KR102584481B1 - 인공 신경망을 이용한 다화자 음성 합성 방법 및 장치 - Google Patents

Abstract

일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 방법은, 복수의 사용자들의 음성 데이터를 기초로 복수의 사용자들에 대한 음성학습모델을 생성하는 단계, 화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 단계, 복수의 제2 화자벡터 중에서 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 미리 설정된 기준에 기반하여 판단하는 단계, 제3 화자벡터 및 제1 화자벡터를 기초로 적대적 학습 기법을 이용하여 새로운 사용자의 새로운 화자벡터를 예측하는 단계를 포함할 수 있다.

Description

인공 신경망을 이용한 다화자 음성 합성 방법 및 장치{METHOD AND SYSTEM FOR SYNTHESIZING MULTI SPEAKER SPEECH USING ARTIFICIAL NEURAL NETWORK}

본 발명은 인공 신경망을 이용한 다화자 음성 합성 방법 및 장치에 관한 발명으로서, 보다 구체적으로는 새로운 화자의 음성을 합성함에 있어서, 복수의 화자의 음성 벡터 중 일부를 이용하여 새로운 화자의 음성학습모델을 빠르고 정확하게 생성하는 기술에 관한 발명이다.

음성은 인간의 가장 자연스러운 의사 소통 수단이면서 정보 전달 수단이자, 언어를 구현하는 수단으로서 인간이 내는 의미 있는 소리이다.

기술이 발전함에 따라 인간과 기계 사이의 음성을 통한 통신 구현에 대한 연구가 계속 이루어지고 있다. 더욱이 최근 음성 정보를 효과적으로 처리하기 위한 음성 정보 처리 기술(speech information technology;SIT) 분야가 괄목할 만한 발전을 이룩함에 따라 실생활에서도 적용이 되고 있다.

이러한 음성 정보 처리 기술을 크게 분류하면, 음성 인식(speech recognition), 음성 합성(speech synthesis), 화자 인증(speaker identification and verification), 음성 코딩(speech coding) 등의 카테고리로 분류될 수 있다.

음성 인식은 발화된 음성을 인식하여 문자열로 변환하는 기술이고, 음성 합성은 문자열을 음성 분석에서 얻어진 데이터나 파라미터를 이용하여 원래의 음성으로 변환하는 기술이며, 화자 인증은 발화된 음성을 통하여 발화자를 추정하 거나 인증하는 기술이고, 음성 코딩은 음성 신호를 효과적으로 압축하여 부호화하는 기술이다.

이 중에서, 음성합성기술의 발전 과정을 살펴보면, 오늘날에는 컴퓨터의 급속한 발달에 힘입어, 컴퓨터 기반 음성 합성 방식이 음성 합성 방식의 주류를 이루게 되었으며, 음성합성 기술은 실제 응용방식에 따라 크게 두 가지로 구분될 수 있다. 제한된 어휘 개수와 구문구조의 문장만을 합성하는 제한 어휘합성 또는 자동음성응답시스템(ARS; Automatic Response System)과 임의의 문장을 입력 받아 음성 합성하는 무제한 어휘합성 또는 텍스트-음성 변환(TTS; Text-to-Speech) 시스템이 있다.

음성 합성 기술에 따라 생성된 합성 음성의 품질은 자연스러움과 음질 두 가지 척도로 평가할 수 있다. 여기서, 두 가지 척도 중 자연스러움은 세 단계 중 첫 번째 단계의 영향을 크게 받는다. 음질은 음향 모델과 보코더의 성능에 영향을 크게 받는다. 음향 모델은 음질을 크게 좌우하기 때문에 다양한 알고리즘이 새롭게 많이 제시되고 있다.

특히, 인공 지능 기술이 발달함에 따라 인공 신경망 기반 알고리즘은 기존 모델 대비 큰 성능 향상을 보여주고 있다. 일반적으로 인공 신경망을 이용한 음성 합성 모델은 음향 모델 부분을 인공 신경망으로 대신하여, 인공 신경망이 분석된 문장 데이터를 기반으로 음성 파라미터를 합성할 수 있다. 텍스트에서 음성으로 변환하는 과정에서, 사람이 개입하지 않고 모든 것을 딥러닝을 통해 학습이 이루어지는 것을 End-to-End(E2E)라고 한다. End-to-End 학습을 통해, 텍스트로부터 음성을 생성하는 E2E 음성합성모델(이하 음성합성모델)들이 많이 제안되고 있다.

음성합성모델 중 하나인 다화자 음성합성모델은 하나의 모델에서 여러 사람의 목소리를 생성하는 것이 가능한 음성합성모델을 의미한다.

다화자 음성 합성 모델은 음향 모델의 변경을 통해 구현될 수 있다. 먼저, 각 화자에 대한 음성 데이터를 이용하여 화자별 음향 모델을 구성하고, 음향 모델의 변경을 통해 화자별로 음성을 합성한다. 음향 모델이 음성 특징벡터를 합성하기 때문에 음향 모델의 교체를 통해 각 음성 특성을 반영하는 화자별 음성 특징벡터를 합성할 수 있다.

그러나, 종래의 다화자 음성합성모델은 여러 명의 화자의 목소리로, 음성을 생성하는 것이 가능하다는 장점이 있지만, 여러 화자를 학습시키기 위한 데이터가 많이 필요하다는 단점 또한 존재한다. 만약, 원하는 화자들의 목소리로 다화자 음성합성모델을 학습시키려면, 각 화자별로 수 십분 분량의 음성데이터와 그 음성의 텍스트가 필요하다. 이와 같은 대용량 데이터를 수집하는 것은 시간과 금전적으로 많은 문제가 발생하며, 특히 개인이나 소규모 기업에서 이를 실시하는 것은 여러 환경상 많은 어려움이 존재하였다.

