KR102604932B1 - 새로운 화자의 합성 음성을 생성하는 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법에 관한 것이다. 이러한 방법은, 대상 텍스트를 수신하는 단계, 기준 화자의 화자 특징을 획득하는 단계, 발성 특징 변화 정보를 획득하는 단계, 획득된 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계 및 대상 텍스트 및 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 결정된 새로운 화자의 화자 특징이 반영된, 대상 텍스트에 대한 출력 음성을 생성하는 단계를 포함할 수 있다. 여기서, 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습될 수 있다.

Description

새로운 화자의 합성 음성을 생성하는 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING SYNTHESIS VOICE OF A NEW SPEAKER}

본 개시는 새로운 화자의 합성 음성을 생성하는 방법 및 시스템에 관한 것으로서, 더 구체적으로, 기준 화자의 화자 특징 및 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하고, 인공신경망 텍스트-음성 합성 모델을 이용하여 새로운 화자의 화자 특징이 반영된 합성 음성을 생성하는 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, 가상 음성 생성 기술 및 가상 영상 제작 기술의 발전으로, 성우가 녹음한 오디오 샘플을 통해 신경망 음성 모델을 학습시켜, 오디오 샘플을 녹음한 성우와 동일한 음성 특징을 갖는 음성 합성기술이 개발되고 있다.

그러나, 종래의 오디오 샘플 기반 음성 합성 기술은 기존에 존재하지 않던 목소리를 새롭게 생성하는 것은 기술적으로 어려우며, 남성과 여성의 목소리를 결합한 중성적인 목소리, 발음이 정확한 어린이 목소리 등 존재하지 않는 음성 특징을 갖는 목소리는 구현하기 어려운 문제가 있다. 더욱이, 새롭게 생성된 음성은, 기계적인 음성으로 인식될 정도로 퀄리티가 낮아서, 상업적으로 사용되기 어려웠다.

본 개시는 상기와 같은 문제를 해결하기 위한 새로운 화자의 합성 음성을 생성하는 방법, 컴퓨터 판독가능한 기록 매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.

본 개시는 방법, 시스템, 장치 또는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램, 컴퓨터 판독가능한 기록 매체를 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법은, 대상 텍스트를 수신하는 단계, 기준 화자의 화자 특징을 획득하는 단계, 발성 특징 변화 정보를 획득하는 단계, 획득된 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계 및 대상 텍스트 및 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 결정된 새로운 화자의 화자 특징이 반영된, 대상 텍스트에 대한 출력 음성을 생성하는 단계를 포함하고, 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습된다.

일 실시예에서, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 인공신경망 화자 특징 변화 생성 모델에 입력하여 화자 특징 변화를 생성하는 단계 및 기준 화자의 화자 특징 및 생성된 화자 특징 변화를 합성함으로써, 새로운 화자의 화자 특징을 출력하는 단계를 포함하고, 인공신경망 화자 특징 변화 생성 모델은, 복수의 학습 화자의 화자 특징 및 복수의 학습 화자의 화자 특징에 포함된 복수의 발성 특징을 이용하여 학습된다.

일 실시예에서, 발성 특징 변화 정보는, 타겟 발성 특징의 변화에 대한 정보를 포함한다.

일 실시예에서, 기준 화자의 화자 특징을 획득하는 단계는, 복수의 기준 화자에 대응하는 복수의 화자 특징을 획득하는 단계를 포함하고, 발성 특징 변화 정보를 획득하는 단계는, 복수의 화자 특징에 대응하는 가중치 세트를 획득하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 복수의 화자의 특징의 각각에 획득된 가중치 세트에 포함된 가중치를 적용함으로써, 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

일 실시예에서, 복수의 화자의 화자 특징을 획득하는 단계 - 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 더 포함하고, 발성 특징 변화 정보를 획득하는 단계는, 복수의 화자의 화자 벡터의 각각을 정규화시키는 단계, 정규화된 복수의 화자의 화자 벡터에 대한 차원 축소 분석을 수행함으로써, 복수의 주요 성분을 결정하는 단계, 결정된 복수의 주요 성분 중 적어도 하나의 주요 성분을 선택하는 단계 및 선택된 주요 성분을 이용하여 발성 특징 변화 정보를 결정하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 특징, 결정된 발성 특징 변화 정보 및 결정된 발성 특징 변화 정보의 가중치를 이용하여 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

일 실시예에서, 복수의 화자의 화자 특징을 획득하는 단계 - 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 더 포함하고, 복수의 화자의 각각은, 하나 이상의 발성 특징에 대한 레이블이 할당되고, 발성 특징 변화 정보를 획득하는 단계는, 타겟 발성 특징이 상이한 복수의 화자의 화자 벡터를 획득하는 단계 및 획득된 복수의 화자의 화자 벡터 사이의 차이를 기초로 발성 특징 변화 정보를 결정하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 특징, 결정된 발성 특징 변화 정보 및 결정된 발성 특징 변화 정보의 가중치를 이용하여 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

일 실시예에서, 복수의 화자의 화자 특징을 획득하는 단계 - 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 더 포함하고, 복수의 화자의 각각은, 하나 이상의 발성 특징에 대한 레이블이 할당되고, 발성 특징 변화 정보를 획득하는 단계는, 타겟 발성 특징이 상이한 복수의 화자 그룹의 각각에 포함된 화자들의 화자 벡터를 획득하는 단계 - 복수의 화자의 그룹은 제1 화자 그룹 및 제2 화자 그룹을 포함함 -, 제1 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하는 단계, 제2 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하는 단계 및 제1 화자 그룹에 대응하는 화자 벡터의 평균 및 제2 화자 그룹에 대응하는 화자 벡터의 평균 사이의 차이를 기초로 발성 특징 변화 정보를 결정하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 특징, 결정된 발성 특징 변화 정보 및 결정된 발성 특징 변화 정보의 가중치를 이용하여 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

일 실시예에서, 복수의 화자의 화자 특징을 획득하는 단계 - 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 더 포함하고, 기준 화자의 화자 특징은, 기준 화자의 복수의 발성 특징을 포함하고, 발성 특징 변화 정보를 획득하는 단계는, 복수의 화자의 화자 특징을 인공신경망 발성 특징 예측 모델에 입력하여, 복수의 화자의 각각의 발성 특징을 출력하는 단계, 복수의 화자의 화자 특징 중에서, 출력된 복수의 화자의 각각의 발성 특징 중 타겟 발성 특징과 기준 화자의 복수의 발성 특징 중 타겟 발성 특징 사이의 차이가 존재하는, 화자의 화자 특징을 선택하는 단계 및 선택된 화자의 화자 특징에 대응하는 가중치를 획득하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 특징, 선택된 화자의 화자 특징 및 선택된 화자의 화자 특징에 대응하는 가중치를 이용하여 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

일 실시예에서, 새로운 화자의 화자 특징은, 화자 특징 벡터를 포함하고, 해쉬 함수를 이용하여 화자 특징 벡터에 대응하는 해쉬값을 산출하는 단계, 저장 매체에 저장된 복수의 화자의 콘텐츠 중에서, 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 있는지 여부를 판정하는 단계 및 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 없는 경우, 새로운 화자의 화자 특징과 연관된 출력 음성이 새로운 출력 음성임을 결정하는 단계를 포함한다.

일 실시예에서, 기준 화자의 화자 특징은, 화자 벡터를 포함하고, 발성 특징 변화 정보를 획득하는 단계는, 타겟 발성 특징에 대응하는 발성 특징 분류 모델을 이용하여 타겟 발성 특징에 대한 법선 벡터를 추출하는 단계 - 법선 벡터는 타겟 발성 특징을 분류하는 hyperplane의 법선 벡터를 지칭함 - 및 타겟 발성 특징을 조절하는 정도를 나타내는 정보를 획득하는 단계를 포함하고, 새로운 화자의 화자 특징을 결정하는 단계는, 기준 화자의 화자 벡터, 추출된 법선 벡터 및 타겟 발성 특징을 조절하는 정도를 기초로 새로운 화자의 화자 특징을 결정하는 단계를 포함한다.

본 개시의 일 실시예에 따른 상술된 새로운 화자의 합성 음성을 생성하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 개시의 일 실시예에 따르면, 음성 합성기는 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 포함한 학습 데이터를 이용하여 학습된다.

본 개시의 일 실시예에 따르면, 합성 음성을 제공하는 장치는, 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하도록 구성된 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 메모리에 저장된 새로운 화자의 합성 음성 중 적어도 일부를 출력하도록 구성된, 합성 음성을 제공하는 장치가 제공된다.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 제공하는 방법은, 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하는 단계 및 저장된 새로운 화자의 합성 음성 중 적어도 일부를 제공하는 단계를 포함한다.

본 개시의 일부 실시예에 따르면, 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 자연스러운 음성을 생성할 수 있다.

본 개시의 일부 실시예에 따르면, 발성 특징의 정량적 조절을 통해 화자 특징 벡터를 수정함으로써, 새로운 목소리를 가지는 합성 음성이 생성될 수 있다.

본 개시의 일부 실시예에 따르면, 여러 화자(예를 들어, 2 이상의 화자 또는 3 이상의 화자)의 목소리를 섞어서 새로운 화자의 목소리가 생성될 수 있다.

본 개시의 일부 실시예에 따르면, 사용자 단말로부터 하나 이상의 발성 특징을 세세하게 조정함으로써 출력 음성이 생성될 수 있다. 예를 들어, 하나 이상의 발성 특징은 성별 조절, 발성 톤 조절, 발성 강도, 남자 연령 조절, 여자 연령 조절, 피치, 템포 등을 포함할 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시에 속하는 기술 분야에서 통상의 지식을 가진 자(이하, '통상의 기술자'라 함)에게 명확하게 이해될 수 있을 것이다.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 합성 음성 생성 시스템이 대상 텍스트 및 새로운 화자의 화자 특징을 입력 받아 출력 음성을 생성하는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 서비스를 제공하기 위하여, 복수의 사용자 단말과 합성 음성 생성 시스템이 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 합성 음성 생성 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 방법을 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 인공신경망 텍스트-음성 합성 모델을 이용하여 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 예시를 나타내는 도면이다.
도 7은 본 개시의 다른 실시예에 따른 인공신경망 텍스트-음성 합성 모델을 이용하여 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 사용자 인터페이스를 보여주는 예시도이다.
도 9은 본 개시의 일 실시예에 따른 인공신경망 모델을 나타내는 구조도이다.

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, '텍스트 아이템'은 텍스트의 일부 또는 전부를 지칭할 수 있으며, 텍스트는 텍스트 아이템을 지칭할 수 있다. 이와 유사하게, '데이터 아이템' 및 '정보 아이템'의 각각은 데이터의 적어도 일부 및 정보의 적어도 일부를 지칭할 수 있으며, 데이터 및 정보는 데이터 아이템 및 정보 아이템을 지칭할 수 있다. 본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 화자의 특징의 각각은, 복수의 화자의 특징의 각각에 포함된 모든 화자 특징의 각각을 지칭하거나 복수의 화자의 특징에 포함된 일부 화자의 특징의 각각을 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 음성 생성 시스템(100)이 대상 텍스트(110) 및 새로운 화자의 화자 특징(120)을 입력 받아 출력 음성(130)을 생성하는 예시를 나타내는 도면이다. 합성 음성 생성 시스템(100)은 대상 텍스트(110) 및 새로운 화자의 화자 특징(120)을 입력 받아, 새로운 화자의 화자 특징(120)이 반영된 출력 음성(130)을 생성할 수 있다. 여기서, 대상 텍스트(110)는 하나 이상의 문단, 문장, 절, 구, 단어, 어절, 음소 등을 포함할 수 있다.

