KR102661751B1 - 선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템 - Google Patents

선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템 Download PDF

Info

Publication number
KR102661751B1
KR102661751B1 KR1020220116409A KR20220116409A KR102661751B1 KR 102661751 B1 KR102661751 B1 KR 102661751B1 KR 1020220116409 A KR1020220116409 A KR 1020220116409A KR 20220116409 A KR20220116409 A KR 20220116409A KR 102661751 B1 KR102661751 B1 KR 102661751B1
Authority
KR
South Korea
Prior art keywords
speech synthesis
synthesis model
data
learning data
learning
Prior art date
Application number
KR1020220116409A
Other languages
English (en)
Other versions
KR20230115866A (ko
Inventor
권오성
오수현
황민제
송은우
Original Assignee
네이버 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 네이버 주식회사 filed Critical 네이버 주식회사
Publication of KR20230115866A publication Critical patent/KR20230115866A/ko
Application granted granted Critical
Publication of KR102661751B1 publication Critical patent/KR102661751B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 선별적 데이터 증강(augmentation) 기반 음성 합성 모델 생성 방법 및 시스템에 관한 것이다. 선별적 데이터 증강(augmentation) 기반 음성 합성 모델 생성 방법은, 제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하는 단계, 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하는 단계, 제2 학습 데이터 중 일부를 선별하는 단계, 제1 학습 데이터 및 선별된 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성하는 단계를 포함한다.