한국등록특허 제10-1871604호 (2018.06.25. 공개) - '심화 신경망을 이용한 다채널 마이크 기반의 잔향시간 추정 방법 및 장치' 한국등록특허 제10-1988504호 (2019.06.05.) - '딥러닝에 의해 생성된 가상환경을 이용한 강화학습 방법'

따라서, 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 방법 및 시스템은 앞서 설명한 문제점을 해결하기 위해 고안된 발명으로서, 새로운 화자의 음성 데이터를 종래 학습된 데이터를 이용하여 보다 더 빠르고 정확하게 처리하는 데에 그 목적이 있다.

구체적으로, 본 발명은 새로운 사용자의 목소리와 가장 유사한 특징을 가지고 있으면서, 동시에 이미 학습이 되어 있는 사용자의 음성학습모델을 기초로, 새로운 사용자의 목소리에 대해 학습을 함으로써, 비교적 적은 데이터만으로는 새로운 사용자의 음성을 합성하는데 그 목적이 있다.

일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 방법은, 인공 신경망을 이용한 다화자 음성 합성 방법에 있어서, 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 단계; 화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 단계; 상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 미리 설정된 기준에 기반하여 판단하는 단계; 상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 상기 새로운 사용자의 새로운 화자벡터를 예측하는 단계;를 포함하되, 상기 새로운 화자벡터는 적대적 학습 기법에 기반하여 학습된다. 또한, 할 수 있다.

또한, 상기 미리 설정된 기준에 기반하여 예측하는 단계는, 상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용할 수 있다.

또한, 상기 미리 설정된 기준에 기반하여 예측하는 단계는, 산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 벡터로 결정할 수 있다.

또한, 상기 미리 설정된 기준에 기반하여 예측하는 단계는, 상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 하여 예측할 수 있다.

또한, 상기 적대적 학습 기법은, 상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행할 수 있다.

다른 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 장치는, 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 음성 합성부; 화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 화자벡터 생성부; 및 상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 미리 설정된 기준에 기반하여 예측하는 유사벡터 결정부;를 포함하고, 상기 유사벡터 결정부는, 상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 상기 새로운 사용자의 새로운 화자벡터를 예측하며, 상기 새로운 화자벡터는 적대적 학습 기법에 기반하여 학습될 수 있다.

또한, 상기 유사벡터 결정부는, 상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용할 수 있다.

또한, 상기 유사벡터 결정부는, 산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 벡터로 결정할 수 있다.

또한, 상기 유사벡터 결정부는, 상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 하여 예측할 수 있다.

또한, 상기 유사벡터 결정부는, 상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행할 수 있다.

또 다른 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 장치는 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 음성 합성부; 화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 화자벡터 생성부; 및 상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 미리 설정된 기준에 기반하여 예측하는 유사벡터 결정부;를 포함하고, 상기 유사벡터 결정부는, 상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 상기 새로운 사용자의 새로운 화자벡터를 예측하며, 상기 새로운 화자벡터를 학습시키는 학습 모듈을 더 포함할 수 있다.

또한, 상기 유사벡터 결정부는, 상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용할 수 있다.

또한, 상기 유사벡터 결정부는, 산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 벡터로 결정할 수 있다.

또한, 상기 유사벡터 결정부는, 상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 하여 예측할 수 있다.

또한, 상기 학습 모듈은, 상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행할 수 있다.

일 실시예에 따른 인공 신경망을 이용한 음성 합성 방법 및 장치는 새로운 사용자의 목소리의 가장 유사한 특징을 가지고 있으면서, 이미 학습이 되어 있는 사용자의 음성학습모델을 기초로 새로운 사용자의 목소리에 대해 학습을 수행하므로, 종래 기술과 다르게 비교적 적은 데이터만으로는 새로운 사용자의 음성을 합성할 수 있는 장점이 존재한다.

이에 따라, 새로운 화자의 음성 데이터의 화자벡터를 미세 조정 처리 과정 없이도 효율적으로 처리할 수 있는 장점이 있다.

도 1은 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 시스템의 일부 구성 요소를 도시한 블럭도이다.
도 2는 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 장치의 일부 구성 요소를 도시한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 화자벡터 예측 과정을 도시한 개념도이다.
도 4 내지 도 6은 본 발명의 일 실시예에 따른 화자벡터 테이블을 도시한 표이다.
도 7은 본 발명의 실시예에 따른 방법을 유사도 점수에 따라 실험한 결과를 나타낸 그래프이다.
도 8은 초기 화자벡터 예측의 입력의 개수에 따른 성능을 비교한 그래프이다.
도 9는 본 발명의 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 방법을 나타낸 흐름도이다.

이하, 본 발명에 따른 실시 예들은 첨부된 도면들을 참조하여 설명한다. 각 도면의 구성요소들에 참조 부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 실시 예들을 설명할 것이나, 본 발명의 기술적 사상은 이에 한정되거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있다.

또한, 본 명세서에서 사용한 용어는 실시 예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 명세서에서, "포함하다", "구비하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는다.

또한, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함하며, 본 명세서에서 사용한 "제 1", "제 2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되지는 않는다.

아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

도 1은 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 시스템(10)의 일부 구성 요소를 도시한 블럭도이다.

도 1에 도시된 바와 같이, 인공 신경망을 이용한 다화자 음성 합성 시스템(10)은, 다화자 음성 합성 장치(100), 사용자 단말기(200) 및 서버(300)가 네트워크(400)에 의해 서로 통신 연결되어 있을 수 있다. 인공 신경망을 이용한 다화자 음성 합성 장치(100), 사용자 단말기(200) 및 서버(300)는 5G 통신 환경에서 서로 연결될 수 있다.

또한, 도 1에 도시된 기기 들 이외에 가정 또는 사무실에서 사용되는 다양한 전자 기기들이 사물 인터넷 환경 하에서 서로 연결되어 동작할 수 있다. 이하 설명의 편의를 위해 인공 신경망을 이용한 다화자 음성 합성 장치(100)는 음성 합성 장치(100)로 지칭하여 설명하도록 한다.

음성 합성 장치(100)는 입력되는 대상 텍스트를 특정 사용자의 목소리로 생성하여 출력하는 장치로서, 음성을 출력하는 장치일 뿐 만 아니라, 각종 인공지능 알고리즘을 수행하는데 필요한 장치들이 마련되어 있으며, 인공 신경망을 동작시키는데 필요한 데이터가 저장되어 있을 수 있다.

음성 합성 장치(100)는 인공 신경망 모듈에 의한 학습과 추론 및 합성된 사용자의 음성을 출력할 수 있는 장치로, 서버(Server), PC, 태블릿 PC, 스마트 폰(smart phobne), 스마트와치(smart watch), 스마트 글라스(smart glass), 웨어러블 기기(wearable device) 등과 같은 장치로 구현될 수 있으며, 특정 어플리케이션이나 프로그램으로 구현될 수 도 있다.

사용자 단말기(200)는 음성 합성 어플리케이션 또는 음성 합성 사이트에 접속한 후 인증 과정을 통하여 음성 합성 장치(100)의 상태 정보를 모니터링 하거나, 다화자 음성 합성 장치(100)를 구동하거나 또는 제어할 수 있는 서비스를 제공받을 수 있다.

본 실시 예에서 인증 과정을 마친 사용자 단말기(200)는 일 예로, 음성을 합성할 텍스트 및 음성을 생성할 음성 학습 모델을 선택할 수 있고, 선택한 대상 텍스트 및 음성 학습 모델에 의해 음성 합성 장치(100)가 출력하는 음성 결과를 수신할 수 있다.

본 실시 예에서 사용자 단말기(200)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.

서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 음성 합성 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기(200)에 설치된 음성 합성 어플리케이션 또는 음성 합성 웹 브라우저를 이용하여 음성 합성 장치(100)의 동작을 원격적으로 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버 등 다양한 장치가 포함할 수 있다.

여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.

또한, 서버(300)는 인공 음성 합성 장치(100) 및/또는 사용자 단말기(200)와 신호를 송수신할 수 있다.

서버(300)는 사용자 단말기(200)로부터 수신한 음성으로 변환할 텍스트 및 선택된 음성 합성 모델에 대항 정보를 수신한 후, 수신한 정보를 음성 합성 장치(100)로 전송할 수 있다.

서버(300)는 사용자 단말기(200)가 선택한 텍스트 및 음성 합성 모델에 기초하여 음성을 인공 신경망을 이용하여 생성할 수 있으며, 생성된 음성에 대한 정보를 음성 합성 장치(100)로 송신할 수 있다.

이와 다르게, 서버(300)는 다화자 음성 합성 장치(100)가 음성을 합성할 수 있도록 필요한 데이터만 선택적으로 음성 합성 장치(100)로 송신할 수 있다. 즉, 사용자의 음성 합성 및 인공지능 프로세서는 서버(300)에 의해 수행될 수도 있고, 음성 합성 장치(100)에 의해서도 수행될 수 있다.

네트워크(400)는 인공 신경망을 이용한 다화자 음성 합성 장치(100)와, 사용자 단말기(200)와, 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다.

여기서 근거리 통신은 블루투스(Bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

도 2는 일 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 장치의 일부 구성 요소를 도시한 블록도이다.

도 2를 참고하면, 음성 합성 장치(100)는 화자벡터 생성부(110), 유사벡터 결정부(120), 음성합성부(130), 저장부(140), 마이크(150), 통신부(160) 및 입력부(170) 등을 포함할 수 있다.

통신부(160)는, 사용자 단말기(200) 및 서버(300)와 통신을 수행하면서 음성 합성에 대한 각종 명령을 수신 받을 수 있으며, 서버(300)로부터 음성을 합성함에 있어서 필요한 다양한 정보들을 수신받을 수 있다.

따라서, 통신부(160)는 LTE(long-term evolution), LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroaDBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 통신부(160)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

음성합성부(130)는 입력부(170)로부터 입력되는 텍스트를 음성으로 합성할 수 있다. 구체적으로, 음성합성부(130)는 텍스트가 입력되면 입력되는 텍스트를 언어 해석하고 음성으로 합성하는 처리과정을 통해 텍스트를 자연스러운 합성음으로 변환시켜 출력할 수 있으며, 이러한 과정은 TTS(text-to-speech)를 통해 이루어 질 수 있다.

따라서, 음성합성부(130)는 언어처리, 운율 생성 및 파형 합성의 3단계를 통하여 검증 대상 텍스트를 전처리 음성으로 변환한다. 검증 대상 텍스트의 문법적 구조를 분석(언어처리 단계)하고, 분석된 문법적 구조에 의해 사람이 읽는 것과 같은 운율을 생성하고, 생성된 운율에 따른 기본 단위를 모아 합성음을 생성할 수 있다.

