KR102663669B1 - 소음 환경에서의 음성 합성 - Google Patents
소음 환경에서의 음성 합성 Download PDFInfo
- Publication number
- KR102663669B1 KR102663669B1 KR1020190138531A KR20190138531A KR102663669B1 KR 102663669 B1 KR102663669 B1 KR 102663669B1 KR 1020190138531 A KR1020190138531 A KR 1020190138531A KR 20190138531 A KR20190138531 A KR 20190138531A KR 102663669 B1 KR102663669 B1 KR 102663669B1
- Authority
- KR
- South Korea
- Prior art keywords
- voice
- speech
- data
- model
- synthesis
- Prior art date
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 137
- 238000003786 synthesis reaction Methods 0.000 title claims abstract description 137
- 230000000694 effects Effects 0.000 claims abstract description 46
- 238000001308 synthesis method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000015654 memory Effects 0.000 claims description 28
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 63
- 230000003190 augmentative effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 93
- 230000008569 process Effects 0.000 description 55
- 238000012545 processing Methods 0.000 description 54
- 238000004891 communication Methods 0.000 description 45
- 230000005540 biological transmission Effects 0.000 description 38
- 239000000306 component Substances 0.000 description 37
- 210000004027 cell Anatomy 0.000 description 34
- 239000003795 chemical substances by application Substances 0.000 description 29
- 230000006870 function Effects 0.000 description 24
- 230000004044 response Effects 0.000 description 22
- 238000003062 neural network model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000013136 deep learning model Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 230000008451 emotion Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000003058 natural language processing Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- MQJKPEGWNLWLTK-UHFFFAOYSA-N Dapsone Chemical compound C1=CC(N)=CC=C1S(=O)(=O)C1=CC=C(N)C=C1 MQJKPEGWNLWLTK-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010048909 Boredom Diseases 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
- G10L13/047—Architecture of speech synthesisers
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- 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
- 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
-
- 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
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/24—Speech recognition using non-acoustical features
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0316—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude
- G10L21/0364—Speech enhancement, e.g. noise reduction or echo cancellation by changing the amplitude for improving intelligibility
- G10L2021/03646—Stress or Lombard effect
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
소음 환경에서의 음성 합성이 개시된다. 본 명세서의 일 실시예에 따른 음성 합성 방법은, 발화 특징으로부터 생성된 특징 벡터를 이용하여 롬바드 효과가 부여된 합성 음성을 생성할 수 있다. 본 명세서의 음성 합성 방법 및 그 장치는 인공 지능(Artificial Intelligence) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 명세서는 소음 환경에서의 음성 합성에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙(Rule) 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 음성 합성 분야에서도 응용되며, 음향 출력 디바이스가 소음 환경에 위치하는 경우에 한계 음량으로 출력하더라도 명료한 안내 음성을 전달하기 어려운 문제가 있다.
본 명세서는 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 명세서는, 소음 환경에서 명료한 안내 음성을 전달할 수 있는 소음 환경에서의 음성 합성을 구현하는 것을 목적으로 한다.
또한, 본 명세서는, 사용자 관점에서 과도한 음량으로 인하여 청각적 스트레스가 유발되지 않는 소음 환경에서의 음성 합성을 구현하는 것을 목적으로 한다.
또한, 본 명세서는, 출력 장치의 최대 출력 음량과 관련된 성능을 낮추어 전자 디바이스의 생산 원가를 절감할 수 있는 소음 환경에서의 음성 합성을 구현하는 것을 목적으로 한다.
본 명세서의 일 실시예에 따른 음성 합성 방법은 화자의 음성 데이터로부터 발화 특징을 추출하고, 상기 발화 특징을 나타내는 특징 벡터를 생성하는 단계; 상기 특징 벡터, 텍스트 데이터 및 음성 합성을 제어하는 파라미터를 미리 학습된 음성 합성 모델(text-to-speech synthesis model)에 적용하는 단계; 및 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성하는 단계;를 포함하되, 상기 파라미터는 롬바드 효과(lombard-effect)의 적용 레벨을 조절하는 파라미터일 수 있다.
또한, 상기 음성 합성 모델은, 복수의 학습 텍스트 및 상기 복수의 학습 텍스트에 대응되는 학습 음성을 이용하여 훈련된 인공 신경망 모델이고, 상기 학습 음성은, 소음환경에서 생성되어 롬바드 효과(lombard-effect)가 반영된 음성일 수 있다.
또한, 상기 특징 벡터를 생성하는 단계는, 상기 음성 데이터를 미리 학습된 비지도 학습 모델에 입력하여 발화 특징을 추출할 수 있다.
또한, 외부 소음의 레벨을 측정하고, 상기 측정된 외부 소음의 레벨이 미리 설정된 임계치를 초과하는 경우에, 상기 파라미터를 이용하여 상기 합성 음성에 상기 롬바드 효과를 부여할 수 있다.
또한, 상기 외부 소음의 레벨이 미리 설정된 임계치 미만인 경우에 상기 파라미터에 대한 가중치(weight)를 0으로 설정할 수 있다.
또한, 상기 임계치는, 외부 디바이스가 최대로 출력할 수 있는 한계 음량에 대응되는 외부 소음 레벨일 수 있다.
또한, 상기 외부 소음의 레벨에 비례하여 상기 파라미터에 대한 가중치가 증가하도록 설정하는 단계;를 더 포함할 수 있다.
또한, 상기 음성 합성 모델은 RNN(recurrent neural network) 기반의 인공 신경망 모델일 수 있다.
또한, 상기 특징 벡터는, 상기 음성 데이터에 포함된 상기 화자의 발화 속도, 발음 강세, 휴지 구간, 음 높이, 기저주파수, 모음 구간의 발화 지속시간, HNR 비(harmonic-to-noise ratio) 또는 억양 중 적어도 하나를 포함하는 상기 발화 특징으로부터 추출되는 것일 수 있다.
또한, 상기 음성 합성 모델은 엔드 투 엔드(End-to-End)로 학습된 인공 신경망 모델일 수 있다.
또한, 외부 디바이스로부터 사용자의 음성 신호 및 상기 음성 신호가 수신된 방향의 이미지를 수신하는 단계; 상기 음성 신호 및 상기 음성 신호가 수신된 방향의 이미지로부터 상기 사용자와 상기 외부 디바이스 간의 거리를 결정하는 단계; 및 상기 거리에 비례하여 상기 파라미터에 대한 가중치가 증가되도록 설정하는 단계;를 더 포함할 수 있다.
본 명세서의 다른 실시예에 따른 음성 합성 장치는 메모리; 외부 서버와 통신하는 트랜시버(transceiver); 및 화자의 음성 데이터로부터 발화 특징을 추출하고, 상기 발화 특징을 나타내는 특징 벡터를 생성하고, 상기 특징 벡터, 텍스트 데이터 및 음성 합성을 제어하는 파라미터를 미리 학습된 음성 합성 모델에 적용하고, 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성하는 프로세서;를 포함하되, 상기 파라미터는 롬바드 효과의 적용 레벨을 조절하는 파라미터일 수 있다.
본 명세서의 일 실시예에 따른 소음 환경에서의 음성 합성의 효과에 대해 설명하면 다음과 같다.
본 명세서는 소음 환경에서 명료한 안내 음성을 전달할 수 있다.
또한, 본 명세서는 사용자 관점에서 과도한 음량으로 인하여 청각적 스트레스가 유발되지 않는 소음 환경에서의 음성 합성을 구현할 수 있다.
또한, 본 명세서는 출력 장치의 최대 출력 음량과 관련된 성능을 낮추어 전자 디바이스의 생산 원가를 절감할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 명세서가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 명세서에 대한 실시예를 제공하고, 상세한 설명과 함께 본 명세서의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 본 명세서의 일 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다.
도 6는 본 명세서의 다른 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다.
도 7은 본 명세서의 일 실시예에 따라 음성 합성을 구현할 수 있는 지능형 에이전트의 개략적인 블럭도를 도시한다.
도 8은 본 명세서의 일 실시예에 따라 음성 합성 장치의 다른 블럭도이다.
도 9는 본 명세서의 일 실시예에 따른 음성 합성 방법의 개략적인 흐름도이다.
도 10은 본 명세서의 일 실시예에 적용되는 딥러닝 모델의 학습 방법을 설명하는 흐름도이다.
도 11은 본 명세서의 일 실시예에 따른 음성 합성 방법을 설명하는 흐름도이다.
도 12는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제1 구현예이다.
도 13은 본 명세서의 일 실시예에 따른 음성 합성 방법의 제2 구현예이다.
도 14(a) 및 도 14(b)는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제3 구현예이다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
도 5는 본 명세서의 일 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다.
도 6는 본 명세서의 다른 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다.
도 7은 본 명세서의 일 실시예에 따라 음성 합성을 구현할 수 있는 지능형 에이전트의 개략적인 블럭도를 도시한다.
도 8은 본 명세서의 일 실시예에 따라 음성 합성 장치의 다른 블럭도이다.
도 9는 본 명세서의 일 실시예에 따른 음성 합성 방법의 개략적인 흐름도이다.
도 10은 본 명세서의 일 실시예에 적용되는 딥러닝 모델의 학습 방법을 설명하는 흐름도이다.
도 11은 본 명세서의 일 실시예에 따른 음성 합성 방법을 설명하는 흐름도이다.
도 12는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제1 구현예이다.
도 13은 본 명세서의 일 실시예에 따른 음성 합성 방법의 제2 구현예이다.
도 14(a) 및 도 14(b)는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제3 구현예이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 명세서의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제 1 통신 장치에서 제 2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고을 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC)
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제 1 주파수 자원에서 제 2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1).그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2).여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 명세서에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 명세서에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 명세서에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
AI 장치 블록도
도 4는 본 명세서의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 8에 도시된 지능형 디바이스(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 8에 도시된 지능형 디바이스(10)의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 명세서의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
이하, 도 5 및 도 6를 통해 디바이스 환경(device environment) 및/또는 클라우드 환경(cloud environment or server environment)에서 수행되는 음성 처리 과정을 설명한다. 도 5는 음성을 입력받는 것은 디바이스(50)에서 이루어질 수 있으나, 입력된 음성을 처리하여 음성을 합성하는 과정 즉 음성 처리의 전반적인 동작이 클라우드 환경(60)에서 이루어지는 예를 도시한 것이다. 이에 반해, 도 6는 전술한 입력된 음성을 처리하여 음성을 합성하는 음성 처리의 전반적인 동작이 디바이스(70)에서 이루어지는 온 디바이스 프로세싱(On-device processing)의 예를 도시한 것이다.
도 5 및 도 6에서 디바이스 환경(50,70)는 클라이언트 디바이스로 호칭될 수 있으며, 클라우드 환경(60, 80)은 서버로 호칭될 수 있다.
도 5는 본 명세서의 일 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다.
엔드 투 엔드(end-to-end) 음성 UI 환경에서 음성 이벤트를 처리하기 위해서는 다양한 구성요소가 필요하다. 음성 이벤트를 처리하는 시퀀스는 음성 신호를 수집하여(Signal acquisition and playback), 음성 사전 처리(Speech Pre Processing), 음성 활성화(Voice Activation), 음성 인식(Speech Recognition), 자연어 이해(Natural Language Processing) 및 최종적으로 장치가 사용자에게 응답하는 음성 합성(Speech Synthesis) 과정을 수행한다.
클라이언트 디바이스(50)는 입력 모듈을 포함할 수 있다. 상기 입력 모듈은 사용자로부터 사용자 입력을 수신할 있다. 예를 들어, 입력 모듈은 연결된 외부 장치(예를 들어, 키보드, 헤드셋) 으로부터 사용자 입력을 수신할 수 있다. 또한 예를 들어, 입력 모듈은 터치 스크린을 포함할 수 있다. 또한 예를 들어, 입력 모듈은 사용자 단말에 위치한 하드웨어 키를 포함할 수 있다.
일 실시예에 의하면, 상기 입력 모듈은 사용자의 발화를 음성 신호로 수신할 수 있는 적어도 하나의 마이크를 포함할 수 있다. 상기 입력 모듈은 발화 입력 시스템(speech input system)을 포함하고, 상기 발화 입력 시스템을 통해 사용자의 발화를 음성 신호로 수신할 수 있다. 상기 적어도 하나의 마이크는 오디오 입력을 위한 입력 신호를 생성함으로써, 유저의 발화에 대한 디지털 입력 신호를 결정할 수 있다. 일 실시예에 의하면, 복수의 마이크가 어레이로 구현될 수 있다. 어레이는 기하학적 패턴, 예를 들어, 선형 기하학적 형태, 원형 기하학적 형태 또는 임의의 다른 구성으로 배열될 수 있다. 예를 들어, 소정 지점에 대하여, 네 개의 센서들의 어레이는 네 개의 방향들로부터 사운드를 수신하기 위해 90도로 구분되어 원형의 패턴으로 배치될 수 있다. 일부 구현들에서, 상기 마이크는 데이터 통신 내 공간적으로 서로 다른 어레이의 센서들을 포함할 수 있는데, 센서들의 네트워크화된 어레이가 포함될 수 있다. 마이크는 무지향성(omnidirectional), 방향성(directional, 예를 들어, 샷건(shotgun) 마이크)등을 포함할 수 있다.