Description

선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING SPEECH SYNTHESIS MODEL BASED ON SELECTIVE DATA AUGMENTATION}
본 개시는 선별적 데이터 증강을 기반으로 음성 합성 모델을 생성하는 방법 및 시스템에 관한 것으로, 구체적으로, 학습 데이터를 증강 및 선별하고 이를 기반으로 음성 합성 모델을 생성하는 방법 및 시스템에 관한 것이다.
심층 신경망의 발전은 신경망 기반의 음성 합성 시스템의 품질을 크게 향상시켰다. 특히, 최근의 신경망 기반의 음성 합성 시스템은 입력 텍스트와 출력 음성 사이의 복합적인 종속성을 압축적으로 모델링함으로써 기존의 매개변수 기반의 음성 합성 시스템을 성공적으로 대체할 수 있었다.
그러나, 신경망 기반의 음성 합성 시스템은 자연스러운 음성을 생성하기 위한 복잡한 메커니즘을 충실하게 표현하기 위해 수많은 학습 예제가 필요하다. 대상 화자에 대한 학습 데이터가 충분하지 않거나 무분별한 학습 데이터를 학습에 사용하는 경우, 부자연스러운 출력 음성이 생성된다는 문제가 있다. 이러한 한계를 극복하기 위해 데이터 증강 기법을 이용한 다양한 연구가 제안되고 있다. 그러나 증강 기법을 이용하여 학습 데이터의 양을 늘리는 것이 훈련 효율성을 높이는 데 항상 유리하지 않으며, 잘못 생성된 파형이 포함되면 음성 합성 퀄리티에 부정적인 영향을 줄 수 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 선별적 데이터 증강을 기반으로 음성 합성 모델을 생성하는 방법, 시스템 및 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 선별적 데이터 증강(augmentation) 기반 음성 합성 모델 생성 방법은, 제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하는 단계, 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하는 단계, 제2 학습 데이터 중 일부를 선별하는 단계 및 제1 학습 데이터 및 선별된 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 음성 합성 방법은, 입력 텍스트를 수신하는 단계 및 입력 텍스트를 최종 음성 합성 모델에 입력하여, 입력 텍스트에 대한 출력 음성 데이터를 생성하는 단계를 포함하고, 최종 음성 합성 모델은, 제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하고, 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하고, 제2 학습 데이터 중 일부를 선별하고, 제1 학습 데이터 및 선별된 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습하여 생성된다.
본 개시의 일 실시예에 따른 선별적 데이터 증강 기반 음성 합성 모델 생성 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하고, 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하고, 제2 학습 데이터 중 일부를 선별하고, 제1 학습 데이터 및 선별된 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성하기 위한 명령어들을 포함한다.
본 개시의 일 실시예에 따르면, 선별적 데이터 증강 기법을 통해 고품질의 대량의 학습 데이터를 획득함으로써, 음성 합성 모델의 학습 효율성 및 모델링 정확도를 향상시킬 수 있다.
본 개시의 일 실시예에 따르면, 학습 데이터를 선별하고 선별된 학습 데이터로 재학습함으로써, 무분별하게 생성된 학습 데이터를 학습에 사용하여 합성된 음성 데이터의 품질이 열화되는 현상을 방지할 수 있다.
본 개시의 일 실시예에 따르면, 학습 데이터에 포함된 녹음된 음성 데이터와 음향 특성이 유사한 학습 데이터를 선별하고 이를 재학습함으로써, 자연스러운 음성을 합성하는 음성 학습 모델을 생성할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자("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 따라 선별적 데이터 증강 기반 음성 합성 모델이 생성되는 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 음성 합성 모델의 상세 구성을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따라 데이터 선별부를 학습하는 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따라 녹음된 음성 데이터 및 합성된 음성 데이터로부터 추출된 변분 오토인코더(Variational AutoEncoder, VAE)의 사전 평균 벡터의 분포를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 녹음된 음성 데이터 및 합성된 음성 데이터로부터 결정된 독창성에 대한 밀도 히스토그램이다.
도 8은 본 개시의 일 실시예에 따른 재학습 과정에서 사용된 다양한 양의 증강된 데이터에 대한 평가 결과를 나타낸 도면이다.
도 9는 본 개시의 일 실시예에 따른 다양한 양의 녹음된 음성 데이터에 대한 MOS 테스트 결과를 나타내는 도면이다
도 10은 본 개시의 일 실시예에 따른 선별적 데이터 증강을 기반으로 음성 합성 모델을 생성하는 방법을 나타내는 흐름도이다.
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 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 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 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예서, '모듈' 또는 '부'는 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, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '데이터 증강(augmentation)'은 기존 데이터로부터 새로 생성한 데이터를 추가하여 데이터의 양을 늘리는 기술을 의미한다. 데이터 증강 기술을 통해 실질적인 학습 데이터셋의 규모를 키움으로써, 기계 학습 모델의 학습 시에 과적합을 줄이는데 도움을 줄 수 있다.
본 개시에서, '변분 오토인코더(Variational AutoEncoder; VAE)'는 오토인코더(AutoEncoder)의 확률 모델적 변형으로, 학습 데이터의 분포를 따르는 새로운 데이터를 만드는 오토인코더 기반의 생성 모델을 의미한다. 변분 오토 인코더는 이상적인 확률 분포를 찾기 위해 변분법을 사용하며, 변분법은 함수의 극점을 찾는 문제에서 해당 함수를 직접 계산하기 어려울 때, 계산 가능한 다른 함수로 대체하여 근사적인 해를 구하는 방법을 의미한다.
본 개시에서, '랭킹 SVM(Ranking Support Vector Machine)'은 서포트 벡터 머신 알고리즘의 변형으로, 순위 문제를 해결하는데 사용되는 알고리즘을 의미한다. 랭킹 SVM는 쌍별 순위 메소드(pair-wise ranking methods)를 사용하여 특정 쿼리에 대한 관련성 정도에 따라 결과를 정렬할 수 있다.
도 1은 본 개시의 일 실시예에 따라 선별적 데이터 증강 기반 음성 합성 모델이 생성되는 예시를 나타내는 도면이다. 일 실시예에 따르면, 제1 학습 데이터(110)에 기초하여 초기 음성 합성 모델(120)이 생성될 수 있다. 여기서, 제1 학습 데이터(110)는 복수의 텍스트-녹음된 음성 데이터 쌍을 포함할 수 있다. 즉, 제1 학습 데이터는 텍스트와 사람이 해당 텍스트를 발화하여 녹음한 음성 데이터 쌍으로 이루진 복수의 학습 데이터를 포함할 수 있다.