일 실시예에 따르면, 새로운 화자의 화자 특징(120)은 기준 화자의 화자 특징 및 발성 특징 변화 정보를 이용하여 결정되거나 생성될 수 있다. 여기서, 기준 화자의 화자 특징은 새롭게 생성하고 싶은 화자, 즉, 새로운 화자의 화자 특징을 생성하는데 있어서 기준이 되는 화자의 화자 특징을 포함할 수 있다. 예를 들어, 기준 화자의 화자 특징은 새롭게 생성하고 싶은 화자의 화자 특징과 유사한 화자 특징을 포함할 수 있다. 다른 예로서, 기준 화자의 화자 특징은 복수의 기준 화자의 화자 특징을 포함할 수 있다.

일 실시예에 따르면, 기준 화자의 화자 특징은 기준 화자의 화자 벡터를 포함할 수 있다. 예를 들어, 인경신경망 화자 특징 추출 모델을 이용하여 화자 id(예를 들어, 화자 one-hot vector 등) 및 발성 특징(예: 벡터)을 기초로, 기준 화자의 화자 벡터가 추출될 수 있다. 여기서, 인공신경망 화자 특징 추출 모델은 복수의 학습 화자 id 및 복수의 학습 발성 특징(예: 벡터)을 입력받아 참조 기준 화자의 화자 벡터(ground truth)를 추출하도록 학습될 수 있다. 또 다른 예로서, 인경신경망 화자 특징 추출 모델을 이용하여 화자가 녹음한 음성 및 발성 특징(예: 벡터)을 기초로, 기준 화자의 화자 벡터가 추출될 수 있다. 여기서, 인공신경망 화자 특징 추출 모델은 복수의 학습 화자가 녹음한 음성 및 복수의 학습 발성 특징(예: 벡터)을 입력받아 참조 기준 화자의 화자 벡터(ground truth)를 추출하도록 학습될 수 있다. 여기서, 기준 화자의 화자 벡터는 기준 화자의 음성이 가지고 있는 하나 이상의 발성 특징(예를 들어, 톤, 발성강도, 발성속도, 성별, 나이 등)을 포함할 수 있다. 또한, 화자 id 및/또는 화자가 녹음한 음성은, 새로운 화자의 화자 특징의 기초이 되는 음성으로서 선택될 수 있다. 이에 더하여, 발성 특징은, 새로운 화자의 화자 특징에 반영이 될 기초가 되는 발성 특징을 포함할 수 있다. 즉, 이러한 화자 id, 화자가 녹음한 음성 및/또는 발성 특징은, 기준 화자의 화자 특징으로 생성되고, 이렇게 생성된 기준 화자의 화자 특징은 발성 특징 변화 정보와 서로 합성되어 새로운 화자의 화자 특징을 생성하는데 사용될 수 있다.

발성 특징 변화 정보는 새로운 화자의 화자 특징에 적용하길 원하는 발성 특징에 대한 임의의 정보를 포함할 수 있다. 일 실시예에 따르면, 발성 특징 변화 정보는 새로운 화자의 화자 특징과 기준 화자의 화자 특징 사이의 차이에 관한 정보를 포함할 수 있다. 예를 들어, 새로운 화자의 특징은, 기준 화자의 화자 특징 및 화자 특징 변화를 합성함으로써 생성될 수 있다. 여기서, 화자 특징 변화는 기준 화자의 화자 특징 및 발성 특징 변화 정보를 인공신경망 화자 특징 변화 생성 모델에 입력함으로써, 생성될 수 있다. 여기서, 인공신경망 화자 특징 변화 생성 모델은, 복수의 학습 화자의 화자 특징 및 복수의 화자 특징에 포함된 복수의 발성 특징을 이용하여 학습될 수 있다.

예를 들어, 발성 특징 변화 정보는 새로운 화자의 화자 특징에 포함된 타겟 발성 특징과 기준 화자의 화자 특징에 포함된 타겟 발성 특징 사이의 차이를 나타내는 정보를 포함할 수 있다. 즉, 발성 특징 변화 정보는 타겟 발성 특징의 변화에 대한 정보를 포함할 수 있다. 다른 예로서, 발성 특징 변화 정보는, 화자 특징으로부터 타겟 발성 특징을 분류하는 hyperplane의 법선 벡터(normal vector) 및 타겟 발성 특징을 조절하는 정도를 나타내는 정보를 포함할 수 있다. 또 다른 예로서, 발성 특징 변화 정보는 복수의 기준 화자의 화자 특징의 각각에 적용될 가중치를 포함할 수 있다. 또 다른 예로서, 발성 특징 변화 정보는, 학습 화자에 포함된 타겟 발성 특징 사이의 축을 기초로 생성된 타겟 발성 특징 및 해당 타겟 발성 특징의 가중치를 포함할 수 있다. 또 다른 예로서, 발성 특징 변화 정보는, 타겟 발성 특징이 상이한 화자들의 화자 특징 사이의 차이를 기초로 생성된 타겟 발생 특징 및 해당 타겟 발성 특징에 대한 가중치를 포함할 수 있다. 또 다른 예로서, 발성 특징 변화 정보는, 기준 화자의 화자 특징에 포함된 타겟 화자 특징과의 차이를 가진 화자의 화자 특징과 해당 화자 특징의 가중치를 포함할 수 있다.

합성 음성 생성 시스템(100)은 새로운 화자의 화자 특징(120)이 반영된 대상 텍스트(110)에 대한 합성 음성으로서, 새롭게 생성된 화자의 화자 특징에 따라 대상 텍스트가 발화되는 출력 음성(130)을 생성할 수 있다. 이를 위해, 합성 음성 생성 시스템(100)은 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습된 인공신경망 텍스트-음성 합성 모델을 포함할 수 있다. 이와 달리, 인공신경망 텍스트-음성 합성 모델은, 대상 텍스트(110) 및 새로운 화자의 화자 특징(120)을 입력받으면 복수의 학습 텍스트 아이템에 대한 음성 데이터를 출력하도록 구성될 수 있으며, 이 경우, 출력된 음성 데이터는 후처리 프로세서, 보코더(vocoder) 등을 이용하여 사람이 들을 수 있는 음성으로 후처리될 수 있다.

도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 서비스를 제공하기 위하여, 복수의 사용자 단말(210_1, 210_2, 210_3)과 합성 음성 생성 시스템(230)이 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 합성 음성 생성 시스템(230)과 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210_1, 210_2, 210_3)과 합성 음성 생성 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 합성 음성 생성 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 웹 브라우저, 모바일 브라우저 애플리케이션 또는 합성 음성 생성 애플리케이션이 설치되어 합성 음성 생성 서비스를 제공하는 사용자 인터페이스가 실행될 수 있는 임의의 컴퓨팅 장치일 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 합성 음성 생성 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 합성 음성 생성 시스템(230)과 통신하도록 구성될 수도 있다.

일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 대상 텍스트, 기준화자의 화자 특징에 대한 정보 및/또는 발성 특징 변화 정보를 나타내거나 선택하는 정보를 합성 음성 생성 시스템(230)으로 제공할 수 있다. 추가적으로 또는 대안적으로, 사용자 단말(210_1, 210_2, 210_3)은 후보 기준 화자의 화자 특징 및/또는 후보 발성 특징 변화 정보를 합성 음성 생성 시스템(230)으로부터 수신할 수 있다. 이에 응답하여, 사용자 단말(210_1, 210_2, 210_3)은 사용자 입력에 응답하여, 후보 기준 화자의 화자 특징 및/또는 후보 발성 특징 변화 정보 중에서 기준 화자의 화자 특징 및/또는 발성 특징 변화 정보를 선택할 수 있다. 또한, 사용자 단말(210_1, 210_2, 210_3)은 합성 음성 생성 시스템(230)으로부터 생성된 출력 음성을 수신할 수 있다.

도 2에서는 사용자 단말(210_1, 210_2, 210_3)의 각각과 합성 음성 생성 시스템(230)은 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 합성 음성 생성 시스템(230)이 사용자 단말(210_1, 210_2, 210_3)의 각각에 포함되도록 구성될 수 있다. 이와 달리, 합성 음성 생성 시스템(230)이 입출력 인터페이스를 포함하여, 사용자 단말(210_1, 210_2, 210_3)와의 통신 없이, 대상 텍스트, 기준 화자의 화자 특징 및 발성 특징 변화 정보를 결정하여 대상 텍스트에 대한, 새로운 화자의 화자 특징이 반영된 합성 음성을 출력하도록 구성될 수 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 합성 음성 생성 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), 랩탑 또는 데스크탑 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, 합성 음성 생성 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 합성 음성 생성 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) 및/또는 합성 음성 생성 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 새로운 화자의 화자 특징을 결정하기 위한 코드, 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하기 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 합성 음성 생성 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)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 합성 음성 생성 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 합성 음성 생성 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템, 별도의 프레임 이미지 생성 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, 합성 음성 생성 요청, 새로운 화자의 화자 특징 생성 요청 등)은 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 합성 음성 생성 시스템(230)으로 전달될 수 있다. 역으로, 합성 음성 생성 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 합성 음성 생성 시스템(230)이나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이나 사용자 인터페이스가 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, 합성 음성 생성 시스템(230)의 입출력 인터페이스(338)는 합성 음성 생성 시스템(230)과 연결되거나 합성 음성 생성 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 합성 음성 생성 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.

일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 합성 음성 출력 어플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 어플리케이션 및/또는 프로그램과 연관된 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다. 어플리케이션 및/또는 프로그램이 동작되는 동안에, 사용자 단말(210)의 프로세서(314)는 입출력 장치(320)로부터 제공된 정보 및/또는 데이터를 입출력 인터페이스(318)를 통해 수신하거나 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)으로부터 정보 및/또는 데이터를 수신할 수 있으며, 수신된 정보 및/또는 데이터를 처리하여 메모리(312)에 저장할 수 있다. 또한, 이러한 정보 및/또는 데이터는 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다.

합성 음성 출력 어플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드 등의 입력 장치(320)를 통해 입력되거나 선택된 텍스트 등을 수신할 수 있으며, 수신된 텍스트를 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 대상 텍스트(예를 들어, 하나 이상의 문단, 문장, 문구, 단어, 음소 등)에 대한 입력을 입력 장치(320)를 통해 수신할 수 있다. 추가적으로, 프로세서(314)는 기준 화자에 대한 정보 및/또는 발성 특징 변화 정보를 나타내거나 선택하는 임의의 정보를 입력 장치(320)를 통해 수신할 수 있다.

일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통한, 대상 텍스트에 대한 입력을 입출력 인터페이스(318)를 통해 수신할 수 있다. 다른 실시예에 따르면, 프로세서(314)는 대상 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 대상 텍스트를 수신할 수 있다. 이렇게 수신된 대상 텍스트를 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 이와 달리, 프로세서(314)는 업로드된 파일을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공하고, 합성 음성 생성 시스템(230)으로부터 파일 내에 포함된 대상 텍스트를 수신하도록 구성될 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 장치를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 예를 들면, 프로세서(314)는 입력 장치(320), 메모리(312) 또는 합성 음성 생성 시스템(230) 중 적어도 하나로부터 수신된 대상 텍스트 및/또는 발성 특징 변화 정보를 나타내거나 선택하는 정보를 사용자 단말(210)의 화면을 통해 출력할 수 있다. 추가적으로 또는 대안적으로, 프로세서(314)는 정보 처리 시스템(230)에 의해 결정되거나 생성된 새로운 화자의 화자 특징을 사용자 단말(210)의 화면을 통해 출력할 수 있다. 또한, 프로세서(314)는 합성 음성을 스피커 등 음성 출력 가능 장치를 통해 출력할 수 있다. 추가적으로, 프로세서(314)는 스피커 등 음성 출력 가능 장치를 통해 출력할 수 있다.

합성 음성 생성 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. 일 실시예에서, 프로세서(334)는 사용자 단말(210), 메모리(332) 및/또는 외부 저장 장치로부터 대상 텍스트, 기준 화자에 대한 정보, 발성 특징 변화 정보를 나타내거나 선택하는 정보를 수신하고, 메모리(332) 및/또는 외부 저장 장치에 포함된 기준 화자의 화자 특징 및 발성 특징 변화 정보를 획득하거나 결정할 수 있다.

그리고 나서, 프로세서(334)는, 기준 화자의 화자 특징 및 발성 특징 변화 정보를 이용하여, 새로운 화자의 화자 특징을 결정할 수 있다. 또한, 프로세서(334)는 결정된 새로운 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성할 수 있다. 예를 들어, 프로세서(334)는 대상 텍스트, 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 인공신경망 텍스트-음성 합성 모델로부터 출력 음성을 생성할 수 있다. 이렇게 생성된 출력 음성은 네트워크(220)를 통해 사용자 단말(210)에 제공되어, 사용자 단말(210)과 연관된 스피커를 통해 출력될 수 있다.

도 4는 본 개시의 일 실시예에 따른 사용자 단말의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 프로세서(334)는 화자 특징 결정 모듈(410), 합성 음성 출력 모듈(420), 발성 특징 변화 정보 결정 모듈(430) 및 출력 음성 검증 모듈(440)을 포함할 수 있다. 이러한 프로세서(334)에서 동작되는 모듈의 각각은 서로 통신하도록 구성될 수 있다. 도 4에서 프로세서(334)의 내부 구성을 기능별로 구분하여 설명하지만, 이는 반드시 물리적으로 구분되는 것을 의미하지 않는다. 또한, 도 4에서 도시한 프로세서(334)의 내부 구성은 예시일 뿐이며, 필수 구성만을 도시한 것은 아니다. 따라서, 일부 실시예에서 프로세서(334)는 도시한 내부 구성 외 다른 구성을 추가로 포함하거나, 도시한 구성 내부 중 일부 구성이 생략되는 등 다르게 구현될 수 있다.

화자 특징 결정 모듈(410)은 기준 화자의 화자 특징을 획득할 수 있다. 일 실시예에 따르면, 도 1에서 설명된 바와 같이, 학습된 인공신경망 화자 특징 추출 모델을 통해 기준 화자의 특징을 추출할 수 있다. 예를 들어, 화자 특징 결정 모듈(410)은 화자 id(예를 들어, 화자 one-hot vector 등) 및 발성 특징(예: 벡터)을 학습된 인공신경망 화자 특징 추출 모델에 입력하여 기준 화자의 화자 특징(예: 벡터)를 추출할 수 있다. 다른 예로서, 화자 특징 결정 모듈(410)은 화자가 녹음한 음성 및 발성 특징(예: 벡터)을 학습된 인공신경망 화자 특징 추출 모델에 입력하여, 기준 화자의 화자 특징(예: 벡터)를 추출할 수 있다.

화자 특징 결정 모듈(410)은 기준 화자의 화자 특징 및 발성 특징 변화 정보를 획득하고, 획득된 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정할 수 있다. 여기서, 기준 화자의 화자 특징은 저장매체에 저장된 복수의 화자의 화자 특징 중 적어도 하나가 선택될 수 있다. 또한, 발성 특징 변화 정보는 기준 화자의 화자 특징의 변화를 나타내는 정보, 저장매체에 저장된 복수의 화자의 적어도 일부의 화자 특징의 변화를 나타내는 정보 및/또는 복수의 화자의 적어도 일부의 화자 특징에 포함된 발성 특징의 변화를 나타내는 정보일 수 있다. 여기서, 복수의 화자의 화자 특징은 학습된 인공신경망 화자 특징 추출 모델로부터 추론된 특징을 포함할 수 있다. 또한, 화자 특징 및 발성 특징의 각각은 벡터 형태로 표현될 수 있다.

합성 음성 출력 모듈(420)은 사용자 단말로부터 대상 텍스트를 수신하고, 화자 특징 결정 모듈(410)로부터 새로운 화자의 화자 특징을 수신할 수 있다. 합성 음성 출력 모듈(420)은 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성할 수 있다. 일 실시예에서, 합성 음성 출력 모듈(420)은 대상 텍스트 및 새로운 화자의 화자 특징을 학습된 인공신경망 텍스트-음성 합성 모델에 입력하여, 인공신경망 텍스트-음성 합성 모델로부터 출력 음성(즉, 합성 음성)을 생성할 수 있다. 이러한 인공신경망 텍스트-음성 합성 모델은 저장매체(예를 들어, 정보 처리 시스템(230)의 메모리(332), 정보 처리 시스템(230)의 프로세서(334)에서 접근 가능한 다른 저장 매체 등)에 저장될 수 있다. 여기서, 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템, 복수의 학습 화자의 화자 특징을 기초로, 복수의 학습 화자의 화자 특징이 반영된 대상 텍스트에 대한 음성을 출력하도록 학습된 모델을 포함할 수 있다. 그리고 나서, 합성 음성 출력 모듈(420)은 생성된 합성 음성을 사용자 단말에 제공할 수 있다. 이에 따라, 생성된 합성 음성은 사용자 단말(210)에 내장되거나 유선 또는 무선으로 연결된 임의의 스피커를 통해 출력될 수 있다.

발성 특징 변화 정보 결정 모듈(430)은 메모리(332)로부터 발성 특징 변화 정보를 획득할 수 있다. 일 실시예에 따르면, 이러한 발성 특징 변화 정보는 사용자 단말(예: 도 2의 사용자 단말(210))을 통해 사용자 입력을 통해 정해진 정보를 통해 결정될 수 있다. 여기서, 발성 특징 변화 정보는 새롭게 생성하고 싶은 화자, 즉, 새로운 화자를 생성하기 위해, 변경하고 싶은 발성 특징에 대한 정보를 포함할 수 있다. 추가적으로 또는 이와 달리, 발성 특징 변화 정보는 기준 화자의 화자 특징과 연관된 정보(예를 들어, 반영 비율 정보)를 포함할 수 있다.

이하에서는, 화자 특징 결정 모듈(410)과 발성 특징 변화 정보 결정 모듈(430)에 의해 발성 특징 변화 정보가 결정되고, 결정된 발성 특징 변화 정보 및 기준 화자의 화자 특징을 이용하여 새로운 화자의 특징이 결정되는 구체적인 예시들이 설명된다.

일 실시예에서, 화자 특징 결정 모듈(410)은 기준 화자의 화자 특징 및 발성 특징 변화 정보를 학습된 인공신경망 화자 특징 변화 생성 모델에 입력하여 화자 특징 변화를 생성하고, 기준 화자의 화자 특징 및 생성된 화자 특징 변화를 합성함으로써, 새로운 화자의 화자 특징을 출력할 수 있다. 이러한 인공신경망 화자 특징 변화 생성 모델의 학습 시에, 화자의 화자 특징에 포함된 발성 특징 정보를 입력으로 사용하지 않고, 화자마다 각각의 발성 특징 정보가 획득될 수 있다. 예를 들어, 사람이 태깅(tagging)을 통해 주어진 화자의 발성 특징 정보가 획득될 수 있다. 다른 예로서, 주어진 화자의 화자 특징으로부터 화자의 발성 특징을 추론하도록 학습된 인공신경망 발성 특징 추출 모델을 통해 주어진 화자의 발성 특징 정보가 획득될 수 있다. 이렇게 획득된 화자의 발성 특징 정보는 저장 매체에 저장될 수 있다. 즉, 인공신경망 화자 특징 변화 생성 모델을 이용하여, 발성 특징 변화에 따른 기준 화자의 화자 특징을 조절하는 것이 가능하다. 이러한 인공신경망 화자 특징 변화 생성 모델은 아래 수학식 1을 이용하여 학습될 수 있다.

여기서, 는 기준 화자의 화자 특징을 지칭할 수 있고, 는 참조 화자의 화자 특징을 지칭할 수 있다. 이러한 화자 특징은 학습된 인공신경망 화자 특징 추출 모델을 통해 추출될 특징일 수 있다. 이와 마찬가지로, 는 기준 화자의 발성 특징을 지칭할 수 있고, 는 참조 화자의 발성 특징을 지칭할 수 있다. 이러한 발성 특징은 학습된 인공신경망 발성 특징 추출 모델을 통해 추출된 특징일 수 있다. 즉, 발성 특징 변화 정보 결정 모듈(430)은 저장 매체로부터 , , 및 를 획득하여 인공신경망 화자 특징 변화 생성 모델을 학습하는데 사용할 수 있다. 또한, 및 의 차이 값, 즉, loss를 기초로 인공신경망 화자 특징 변화 생성 모델이 학습될 수 있다.

그리고 나서, 발성 특징 변화 정보 결정 모듈(430)은 추론 시 기준 화자의 발성 특징과 참조 화자의 발성 특징 사이의 차이 및 기준 화자의 화자 특징을 학습된 인공신경망 화자 특징 변화 생성 모델에 입력하여 발성 특징 변화 정보 를 결정할 수 있다. 화자 특징 결정 모듈(410)은 결정된 발성 특징 변화 정보 및 기준 화자의 화자 특징 을 기초로 새로운 화자의 화자 특징을 결정할 수 있다. 이러한 새로운 화자 특징은 아래 수학식 2와 같이 표시될 수 있다.

여기서, 는 새로운 화자의 화자 특징을 의미할 수 있다.

일 실시예에서, 발성 특징 변화 정보 결정 모듈(430)은, 타겟 발성 특징에 대응하는 발성 특징 분류 모델을 이용하여 타겟 발성 특징에 대한 법선 벡터를 추출할 수 있다. 이를 위해, 복수의 발성 특징의 각각에 대응하는 발성 특징 분류 모델이 생성될 수 있다. 이러한 발성 특징 분류 모델은 Hyperplane 기반으로 한 모델로서, 예를 들어, SVM(Support Vector Machine), 선형 분류기(Linear classifier) 등을 이용하여 구현될 수 있으나, 이에 한정되지 않는다. 또한, 타겟 발성 특징은, 복수의 발성 특징 중 선택된 발성 특징으로서, 새로운 화자의 화자 특징에 변경되어 반영될 발성 특징을 지칭할 수 있다. 또한, 화자의 특징은 화자 벡터로 표현될 수 있다.

이러한 발성 특징 분류 모델의 학습 시에, 화자의 화자 특징에 포함된 발성 특징 정보를 입력으로 사용하지 않고, 화자마다 각각의 발성 특징 정보이 획득될 수 있다. 예를 들어, 사람이 태깅을 통해 주어진 화자의 발성 특징 정보가 획득될 수 있다. 다른 예로서, 주어진 화자의 화자 특징으로부터 화자의 발성 특징을 추론하도록 학습된 인공신경망 발성 특징 추출 모델을 통해 주어진 화자의 발성 특징 정보가 획득될 수 있다.

이러한 발성 특징 분류 모델은 아래 수학식 3을 통해 학습될 수 있다.

여기서, 는 인 번째 발성 특징을 의미하고, 는 번째 발성 특징을 분류하는 Hyperplane의 법선 벡터를 의미하고, 는 편향(Bias)을 의미할 수 있다.

그리고 나서, 화자 특징 결정 모듈(410)은, 새로운 화자의 합성 음성을 생성하기 위해, 학습된 인공신경망 화자 특징 추출 모델을 통해 새로운 화자와 가장 비슷한, 기준 화자의 화자 특징 벡터 를 획득할 수 있다. 또한, 발성 특징 변화 정보 결정 모듈(430)은 학습된 발성 특징 분류 모델로부터 타겟 발성 특징의 법선 벡터 및 발성 특징을 조절하는 정도를 나타내는 정보를 발성 특징 변화 정보로서 획득할 수 있다. 이렇게 획득된 기준 화자의 화자 특징 벡터 , 타겟 발성 특징의 법선 벡터 및 발성 특징을 조절하는 정도를 이용하여 아래 수학식 4에 따라 새로운 화자의 화자 특징 가 생성될 수 있다.

여기서, 는 타겟 발성 특징의 법선 벡터, 는 발성 특징을 조절하는 정도를 지칭할 수 있다.

일 실시예에서, 화자 특징 결정 모듈(410)은 복수의 기준 화자에 대응하는 복수의 화자 특징을 획득할 수 있다. 또한, 발성 특징 변화 정보 결정 모듈(430)은, 복수의 화자 특징에 대응하는 가중치 세트를 획득하고 획득된 가중치 세트를 화자 특징 결정 모듈(410)에 제공할 수 있다. 화자 특징 결정 모듈(410)은 복수의 화자의 특징의 각각에 획득된 가중치 세트에 포함된 가중치를 적용함으로써, 아래 수학식 5와 같이 새로운 화자의 화자 특징을 결정할 수 있다. 즉, 여러 화자의 목소리가 섞여서 새로운 화자의 목소리가 생성될 수 있다.

여기서, 는 화자의 화자 벡터를 의미하고, 는 화자에 대한 가중치를 의미할 수 있다. 시그마 제약조건을 적용하면 여러 화자의 특징 벡터가 새로운 화자의 특징 벡터로 섞일 수 있다.

일 실시예에 따르면, 화자 특징 결정 모듈(410)은 사전 계산된 발성 특징 축 조절 방식을 통해 새로운 화자의 특징 벡터를 생성할 수 있다. 예를 들어, 화자 특징은 하나 이상의 발성 특징을 포함하고 있다. 발성 특징 변화 정보 결정 모듈(430)은 발성 특징 축을 찾아, 발성 특징 축 조절할 수 있다. 이렇게 조절된 발성 특징 축은 화자 특징 결정 모듈(410)에 제공되어 새로운 화자의 화자 특징이 결정되는데 사용될 수 있다. 즉, 화자 특징 결정 모듈(410)은 아래 수학식 6과 같이, 기준 화자의 화자 특징 , 발성 특징 축 및 발성 특징 변화 정보의 가중치 를 이용하여 새로운 화자의 화자 특징을 결정할 수 있다.

여기서, 는 번째 발성 특징 축을 의미하고, 는 번째 발성 특징에 대한 가중치를 의미할 수 있다. 또한, 는 정량적으로 표현된 발성 특징을 의미하며, 는 화자 특징 내부 상의 한 축을 의미할 수 있다. 예를 들어, 인 경우, 발성 특징 의 축은 여성(), 나이 30(), 톤이 낮고(), 말이 빠르고(), 발성 강도는 강함()을 나타낼 수 있다. 또한, 는 개별 발성 특징인 를 구분하기 위한 발성 특징 공간 상의 한 축을 의미할 수 있으며, 는 로 화자 표현과 차원이 동일할 수 있다.

발성 특징 변화 정보로서 를 획득하기 위하여, 발성 특징 변화 정보 결정 모듈(430)은, 복수의 화자의 화자 벡터의 각각을 정규화 시킬 수 있다. 이 경우, 복수의 화자의 화자 벡터는 복수의 화자의 화자 특징에 포함될 수 있다. 예를 들어, 발성 특징 변화 정보 결정 모듈(430)은 전체 화자의 화자 벡터 에 대해 정규화를 수행할 수 있다. 예를 들어, 발성 특징 변화 정보 결정 모듈(430)은 전체 데이터에 평균을 빼고 분산을 나눠주는 Z-normalization 또는 전체 데이터에 평균을 빼는 정규화를 수행할 수 있다.

여기서, 은 정규화 함수를 의미하고, 는 정규화 역함수를 의미한다.

그리고 나서, 발성 특징 변화 정보 결정 모듈(430)은 정규화된 복수의 화자의 화자 벡터에 대한 차원 축소 분석을 수행함으로써, 복수의 주요 성분을 결정할 수 있다. 여기서, 차원 축소 분석은, 예를 들어, PCA(Principal Component Analysis), SVD(Singular Value Decomposition), t-SNE(Stochastic Neighbor Embedding) 등의 종래의 알려진 차원 축소 기법을 통해 수행될 수 있다. 예를 들어, 발성 특징 변화 정보 결정 모듈(430)은 에 대해 PCA를 수행함으로써, 아래 수학식 8의 복수의 주요 성분 을 결정할 수 있다.

여기서, 는 번째 주요 성분을 지칭할 수 있으며, 은 화자 표현의 의 차원수를 지칭할 수 있다.

그리고 나서, 아래 수학식 9의 를 이용하여 생성된 음성은 사람에 의해 청취되고 평가되어 발성 특징 레이블이 할당될 수 있다. 발성 특징 변화 정보 결정 모듈(430)은 결정된 복수의 주요 성분 중 적어도 하나의 주요 성분을 선택할 수 있다. 예를 들어, 새로운 화자의 화자 특징에 변경하기 원하는 발성 특징과 연관된 주요 성분이 선택될 수 있다.

여기서, 는 새로운 화자의 특징을 의미하고, 는 k번째 주요 성분을 의미하고, 는 선택된 주요 성분을 의미할 수 있다.

즉, 번째 발성 특징 가 선택된 주요 성분 및 정규화 역함수 를 통해 결정될 수 있다. 이러한 j번째 발성 특징 및 이에 해당하는 가중치가 화자 특징 결정 모듈(410)에 제공되어, 위 수학식 6을 통해 새로운 화자의 화자 특징이 생성될 수 있다.

추가적으로 또는 이와 달리, 발성 특징 변화 정보 결정 모듈(430)은 수학식 6에서 사용되는 대신에, 수학식 10을 통해 얻어지는 를 사용함으로써, 발성 특징 축 간의 간섭이 제거될 수 있다.

여기서, 는 에 일부 발성 특징을 변경한 발성 특징 축을 지칭할 수 있다. 또한, 는 개별 발성 특징인 를 구분하기 위한 발성 특징 공간 상의 한 축을 의미할 수 있다.

발성 특징 변화 정보 결정 모듈(430)은 타겟 발성 특징이 상이한 복수의 화자의 화자 벡터를 획득할 수 있다. 이 경우, 복수의 학습 화자의 화자 벡터는 복수의 학습 화자의 화자 특징에 포함될 수 있다. 또한, 복수의 화자의 각각은, 하나 이상의 발성 특징에 대한 레이블이 할당된다. 일 실시예에서, 와 같이 복수의 화자의 각각에 발성 특징 레이블이 할당될 수 있다. 여기서, 발성 특징은 톤, 발성 강도, 발성 속도, 성별, 나이를 포함할 수 있다. 톤, 발성 강도, 발성 속도는 과 같이 표현될 수 있고, 여기서, 는 의 element일 수 있다. 또한, 남녀의 성별은 로 표현될 수 있으며, 나이는 과 같이 표현될 수 있다. 예를 들어, 은 톤은 낮고, 발성 강도는 중간이고, 발성 속도는 높으며, 50세 남자의 발성 특징을 의미할 수 있다.

그리고 나서, 발성 특징 변화 정보 결정 모듈(430)은, 위 수학식 11과 같이, 타겟 발성 특징이 상이한 복수의 화자의 화자 벡터 및 사이의 차이를 기초로 발성 특징 를 결정할 수 있다. 여기서, 발성 특징 는 발성 특징 변화 정보에 포함될 수 있다. 이러한 발성 특징 변화 정보는 화자 특징 결정 모듈(410)에 제공되어 위 수학식 6을 이용하여 새로운 화자의 화자 특징이 결정될 수 있다.

다른 실시예에서, 발성 특징 변화 정보 결정 모듈(430)은 복수의 화자 그룹의 화자 벡터 평균 사이의 차이를 기초로 발성 특징 변화 정보를 결정할 수 있다. 위 수학식 11과 연관되어 설명된 바와 같이, 복수의 화자의 화자 특징은 복수의 화자의 화자 벡터를 포함하고, 복수의 화자의 화자 특징의 각각은, 하나 이상의 발성 특징에 대한 레이블이 할당된다.

발성 특징 변화 정보 결정 모듈(430)은 타겟 발성 특징이 상이한 복수의 화자 그룹의 각각에 포함된 화자들의 화자 벡터를 획득할 수 있다. 여기서, 복수의 학습 화자의 그룹은 제1 화자 그룹 및 제2 화자 그룹을 포함할 수 있다.

그리고 나서, 발성 특징 변화 정보 결정 모듈(430)은 제1 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하고, 제2 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하여, 수학식 12와 같이 제1 화자 그룹에 대응하는 화자 벡터의 평균 및 제2 화자 그룹에 대응하는 화자 벡터의 평균 사이의 차이를 기초로 발성 특징 를 결정할 수 있다. 결정된 발성 특징 는 발성 특징 변화 정보에 포함될 수 있다.

그런 다음, 이러한 발성 특징 변화 정보는 화자 특징 결정 모듈(410)에 제공되어 위 수학식 6을 이용하여 새로운 화자의 화자 특징이 결정될 수 있다.

일 실시예에 따르면, 발성 특징 변화 정보 결정 모듈(430)은, 아래 수학식 13에서와 같이, 복수의 화자의 화자 특징 를 인공신경망 발성 특징 예측 모델 에 입력하여, 복수의 화자의 각각의 발성 특징 을 출력할 수 있다. 여기서, 발성 특징 변화 정보 결정 모듈(430)은 복수의 화자의 화자 특징 중에서, 출력된 발성 특징 중 선택된 과 에 포함된 발성 특징에서의 차이 값이 존재하고, 나머지 발성 특징들에서의 차이값이 존재하지 않는 화자 특징, 즉, 를 선택 또는 결정할 수 있다. 이러한 화자 특징 는 화자 특징 결정 모듈(410)에 제공될 수 있다.

또한, 화자 특징 결정 모듈(410)은 선택된 화자의 화자 특징에 대응하는 가중치를 획득할 수 있다. 그리고 나서, 화자 특징 결정 모듈(410)은 기준 화자의 화자 특징, 선택된 화자의 화자 특징 및 선택된 화자의 화자 특징에 대응하는 가중치를 이용하여 새로운 화자의 화자 특징을 결정할 수 있다. 예를 들어, 화자 특징 결정 모듈(410)은 아래 수학식 14을 이용하여 새로운 화자의 화자 특징을 결정할 수 있다.

여기서, 는 새로운 화자의 화자 특징이고, 는 기준 화자의 화자 특징, 는 선택된 화자의 화자 특징, 는 선택된 화자의 화자 특징에 대응하는 가중치를 지칭할 수 있다.

출력 음성 검증 모듈(440)은 새로운 화자의 화자 특징과 연관된 출력 음성이 기존에 저장되어 있지 않은 새로운 출력 음성인지 여부를 결정할 수 있다. 일 실시예에 따르면, 출력 음성 검증 모듈(440)은 해쉬 함수를 이용하여 새로운 화자의 화자 특징(예: 화자 특징 벡터)에 대응하는 해쉬값을 산출할 수 있다. 다른 실시예에서, 출력 음성 검증 모듈(440)은 새로운 화자의 화자 음성을 이용하여 해쉬값을 산출하지 않고, 새로운 출력 음성으로부터 화자의 화자 특징을 추출하고, 추출된 화자의 화자 특징을 이용하여 해쉬값이 산출될 수 있다.

그리고 나서, 출력 음성 검증 모듈(440)은 저장 매체에 저장된 복수의 화자의 콘텐츠 중에서, 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 있는지 여부를 판정할 수 있다. 출력 음성 검증 모듈(440)은 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 없는 경우, 새로운 화자의 화자 특징과 연관된 출력 음성이 새로운 출력 음성임을 결정할 수 있다. 이렇게 새로운 출력 음성이라고 결정된 경우, 새로운 화자의 화자 특징이 반영된 합성 음성이 사용되도록 설정될 수 있다.

도 5는 본 개시의 일 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 방법(500)을 나타내는 흐름도이다. 일 실시예에서, 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 방법(500)은 프로세서(예: 사용자 단말(210)의 프로세서(314) 및/또는 합성 음성 생성 시스템(230)의 프로세서(334))에 의해 수행될 수 있다. 도시된 바와 같이, 이러한 방법(500)은 프로세서가 대상 텍스트를 수신함으로써 개시될 수 있다(S510).

그리고 나서, 프로세서는 기준 화자에 대응하는 기준 화자의 화자 특징을 획득할 수 있다(S520). 일 실시예에서, 기준 화자의 화자 특징은 화자 벡터를 포함할 수 있다. 추가적으로 또는 대안적으로, 기준 화자의 화자 특징은 기준 화자의 발성 특징을 포함할 수 있다. 다른 실시예에 따르면, 기준 화자의 화자 특징은 복수의 기준 화자에 대응하는 복수의 화자 특징을 포함할 수 있다. 여기서, 복수의 화자 특징은 복수의 화자 벡터를 포함할 수 있다.

그리고 나서, 프로세서는 발성 특징 변화 정보를 획득할 수 있다(S530). 이를 위해, 프로세서는 복수의 화자의 화자 특징을 획득할 수 있다. 여기서, 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함할 수 있다.

일 실시예에 따르면, 프로세서는, 복수의 화자의 화자 벡터의 각각에 대한 정규화를 수행하고, 정규화된 복수의 화자의 화자 벡터에 대한 차원 축소 분석을 수행함으로써, 복수의 주요 성분을 결정할 수 있다. 이렇게 결정된 복수의 주요 성분 중 적어도 하나의 주요 분석이 선택될 수 있다. 그리고 나서, 프로세서는, 선택된 주요 성분을 이용하여 발성 특징 변화 정보를 결정할 수 있다.

다른 실시예에 따르면, 프로세서는, 타겟 발성 특징이 상이한 복수의 화자의 화자 벡터를 획득하고, 획득된 복수의 화자의 화자 벡터 사이의 차이를 기초로 발성 특징 변화 정보를 결정할 수 있다. 또 다른 실시예에 따르면, 프로세서는, 타겟 발성 특징이 상이한 복수의 화자 그룹의 각각에 포함된 화자들의 화자 벡터를 획득할 수 있다. 여기서, 복수의 화자의 그룹은 제1 화자 그룹 및 제2 화자 그룹을 포함할 수 있다. 그리고 나서, 프로세서는, 제1 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하고, 제2 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출할 수 있다. 프로세서는, 제1 화자 그룹에 대응하는 화자 벡터의 평균 및 제2 화자 그룹에 대응하는 화자 벡터의 평균 사이의 차이를 기초로 발성 특징 변화 정보를 결정할 수 있다.

또 다른 실시예에서, 프로세서는, 복수의 화자의 화자 특징을 인공신경망 발성 특징 예측 모델에 입력하여, 복수의 화자의 각각의 발성 특징을 출력할 수 있다. 그리고 나서, 프로세서는, 복수의 화자의 화자 특징 중에서, 출력된 복수의 화자의 각각의 발성 특징 중 타겟 발성 특징과 기준 화자의 복수의 발성 특징 중 타겟 발성 특징 사이의 차이가 존재하는, 화자의 화자 특징을 선택하고, 선택된 화자의 화자 특징에 대응하는 가중치를 획득할 수 있다. 여기서, 선택된 화자의 화자 특징 및 선택된 화자의 화자 특징에 대응하는 가중치는 발성 특징 변화 정보로서 획득될 수 있다.

또 다른 실시예에 따르면, 프로세서는 타겟 발성 특징에 대응하는 발성 특징 분류 모델을 이용하여 타겟 발성 특징에 대한 법선 벡터를 추출할 수 있다. 여기서, 법선 벡터는 타겟 발성 특징을 분류하는 hyperplane의 법선 벡터를 지칭할 수 있고, 타겟 발성 특징을 조절하는 정도를 나타내는 정보를 획득할 수 있다. 이렇게 추출된 법선 벡터 및 타겟 발성 특징을 조절하는 정도를 나타내는 정보는 발성 특징 변화 정보로서 획득될 수 있다.

그리고 나서, 프로세서는 획득된 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정할 수 있다(S540).

일 실시예에 따르면, 프로세서는, 기준 화자의 화자 특징 및 획득된 발성 특징 변화 정보를 인공신경망 화자 특징 변화 생성 모델에 입력하여 화자 특징 변화를 생성하고, 기준 화자의 화자 특징 및 생성된 화자 특징 변화를 합성함으로써, 새로운 화자의 화자 특징을 출력할 수 있다. 여기서, 인공신경망 화자 특징 변화 생성 모델은, 복수의 학습 화자의 화자 특징 및 복수의 학습 화자의 화자 특징에 포함된 복수의 발성 특징을 이용하여 학습될 수 있다.

다른 실시예에서, 프로세서는, 복수의 화자의 특징의 각각에 획득된 가중치 세트에 포함된 가중치를 적용함으로써, 새로운 화자의 화자 특징을 결정할 수 있다. 또 다른 실시예에서, 프로세서는, 기준 화자의 화자 특징, 발성 특징 변화 정보, 발성 특징 변화 정보의 가중치를 이용하여 새로운 화자의 특징을 결정할 수 있다. 또 다른 실시예에 따르면, 프로세서는, 기준 화자의 화자 특징, 선택된 화자의 화자 특징 및 선택된 화자의 화자 특징에 대응하는 가중치를 이용하여 새로운 화자의 화자 특징을 결정할 수 있다. 또 다른 실시예에 따르면, 프로세서는, 기준 화자의 화자 벡터, 추출된 법선 벡터 및 타겟 발성 특징을 조절하는 정도를 기초로 새로운 화자의 화자 특징을 결정할 수 있다.

그리고 나서, 프로세서는 대상 텍스트 및 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 결정된 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성할 수 있다(S550). 여기서, 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습된 모델을 포함할 수 있다.

일 실시예에 따르면, 프로세서는, 해쉬 함수를 이용하여 화자 특징 벡터에 대응하는 해쉬값을 산출할 수 있다. 여기서, 화자 특징 벡터는 새로운 화자의 화자 특징에 포함될 수 있다. 그리고 나서, 프로세서는, 저장 매체에 저장된 복수의 화자의 콘텐츠 중에서, 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 있는지 여부를 판정할 수 있다. 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 없는 경우, 프로세서는, 새로운 화자의 화자 특징과 연관된 출력 음성이 새로운 출력 음성임을 결정할 수 있다.

일 실시예에 따르면, 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 포함한 학습 데이터를 이용하여 학습된 음성 합성기가 제공될 수 있다. 여기서, 음성 합성기는, 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 포함한 학습 데이터를 이용하여 학습될 수 있는 임의의 음성 합성기일 수 있다. 예를 들어, 음성 합성기는, 이러한 학습 데이터를 이용하여 학습된 임의의 텍스트-음성 합성(TTS) 모델을 포함할 수 있다. 여기서, TTS 모델은, 본 기술 분야에서 미리 알려진 기계학습 모델, 인공신경망 모델로 구현될 수 있다.

이러한 음성 합성기는 새로운 화자의 합성 음성을 학습 데이터로 학습되었기 때문에, 대상 텍스트가 입력되면, 대상 텍스트가 새로운 화자의 합성 음성으로 출력될 수 있다. 일 실시예에 따르면, 이러한 음성 합성기는, 도 2의 사용자 단말(210) 및/또는 도 2의 정보 처리 시스템(230)에 포함되거나 구현될 수 있다.

일 실시예에 따르면, 상술된 새로운 화자의 합성 음성을 생성하는 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하도록 구성된 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 메모리에 저장된 새로운 화자의 합성 음성 중 적어도 일부를 출력하기 위한 명령어를 포함하는, 합성 음성을 제공하는 장치가 제공될 수 있다. 예를 들어, 이러한 합성 음성을 제공하는 장치는, 미리 생성된 새로운 화자의 합성 음성을 저장하고, 저장된 합성 음성 중 적어도 일부를 제공하는 임의의 장치를 지칭할 수 있다.

일 실시예에 따르면, 이러한 합성 음성을 제공하는 장치는, 도 2의 사용자 단말(210) 및/또는 도 2의 정보 처리 시스템(230)에 구현될 수 있다. 구체적으로, 이러한 합성 음성을 제공하는 장치는, 이에 한정되지 않으나, 동영상 시스템, ARS 시스템, 게임 시스템, 소리펜 등으로 구현될 수 있다. 예를 들어, 이러한 합성 음성을 제공하는 장치가 정보 처리 시스템(230)에 제공되는 경우, 출력된 새로운 화자의 합성 음성 중 적어도 일부가 정보 처리 시스템(230)과 유/무선으로 연결된 사용자 단말 장치에 제공될 수 있다. 구체적으로, 정보 처리 시스템(230)은 출력된 새로운 화자의 합성 음성 중 적어도 일부가 스트리밍 방식으로 제공될 수 있다.

일 실시예에 따르면, 상술된 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하는 단계 및 저장된 새로운 화자의 합성 음성 중 적어도 일부를 제공하는 단계를 포함하는 새로운 화자의 합성 음성을 제공하는 방법이 제공될 수 있다. 이러한 방법은, 사용자 단말(210)의 프로세서 및/또는 도 2의 정보 처리 시스템(230)의 프로세서에 의해 실행될 수 있다. 이러한 방법은, 새로운 화자의 합성 음성을 제공하는 서비스를 위해 제공될 수 있다. 예를 들어, 이러한 서비스는 동영상 시스템, ARS 시스템, 게임 시스템, 소리펜 등으로 구현될 수 있으나, 이에 한정되지 않는다.

도 6은 본 개시의 일 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 예시를 나타내는 도면이다. 일 실시예에서, 인공신경망 텍스트-음성 합성 모델은 인코더(encoder)(610), 어텐션(attention)(620) 및 디코더(decoder)(630)를 포함할 수 있다.

인코더(610)는 대상 텍스트(640)를 입력 받을 수 있다. 인코더(610)는 입력된 대상 텍스트(640)에 대한 발음 정보(예를 들어, 대상 텍스트에 대한 음소 정보, 대상 텍스트에 포함된 복수의 음소 각각에 대한 벡터 등)를 생성하도록 구성될 수 있다. 일 실시예에서, 인코더(610)는 대상 텍스트(640)를 문자 임베딩(character embedding)으로 변환하여 생성할 수 있다. 예를 들어, 인코더(610)에서, 생성된 문자 임베딩은 완전연결층(fully-connected layer)을 포함한 프리넷(pre-net)에 통과될 수 있다. 또한, 인코더(610)는 프리넷(pre-net)으로부터의 출력을 CBHG 모듈에 제공하여, 인코더의 숨겨진 상태들(Encorder hidden states)을 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. 인코더(610)에 의해 생성된 발음 정보는 어텐션(620)으로 제공될 수 있고, 어텐션(620)은 제공된 발음 정보와 발음 정보에 대응하는 음성 데이터를 연결 또는 결합시킬 수 있다. 예를 들어, 어텐션(620)은 입력 텍스트 중 어떤 부분으로부터 음성을 생성할지 결정하도록 구성될 수 있다.