음성 합성이란, 텍스트를 음성으로 만드는 기술의 이름이다. 우리는 음성합성 기술을 활용하여, 입력된 문장에 대한 음성을 생성할 수 있다. 가장 초기의 음성합성 기술을 연접 음성 합성(Concatenative)이라 한다. 이것은 사람이 각 음소에 대한 소리를 녹음한 후에, 녹음된 소리를 이어 붙여서 문장에 대한 음성을 만드는 방법이다.

다만, 사람은 음성에 따라서 다른 운율을 갖고 발화하기 때문에, 이 방법은 실제 사람이 말하는 것만큼 자연스러운 음성을 생성할 수 없다. 두 번째 음성합성 기술은 Parametric 음성합성이다. 이 방법은 각 음소에 대한 특징, 기본 주파수에 대한 특징 및 스펙토그램과 같은 여러 가지 특징들을 결합하여 파동을 형성하는 방법이다.

이 방법들은 여러 feature들을 활용하여, 사람의 손을 거쳐서 파동을 형성하므로 부자연스러운 음성이 생성된다. 이후, 이러한 기술들을 바탕으로 딥 러닝(Deep learning)을 활용한 End-to-End 형태의 음성합성 시스템이 도입되었다.

Tacotron 은 Google에서 제작한 End-to-End 음성합성 시스템이다. End-to-End란 처음부터 끝까지 사람의 손을 거치지 않고 딥러닝으로만 이루어진 구조이다. Tacotron 크게 네 가지 모듈이 존재한다. 인코더, 어텐션, 디코더 그리고 보코더이다. 인코더는 텍스트에서 각 음소에 대한 특징을 추출하는 모델이다.

디코더는 Mel spectrogram을 생성하는 모듈이다. 어텐션은 인코더에서 출력된 각 음소들의 feature sequence와 mel spectrogram을 비교하여, mel Spectrogram에 각 음소들을 맵핑한다.

예를 들어, 'HELLO'라는 텍스트에 대해서 mel spectrogram에 대해서 'H'에 해당하는 소리를 담당하는 mel spectrogram을 찾아서, 'H', 'E', 'L', 'L', 'O' 중 'H'에 가중치를 줘서, 디코더에서 mel spectrogram을 생성할 때 'H'에 대한 소리를 생성한다.

이와 같이 생성된 mel spectrogram을 audio waveform으로 변환해주는 것이 보코더다. Tacotron에서는 Griffin-Lim algorithm (Daniel W. Griffin 1984)을 사용하여 파동을 생성한다. Tacotron은 위에서 설명한 것과 같이 설계된 End-to-End 음성합성모델이다.

이후 Tacotron의 성능을 더 높여서 Tacotron 2 를 설계하였다. Tacotron2는 실제 사람의 음성과 구분하기 힘들 정도의 고성능 음성합성모델이다. Tacotron1과 Tacotron2는 단일화자 음성합성모델이다. 단일 화자 음성합성모델은 한 사람의 목소리로만 음성을 합성하는 것이 가능하다. 이하, 다화자 음성 합성 방법에 대하여 구체적으로 설명한다.

근자에 들어, 다화자 음성합성모델에 관한 많은 연구들이 있다. 다화자 음성합성모델은 하나의 음성합성모델로 여러 화자의 목소리로 음성을 합성하는 것이 가능하다. 다화자 음성합성모델도 전체적인 구조는 Tacotron 마찬가지로 인코더, 어텐션, 디코더 그리고 보코더로 구성된다. 이와 같은 구조에 화자 벡터를 사용하여, 여러 사람의 목소리를 표현하는 것이 가능하다. 본 발명에서 화자 벡터는 각 화자를 표현하는 vector로서, 화자 벡터라 지칭되며, 음성을 합성할 때, 이러한 화자벡터를 음성합성모델에 컨디셔닝한다.

음성을 합성할 때, 각 화자에 해당하는 화자 벡터를 입력하게 되면 그 화자의 목소리로 음성을 합성한다. 대표적인 다화자 음성합성모델로는 DeepVoice2 (2017)가 있다. DeepVoice 2는 여러 화자의 음성을 합성할 수 있다. DeepVoice 2에서 사용한 화자 벡터는 학습 가능한 데이터이다.

따라서 화자 벡터를 random initialization한 후, 다화자 훈련데이터로 음성 합성 모델과 화자 벡터를 훈련하게 되면, 각 화자의 화자 벡터는 해당하는 화자의 목소리로 표현하기 적합한 값을 얻게 된다. 이와 같은 학습 가능한 화자 벡터를 사용하지 않고 고정된 값을 갖는 화자 벡터를 사용할 수도 있다. 일반적으로 다화자 음성합성모델을 구현할 때, trainable한 화자 벡터를 사용하는 경우가 고정된 값을 사용하는 것보다 좋은 성능을 보인다.

다만, 상기와 같은 방법은 새로운 화자를 적응시킬때에 효과적이지만 반드시 미세 조정 과정이 필요하며, 이로 인한 시간/연산 손실이 발생한다. 따라서, 본 발명은 이러한 문제점을 해결하기 위한 고안된 발명으로서, 보다 적은 데이터로도 효과적으로 음성합성모델을 제공해주는데 그 목적이 있다. 이하 본 발명의 실시예에 대해 구체적으로 알아본다.

도 3은 본 발명의 화자벡터 예측 과정을 도시한 개념도이며, 도 4 내지 도 6은 본 발명의 일 실시예에 따른 화자벡터 테이블을 도시한다.

도 3을 참고하면, 도 3은 적대적 학습 방법을 적용한 initial embedding predictor의 전체 구조이다. 새로운 화자의 d-vector, 유사한 화자들의 화자벡터와 유사도 점수가 입력이며, Gaussian noise를 유사한 화자들의 화자벡터에 더한다. 이때 Gaussian noise의 분포는 평균 0, 표준편차 0.1이다.

본 발명은 고성능의 단일화자 음성합성모델을 사용할 수 있는데, 대표적으로Tacotron2를 사용할 수 있다. 본 발명의 프로세서(예: 도 2의 구성요소들(110, 120, 130))는 Tacotron2에 화자 벡터 테이블을 추가하여 다화자 음성합성모델을 구현하는 것이 가능하다. 화자벡터 테이블(화자 벡터 테이블)(430)(530)(630)이란, 여러 화자들의 화자 벡터를 저장해두는 가상의 테이블로써, 화자 ID(speaker ID)를 입력으로 받는다.

도 4에서, 화자 벡터 테이블과 Tacotron2의 encoder, decoder이다. 화자 벡터 테이블에 입력된 speaker ID에 따라, 그에 해당하는 화자 벡터가 추출되며, 이것은 encoder, decoder의 RNN initial state가 된다. 이와 같이 다화자 훈련을 진행하며, 여기서 훈련된 화자 벡터 테이블은 initial embedding predictor의 훈련데이터셋이 된다.

훈련할 때는 화자 벡터 테이블에서 하나의 화자를 지정한 후 화자 화자와 유사한 화자들의 화자 벡터 그리고 similarity score 그리고 화자의 d-vector를 입력 정보로 한다.

표 1은 초기 화자벡터 예측의 성능과 다른 초기화방법을 비교한 표이다. 표 1은, 새로운 화자와의 l1-distance를 계산한 것이다. 표 1에서 볼 수 있듯이, 기존 기술에 따른 Random initialization의 성능이 가장 떨어지며, 평균 0, 표준편차 0.1로, 본 발명의 초기 화자벡터 예측이 새로운 화자와 가장 가까운 화자 벡터를 예측한다.

화자 ID는 각 화자들에게 지정한 번호로써, 일반적으로 0번부터 시작한다. 이 화자 ID를 프로세서가 화자 벡터 테이블에 입력하면, 그 화자 ID에 해당하는 화자의 화자 벡터가 출력되며, 출력된 화자 벡터는 음성합성모델과 함께 훈련된다.

한편, 이러한 화자 벡터를 음성 합성 모델의 어느 위치에 입력하는지도 중요한 문제이다. 여기서, 프로세서는 일반적으로 순환신경망으로 이루어진 음성합성모델의 경우 순환신경망의 초기 상태로 입력해준다. 순환신경망은 이전 출력값을 현재 입력값으로 사용하는 신경망이다.

순환신경망은 하기의 수학식 1 및 수학식 2를 이용하여 연산한다.

상기한 W와 b는 훈련 파라미터이며, h는 state를 의미하며, x는 순환신경망의 입력값을 의미한다. 프로세서는 이전 time step의 state를 입력받고, 현재 time step의 state를 형성하고 이것으로 출력값을 계산한다. 상기한 상태(state)는 순환신경망의 전체 time step에 영향을 미치며, 각 time step마다 다른 값을 갖게 된다. 따라서, 초기 상태로 화자 벡터를 입력해주면, 화자 벡터는 순환신경망 전체 출력값에 효과적으로 영향을 줄 수 있다.

따라서, 프로세서는 화자 벡터 테이블에서 출력된, 화자 벡터를 Tacotron2 인코더(420)(520)와 디코더(410)(510)의 순환신경망 초기 state로 입력하여 다화자 음성합성모델을 구성한다. 다화자 훈련을 위해서는 여러 명의 화자로 구성된 데이터셋을 사용한다.

이하, 초기 화자벡터를 예측하는 방법에 대하여 설명한다.

본 발명은 새로운 화자를 표현할 수 있는 화자 벡터를 미세 조정 과정 없이 생성하는 방법을 제안한다.

먼저, 프로세서는 대용량의 다화자 데이터로 다화자 음성합성모델을 훈련한다. 훈련데이터로는 VCTK와 LibriSpeech 두 가지 오픈소스 데이터셋을 사용한다. 프로세서는 두 개의 데이터셋에서 700명의 화자를 선택하여 훈련을 진행한다.

본 발명에서, 프로세서는 700개의 화자 벡터를 얻을 수 있다. 프로세서는 획득한 화자 벡터들을 사용하여, 초기 화자벡터 예측(initial embedding predictor) 모듈을 훈련시킬 수 있다. 본 발명에서는 초기 화자벡터 예측 모듈(Initial embedding predictor)을 제안하며, 이는 프로세서에 포함될 수 있고, 또한 도 3의 유사벡터 결정부(320)에 포함될 수 있고, 새로운 화자의 화자 벡터를 예측한다. 초기 화자벡터 예측 모듈은 는 self-attention(324), CNN(321, 323), ReLU(322)로 이루어져 있다.

유사벡터 결정부(또는 초기 화자벡터 예측 모듈)는 입력 정보로 세 가지 입력을 받을 수 있다.

하나는 예측하고자 하는 새로운 화자(화자 화자)의 음성에서 추출한 d-vector이다. 여기서, d-vector는 speaker verification model에서 추출한 화자 특징 벡터의 한 종류이다.

다른 하나는 새로운 화자와 유사한 화자들의 화자 벡터다. 이 때 유사함을 평가하는 기준을 만들기 위하여, 유사벡터 결정부는 하기의 수학식 3을 이용하여 유사도 점수를 획득한다.

여기서, 은 유사도 점수(similarity score)이며, 은 두 화자사이의 d-vector를 사용하여 계산한 cosine similarity이다. cosine similarity는 두 화자 사이의 음색의 유사도를 표현하며, 그 값의 범위는 [0, 1]이다. 는 상수이며, 0.04이다. 은 두 화자 사이의 phoneme duration 비율이다.

Phoneme duration이란, 하나의 발음이 지속되는 시간을 의미하며, 이것으로 두 화자사이의 비율을 구한다. 1에 가까워질수록 두 화자 사이의 phoneme duration이 유사하다는 것을 의미한다.

결론적으로, 유사벡터 결정부는 similarity score를 통해 화자 화자와 유사한 화자를 특정 인원 만큼(예: 5명)을 선별한다. 유사벡터 결정부는 선별된 화자들의 훈련된 화자 벡터를 initial embedding predictor의 입력으로 사용한다. 여기서, 선별과정에서 계산된 similarity score는 추후 학습 모듈의 입력이 된다.

상기한 과정을 요약하면 하기와 같다.

첫째, 대용량 다화자 데이터셋으로 다화자 음성합성 훈련을 하여, 각 화자들의 화자 벡터 생성한다. 둘째, 화자화자와 유사한 화자를 찾기 위해, 훈련된 화자들과 similarity score 계산한다. 셋째, 높은 similarity score를 갖는 화자 다섯 명을 선별하여, 그들의 화자 벡터와 similarity score를 얻는다. 넷째, Initial embedding predictor의 input은 화자 화자의 d-vector, 유사한 화자들의 화자 벡터, similarity score가 된다.

유사벡터 결정부는 상기한 네 가지 과정으로 initial embedding predictor의 input을 얻는다. 여기에 우리는 적대적 학습 기법(Adversarial training)을 적용할 수 있다.

적대적 학습 방법(Adversarial training)이 적용된 대표적인 연구분야는 Generative Adversarial Networks (GAN)이다. GAN은 생성모델 (generator) 그리고 판별모델 (또는 학습 모듈)(discriminator)(310) 로 구성된다. 학습 모듈(Discriminator)는 실제 데이터와 generator가 생성한 데이터를 구분하는 목적으로 사용된다. Discriminator는 실제 데이터가 입력되면 1, 아닌 경우 0을 출력한다. 여기서, generator는 실제 데이터와 구분하기 어려울 정도의 높은 퀄리티를 갖는 데이터를 생성하는 것을 목적으로 한다. 즉 discriminator가 generator에서 생성한 데이터와 실제 데이터를 구분하지 못하도록 훈련된다.

이와 같이 두 개의 network가 적대적인 관계를 갖는 훈련을 통해 generator의 성능을 높이는 것이 적대적 학습 방법(Adversarial training)이다. 이를 본 발명의 초기 화자벡터 예측에 적용하기 위하여, 본 발명에서는 초기 화자벡터 예측 모듈을 generator로 사용하고 discriminator를 추가할 수 있다.

상기한 discriminator는 실제 새로운 화자의 화자 벡터를 1, initial embedding predictor가 예측한 화자 벡터는 0으로 설정할 수 있다. discriminator 훈련을 위한 손실 방정식은 하기의 수학식 4와 같다.

여기서, D는 discriminator, G는 generator (initial embedding predictor)이며, x는 실제데이터 (화자 화자의 실제 화자 벡터) 이다. 또한, I는 initial embedding predictor의 세가지 입력(새로운 화자의 d-vector, 새로운 화자와 유사한 화자들의 화자 벡터들 및 유사도 점수(similarity score)) 이다. z는 Gaussian noise이며, 이 발명에서 Gaussian 분포가 평균 0, 표준편차 0.1일 때 가장 좋은 성능을 보인다.

초기 화자벡터 예측 모듈의 손실 방정식은 하기의 수학식 5와 같다.

여기서, 은 reconstruction loss로, 새로운 화자의 실제 화자 벡터와 초기 화자벡터 예측 모듈이 예측한 화자 벡터 사이의 mean squared error이다. 상기한 loss function을 통해, initial embedding predictor의 성능을 높일 수 있다.

이 방법으로 initial embedding predictor를 훈련하여, 화자 화자의 화자 벡터를 예측할 수 있도록 하며, 이후 훈련을 통해 새로운 화자의 화자 벡터를 예측할 수 있다. 그래서 새로운 화자의 화자 벡터를 fine-tuning없이 바로 생성할 수 있다.

도 5를 참고하면, 본 발명의 유사벡터 결정부는 다화자 훈련을 통해 각 화자의 화자 벡터를 얻는다. 이 화자 벡터들은 각 화자의 목소리를 표현할 수 있는 값으로 이루어져 있다. 즉, 각 화자 벡터는 각 화자의 정보를 담고 있다.

도 6을 참고하면, 훈련된 화자 벡터들 중에서, 새로운 화자와 가장 유사한 화자의 화자벡터를 m개 선별하여, 초기 화자벡터를 예측할 때의 입력으로 사용할 수 있다.

도 7은 본 발명의 실시예에 따른 방법을 유사도 점수에 따라 실험한 결과를 나타낸 그래프이다.

먼저, 두 화자 사이의 유사도 점수와 그에 따른 두 화자의 화자 벡터 사이의 l1-distance를 계산한다. 여기서, 유사도 점수가 증가할수록 l1-distance가 감소하며, 감소한 편차가 클수록 좋은 scoring 방법임을 의미한다. 도 7에서는, 4개의 similarity score에 대하여 두 화자 사이의 l1-distance를 측정한 결과를 나타낸다.

먼저, similarity score-(1)은 목소리 유사도와 발화속도를 고려한 제1 방법에 따른 제1 결과 그래프이다. 제1 결과 그래프는 하기의 수학식 6을 이용하여 도출되었다.

여기서, 는 d-vector의 cosine similarity이며 은 두 화자의 발화속도 비율이다.

similarity score-(2)는 목소리 유사도만을 고려한 제2 방법에 따른 제2 결과 그래프이다. 제2 결과 그래프는 하기의 수학식 7을 이용하여 도출되었다.

이어서, similarity score-(3)은 화자 fundamental frequency (F0)만을 고려한 제3 방법에 따른 제3 결과 그래프이다. 예를 들어, 화자가 발화할 때, 여러 주파수가 공진하여 각 화자의 음색을 띈다. 이 때 F0는 공진하는 주파수 중 가장 작은 크기의 주파수를 의미한다. 두 화자의 F0의 유사도를 비교하는 기준은 아래의 수학식 8을 사용한다.

여기서, 두 개의 F0는 각각 두 화자에 대한 F0값을 의미하여, log값이 음수가 되지 않도록 두 F0 중 작은 F0를 분모로 보낸다. 위 식은 일반적으로 0.3~0.9 사이의 값을 갖는다.

similarity-score-(4)는 상기한 수학식 6과 수학식 8을 모두 이용한 제4 방법에 따른 제4 결과 그래프이다. 즉, 목소리 유사도, 발화속도 그리고 F0를 모두 고려한 것이다. 제4 결과 그래프는 하기의 수학식 9를 이용하여 도출되었다.

상기에서, 상수는 모두 실험을 통해 가장 좋은 성능을 보이는 값으로 설정한 것이다. 은 수학식 8을 의미한다.

4개의 similarity score중에서 네 번째 similarity score가 두 화자의 l1-distance에 대해서 가장 좋은 성능을 보여준다.

도 8은 초기 화자벡터 예측의 입력의 개수에 따른 성능을 비교한 그래프이다.

도 8을 참고하면, 초기 화자벡터 예측에는 새로운 화자와 유사한 화자의 화자벡터들이 m개가 입력된다. 이때, m의 값에 따라서 initial embedding predictor의 성능 차이를 측정하였다.

도 8에서 볼 수 있듯이, 유사한 유사한 화자벡터를 다섯 개 입력하는 것이 가장 좋은 성능을 보인다. scoring을 통해 가장 유사한 순서대로 similar 화자 벡터를 얻게 되는데, 이 때 너무 많은 embedding을 선별하면, 화자 화자의 화자 벡터와 연관성이 적은 similar embedding이 input으로 함께 입력되므로 그것은 DNN모델의 훈련을 방해한다.

반면에, 너무 적은 경우는 화자 화자의 화자 벡터를 예측하기에 입력되는 정보량이 적어서 예측하기 어렵게 된다.

결론적으로, m의 값으로는 5개가 가장 적절하다. y축는 validation set에서 화자화자의 실제 embedding과 예측된 embedding 사이의 l1-distance이다.

도 9는 본 발명의 실시예에 따른 인공 신경망을 이용한 다화자 음성 합성 방법을 나타낸 흐름도이다.

도 9를 참고하면, 먼저, 다화자 음성 합성 장치는 복수 사용자의 음성 데이터를 기초로 하여 복수 사용자들에 대한 음성 학습 모델을 생성한다(S901).

이어서, 다화자 음성 합성 장치는 새로운 화자의 화자벡터인 제1 화자 벡터 및 복수 사용자들의 화자벡터인 제2 화자 벡터를 생성한다(S903).

그 다음, 다화자 음성 합성 장치는 복수의 제2 화자 벡터 중에서도 제1 화자 벡터와 연관성이 가장 높은(유사도 점수가 가장 높은) 제3 화자 벡터를 판단할 수 있다(S905).

이어서, 다화자 음성 합성 장치는 제3 화자 벡터 및 제1 화자 벡터를 기초로 하여 새로운 사용자(화자)의 새로운 화자 벡터를 예측한다(S907).

마지막으로, 다화자 음성 합성 장치는 적대적 학습 기법에 기반하여 새로운 화자 벡터를 학습한다(S909).

지금까지 도면을 통해 일 실시예에 따른 음성 합성 방법 및 장치에 대해 자세히 알아보았다.

일 실시예에 따른 인공 신경망을 이용한 음성 합성 방법 및 장치는 새로운 사용자의 목소리의 가장 유사한 특징을 가지고 있으면서, 이미 학습이 되어 있는 사용자의 음성학습모델을 기초로 새로운 사용자의 목소리에 대해 학습을 수행하므로, 종래 기술과 다르게 비교적 적은 데이터만으로는 새로운 사용자의 음성을 합성할 수 있는 장점이 존재한다.

이에 따라, 새로운 화자의 음성 데이터의 화자벡터를 미세 조정 처리 과정 없이도 효율적으로 처리할 수 있는 장점이 있다.

한편, 본 명세서에 기재된 "~부"로 기재된 구성요소들, 유닛들, 모듈들, 컴포넌트들 등은 함께 또는 개별적이지만 상호 운용 가능한 로직 디바이스들로서 개별적으로 구현될 수 있다. 모듈들, 유닛들 등에 대한 서로 다른 특징들의 묘사는 서로 다른 기능적 실시예들을 강조하기 위해 의도된 것이며, 이들이 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 실현되어야만 함을 필수적으로 의미하지 않는다. 오히려, 하나 이상의 모듈들 또는 유닛들과 관련된 기능은 개별 하드웨어 또는 소프트웨어 컴포넌트들에 의해 수행되거나 또는 공통의 또는 개별의 하드웨어 또는 소프트웨어 컴포넌트들 내에 통합될 수 있다.

특정한 순서로 작동들이 도면에 도시되어 있지만, 이러한 작동들이 원하는 결과를 달성하기 위해 도시된 특정한 순서, 또는 순차적인 순서로 수행되거나, 또는 모든 도시된 작동이 수행되어야 할 필요가 있는 것으로 이해되지 말아야 한다. 임의의 환경에서는, 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 더욱이, 상술한 실시예에서 다양한 구성요소들의 구분은 모든 실시예에서 이러한 구분을 필요로 하는 것으로 이해되어서는 안되며, 기술된 구성요소들이 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키징될 수 있다는 것이 이해되어야 한다.

컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 또는 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 또는 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 또는 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다.

부가적으로, 본 특허문헌에서 기술하는 논리 흐름과 구조적인 블럭도는 개시된 구조적인 수단의 지원을 받는 대응하는 기능과 단계의 지원을 받는 대응하는 행위 및/또는 특정한 방법을 기술하는 것으로, 대응하는 소프트웨어 구조와 알고리즘과 그 등가물을 구축하는 데에도 사용 가능하다.

본 명세서에서 기술하는 프로세스와 논리 흐름은 입력 데이터 상에서 작동하고 출력을 생성함으로써 기능을 수행하기 위하여 하나 이상이 컴퓨터 프로그램을 실행하는 하나 이상이 프로그래머블 프로세서에 의하여 수행 가능하다.

본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다.

이상에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술 분야에 통상의 지식을 갖는 자라면, 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정해져야 할 것이다.

100: 음성 합성 장치
110: 화자벡터 생성부
120: 유사벡터 결정부
130: 음성 합성부
140: 저장부
150: 마이크
160: 통신부
170: 입력부

Claims (15)

1. 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 단계;
   화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 단계;
   미리 설정된 기준에 기반하여 상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 결정하는 단계; 및
   상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 적대적 학습 기법을 사용하여 상기 새로운 사용자의 새로운 화자벡터를 예측하는 단계;를 포함하고
   상기 제3 화자벡터를 결정하는 단계는,
   상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 하여 결정하고,
   상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용하며,
   산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 화자벡터로 결정하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 방법.
2. 삭제
3. 삭제
4. 삭제
5. 제1항에 있어서,
   상기 적대적 학습 기법은,
   상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 화자벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 방법.
6. 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 음성 합성부;
   화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 화자벡터 생성부; 및
   미리 설정된 기준에 기반하여 상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 결정하는 유사벡터 결정부;를 포함하고
   상기 유사벡터 결정부는,
   상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 적대적 학습 기법을 이용하여 상기 새로운 사용자의 새로운 화자벡터를 예측하고,
   상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 상기 제3 화자벡터를 결정하며,
   상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용하고,
   산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 화자벡터로 결정하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 장치.
7. 삭제
8. 삭제
9. 삭제
10. 제6항에 있어서,
    상기 유사벡터 결정부는,
    상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 화자벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 장치.
11. 복수의 사용자들의 음성 데이터를 기초로 상기 복수의 사용자들에 대한 음성학습모델을 생성하는 음성 합성부;
    화자인식모델을 이용하여 새로운 사용자의 음성 데이터에 대한 제1 화자벡터 및 상기 복수의 사용자들의 음성 데이터에 대한 복수의 제2 화자벡터를 생성하는 화자벡터 생성부; 및
    상기 복수의 제2 화자벡터 중에서 상기 제1 화자벡터와 연관성이 가장 높은 제3 화자벡터를 미리 설정된 기준에 기반하여 예측하는 유사벡터 결정부;를 포함하고
    상기 유사벡터 결정부는,
    상기 제3 화자벡터 및 상기 제1 화자벡터를 기초로 적대적 학습 기법을 이용하여 상기 새로운 사용자의 새로운 화자벡터를 예측하고,
    상기 새로운 화자의 음성 데이터 및 상기 제3 화자벡터의 화자인 제3 화자의 음성 데이터로부터 각각 추출된 발음 지속 시간을 기초로 상기 제3 화자벡터를 결정하며,
    상기 새로운 화자의 음성 데이터로부터 추출된 특징 벡터를 이용하고,
    산출된 내적 값들을 기초로 Cosine Similarity값을 계산하여, 상기 복수의 사용자들 중 상기 Cosine Similarity값이 가장 큰 사용자의 화자벡터를 상기 제3 화자벡터로 결정하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 장치.
12. 삭제
13. 삭제
14. 삭제
15. 제11항에 있어서,
    상기 유사벡터 결정부는,
    상기 예측된 새로운 화자벡터를 상기 새로운 화자의 실제 음성 데이터를 상기 특징 벡터, 상기 제3 화자벡터 및 상기 Cosine Similarity 값을 이용하여 적대적 비교를 수행하는 것을 특징으로 하는, 인공 신경망을 이용한 다화자 음성 합성 장치.