클라이언트 디바이스(50)는 상기 입력 모듈(예를 들어, 마이크)을 통해 수신된 사용자 입력(음성 신호)를 전처리할 수 있는 전처리 모듈(pre-processing module)(51)을 포함할 수 있다.
상기 전처리 모듈(51)은 적응 반향 제거(adaptive echo canceller, AEC) 기능을 포함함으로써, 상기 마이크를 통해 입력된 사용자 음성 신호에 포함된 에코(echo)를 제거할 수 있다. 상기 전처리 모듈(51)은 노이즈 억제(noise suppression, NS) 기능을 포함함으로써, 사용자 입력에 포함된 배경 잡음을 제거할 수 있다. 상기 전처리 모듈(51)은 종점 검출(end-point detect, EPD) 기능을 포함함으로써, 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾을 수 있다. 또한, 상기 전처리 모듈(51)은 자동 이득 제어(automatic gain control, AGC) 기능을 포함함으로써, 상기 사용자 입력을 인식하여 처리하기 적합하도록 상기 사용자 입력의 음량을 조절할 수 있다.
클라이언트 디바이스(50)는 음성 인식 활성화(voice activation) 모듈(52)을 포함할 수 있다. 상기 음성인식 활성화 모듈(52)은 사용자의 호출을 인식하는 웨이크업(wake up) 명령을 인식할 수 있다. 상기 음성인식 활성화 모듈(52)은 전처리 과정을 거친 사용자 입력으로부터 소정의 키워드(ex, Hi LG)를 디텍트할 수 있다. 상기 음성인식 활성화 모듈(52)은 대기 상태로 존재하여 올 웨이즈 온 키워드 디텍트(Always-on keyword detection) 기능을 수행할 수 있다.
클라이언트 디바이스(50)는 사용자 음성입력을 클라우드 서버로 전송할 수 있다. 사용자 음성을 처리하기 위한 핵심 구성인 자동 음성 인식(ASR), 자연어 이해(NLU) 동작은 컴퓨팅, 저장, 전원 제약 등으로 인해 전통적으로 클라우드에서 실행되고 있는 것이 일반적이다. 상기 클라우드는 클라이언트로부터 전송된 사용자 입력을 처리하는 클라우드 디바이스(60)를 포함할 수 있다. 상기 클라우드 디바이스(60)는 서버 형태로 존재할 수 있다.
클라우드 디바이스(60)는 자동 음성 인식(Auto Speech Recognition, ASR) 모듈(61), 지능형 에이전트(Artificial Intelligent Agent)(62), 자연어 이해(Natural Language Understanding, NLU) 모듈(63), 텍스트 음성 변환(Text-to-Speech, TTS) 모듈(64)과, 서비스 매니저(65)를 포함할 수 있다.
ASR 모듈(61)은 클라이언트 디바이스(50)로부터 수신된 사용자 음성 입력을 텍스트 데이터로 변환할 수 있다.
ASR 모듈(61)은 프론트-엔드 스피치 프리 프로세서(front-end speech pre-processor)를 포함한다. 프론트-엔드 스피치 프리프로세서는 스피치 입력으로부터 대표적인 특징을 추출한다. 예를 들어, 프론트-엔드 스피치 프리프로세서는 스피치 입력을 푸리에 변환을 수행하여 대표적인 다차원 벡터의 시퀀스로서 스피치 입력을 특징짓는 스펙트럼 특징을 추출한다. 또한, ASR 모듈(61)은 하나 이상의 스피치 인식 모델(예컨대, 음향 모델 및/또는 언어 모델)을 포함하고, 하나 이상의 스피치 인식 엔진을 구현할 수 있다. 스피치 인식 모델의 예는 은닉 마르코프 모델(hidden Markov models), 가우시안 혼합 모델(Gaussian-Mixture Models), 딥 신경망 모델(Deep Neural Network Models), n-gram 언어 모델, 및 기타 통계 모델을 포함한다. 스피치 인식 엔진의 예는 동적 시간 왜곡 기반 엔진 및 가중치 유한 상태 변환기(WFST) 기반 엔진을 포함한다. 하나 이상의 스피치 인식 모델 및 하나 이상의 스피치 인식 엔진은 중간 인식 결과들(예를 들어, 음소, 음소 문자열, 및 하위 단어들), 및 궁극적으로 텍스트 인식 결과들(예컨대, 단어, 단어 문자열, 또는 토큰들의 시퀀스)을 생성하기 위해 프론트-엔드 스피치 프리프로세서의 추출된 대표 특징들을 처리하는 데 사용될 수 있다.
ASR 모듈(61)이 텍스트 문자열(예를 들어, 단어들, 또는 단어들의 시퀀스, 또는 토큰들의 시퀀스)을 포함하는 인식 결과를 생성하면, 인식 결과는 의도 추론을 위해 자연 언어 처리 모듈(732)로 전달된다. 일부 예들에서, ASR 모듈(730)은 스피치 입력의 다수의 후보 텍스트 표현들을 생성한다. 각각의 후보 텍스트 표현은 스피치 입력에 대응하는 단어들 또는 토큰들의 시퀀스이다.
NLU 모듈(63)은 문법적 분석(Syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자 의도를 파악할 수 있다. 상기 문법적 분석은 문법 단위(예를 들어, 단어, 구, 형태소 등)를 나누고, 나누어진 단위가 어떠한 문법적인 요소를 갖는지 파악할 수 있다. 상기 의미적 분석은 의미(semantic) 매칭, 룰(rule) 매칭, 포뮬러(formula) 매칭 등을 이용하여 수행할 수 있다. 이에 따라, NUL 모듈(63)은 사용자 입력이 어느 도메인(domain), 의도(intent) 또는 상기 의도를 표현하는데 필요한 파라미터(parameter)를 획득할 수 있다.
상기 NLU 모듈(63)은 도메인, 의도 및 상기 의도를 파악하는데 필요한 파라미터로 나누어진 매핑 규칙을 이용하여 사용자의 의도 및 파라미터를 결정할 수 있다. 예를 들어, 하나의 도메인(예를 들어, 알람)은 복수의 의도(예를 들어, 알람 설정, 알람 해제)를 포함할 수 있고, 하나의 의도는 복수의 파라미터(예를 들어, 시간, 반복 횟수, 알람음 등)을 포함할 수 있다. 복수의 룰은, 예를 들어, 하나 이상의 필수 요소 파라미터를 포함할 수 있다. 상기 매칭 규칙은 자연어 이해 데이터 베이스(Natural Language Understanding Database)에 저장될 수 있다.
상기 NLU 모듈(63)은 형태소, 구 등의 언어적 특징(예를 들어, 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 도메인 및 의도에 매칭시켜 사용자의 의도를 결정한다. 예를 들어, NLU 모듈(63)은 각각의 도메인 및 의도에 사용자 입력에서 추출된 단어가 얼마나 포함되어 있는지를 계산하여 사용자 의도를 결정할 수 있다. 일 실시예에 따르면, NLU 모듈(63)은 상기 의도를 파악하는데 기초가 된 단어를 이용하여 사용자 입력의 파라미터를 결정할 수 있다. 일 실시예에 따르면, NLU 모듈(63)은 사용자 입력의 의도를 파악하기 위한 언어적 특징이 저장된 자연어 인식 데이터 베이스를 이용하여 사용자의 의도를 결정할 수 있다. 또한 일 실시예에 따르면, NLU 모듈(63)은 개인화 언어 모델(personal language model, PLM)을 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, NLU 모듈(63)은 개인화된 정보(예를 들어, 연락처 리스트, 음악 리스트, 스케줄 정보, 소셜 네트워크 정보 등)을 이용하여 사용자의 의도를 결정할 수 있다. 상기 개인화 언어 모델은, 예를 들어, 자연어 인식 데이터 베이스에 저장될 수 있다. 일 실시예에 따르면, NLU 모듈(63) 뿐 아니라 ASR 모듈(61)도 자연어 인식 데이터 베이스에 저장된 개인화 언어 모델을 참고하여 사용자 음성을 인식할 수 있다.
NLU 모듈(63)은 자연어 생성 모듈(미도시)을 더 포함할 수 있다. 상기 자연어 생성 모듈은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 상기 지정된 정보는 예를 들어, 추가 입력에 대한 정보, 사용자 입력에 대응되는 동작의 완료를 안내하는 정보 또는 사용자의 추가 입력을 안내하는 정보 등을 포함할 수 있다. 상기 텍스트 형태로 변경된 정보는 클라이언트 디바이스로 전송되어 디스플레이에 표시되거나, TTS 모듈로 전송되어 음성 형태로 변경될 수 있다.
음성 합성 모듈(TTS 모듈, 64)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다. TTS 모듈(64)은 NLU 모듈(63)의 자연어 생성 모듈로부터 텍스트 형태의 정보를 수신하고, 상기 텍스트 형태의 정보를 음성 형태의 정보로 변경하여 클라이언트 디바이스(50)로 전송할 수 있다. 상기 클라이언트 디바이스(50)는 상기 음성 형태의 정보를 스피커를 통해 출력할 수 있다.
음성 합성 모듈(64)은 제공된 텍스트에 기초하여 스피치 출력을 합성한다. 예를 들어, 음성 인식 모듈(ASR)(61)에서 생성된 결과는 텍스트 문자열의 형태이다. 음성 합성 모듈(64)은 텍스트 문자열을 가청 스피치 출력으로 변환한다. 음성 합성 모듈(64)은, 텍스트로부터의 스피치 출력을 생성하기 위하여 임의의 적절한 스피치 합성 기법을 사용하는데, 이는 편집 합성(concatenative synthesis), 단위 선택 합성(unit selection synthesis), 다이폰 합성, 도메인-특정 합성, 포먼트 합성(Formant synthesis), 조음 합성(Articulatory synthesis), HMM(hidden Markov model) 기반 합성, 및 정현파 합성(sinewave synthesis)을 포함하지만 이로 한정되지 않는다.
일부 예들에서, 음성 합성 모듈(64)은 단어들에 대응하는 음소 문자열에 기초하여 개별 단어들을 합성하도록 구성된다. 예를 들어, 음소 문자열은 생성된 텍스트 문자열의 단어와 연관된다. 음소 문자열은 단어와 연관된 메타데이터에 저장된다. 음성 합성 모듈(64)은 스피치 형태의 단어를 합성하기 위해 메타데이터 내의 음소 문자열을 직접 프로세싱하도록 구성된다.
클라우드 환경은 일반적으로 클라이언트 디바이스보다 많은 처리 능력 또는 리소스를 갖기때문에, 클라이언트 측 합성에서 실제보다 높은 품질의 스피치 출력을 획득하는 것이 가능하다. 그러나, 본 명세서는 이에 한정되지 않으며, 실제로 음성 합성 과정이 클라이언트 측에서 이루어질 수 있음은 물론이다(도 6 참조)
한편, 본 명세서의 일 실시예에 따라 클라우드 환경에는 지능형 에이전트(Artificial Intelligence Agent, AI 에이전트)(62)를 더 포함할 수 있다. 상기 지능형 에이전트(62)는 전술한 ASR 모듈(61), NLU 모듈(62) 및/또는 TTS 모듈(64)이 수행하는 기능 중 적어도 일부의 기능을 수행하도록 설계될 수 있다. 또한 상기 지능형 에이전트 모듈(62)은 ASR 모듈(61), NLU 모듈(62) 및/또는 TTS 모듈(64) 각각의 독립적인 기능을 수행하는데 기여할 수 있다.
상기 지능형 에이전트 모듈(62)은 심층학습(딥러닝)을 통해 전술한 기능들을 수행할 수 있다. 상기 심층학습은 어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 이미지의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있으며, 이러한 노력의 결과로 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들이 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
현재 모든 주요 상업 음성인식 시스템(MS 코타나, 스카이프 번역기, 구글 나우, 애플 시리 등등)이 딥 러닝 기법에 기반하고 있다.
특히, 지능형 에이전트 모듈(62)은 자연어 처리 분야에서 심층 인공신경망 구조를 이용하여 자동 번역(machine translation), 감정 분석(emotion analysis), 정보 검색(information retrieval)을 비롯한 다양한 자연언어처리 과정을 수행할 수 있다.
한편, 상기 클라우드 환경은 다양한 개인화된 정보를 수집하여 상기 지능형 에이전트(62)의 기능을 지원할 수 있는 서비스 매니저(service manager)(65)를 포함할 수 있다. 상기 서비스 매니저를 통해 획득되는 개인화된 정보는, 클라이언트 디바이스(50)가 클라우드 환경을 통해 이용하는 적어도 하나의 데이터(캘린더 애플리케이션, 메시징 서비스, 뮤직 애플리케이션 사용 등), 상기 클라이언트 디바이스(50) 및/또는 클라우드(60)가 수집하는 적어도 하나의 센싱 데이터들(카메라, 마이크로폰, 온도, 습도, 자이로 센서, C-V2X, 펄스(pulse), 조도(Ambient light), 홍채 인식(Iris scan) 등), 상기 클라이언트 디바이스(50)와 직접적으로 관련 없는 오프 디바이스 데이터들을 포함할 수 있다. 예를 들어, 상기 개인화된 정보는, 맵(maps), SMS, News, Music, Stock, Weather, Wikipedia 정보를 포함할 수 있다.
상기 지능형 에이전트(62)은 설명의 편의를 위해 ASR 모듈(61), NLU 모듈(63) 및 TTS 모듈(64)과 구분되도록 별도의 블럭으로 표현하였으나, 상기 지능형 에이전트(62)는 상기 각 모듈(61,62,64)의 적어도 일부 또는 전부의 기능을 수행할 수도 있다.
이상, 도 5에서는 상기 지능형 에이전트(62)가 컴퓨팅 연산, 저장 및 전원 제약 등으로 인해 클라우드 환경에서 구현되는 예를 설명하였으나, 본 명세서는 이에 한정되는 것은 아니다.
예를 들어, 도 6는 상기 지능형 에이전트(AI agent)가 클라이언트 디바이스에 포함되어 있는 경우를 제외하고는 도 5에 도시된 바와 동일하다.
도 6는 본 명세서의 다른 실시예에 따른 음성 합성 시스템 환경에서 음성 합성 장치의 개략적인 블럭도를 도시한다. 도 6에 도시된 클라이언트 디바이스(70) 및 클라우드 환경(80)은 도 5에서 언급한 클라이언트 디바이스(50) 및 클라우드 환경(60)에 일부 구성 및 기능에 있어서 차이가 있을 뿐 대응될 수 있다. 이에 따라 대응되는 블럭의 구체적인 기능에 대해서는 도 5를 참조할 수 있다.
도 6를 참조하면, 클라이언트 디바이스(70)는 전처리 모듈(51), 음성 인식 활성화(voice activation) 모듈(72), ASR 모듈(73), 지능형 에이전트(74), NLU 모듈(75), TTS 모듈(76)을 포함할 수 있다. 또한, 클라이언트 디바이스(50)는 입력 모듈(적어도 하나의 마이크로 폰)과, 적어도 하나의 출력 모듈을 포함할 수 있다.
또한, 클라우드 환경은 개인화된 정보를 지식(knowledge) 형태로 저장하는 클라우드 지식(Cloud Knowledge)(80)을 포함할 수 있다.
도 6에 도시된 각 모듈의 기능은 도 5를 참조할 수 있다. 다만, ASR 모듈(73), NLU 모듈(75) 및 TTS 모듈(76)이 클라이언트 디바이스(70)에 포함되어 있어서 음성 인식 및 음성 합성 등의 음성 처리 과정을 위해 클라우드와의 통신이 필요 없을 수 있으며, 이에 따라 즉각적이고 실시간 음성 처리처리 동작이 가능하게 된다.
도 5 및 도 6에 도시된 각 모듈은 음성 처리 과정을 설명하기 위한 예시일 뿐이며, 도 5 및 도 6에 도시된 모듈보다 더 많거나 더 적은 모듈을 가질 수 있다. 또한, 둘 이상의 모듈을 조합할 수 있거나 또는 상이한 모듈 또는 상이한 배열의 모듈을 가질 수 있다는 것에 유의해야 한다. 도 5 및 도 6에 도시된 다양한 모듈들은 하나 이상의 신호 프로세싱 및/또는 주문형 직접 회로, 하드웨어, 하나 이상의 프로세서에 의한 실행을 위한 소프트웨어 명령어들, 펌웨어 또는 이들의 조합으로 구현될 수 있다.
도 7은 본 명세서의 일 실시예에 따라 음성 합성을 구현할 수 있는 지능형 에이전트의 개략적인 블럭도를 도시한다.
도 7을 참조하면, 상기 지능형 에이전트(74)는 도 5 및 도 6를 통해 설명한 음성 처리 과정에서 ASR 동작, NLU 동작 및 TTS 동작을 수행하는 것 외에, 사용자와 상호 작용(interactive operation)을 지원할 수 있다. 또는 상기 지능형 에이전트(74)는 컨텍스트 정보를 이용하여, NLU 모듈(63)이 ASR 모듈(61)로부터 수신된 텍스트 표현들에 포함된 정보를 보다 명확하게 하고, 보완하거나 추가적으로 정의하는 동작을 수행하는데 기여할 수 있다.
여기서, 컨텍스트 정보는, 클라이언트 디바이스 사용자의 선호도, 클라이언트 디바이스의 하드웨어 및/또는 소프트웨어 상태들, 사용자 입력 전, 입력 중, 또는 입력 직후에 수집되는 다양한 센서 정보, 상기 지능형 에이전트와 사용자 사이의 이전 상호 작용들(예를 들어, 대화) 등을 포함할 수 있다. 본 문서에서 컨텍스트 정보는 동적이고, 시간, 위치, 대화의 내용 및 기타 요소들에 따라 가변되는 특징임을 물론이다.
지능형 에이전트(74)는 컨텍스트 퓨전 및 학습 모듈(91), 로컬 지식(92), 다이얼로그 매니지먼트(93)를 더 포함할 수 있다.
컨텍스트 퓨전 및 학습모듈(91)은 적어도 하나의 데이터에 기초하여 사용자의 의도를 학습할 수 있다. 상기 적어도 하나의 데이터는 클라이언트 디바이스 또는 클라우드 환경에서 획득되는 적어도 하나의 센싱 데이터를 포함할 수 있다. 또한, 상기 적어도 하나의 데이터는 화자 식별(speaker identification), 음향 사건 인지(Acoustic event detection), 화자의 개인 정보(성별 및 나이)(Gender and age detection), 음성 활성도 검출(VAD, voice activity detection), 감정 정보(Emotion Classification) 을 포함할 수 있다.
상기 화자 식별은, 발화 하는 사람을 음성에 의해 등록된 대화군 속에서 특정하는 것을 의미할 수 있다. 상기 화자 식별은 기 등록된 화자를 식별하거나, 새로운 화자로 등록하는 과정을 포함할 수 있다. 음향 사건 인지(Acoustic event detection)는 음성 인식 기술을 넘어서 음향 자체를 인식함으로써, 소리의 종류, 소리의 발생 장소를 인지할 수 있다. 음성 활성도 검출(VAD)은 음악, 잡음 또는 다른 사운드를 포함할 수 있는 오디오 신호에서 인간의 스피치(음성)의 존재 또는 부재가 검출되는 스피치 프로세싱 기술이다. 일 예에 따라 지능형 에이전트(74)는 상기 입력된 오디오 신호로부터 스피치의 존재 여부를 확인할 수 있다. 일 예에 따라 지능형 에이전트(74)는 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터(speech data)와 비 스피치 데이터(non-speech data)를 구분할 수 있다. 또한, 지능형 에이전트(74)는 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터에 대하여 감정 분류(Emotion Classification) 동작을 수행할 수 있다. 상기 감정 분류 동작에 따라 스피치 데이터는 화남(Anger), 지루함(Boredom), 무서움(Fear), 행복(Happiness), 슬픔(Sadness)으로 분류될 수 있다.
상기 컨텍스트 퓨전 및 학습 모듈(91)은 전술한 동작을 수행하기 위해 DNN 모델을 포함할 수 있으며, 상기 DNN 모델 및 클라이언트 디바이스 또는 클라우드 환경에서 수집되는 센싱 정보에 기초하여 사용자 입력의 의도를 확인할 수 있다.
상기 적어도 하나의 데이터는 예시적인 것에 불과하며 음성 처리 과정에서 사용자의 의도를 확인하는데 참조될수 있는 어떠한 데이터도 포함될 수 있음은 물론이다. 상기 적어도 하나의 데이터는, 전술한 DNN 모델을 통해 획득할 수 있음은 물론이다.
지능형 에이전트(74)는 로컬 지식(Local Knowledge)(92)을 포함할 수 있다. 상기 로컬 지식(92)은 사용자 데이터를 포함할 수 있다. 상기 사용자 데이터는 사용자의 선호도, 사용자 주소, 사용자의 초기 설정 언어, 사용자의 연락처 목록 등을 포함할 수 있다. 일 예에 따르면, 지능형 에이전트(74)는 사용자의 특정 정보를 이용하여 사용자의 음성 입력에 포함된 정보를 보완하여 사용자 의도를 추가적으로 정의할 수 있다. 예를 들어, "내 생일 파티에 내 친구들을 초대해주세요" 라는 사용자의 요청에 응답하여, 지능형 에이전트(74)는 "친구들"이 누구인지, "생일 파티"가 언제, 어디서 열리지를 결정하기 위해 사용자에게 보다 명확한 정보를 제공하도록 요구하지 않고, 상기 로컬 지식(92)을 이용할 수 있다.
지능형 에이전트(74)는 다이얼로그 관리(Dialog Management)(93)를 더 포함할 수 있다. 상기 지능형 에이전트(74)는 사용자와의 음성 대화가 가능하도록 다이얼로그 인터페이스를 제공할 수 있다. 상기 다이얼로그 인터페이스는 사용자의 음성 입력에 응답을 디스플레이 또는 스피커를 통해 출력하는 과정을 의미할 수 있다. 여기서 상기 다이얼로그 인터페이스를 통해 출력하는 최종 결과물은 전술한 ASR 동작, NLU 동작 및 TTS 동작에 기초할 수 있다.
TTS(Text-to-Speech)
도 8에 도시된 지능형 디바이스(10)는, TTS 장치(100) 또는 다른 장치에 의해 처리된 음성을 출력하기 위한 오디오 출력 장치(110)를 포함할 수 있다.
본 명세서의 일 실시예는 TTS 장치(100)에 포함될 수 있는 컴퓨터 판독/실행 가능한 명령들을 포함할 수 있다. 도 8는 TTS 장치(100)에 포함된 복수의 구성 요소들을 개시하지만, 개시되지 않은 구성요소들이 TTS 장치(100)에 포함될 수도 있음은 물론이다.
TTS 장치(100)에 개시된 몇몇 구성요소들은 단일 구성요소로서, 하나의 장치에서 여러 번 나타날 수 있다. 예를 들어, TTS 장치(100)는 복수의 입력 장치(120), 출력 장치(130) 또는 복수의 컨트롤러/프로세서(140)를 포함할 수 있다. 또한, 도 8에 도시된 구성요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 적어도 하나의 구성요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다.
복수의 TTS 장치(100)가 하나의 지능형 디바이스(10)에 적용될 수도 잇다. 그러한 다중 장치 시스템에서 TTS 장치(100)는 음성 합성 프로세스의 다양한 측면들을 수행하기 위한 서로 다른 구성요소들을 포함할 수 있다. 도 8에 도시된 TTS 장치(100)는 예시적인 것이며, 독립된 장치일 수 있으며, 보다 큰 장치 또는 시스템의 일 구성요소로 구현될 수도 있다.
도 8를 참조하면, TTS 장치(100)는 TTS 장치(100) 또는 다른 장치에 의해 처리된 음성을 출력하기 위한 음성 출력 장치(130)를 포함할 수 있다. 음성 출력 장치(130)는 스피커, 헤드폰, 또는 음성을 전파하는 다른 적절한 구성요소를 포함할 수 있다. 음성 출력 장치(130)는 TTS 장치(100)에 통합되거나, TTS 장치(100)와 분리되어 구현될 수 있다.
TTS 장치(100)는 TTS 장치(100)의 구성요소들 사이에 데이터를 전달하기 위한 어드레스/데이터 버스(190)를 포함할 수 있다. TTS 장치(100) 내의 각 구성요소들은 버스(190)를 통해 다른 구성요소들과 직접적으로 연결될 수 있다. 한편, TTS 장치(100) 내의 각 구성요소들은 TTS 모듈(170)과 직접적으로 연결될 수도 있다.
TTS 장치(100)는 프로세서(140)를 포함할 수 있다. 프로세서(140)는 소프트웨어를 구동하여 프로세서(140)와 연결된 전자 장치의 적어도 하나의 다른 구성요소를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 프로세서(140)는 다른 구성 요소로부터 수신된 명령 또는 데이터를 휘발성 메모리(예를 들어, RAM)로부터 로드하여 처리하고, 결과 데이터를 비휘발성 메모리 (예를 들어, ROM)에 저장할 수 있다. 프로세서(140)는 메인 프로세서(예를 들어, CPU(central processing unit) 또는 AP(application processor)), 및 이와는 독립적으로 운영되고, 추가적으로 또는 대체적으로 메인 프로세서보다 저전력을 사용하거나 또는 지정된 기능에 특화된 보조 프로세서를 포함할 수 있다. 이때, 보조 프로세서는 메인 프로세서와 별개로 임베디드되어 운영될 수 있다.
TTS 장치(100)는 데이터 및 명령을 저장하기 위한 스토리지(160)를 포함할 수 있다. 스토리지(160)는 마그네틱 스토리지, 광학식 스토리지, 고체 상태(solid-state) 스토리지 타입 등을 포함할 수 있다.
TTS 장치(100)는 입력 장치(120) 또는 출력 장치(130)를 통해 착탈식 또는 외장 메모리(예를 들어, 분리형 메모리 카드, 메모리 키 드라이브, 네트워크 스토리지 등)에 접속될 수 있다.
TTS 장치(100) 및 다양한 구성요소들을 동작시키기 위한 프로세서(140)에서 처리될 컴퓨터 명령(computer instructions)은, 프로세서(140)에 의해 실행될 수 있고, 메모리(150), 스토리지(160), 외부 디바이스(도 8의 10) 또는 후술할 TTS 모듈(170)에 포함된 메모리나 스토리지에 저장될 수 있다. 대안적으로, 실행 가능한 명령의 전부 또는 일부는 소프트웨어에 추가하여 하드웨어 또는 펌웨어에 내장될 수도 있다. 본 명세서의 일 실시예는 예를 들어, 소프트웨어, 펌웨어 및/또는 하드웨어의 다양한 조합으로 구현될 수 있다.
TTS 장치(100)는 입력 장치(120), 출력 장치(130)를 포함한다. 예를 들어, 상기 입력 장치(120)는 마이크로폰, 터치 입력 장치, 키보드, 마우스, 스타일러스 또는 다른 입력 장치와 같은 오디오 출력 장치(110)를 포함할 수 있다. 상기 출력 장치(130)는 디스플레이(visual display or tactile display), 오디오 스피커, 헤드폰, 프린터 또는 기타 출력 장치가 포함될 수 있다. 입력 장치(120) 및/또는 출력 장치(130)는 또한 USB(Universal Serial Bus), FireWire, Thunderbolt 또는 다른 연결 프로토콜과 같은 외부 주변 장치 연결용 인터페이스를 포함할 수 있다. 입력 장치(120) 및/또는 출력 장치(130)는 또한 이더넷 포트, 모뎀 등과 같은 네트워크 연결을 포함할 수 있다. 무선 주파수(RF), 적외선(infrared), 블루투스(Bluetooth), 무선 근거리 통신망(WLAN)(WiFi 등)과 같은 무선 통신 장치 또는 5G 네트워크, LTE(Long Term Evolution) 네트워크, WiMAN 네트워크, 3G 네트워크와 같은 무선 네트워크 무선 장치를 포함할 수 있다. TTS 장치(100)는 입력 장치(120) 및/또는 출력 장치(130)를 통해 인터넷 또는 분산 컴퓨팅 환경(distributed computing environment)을 포함할 수도 있다.
TTS 장치(100)는 텍스트 데이터를 음성을 포함하는 오디오 파형을 처리하기 위한 TTS 모듈(170)을 포함할 수 있다.
TTS 모듈(170)은 버스(190), 입력 장치(120), 출력 장치(130), 오디오 출력 장치(110), 프로세서(140) 및/또는 TTS 장치(100)의 다른 구성요소에 접속될 수 있다.
텍스트 데이터(textual data)의 출처는 TTS 장치(100)의 내부 구성요소에 의해 생성된 것일 수 있다. 또한, 텍스트 데이터의 출처는 키보드와 같이 입력 장치(120)로부터 수신되거나, 네트워크 연결을 통해 TTS 장치(100)로 전송될 것일 수 있다. 텍스트는 TTS 모듈(170)에 의해 스피치(speech)로 변환하기 위한 텍스트, 숫자 및/또는 문장 부호(punctuation)를 포함하는 문장의 형태일 수 있다.
입력 텍스트는 TTS 모듈(170)에 의한 처리를 위하여, 특수 주석(special annotation)을 포함할 수 있으며, 특수 주석을 통해 특정 텍스트가 어떻게 발음되어야 하는지를 지시할 수 있다. 텍스트 데이터는 실시간으로 처리되거나 나중에 저장 및 처리될 수 있다.
TTS 모듈(170)은 전처리부(Front End, 171), 음성 합성 엔진(Speech Synthesis Engine, 172) 및 TTS 저장부(180)를 포함할 수 있다. 전처리부(171)는 입력 테스트 데이터를 음성 합성 엔진(172)에 의한 처리를 위해 기호 언어 표현(symbolic linguistic representation)으로 변환할 수 있다. 음성 합성 엔진(172)은 주석된 음성 단위 모델(annotated phonetic units models)과 TTS 저장부(180)에 저장된 정보를 비교하여 입력 텍스트를 음성으로 변환할 수 있다. 전처리부(171) 및 음성 합성 엔진(172)은 임베디드된 내부 프로세서 또는 메모리를 포함할 수 있거나, TTS 장치(100)에 포함된 프로세서(140) 및 메모리(150)를 이용할 수 있다. 전처리부(171) 및 음성 합성 엔진(172)을 동작시키기 위한 명령들은 TTS 모듈(170), TTS 장치(100)의 메모리(150) 및 스토리지(160) 또는 외부 장치 내에 포함될 수도 있다.
TTS 모듈(170)로의 텍스트 입력은 프로세싱을 위해 전처리부(171)로 전송될 수 있다. 전처리부(1710)는 텍스트 정규화(text normalization), 언어 분석(linguistic analysis), 언어 운율 생성(linguistic prosody generation)을 수행하기 위한 모듈을 포함할 수 있다.
전처리부(171)는 텍스트 정규화 동작을 수행하는 동안, 텍스트 입력을 처리하고 표준 텍스트(standard text)를 생성하여, 숫자(numbers), 약어(abbreviations), 기호(symbols)를 쓰여진 것과 동일하게 변환한다.
전처리부(171)는 언어 분석 동작을 수행하는 동안, 정규화된 텍스트의 언어를 분석하여 입력 텍스트에 대응하는 일련의 음성학적 단위(phonetic units)를 생성할 수 있다. 이와 같은 과정은 발음 표기(phonetic transcription)로 호칭될 수 있다. 음성 단위(phonetic units)는 최종적으로 결합되어 음성(speech)으로서 TTS 장치(100)에 의해 출력되는 사운드 단위(sound units)의 심볼 표현을 포함한다. 다양한 사운드 유닛들이 음성 합성을 위해 텍스트를 분할하는데 사용될 수 있다. TTS 모듈(170)은 음소(phonemes, 개별 음향), 하프-음소(half-phonemes), 다이폰(di-phones, 인접한 음소의 전반과 결합된 하나의 음소의 마지막 절반), 바이폰(bi-phones, 두 개의 연속적인 음속), 음절(syllables), 단어(words), 문구(phrases), 문장(sentences), 또는 기타 단위들에 기초하여 음성을 처리할 수 있다. 각 단어는 하나 이상의 음성 단위(phonetic units)에 매핑될 수 있다. 이와 같은 매핑은 TTS 장치(100)에 저장된 언어 사전(language dictionary)을 이용하여 수행될 수 있다.
전처리부(171)에 의해 수행되는 언어 분석은 또한 접두사(prefixes), 접미사(suffixes), 구(phrases), 구두점(punctuation), 구문론 경계(syntactic boundaries)와 같은 서로 다른 문법적 요소들 확인하는 과정을 포함할 수 있다. 이와 같은 문법적 구성요소는 TTS 모듈(1700)에 의해 자연스러운 오디오 파형 출력을 만드는데 사용될 수 있다. 상기 언어 사전은 또한 TTS 모듈(170)에 의해 발생할 수 있는 이전에 확인되지 않은 단어 또는 문자 조합을 발음하는데 사용될 수 있는 문자 대 소리 규칙(letter-to-sound rules) 및 다른 도구들을 포함할 수 있다. 일반적으로 언어 사전에 포함된 정보들이 많을 수록 고 품질의 음성 출력을 보장할 수 있다.
상기 언어 분석에 기초하여, 전처리부(171)는 음성 단위(phonetic units)에 최종 음향 단위가 최종 출력 음성에서 어떻게 발음되어야 하는지를 나타내는 운율 특성(prosodic characteristics)으로 주석 처리된 언어 운율 생성을 수행할 수 있다.
상기 운율 특성은 음향 특징(acoustic features)으로도 호칭될 수 있다. 이 단계의 동작을 수행하는 동안, 전처리부(171)는 텍스트 입력을 수반하는 임의의 운율 주석(prosodic annotations)을 고려하여 TTS 모듈(170)에 통합할 수 있다. 이와 같은 음향 특징(acoustic features)은 피치(pitch), 에너지(energy), 지속 시간(duration) 등을 포함할 수 있다. 음향 특징의 적용은 TTS 모듈(170)이 이용할 수 있는 운율 모델(prosodic models)에 기초할 수 있다. 이러한 운율 모델은 특정 상황에서 음성 단위(phonetic units)가 어떻게 발음되어야 하는지를 나타낸다. 예를 들어, 운율 모델은 음절에서 음소의 위치(a phoneme's position in a syllable), 단어에서 음절의 위치(a syllable's position in a word), 문장 또는 구문에서 단어의 위치(a word's position in a sentence or phrase), 인접한 음운 단위(neighboring phonetic units) 등을 고려할 수 있다. 언어 사전과 마찬가지로, 운율 정보(prosodic model)의 정보가 많을수록 고품질의 음성 출력이 보장될 수 있다.
전처리부(171)의 출력은, 운율 특성(prosodic characteristics)으로 주석 처리된 일련의 음성 단위를 포함할 수 있다. 상기 전처리부(171)의 출력은 기호식 언어 표현(symbolic linguistic representation)으로 호칭될 수 있다. 기호식 언어 표현은 음성 합성 엔진(172)에 전송될 수 있다. 상기 음성 합성 엔진(172)은 오디오 출력 장치(110)를 통해 사용자에게 출력하기 위해 스피치(speech)를 오디오 파형(audio waveform)으로의 변환 과정을 수행한다. 음성 합성 엔진(172)은 입력 텍스트를 효율적인 방식으로 고품질의 자연스러운 음성으로 변환하도록 구성될 수 있다. 이러한 고품질의 스피치는 가능한 한 화자(human speaker)와 유사하게 발음되도록 구성될 수 있다.
음성 합성 엔진(172)은 적어도 하나 이상의 다른 방법을 이용하여 음성 합성을 수행할 수 있다.
유닛 선택 엔진(Unit Selection Engine, 173)은 녹음된 스피치 데이터 베이스(recorded speech database)를, 상기 전처리부(171)에 의해 생성된 기호식 언어 표현(symbolic linguistic representation)과 대조한다. 유닛 선택 엔진(173)은 상기 심볼 언어 표현과 스피치 데이터베이스의 음성 오디오 유닛을 매칭한다. 음성 출력(speech output)을 형성하기 위해 매칭 유닛이 선택되고, 선택된 매칭 유닛들이 함께 연결될 수 있다. 각 유닛은 .wav 파일(피치, 에너지 등)과 연관된 다양한 음향 특성들의 설명(description)과 함께, 특정 사운드의 짧은 ,wav 파일과 같은 음성 유닛(phonetic unit)에 대응하는 오디오 파형(audio waveform) 뿐 아니라, 상기 음성 유닛이 단어, 문장 또는 문구, 이웃 음성 유닛에 표시되는 위치와 같은 다른 정보들을 포함할 수 있다.
유닛 선택 엔진(173)은 자연스러운 파형을 생성하기 위하여 유닛 데이터 베이스 내의 모든 정보를 이용하여 입력 텍스트를 매칭시킬 수 있다. 유닛 데이터 베이스는 유닛들을 스피치로 연결하기 위해 서로 다른 옵션들을 TTS 장치(100)에 제공하는 다수의 음성 유닛들의 예시를 포함할 수 있다. 유닛 선택의 장점 중 하나는, 데이터 베이스의 크기에 따라 자연스러운 자연스러운 음성 출력이 생성될 수 있다는 것이다. 또한, 유닛 데이터 베이스가 클수록 TTS 장치(100)는 자연스러운 음성을 구성할 수 있게 된다.
한편, 음성 합성은 전술한 유닛 선택 합성 외에 파라미터 합성 방법이 존재한다. 파라미터 합성은 인공적인 음성 파형을 생성하기 위해 주파수, 볼륨, 잡음과 같은 합성 파라미터들이 파라미터 합성 엔진(175), 디지털 신호 프로세서, 또는 다른 오디오 생성 장치에 의해 변형될 수 있다.
파라미터 합성은, 음향 모델 및 다양한 통계 기법을 사용하여 기호식 언어 표현(symbolic linguistic representation) 원하는 출력 음성 파라미터와 일치시킬 수 있다. 파라미터 합성에는 유닛 선택과 관련된 대용량의 데이터베이스 없이도 음성을 처리할 수 있을 뿐 아니라, 높은 처리 속도로 정확한 처리가 가능하다. 유닛 선택 합성 방법 및 파라미터 합성 방법은 개별적으로 수행되거나 결합되어 수행되어 음성 오디오 출력을 생성할 수 있다.
파라미터 음성 합성은 다음과 같이 수행될 수 있다. TTS 모듈(170)은 오디오 신호 조작에 기초하여 기호식 언어 표현(symbolic linguistic representation)을 텍스트 입력의 합성 음향 파형(synthetic acoustic waveform)으로 변환이 가능한 음향 모델(acoustic model)을 포함할 수 있다. 상기 음향 모델은, 입력 음성 단위 및/또는 운율 주석(prosodic annotations)에 특정 오디오 파형 파라미터(specific audio waveform parameters)를 할당하기 위해 파라미터 합성 엔진(175)에 의해 사용될 수 있는 규칙(rules)을 포함할 수 있다. 상기 규칙은 특정 오디오 출력 파라미터(주파수, 볼륨 등)가 전처리부(171)로부터의 입력 기호식 언어 표현의 부분에 대응할 가능성을 나타내는 스코어를 계산하는데 이용될 수 있다.
파라미터 합성 엔진(175)은 합성될 음성을 입력 음성 유닛 및/또는 운율 주석과 매칭시키기 위해 복수의 기술들이 적용될 수 있다. 일반적인 기술 중 하나는 HMM(Hidden Markov Model)을 사용한다, HMM은 오디오 출력이 텍스트 입력과 일치해야 하는 확률을 결정하는데 이용될 수 있다. HMM은 원하는 음성을 인공적으로 합성하기 위해, 언어 및 음향 공간의 파라미터들을 보코더(디지털 보이스 인코더)에 의해 사용될 파라미터들로 전환시키는데 이용될 수 있다.
TTS 장치(100)는 유닛 선택에 사용하기 위한 음성 유닛 데이터베이스를 포함할 수 있다.
상기 음성 유닛 데이터 베이스는 TTS 스토리지(180), 스토리지(160) 또는 다른 스토리지 구성에 저장될 수 있다. 상기 음성 유닛 데이터 베이스는 레코딩된 스피치 발성을 포함할 수 있다. 상기 스피치 발성은 발화 내용에 대응되는 텍스트일 수 있다. 또한, 음성 유닛 데이터 베이스는 TTS 장치(100)에서 상당한 저장 공간을 차지하는 녹음된 음성(오디오 파형, 특징 벡터 또는 다른 포맷의 형태)을 포함할 수 있다. 음성 유닛 데이터베이스의 유닛 샘플들은 음성 단위(음소, 다이폰, 단어 등), 언어적 운율 레이블, 음향 특징 시퀀스, 화자 아이덴티티 등을 포함하는 다양한 방법으로 분류될 수 있다. 샘플 발화(sample utterance)는 특정 음성 유닛에 대한 원하는 오디오 출력에 대응하는 수학적 모델을 생성하는데 사용될 수 있다.
음성 합성 엔진(172)은 기호화된 언어 표현을 매칭할 때, 입력 텍스트(음성 단위 및 운율 기호 주석 모두를 포함)와 가장 근접하게 일치하는 음성 유닛 데이터베이스 내의 유닛을 선택할 수 있다. 일반적으로 음성 유닛 데이터 베이스가 클 수록 선택 가능한 유닛 샘플 수가 많아서 정확한 스피치 출력이 가능하게 된다.
TTS 모듈(213)로부터 음성 출력을 포함하는 오디오 파형(audio waveforms)은 사용자에게 출력하기 위해 오디오 출력 장치(110)로 전송될 수 있다. 음성을 포함하는 오디오 파형은 일련의 특징 벡터(feature vectors), 비 압축 오디오 데이터(uncompressed audio data) 또는 압축 오디오 데이터와 같은 복수의 상이한 포맷으로 저장될 수 있다. 예를 들어, 음성 출력은 상기 전송 전에 인코더/디코더에 의해 인코딩 및/또는 압축될 수 있다. 인코더/디코더는 디지털화된 오디오 데이터, 특징 벡터 등과 같은 오디오 데이터를 인코딩 및 디코딩할 수 있다. 또한 인코더/디코더의 기능은 별도의 컴포넌트 내에 위치될 수 있거나, 프로세서(140), TTS 모듈(170)에 의해 수행될 수도 있음은 물론이다.
한편, 상기 TTS 스토리지(180)는 음성 인식(speech recognition)을 위해 다른 정보들을 저장할 수 있다.
TTS 스토리지(180)의 컨텐츠는 일반적인 TTS 사용을 위해 준비될 수도 있고, 특정 애플리케이션에서 사용될 가능성이 있는 소리 및 단어를 포함하도록 맞춤화될 수 있다. 예를 들어, GPS 장치에 의해 TTS 처리를 위해 TTS 스토리지(180)는 위치 및 내비게이션에 특화된 맞춤형 음성을 포함할 수 있다.
또한 예를 들어, TTS 스토리지(180)는 개인화된 원하는 음성 출력에 기초하여 사용자에게 커스터마이징될 수도 있다. 예를 들어, 사용자는 출력되는 보이스가 특정 성별, 특정 억양, 특정 속도, 특정 감정(예를 들어, 행복한 음성)을 선호할 수 있다. 음성 합성 엔진(172)은 이와 같은 사용자 선호도를 설명하기 위하여 특수 데이터 베이스 또는 모델(specialized database or model)을 포함할 수 있다.
TTS 장치(100)는 또한 다중 언어로 TTS 처리를 수행하도록 구성될 수 있다. 각 언어에 대해, TTS 모듈(170)은 원하는 언어로 음성을 합성하기 위해 특별히 구성된 데이터, 명령 및/또는 구성 요소를 포함할 수 있다.
성능 향상을 위해 TTS 모듈(213)은 TTS 처리 결과에 대한 피드백에 기초하여 TTS 스토리지(180)의 내용을 수정하거나 갱신할 수 있으므로, TTS 모듈(170)이 훈련 코퍼스(training corpus)에서 제공되는 능력 이상으로 음성 인식을 향상시킬 수 있다.
TTS 장치(100)의 처리 능력이 향상됨에 따라, 입력 텍스트가 갖는 감정 속성을 반영하여 음성 출력이 가능하다. 또는 TTS 장치(100)는 상기 입력 텍스트에 감정 속성에 포함되어 있지 않더라도, 입력 텍스트를 작성한 사용자의 의도(감정 정보)를 반영하여 음성 출력이 가능하다.
TTS 장치는 화자 설정을 위한 화자 설정부(177)를 포함할 수 있다.
화자 설정부(177)는 스크립트에 등장하는 캐릭터 별로 각각 화자를 설정할 수 있다. 화자 설정부(177)은 TTS 모듈(170)에 통합되거나, 전처리부(171) 또는 음성 합성 엔진(172)의 일부로서 통합될 수 있다. 화자 설정부(177)는 화자 데이터에 포함된 메타 데이터를 이용하여 입력 텍스트를 설정된 화자의 음성으로 합성되도록 할 수 있다.
이때, 메타 데이터는 마크업 언어(Markup Language)가 이용될 수 있으며, 바람직하게는 SSML(Speech Synthesis Markup Language)가 이용될 수도 있다.
본 명세서의 일 실시에에 따른 음성 합성 장치는 롬바드 음성 합성 장치를 구현할 수 있다. 이하, 명세서에서 롬바드 효과를 구현하는 음성 합성 방법과 이를 구현하기 위한 롬바드 음성 합성 장치의 동작을 상세히 설명하기로 한다.
롬바드 음성 합성 장치
롬바드 음성 합성 장치(Lombard TTS Device)는 전술한 TTS 장치(100)를 이용하여 롬바드 효과(Lombard Effect)를 구현하는 음성 합성 장치를 지칭한다. 롬바드 효과에서 화자는 주위의 잡음을 극복하기 위하여 목소리의 음의 높낮이(pitch) 또는 억양(inflection) 등을 주동적으로 변화시킨다.
본 명세서의 일 실시예에 따른 지능형 디바이스(10)는 입력 장치를 포함할 수 있고, 이때, 입력 장치는 마이크로폰을 포함할 수 있다. 마이크로폰은 음성인식용으로 구비된 것으로 외부 소음 또는 화자의 입력 음성을 수신하여 전기적인 신호로 변환할 수 있다. 마이크로폰은 상시 턴온 상태로 제어되어 음향 신호를 음성 합성 장치로 전달할 수 있다.
롬바드 음성 합성 장치의 프로세서(140)는 전술한 TTS 장치(100)와 다른 여러가지 음성 처리 동작을 수행할 수 있다. 일 례로, 프로세서(140)는 마이크로폰으로 입력되는 음향 신호를 이용하여 음성 합성 장치의 주변 환경에서 발생하는 외부 소음을 측정할 수 있다. 예를 들어, 프로세서(140)는 마이크로폰으로 수신되는 음향 신호를 이용하여 외부 소음을 측정하고, 측정된 외부 소음의 정도를 적어도 하나 이상의 레벨로 분류할 수 있다.
프로세서(140)는 수신된 외부 소음에 대한 지능형 디바이스(10)의 적절한 음량의 크기를 결정할 수 있다. 일 례로, 프로세서(140)는 외부 소음의 크기에 비례하여 스피커의 출력 음향의 크기를 증가하도록 제어할 수 있다. 다른 례로, 프로세서(140)는 외부 소음의 크기가 미리 설정된 임계치를 초과하는 경우에 지능형 디바이스(10)의 출력 음향에 특정 발화 스타일이 적용되도록 TTS 장치(100)를 제어할 수 있다. 이때, 상기 특정 발화 스타일은 롬바드 스타일(Lombard Style)일 수 있다. 롬바드 스타일은 롬바드 효과가 반영된 발화 스타일을 지칭한다.
프로세서(140)는 딥러닝 모델을 이용하여 출력 음향을 합성할 수 있다. 이때, 출력 음향은 PCM(pulse code modulation) 데이터로 저장될 수 있다.
프로세서(140)는 롬바드 지시자(Lombard Indicator)를 생성할 수 있다. 프로세서(140)는 롬바드 지시자의 존재 여부에 따라 음성 합성 장치의 제어 모드를 변경할 수 있다. 음성 합성 장치의 제어 모드는 외부 음향의 크기에 비례하여 스피커에 의해 출력되는 음향 신호의 크기를 증가시키는 제1 제어 모드, 또는 스피커에 의해 출력되는 음향 신호에 특정 신호 패턴을 부여하는 제2 제어 모드를 포함할 수 있다.
프로세서(140)는 TTS 모듈로부터 생성된 합성 음성이 요구 음량으로 증폭되어 스피커를 통해 출력되도록 제어할 수 있다. 요구 음량은 전술한 바와 같이, 지능형 디바이스(10)의 외부 소음의 정도에 따라 달리 설정될 수 있다. 예를 들어, 외부 소음의 음향의 크기가 클수록 스피커에 의해 출력되는 음향 신호의 크기는 증가될 수 있다.
본 명세서의 일 실시예에 따른 지능형 디바이스(10)는 출력 장치를 포함할 수 있고, 이때, 출력 장치는 스피커를 포함할 수 있다. 스피커는 지능형 디바이스(10)의 음성 합성 프로세싱 결과 생성된 음성을 출력할 수 있다.
본 명세서의 일 실시예에 따른 롬바드 음성 합성 방법은 도 5 내지 도 8을 참조하여 설명한 TTS 장치(100)에서 구현될 수 있다. 이하 필요한 도면들을 참조하여 본 명세서의 일 실시예에 따른 롬바드 스타일 음성 합성 방법과 이를 구현하기 위한 지능형 디바이스(10)의 동작을 상세히 설명하도록 한다.
도 9는 본 명세서의 일 실시예에 따른 롬바드 스타일 음성 합성 방법의 개략적인 흐름도이다.
프로세서(140)는 화자의 음성 데이터로부터 발화 특징을 추출하고, 상기 발화 특징을 나타내는 특징 벡터를 생성할 수 있다(S110).
화자는 음성 샘플을 제공하는 성우, 배우, 또는 가수 등을 포함할 수 있으며, 상기 음성 샘플은 상기 성우, 배우, 또는 가수의 음성을 포함하는 음성 데이터셋이다. 발화 특징은 화자의 음성 데이터에 포함된 화자의 발화 속도, 발음 강세, 휴지 구간, 음 높이, 기저주파수, 모음 구간의 발화 지속시간, HNR 비(harmonic-to-noise ratio) 또는 억양 중 적어도 하나 이상을 포함할 수 있다. 이때, 발화 특징은 발성 특징과 상호 혼용될 수 있으며, 구분되는 의미를 갖는 것은 아니다.
특징 벡터는 음성 데이터에 포함된 화자의 발화 속도, 발음 강세, 휴지 구간, 음 높이, 기저주파수, 모음 구간의 발화 지속시간, HNR 비 또는 억양 중 적어도 하나 이상을 포함하는 상기 발화 특징으로부터 추출되는 것을 특징으로 할 수 있다.
이때, 프로세서(140)는 화자의 음성 데이터를 미리 학습된 비지도 학습 모델(unsupervised learning model)에 입력하여 발화 특징을 추출할 수 있다. 본 명세서의 실시예에 따른 비지도 학습 모델은 특성 추출 모델로 지칭될 수 있다. 일 례로, 특성 추출 모델은 오토인코더(autoencoder)와 같은 모델일 수 있다. 오토인코더는 입력층(input layer)과 은닉층(hidden layer) 구간을 인코더(encoder)라고 지칭하고, 은닉층과 출력층(output layer) 구간을 디코더(decoer)라고 지칭한다. 오토인코더의 주요한 동작은 입력 벡터의 차원을 축소하는 것이다.
특성 추출 모델은 화자의 음성 데이터가 입력되면 음성 데이터 중 화자의 음색에 해당하는 특징 벡터를 추출하는 데 이용될 수 있다.
프로세서(140)는 미리 학습된 음성 합성 모델(text-to-speech synthesis model)에 상기 특징 벡터 및 텍스트 데이터를 입력할 수 있다(S120).
텍스트 데이터는 합성하고자 하는 음성을 나타내는 내용에 해당한다. 추론 단계에서 음성 합성 모델은 사전에 미리 학습된 인공 신경망 모델을 이용할 수 있으며, 상기 인공 신경망 모델은 서버(도 5의 60) 또는 5G 네트워크에서 학습 과정이 수행될 수 있다. 음성 합성 모델의 생성 단계에 관해서는 도 10 에서 후술하도록 한다.
프로세서(140)는 음성 합성 모델에서 합성 음성의 발화 스타일을 조절하는 조절 파라미터에 대한 특정 값을 상기 음성 합성 모델에 입력할 수 있다(S130).
조절 파라미터는 음성 합성 모델에서 합성 음성의 발화 스타일이 적용되는 정도에 대응하는 특정 값을 갖는다. 이때, 특정 값은 발화 스타일의 적용 정도를 결정하는 데 이용되는 가중치(weight)일 수 있다. 본 명세서의 실시예에서 조절 파라미터는 합성 음성에 롬바드 효과를 부여하는 정도를 조절하기 위한 인자로서 이용된다.
일 례로, 롬바드 효과를 부여하는 정도가 0~10의 범위를 갖는 경우에 프로세서(140)가 0의 값을 갖는 조절 파라미터를 음성 합성 모델에 입력하면 롬바드 효과가 적용되지 않는 합성 음성이 생성될 수 있다. 반면에, 프로세서(140)가 10의 값을 갖는 조절 파라미터를 음성 합성 모델에 입력하면 롬바드 효과가 크게 적용된 합성 음성이 생성될 수 있다. 즉, 롬바드 효과가 합성 음성에 적용되는 정도는 조절 파라미터에 대한 특정 값에 비례하여 결정될 수 있다.
조절 파라미터는 언어 학습 모델의 학습 과정에서 학습되는 값일 수도 있다. 일 례로, 합성 음성에 롬바드 효과가 적용되는 정도를 평가하여 상기 롬바드 효과가 더욱 두드러지게 적용될수록 1에 가까운 값을 주고, 롬바드 효과가 적용되지 않을수록 0에 가까운 값을 주면서 음성 학습 모델을 학습할 수도 있다.
또한, 본 명세서의 실시예에서 조절 파라미터는 외부 디바이스(10)의 주변 환경에서 발생하는 외부 소음의 레벨에 따라 달리 설정될 수 있으며, 그 결과 외부 소음의 정도에 따라 롬바드 효과는 달리 적용될 수 있다. 이에 관한 구체적인 내용은 도 11에서 후술하도록 한다.
프로세서(140)는 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성할 수 있다(S140).
프로세서(140)는 인공 신경망 기반의 음성 합성 모델을 이용하여 음성을 합성할 수 있다. 음성 합성 모델은 특정 화자의 음성 특성을 이용하는 것이 특징이다. 또한, 음성 합성 모델은 롬바드 스타일이 적용되는 정도를 조절할 수 있는 조절 파라미터를 사용하는 것이 특징이다.
도 9에서 전술한 음성 합성 프로세싱은 적어도 하나 이상의 서버 또는 5G 네트워크에서 이루어질 수 있으나, 이에 한정되지 않는다. 일 에로, 적어도 하나 이상의 서버 또는 5G 네트워크에서 이루어질 수 있는 각각의 기능은 단말기에서도 수행될 수 있다. 이를 위해, 단말기는 복수의 프로세서들을 포함할 수 있다.
도 10은 본 명세서의 일 실시예에 적용되는 딥러닝 모델의 학습 방법을 설명하는 흐름도이다.
프로세서(140)는 통신 모듈을 통해 복수의 학습 텍스트 및 상기 복수의 학습 텍스트에 대응되는 학습 음성을 수신할 수 있다(S210).
프로세서(140)는 수신된 복수의 학습 텍스트 및 상기 복수의 학습 텍스트에 대응되는 학습 음성를 음성 합성 모델에 적용할 수 있다(S220).
프로세서(140)는 음성 합성 모델의 출력 값으로부터 생성된 합성 음성과 학습 음성을 비교하고, 오류 역전파 방식(back propagation)으로 상기 음성 합성 모델의 트레이닝을 수행할 수 있다(S230).
본 명세서의 다양한 실시예에 적용되는 음성 합성 모델은 RNN(recurrent neural network) 기반의 인공 신경망(artificial neural network) 모델일 수 있다. RNN은 강력한 동적 시스템으로서, 입출력 사이에 은닉층이 있고, 이 안에 연속 벡터로 표현되는 상태 값을 갖는다. RNN의 파라미터는 입력단 행렬 U, 상태 전이행렬 W, 출력단 행렬 V만으로 구성되지만 추론을 수행하면 시퀀스 길이만큼 펼쳐지면서 심층 구조가 생성된다. 나아가, LSTM(lon short-term memory), GRU(gated recurrent unit)과 같이 은닉층의 상태 값과 입력에 따라 입출력, 전이 정보의 흐름을 조절할 수 있는 모델을 사용할 수도 있다.
본 명세서의 다양한 실시예에 적용되는 인공 신경망 모델은 엔드 투 엔드(end-to-end)로 학습된 인공 신경망 모델일 수 있다.
본 명세서의 다양한 실시예에 적용되는 인공 신경망 모델의 학습 데이터로 이용되는 음성은 화자를 소음 환경에 노출시킨 후, 소음 환경에서 화자로부터 생성된 음성일 수 있다. 소음 환경에서 생성된 음성은 롬바드 효과(Lombard-effect)가 반영될 수 있다. 즉, 본 명세서의 실시예에 따른 인공 신경망 모델의 학습 데이터들 중 어느 하나인 음성은 소음환경에서 생성된 롬바드 효과가 반영된 음성일 수 있다.
본 명세서의 다양한 실시예에 적용되는 인공 신경망 모델은 엔드 투 엔드 음성 합성 모델의 일종인 글로벌 스타일 토큰(global style token) 기반의 tacotron을 이용할 수 있다.
도 11은 본 명세서의 일 실시예에 따른 음성 합성 방법을 설명하는 흐름도이다. 도 11을 구성하는 복수의 음성 합성 단계 중 도 9에서 전술한 내용과 공통되는 부분에 대한 구체적인 설명은 생략하고, 차이점을 위주로 설명하도록 한다.
프로세서(140)는 외부 소음의 레벨을 측정할 수 있다(S310).
프로세서(140)는 외부 디바이스(10)로부 수신된 주변 환경에서 발생한 음성 신호를 수신하고, 수신된 음성 신호로부터 소음 레벨을 측정할 수 있다. 일 례로, 소음 레벨은 0 에서 10의 범위로 설정될 수 있다.
프로세서(140)는 외부 소음의 레벨이 미리 설정된 임계치를 초과하는 경우에 조절 파라미터를 이용하여 합성 음성에 발화 스타일을 부여할 있다(S320: YES, S331). 반면에, 프로세서(140)는 외부 소음의 레벨이 미리 설정된 임계치를 초과하지 않는 경우에는, 조절 파라미터에 대한 가중치를 0으로 설정할 수도 있다(S320: NO, S332).
본 명세서의 다양한 실시예에서 프로세서(140)는 외부 소음의 레벨에 따라 합성 음성의 음량을 결정할 수 있다. 일 예로, 프로세서(140)는 외부 소음의 레벨에 비례하여 합성 음성의 음량을 결정할 수 있다. 임계치는 결정된 합성 음성의 음량이 외부 디바이스(10)의 출력 장치를 통해 출력할 수 있는 음량의 한계치에 도달하는 경우의 외부 소음의 레벨로 정의될 수 있다. 또, 임계치는 사용자에 의해 미리 설정된 값일 수도 있다.
조절 파라미터에 대한 가중치가 0으로 설정되는 경우에 합성 음성에는 발화 특징으로부터 추출된 특징 벡터 값이 반영되지 않으므로, 합성 음성에는 롬바드 효과가 적용되지 않는다. 조절 파라미터에 대한 가중치가 1에 가깝게 설정될수록 합성 음성에는 더 큰 정도의 롬바드 스타일이 적용될 수 있다.
본 명세서의 제1 실시에에 따른 음성 합성 방법에서 프로세서(140)는 측정된 외부 소음의 레벨에 비례하여 상기 조절 파라미터에 대한 가중치가 증가되도록 설정하라 수 있다.
본 명세서의 제2 실시예에 따른 음성 합성 방법에서 프로세서(140)는 외부 디바이스(10)로부터 사용자의 기동어를 포함한 음성 신호가 수신되는 경우에, 상기 음성 신호와 상기 음성 신호가 수신된 방향의 이미지로부터 사용자와 외부 디바이스(10) 간의 거리를 결정할 수 있다. 프로세서(140)는 결정된 거리에 따라 조절 파라미터에 대한 가중치가 조절되도록 설정할 수 있으며, 바람직하게는 거리가 늘어날수록 조절 파라미터에 대한 가중치도 비례하여 증가되도록 설정할 수 있다.
일 예로, 프로세서(140)는 전술한 제1 실시예에서 산정된 조절 파라미터에 대한 가중치에 대하여, 결정된 거리를 이용하여 추가적으로 가중치를 수정할 수 있다. 다른 예로, 프로세서(140)는 외부 소음의 레벨과 관계없이 결정된 거리만 이용하여 가중치를 산정할 수도 있다.
본 명세서의 제3 실시예에 따른 음성 합성 방법에서 프로세서(140)는 전술한 제1, 제2 실시예에서 획득할 수 있는 외부 소음의 레벨 및 사용자와 외부 디바이스(10) 간의 거리에 따라 조절 파라미터에 대한 가중치가 조절되도록 설정할 수도 있다. 이때, 음성 학습 모델에는 가중치 산정을 위한 인공 신경망 기반의 학습 모델이 더 포함될 수 있다. 상기 가중치 산정을 위한 학습 모델은 상기 외부 소음의 레벨 및 사용자와 외부 디바이스(10) 간의 거리 각각에 대하여 서로 다른 가중치를 설정하여 목적하는 조절 파라미터에 대한 특정 값이 출력되도록 설계될 수 있다.
본 명세서의 다양한 실시예에서 설명된 외부 디바이스(10)는 로봇, 자율주행차량, XR 장치, 스마트폰 또는 가전 중 적어도 하나 이상을 포함할 수 있으며, 전술한 적어도 하나 이상의 외부 디바이스(10)는 클라우드 네트워크에 연결된다. 여기서, AI 기술이 적용된 로봇, 자율주행차량, XR 장치, 스마트폰 또는 가전 등을 AI 장치 또는 지능형 디바이스(10)라고 지칭할 수도 있다.
클라우드 네트워크는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서 클라우드 네트워크는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.
AI 시스템을 구성하는 각 장치들은 클라우드 네트워크를 통해 서로 연결될 수 있다. 특히, 각 장치들은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.
이하 도 12 내지 도 14에서 후술하는 음성 합성 프로세싱은 적어도 하나 이상의 서버(60) 또는 5G 네트워크에서 이루어질 수 있으나, 이에 한정되지 않는다. 일 예로, 적어도 하나 이상의 서버(60) 또는 5G 네트워크에서 이루어질 수 있는 각각의 기능은 단말기(예를 들어, 도 8의 10)에서도 수행될 수 있다. 이를 위해, 단말기는 복수의 프로세서를 포함할 수 있다.