이렇게 연결된 발음 정보와 발음 정보에 대응하는 음성 데이터는 디코더(630)에 제공될 수 있다. 디코더(630)는 연결된 발음 정보와 발음 정보에 대응하는 음성 데이터를 기초로 대상 텍스트(640)에 대응하는 음성 데이터(660)를 생성하도록 구성될 수 있다.

일 실시예에 따르면, 디코더(630)는 새로운 화자의 화자 특징()(658)을 수신하여, 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성하도록 구성될 수 있다. 여기서, 새로운 화자의 화자 특징()(658)은, 발성 특징 변화 모듈(656)을 통해 생성될 수 있다. 예를 들어, 발성 특징 변화 모듈(656)은 도 4에서 설명된 알고리즘 및/또는 인공신경망 모델을 통해 구현될 수 있다.

일 실시예에 따르면, 인공신경망 화자 특징 추출 모델(650)은 화자 식별 정보 i(예를 들어, 화자 one-hot vector 등)(652) 및 화자의 발성 특징 C(654)을 기초로 기준 화자의 화자 특징(r)을 획득할 수 있다. 여기서, 발성 특징 C(654) 및 화자의 화자 특징(r)은 벡터 형태로 표현될 수 있다. 또한, 인공신경망 화자 특징 추출 모델(650)은 복수의 학습 화자 id 및 복수의 학습 발성 특징(예: 벡터)을 입력받아 참조 기준 화자의 화자 벡터(ground truth)를 추출하도록 학습될 수 있다. 이렇게 생성된 기준 화자 특징(r) 및 발성 특징 변화 정보와 연관된 입력 정보(d)(655)를 이용하여 발성 특징 변화 모듈(656)을 통해 발성 특징 변화 정보가 결정되고, 나아가, 새로운 화자의 화자 특징()(658)이 결정될 수 있다. 이러한 발성 특징 변화 정보와 연관된 입력 정보(d)(655)는 새로운 화자에 반영하거나 변경하고 싶은 임의의 정보를 포함할 수 있다.

일 실시예에서, 디코더(630)는 완전연결층으로 구성된 프리넷과 GRU(gated recurrent unit)로를 포함한 어텐션(attention) RNN(recurrent neural network), 레지듀얼 GRU(residual GRU)를 포함한 디코더 RNN(decoder RNN)을 포함할 수 있다. 디코더(630)로부터 출력되는 음성 데이터(660)는 멜스케일 스펙트로그램(mel-scale spectrogram)으로 표현될 수 있다. 이 경우, 디코더(630)의 출력은 후처리 프로세서(미도시)에 제공될 수 있다. 후처리 프로세서의 CBHG는 디코더(630)의 멜 스케일 스펙트로그램을 리니어스케일 스펙트로그램(linear-scale spectrogram)으로 변환하도록 구성될 있다. 예를 들어, 후처리 프로세서의 CBHG의 출력 신호는 매그니튜드 스펙트로그램(magnitude spectrogram)를 포함할 수 있다. 후처리 프로세서의 CBHG의 출력 신호의 위상(phase)은 그리핀-림(Griffin-Lim) 알고리즘을 통해 복원되고, 역 단시간 푸리에 변환(inverse short-time Fourier transform)될 수 있다. 후처리 프로세서는 시간 도메인(time domain)의 음성 신호로 출력할 수 있다. 또 다른 예로서, 후처리 프로세서는 GAN 기반의 보코더를 이용하여 구현될 수 있다.

이러한 인공신경망 텍스트-음성 합성 모델을 생성 또는 학습하기 위해서, 프로세서는 학습 텍스트 아이템, 복수의 학습 화자의 화자 특징 및 화자 특징이 반영된, 학습 텍스트 아이템에 대응하는 학습 음성 데이터 아이템을 포함하는 데이터베이스를 이용할 수 있다. 프로세서는 학습 텍스트 아이템, 학습 화자의 화자 특징 및 학습 텍스트 아이템에 대응하는 학습 음성 데이터 아이템을 기초로, 학습 화자의 화자 특징이 반영된 합성 음성을 출력하도록 인공신경망 텍스트-음성 합성 모델을 학습할 수 있다.

프로세서는 이렇게 생성/학습된 인공신경망 텍스트-음성 합성 모델을 통해, 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성할 수 있다. 일 실시예에서, 프로세서는 인공신경망 텍스트-음성 합성 모델에 대상 텍스트(640) 및 새로운 화자의 화자 특징()(658)을 입력함으로써, 출력되는 음성 데이터(660)를 기초로 합성 음성을 생성할 수 있다. 이렇게 생성된 합성 음성은, 입력된 새로운 화자의 화자 특징()(658)이 반영된, 대상 텍스트(640)를 발화하는 음성을 포함할 수 있다.

도 6에서는 어텐션(620)과 디코더(630)를 별개의 구성으로 도시하고 있으나, 이에 한정되지 않는다. 예를 들어, 디코더(630)는 어텐션(620)을 포함할 수 있다. 또한, 도 6에서는 새로운 화자의 화자 특징()(658)이 디코더(630)로 입력되고 있으나, 이에 한정되지 않는다. 예를 들어, 새로운 화자의 화자 특징()(658)은 인코더(610) 및/또는 어텐션(620)으로 입력될 수 있다.

도 7은 본 개시의 다른 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 예시를 나타내는 도면이다. 도 7에 도시된 인코더(710), 어텐션(720) 및 디코더(730)는 각각 도 6에 도시된 인코더(610), 어텐션(620) 및 디코더(630)와 유사한 기능을 수행할 수 있다. 이에 따라, 도 6와 중복되는 설명은 생략된다.

일 실시예에서, 인코더(710)는 대상 텍스트(740)를 입력 받을 수 있다. 인코더(710)는 입력된 대상 텍스트(740)에 대한 발음 정보(예를 들어, 대상 텍스트에 포함된 복수의 음소 정보, 대상 텍스트에 포함된 복수의 음소 각각에 대한 벡터 등)를 생성하도록 구성될 수 있다. 인코더(710)에 의해 생성된 발음 정보는 어텐션(720)으로 제공될 수 있고, 어텐션(720)은 발음 정보와 발음 정보에 대응하는 음성 데이터를 연결시킬 수 있다. 이렇게 연결된 발음 정보와 발음 정보에 대응하는 음성 데이터는 디코더(730)에 제공될 수 있다. 디코더(730)는 연결된 발음 정보와 발음 정보에 대응하는 음성 데이터를 기초로 대상 텍스트(740)에 대응하는 음성 데이터(760)를 생성하도록 구성될 수 있다.

일 실시예에서, 디코더(730)는 새로운 화자의 화자 특징()(758)을 수신하여, 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대한 출력 음성을 생성하도록 구성될 수 있다. 여기서, 새로운 화자의 화자 특징()(758)은, 발성 특징 변화 모듈(756)을 통해 생성될 수 있다. 예를 들어, 발성 특징 변화 모듈(756)은 도 4에서 설명된 알고리즘 및/또는 인공신경망 모델을 통해 구현될 수 있다.

일 실시예에 따르면, 인공신경망 화자 특징 추출 모델(750)은 화자가 녹음한 음성(752) 및 발성 특징 세트(C)(754)을 기초로 화자 식별 정보(i)(753)를 출력할 수 있으며, 또한, 기준 화자의 화자 특징(r)을 획득할 수 있다. 여기서, 발성 특징 세트는 하나 이상의 발성 특징 c를 포함할 수 있다. 또한, 발성 특징 세트(C)(754) 및 화자의 화자 특징(r)은 벡터 형태로 표현될 수 있다. 또한, 인공신경망 화자 특징 추출 모델은 복수의 학습 화자가 녹음한 음성 및 복수의 학습 발성 특징(예: 벡터)을 입력받아 참조 기준 화자의 화자 벡터(ground truth)를 추출하도록 학습될 수 있다. 발성 특징 변화 모듈(756)은 이렇게 생성된 기준 화자 특징(r) 및 발성 특징 변화 정보와 연관된 입력 정보(d)(755)를 이용하여 발성 특징 변화 정보를 결정하고, 나아가, 새로운 화자의 화자 특징()을 결정할 수 있다. 이러한 발성 특징 변화 정보와 연관된 입력 정보(d)(755)는 새로운 화자에 반영하거나 변경하고 싶은 임의의 정보를 포함할 수 있다.

이러한 인공신경망 텍스트-음성 합성 모델을 생성 또는 학습하기 위해서, 프로세서는 학습 텍스트 아이템 복수의 학습 화자의 화자 특징 및 화자 특징이 반영된, 학습 텍스트 아이템에 대응하는 학습 음성 데이터 아이템 쌍을 포함하는 데이터베이스를 이용할 수 있다. 프로세서는 학습 화자의 화자 특징 및 학습 텍스트 아이템에 대응하는 학습 음성 데이터 아이템을 기초로, 새로운 화자의 화자 특징이 반영된 합성 음성(760)을 출력하도록 인공신경망 텍스트-음성 합성 모델을 학습할 수 있다.

프로세서는 이렇게 생성/학습된 인공신경망 텍스트-음성 합성 모델을 통해, 새로운 화자의 화자 특징이 반영된 출력 음성(760)을 생성할 수 있다. 일 실시예에서, 프로세서는 인공신경망 텍스트-음성 합성 모델에 대상 텍스트(740) 및 새로운 화자의 화자 특징()(758)을 입력함으로써, 출력되는 음성 데이터(760)를 기초로 합성 음성을 생성할 수 있다. 이렇게 생성된 합성 음성은, 입력된 새로운 화자의 화자 특징()(758)에 따라 대상 텍스트(740)를 발화하는 음성을 포함할 수 있다.

도 7에서는 어텐션(720)과 디코더(730)를 별개의 구성으로 도시하고 있으나, 이에 한정되지 않는다. 예를 들어, 디코더(730)는 어텐션(720)을 포함할 수 있다. 또한, 도 7에서는 새로운 화자의 화자 특징()이 디코더(730)로 입력되고 있으나, 이에 한정되지 않는다. 예를 들어, 새로운 화자의 화자 특징()은 인코더(710) 및/또는 어텐션(720)으로 입력될 수 있다.

도 6 및 7에서는, 대상 텍스트가 1개의 입력 데이터 아이템(예를 들어, 벡터)로 표현되고 인공신경망 텍스트-음성 합성 모델을 통해 1개의 출력 데이터 아이템(예를 들어, 멜스케일 스펙트로그램)이 출력되는 것으로 예시적으로 도시되어 있으나, 이에 한정되지 않으며, 임의의 수의 입력 데이터 아이템을 인공신경망 텍스트-음성 합성 모델에 입력하여 임의의 수의 출력 데이터 아이템을 출력하도록 구성될 수 있다.

도 8은 본 개시의 일 실시예에 따른 새로운 화자의 화자 특징이 반영된 출력 음성을 생성하는 사용자 인터페이스(800)를 보여주는 예시도이다. 사용자 단말(예: 사용자 단말(210))은 사용자 인터페이스(800)를 통해 새로운 화자의 화자 특징을 반영한 합성 음성을 출력할 수 있다. 사용자 인터페이스(800)는 텍스트 영역(810), 발성 특징 조절 영역(820), 화자 특징 조절 영역(830) 및 출력 음성 표시 영역(840)을 포함할 수 있다. 이하에서, 프로세서는 사용자 단말(210)의 프로세서(314) 및/또는 정보 처리 시스템(230)의 프로세서(334)일 수 있다.

프로세서는 입력 인터페이스(예를 들어, 키보드, 마우스, 마이크 등)를 이용한 사용자 입력을 통해 대상 텍스트를 수신하고, 수신된 대상 텍스트를 텍스트 영역(810)을 통해 표시할 수 있다. 이와 달리, 프로세서는 텍스트를 포함한 문서 파일을 수신하고, 문서 파일 내의 텍스트를 추출하여, 추출된 텍스트를 텍스트 영역(810)에 표시할 수 있다. 이렇게 텍스트 영역(810)에 표시된 텍스트는 합성 음성을 통해 발화될 대상이 될 수 있다.

화자 특징 조절 영역(830)에서 표시된 기준 화자 중에서, 하나 이상의 기준 화자를 선택하는 사용자 입력에 응답하여, 하나 이상의 기준 화자가 선택될 수 있다. 그리고 나서, 프로세서는 선택된 하나 이상의 기준 화자의 화자 특징에 대한 가중치(예: 반영 비율)를 발성 특징 변화 정보로서 수신할 수 있다. 예를 들어, 프로세서는 화자 특징 조절 영역(830)에서의 입력을 통해 도 4에서 설명된 수학식 5에서의 하나 이상의 기준 화자의 화자 특징의 각각에 대한 가중치를 수신할 수 있다. 도시된 바와 같이, 화자 특징 조절 영역(830)에서 '고은별', '김수민', '이우림', '송도영', '신성수', '신진경'이라는 6명의 기준 화자가 주어질 수 있다. 즉, 사용자는 6명의 기준 화자 중 하나 이상의 기준 화자를 선택하고, 선택된 하나 이상의 기준 화자의 각각에 대응하는 반영 비율의 조정 수단(예: 바)를 조정함으로써, 선택된 기준 화자의 화자 특징이 새로운 화자의 화자 특징에 반영되는 비율이 결정될 수 있다. 이와 달리, 6명의 기준 화자 중 하나 이상의 화자는 랜덤하게 선택될 수 있다.

이렇게 선택된 하나 이상의 기준 화자에 대응하는 반영 비율의 총합이 100이 되도록, 각각의 화자에 대한 반영 비율이 수신될 수 있다. 이와 달리, 이렇게 선택된 하나 이상의 기준 화자에 대응하는 반영 비율이 100을 넘거나 100보다 적더라도, 각 비율의 총합이 100이 되도록 각 반영 비율이 자동적으로 조정될 수 있다. 도 6에서는 6명의 기준 화자가 새로운 화자의 화자 특징을 생성하는데 이용되었으나, 이에 한정되지 않으며, 5명 이하의 기준 화자 및 7명 이상의 기준 화자가 화자 특징 조절 영역(830)에 표시되어 새로운 화자의 화자 특징을 생성하는데 이용될 수 있다.

프로세서는 발성 특징 조절 영역(820)을 통해 복수의 발성 특징의 각각에 대한 가중치(예: 반영 비율)를 발성 특징 변화 정보로서 수신할 수 있다. 일 실시예에 따르면, 프로세서는 발성 특징 조절 영역(820)에서의 입력을 통해 도 4에서 설명한 수학식 6에서 복수의 발성 특징의 각각에 대한 가중치를 수신할 수 있다. 여기서, 수학식 6에서의 은 화자 특징 조절 영역(830)에서의 하나 이상의 기준 화자 선택 및 반영 비율에 따라 생성된 기준 화자일 수 있다. 예를 들어, 은 화자 특징 조절 영역(830)에서의 입력을 통해 얻어진 도 4에서 설명된 수학식 5의 결과 값인 일 수 있다.

다른 실시예에서, 발성 특징 조절 영역(820)에서의 입력을 통해 수신되는 발성 특징 및 해당 발성 특징에 대한 가중치는 수학식 13에서 를 찾기 위한 발성 특징을 위해 사용될 수 있다. 여기서, 수학식 13의 는 화자 특징 조절 영역(830)에서의 입력을 통해 얻어진 도 4에서 설명된 수학식 5의 결과값인 일 수 있다.

본 개시에서, 발성 특징 조절 영역(820)에서 성별, 발성 톤, 발성 강도, 남자 연령, 여자 연령, 피치 및 템포가 정량적으로 조절 가능한 발성 특징으로서 주어질 수 있다. 사용자 입력에 따라 복수의 발성 특징의 각각에 대응하는 비율 조정 수단(예: 바)가 조정됨으로써, 각 복수의 발성 특징이 새로운 화자의 화자 특징에 반영되는 비율을 결정할 수 있다. 예를 들어, 하나 이상의 발성 특징에 대응하는 바를 0으로 조정하면, 해당 발성 특징은 새로운 화자의 화자 특징에 전혀 반영되지 않는다. 도 6에서는 7개의 발성 특징이 새로운 화자의 화자 특징을 생성하는데 이용되었으나, 이에 한정되지 않으며, 6명 이하의 발성 특징 및 추가적인 발성 특징이 발성 특징 조절 영역(820)에 표시되어 새로운 화자의 화자 특징을 생성하는데 이용될 수 있다.

그리고 나서, 프로세서는, 화자 특징 조절 영역(830)에서 선택된 하나 이상의 기준 화자의 화자 특징을 수신하고, 화자 특징 조절 영역(830)에서 입력된 가중치 및/또는 발성 특징 조절 영역(820)에서 입력된 가중치를 포함한 발성 특징 조절 정보를 이용하여 새로운 화자의 화자 특징을 생성할 수 있다. 새로운 화자의 화자 특징을 생성하는 구체적인 방식은 도 4에서 설명한 방식들 중 하나의 방식이 사용될 수 있다. 그리고 나서, 프로세서는, 대상 텍스트 및 생성된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 결정된 새로운 화자의 화자 특징이 반영된, 대상 텍스트에 대한 출력 음성을 생성할 수 있다. 일 예로, 텍스트 영역(810), 발성 특징 조절 영역(820), 화자 특징 조절 영역(830)에서의 입력이 완료되고, 발성 특징 조절 영역(820) 아래에 위치된 '생성' 버튼이 선택 또는 클릭되면, 새로운 화자의 화자 특징이 반영된, 대상 텍스트에 대한 출력 음성이 생성될 수 있다. 이렇게 생성된 출력 음성은 사용자 단말과 연결된 스피커를 통해 출력될 수 있다. 출력 음성의 재생 시간 및/또는 위치는 출력 음성 표시 영역(840)을 통해 표시될 수 있다.

도 9은 본 개시의 일 실시예에 따른 인공신경망 모델(900)을 나타내는 구조도이다. 일 실시예에 따르면, 인공신경망 모델(900)은 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다. 일 실시예에 따르면, 인공신경망 모델(900)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(900)은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다. 본 개시에서, 인공신경망 모델(900)은 상술된 인공신경망 텍스트-음성 합성 모델, 상술된 인공신경망 화자 특징 변화 생성 모델, 상술된 인공신경망 발성 특징 예측 모델 및/또는 상술된 인공신경망 화자 특징 추출 모델을 포함할 수 있다.

인공신경망 모델(900)은 다층의 노드들과 이들 상이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현될 수 있다. 본 실시예에 따른 인공신경망 모델(900)은 MLP 등을 포함하는 다양한 인공신경망 구조들 중의 하나를 이용하여 구현될 수 있다. 도 9에서 도시된 바와 같이, 인공신경망 모델(900)은 외부로부터 입력 신호 또는 데이터(910)를 수신하는 입력층(920), 입력 데이터에 대응한 출력 신호 또는 데이터(950)를 출력하는 출력층(940), 입력층(920)과 출력층(940) 사이에 위치하며 입력층(920)으로부터 신호를 받아 특성을 추출하여 출력층(940)으로 전달하는 n개의 은닉층(930_1 내지 930_n)으로 구성될 수 있다. 여기서, 출력층(940)은, 은닉층(930_1 내지 930_n)으로부터 신호를 받아 외부로 출력할 수 있다. 인공신경망 모델(900)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다.

일 실시예에 따르면, 인공신경망 모델(900)이 인공신경망 텍스트-음성 합성 모델인 경우, 프로세서는 텍스트 정보 및 새로운 화자의 화자 특징을 인공신경망 모델(900)에 입력하여, 인공신경망 모델(900)이 새로운 화자 특징이 반영된 텍스트에 대한 음성 데이터를 출력하도록 end-to-end로 학습될 수 있다. 즉, 인공신경망 모델(900)은 텍스트에 대한 정보 및 새로운 화자에 대한 정보를 입력하면 중간 과정은 프로세서에 의해 자체적으로 학습되어, 합성 음성이 출력될 수 있다. 프로세서는 텍스트 정보 및 새로운 화자의 화자 특징을 인공신경망 모델(900)의 인코딩 레이어를 통해 임베딩(예를 들어, 임베딩 벡터)으로 변환시킴으로써 합성 음성을 생성할 수 있다. 여기서, 인공신경망 모델(900)의 입력 변수는, 텍스트 정보 및 새로운 화자 정보를 나타내는 벡터 데이터 요소로 구성된 벡터(910)가 될 수 있다. 여기서, 텍스트 정보는 텍스트를 나타내는 임의의 임베딩으로 나타낼 수 있는데, 예를 들어, 문자 임베딩, 음소 임베딩 등으로 표현될 수 있다. 또한, 새로운 화자의 화자 특징은, 화자의 발성을 나타내는 임의의 형태의 임베딩으로 나타낼 수 있다. 인공신경망 모델(900)이 end-to-end로 학습되는 경우, 인공신경망 모델(900)은 텍스트 정보 및 새로운 화자 정보 사이의 의존성(dependency)이 반영되도록 학습될 수 있다. 이러한 구성 하에서, 출력 변수는 새로운 화자의 화자 특징이 반영된, 대상 텍스트에 대한 합성 음성을 나타내는 결과 벡터(950)로 구성될 수 있다.

이와 같이, 인공신경망 모델(900)의 입력층(920)과 출력층(940)에 복수의 입력변수와 대응되는 복수의 출력변수를 각각 매칭시키고, 입력층(920), 은닉층(930_1 ... 930_n, 여기서, n은 2 이상의 자연수임) 및 출력층(940)에 포함된 노드들 사이의 시냅스 값을 조정함으로써, 인공신경망 모델(900)이 특정 입력에 대응한 올바른 출력을 추론할 수 있도록 학습될 수 있다. 올바른 출력을 추론하는데 있어, 분석 결과의 정답 데이터가 사용될 수 있으며, 이러한 정답 데이터는 어노테이터의 어노테이션 작업의 결과로 획득될 수 있다. 이러한 학습과정을 통해, 인공신경망 모델(900)의 입력변수에 숨겨져 있는 특성이 파악될 수 있고, 입력변수에 기초하여 계산된 출력변수와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(900)의 노드들 사이의 시냅스 값(또는 가중치)가 조정될 수 있다.

이러한 입력 정보 사이의 의존 현상을 해결하기 위하여, 인공신경망 모델(900)의 학습 시, 텍스트 정보 및 새로운 화자 정보 사이(예를 들어, 텍스트 정보 임베딩 및 새로운 화자 정보 임베딩)의 상호 정보(mutual information)를 최소화하는 손실 함수(loss)가 이용될 수 있다. 일 실시예에 따르면, 인공신경망 모델(900)이 인공신경망 텍스트-음성 합성 모델인 경우, 인공신경망 모델(900)은 텍스트 정보 임베딩 및 새로운 화자 정보 임베딩 사이의 손실을 예측하도록 구성된 모듈(예를 들어, fully-connected layer 등)을 포함할 수 있다. 이러한 구성 하에서, 인공신경망 모델(900)은 텍스트 정보-화자 정보 사이의 상호 정보를 예측하고 이를 최소화하도록 학습될 수 있다. 이렇게 학습된 인공신경망 모델(900)은 입력된 텍스트 정보 및 새로운 화자 정보 각각을 서로 독립적으로 조절하도록 구성될 수 있다.

그리고 나서, 인공신경망 모델(900)이 인공신경망 텍스트-음성 합성 모델인 경우, 프로세서는 학습된 인공신경망 모델(900)에 대상 텍스트 정보 및 새로운 화자 정보를 입력하여, 새로운 화자의 화자 특징이 반영된 대상 텍스트에 대응하는 합성 음성을 출력할 수 있다. 이러한 음성 데이터는 대상 텍스트 정보 및 새로운 화자 정보 사이의 상호 정보가 최소화되도록 구성될 수 있다.

이러한 인공신경망 모델(900)의 학습 과정은, 각 모델의 학습 데이터를 이용하여 상술된 인공신경망 화자 특징 변화 생성 모델, 상술된 인공신경망 발성 특징 예측 모델 및/또는 상술된 인공신경망 화자 특징 추출 모델에도 적용될 수 있다. 또한, 이렇게 학습된 인공신경망 모델들은, 학습 입력 데이터에 대응하는 데이터를 입력으로 해서, 추론 값을 출력 데이터로서 생성할 수 있다.

상술한 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.

100: 합성 음성 생성 시스템
110: 대상 텍스트
120: 새로운 화자의 화자 특징
130: 출력 음성
210_1, 210_2, 210_3: 사용자 단말
220: 네트워크
230: 합성 음성 생성 시스템

Claims (14)

1. 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법에 있어서,
   대상 텍스트를 수신하는 단계;
   기준 화자의 화자 특징을 획득하는 단계;
   발성 특징 변화 정보를 획득하는 단계;
   상기 획득된 기준 화자의 화자 특징 및 상기 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계; 및
   상기 대상 텍스트 및 상기 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 상기 결정된 새로운 화자의 화자 특징이 반영된, 상기 대상 텍스트에 대한 출력 음성을 생성하는 단계를 포함하고,
   상기 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 상기 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습되고,
   상기 기준 화자의 화자 특징은, 화자 벡터를 포함하고,
   상기 발성 특징 변화 정보를 획득하는 단계는,
   타겟 발성 특징에 대응하는 발성 특징 분류 모델을 이용하여 상기 타겟 발성 특징을 조절하는 정도를 나타내는 정보를 획득하는 단계를 포함하고,
   상기 새로운 화자의 화자 특징을 결정하는 단계는,
   상기 기준 화자의 화자 벡터 및 상기 타겟 발성 특징을 조절하는 정도를 기초로 상기 새로운 화자의 화자 특징을 결정하는 단계를 포함하는,
   새로운 화자의 합성 음성을 생성하는 방법.
   
2. 제1항에 있어서,
   상기 새로운 화자의 화자 특징을 결정하는 단계는,
   상기 기준 화자의 화자 특징 및 상기 획득된 발성 특징 변화 정보를 인공신경망 화자 특징 변화 생성 모델에 입력하여 화자 특징 변화를 생성하는 단계; 및
   상기 기준 화자의 화자 특징 및 상기 생성된 화자 특징 변화를 합성함으로써, 상기 새로운 화자의 화자 특징을 출력하는 단계를 포함하고,
   상기 인공신경망 화자 특징 변화 생성 모델은, 복수의 학습 화자의 화자 특징 및 상기 복수의 학습 화자의 화자 특징에 포함된 복수의 발성 특징을 이용하여 학습되는,
   새로운 화자의 합성 음성을 생성하는 방법.
   
3. 제2항에 있어서,
   상기 발성 특징 변화 정보는, 타겟 발성 특징의 변화에 대한 정보를 포함하는, 새로운 화자의 합성 음성을 생성하는 방법.
   
4. 삭제
5. 삭제
6. 삭제
7. 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법에 있어서,
   대상 텍스트를 수신하는 단계;
   기준 화자의 화자 특징을 획득하는 단계;
   발성 특징 변화 정보를 획득하는 단계;
   상기 획득된 기준 화자의 화자 특징 및 상기 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계;
   상기 대상 텍스트 및 상기 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 상기 결정된 새로운 화자의 화자 특징이 반영된, 상기 대상 텍스트에 대한 출력 음성을 생성하는 단계; 및
   복수의 화자의 화자 특징을 획득하는 단계 - 상기 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 포함하고,
   상기 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 상기 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습되고,
   상기 복수의 화자의 각각은, 하나 이상의 발성 특징에 대한 레이블이 할당되고,
   상기 발성 특징 변화 정보를 획득하는 단계는,
   타겟 발성 특징이 상이한 복수의 화자 그룹의 각각에 포함된 화자들의 화자 벡터를 획득하는 단계 - 상기 복수의 화자의 그룹은 제1 화자 그룹 및 제2 화자 그룹을 포함함 -;
   상기 제1 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하는 단계;
   상기 제2 화자 그룹에 포함된 화자들의 화자 벡터의 평균을 산출하는 단계; 및
   상기 제1 화자 그룹에 대응하는 화자 벡터의 평균 및 상기 제2 화자 그룹에 대응하는 화자 벡터의 평균 사이의 차이를 기초로 상기 발성 특징 변화 정보를 결정하는 단계를 포함하고,
   상기 새로운 화자의 화자 특징을 결정하는 단계는,
   상기 기준 화자의 화자 특징, 상기 결정된 발성 특징 변화 정보 및 상기 결정된 발성 특징 변화 정보의 가중치를 이용하여 상기 새로운 화자의 화자 특징을 결정하는 단계를 포함하는,
   새로운 화자의 합성 음성을 생성하는 방법.
   
8. 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법에 있어서,
   대상 텍스트를 수신하는 단계;
   기준 화자의 화자 특징을 획득하는 단계;
   발성 특징 변화 정보를 획득하는 단계;
   상기 획득된 기준 화자의 화자 특징 및 상기 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계;
   상기 대상 텍스트 및 상기 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 상기 결정된 새로운 화자의 화자 특징이 반영된, 상기 대상 텍스트에 대한 출력 음성을 생성하는 단계; 및
   복수의 화자의 화자 특징을 획득하는 단계 - 상기 복수의 화자의 화자 특징은 복수의 화자 벡터를 포함함 -를 포함하고,
   상기 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 상기 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습되고,상기 기준 화자의 화자 특징은, 상기 기준 화자의 복수의 발성 특징을 포함하고,
   상기 발성 특징 변화 정보를 획득하는 단계는,
   상기 복수의 화자의 화자 특징을 인공신경망 발성 특징 예측 모델에 입력하여, 상기 복수의 화자의 각각의 발성 특징을 출력하는 단계;
   상기 복수의 화자의 화자 특징 중에서, 상기 출력된 복수의 화자의 각각의 발성 특징 중 타겟 발성 특징과 상기 기준 화자의 복수의 발성 특징 중 타겟 발성 특징 사이의 차이가 존재하는, 화자의 화자 특징을 선택하는 단계; 및
   상기 선택된 화자의 화자 특징에 대응하는 가중치를 획득하는 단계를 포함하고,
   상기 새로운 화자의 화자 특징을 결정하는 단계는,
   상기 기준 화자의 화자 특징, 상기 선택된 화자의 화자 특징 및 상기 선택된 화자의 화자 특징에 대응하는 가중치를 이용하여 상기 새로운 화자의 화자 특징을 결정하는 단계를 포함하는,
   새로운 화자의 합성 음성을 생성하는 방법.
   
9. 제1항에 있어서,
   상기 새로운 화자의 화자 특징은, 화자 특징 벡터를 포함하고,
   해쉬 함수를 이용하여 상기 화자 특징 벡터에 대응하는 해쉬값을 산출하는 단계;
   저장 매체에 저장된 복수의 화자의 콘텐츠 중에서, 상기 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 있는지 여부를 판정하는 단계; 및
   상기 산출된 해쉬값과 유사한 해쉬값과 연관된 콘텐츠가 없는 경우, 상기 새로운 화자의 화자 특징과 연관된 출력 음성이 새로운 출력 음성임을 결정하는 단계를 포함하는,
   새로운 화자의 합성 음성을 생성하는 방법.
   
10. 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 생성하는 방법에 있어서,
    대상 텍스트를 수신하는 단계;
    기준 화자의 화자 특징을 획득하는 단계;
    발성 특징 변화 정보를 획득하는 단계;
    상기 획득된 기준 화자의 화자 특징 및 상기 획득된 발성 특징 변화 정보를 이용하여 새로운 화자의 화자 특징을 결정하는 단계; 및
    상기 대상 텍스트 및 상기 결정된 새로운 화자의 화자 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 상기 결정된 새로운 화자의 화자 특징이 반영된, 상기 대상 텍스트에 대한 출력 음성을 생성하는 단계를 포함하고,
    상기 인공신경망 텍스트-음성 합성 모델은, 복수의 학습 텍스트 아이템 및 복수의 학습 화자의 화자 특징을 기초로, 상기 복수의 학습 화자의 화자 특징이 반영된, 복수의 학습 텍스트 아이템에 대한 음성을 출력하도록 학습되고,
    상기 기준 화자의 화자 특징은, 화자 벡터를 포함하고,
    상기 발성 특징 변화 정보를 획득하는 단계는,
    타겟 발성 특징에 대응하는 발성 특징 분류 모델을 이용하여 상기 타겟 발성 특징에 대한 법선 벡터를 추출하는 단계 - 상기 법선 벡터는 상기 타겟 발성 특징을 분류하는 hyperplane의 법선 벡터를 지칭함 -; 및
    상기 타겟 발성 특징을 조절하는 정도를 나타내는 정보를 획득하는 단계를 포함하고,
    상기 새로운 화자의 화자 특징을 결정하는 단계는,
    상기 기준 화자의 화자 벡터, 상기 추출된 법선 벡터 및 상기 타겟 발성 특징을 조절하는 정도를 기초로 상기 새로운 화자의 화자 특징을 결정하는 단계를 포함하는,
    새로운 화자의 합성 음성을 생성하는 방법.
    
11. 제1항 내지 제3항 및 제7항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
12. 음성 합성기로서,
    제1항 내지 제3항 및 제7항 내지 제9항 중 어느 한 항에 따른 방법에 따라 생성된 새로운 화자의 합성 음성을 포함한 학습 데이터를 이용하여 학습된 음성 합성기.
    
13. 합성 음성을 제공하는 장치로서,
    제1항 내지 제3항 및 제7항 내지 제9항 중 어느 한 항에 따른 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하도록 구성된 메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    상기 메모리에 저장된 새로운 화자의 합성 음성 중 적어도 일부를 출력하기 위한 명령어를 포함하는,
    합성 음성을 제공하는 장치.
    
14. 적어도 하나의 프로세서에 의해 수행되는, 새로운 화자의 합성 음성을 제공하는 방법에 있어서,
    제1항 내지 제3항 및 제7항 내지 제9항 중 어느 한 항에 따른 방법에 따라 생성된 새로운 화자의 합성 음성을 저장하는 단계;
    상기 저장된 새로운 화자의 합성 음성 중 적어도 일부를 제공하는 단계를 포함하는,
    새로운 화자의 합성 음성을 제공하는 방법.

Images