일 실시예에서, 초기 음성 합성 모델(120)의 생성 과정에서 제1 학습 데이터(110) 중 일부가 검증 데이터 및 테스트 데이터로 이용될 수 있다. 예를 들어, 녹음된 음성 데이터는 한국 여성 전문 화자가 녹음한 한국어 발화일 수 있으며, 16 비트 양자화로 24kHz에서 샘플링된 음성 데이터일 수 있다. 이 예시에서, 제1 학습 데이터(110)는 1,000개의 발화로 이루어진 트레이닝 데이터(1.8시간), 270개의 발화로 이루어진 검증 데이터(0.5시간), 그리고 130개의 발화로 이루어진 테스트 데이터(0.2시간)를 포함할 수 있다.
일 실시예에 따르면, 초기 음성 합성 모델(120)은 변분 오토인코더(Variational AutoEncoder; VAE), 인코더, 디코더 및 보코딩 모델을 포함할 수 있다. 초기 음성 합성 모델을 포함한 음성 합성 모델(임시 음성 합성 모델, 최종 음성 합성 모델 등)의 세부적인 구조는 도 4에서 상세히 후술된다.
일 실시예에 따르면, 생성된 초기 음성 합성 모델(120)을 이용하여 제2 학습 데이터(130)가 생성될 수 있다. 제2 학습 데이터(130)는 복수의 텍스트-합성된 음성 데이터 쌍을 포함할 수 있다. 제2 학습 데이터(130)는 복수의 텍스트를 초기 음성 합성 모델(120)에 입력하여 복수의 합성된 음성 데이터를 출력함으로써 생성될 수 있다. 예를 들어, 복수의 텍스트는 포털 웹사이트의 뉴스 기사를 크롤링하여 획득한 80,000개의 텍스트 스크립트를 포함할 수 있으며, 복수의 합성된 음성 데이터는 상술한 텍스트 스크립트에 기초하여 합성된 80,000개의 음성 파형일 수 있다. 이 예시에서, 제2 학습 데이터의 데이터 량은 제1 학습 데이터보다 80배 클 수 있다.
그 후, 데이터 선별부(140)는 초기 음성 합성 모델(120)에 의하여 생성된 제2 학습 데이터(130)의 일부를 선별할 수 있다. 일 실시예에서, 데이터 선별부(140)는 제1 학습 데이터(110)에 포함된 복수의 녹음된 음성 데이터와의 음향 특성 유사도에 기초하여 제2 학습 데이터 중 일부를 선별할 수 있다. 이를 위해, 제1 학습 데이터(110) 및 제2 학습 데이터(130)에 기초하여 초기 음성 합성 모델(120) 중 적어도 일부를 재학습하여 임시 음성 합성 모델(미도시)을 생성하고, 임시 음성 합성 모델을 이용하여 데이터 선별부(140)를 학습하는 과정이 추가적으로 수행될 수 있다. 이와 관련된 내용은 도 5에서 상세히 후술된다. 이 과정을 통해, 데이터 선별부(140)는 제2 학습 데이터(130)를 재학습에 사용된 선별된 제2 학습 데이터(150)와 폐기된 제2 학습 데이터(160)로 분류할 수 있다.
그 후, 제1 학습 데이터(110) 및 선별된 제2 학습 데이터(150)에 기초하여 초기 음성 합성 모델(120) 중 적어도 일부를 재학습하여 최종 음성 합성 모델(170)이 생성될 수 있다. 구체적으로, 최종 음성 합성 모델(170)은 초기 음성 합성 모델(120) 중 보코딩 모델을 제외한 구성이 재학습되어 생성될 수 있다. 이 때, 제2 학습 데이터(130) 중 선별되지 않은 학습 데이터, 즉 폐기된 제2 학습 데이터(160)는 최종 음성 합성 모델(170)을 재학습하는데 사용되지 않는다.
생성된 최종 음성 합성 모델(170)은 입력 텍스트(180)를 수신하여 입력 텍스트(180)에 대한 출력 합성 음성(190)을 생성할 수 있다. 여기서, 입력 텍스트(180)는 사용자가 음성 데이터를 생성하고자 입력한 것일 수 있다. 예를 들어, 사용자가 "안녕하세요" 텍스트를 입력하는 경우, 최종 음성 합성 모델(170)은 "안녕하세요"를 사람이 발화하는 것과 같은 음성 데이터를 합성하여 출력할 수 있다. 앞서 설명한 것과 같이, 최종 음성 합성 모델(170)은 제1 학습 데이터(110)에 기초하여 초기 음성 합성 모델(120)을 생성하고, 초기 음성 합성 모델(120)을 이용하여 제2 학습 데이터(130)를 생성하고, 제2 학습 데이터(130) 중 일부를 선별하고, 제1 학습 데이터(110) 및 선별된 제2 학습 데이터(150)에 기초하여 초기 음성 합성 모델(120) 중 적어도 일부를 재학습하여 생성된 음성 합성 모델일 수 있다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 음성 합성 모델 생성 / 음성 합성을 수행할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 음성 합성 또는 관련 서비스를 제공받을 사용자의 단말을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 음성 합성 모델 생성 / 음성 합성과 관련된 컴퓨터 실행 가능한 프로그램 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.
정보 처리 시스템(230)에 의해 제공되는 음성 합성 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 애플리케이션 또는 웹 브라우저 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 입력 텍스트 데이터와 연관된 출력 음성 데이터 제공 또는 음성 합성 관련 서비스 제공하거나 대응하는 처리를 수행할 수 있다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 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.
도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 애플리케이션 또는 웹 브라우저 등을 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치된 애플리케이션을 위한 코드)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 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 또는 데이터(예를 들어, 입력 텍스트, 음성 합성 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 출력 음성 데이터 등을 수신할 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 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 애플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션 및/또는 프로그램과 연관된 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다.
애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 사용자가 음성 합성하기 원하는 텍스트를 나타내는 입력을 수신하여. 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.
사용자 단말(210)의 프로세서(314)는 입력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 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) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다.
정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
도 4는 본 개시의 일 실시예에 따른 음성 합성 모델(400)의 상세 구성을 나타내는 도면이다. 일 실시예에 따르면, 음성 합성 모델(400)은 변분 오토 인코더(Variational AutoEncoder; VAE)(410), 완전 연결 레이어(432, 434), 인코더(452), 듀레이션 모델(454), 포지셔널 인코더(456), 디코더(458) 및 보코딩 모델(470)을 포함할 수 있다. 음성 합성 모델(400)은 음소 정렬 방식(phoneme alignment approach)을 사용하는 변분 오토인코더 음성 합성 모델일 수 있다.