도 12 내지 도 14에서 음성 합성 프로세싱을 수행하는 서버(60) 또는 5G 네트워크를 명시적으로 도시하지는 않았으나, AI 장치는 상기 서버(60) 또는 5G 네트워크와 통신하여 AI 프로세싱된 정보를 수신하여 합성 음성(1240, 1340, 1440A, 1440B)을 출력하거나, AI 장치 내에 구비된 AI 모듈을 통해 AI 프로세싱된 정보를 수신하여 합성 음성(1240, 1340, 1440A, 1440B)을 출력할 수 있다.
도 12는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제1 구현예이다.
도 12를 참조하면, 지능형 디바이스(10)는 사용자(USER)의 음성 신호(1220) 및 주변 소음(1230)을 수신할 수 있다. 도 5 내지 도 11에서 전술한 바와 같이, 지능형 디바이스(10)는 서버(60) 또는 5G 네트워크로 수신된 음성 신호(1220) 및 주변 소음(1230)을 전송할 수 있다. 이하 도 12 내지 도 14에서 서버(60) 또는 5G 네트워크 중 서버(60)를 일 예로 삼아 본 명세서의 실시예에 따른 구현예들을 설명하나, 이에 한정되는 것은 아니다.
서버(60)는 수신된 음성 신호(1220)에 포함된 기동어에 응답하여 AI 프로세싱을 수행할 수 있으나, 이에 한정되는 것은 아니며 지능형 디바이스(10)도 AI 프로세싱을 수행할 수도 있다.
구체적으로, 도 9 내지 도 11에서 전술한 바와 같이, 서버(60)는 특정 화자의 음성 데이터의 특징 벡터를 추출하고, 추출된 특징 벡터와 텍스트 데이터를 음성 합성 모델에 입력할 수 있다. 서버(60)는 합성 음성(1240)의 발화 스타일을 조절하는 조절 파라미터에 대한 특정 값을 상기 음성 합성 모델에 입력할 수 있다. 또한, 서버(60)는 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성할 수 있다.
일 예로, 사용자(USER)는 "에어스타야, 화장실 위치를 알려줘"라는 내용을 포함하는 발화 음성을 지능형 디바이스(10)로 전달하고 있다. 이때, 지능형 디바이스(10)는 발화 음성을 서버(60)로 전송할 수 있다.
서버(60)는 수신된 발화 음성에 대응하는 응답에 관한 합성 음성 데이터를 생성할 수 있다. 이때, 지능형 디바이스(10)를 통해 수신된 주변 소음(1230)은 10dB로 측정되며, 20dB은 시계 초침이 움직이는 소리, 나뭇잎이 부딪히는 소리와 같이 매우 작은 소음의 크기로서 지능형 디바이스(10)가 응답을 사용자(USER)에게 전달함에 있어서 어려움이 없는 정도의 소음이다. 이때, 서버(60)는 롬바드 효과가 적용되지 않는 합성 음성 데이터를 생성하고, 이를 지능형 디바이스(10)로 전달할 수 있다. 즉, 이러한 경우 서버(60)는 롬바드 스타일의 적용 여부와 관련된 조절 파라미터의 가중치는 0 으로 설정될 수 있으며, 롬바드 스타일은 적용되지 않을 수 있다.
이와 같이, 주변 소음(1230)의 레벨이 미리 설정된 임계치 미만인 경우에 서버(60)는 음성 합성 데이터를 생성함에 있어서 롬바드 효과를 적용하지 않고, 지능형 디바이스(10)는 외부 소음의 레벨에 비례하여 출력 음향의 크기를 증가하도록 제어함으로써 주변 소음(1230)으로 인한 전달 장애를 해결할 수 있다.
그 결과, 지능형 디바이스(10)는 음성 합성 데이터를 수신하여 "화장실은 ㅇㅇ 방향으로 약 30m를 걸어가면 있습니다."라는 응답 정보를 출력할 수 있다.
도 13은 본 명세서의 일 실시예에 따른 음성 합성 방법의 제2 구현예이다.
도 13을 참조하면, 지능형 디바이스(10)는 사용자(USER)의 음성 신호(1320) 및 주변 소음(1330)을 수신할 수 있습니다.
구체적으로, 도 9 내지 도 11에서 전술한 바와 같이, 서버(60)는 특정 화자의 음성 데이터의 특징 벡터를 추출하고, 추출된 특징 벡터와 텍스트 데이터를 음성 합성 모델에 입력할 수 있다. 서버(60)는 합성 음성(1340)의 발화 스타일을 조절하는 조절 파라미터에 대한 특정 값을 상기 음성 합성 모델에 입력할 수 있다. 또한, 서버(60)는 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성할 수 있다.
일 예로, 사용자(USER)는 "에어스타야, 화장실 위치를 알려줘"라는 내용을 포함하는 발화 음성을 지능형 디바이스(10)로 전달하고 있다. 이때, 지능형 디바이스(10)는 발화 음성을 서버(60)로 전송할 수 있다.
서버(60)는 수신된 발화 음성에 대응하는 응답에 관한 합성 음성 데이터를 생성할 수 있다. 이때, 지능형 디바이스(10)를 통해 수신된 주변 소음(1330)은 100dB로 측정되며, 100dB은 열차 통과 시 철도변 소음와 같이 매우 큰 소음의 크기로서 지능형 디바이스(10)가 응답을 사용자(USER)에게 전달함에 있어서 어려움이 있는 정도의 소음이다. 이때, 서버(60)는 롬바드 효과가 적용되는 합성 음성 데이터를 생성하고, 이를 지능형 디바이스(10)로 전달할 수 있다. 즉, 이러한 경우 서버(60)는 롬바드 스타일의 적용 여부와 관련된 조절 파라미터의 가중치는 1에 가까운 값(예를 들어, 0.9) 으로 설정될 수 있으며, 롬바드 스타일은 크게 적용될 수 있다.
이와 같이, 주변 소음(1330)의 레벨이 미리 설정된 임계치를 초과하는 경우에 서버(60)는 음성 합성 데이터를 생성함에 있어서 롬바드 효과를 합성 음성(1340)에 적용함으로써 주변 소음(1330)으로 인한 전달 장애를 해결할 수 있다.
그 결과, 지능형 디바이스(10)는 음성 합성 데이터를 수신하여 롬바드 효과가 반영된 "화장실은 ㅇㅇ 방향으로 약 30m를 걸어가면 있습니다."라는 응답 정보를 출력할 수 있다.
도 14(a) 및 도 14(b)는 본 명세서의 일 실시예에 따른 음성 합성 방법의 제3 구현예이다.
도 도 14(a) 및 도 14(b)을 참조하면, 지능형 디바이스(10)는 사용자(USER)의 음성 신호(1420) 및 주변 소음(1430)을 수신할 수 있습니다.
구체적으로, 도 9 내지 도 11에서 전술한 바와 같이, 서버(60)는 특정 화자의 음성 데이터의 특징 벡터를 추출하고, 추출된 특징 벡터와 텍스트 데이터를 음성 합성 모델에 입력할 수 있다. 서버(60)는 합성 음성(1340)의 발화 스타일을 조절하는 조절 파라미터에 대한 특정 값을 상기 음성 합성 모델에 입력할 수 있다. 또한, 서버(60)는 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성할 수 있다.
일 예로, 사용자(USER)는 "에어스타야, 화장실 위치를 알려줘"라는 내용을 포함하는 발화 음성을 지능형 디바이스(10)로 전달하고 있다. 이때, 지능형 디바이스(10)는 발화 음성을 서버(60)로 전송할 수 있다.
서버(60)는 수신된 발화 음성에 대응하는 응답에 관한 합성 음성 데이터를 생성할 수 있다. 이때, 지능형 디바이스(10)를 통해 수신된 주변 소음(1430)은 80dB로 측정되며, 80dB은 지하철 내부 소음와 같이 중간 정도의 외부 소음의 크기로서 지능형 디바이스(10)가 응답을 사용자(USER)에게 전달함에 있어서 어느 정도 어려움이 있는 정도의 소음이다. 이때, 서버(60)는 롬바드 효과가 적용되는 합성 음성 데이터를 생성하고, 이를 지능형 디바이스(10)로 전달할 수 있다.
즉, 이러한 경우 서버(60)는 롬바드 스타일의 적용 여부와 관련된 조절 파라미터의 가중치는 중간 레벨의 값(예를 들어, 0.6)으로 설정될 수 있으며, 롬바드 스타일은 중간 정도의 레벨로 적용될 수 있다.
이와 같이, 주변 소음(1430)의 레벨이 미리 설정된 임계치를 초과하는 경우에 서버(60)는 음성 합성 데이터를 생성함에 있어서 롬바드 효과를 합성 음성(1440A, 1440B)에 적용함으로써 주변 소음(1430)으로 인한 전달 장애를 해결할 수 있다.
그 결과, 지능형 디바이스(10)는 음성 합성 데이터를 수신하여 롬바드 효과가 반영된 "화장실은 ㅇㅇ 방향으로 약 30m를 걸어가면 있습니다."라는 응답 정보를 출력할 수 있다. 다만, 롬바드 스타일의 적용 여부는 외부 소음의 크기뿐만 아니라 다른 요인에 의해서도 결정될 수 있으며, 이하 명세서에서 본 명세서의 제3 실시예에 따른 음성 합성 방법의 구현예를 설명하도록 한다.
본 명세서의 제3 실시예에 따른 음성 합성 방법에서 서버(60)는 지능형 디바이스(10)와 사용자(USER) 사이의 거리에 따라 조절 파라미터의 가중치를 조절할 수 있다.
구체적으로, 서버(60)는 외부 디바이스(10)로부터 사용자(USER)의 음성 신호(1420) 및 상기 음성 신호(1420)가 수신된 방향의 이미지를 수신할 수 있다.
서버(60)는 음성 신호(1420) 및 상기 음성 신호(1420)가 수신된 방향의 이미지로부터 사용자(USER)와 지능형 디바이스(10) 사이의 거리를 결정할 수 있다. 이때, 이미지는 이미지에 포함된 사용자(USER)와의 거리 관련 메타데이터를 포함할 수 있다. 즉, 서버(60)는 이미지를 분석함으로써 이미지에 포함된 사용자(USER)와의 거리를 예측 및/또는 결정할 수 있다.
서버(60)는 결정된 거리에 비례하도록 조절 파라미터에 대한 가중치를 증가시킬 수 있다.
도 14(a)에서 사용자(USER)와 지능형 디바이스(10) 사이의 거리는 0.5m이지만, 도 14(b)에서의 사용자(USER)와 지능형 디바이스(10) 사이의 거리는 2m이다. 지능형 디바이스(10)를 통해 출력되는 음량이 크더라도 사용자(USER)와 지능형 디바이스(10) 사이의 거리가 멀다면 더 낮은 주변 소음(1430)에 의하더라도 지능형 디바이스(10)의 응답 정보를 전달하는 데에 어려움이 있을 수 있다.
이에 따라, 서버(60)는 도 14(a)의 경우에는 조절 파라미터의 가중치를 0.6으로 설정하여 중간 정도의 롬바드 효과를 부여하여 합성 음성(1440A)을 출력하였다면, 도 14(b)의 경우에는 조절 파라미터의 가중치를 0.9로 설정하여 합성 음성(1440B)에 높은 정도의 롬바드 효과를 부여할 수 있다.
롬바드 효과에서 발화자는 주위의 잡음을 극복하기 위하여 목소리의 음의 높낮이(pitch) 또는 억양(inflection) 등을 주동적으로 변화시킨다. 일반적으로 기록된 음성 데이터셋은 조용한 환경에서 수집되기에, 기록된 음성 데이터셋에는 롬바드 효과가 나타나지 않는다. 즉 본 명세서의 다양한 실시예에 적용되는 딥러닝 모델의 학습 데이터에는 롬바드 효과가 반영된 데이터셋이 포함될 수 있으며, 학습된 딥러닝 모델은 롬바드 효과가 반영된 음성 합성 결과를 출력하는 데에 이용될 수 있다.
전술한 본 명세서는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 명세서의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 명세서의 등가적 범위 내에서의 모든 변경은 본 명세서의 범위에 포함된다.
Claims (20)
- 화자로부터 음성 데이터를 획득하는 단계;
외부 소음의 레벨을 측정하는 단계;
상기 음성 데이터로부터 발화 특징을 추출하고, 상기 발화 특징을 나타내는 특징 벡터를 생성하는 단계;
상기 특징 벡터, 텍스트 데이터 및 음성 합성을 제어하는 파라미터를 미리 학습된 음성 합성 모델(text-to-speech synthesis model)에 적용하는 단계; 및
상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성하는 단계를 포함하고,
상기 파라미터는 롬바드 효과(lombard-effect)의 적용 레벨을 조절하는 파라미터이고,
상기 측정된 외부 소음의 레벨이 미리 설정된 임계치를 초과하는 경우에, 상기 파라미터를 이용하여 상기 합성 음성에 상기 롬바드 효과를 부여하는 음성 합성 방법.
- 제1 항에 있어서,
상기 음성 합성 모델은,
복수의 학습 텍스트 및 상기 복수의 학습 텍스트에 대응되는 학습 음성을 이용하여 훈련된 인공 신경망 모델이고,
상기 학습 음성은, 소음환경에서 생성되어 롬바드 효과(lombard-effect)가 반영된 음성인 것을 특징으로 하는 음성 합성 방법.
- 제1 항에 있어서,
상기 특징 벡터를 생성하는 단계는,
상기 음성 데이터를 미리 학습된 비지도 학습 모델에 적용하여 발화 특징을 추출하는 것을 특징으로 하는 음성 합성 방법.
- 삭제
- 제1 항에 있어서,
상기 외부 소음의 레벨이 미리 설정된 임계치 미만인 경우에 상기 파라미터에 대한 가중치(weight)를 0으로 설정하는 음성 합성 방법.
- 제1 항에 있어서,
상기 임계치는,
외부 디바이스가 최대로 출력할 수 있는 한계 음량에 대응되는 외부 소음 레벨인 음성 합성 방법.
- 제1 항에 있어서,
상기 외부 소음의 레벨에 비례하여 상기 파라미터에 대한 가중치가 증가하도록 설정하는 단계를 더 포함하는 것을 특징으로 하는 음성 합성 방법.
- 제1 항에 있어서,
상기 음성 합성 모델은 RNN(recurrent neural network) 기반의 인공 신경망 모델인 것을 특징으로 하는 음성 합성 방법.
- 제1 항에 있어서,
상기 특징 벡터는,
상기 음성 데이터에 포함된 상기 화자의 발화 속도, 발음 강세, 휴지 구간, 음 높이, 기저주파수, 모음 구간의 발화 지속시간, HNR 비(harmonic-to-noise ratio) 또는 억양 중 적어도 하나를 포함하는 상기 발화 특징으로부터 추출되는 것을 특징으로 하는 음성 합성 방법.
- 제1 항에 있어서,
상기 음성 합성 모델은 엔드 투 엔드(End-to-End)로 학습된 인공 신경망 모델인 것을 특징으로 하는 음성 합성 방법.
- 제1 항에 있어서,
외부 디바이스로부터 사용자의 음성 신호 및 상기 음성 신호가 수신된 방향의 이미지를 수신하는 단계;
상기 음성 신호 및 상기 음성 신호가 수신된 방향의 이미지로부터 상기 사용자와 상기 외부 디바이스 간의 거리를 결정하는 단계; 및
상기 거리에 비례하여 상기 파라미터에 대한 가중치가 증가되도록 설정하는 단계;
를 더 포함하는 것을 특징으로 하는 음성 합성 방법.
- 메모리;
외부 서버와 통신하는 트랜시버(transceiver); 및
화자의 음성 데이터를 획득하고, 외부 소음의 레벨을 측정하고, 상기 음성 데이터로부터 발화 특징을 추출하고, 상기 발화 특징을 나타내는 특징 벡터를 생성하고, 상기 특징 벡터, 텍스트 데이터 및 음성 합성을 제어하는 파라미터를 미리 학습된 음성 합성 모델에 적용하고, 상기 음성 합성 모델의 출력값을 이용하여 합성 음성 데이터를 생성하는 프로세서를 포함하고,
상기 파라미터는 롬바드 효과의 적용 레벨을 조절하는 파라미터이고,
상기 측정된 외부 소음의 레벨이 미리 설정된 임계치를 초과하는 경우에, 상기 파라미터를 이용하여 상기 합성 음성에 상기 롬바드 효과를 부여하는 음성 합성 장치.
- 제12 항에 있어서,
상기 음성 합성 모델은,
복수의 학습 텍스트 및 상기 복수의 학습 텍스트에 대응되는 학습 음성을 이용하여 훈련된 인공 신경망 모델이고,
상기 학습 음성은, 소음환경에서 생성되어 롬바드 효과(lombard-effect)가 반영된 음성인 것을 특징으로 하는 음성 합성 장치. - 제12 항에 있어서,
상기 프로세서는,
상기 음성 데이터를 미리 학습된 비지도 학습 모델에 적용하여 발화 특징을 추출하는 것을 특징으로 하는 음성 합성 장치.
- 삭제
- 제12 항에 있어서,
상기 프로세서는 상기 외부 소음의 레벨이 미리 설정된 임계치 미만인 경우에 상기 파라미터에 대한 가중치(weight)를 0으로 설정하는 음성 합성 장치.
- 제12 항에 있어서,
상기 임계치는 외부 디바이스가 최대로 출력할 수 있는 한계 음량에 대응되는 외부 소음 레벨인 음성 합성 장치.
- 제12 항에 있어서,
상기 프로세서는 상기 외부 소음의 레벨에 비례하여 상기 파라미터에 대한 가중치가 증가하도록 설정하는 음성 합성 장치.
- 제12 항에 있어서,
상기 음성 합성 모델은 RNN(recurrent neural network) 기반의 인공 신경망 모델인 것을 특징으로 하는 음성 합성 장치.
- 제12 항에 있어서,
상기 특징 벡터는,
상기 음성 데이터에 포함된 상기 화자의 발화 속도, 발음 강세, 휴지 구간, 음 높이, 기저주파수, 모음 구간의 발화 지속시간, HNR 비(harmonic-to-noise ratio) 또는 억양 중 적어도 하나를 포함하는 상기 발화 특징으로부터 추출되는 것을 특징으로 하는 음성 합성 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190138531A KR102663669B1 (ko) | 2019-11-01 | 2019-11-01 | 소음 환경에서의 음성 합성 |
| US17/029,582 US11468878B2 (en) | 2019-11-01 | 2020-09-23 | Speech synthesis in noisy environment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190138531A KR102663669B1 (ko) | 2019-11-01 | 2019-11-01 | 소음 환경에서의 음성 합성 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210052921A KR20210052921A (ko) | 2021-05-11 |
| KR102663669B1 true KR102663669B1 (ko) | 2024-05-08 |
Family
ID=75687637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190138531A KR102663669B1 (ko) | 2019-11-01 | 2019-11-01 | 소음 환경에서의 음성 합성 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11468878B2 (ko) |
| KR (1) | KR102663669B1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12080272B2 (en) * | 2019-12-10 | 2024-09-03 | Google Llc | Attention-based clockwork hierarchical variational encoder |
| US11676571B2 (en) * | 2021-01-21 | 2023-06-13 | Qualcomm Incorporated | Synthesized speech generation |
| CN113724694B (zh) * | 2021-11-01 | 2022-03-08 | 深圳市北科瑞声科技股份有限公司 | 语音转换模型训练方法、装置、电子设备及存储介质 |
| KR20230146865A (ko) | 2022-04-13 | 2023-10-20 | 부산대학교 산학협력단 | 소음환경을 고려한 임베디드 음성 키워드 검출 시스템 및 방법 |
| CN116030788B (zh) * | 2023-02-23 | 2023-06-09 | 福建博士通信息股份有限公司 | 一种智能语音交互方法及装置 |
| CN116469405A (zh) * | 2023-04-23 | 2023-07-21 | 富韵声学科技(深圳)有限公司 | 一种降噪通话方法、介质和电子设备 |
| CN116386590B (zh) * | 2023-05-29 | 2023-08-15 | 北京科技大学 | 一种多模态的表现性语音合成方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101893768B1 (ko) * | 2017-02-27 | 2018-09-04 | 주식회사 브이터치 | 음성 인식 트리거를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| WO2018168427A1 (ja) * | 2017-03-13 | 2018-09-20 | ソニー株式会社 | 学習装置、学習方法、音声合成装置、音声合成方法 |
| CN109065058A (zh) * | 2018-09-30 | 2018-12-21 | 合肥鑫晟光电科技有限公司 | 语音通信方法、装置及系统 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3404016B2 (ja) * | 2000-12-26 | 2003-05-06 | 三菱電機株式会社 | 音声符号化装置及び音声符号化方法 |
| CN100524457C (zh) * | 2004-05-31 | 2009-08-05 | 国际商业机器公司 | 文本至语音转换以及调整语料库的装置和方法 |
| US7616936B2 (en) * | 2006-12-14 | 2009-11-10 | Cisco Technology, Inc. | Push-to-talk system with enhanced noise reduction |
| US20090043583A1 (en) * | 2007-08-08 | 2009-02-12 | International Business Machines Corporation | Dynamic modification of voice selection based on user specific factors |
| GB0920480D0 (en) * | 2009-11-24 | 2010-01-06 | Yu Kai | Speech processing and learning |
| US8914290B2 (en) * | 2011-05-20 | 2014-12-16 | Vocollect, Inc. | Systems and methods for dynamically improving user intelligibility of synthesized speech in a work environment |
| US10319363B2 (en) * | 2012-02-17 | 2019-06-11 | Microsoft Technology Licensing, Llc | Audio human interactive proof based on text-to-speech and semantics |
| US8571871B1 (en) * | 2012-10-02 | 2013-10-29 | Google Inc. | Methods and systems for adaptation of synthetic speech in an environment |
| KR102494139B1 (ko) * | 2015-11-06 | 2023-01-31 | 삼성전자주식회사 | 뉴럴 네트워크 학습 장치 및 방법과, 음성 인식 장치 및 방법 |
| US10176809B1 (en) * | 2016-09-29 | 2019-01-08 | Amazon Technologies, Inc. | Customized compression and decompression of audio data |
| JP2018155774A (ja) * | 2017-03-15 | 2018-10-04 | 株式会社東芝 | 音声合成装置、音声合成方法およびプログラム |
| CN107464554B (zh) * | 2017-09-28 | 2020-08-25 | 百度在线网络技术（北京）有限公司 | 语音合成模型生成方法和装置 |
| KR102401512B1 (ko) * | 2018-01-11 | 2022-05-25 | 네오사피엔스 주식회사 | 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체 |
| JP7028311B2 (ja) * | 2018-03-12 | 2022-03-02 | 日本電信電話株式会社 | 学習用音声データ生成装置、その方法、およびプログラム |
| WO2019195799A1 (en) * | 2018-04-05 | 2019-10-10 | Synaptics Incorporated | Context-aware control for smart devices |
| KR20200111853A (ko) * | 2019-03-19 | 2020-10-05 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 음성 인식 제어 방법 |
| CN110085245B (zh) * | 2019-04-09 | 2021-06-15 | 武汉大学 | 一种基于声学特征转换的语音清晰度增强方法 |
| KR20190087353A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 음성 인식 검증 장치 및 방법 |
-
2019
- 2019-11-01 KR KR1020190138531A patent/KR102663669B1/ko active IP Right Grant
-
2020
- 2020-09-23 US US17/029,582 patent/US11468878B2/en active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101893768B1 (ko) * | 2017-02-27 | 2018-09-04 | 주식회사 브이터치 | 음성 인식 트리거를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| WO2018168427A1 (ja) * | 2017-03-13 | 2018-09-20 | ソニー株式会社 | 学習装置、学習方法、音声合成装置、音声合成方法 |
| CN109065058A (zh) * | 2018-09-30 | 2018-12-21 | 合肥鑫晟光电科技有限公司 | 语音通信方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210134262A1 (en) | 2021-05-06 |
| US11468878B2 (en) | 2022-10-11 |
| KR20210052921A (ko) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11423878B2 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| US11211062B2 (en) | Intelligent voice recognizing method with improved noise cancellation, voice recognizing apparatus, intelligent computing device and server | |
| US11222636B2 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| US11074904B2 (en) | Speech synthesis method and apparatus based on emotion information | |
| US11373647B2 (en) | Intelligent voice outputting method, apparatus, and intelligent computing device | |
| US20210183392A1 (en) | Phoneme-based natural language processing | |
| KR102663669B1 (ko) | 소음 환경에서의 음성 합성 | |
| US11081109B2 (en) | Speech processing method using artificial intelligence device | |
| US20190392858A1 (en) | Intelligent voice outputting method, apparatus, and intelligent computing device | |
| KR102321789B1 (ko) | 감정 정보 기반의 음성 합성 방법 및 장치 | |
| US11189282B2 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| US20200013395A1 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| US11580992B2 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| US11636845B2 (en) | Method for synthesized speech generation using emotion information correction and apparatus | |
| US20200020337A1 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device | |
| KR20220008400A (ko) | 복수의 화자 설정이 가능한 음성 합성 방법 및 음성 합성 장치 | |
| US11217234B2 (en) | Intelligent voice recognizing method, apparatus, and intelligent computing device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |