도를 개선할 수 있다. 예를 들어, 본 개시는, 화자의 음성을 인증하는 과정에서 감정 분석 또는 음성 인식을 추가로 수행함으로써 타인 인식률을 감소시킬 수 있고, 제3자가 타인의 발화 음성을 탈취한 경우를 대비할 수 있는 효과가 있다.

한편, 본 개시의 효과는 이상에서 언급한 효과들로 제한되지 않으며, 이하에서 설명할 내용으로부터 통상의 기술자에게 자명한 범위 내에서 다양한 효과들이 포함될 수 있다.

도 1은 본 개시의 일 실시예에 따른 화자 인증을 개선하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 감정 상태 정보와 연계하여 화자 인증을 수행하는 동작을 개략적으로 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 상태가 중립임을 요구하는 제 1 동작을 개략적으로 나타낸 도면이다.
도 4는 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 상태가 중립임을 요구하는 제 2 동작을 개략적으로 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 특징 벡터를 활용하는 동작을 개략적으로 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따른 감정 상태와 관련된 별도의 검증 없이 감정 상태 정보를 화자 인증에 활용하는 동작을 개략적으로 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따른 감정 상태 정보 및 음성 인식 정보 모두에 연계하여 화자 인증을 수행하는 동작을 개략적으로 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따른 화자 인증을 개선하는 방법에 대한 흐름도이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.

도 1은 본 개시의 일 실시예에 따른 화자 인증을 개선하기 위한 컴퓨팅 장치의 블록 구성도이다.

도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.

컴퓨팅 장치(100)는 프로세서(110) 및 메모리(130)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 화자의 음성 데이터를 기반으로 화자 인증(speaker verification)을 수행할 수 있다. 예를 들어, 프로세서(110)는 화자의 음성 데이터를 기초로 화자 임베딩 벡터(speaker embedding vector)를 연산할 수 있으며, 연산된 화자 임베딩 벡터에 기초하여 화자 인증을 수행할 수 있다. 또한, 화자 임베딩 추출(Speaker embedding extraction) 방법에는 I-vector 및 X-vector 등이 포함될 수 있다. 또한, 화자 임베딩 추출 방법은, 텍스트 의존형 방법(Text dependent SV), 텍스트 독립형 방법(Text independent SV) 등으로 분류될 수 있다. 여기서, Text dependent SV는 특정한 문장(예컨대, ok google)에 대해서 특화된 인증 모듈이며 다른 문장을 발화할 시에는 본래 화자인증 모듈의 성능이 발휘되지 않는다. 반면에, Text independent SV는 일반적인 문장에 대해서 화자인증을 수행할 수 있는 모듈이다. 한편, 화자 인증의 오류에는 타인 인식(False positive), 본인 거부 (False negative) 등이 포함될 수 있는데, 화자 인증에서는 타인 인식률이 본인 거부율보다 중요하게 평가되는 경향이 있다. 또한, 이를 반영하기 위해서 Minimum detection cost와 같은 척도를 사용하여 화자 인증이 평가될 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 화자의 감정 상태를 판단(분석)하는 것과 연계하여 화자 인증을 수행할 수 있다. 예를 들어, 프로세서(110)는, 화자의 감정 상태를 검증한 이후에 화자 인증을 수행하거나, 화자의 감정 상태 정보를 화자 인증에 활용(예컨대, 화자의 감정 상태 정보를 활용하여, 화자 인증과 관련된 임계치 등을 조절)할 수 있다. 또한, 프로세서(110)는, 음성 인식과 연계하여 화자 인증을 수행할 수 있다. 예를 들어, 프로세서(110)는, 음성 인식을 통해 획득된 문자 정보를 검증(예컨대, 사용자가 인증을 위해 주어진 문장을 적절히 발화하였는지 검증)한 이후에, 화자 인증을 수행할 수 있다. 또한, 프로세서(110)는, 화자의 감정 상태를 분석하는 것 및 음성 인식을 수행하는 것 모두와 연계하여 화자 인증을 수행할 수도 있다. 따라서, 프로세서(110)는, 이러한 동작들을 통해, 화자 인증과 관련하여, 타인 인식률을 감소시키고, 제3자가 타인의 발화 음성을 탈취한 경우를 대처할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 2는 본 개시의 일 실시예에 따른 감정 상태 정보와 연계하여 화자 인증을 수행하는 동작을 개략적으로 나타낸 도면이다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 화자의 음성 데이터를 획득할 수 있다(S10). 이 경우 프로세서(110)는 화자의 음성 데이터를 획득하기에 앞서 화자가 발화할 문장을 생성할 수 있다. 또한, 프로세서(110)는 풍부한(다양한) 화자 임베딩(Speaker embedding)을 추출하기 위해 미리 설정된 개수(예컨대, 5개) 이상의 단어가 포함되도록 발화 문장을 생성할 수 있다. 또한, 프로세서(110)는 화자의 종합적인 발음이 고려될 수 있도록 다양한 발음(예컨대, 팬그램, Pangram 등)이 포함된 단어들을 제시할 수 있다. 또한, 프로세서(110)는 보안을 위해 미리 설정된 주기(예컨대, 인증마다, 한 시간마다, 매일마다)로 발화 문장을 교체할 수 있다. 이러한 프로세서(110)는, 발화 문장을 생성한 뒤에, 생성된 발화 문장을 발화한 화자의 음성 데이터를 획득할 수 있다. 일 예로, 음성 데이터는 음성 신호 또는 스펙트로그램(spectrogram)을 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는, 음성 데이터 정보에 기초하여 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)를 수행하는 것과 연관하여, 음성 데이터의 감정 상태에 대한 확률 값을 연산할 수 있다(S11). 다시 말해, 프로세서(110)는 음성 데이터로부터 유추되는 화자의 감정 상태에 대한 확률 값을 연산할 수 있다. 예를 들어, 프로세서(110)는, 음성 데이터의 감정 상태가 특정 타입의 감정 상태(예컨대, 중립의 감정 상태)에 해당할 확률 값을 연산할 수 있다. 또한, 프로세서(110)는, 음성 데이터의 감정 상태가 복수의 타입의 감정 상태들에 각각 해당할 복수의 확률 값들을 연산할 수 있으며, 연산 된 복수의 확률 값들에 기초하여 감정 특징 벡터를 생성할 수 있다. 한편, 프로세서(110)는 복수의 타입의 감성 상태들에 대한 복수의 확률 값들을 연산하기 이전에, 중립/긍정/부정 또는 중립/행복/슬픔/분노 등으로 사람이 가질 수 있는 복수의 타입의 감정 상태들을 사전에 정의할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)의 수행에 앞서서, 음성 데이터의 감정 상태에 대한 검증(S12)을 수행할 수 있다. 이 경우 프로세서(110)는 연산된 확률 값에 기초하여, 음성 데이터의 감정 상태에 대한 검증을 수행할 수 있다(S12). 또한, 프로세서(110)는 감정 검증 과정에서 미리 설정된 조건을 만족하는 경우, 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)를 수행할 수 있다. 감정 검증(S12)은 이하 도 3 내지 도 5를 기반으로 다양한 실시예에 대해 상세히 설명하고자 한다.

한편, 프로세서(110)는, 등록 절차(S20)를 수행하기 위해, 음성 데이터에 기초하여 화자 임베딩 벡터(Speaker embedding vector)를 연산하고, 연산된 화자 임베딩 벡터를 화자 인증을 위한 기준 화자 임베딩 벡터로서 결정할 수 있다. 또한, 프로세서(110)는 결정된 기준 화자 임베딩 벡터를 등록벡터 저장소(S21)에 등록(저장)할 수 있다. 이러한 기준 화자 임베딩 벡터는 추후 인증 요청이 들어왔을 때 화자의 목소리를 비교할 수 있는 레퍼런스로 취급될 수 있다.

또한, 프로세서(110)는, 인증 절차(S30)와 관련하여, 인증 시에 획득된 음성 데이터에 대한 화자 임베딩 벡터를 연산할 수 있으며, "연산된 화자 임베딩 벡터"와 "등록 절차(S20)에서 저장된 기준 화자 임베딩 벡터"사이의 유사도를 계산한 뒤에 임계치와 비교하여 화자 인증을 수행할 수 있다(S31). 이 경우 프로세서(110)는, 계산된 유사도가 임계치(threshold)를 초과하면 동일인이라고 판단하고, 계산된 유사도가 임계치 미만이면 타인이라고 판단하여 화자 인증을 기각할 수 있다. 한편, 여기서 임계치는, 음성 데이터의 감정 상태에 대한 확률 값에 기초하여 동적으로 결정될 수도 있다. 예를 들어, 임계치는, "음성 데이터의 감정 상태가 중립일 확률 값의 역수", "기준 음성 데이터의 감정 특징 벡터 및 인증 시에 획득된 음성 데이터의 감정 특징 벡터 사이의 유사도의 역수" 등에 기초하여 동적으로 결정될 수도 있다. 또한, 유사도 비교는, 코사인 유사도나, 유클리디언 유사도 등을 포함할 수 있으며, 동일 화자의 화자 임베딩(Speaker embedding)끼리는 유사도가 비슷하다는 것을 전제로 한다.

도 3은 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 상태가 중립임을 요구하는 제 1 동작을 개략적으로 나타낸 도면이다.

본 개시의 일 실시예에 따르면, 단계 S11에 기초하여 화자(사용자)가 큰 감정의 기복 없이(중립 상태) 문장을 발화하였는지를 검증함으로써 화자 인증 정확도를 개선할 수 있다.

도 3을 참조하면, 프로세서(110)는 획득된 음성 데이터의 감정 상태가 중립(Neutral)일 확률 값을 연산할 수 있다(S111). 감정 상태가 중립(Neutral)인 것은, 큰 감정의 기복이 없는 상태에 해당할 수 있다. 따라서, 프로세서(110)는 연산된 확률 값에 기초하여, 화자(사용자)가 큰 감정의 기복 없이(중립 상태) 문장을 발화하였는지 검증을 수행할 수 있다. 또한, 프로세서(110)는 연산된 확률 값에 기초하여 화자(사용자)가 큰 감정의 기복 없이 문장을 발화하였는지를 검증함으로써 화자 인증 정확도를 개선할 수 있다. 이 경우, 프로세서(110)는, 사전에 설정된 임계치와의 비교를 통해, 음성 데이터의 감정 상태가 중립인지 여부를 검증할 수 있다. 예를 들어, 프로세서(110)는 음성 데이터의 감정 상태가 중립일 확률 값이 0.5를 초과하는 경우, 감정 상태에 대한 검증이 통과된 것으로 결정할 수 있다. 반면, 프로세서(110)는 음성 데이터의 감정 상태가 중립일 확률 값이 0.5 이하인 경우, 감정 검증을 기각 또는 재 요청할 수 있다.

도 4는 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 상태가 중립임을 요구하는 제 2 동작을 개략적으로 나타낸 도면이다.

도 4를 참조하면, 프로세서(110)는, 복수의 감정 상태들에 대한 복수의 확률 값들에 기초하여, 음성 데이터의 감정 상태가 중립인지 여부를 검증할 수도 있다. 구체적으로, 프로세서(110)는, 음성 데이터의 감정 상태가 복수의 감정 상태들 각각에 해당할 복수의 확률들을 연산할 수 있다(S112). 프로세서(110)는 복수의 확률 값들을 연산한 뒤에, 복수의 확률 값들 중 가장 높은 확률 값이 중립에 해당하는 확률 값인 경우, 감정 상태에 대한 검증이 통과된 것으로 결정할 수 있다. 예를 들어, 프로세서(110)는, 음성 데이터의 감정 상태가 [중립, 화남, 슬픔, 행복]의 4가지 감정 상태에 해당할 4개의 확률들을 각각 연산한 뒤에, 확률이 가장 높게 나온 감정이 "중립"인 경우 감정 상태에 대한 검증이 통과된 것으로 결정할 수 있다. 보다 구체적인 예시로서, 프로세서(110)는, 음성 데이터의 감정 상태가 [중립, 화남, 슬픔, 행복] 각각에 해당하는 복수의 확률 값들이 [0.6, 0.1, 0.1, 0.2]인 경우, "중립"이 가장 높은 확률 값으로 나타났기 때문에, 감정 상태에 대한 검증이 통과된 것으로 결정할 수 있다. 반면, 프로세서(110)는 "중립"이 가장 높은 확률 값으로 나타나지 않은 경우, 감정 상태에 대한 검증을 기각 또는 재 요청할 수 있다.

즉, 도 3 및 도 4를 참조하여 전술한 실시 예에 따르면 등록 절차(S20) 사전에도 감정 상태가 중립일 것이 검증되고 인증 절차(S30) 사전에도 감정 상태가 중립일 것이 검증되므로, 감정 변화로 인한 화자 인증 정확도 감소 문제가 감소할 수 있다.

도 5는 본 개시의 일 실시예에 따른 감정 검증 과정에서 감정 특징 벡터를 활용하는 동작을 개략적으로 나타낸 도면이다.

도 5를 참조하면, 프로세서(110)는, 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들을 연산할 수 있다(S112). 이후, 연산 된 복수의 확률 값들에 기초하여 음성 데이터에 대한 감정 특징 벡터를 생성할 수 있다(S113). 예를 들어, 복수의 감정 상태들이 [중립, 화남, 슬픔, 행복]을 포함할 때, 프로세서(110)는 획득된 음성 데이터를 기반으로, [0.1, 0.2, 0.3, 0.4]와 같이 각 class에 대한 확률(총합 1)로 이루어진 감정 특징 벡터를 추출할 수 있다.

이때, 프로세서(110)는 감정 특징 벡터와 연관된 거리 정보에 기초하여, 감정 상태에 대한 검증을 수행할 수 있다(S12). 예를 들어, 프로세서(110)는, "기준 음성 등록 시에, 등록 절차(S20)에 앞서, 기준 음성 데이터로부터 추출된 기준 감정 특징 벡터"와 "음성 인증 시에, 인증 절차(S30)에 앞서, 인증 대상인 음성 데이터로부터 추출된 감정 특징 벡터"의 거리를 계산할 수 있다. 보다 구체적인 예시로서, 프로세서(110)는, "기준 음성 등록 시에, 등록 절차(S20)에 앞서, 기준 음성 데이터로부터 추출되어 저장된 기준 감정 특징 벡터"가 [0.1, 0.2, 0.3, 0.4] 였고, "음성 인증 시에, 인증 절차(S30)에 앞서, 인증 대상인 음성 데이터로부터 추출된 감정 특징 벡터"가 [0.2, 0.3, 0.2, 0.3]인 경우, 각 class에 대한 확률 간 차이의 제곱의 합에 대한 루트 값으로 감정 특징 벡터 간 거리를 도출할 수 있다. 즉, 감정 특징 벡터 간 거리는,

= 0.2로 도출될 수 있다. 이때, 거리에 대하여 미리 설정된 임계값(threshold)이 0.3이라고 가정하면, 프로세서(110)는 거리의 결과값이 임계값(threshold) 미만이므로 감정 상태에 대한 검증(S12)이 완료되었다고 판단(즉, 등록 시의 감정 사태와 인증 시의 감정 상태가 유사하다고 판단)하고, 후속적으로 음성 데이터에 대한 화자 인증(S31)을 수행할 수 있다.

도 5를 참조하여 전술한 실시 예의 경우 도 3 및 도 4를 참조하여 전술한 실시 예들과는 그 흐름이 다를 수 있다. 예를 들어, 도 3 및 도 4를 참조하여 전술한 실시 예에서는 등록 절차(S20) 및 인증 절차(S30) 이전에 모두 감정 검증 절차(S12)가 수행되지만, 도 5를 참조하여 전술한 실시 예에서는 등록 절차(S20) 이후 인증 절차(S30) 이전에만 감정 검증 절차(S12)가 수행된다.

구체적으로, 도 5를 참조하여 전술한 실시 예 따르면 음성 인증을 이용하기 위해 음성을 등록하는 등록 절차(S20) 이전에는 감정 검증 절차(S12) 없이 기준 감정 벡터만 추출되고, 이후 음성 인증을 수행하는 인증 절차(S30) 이전에만 감정 검증 절차(S12)가 수행될 수 있다. 도 5를 참조하여 전술한 실시 예의 감정 검증 절차(S12)에서 인증 대상 음성 데이터로부터 추출된 감정 특징 벡터가 기준 감정 벡터와 비교되고, 유사도가 임계값 미만이면 등록 시의 감정 사태와 인증 시의 감정 상태가 유사하다고 판단될 수 있다. 등록 시와 인증 시의 감정 상태가 유사하다고 판단되면, 후속적으로 음성 데이터에 대한 화자 인증(S31)이 수행될 수 있다.

도 6은 본 개시의 일 실시예에 따른 감정 상태와 관련된 별도의 검증 없이 감정 상태 정보를 화자 인증에 활용하는 동작을 개략적으로 나타낸 도면이다.

본 개시의 일 실시예에 따르면, 프로세서(110)는, 감정 상태와 관련된 별도의 검증 없이, 등록 절차(S20) 또는 인증 절차(S30)를 수행할 수도 있다. 구체적으로, 프로세서(110)는, 등록 절차(S20) 또는 인증 절차(S30) 이전에 별도의 감정 검증(S12) 절차를 수행하지 않고, 감정 상태 정보를 등록 절차(S20) 또는 인증 절차(S30)에서 직접 활용할 수도 있다. 예를 들어, 프로세서(110)는, 등록 절차(S20)에서, 감정 상태와 관련된 별도의 검증 없이, 화자 인증과 관련된 등록 프로세스를 수행할 수 있으며, 화자 인증과 관련된 임계치 등록 시에 감정 상태 정보를 활용할 수 있다. 보다 구체적인 예시로서, 프로세서(110)는, 등록 절차(S20)에서, (1) 음성 데이터에 기초하여 화자 임베딩 벡터(Speaker embedding vector)를 연산(S13)하고, (2) 연산된 화자 임베딩 벡터를 상기 화자 인증을 위한 기준 화자 임베딩 벡터로서 결정할 수 있으며, (3) 결정된 기준 화자 임베딩 벡터를 등록벡터 저장소에 등록(저장)할 수 있다(S21). 이러한 기준 화자 임베딩 벡터는 추후 인증 절차(S30)에서 화자의 목소리를 비교할 수 있는 레퍼런스로 취급될 수 있다. 또한, 프로세서(110)는, (4) 등록 절차(S20)에서, 기준 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 화자 인증을 위한 임계치(threshold)를 동적으로 결정할 수 있다. 이러한 화자 인증을 위한 임계치(threshold)는, 동적으로 결정된 뒤에 저장될 수 있으며, 추후 인증 절차(S30)에서, 화자 임베딩 벡터들 사이의 유사도를 평가하는 기준으로 활용될 수 있다.

즉, 도 2 내지 도 5를 참조하여 전술한 실시 예들에서는 별도의 감정 검증 절차(S12)가 포함되었지만, 도 6을 참조하여 전술한 실시 예에서는 감정 검증 절차 없이 단순히 인증 절차(S30)에서 감정 상태 정보가 활용될 수 있다. 감정 상태 정보는 도 2 내지 도 5를 참조하여 전술한, "복수의 감정 상태들에 대한 복수의 확률 값들을 포함하는 감정 특징 벡터"에 대응될 수 있다.

예를 들어, 인증 절차(S30)에서, 인증 대상 음성 데이터의 임베딩 벡터인 '인증 화자 임베딩 벡터'와 '기준 화자 임베딩 벡터' 간 유사도(예컨대, 코사인 유사도 또는 유클리디언 유사도)의 임계치가 감정 상태 정보에 따라 동적으로 결정될 수 있다. 구체적으로, 도 2를 참조하여 전술한 바와 같이, 임계치는 감정 상태에 대한 확률 값에 따라 "음성 데이터의 감정 상태가 중립일 확률 값의 역수", "기준 음성 데이터의 감정 특징 벡터 및 인증 시에 획득된 음성 데이터의 감정 특징 벡터 사이의 유사도의 역수" 등에 기초하여 동적으로 결정될 수 있다.

예를 들어, 프로세서(110)는 감정 상태가 중립일 확률이 높은 경우에는 유사도 임계치를 0.8로 설정하고, 인증 화자 임베딩 벡터가 기준 화자 임베딩 벡터와 0.8 이상 유사하면 동일인이라고 판단할 수 있다. 프로세서(110)는 감정 상태가 중립일 확률이 낮은 경우 유사도 임계치를 0.9로 조정할 수 있고, 이로 인해 타인 인식률(False Positive)이 낮게 유지될 수 있다.

도 7은 본 개시의 일 실시예에 따른 감정 상태 정보 및 음성 인식 정보 모두에 연계하여 화자 인증을 수행하는 동작을 개략적으로 나타낸 도면이다.

먼저, 프로세서(110)는 화자의 음성 데이터를 획득할 수 있다(S10).

다음으로, 프로세서(110)는, 위에서 살펴보았듯이, 음성 데이터 정보에 기초하여 감정 판단(S11) 절차 또는 감정 검증(S12)을 수행할 수 있다. 예를 들어, 프로세서(110)는, 위에서 살펴보았듯이, 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)의 수행에 앞서서, 감정 판단(S11) 절차 및 감정 검증(S12) 절차를 수행할 수 있다. 또한, 프로세서(110)는, 위에서 살펴보았듯이, 감정 검증(S12) 절차 없이, 감정 판단(S11) 절차를 통해 획득한 감정 상태 정보를 등록 절차(S20) 또는 인증 절차(S30)에서 직접 활용할 수도 있다.

추가로, 프로세서(110)는, 획득된 음성 데이터(S10)를 기반으로, 음성 데이터에 대한 음성 인식을 병렬적으로 수행할 수 있다(S40). 이 경우, 프로세서(110)는, 음성 인식을 수행하기 위해, 음성 데이터를 제 1 언어의 문장으로 변환할 수 있다. 또한, 프로세서(110)는 음성을 텍스트로 바꾸는 받아쓰기 기술인 STT(Speech-to-Text)를 적용하여 음성 데이터를 제 1 언어(예컨대, 한글)의 문장으로 변환할 수 있다. 또한, 프로세서(110)는 음성 데이터에 포함된 제 2 언어의 문장을 음역하여 제 1 언어의 문장으로 전사할 수 있다. 또한, 프로세서(110)는 제 2 언어(예컨대, 숫자 또는 영어)로 표현될 수 있는 음성을 제 1 언어(예컨대, 한글)로 전사할 수 있다. 예를 들어, 프로세서는 "9개를 아홉개", "abc를 에이비씨"로 전사할 수 있다. 이때, 프로세서(110)는 문장부호와 같은 특수문자들은 전사하지 않는다. 따라서, 이러한 전사 과정을 통해, 음성 인식에 대한 평가를 단일 언어 기반의 의미/발음의 관점에서 수행할 수 있으며, 이러한 방식을 통해 보다 일관적인 음성 인식에 대한 평가를 구현할 수 있다.

또한, 프로세서(110)는 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정할 수 있다(S41). 예시적으로, 음성 인식에 의해 예측된 문장은, "Wave 형태의 음성 신호 또는 음성 신호를 변환한 스펙트로그램(Spectrogram)을 입력으로 하고, 문자열 형태의 텍스트를 출력으로 하는 알고리즘"을 적용하여 생성된 것일 수 있다. 일 예로, 이러한 알고리즘은, 토큰(token) 별로 다음에 올 토큰(token) 중 확률이 가장 높은 토큰(token)을 결정하는 방법인 Beam Search 기법을 포함할 수 있으나, 이에 한정되는 것은 아니며, 기 개발되었거나 향후 개발되는 알고리즘이 적용될 수 있다. 한편, 제시된 문장은, 앞서 단계 S10에서 화자의 음성 데이터를 획득하기에 앞서 생성된, 화자가 발화할 문장을 포함할 수 있다. 또한, 프로세서(110)는 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 화자가 문장을 적절히 발화했는지 검증할 수 있다. 또한, 프로세서(110)는, 발화의 정확도를 결정하기 위해, 제시된 문장을 답안으로 하고, 예측된 문장을 예측 결과로 설정하여 문자 오류율(CER, Character error rate)을 추출할 수 있다. 문자 오류율(CER)은, 하기와 표현될 수 있다.

여기서, N은 정답 텍스트의 길이이다. Insertion는 실제 정답에는 없으나, 예측 결과에 잘못 추가된 글자이다. 예를 들어, 정답: "안녕하세요"/ 예측: "안녕하세요오"의 경우에 해당한다. Substitution는 실제 정답과 예측 결과의 글자가 다른 경우이다. 예를 들어, 정답: "안녕하세요"/ 예측 : "안넝하세요"의 경우에 해당한다. Deletion는 실제 정답에는 있어서 받아 적어야 하나, 받아 적지 못한 경우이다. 예를 들어, 정답: "안녕하세요" / 예측 :"녕하세요"의 경우에 해당한다. 한편, 프로세서(110)는 문자 오류율이 사전에 설정한 임계값보다 높을 경우에는 해당 인증 요청을 기각 또는 재 요청할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 감정 상태 정보와 음성 인식 정보를 모두 고려하여 화자 인증(S31)을 수행할 수 있다. 예를 들어, 프로세서(110)는, 감정 상태 정보에 기반하는 감정 검증(S12)이 완료되고, 음성 인식 정보에 기반하는 정확도 결정(S41) 및 평가 절차가 완료된 경우에만, 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)를 수행할 수 있다. 또한, 프로세서(110)는, (감정 상태에 대한 검증 없이) 음성 인식 정보에 기반하는 정확도 결정(S41) 및 평가 절차가 완료된 이후에, 화자 인증을 위한 등록 절차(S20) 또는 인증 절차(S30)를 수행할 수 있으며, 이러한 수행 과정에서 화자의 감정 상태 정보를 활용(예컨대, 임계치 설정의 기초 정보로 활용 등)할 수 있다.

이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.

도 8은 본 개시의 일 실시예에 따른 화자 인증을 개선하는 방법에 대한 흐름도이다.

도 8에 도시된 화자 인증을 개선하는 방법은 앞서 설명된 컴퓨팅 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 자세한 언급이 없다고 하더라도, 컴퓨팅 장치(100)에 대하여 상술한 내용은 화자 인증을 개선하는 방법에 대한 설명에도 동일하게 적용될 수 있다.

도 8을 참조하면, 본 개시의 일 실시예에 따른 화자 인증 방법은, 화자의 음성 데이터를 획득하는 단계(S110), 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계(S120), 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계(S130) 등을 포함할 수 있으며, 이러한 단계들 이외에도 다양한 단계들을 포함할 수 있다. 또한, 본 개시의 일 실시예에 따른 화자 인증 방법은, 컴퓨팅 장치(100)에 의해 수행될 수 있다.

상기 S110 단계는, 화자의 음성 데이터를 획득하는 단계이다. 여기서 음성 데이터는, 주어진 문장에 대응하여 획득된 음성 데이터이거나, 임의로 발화된 음성 데이터일 수 있다. 또한, 음성 데이터는, 음성 신호, 스펙트로그램(spectrogram) 등을 포함할 수 있다.

상기 S120 단계는, 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계이다. 이러한 상기 S120 단계는, 음성 데이터의 감정 상태에 대한 다양한 확률 값을 연산할 수 있다. 예를 들어, 상기 S120 단계는, 상기 음성 데이터의 감정 상태가 중립(Neutral)일 확률 값을 연산하는 단계를 포함할 수 있다. 또한, 상기 S120 단계는, 상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들을 연산하는 단계를 포함할 수도 있다. 또한, S120 단계는, 상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들을 연산하는 단계; 및 상기 확률 값들에 기초하여 상기 음성 데이터에 대한 감정 특징 벡터를 생성하는 단계를 포함할 수도 있다.

상기 S130 단계는, 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계이다. 이러한 상기 S130 단계는, 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하기에 앞서서, 감정 상태에 대한 검증을 수행하는 동작을 포함할 수 있다. 예를 들어, 상기 S130 단계는, 상기 연산 된 확률 값에 기초하여, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계; 및 상기 감정 상태에 대한 검증을 수행한 이후, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 포함할 수 있다. 또한, 상기 S130 단계는, 상기 음성 데이터의 감정 상태가 중립일 확률 값이 0.5를 초과하는 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계를 포함할 수도 있다. 또한, 상기 S130 단계는, 복수의 확률 값들 중 가장 높은 확률 값이 중립에 해당하는 확률 값인 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계를 포함할 수도 있다. 또한, 상기 S130 단계는, 상기 감정 특징 벡터와 연관된 거리 정보에 기초하여, 상기 감정 상태에 대한 검증을 수행하는 단계를 포함할 수도 있다.

또한, 상기 S130 단계는, 감정 상태에 대한 별도의 검증 절차를 수행하지 않을 수 있으며, 감정 상태 정보를 화자 인증을 위한 등록 절차 또는 인증 절차에서 직접적으로 활용할 수도 있다. 예를 들어, 상기 S130 단계에서, 상기 등록 절차는, 상기 음성 데이터에 기초하여 화자 임베딩 벡터(Speaker embedding vector)를 연산하고, 연산된 화자 임베딩 벡터를 상기 화자 인증을 위한 기준 화자 임베딩 벡터로서 결정하는 단계; 및 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 임계치(threshold)를 결정하는 단계를 포함할 수도 있다. 또한, 상기 S130 단계에서, 상기 인증 절차는, 상기 음성 데이터에 기초하여 화자 임베딩 벡터를 연산하고, 연산된 화자 임베딩 벡터를 미리 결정된 기준 화자 임베딩 벡터와 비교하는 단계; 및 상기 연산된 화자 임베딩 벡터와 상기 미리 결정된 기준 화자 임베딩 벡터 사이의 유사도가 임계치를 초과하는지 여부를 결정하는 단계를 포함할 수도 있다. 또한, 상기 임계치는, 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여 동적으로 결정될 수 있다. 예를 들어, 상기 임계치는, 상기 음성 데이터의 감정 상태가 중립일 확률 값의 역수; 또는 상기 기준 화자 임베딩 벡터와 연관된 미리 결정된 기준 음성 데이터의 감정 특징 벡터, 및 상기 음성 데이터의 감정 특징 벡터 사이의 유사도의 역수 중 적어도 하나에 기초하여 결정될 수 있다.

한편, 본 개시의 일 실시예에 따른 화자 인증을 개선하는 방법은, 화자 인증 절차와 관련하여, (감정 상태 정보를 검증/활용하는 동작과는 병렬적으로 수행되는) 음성 인식 동작을 추가로 수행할 수 있다. 예를 들어, 본 개시의 일 실시예에 따른 화자 인증을 개선하는 방법은, 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하기에 앞서서, 음성 인식을 수행하는 동작들을 추가로 포함할 수 있다.

보다 구체적인 예시로서, 본 개시의 일 실시예에 따른 화자 인증을 개선하는 방법은, 상기 S110 내지 S130 단계에 추가하여, 상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계; 및 상기 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정하는 단계를 더 포함할 수 있다. 또한, 상기 S130 단계는, 상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계를 더 포함할 수 있다. 한편, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계는, 상기 음성 데이터를 제 1 언어의 문장으로 변환하는 단계; 및 상기 음성 데이터에 포함된 제 2 언어의 문장을 음역하여 상기 제 1 언어의 문장으로 전사하는 단계를 포함할 수 있다. 또한, 상기 발화의 정확도를 결정하는 단계는, 상기 제시된 문장을 답안으로 하고, 상기 예측된 문장을 예측 결과로 설정하여 문자 오류율(CER, Character error rate)을 추출하는 단계를 포함할 수 있다.

상술한 설명에서 언급된 단계들은, 본 개시의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.

이상에서 살핀 본 개시의 실시예에 따르면, 화자 인증과 연관하여 감정 상태 정보가 추가로 고려될 수 있다. 예를 들어, 본 개시의 일 실시예는, 감정 상태가 중립으로 유지된 조건(즉, 감정 상태에 의해 발화가 변이될 확률이 낮은 상태)에서 화자 인증이 수행되게 함으로써, 화자 인증의 정확도를 개선할 수 있다. 또한, 본 개시의 다른 실시예는, 화자 고유의 감정 상태(예컨대, 복수의 감정 상태들의 분포)를 검증한 뒤에 화자 인증을 수행할 수 있으므로, 화자 인증의 정확도를 개선할 수 있다. 또한, 본 개시의 다른 실시예는, 감정 상태 정보에 기초하여 화자 인증을 평가하는 임계치를 동적으로 조정함으로써, 화자의 발화가 감정 상태에 의해 영향을 받는 경우에도, 보다 정확하게 화자 인증을 수행할 수 있다. 또한, 본 개시의 다른 실시예는, 화자 인증과 연관하여 음성 인식을 추가로 수행으로써, 음성 데이터의 문자 정보를 추가로 분석할 수 있으며, 이를 통해 화자 인증을 정확도를 더욱 개선(예컨대, 주어진 문장이 정확히 발음되었다고 음성 인식을 통해 평가된 경우에만 화자 인증을 수행하여, 화자 인증의 정확도를 더욱 개선)할 수 있다.

본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.

데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.

데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.

비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두 개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두 개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.

데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.

데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.

도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.

본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 개시의 설명된 실시예들은 또한, 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는, 화자 인증(Speaker Verification)을 개선하는 방법으로서,
   화자의 음성 데이터를 획득하는 단계;
   상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계;
   상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터에 대한 음성 인식을 수행하는 단계;
   상기 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정하는 단계; 및
   상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계
   를 포함하고,
   상기 등록 절차는,
   상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 임계치(threshold)를 동적으로 결정하는 단계를 포함하는,
   방법.
   
2. 제 1 항에 있어서,
   상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계는,
   상기 연산 된 확률 값에 기초하여, 상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계; 및
   상기 감정 상태에 대한 검증을 수행한 이후, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 단계
   를 포함하는,
   방법.
   
3. 제 2 항에 있어서,
   상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는,
   상기 음성 데이터의 감정 상태가 중립(Neutral)일 확률 값을 연산하는 단계를 포함하는,
   방법.
   
4. 제 3 항에 있어서,
   상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는,
   상기 음성 데이터의 감정 상태가 중립일 확률 값이 0.5를 초과하는 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계
   를 포함하는,
   방법.
   
5. 제 3 항에 있어서,
   상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는,
   상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들을 연산하는 단계를 포함하고,
   상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는,
   복수의 확률 값들 중 가장 높은 확률 값이 중립에 해당하는 확률 값인 경우, 상기 감정 상태에 대한 검증이 통과된 것으로 결정하는 단계를 포함하는,
   방법.
   
6. 제 2 항에 있어서,
   상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 단계는,
   상기 음성 데이터가 복수의 감정 상태들 각각에 해당할 복수의 확률 값들을 연산하는 단계; 및
   상기 확률 값들에 기초하여 상기 음성 데이터에 대한 감정 특징 벡터를 생성하는 단계를 포함하고,
   상기 음성 데이터의 감정 상태에 대한 검증을 수행하는 단계는,
   상기 감정 특징 벡터와 연관된 거리 정보에 기초하여, 상기 감정 상태에 대한 검증을 수행하는 단계를 포함하는,
   방법.
   
7. 제 1 항에 있어서,
   상기 등록 절차는,
   상기 음성 데이터에 기초하여 화자 임베딩 벡터(Speaker embedding vector)를 연산하고, 연산된 화자 임베딩 벡터를 상기 화자 인증을 위한 기준 화자 임베딩 벡터로서 결정하는 단계;
   를 포함하는,
   방법.
   
8. 제 1 항에 있어서,
   상기 인증 절차는,
   상기 음성 데이터에 기초하여 화자 임베딩 벡터를 연산하고, 연산된 화자 임베딩 벡터를 미리 결정된 기준 화자 임베딩 벡터와 비교하는 단계; 및
   상기 연산된 화자 임베딩 벡터와 상기 미리 결정된 기준 화자 임베딩 벡터 사이의 유사도가 임계치를 초과하는지 여부를 결정하는 단계
   를 포함하고,
   상기 임계치는, 상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여 동적으로 결정되는,
   방법.
   
9. 제 8 항에 있어서,
   상기 임계치는,
   상기 음성 데이터의 감정 상태가 중립일 확률 값의 역수; 또는
   상기 기준 화자 임베딩 벡터와 연관된 미리 결정된 기준 음성 데이터의 감정 특징 벡터, 및 상기 음성 데이터의 감정 특징 벡터 사이의 유사도의 역수
   중 적어도 하나에 기초하여 결정되고,
   상기 감정 특징 벡터는 복수의 감정 상태들에 대한 복수의 확률 값들을 포함하는,
   방법.
   
10. 삭제
11. 제 1 항에 있어서,
    상기 음성 데이터에 대한 음성 인식을 수행하는 단계는,
    상기 음성 데이터를 제 1 언어의 문장으로 변환하는 단계; 및
    상기 음성 데이터에 포함된 제 2 언어의 문장을 음역하여 상기 제 1 언어의 문장으로 전사하는 단계
    를 포함하는,
    방법.
    
12. 제 1 항에 있어서,
    상기 발화의 정확도를 결정하는 단계는,
    상기 제시된 문장을 답안으로 하고, 상기 예측된 문장을 예측 결과로 설정하여 문자 오류율(CER, Character error rate)을 추출하는 단계
    를 포함하는,
    방법.
    
13. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 화자 인증을 개선하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    화자의 음성 데이터를 획득하는 동작;
    상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하는 동작;
    상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터에 대한 음성 인식을 수행하는 동작;
    상기 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정하는 동작; 및
    상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하는 동작
    을 포함하고,
    상기 등록 절차는,
    상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 임계치(threshold)를 동적으로 결정하는 절차를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
    
14. 화자 인증을 개선하기 위한 컴퓨팅 장치로서,
    적어도 하나의 프로세서; 및
    메모리;
    를 포함하고,
    상기 적어도 하나의 프로세서는,
    화자의 음성 데이터를 획득하고;
    상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터의 감정 상태에 대한 확률 값을 연산하고;
    상기 획득된 음성 데이터를 기반으로, 상기 음성 데이터에 대한 음성 인식을 수행하고;
    상기 음성 인식에 의해 예측된 문장과 제시된 문장을 비교하여, 제시된 문장에 대한 발화의 정확도를 결정하고; 그리고
    상기 음성 데이터의 감정 상태에 대한 확률 값 및 상기 결정된 발화의 정확도에 기초하여, 상기 화자 인증을 위한 등록 절차 또는 인증 절차를 수행하도록 구성되고,
    상기 등록 절차는,
    상기 음성 데이터의 감정 상태에 대한 확률 값에 기초하여, 상기 화자 인증을 위한 임계치(threshold)를 동적으로 결정하는 절차를 포함하는,
    컴퓨팅 장치.
    

Images