도시된 바와 같이, 변분 오토인코더(410)는 레퍼런스 인코더(412), 제1 완전 연결(Fully Connected; FC) 레이어(414), 제2 완전 연결 레이어(416) 및 랜덤 샘플링부(418)를 포함할 수 있다. 일 실시예에서, 레퍼런스 인코더(412)는 6개의 합성곱 레이어(convolutional layer) 및 게이트 회귀 유닛 레이어(gated recurrent unit layer)를 포함할 수 있다. 레퍼런스 인코더(412)는 음향 피처(acoustic feature)(420)를 수신할 수 있다. 그 후, 제1 및 제2 통계량을 생성하기 위해 레퍼런스 인코더(412)의 출력 벡터가 제1 및 제2 완전 연결 레이어(414, 416)를 각각 통과할 수 있다. 여기서, 제1 및 제2 통계량은 각각 잠재 변수(latent variable z)를 샘플링하기 위한 VAE 평균 및 분산일 수 있다.
랜덤 샘플링부(418)는 제1 및 제2 통계량에 랜덤 샘플링 과정을 수행하는 등 재매개변수화 방법(reparameterization method)을 통해 잠재 변수(z)를 샘플링할 수 있다. 이후, 잠재 변수(z)는 제3 및 제4 완전 연결 레이어(432, 434)를 거쳐 각각 인코더(452) 및 듀레이션 모델(454)로 투영될 수 있다.
VAE의 사용은 합성 샘플 자체에 변화를 줄 뿐만 아니라 녹음된 음성 데이터와 합성된 음성 데이터의 음향 특성을 포착하는 데에도 유용하다. VAE의 사전(prior) 및 사후(posterior) 분포는 가우시안 분포로 모델링될 수 있다. 특히, 학습된 VAE의 사후 분포(즉, 평균 및 분산)의 통계를 활용하여 녹음된 음성 데이터와 합성된 음성 데이터의 음향 유사성을 측정할 수 있다. 이에 대해서는 도 5를 참조하여 후술한다.
일 실시예에 따르면, 언어 피처(linguistic feature)(440)는 각각 인코더(452) 및 듀레이션 모델(454)에 입력될 수 있다. 언어 피처(440)는 입력 텍스트로부터 추출된 피처 벡터일 수 있다. 인코더(452)는 수신된 언어 피처(440)를 하이레벨 컨텍스트 벡터(high-level context vector)로 변환하여 포지셔널 인코더(456)로 전달할 수 있다. 예를 들어, 인코더(452)는 3개의 합성곱 레이어, 1개의 양방향 LSTM(Long Short-Term Memory) 네트워크 및 1개의 완전 연결 레이어를 포함할 수 있다.
듀레이션 모델(454)은 수신된 언어 피처(440)의 음소 수준의 길이를 예측하여 포지셔널 인코더(456)로 전달할 수 있다. 예를 들어, 듀레이션 모델(454)은 3개의 완전 연결 레이어 및 단방향의 LSTM 네트워크를 포함할 수 있다. 이후, 포지셔널 인코더(456)는 예측된 음소 수준의 길이를 기반으로 하이레벨(음소 레벨) 컨텍스트 벡터를 프레임 해상도(frame resolution)로 업샘플링(upsampling)하여 디코더(458)로 전달할 수 있다. 즉, 포지셔널 인코더(456)는 하이레벨(음소 레벨) 컨텍스트 벡터와 음소 수준의 길이를 입력 받아, 음소 레벨 벡터를 프레임 레벨 벡터로 업샘플링하여, 프레임 레벨 컨텍스트 벡터를 출력할 수 있다.
일 실시예에 따르면, 디코더(458)는 업샘플링된 하이레벨 컨텍스트 벡터에 기초하여 출력 음향 피처(460)를 생성할 수 있다. 구체적으로, 이전에 생성된 음향 피처가 디코더(458) 내의 PreNet에 입력되고, 이러한 피처와 인코더(452)가 생성한 컨텍스트 벡터는 2개의 투사 레이어(projection layer) 및 2개의 단방향 LSTM 레이어를 순차적으로 통과한다. 그 후, 생성의 정확성을 향상시키기 위해 생성된 음향 피처의 잔여 요소(residual elements)는 디코더(458) 내의 PostNet을 통과한다.
일 실시예에 따르면, 보코딩 모델(470)은 출력 음향 피처(460)에 기초하여 합성 파형(480)을 생성할 수 있다. 여기서, 보코딩 모델(470)은 MB-HN-PWG 보코더일 수 있다. 구체적으로, 보코딩 모델(470)은 두 개의 분리된 WaveNet 생성기가 각각 음성의 하모닉(harmonic) 및 노이즈(noise)의 특성을 공동으로 학습하도록 훈련될 수 있다. 또한 하모닉 WaveNet은 기하급수적으로 증가하는 2개의 확장 주기를 지닌 20개의 확장된 잔차 블록(residual block)으로 구성될 수 있으며, 노이즈 WaveNet은 기하급수적으로 증가하는 1개의 확장 주기를 지닌 10개의 잔차 블록으로 구성될 수 있다. 각 WaveNet에서, 255개의 필터 탭이 있는 Windowed Sinc 함수로 매개변수화된(parameterized) 16개의 대역 필터가 주파수 대역을 분할하기 위해 적용될 수 있다. 보코딩 모델(470)은 RAdam optimizer를 사용하여 400,000 단계로 훈련될 수 있으며, 판별기(discriminator)의 가중치는 처음 100,000 단계에서 고정될 수 있다. 생성기(generator)와 판별기는 나머지 300,000 단계에 대해 공동으로 훈련될 수 있다. 이를 통해, 다중 주파수 대역에서 대상 음성의 주기성을 사용함으로써, 녹음된 음성 데이터 같이 자연스러운 음성 출력을 생성할 수 있다.
일 실시예에 따르면, 언어 피처(440)는 범주형 컨텍스트에 대한 330개의 이진 피처와 수치적 컨텍스트에 대한 24개의 추가 피처를 포함한 354 차원의 특징 벡터로 구성될 수 있다. 음향 피처는 향상된 TFTE(Time-Frequency Trajectory Excitation) 보코더를 매 5ms 프레임 간격마다 사용하여 추출될 수 있다. 피처의 차원은 40차원의 선 스펙트럼(line spectral) 주파수, FO, 게인(gain), 이진 보이싱 플래그(v/uv), 32 차원의 SEW(Slowly Evolving Waveform) 및 4차원의 REW(Rapidly Evolving Waveform)을 포함한 79 차원일 수 있다. 일 실시에서, 언어 피처(440)와 출력 음향 피처(460)는 모두 0의 평균과 단위 분산을 갖도록 정규화될 수 있다. 또한, 가중치를 초기화하고 업데이트하는데 Xavier initializer와 RAdam optimizer가 각각 사용될 수 있다.
도 5는 본 개시의 일 실시예에 따라 데이터 선별부를 학습하는 예시를 나타내는 도면이다. 도 5에서는 도 4와 중복되는 구성에 대해서는 도 5에 도시된 실시예를 기준으로 간략히 서술한다. 도 5에 도시된 변분 오토인코더(410)는 임시 음성 합성 모델의 변분 오토인코더일 수 있다. 임시 음성합성 모델은 제1 학습 데이터 및 제2 학습 데이터에 기초하여 초기 음성 모델의 적어도 일부(예를 들어, 변분 오토인코더)를 재학습함으로써 생성될 수 있다.
일 실시예에 따르면, 녹음된 음성 데이터로부터 추출된 녹음된 음향 피처(510)는 임시 음성 합성 모델의 변분 오토인코더(410)에 입력될 수 있다. 녹음된 음향 피처(510)가 레퍼런스 인코더(412) 및 2개의 완전 연결 레이어(414, 416)를 통과하여 제1 및 제2 통계량이 생성될 수 있다. 여기서, 제1 및 제2 통계량은 각각 잠재 변수(latent variable z)를 샘플링하기 위한 VAE 평균 및 분산일 수 있다. 그 후, 제1 및 제2 통계량이 결합(concatenation)(520)되어 제1 특징 벡터가 생성될 수 있다. 임시 음성 합성 모델의 변분 오토인코더(410)의 복수의 녹음된 음향 피처를 입력하여 제1 세트의 특징 벡터(522)를 생성할 수 있다.
유사하게, 합성된 음성 데이터로부터 추출된 생성 음향 피처(530)는 음성 합성 모델의 변분 오토인코더(410)에 입력될 수 있다. 생성 음향 피처(530)가 레퍼런스 인코더(412) 및 2개의 완전 연결 레이어(414, 416)를 통과하여 제1 및 2 통계량이 생성될 수 있다. 그 후, 제1 및 제2 통계량이 결합(540)되어 제2 특징 벡터가 생성될 수 있다. 임시 음성 합성 모델의 변분 오토인코더(410)의 복수의 생성 음향 피처를 입력하여 제2 세트의 특징 벡터(542)를 생성할 수 있다.
일 실시예에 따르면, 데이터 선별부(550)는 랭킹 SVM(Ranking Support Vector Machine) 알고리즘을 이용하여 학습된 모델을 포함할 수 있다. 구체적으로, 제1 세트의 특징 벡터(522) 및 제2 세트의 특징 벡터(542)를 서로 상이한 클래스로 설정하고, 랭킹 SVM(Ranking Support Vector Machine) 알고리즘을 이용하여 학습함으로써 데이터 선별부(550)를 생성할 수 있다. 이 때, 데이터 선별부(550)는 합성 음성 데이터의 파형 분포가 녹음된 음성 데이터의 파형 분포와 얼마나 유사한지를 나타내는 점수인 독창성(originality)을 결정하는 랭킹 함수(ranking function)를 학습할 수 있다. 예를 들어, 제1 세트의 특징 벡터(522)를 이진 클래스 1로, 제2 세트의 특징 벡터를 이진 클래스 0으로 설정하여 학습을 진행할 수 있다. 독창성에 대한 세부적인 내용은 도 7에서 후술한다.
일 실시예에 따르면, 데이터 선별부(550)의 랭킹 함수 및 이에 대한 제약식은 하기의 [수학식 1]로 정의될 수 있다.
여기서, VAE 피처 에 의해 n차원의 실수 벡터로 표현된 랭킹 SVM의 학습 데이터 셋 T={t}, 을 가지고 있음을 가정하며, N과 M은 각각 녹음된 음성 데이터 세트 및 합성 음성 데이터 세트를 나타낸다. 또한, , 및 는 각각 랭킹 함수의 가중치 벡터, 순서 집합(ordered set) 및 유사쌍 집합(similar paired set)을 나타낸다. 순서 집합은 녹음 샘플과 합성 샘플의 쌍을 나타내고, 유사쌍 집합은 합성 샘플의 쌍 또는 녹음된 샘플의 쌍을 나타낸다. 일 실시예에서, 학습을 가속화하기 위해 확률적 경사하강법(stochastic gradient descent)를 채택할 수 있다. 또한, 최적의 를 얻기 위해 녹음된 샘플 및 합성 샘플의 독창성이 [수학식 1]에 의해 계산될 수 있다. 독창성 점수는 편의상 [0,1]로 정규화될 수 있다.
도 6은 본 개시의 일 실시예에 따라 녹음된 음성 데이터 및 합성된 음성 데이터로부터 추출된 변분 오토인코더(Variational AutoEncoder, VAE)의 사전 평균 벡터의 분포를 나타내는 도면이다. 제1 그래프(600)는 초기 음성 합성 모델의 변분 오토인코더의 사전 평균 벡터의 분포를 나타내는 도면이다. 제2 그래프(610)는 임시 음성 합성 모델의 변분 오토인코더의 사전 평균 벡터의 분포를 나타내는 도면이다. 제1 및 제2 그래프(600, 610) 모두 t-SNE(t-distributed stochastic neighbor embedding) 공간에서 근사한 VAE 통계량을 묘사하며, 원은 녹음된 샘플의 통계량을, 삼각형은 합성된 샘플의 통계량을 나타낸다. 제2 그래프(610)에 도시된 것과 같이, 임시 음성 합성 모델을 이용한 경우 피처의 분포가 더 잘 표현되며, 이는 데이터 선별부를 학습함에 있어 도움이 될 수 있다.
일 실시예에 따르면, 녹음된 음성 데이터 및 합성 음성 데이터의 파형 분포를 효과적으로 획득하기 위해 임시 음성 합성 모델을 생성할 수 있다. 임시 음성 합성 모델은 제1 학습 데이터 및 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부(예를 들어, 변분 오토인코더)를 재학습하여 생성될 수 있다. 그 후, 임시 음성 합성 모델(구체적으로, 임시 음성 합성 모델의 변분 오토인코더)을 이용하여 복수의 녹음된 음성 데이터로부터 제1 세트의 특징 벡터를 추출하고, 복수의 합성된 음성 데이터로부터 제2 세트의 특징 벡터를 추출할 수 있다. 그리고, 제1 세트의 특징 벡터 및 제2 세트의 특징 벡터에 기초하여 데이터 선별부를 학습할 수 있다. 즉, 녹음된 음성 데이터와 합성된 음성 데이터 사이의 분포를 적절하게 나타내는 VAE 통계를 추출함으로써 데이터 선별부를 효과적으로 훈련할 수 있다.
도 7은 본 개시의 일 실시예에 따라 녹음된 음성 데이터 및 합성된 음성 데이터로부터 결정된 독창성에 대한 밀도 히스토그램(700)이다. 제1 그래프(710)는 녹음된 샘플에 대한 독창성을 나타내고, 제2 그래프(720)는 합성된 샘플에 대한 독창성을 나타낸다. 기준선(730)은 합성된 샘플 중 초기 음성 합성 모델을 재학습하기 위해 사용되는 샘플을 선별하는 기준을 나타낸다. 밀도 히스토그램(700)에 도시된 대로, 기준선(730) 이상의 합성된 샘플이 선별되어 녹음된 샘플과 함께 초기 음성 합성 재학습시 이용될 수 있다. 기준선(730) 이하의 합성된 샘플은 폐기되어, 초기 음성 합성 재학습시 사용되지 않는다.
합성된 샘플의 독창성과 녹음된 샘플과의 음향적 유사성 사이의 관계를 확인하기 위해 합성된 샘플로부터 추출된 생성 음향 특징의 왜곡을 분석할 수 있다. 각각 상위 10%의 독창성을 가진 합성된 샘플과 하위 10%의 독창성을 가진 합성된 샘플로 구성된 2개의 합성 샘플 그룹을 수집한 후, 각 그룹에서 F0 RMSE(Root Mean Square Error) 및 LSD(Log Spectral Distance)와 같은 객관적인 지표를 측정했으며 결과는 하기의 [표 1]과 같다.
독창성 범위 FO RMSE(Hz) LSD(dB)
상위 10% 26.66±5.18 3.87±0.18
하위 10% 32.28±5.96 4.01±0.16
여기서, 상위 10% 그룹은 생성 왜곡이 훨씬 적은 것을 확인할 수 있으며, 이를 통해, 독창성이 높은 합성 샘플의 파형이 녹음된 음성과 음향적으로 가까운 특성이 있음을 확인할 수 있다.
따라서, 임시 음성 합성 모델(구체적으로, 임시 음성 합성 모델을 이용하여 학습된 데이터 선별부)을 이용하여 제2 학습 데이터 중 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성이 미리 결정된 임계치 이상의 유사도(즉, 미리 결정된 임계치 이상의 독창성 점수)를 가지는 학습 데이터 또는 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성 유사도가 높은 미리 결정된 수(즉, 독창성 점수 상위 n개)의 학습 데이터를 선별할 수 있다.
도 8은 본 개시의 일 실시예에 따른 재학습 과정에서 사용된 다양한 양의 증강된 데이터에 대한 평가 결과를 나타낸 도면이다. 제1 그래프(810)는 F0 RMSE(Root Mean Square Error)에 대한 그래프를 나타내고, 제2 그래프(820)는 Gain RMSE에 대한 그래프를 나타낸다. 제3 그래프(830)는 LSD(Log Spectral Distance)에 대한 그래프를 나타내고, 제4 그래프(840)는 v/uv 에러율에 대한 그래프를 나타낸다. 또한, 그래프 상의 점선은 녹음된 데이터 단독으로 학습한 기본 모델의 결과를 나타낸다.
일 실시예에 따르면, 최종 음성 합성 모델의 성능을 평가하기 위해 녹음된 음성 데이터에서 얻은 음향 피처와 최종 음성 합성 모델에서 생성된 음향 피처 간의 왜곡을 측정할 수 있다. 왜곡을 측정하기 위한 지표는 F0 RMSE, LSD, Gain RMSE 및 v/uv 에러율을 포함할 수 있다. 도 8에서 도시된 대로, 학습 데이터의 양에 따라 모델링 정확도도 향상되었기 때문에 증강된 데이터의 수가 일정량(약 40K)으로 증가했을 때 왜곡이 감소했다. 그러나, 50K 이상의 증강된 데이터로 모델을 훈련시키면 잘못 생성된 데이터의 양이 증가함에 따라 왜곡이 증가했다. 이를 통해, 음성 합성에서 데이터의 선별적 증강의 중요성을 확인할 수 있다.
일 실시예에서, 최종 음성 합성 모델의 인지적 품질을 평가하기 위해 5점 척도 MOS 청취 테스트가 수행될 수 있다. 일 실시예에서, 20명의 한국 원어민 청취자에게 무작위로 선택된 20개 샘플에 대해 품질을 평가했다. 최종 음성 합성 모델 타입으로서 Tacotron2 및 FastSpeech2 기반의 음성 합성 모델을 포함하여 테스트가 수행되었다. FastSpeech2 기반의 음성 합성 모델은 Tacotron2 기반의 음성 합성 모델과 유사하나 음향 모델이 non-AR 트랜스포머 네트워크로 대체되었다는 점에서 차이가 있다. 다양한 학습 조건에 대한 음성 합성 시스템에 대한 MOS 테스트 결과는 하기의 [표 2]와 같다.
시스템 모델 타입 증강된 데이터 수 데이터 선별 여부 MOS
Test 1 Tacotron 2 - - 3.35±0.11
Test 2 Tacotron 2 80K No 3.66±0.11
Test 3 Tacotron 2 40K Yes 3.89±0.09
Test 4 FastSpeech2 - - 3.30±0.12
Test 5 FastSpeech2 80K No 3.61±0.09
Test 6 FastSpeech2 40K Yes 3.74±0.08
Recording - - - 4.29±0.08
여기서, 선별된 데이터로 재학습된 음성 합성 모델에 대한 테스트는 볼드체로 표시되었으며, 녹음된 음성 데이터의 수는 1,000개다. 표 2에서 확인할 수 있는 것과 같이, 선별적 데이터 증강 기반의 음성 합성 모델 생성 방법으로 생성된 최종 음성 합성 모델은 학습을 위한 녹음된 음성 데이터가 1,000개로 제한되었을 때 Tacotron2 및 FastSpeech2 모델에 대하여 각각 3.89 및 3.74의 MOS를 달성했다. 이를 통해, AR 모델 및 non-AR 모델 둘 다 선별된 합성 음성 데이터로 재학습한 시스템이 녹음된 음성 데이터로만 학습한 시스템 보다 더 우수함을 확인할 수 있다. 이는 데이터 증강을 통해 훈련 데이터를 증가시키는 것이 음성 합성의 품질을 향상시키는데 효과적이라는 것을 의미한다. 또한, 데이터 증강이 있는 시스템 중에서 본 개시에 따른 선별적 데이터 증강 방법을 사용한 시스템(Test 3, 6)이 선별적 데이터 증강 방법을 사용하지 않은 시스템(Test 2, 5)보다 성능이 더 우수함을 확인할 수 있다. 즉, 잘못 생성된 합성 샘플은 독창성(즉, 녹음된 샘플과의 음향 특성 유사성)에 기반하여 폐기함으로써 보다 자연스러운 음성을 합성할 수 있는 음성 합성 모델을 생성할 수 있다.
도 9는 본 개시의 일 실시예에 따른 다양한 양의 녹음된 음성 데이터에 대한 MOS 테스트 결과를 나타내는 도면(900)이다. 사각형 그래프는 녹음된 음성 데이터만으로 학습된 초기 음성 학습 모델에 대한 그래프를 나타내며, 삼각형 그래프는 선별 과정 없이 증강된 데이터를 포함하여 학습된 임시 음성 합성 모델을 나타낸다. 또한, 원 그래프는 선별 과정을 거친 증강된 데이터를 포함하여 학습된 최종 음성 합성 모델을 나타낸다.
녹음된 음성 데이터가 충분한 경우 본 개시에 따른 실시예들의 유효성을 확인하기 위해 녹음된 음성 데이터 셋의 양을 1,000개에서 10,000개로 변경하여 추가적인 MOS 테스트를 수행할 수 있다. 각 케이스에서, 초기 음성 합성 모델을 학습하고 학습 데이터를 80,000개로 증강하고, 40,000개의 학습 데이터를 선별여고 초기 음성 합성 모델을 재학습하여 최종 음성 합성 모델을 생성했다. 도 9에서 도시된 대로, 녹음된 데이터의 양이 많을수록 인지적 품질이 향상되었으며, 본 개시에 따른 실시예들과 다른 케이스와의 차이가 줄어들었지만, 본 개시에 따른 실시예들은 녹음된 음성 데이터의 크기가 크게 증가하더라도 여전히 유효함을 확인할 수 있다.
도 10은 본 개시의 일 실시예에 따른 선별적 데이터 증강을 기반으로 음성 합성 모델을 생성하는 방법(1000)을 나타내는 흐름도이다. 방법(1000)은 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행될 수 있다. 도시된 바와 같이, 방법(1000)은 제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성함으로써 개시될 수 있다(S1010). 일 실시예에서, 초기 음성 합성 모델은 변분 오토인코더(Variational AutoEncoder; VAE), 인코더, 디코더 및 보코딩 모델을 포함할 수 있다.
그런 다음, 프로세서는 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성할 수 있다(S1020). 이 때, 제1 학습 데이터는 복수의 텍스트-녹음된 음성 데이터 쌍을 포함할 수 있고, 제2 학습 데이터는 복수의 텍스트-합성된 음성 데이터 쌍을 포함할 수 있다. 또한, 제2 학습 데이터는 복수의 텍스트를 초기 음성 합성 모델에 입력하여 복수의 합성된 음성 데이터를 출력함으로써 생성될 수 있다.
그 후, 프로세서는 제2 학습 데이터 중 일부를 선별할 수 있다(S1030). 일 실시예에서, 제2 학습 데이터 중 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성이 미리 결정된 임계치 이상의 유사도를 가지는 학습 데이터를 선별하거나 , 제2 학습 데이터 중 제1 학습 데이터에 포함된 복수의 녹음된 음성데이터와 음향 특성 유사도가 높은 미리 결정된 수의 학습 데이터를 선별할 수 있다.
일 실시예에서, 제1 학습 데이터 및 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습 하여 임시 음성 합성 모델이 생성될 수 있다. 보다 상세하게, 임시 음성 합성 모델은 초기 음성 합성 모델 중 변분 오토 인코더를 제1 학습 데이터 및 제2 학습 데이터에 기초하여 재학습함으로써 생성될 수 있다. 임시 음성 합성 모델은 변분 오토인코더를 포함할 수 있으며, 선별된 제2 학습 데이터는 임시 음성 합성 모델을 이용하여 선별될 수 있다.
구체적으로, 프로세서는 임시 음성 합성 모델을 이용하여 제2 학습데이터 중 제1 학습데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성이 미리 결정된 임계치 이상의 유사도를 가지는 학습 데이터를 선별하거나 임시 음성 합성 모델을 이용하여 제2 학습 데이터 중 제1 학습데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성 유사도가 높은 미리 결정된 수의 학습 데이터를 선별할 수 있다. 제2 학습 데이터 중 선별되지 않은 학습 데이터는 최종 음성 합성 모델을 재학습하는데 사용되지 않는다.
구체적으로, 임시 음성 합성 모델을 이용하여 복수의 녹음된 음성 데이터로부터 제1 세트의 특징 벡터를 추출하고, 임시 음성 합성 모델을 이용하여 복수의 합성된 음성 데이터로부터 제2 세트의 특징 벡터를 추출하고, 제1 세트의 특징 벡터 및 제2 세트의 특징 벡터에 기초하여 데이터 선별부를 학습할 수 있다. 보다 상세하게, 데이터 선별부는 랭킹 SVM(Ranking Support Vector Machine) 알고리즘을 이용하여 학습된 모델일 수 있고, 제1 세트의 특징 벡터와 제2 세트의 특징 벡터를 서로 상이한 클래스로 설정하여 학습될 수 있다. 또한, 제1 세트의 특징 벡터와 제2 세트의 특징 벡터 각각은 임시 음성 합성 모델의 변분 오토인코더를 이용하여 복수의 녹음된 음성 데이터와 합성된 음성 데이터로부터 추출되는 VAE 특징 벡터일 수 있다. 선별된 제2 학습 데이터는 데이터 선별부를 이용하여 선별될 수 있다.
일 실시예에서, 데이터 선별부는 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와의 음향 특성 유사도에 기초하여 제2 학습 데이터 중 일부를 선별할 수 있다.
마지막으로, 프로세서는 제1 학습 데이터 및 선별된 제2 학습 데이터에 기초하여 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성할 수 있다(S1040). 일 실시예에서, 최종 음성 합성 모델은 초기 음성 합성 모델 중 보코딩 모델을 제외한 구성이 재학습되어 생성될 수 있다. 또한, 제2 학습 데이터 중 선별되지 않은 학습 데이터는 최종 음성 합성 모델을 재학습하는데 사용되지 않는다.
도 10에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 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 구현되는 지의 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.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 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.
110: 제1 학습 데이터
120: 초기 음성 합성 모델
130: 제2 학습 데이터
140: 데이터 선별부
150: 선별된 제2 학습 데이터
160: 폐기된 제2 학습 데이터
170: 최종 음성 합성 모델
180: 입력 텍스트
190: 출력 합성 음성

Claims (15)

  1. 적어도 하나의 프로세서에 의해 수행되는 선별적 데이터 증강(augmentation) 기반 음성 합성 모델 생성 방법으로서,
    제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하는 단계;
    상기 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하는 단계;
    상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 임시 음성 합성 모델을 생성하는 단계;
    상기 임시 음성 합성 모델을 이용하여 상기 제2 학습 데이터 중 일부를 선별하는 단계; 및
    상기 제1 학습 데이터 및 상기 선별된 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성하는 단계
    를 포함하는, 음성 합성 모델 생성 방법.
  2. 제1항에 있어서,
    상기 제1 학습 데이터는 복수의 텍스트-녹음된 음성 데이터 쌍을 포함하고,
    상기 제2 학습 데이터는 복수의 텍스트-합성된 음성 데이터 쌍을 포함하고,
    상기 제2 학습 데이터는 상기 복수의 텍스트를 상기 초기 음성 합성 모델에 입력하여 상기 복수의 합성된 음성 데이터를 출력함으로써 생성되는, 음성 합성 모델 생성 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 초기 음성 합성 모델은 변분 오토인코더(Variational AutoEncoder; VAE), 인코더, 디코더 및 보코딩 모델을 포함하고,
    상기 임시 음성 합성 모델은 상기 초기 음성 합성 모델 중 변분 오토인코더를 상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 재학습함으로써 생성되는, 음성 합성 모델 생성 방법.
  5. 제1항에 있어서,
    상기 제2 학습 데이터 중 일부를 선별하는 단계는,
    상기 임시 음성 합성 모델을 이용하여 상기 제2 학습 데이터 중 상기 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성이 미리 결정된 임계치 이상의 유사도를 가지는 학습 데이터를 선별하는 단계; 또는
    상기 임시 음성 합성 모델을 이용하여 상기 제2 학습 데이터 중 상기 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와 음향 특성 유사도가 높은 미리 결정된 수의 학습 데이터를 선별하는 단계
    를 포함하고,
    상기 제2 학습 데이터 중 선별되지 않은 학습되지 않은 학습 데이터는 상기 최종 음성 합성 모델을 재학습하는데 사용되지 않는, 음성 합성 모델 생성 방법.
  6. 제2항에 있어서,
    상기 임시 음성 합성 모델을 이용하여 상기 복수의 녹음된 음성 데이터로부터 제1 세트의 특징 벡터를 추출하는 단계;
    상기 임시 음성 합성 모델을 이용하여 상기 복수의 합성된 음성 데이터로부터 제2 세트의 특징 벡터를 추출하는 단계; 및
    상기 제1 세트의 특징 벡터 및 상기 제2 세트의 특징 벡터에 기초하여 데이터 선별부를 학습하는 단계
    를 더 포함하고,
    상기 선별된 제2 학습 데이터는 상기 데이터 선별부를 이용하여 선별된, 음성 합성 모델 생성 방법.
  7. 제6항에 있어서,
    상기 데이터 선별부는 랭킹 SVM(Ranking Support Vector Machine) 알고리즘을 이용하여 학습된 모델이고,
    상기 데이터 선별부는 상기 제1 세트의 특징 벡터와 상기 제2 세트의 특징 벡터를 서로 상이한 클래스로 설정하여 학습되는, 음성 합성 모델 생성 방법.
  8. 제6항에 있어서,
    상기 임시 음성 합성 모델은 변분 오토인코더(Variational AutoEncoder; VAE)를 포함하고,
    상기 제1 세트의 특징 벡터와 상기 제2 세트의 특징 벡터 각각은 상기 임시 음성 합성 모델의 변분 오토인코더를 이용하여 상기 복수의 녹음된 음성 데이터와 상기 합성된 음성 데이터로부터 추출되는 VAE 특징 벡터인, 음성 합성 모델 생성 방법.
  9. 제6항에 있어서,
    상기 제2 학습 데이터 중 일부를 선별하는 단계는,
    상기 데이터 선별부가 상기 제1 학습 데이터에 포함된 복수의 녹음된 음성 데이터와의 음향 특성 유사도에 기초하여 상기 제2 학습 데이터 중 일부를 선별하는 단계
    를 포함하는, 음성 합성 모델 생성 방법.
  10. 제1항에 있어서,
    상기 초기 음성 합성 모델은 변분 오토인코더(Variational AutoEncoder; VAE), 인코더, 디코더 및 보코딩 모델을 포함하고,
    상기 최종 음성 합성 모델은 상기 초기 음성 합성 모델 중 보코딩 모델을 제외한 구성이 재학습되어 생성되는, 음성 합성 모델 생성 방법.
  11. 삭제
  12. 삭제
  13. 적어도 하나의 프로세서에 의해 수행되는 음성 합성 방법으로서,
    입력 텍스트를 수신하는 단계; 및
    상기 입력 텍스트를 최종 음성 합성 모델에 입력하여, 입력 텍스트에 대한 출력 음성 데이터를 생성하는 단계
    를 포함하고,
    상기 최종 음성 합성 모델은,
    제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하고,
    상기 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하고,
    상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 임시 음성 합성 모델을 생성하고,
    상기 임시 음성 합성 모델을 이용하여 상기 제2 학습 데이터 중 일부를 선별하고,
    상기 제1 학습 데이터 및 상기 선별된 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 생성된, 음성 합성 방법.
  14. 제1항, 제2항, 제4항 내지 제10항 및 제13항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터로 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  15. 정보 처리 시스템으로서,
    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,
    제1 학습 데이터에 기초하여 초기 음성 합성 모델을 생성하고,
    상기 초기 음성 합성 모델을 이용하여 제2 학습 데이터를 생성하고,
    상기 제1 학습 데이터 및 상기 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 임시 음성 합성 모델을 생성하고,
    상기 임시 음성 합성 모델을 이용하여 상기 제2 학습 데이터 중 일부를 선별하고,
    상기 제1 학습 데이터 및 상기 선별된 제2 학습 데이터에 기초하여 상기 초기 음성 합성 모델 중 적어도 일부를 재학습하여 최종 음성 합성 모델을 생성하기 위한 명령어들을 포함하는, 정보 처리 시스템.

KR1020220116409A 2022-01-27 2022-09-15 선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템 KR102661751B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220012736 2022-01-27
KR20220012736 2022-01-27

Publications (2)

Publication Number Publication Date
KR20230115866A KR20230115866A (ko) 2023-08-03
KR102661751B1 true KR102661751B1 (ko) 2024-04-30

Family

ID=87568042

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220116409A KR102661751B1 (ko) 2022-01-27 2022-09-15 선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102661751B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228580A (ja) * 2013-05-20 2014-12-08 日本電信電話株式会社 音声モデル生成装置、方法、プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102505927B1 (ko) * 2018-10-19 2023-03-03 한국전자통신연구원 생성 모델 기반 데이터 증강 기법을 활용한 딥러닝 기반 감정음성합성 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014228580A (ja) * 2013-05-20 2014-12-08 日本電信電話株式会社 音声モデル生成装置、方法、プログラム

Also Published As

Publication number Publication date
KR20230115866A (ko) 2023-08-03

Similar Documents

Publication Publication Date Title
CN110998716B (zh) 经由教师-学生学习在话音识别中进行的域自适应
EP3857543B1 (en) Conversational agent pipeline trained on synthetic data
CN111326136B (zh) 语音处理方法、装置、电子设备及存储介质
WO2017190674A1 (zh) 一种音频数据的处理方法、装置及计算机存储介质
KR20220123747A (ko) 공동 오디오-비디오 얼굴 애니메이션 시스템
Kaur et al. Conventional and contemporary approaches used in text to speech synthesis: A review
JP2019522810A (ja) ニューラルネットワークベースの声紋情報抽出方法及び装置
KR20210001859A (ko) 3차원 가상 인물 입모양 변화 제어 방법 및 장치
US11322133B2 (en) Expressive text-to-speech utilizing contextual word-level style tokens
CN112185342A (zh) 语音转换与模型训练方法、装置和系统及存储介质
CN117373431A (zh) 音频合成方法、训练方法、装置、设备及存储介质
JP7044856B2 (ja) 増強された一貫性正規化を利用した音声認識モデル学習方法およびシステム
WO2024093578A1 (zh) 语音识别方法、装置、电子设备、存储介质及计算机程序产品
CN111859008A (zh) 一种推荐音乐的方法及终端
KR102661751B1 (ko) 선별적 데이터 증강 기반 음성 합성 모델 생성 방법 및 시스템
Reimao Synthetic speech detection using deep neural networks
Alshammri IoT‐Based Voice‐Controlled Smart Homes with Source Separation Based on Deep Learning
CN114446316B (zh) 音频分离方法、音频分离模型的训练方法、装置及设备
Chung et al. Unsupervised discovery of structured acoustic tokens with applications to spoken term detection
JP7237196B2 (ja) オーディオ・ビジュアル合成のためのデュレーション・インフォームド・アテンション・ネットワーク（ｄｕｒａｎ）を用いる方法、デバイス及びコンピュータ・プログラム
KR102663162B1 (ko) 음성 합성 방법 및 시스템
Singh Artificial narrow intelligence adaptive audio processing
KR102621842B1 (ko) 비 자기회귀 음성 합성 방법 및 시스템
KR102694139B1 (ko) 음성 처리 방법 및 장치
KR102604932B1 (ko) 새로운 화자의 합성 음성을 생성하는 방법 및 시스템

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant