KR20180111271A - 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 - Google Patents

신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 Download PDF

Info

Publication number
KR20180111271A
KR20180111271A KR1020170041972A KR20170041972A KR20180111271A KR 20180111271 A KR20180111271 A KR 20180111271A KR 1020170041972 A KR1020170041972 A KR 1020170041972A KR 20170041972 A KR20170041972 A KR 20170041972A KR 20180111271 A KR20180111271 A KR 20180111271A
Authority
KR
South Korea
Prior art keywords
signal
audio
electronic device
data
processor
Prior art date
Application number
KR1020170041972A
Other languages
English (en)
Inventor
백순호
문한길
조기호
김강열
박진수
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020170041972A priority Critical patent/KR20180111271A/ko
Priority to US15/933,756 priority patent/US10593347B2/en
Publication of KR20180111271A publication Critical patent/KR20180111271A/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
    • 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
    • G10L21/0208—Noise filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—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
    • 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
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • 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
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L2021/02161—Number of inputs available containing the signal or the noise to be suppressed
    • G10L2021/02166—Microphone arrays; Beamforming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Telephone Function (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

본 발명의 일 실시 예에 따른 휴대용 전자 장치는 오디오 입력 장치, 및 프로세서를 포함하고, 상기 프로세서는, 상기 오디오 입력 장치를 통해 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하고, 제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고, 및 제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 입력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 가질 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 {METHOD AND DEVICE FOR REMOVING NOISE USING NEURAL NETWORK MODEL}
본 문서에서 개시되는 실시 예들은, 신경망 모델을 이용하여 노이즈를 제거하는 기술과 관련된다.
노이즈를 제거하는 기술의 발달로 심층 신경망(deep neural network)과 같은 알고리즘을 구비한 전자 장치가 광범위하게 보급되고 있다. 전자 장치는 상술한 알고리즘을 이용하여 전자 장치로 입력된 오디오 신호에서 노이즈를 제거할 수 있다. 예를 들어, 전자 장치는 오디오 신호와 노이즈가 제거된 음성 신호가 매핑(mapping) 되도록 심층 신경망을 학습시킬 수 있다. 전자 장치는 상기 학습된 심층 신경망을 이용하여 오디오 신호에서 노이즈를 제거할 수 있다.
전자 장치는 노이즈의 통계적 특성에 기초하여 노이즈를 제거할 수도 있다. 예를 들어, 노이즈의 통계적 특성은 시간에 따라 크게 변하지 않을 수 있다. 따라서, 전자 장치는 묵음 구간에서 노이즈의 PSD(power spectral density)를 추정하고 상기 추정된 값을 노이즈로 가정하여 오디오 신호에서 노이즈를 제거할 수 있다.
오디오 신호와 음성 신호를 심층 신경망을 이용하여 잡음이 없는 신호로 매핑시켜 노이즈를 제거하는 방법의 경우 노이즈의 종류와 크기에 따라 전자 장치의 노이즈 제거 효율이 다를 수 있다. 예를 들어, 심층 신경망 학습에 사용되지 않는 잡음 환경에서 성능이 감소될 수 있다.
노이즈의 통계적 특성에 기초하여 노이즈를 제거하는 방법의 경우 PSD를 추정하기 어려운 노이즈에 대해서는 상기 효율이 감소할 수 있다. 예를 들어, 시간에 따라 통계적 특성이 변하는 노이즈(예: 음악, babble) 또는 SNR이 현저히 낮은 노이즈 환경에서는 상기 묵음 구간의 추정이 어려울 수 있다. 따라서, 전자 장치는 PSD를 추정하기 어려울 수 있고, 이에 따라 전자 장치의 노이즈 제거 효율이 감소할 수 있다.
본 문서에서 개시되는 실시 예들은, 전술한 문제 및 본 문서에서 제기되는 과제들을 해결하기 위한 전자 장치 및 사용자 단말 장치를 제공할 수 있다.
본 문서에 개시되는 일 실시 예에 따른 휴대용 전자 장치는, 오디오 입력 장치, 및 프로세서를 포함하고, 상기 프로세서는, 상기 오디오 입력 장치를 통해 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하고, 제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고, 및 제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 입력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 가질 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 전자 장치는, 신경망 모델에 대응하는 데이터를 저장하기 위한 메모리, 및 상기 메모리와 전기적으로 연결되는 프로세서를 포함하고, 상기 프로세서는, 음성 신호 및 제1 노이즈 신호를 포함하는 제1 입력 신호를 생성하고, 상기 음성 신호 및 상기 제 1 노이즈 신호와 다른 제2 노이즈 신호를 포함하는 제2 입력 신호를 생성하고, 출력 신호를 획득하기 위하여 상기 제1 입력 신호를 상기 신경망 모델에 적어도 일부 기반하여 처리하고, 및 상기 출력 신호와 상기 제2 입력 신호의 비교의 결과에 적어도 일부 기반하여 상기 데이터의 적어도 일부를 갱신하도록 설정될 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 저장 매체는 컴퓨터 판독 가능한 명령어를 저장하고, 상기 명령어는 전자 장치에 의해 실행될 때 상기 전자 장치로 하여금, 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하는 동작, 제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하는 동작, 및 제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 출력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하는 동작을 수행하도록 하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 가질 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 노이즈의 종류와 관계없이 노이즈 제거 효율이 일정할 수 있다. 또한, 노이즈 제거 효율이 증가할 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른 전자 장치 및 사용자 단말 장치의 블록도를 나타낸다.
도 2는 일 실시 예에 따른 전자 장치의 블록도를 나타낸다.
도 3은 일 실시 예에 따른 전자 장치의 동작 흐름도를 나타낸다.
도 4는 다른 실시 예에 따른 전자 장치의 블록도를 나타낸다.
도 5는 일 실시 예에 따른 사용자 단말 장치의 블록도를 나타낸다.
도 6은 일 실시 예에 따른 사용자 단말 장치의 동작 흐름도를 나타낸다.
도 7은 다른 실시 예에 따른 사용자 단말 장치의 블록도를 나타낸다.
도 8은 일 실시 예에 따른 오디오 신호, 노이즈 신호, 및 음성 신호를 나타낸다.
도 9는 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치를 나타낸다.
도 10은 다양한 실시 예에 따른 전자 장치의 블록도를 나타낸다.
도 11은 다양한 실시 예에 따른 프로그램 모듈의 블록도를 나타낸다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제1 사용자 기기와 제2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 문서에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)", "~하는 능력을 가지는(having the capacity to)", "~하도록 설계된(designed to)", "~하도록 변경된(adapted to)", "~하도록 만들어진(made to)", 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성(또는 설정)된"은 하드웨어적으로 "특별히 설계된(specifically designed to)"것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성(또는 설정)된 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서에서 사용된 용어들은 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 다른 실시 예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 문서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 문서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 문맥 상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 문서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 문서에서 정의된 용어일지라도 본 문서의 실시 예들을 배제하도록 해석될 수 없다.
본 문서의 다양한 실시 예들에 따른 전자 장치는, 예를 들면, 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC (desktop PC), 랩탑 PC(laptop PC), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라, 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따르면 웨어러블 장치는 엑세서리 형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체 형(예: 전자 의복), 신체 부착 형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식 형(예: implantable circuit) 중 적어도 하나를 포함할 수 있다.
어떤 실시 예들에서, 전자 장치는 가전 제품(home appliance)일 수 있다. 가전 제품은, 예를 들면, 텔레비전, DVD 플레이어(Digital Video Disk player), 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), 홈 오토매이션 컨트롤 패널(home automation control panel), 보안 컨트롤 패널(security control panel), TV 박스(예: 삼성 HomeSync™, 애플TV™, 또는 구글 TV™), 게임 콘솔(예: Xbox™, PlayStation™), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시 예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션(navigation) 장치, 위성 항법 시스템(GNSS(Global Navigation Satellite System)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine), 상점의 POS(point of sales), 또는 사물 인터넷 장치(internet of things)(예: 전구, 각종 센서, 전기 또는 가스 미터기, 스프링클러 장치, 화재경보기, 온도조절기(thermostat), 가로등, 토스터(toaster), 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
어떤 실시 예에 따르면, 전자 장치는 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 수신 장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측 기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에서, 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 어떤 실시 예에 따른 전자 장치는 플렉서블 전자 장치일 수 있다. 또한, 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않으며, 기술 발전에 따른 새로운 전자 장치를 포함할 수 있다.
이하, 첨부 도면을 참조하여, 다양한 실시 예에 따른 전자 장치가 설명된다. 본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치 (예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1은 일 실시 예에 따른 전자 장치 및 휴대용 전자 장치의 블록도를 나타낸다.
도 1을 참조하면 전자 장치(10)(예: 전자 장치(902 또는 904) 또는 서버(906))는 메모리(11), 프로세서(12), 및 통신 회로(13)를 포함할 수 있다. 본 문서에서 전자 장치(10)는 단순히 서버 또는 신경망 모델 갱신 장치로 참조될 수 있다.
메모리(11)는 제 1 신경망 모델(11n)(neural network)을 저장할 수 있다. 제 1 신경망 모델(11n)은 동물 신경계의 뉴런 구조를 수학적으로 표현한 학습 알고리즘일 수 있다.
프로세서(12)는 제 1 신경망 모델(11n)이 목표 값(desired value)을 출력하도록 제 1 신경망 모델(11n)을 갱신할 수 있다. 본 문서에서 목표 값은 휴대용 전자 장치(20)(예: 전자 장치(901))에 입력되는 오디오 신호에서 노이즈 신호를 감소(또는 제거)시킨 신호를 의미할 수 있다. 오디오 신호는 휴대용 전자 장치(20)로 입력되는 소리와 관련된 신호로서, 음성 신호 및 노이즈 신호를 포함할 수 있다. 음성 신호는 휴대용 전자 장치(20)에 입력되는 사용자의 음성과 관련된 신호를 의미할 수 있다. 노이즈 신호는 휴대용 전자 장치(20) 주변에서 발생하여 상기 음성 신호와 함께 휴대용 전자 장치(20)에 입력되는 신호를 의미할 수 있다.
통신 회로(13)는 제 1 신경망 모델(11n)을 휴대용 전자 장치(20)로 전송할 수 있다.
휴대용 전자 장치(20)(예: 전자 장치(901))는 통신 회로(21)(예: 통신 인터페이스(970)), 메모리(22)(예: 메모리(930)), 마이크(23), 및 프로세서(24)(예: 프로세서(920))를 포함할 수 있다. 본 문서에서 휴대용 전자 장치(20)는 단순히 스마트 폰, 음성 인식 장치, 또는 신경망 모델 저장 장치로 참조될 수 있다.
통신 회로(21)는 제 1 신경망 모델(11n)을 전자 장치(10)로부터 수신할 수 있다. 프로세서(23)는 수신한 제 1 신경만 모델(11n)을 이용하여 메모리(22)에 저장된 제 2 신경망 모델(22n)을 갱신할 수 있다. 예를 들어, 제 2 신경망 모델(22n)은 휴대용 전자 장치(20)에 저장되어 있던 신경망 모델일 수 있으며, 전자 장치(10)으로부터 전송받은 제 1 신경망 모델(11n)을 이용해 갱신되거나 교체된 신경망 모델로서, 목표 값과 동일한(또는 유사한) 음성 신호를 출력할 수 있다.
메모리(22)는 제 2 신경망 모델(22n)을 저장할 수 있으며, 통신 회로(21)를 통해 수신한 제 1 신경망 모델(11n)을 저장하거나 상기 수신한 제 1 신경망 모델(11n)을 이용하여 제 2 신경망 모델(22n)을 갱신하거나 교체하여 저장할 수 있다.
마이크(23)는 오디오 신호를 수신할 수 있다. 도 1에 도시된 바와 달리 휴대용 전자 장치(20)는 적어도 하나의 마이크(23)를 포함할 수 있으며, 마이크(23)를 통해 오디오 신호를 수신할 수 있다. 다른 실시 예에 따르면, 휴대용 전자 장치(20)는 복수 개의 마이크(23)들을 포함할 수 있으며, 각각의 마이크를 통해 오디오 신호를 수신할 수 있다.
프로세서(24)는 제 2 신경망 모델(22n)을 이용하여 노이즈 신호를 감소(또는 제거)할 수 있다. 예를 들어, 프로세서(24)는 마이크(23)를 통해 수신한 오디오 신호를 제 2 신경망 모델(22n)에 제공할 수 있다. 제 2 신경망 모델(22n)은 오디오 신호에서 노이즈 신호를 감소(또는 제거)시킬 수 있다. 본 문서에서 프로세서(24)는 예를 들어 AP(application processor) 또는 CP(communication processor)로 참조될 수 있다.
본 문서에서 도 1에서 설명된 구성 요소들과 동일한 참조 부호를 갖는 구성 요소들은 도 1에서 설명된 내용이 동일하게 적용될 수 있다.
도 2는 일 실시 예에 따른 전자 장치의 블록도를 나타낸다. 도 2에 도시된 전자 장치(100)(예: 전자 장치(10))는 하나의 채널을 통해 음성 신호가 입력될 경우 신경망 모델(160)을 갱신하는 전자 장치(100)일 수 있다. 본 문서에서 채널은 음성 신호가 신경망 모델(160)에 제공되는 경로를 의미할 수 있다. 도 2에 도시된 프로그램 모듈들(110, 120, 130, 140, 150, 160, 170)은 도 1에 도시된 메모리(11)에 저장될 수 있고, 프로세서(12)에 의해 실행될 수 있다.
도 2를 참조하면 프로세서(12)는 음성 신호 및 노이즈 신호를 각각 생성할 수 있다. 프로세서(12)는 휴대용 전자 장치(20)가 동작하는 환경과 동일 또는 유사한 환경에서 신경망 모델(160)을 갱신시키기 위하여 음성 데이터 베이스(database)(110) 및 노이즈 데이터 베이스(120)를 이용하여 음성 신호 및 노이즈 신호를 각각 생성할 수 있다.
프로세서(12)는 노이즈 신호를 각각 증폭(또는 감쇄)하여 제1 노이즈 신호 및 제2 노이즈 신호를 생성할 수 있다. 이 때 제2 노이즈 신호의 크기는 제1 노이즈 신호의 크기보다 작을 수 있다. 예를 들어, 프로세서(12)는 제1 노이즈 신호의 크기와 제2 노이즈 신호의 크기 차이가 약 10 dB 내지 약 20 dB이 되도록 제1 노이즈 신호 및 제2 노이즈 신호를 생성할 수 있다.
노이즈 신호가 각각 증폭(또는 감쇄)되면, 프로세서(12)는 제1 입력 신호 및 제2 입력 신호를 생성할 수 있다. 예를 들어, 프로세서(12)는 음성 신호에 제1 노이즈 신호를 가산하여 제1 입력 신호를 생성할 수 있다. 제1 입력 신호는 제1 지점(191)에서 측정되는 신호일 수 있다. 또한, 프로세서(12)는 음성 신호에 제2 노이즈 신호를 가산하여 제2 입력 신호를 생성할 수 있다. 제2 입력 신호는 전자 장치(100)를 통해 획득하고자 하는 목표 값(desired value)과 관련된 신호로서 제2 지점(192)에서 측정되는 신호일 수 있다.
STFT(short time fourier transform) 모듈(130)은 제1 입력 신호 및 제2 입력 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화한 후, 제1 입력 신호 및 제2 입력 신호의 주파수를 각각 분석할 수 있다.
입력 특징 값 추출(input feature extraction) 모듈(140)은 STFT 모듈(130)에서 분석한 주파수를 이용하여 제1 입력 신호의 특징 값을 추출할 수 있다. 예를 들어, 입력 특징 값 추출 모듈(140)은 제1 입력 신호의 정규화된 특징 벡터(예: normalized log-spectral magnitude, normalized MFCC(Mel-frequency cepstral coefficient), normalized LPC(linear prediction coefficient) 또는 normalized LP(linear prediction) residual)를 추출할 수 있다. 입력 값 추출 모듈(140)에서 추출된 특징 값은 신경망 모델(160)에 전송될 수 있다.
목표 특징 값 추출(target feature extraction) 모듈(150)은 STFT 모듈(130)에서 분석한 주파수를 이용하여 제2 입력 신호의 특징 값(또는 목표 값)을 추출할 수 있다.
프로세서(12)는 제1 입력 신호의 특징 값을 신경망 모델(160)에 적용하여 출력 값(또는 출력 신호)을 획득할 수 있다. 출력 값은 신경망 모델(160)에서 출력되는 값으로서 제3 지점(193)에서 측정되는 값일 수 있다.
출력 값이 획득되면, 프로세서(12)는 출력 값과 목표 값을 비교하고, 상기 비교 결과에 기초하여 상기 신경망 모델(160)을 갱신할 수 있다. 예를 들어, 프로세서(12)는 출력 값과 목표 값이 동일하면(또는 유사하면) 신경망 모델(160)을 갱신할 수 있다. 갱신된 신경망 모델(160)은 상기 갱신된 시간 이후에 입력되는 음성 신호(또는 새로 입력된 음성 신호)에 대하여, 상기 목표 값을 출력 값으로 출력할 수 있다. 일 실시 예에 따르면 프로세서(12)는 비용 함수 블록(cost function block)(170)을 이용하여 출력 값과 목표 값을 비교하고, 상기 비교 결과에 기초하여 신경망 모델(160)을 갱신할 수도 있다.
도 3은 일 실시 예에 따른 전자 장치의 동작 흐름도를 나타낸다. 도 3에 도시된 동작 흐름도는 도 2에 도시된 전자 장치(100)의 동작 흐름도이다.
도 3을 참조하면 동작 301에서 전자 장치(100)는 제1 입력 신호 및 제2 입력 신호를 생성할 수 있다. 예를 들어, 전자 장치(100)는 음성 데이터 베이스(110)에 저장된 음성 신호에 제1 노이즈 신호를 가산하여 제1 입력 신호를 생성할 수 있다. 또한, 전자 장치(100)는 음성 신호에 제2 노이즈 신호를 가산하여 제2 입력 신호를 생성할 수 있다.
일 실시 예에 따르면 제1 노이즈 신호 및 제2 노이즈 신호는 도 2에서 설명한 바와 같이 하나의 노이즈 신호를 각각 증폭(또는 감쇄)한 노이즈 신호일 수 있다. 상술한 예시와 달리, 제1 노이즈 신호 및 제2 노이즈 신호는 서로 다른 노이즈 신호일 수 있다. 예를 들어, 제1 노이즈 신호는 전자 장치(100) 주변의 잡음일 수 있고, 제2 노이즈 신호는 백색 잡음일 수 있다. 이 때, 제2 노이즈 신호의 크기는 제1 노이즈 신호의 크기 보다 작을 수 있다. 예를 들어, 프로세서(12)는 제1 노이즈 신호의 크기와 제2 노이즈 신호의 크기 차이가 약 10 dB 내지 약 20 dB이 되도록 제1 노이즈 신호 및 제2 노이즈 신호를 생성할 수 있다..
일 실시 예에 따르면, 전자 장치(100)는 제1 입력 신호 및 제2 입력 신호의 주파수를 분석할 수 있다. 예를 들어, 전자 장치(100)는 제1 입력 신호 및 제2 입력 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화한 뒤 제1 입력 신호 및 제2 입력 신호의 주파수를 각각 분석할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 분석된 주파수를 이용하여 제1 입력 신호의 특징 값 및 제2 입력 신호의 특징 값을 각각 추출할 수 있다. 예를 들어, 전자 장치(100)는 제1 입력 신호의 normalized log-spectral magnitude를 획득하고, 제2 입력 신호의 normalized log-spectral magnitude를 각각 획득할 수 있다.
동작 303에서 전자 장치(100)는 출력 값을 획득할 수 있다. 예를 들어, 전자 장치(100)는 제1 입력 신호의 특징 값을 신경망 모델(120)에 제공하고, 신경망 모델(120)을 통해 출력 값을 획득할 수 있다.
출력 값이 획득되면 동작 305에서 전자 장치(100)는 신경망 모델(160)을 갱신할 수 있다. 예를 들어, 전자 장치는 출력 값과 제2 입력 신호의 특징 값을 비용 함수 블록(cost function block)에 제공하고, SGD(stochastic gradient descent) 또는 최적화 알고리즘을 이용하여 신경망 모델(160)을 갱신할 수 있다.
도 4는 다른 실시 예에 따른 전자 장치의 블록도를 나타낸다. 도 4에 도시된 전자 장치는 두 개의 채널들을 통해 음성 신호가 입력될 경우 신경망 모델을 갱신하는 전자 장치를 나타낸다. 도 4에 도시된 프로그램 모듈들(411, 412, 413, 420, 431, 432, 440, 450, 460, 470, 480, 490)은 도 1에 도시된 메모리(11)에 저장될 수 있고, 프로세서(12)에 의해 실행될 수 있다.
도 4를 참조하면 프로세서(12)는 음성 데이터 베이스(database)(110) 및 노이즈 데이터 베이스(120)를 이용하여 2채널 음성 신호 및 2채널 노이즈 신호를 생성할 수 있다. 특별한 사정이 없는 한 도 2에 도시된 음성 신호 및 노이즈 신호에 대한 설명은 이하에서 설명될 음성 신호 및 노이즈 신호에도 적용될 수 있다.
2채널 음성 신호 생성모듈(2ch clean speech generation module)(420)은 2채널 음성 신호를 생성할 수 있다. 예를 들어, 2채널 음성 신호 생성 모듈(420)은 음성 데이터 베이스(411)에 저장된 음성 신호와 2채널 IR(implulse response) 데이터 베이스(412)에 저장된 IR의 콘벌루션(convolution) 연산을 통해 해당 IR의 공간적인 특징이 반영된 2채널 음성 신호로서 제1 음성 신호 및 제2 음성 신호를 생성 할 수 있다. 이때 일반적인 핸즈셋(handset) 통화 환경에서 제2 음성 신호의 크기는 제1 음성 신호의 크기 보다 작을 수 있다. 제1 음성 신호는 제1 지점(491)에서 측정되는 신호일 수 있고, 제2 음성 신호는 제2 지점(492)에서 측정되는 신호일 수 있다.
프로세서(12)는 제1 음성 신호 및 제2 음성 신호를 이용하여 제1 입력 신호 및 제2 입력 신호를 생성할 수 있다. 예를 들어, 프로세서(12)는 제1 음성 신호에 제1 노이즈 신호를 가산하여 제1 입력 신호를 생성할 수 있다. 제1 입력 신호는 제3 지점(493)에서 측정되는 신호일 수 있다. 프로세서(12)는 제2 음성 신호에 제2 노이즈 신호를 가산하여 제2 입력 신호를 생성할 수 있다. 제2 입력 신호는 제4 지점(494)에서 측정되는 신호일 수 있다. 이 경우, 제1 노이즈 신호는 제2 노이즈 신호와 동일하거나 거의 유사한 크기를 가질 수 있다.
한편, 목표 음성 신호 추정(target clean speech estimation) 모듈(431)은 제3 음성 신호를 생성할 수 있다. 예를 들어, 목표 음성 신호 추정 모듈(431)은 제1 음성 신호 및/또는 제2 음성 신호를 증폭(또는 감쇄)하여 제3 음성 신호를 생성할 수 있다. 또한, 목표 음성 신호 추정 모듈(431)은 제1 음성 신호와 제2 음성 신호를 빔포밍(beamforming)하여 제3 음성 신호를 생성할 수도 있다. 제3 음성 신호는 제5 지점(495)에서 측정될 수 있다.
목표 노이즈 신호 추정(target noise estimation) 모듈(432)은 제3 노이즈 신호를 생성할 수 있다. 예를 들어, 목표 노이즈 신호 추정 모듈(432)은 제1 노이즈 신호 및/또는 제2 노이즈 신호를 감쇄하여 제3 노이즈 신호를 생성할 수 있다. 또한, 목표 노이즈 신호 추정 모듈(432)은 제1 노이즈 신호와 제2 노이즈 신호를 빔포밍(beamforming)하여 제3 노이즈 신호를 생성할 수도 있다. 제3 노이즈 신호는 제6 지점(496)에서 측정되는 신호로서, 제1 노이즈 신호 또는 제2 노이즈 신호에 비해 크기가 작을 수 있다. 예를 들어, 제1 노이즈 신호의 크기 또는 제2 노이즈 신호의 크기와, 제3 노이즈 신호의 크기 차이는 약 10 dB 내지 약 20 dB이 될 수 있다.
제3 음성 신호 및 제3 노이즈 신호가 각각 생성되면, 프로세서(12)는 제3 음성 신호 및 제3 노이즈 신호를 가산하여 제3 입력 신호를 생성할 수 있다. 제3 입력 신호는 전자 장치(400)(예: 전자 장치(10))를 통해 획득하고자 하는 목표 값(desired value)과 관련된 신호로서 제7 지점(497)에서 측정되는 신호일 수 있다.
STFT(short time fourier transform) 모듈(440)은 제1 입력 신호, 제2 입력 신호, 및 제3 입력 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화하고, 제1 입력 신호, 제2 입력 신호, 및 제3 입력 신호의 주파수를 각각 분석할 수 있다.
빔포머(beamformer)(450)는 제1 입력 신호 및 제2 입력 신호를 빔포밍하여, 빔포밍된 제1 입력 신호 및 빔포밍된 제2 입력 신호를 출력할 수 있다. 빔포밍된 제1 입력 신호는 제8 지점(498a)에서 측정되는 신호일 수 있다. 빔포밍된 제2 입력 신호는 제9 지점(498b)에서 측정되는 신호일 수 있다. 일 실시 예에 따르면, 빔포밍된 제1 입력 신호의 SNR(signal-to-noise-ratio)은 매우 클 수 있고, 빔포밍된 제2 입력 신호의 SNR은 매우 작을 수 있다. 빔포밍된 제1 입력 신호의 SNR이 매우 크므로, 빔포밍된 제1 입력 신호에 포함되는 음성 신호의 크기는 매우 클 수 있다. 반대로 빔포밍된 제2 입력 신호의 SNR은 매우 작으므로, 빔포밍된 제2 입력 신호에 포함되는 음성 신호의 크기는 매우 작을 수 있다. 예를 들어, 빔포밍된 제1 입력 신호에 포함되는 음성 신호의 크기와, 빔포밍된 제2 입력 신호에 포함되는 음성 신호의 크기 차이는 약 30 dB 이상일 수 있다.
입력 특징 값 추출(input feature extraction) 모듈(460)은 빔포밍된 제1 입력 신호 및 빔포밍된 제2 입력 신호의 특징 값을 각각 추출할 수 있다. 예를 들어, 입력 특징 값 추출 모듈은 빔포밍된 제1 입력 신호 및 빔포밍된 제2 입력 신호의 정규화된 특징 벡터(예: normalized log-spectral magnitude, normalized MFCC, normalized LPC, 또는 normalized LP residual)를 추출할 수 있다. 입력 값 추출 모듈에서 추출된 특징 값들은 신경망 모델(470)에 전송될 수 있다.
프로세서(12)는 빔포밍된 제1 입력 신호의 특징 값 및 빔포밍된 제2 입력 신호의 특징 값을 신경망 모델(470)에 적용하여 출력 값을 획득할 수 있다. 출력 값은 신경망 모델(470)에서 출력되는 값으로서 제10 지점(499)에서 측정되는 값일 수 있다.
목표 특징 값 추출(target feature extraction) 모듈(480)은 STFT 모듈(440)에서 분석한 주파수를 이용하여 제3 입력 신호의 특징 값(또는 목표 값)을 추출할 수 있다.
출력 값 및 목표 값이 각각 획득되면, 프로세서(12)는 출력 값과 목표 값을 비교하고, 상기 비교 결과에 기초하여 상기 신경망 모델(470)을 갱신할 수 있다. 갱신된 신경망 모델은 상기 갱신된 시간 이후에 입력되는 음성 신호(또는 새로 입력된 음성 신호)에 대하여, 목표 값을 출력 값으로 출력할 수 있다. 일 실시 예에 따르면 프로세서(12)는 비용 함수 블록(cost function block)(130)을 이용하여 출력 값과 목표 값을 비교하고, 상기 비교 결과에 기초하여 신경망 모델(470)을 갱신할 수도 있다.
본 발명의 일 실시 예에 따른 전자 장치는, 신경망 모델에 대응하는 데이터를 저장하기 위한 메모리, 및 상기 메모리와 전기적으로 연결되는 프로세서를 포함하고, 상기 프로세서는, 음성 신호 및 제1 노이즈 신호를 포함하는 제1 입력 신호를 생성하고, 상기 음성 신호 및 상기 제 1 노이즈 신호와 다른 제2 노이즈 신호를 포함하는 제2 입력 신호를 생성하고, 출력 신호를 획득하기 위하여 상기 제1 입력 신호를 상기 신경망 모델에 적어도 일부 기반하여 처리하고, 및 상기 출력 신호와 상기 제2 입력 신호의 비교의 결과에 적어도 일부 기반하여 상기 데이터의 적어도 일부를 갱신하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 메모리는 음성 데이터 베이스 및 노이즈 데이터 베이스를 더 저장하고, 상기 프로세서는, 상기 음성 데이터 베이스를 이용하여 상기 음성 신호를 생성하고, 및 상기 노이즈 데이터 베이스를 이용하여 상기 제 1 노이즈 신호 및 상기 제 2 노이즈 신호를 생성하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 제1 입력 신호의 특징 값 및 상기 제2 입력 신호의 특징 값을 각각 추출하고, 상기 제1 입력 신호의 특징 값을 상기 신경망 모델에 적용하여 상기 출력 신호를 획득하고,
상기 출력 신호와 상기 제2 입력 신호의 특징 값에 적어도 일부 기반하여 상기 데이터의 상기 적어도 일부를 갱신하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 비용 함수(cost function)를 이용하여 상기 비교를 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 음성 신호와 다른(another) 음성 신호 및 상기 제1 노이즈 신호를 포함하는 제3 입력 신호를 생성하고, 및 상기 처리하는 동작의 적어도 일부로서, 상기 제1 입력 신호 및 상기 제3 입력 신호를 상기 신경망 모델에 적용하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 음성 신호를 생성하고, 상기 생성된 음성 신호를 감쇄(reduce)하여 상기 다른 음성 신호를 생성하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 제1 입력 신호의 특징 값 및 제3 입력 신호의 특징 값을 각각 추출하고, 상기 제1 입력 신호의 특징 값 및 상기 제3 입력 신호의 특징 값을 상기 신경망 모델에 적용하여 출력 신호를 획득하고, 상기 출력 신호와 상기 제2 입력 신호의 특징 값에 적어도 일부 기반하여 상기 신경망 모델의 상기 적어도 일부를 갱신하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 제1 입력 신호와 상기 제3 입력 신호를 빔포밍(beamforming)하여 상기 신경망 모델에 적용하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 전자 장치는 통신 모듈을 더 포함하고, 상기 프로세서는, 지정된 조건이 만족되면, 상기 갱신된 데이터를 상기 신경망 모델을 사용하는 외부 전자 장치로 전송하도록 설정될 수 있다.
도 5는 일 실시 예에 따른 휴대용 전자 장치의 블록도를 나타낸다. 도 5에 도시된 신경망 모델(540)은 도 2에 도시된 전자 장치(100)에 의해 갱신된 신경망 모델(일 수 있다. 따라서 도 5에 도시된 휴대용 전자 장치(500)(예: 휴대용 전자 장치(20) 또는 전자 장치(901))는 한 개의 채널을 통해 오디오 신호를 수신하고, 수신된 오디오 신호에서 노이즈 신호를 감소(또는 제거)시키는 휴대용 전자 장치를 나타낸다. 한편, 도 5에 도시된 프로그램 모듈들(520, 530, 540, 550, 560, 570)은 도 1에 도시된 메모리(22)에 저장될 수 있고, 프로세서(24)에 의해 실행될 수 있다.
도 5를 참조하면 마이크(510)(또는 오디오 입력 장치)는 오디오 신호(또는 오디오 입력 데이터)를 수신할 수 있다. 특별한 사정이 없는 한 도 1에 도시된 마이크(22)에 대한 설명은 도 5에 도시된 마이크(510)에도 적용될 수 있다.
STFT(short time fourier transform) 모듈(520)은 오디오 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화하고, 오디오 신호의 주파수를 분석할 수 있다.
입력 특징 값 추출(input feature extraction) 모듈(530)은 STFT 모듈(520)에서 분석한 주파수를 이용하여 오디오 신호의 특징 값을 추출할 수 있다. 예를 들어, 입력 특징 값 추출 모듈(530)은 오디오 신호의 정규화된 특징 벡터(예: normalized log-spectral magnitude, normalized MFCC, normalized LPC, 또는 normalized LP residual)를 추출할 수 있다. 입력 값 추출 모듈(530)에서 추출된 특징 값은 갱신된 신경망 모델(540)에 전송될 수 있다.
프로세서(24)는 갱신된 신경망 모델(540)을 이용하여 오디오 신호의 특징 값에서 노이즈 신호의 특징 값을 감소(또는 제거)시켜 출력 값을 획득할 수 있다. 특징 값 비정규화(feature denormalization) 모듈(550)은 출력 값을 비정규화할 수 있다. 예를 들어, 출력 값은 정규화된 값이므로, 특징 값 비정규화 모듈(550)은 음성 합성을 위해 출력 값을 비정규화할 수 있다.
후처리(post-processing) 모듈(560)은 비정규화된 출력 값에서 잔여 노이즈 신호를 감소(또는 제거)시켜 제1 오디오 출력 신호(또는 제 1 오디오 출력 데이터)를 획득할 수 있다. 일 실시 예에 따르면, 도 2에서 설명한 바와 같이 전자 장치(100)는 잔여 노이즈 신호(예: 제2 노이즈 신호)가 존재하도록 신경망 모델(160)을 학습시킬 수 있다. 따라서, 갱신된 신경된 모델을 통해 출력되는 출력 값에도 잔여 노이즈 신호가 존재할 수 있다. 후처리 모듈(560)은 잔여 노이즈 신호를 감소(또는 제거)함으로써 개선된 제1 오디오 출력 신호를 획득할 수 있다.
역 STFT 모듈(570)은 제1 오디오 출력 신호를 역 변환하여 제2 오디오 출력 신호(예: 노이즈가 제거된 음성 신호)(또는 제 2 오디오 출력 데이터)를 출력할 수 있다. 예를 들어, 역 STFT 모듈(570)은 frequency domain 상의 제1 오디오 출력 신호를 time domain 상의 제2 오디오 출력 신호로 변환할 수 있다. 제2 오디오 출력 신호는 휴대용 전자 장치(500)의 외부로 출력될 수 있다. 일 실시 예에 따르면, 역 STFT 모듈(570)은 오디오 신호의 위상(phase)을 이용하여 제1 오디오 출력 신호를 역 변환할 수도 있다.
본 발명의 일 실시 예에 따르면 휴대용 전자 장치(500)는 외부 전자 장치(예: 도 9의 전자 장치(902, 904) 또는 서버(906))로 호(call)를 송신할 수 있다. 예를 들어, 프로세서(24)는 제2 오디오 출력 신호를 인코딩하여 외부 전자 장치로 전송할 수 있다. 제2 오디오 출력 신호에는 노이즈 신호가 감소(또는 제거)되어, 외부 전자 장치는 노이즈가 감소(또는 제거)된 음성 신호를 출력할 수 있다.
본 발명의 일 실시 예에 따르면 휴대용 전자 장치(500)는 음성 신호에 대응하는 동작을 수행할 수 있다. 예를 들어, 통신 회로(21)는 제2 오디오 출력 신호를 외부 전자 장치(예: 도 9의 전자 장치(902, 904) 또는 서버(906))로 전송할 수 있다. 외부 전자 장치는 제2 오디오 출력 신호를 수신하여 상기 제2 오디오 출력 신호에 대응하는 명령어를 다시 휴대용 전자 장치(500)로 전송할 수 있다. 휴대용 전자 장치(500)는 명령어에 대한 동작을 수행할 수 있다. 예를 들어, 명령어가 어플리케이션 실행과 관련된 신호이면 휴대용 전자 장치(500)는 해당 어플리케이션을 실행시킬 수 있다.
본 발명의 일 실시 예에 따르면 휴대용 전자 장치(500)는 신경망 모델을 갱신할 수 있다. 예를 들어, 통신 회로(21)는 오디오 신호를 외부 전자 장치(예: 도 9의 전자 장치(902, 904) 또는 서버(906))로 전송할 수 있다. 외부 전자 장치는 오디오 신호에 대응하는 신경망 모델 갱신 데이터를 휴대용 전자 장치(500)로 전송할 수 있다. 휴대용 전자 장치(500)는 상기 신경망 모델 갱신 데이터에 기초하여 신경망 모델을 갱신할 수 있다.
본 발명의 일 실시 예에 따르면 휴대용 전자 장치(500)는 사용자 환경에 따라 노이즈 신호를 제거하는 비율을 다르게 설정할 수 있다. 예를 들어, 프로세서(24)는 휴대용 전자 장치(500)에 대응하는 상황 정보를 확인할 수 있다. 상황 정보가 확인 되면 프로세서(24)는 상기 상황 정보에 따라 오디오 신호에서 노이즈 신호를 제거하는 비율을 다르게 설정할 수 있다.
도 6은 일 실시 예에 따른 휴대용 전자 장치의 동작 흐름도를 나타낸다. 도 6에 도시된 동작 흐름도는 도 5에 도시된 휴대용 전자 장치(500)의 동작 흐름도이다.
도 6을 참조하면 동작 601에서 휴대용 전자 장치(500)는 마이크(510)를 통해 오디오 신호를 수신할 수 있다. 이 때 휴대용 전자 장치(500)는 복수 개의 마이크들을 통해 오디오 신호를 수신할 수도 있다.
일 실시 예에 따르면 휴대용 전자 장치(500)는 오디오 신호의 주파수를 분석할 수 있다. 예를 들어, 휴대용 전자 장치(500)는 오디오 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화하고, 오디오 신호의 주파수를 분석할 수 있다.
일 실시 예에 따르면 휴대용 전자 장치(500)는 분석된 주파수를 이용하여 오디오 신호의 정규화된 특징 값을 추출할 수 있다. 오디오 신호의 정규화된 특징 값은 예를 들어, 오디오 신호의 normalized log-spectral magnitude, normalized MFCC, normalized LPC또는 normalized LP residual 중 적어도 하나 이상일 수 있다.
일 실시 예에 따르면 휴대용 전자 장치(500)는 신경망 모델(540)을 통해 출력 값을 획득할 수 있다. 예를 들어, 휴대용 전자 장치(500)는 오디오 신호의 특징 값에서 노이즈 신호의 특징 값을 감소(또는 제거)시켜 출력 값을 획득할 수 있다.
일 실시 예에 따르면 휴대용 전자 장치(500)는 출력 값을 비정규화할 수 있다. 예를 들어, 갱신된 신경망 모델은 정규화된 값을 이용하여 연산을 수행하므로, 휴대용 전자 장치(500)는 출력 값을 비정규화할 수 있다.
동작 603에서 휴대용 전자 장치(500)는 제1 오디오 출력 신호를 획득할 수 있다. 예를 들어, 휴대용 전자 장치(500)는 비정규화된 출력 값에서 잔여 노이즈 신호를 제거하여 제1 오디오 출력 신호를 획득할 수 있다. 잔여 노이즈 신호는 예를 들어, 도 2에서 설명한 제2 노이즈 신호에 해당할 수 있다. 일 실시 예에 따르면, 잔여 노이즈 신호는 비정규화된 출력 값에 포함될 수도 있고, 포함되지 않을 수도 있다. 잔여 노이즈 신호가 비정규화된 출력 값에 포함되지 않을 경우, 잔여 노이즈 신호를 제거하는 동작 은 생략될 수 있다.
동작 605에서 휴대용 전자 장치(500)는 제1 오디오 출력 신호를 역 변환하여 제2 오디오 출력 신호(예: 노이즈가 제거된 음성 신호)를 획득할 수 있다. 제2 오디오 출력 신호는 휴대용 전자 장치(500)의 외부로 출력될 수도 있고, 외부 휴대용 전자 장치(500)로 전송될 수도 있다.
도 7은 다른 실시 예에 따른 휴대용 전자 장치의 블록도를 나타낸다. 도 7에 도시된 갱신된 신경망 모델(750)은 도 4에 도시된 전자 장치(400)(예: 전자 장치(10))에 의해 갱신된 신경망 모델(750)일 수 있다. 따라서 도 7에 도시된 휴대용 전자 장치(700)(예: 휴대용 전자 장치(20))는 두 개의 채널을 통해 오디오 신호를 수신하고, 수신된 오디오 신호에서 노이즈 신호를 감소(또는 제거)시키는 휴대용 전자 장치(700)를 나타낸다. 한편, 도 7에 도시된 프로그램 모듈들(720, 730, 740, 750, 760, 770, 780)은 도 1에 도시된 메모리(22)에 저장될 수 있고, 프로세서(24)에 의해 실행될 수 있다.
도 7을 참조하면 제1 마이크(711) 및 제2 마이크(712)는 제1 오디오 신호 및 제2 오디오 신호를 각각 수신할 수 있다. 이 때 제1 마이크(711)는 휴대용 전자 장치(700)에서 USB 포트에 인접하게 배치된 마이크일 수 있다. 따라서, 사용자가 휴대용 전자 장치(700)를 통해 통화할 경우 제1 마이크(711)는 사용자의 입과 가까운 위치에 있을 수 있다. 제1 오디오 신호는 제1 마이크(711)를 통해 수신한 오디오 신호이므로 음성 신호의 크기가 노이즈 신호의 크기에 비해 상대적으로 클 수 있다(또는 SNR(signal to noise ratio)이 클 수 있다).
제2 마이크(712)는 휴대용 전자 장치(700)에서 근접 센서에 인접하게 배치된 마이크일 수 있다. 따라서, 사용자가 휴대용 전자 장치(700)를 통해 통화할 경우 제2 마이크(712)는 사용자의 귀와 가까운 위치에 있을 수 있다. 제2 오디오 신호는 제2 마이크(712)를 통해 수신한 오디오 신호이므로 음성 신호의 크기가 노이즈 신호의 크기에 비해 상대적으로 작을 수 있다(또는 SNR(signal to noise ratio)이 작을 수 있다).
STFT(short time fourier transform) 모듈(720)은 제1 오디오 신호 및 제2 오디오 신호를 일정한 길이의 윈도우(window)를 이용하여 세분화하고, 제1 오디오 신호 및 제2 오디오 신호의 주파수를 분석할 수 있다.
빔포머(730)(beamformer)는 제1 오디오 신호 및 제2 오디오 신호를 빔포밍하여 제1 입력 신호 및 제2 입력 신호를 생성할 수 있다. 제1 입력 신호 및 제2 입력 신호는 각각 제1 지점(791) 및 제2 지점(792)에서 측정되는 신호일 수 있다. 한편, 본 발명의 일 실시 예에 따르면 프로세서(24)는 제1 오디오 신호 및 제2 오디오 신호를 빔포밍 과정 없이 입력 특징 값 추출 모듈(740)에 제공할 수도 있다.
입력 특징 값 추출(input feature extraction) 모듈(740)은 제1 입력 신호 및 제2 입력 신호의 특징 값들을 각각 추출할 수 있다. 예를 들어, 입력 특징 값 추출 모듈은 제1 입력 신호 및 제2 입력 신호의 특징 벡터(예: log-spectral magnitude, normalized MFCC, normalized LPC 또는 normalized LP residual를 추출할 수 있다. 입력 값 추출 모듈(740)에서 추출된 특징 값들은 갱신된 신경망 모델(750)에 전송될 수 있다.
프로세서(24)는 갱신된 신경망 모델(750)을 이용하여 제1 입력 신호의 특징 값 및 제2 입력 신호의 특징 값에 대응하는 출력 값을 획득할 수 있다. 예를 들어, 갱신된 신경망 모델(750)은 제1 입력 신호의 특징 값 및/또는 제2 입력 신호의 특징 값에서 노이즈 신호의 특징 값을 감소(또는 제거) 시켜 출력 값을 획득할 수 있다.
특징 값 비정규화(feature denormalization) 모듈(760)은 출력 값을 비정규화할 수 있다. 예를 들어, 출력 값은 정규화된 값이므로, 특징 값 비정규화 모듈(760)은 음성 합성을 위해 출력 값을 비정규화할 수 있다.
후처리(post-processing) 모듈(770)은 비정규화된 출력 값에서 잔여 노이즈 신호를 감소(또는 제거)시켜 제1 오디오 출력 신호를 획득할 수 있다. 일 실시 예에 따르면, 도 4에서 설명한 바와 같이 전자 장치(400)는 잔여 노이즈 신호(예: 제3 노이즈 신호)가 존재하도록 신경망 모델(470)을 학습시킬 수 있다. 따라서, 갱신된 신경된 모델을 통해 출력되는 출력 값에도 잔여 노이즈 신호가 존재할 수 있다. 후처리 모듈(770)은 잔여 노이즈 신호를 감소(또는 제거)함으로써 개선된 제1 오디오 출력 신호를 획득할 수 있다.
역 STFT 모듈(780)은 제1 오디오 출력 신호를 역 변환하여 제2 오디오 출력 신호(예: 노이즈가 제거된 음성 신호)를 출력할 수 있다. 예를 들어, 역 STFT 모듈(780)은 frequency domain 상의 제1 오디오 출력 신호를 time domain 상의 제2 오디오 출력 신호로 변환할 수 있다. 제2 오디오 출력 신호는 휴대용 전자 장치(700)의 외부로 출력될 수 있다. 일 실시 예에 따르면, 역 STFT 모듈(780)은 빔포머(730)에서 생성된 제1 입력 신호 및/또는 제2 입력 신호의 위상(phase)을 이용하여 제1 오디오 출력 신호를 역 변환할 수도 있다.
본 발명의 일 실시 예에 따른 휴대용 전자 장치는, 오디오 입력 장치, 및 프로세서를 포함하고, 상기 프로세서는, 상기 오디오 입력 장치를 통해 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하고, 제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고, 및 제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 입력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 가질 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 오디오 입력 데이터 중 상기 노이즈 신호에 대응하는 일부분을 처리하여 상기 제1 오디오 출력 데이터를 생성하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는, 상기 오디오 입력 데이터의 제 1 SNR(signal-to-noise ratio)과 상기 제 1 오디오 출력 데이터의 제 2 SNR의 차이가 지정된 범위에 속하도록 상기 오디오 입력 데이터의 상기 필터링을 수행하고, 및 상기 제 2 SNR과 상기 제 2 오디오 출력 데이터의 제 3 SNR의 차이가 다른(another) 지정된 범위에 속하도록 상기 제 1 오디오 출력 데이터의 상기 필터링을 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 휴대용 전자 장치는 통신 모듈을 더 포함하고, 상기 프로세서는, 상기 통신 모듈을 통해 상기 오디오 입력 데이터의 적어도 일부를 외부 전자 장치로 전송하고, 상기 외부 전자 장치로부터, 상기 오디오 입력 데이터의 상기 적어도 일부에 대응하는 상기 신경망 모델과 관련된 필터 모델 데이터를 수신하고, 및 상기 수신된 필터 모델 데이터를 이용하여 상기 오디오 입력 데이터의 상기 필터링을 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 휴대용 전자 장치는 상기 신경망 모델과 관련된 제 1 필터 모델 데이터 및 제 2 필터 모델 데이터를 저장하기 위한 메모리를 더 포함하고, 상기 프로세서는, 상기 휴대용 전자 장치에 대응하는 상황 정보를 확인하고, 상기 상황 정보에 적어도 기반하여, 상기 제 1 필터 모델 데이터 또는 상기 제 2 필터 모델 데이터를 선택하고, 및 상기 선택된 필터 모델 데이터를 이용하여 상기 오디오 입력 데이터의 상기 필터링을 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 오디오 입력 장치는 제 1 오디오 입력 장치와 제 2 오디오 입력 장치를 포함하고, 상기 오디오 입력 데이터는 제 1 오디오 입력 데이터와 제 2 오디오 입력 데이터를 포함하고, 및 상기 프로세서는, 상기 오디오 입력 데이터를 획득하는 동작의 적어도 일부로, 상기 제 1 오디오 입력 장치를 통해 상기 제 1 오디오 입력 데이터를, 및 상기 제 2 오디오 입력 장치를 통해 상기 제 2 오디오 입력 데이터를 획득하고, 및 상기 제 1 오디오 입력 데이터와 상기 제 2 오디오 입력 데이터를 빔포밍을 이용하여 전처리를 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는, 상기 오디오 입력 데이터의 적어도 일부를 이용하여 상기 제 1 오디오 출력 데이터의 상기 필터링을 수행하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 제2 오디오 출력 데이터를 인코딩하여 외부 전자 장치로 전송하도록 설정될 수 있다.
본 발명의 일 실시 예에 따른 상기 프로세서는 상기 제2 오디오 출력 데이터를 외부 전자 장치로 전송하고, 상기 외부 전자 장치로부터 상기 제2 오디오 출력 데이터에 대응하는 명령어를 수신하고, 및 상기 명령어에 대응하는 기능을 수행하도록 설정될 수 있다.
도 8은 일 실시 예에 따른 오디오 신호, 노이즈 신호, 및 음성 신호를 나타낸다.
도 8을 참조하면 그래프(810), 및 그래프(820)는 각각 오디오 신호(810), 및 노이즈 신호가 제거된 음성 신호(820)를 나타낸다. 휴대용 전자 장치(20)는 마이크를 통해 오디오 신호(810)를 수신할 수 있다. 수신된 오디오 신호(810)는 갱신된 신경망 모델에 제공될 수 있고, 휴대용 전자 장치(20)는 갱신된 신경망 모델을 통해 노이즈 신호를 제거할 수 있다. 노이즈 신호가 제거되면, 노이즈 신호가 제거된 음성 신호(820)가 획득될 수 있다.
도 9는 다양한 실시 예에 따른 네트워크 환경 내의 전자 장치를 나타낸다.
도 9를 참조하면, 다양한 실시 예에서의 전자 장치(901), 제1 전자 장치(902), 제2 전자 장치(904) 또는 서버(906)가 네트워크(962) 또는 근거리 통신(964)을 통하여 서로 연결될 수 있다. 전자 장치(901)는 버스(910), 프로세서(920), 메모리(930), 입출력 인터페이스(950), 디스플레이(960), 및 통신 인터페이스(970)를 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(901)는, 구성요소들 중 적어도 하나를 생략하거나 다른 구성 요소를 추가적으로 구비할 수 있다.
버스(910)는, 예를 들면, 구성요소들(910-970)을 서로 연결하고, 구성요소들 간의 통신(예: 제어 메시지 및/또는 데이터)을 전달하는 회로를 포함할 수 있다.
프로세서(920)는, 중앙처리장치(Central Processing Unit (CPU)), 어플리케이션 프로세서(Application Processor (AP)), 또는 커뮤니케이션 프로세서(Communication Processor (CP)) 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(920)는, 예를 들면, 전자 장치(901)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.
메모리(930)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(930)는, 예를 들면, 전자 장치(901)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 한 실시 예에 따르면, 메모리(930)는 소프트웨어 및/또는 프로그램(940)을 저장할 수 있다. 프로그램(940)은, 예를 들면, 커널(941), 미들웨어(943), 어플리케이션 프로그래밍 인터페이스(Application Programming Interface (API))(945), 및/또는 어플리케이션 프로그램(또는 "어플리케이션")(947) 등을 포함할 수 있다. 커널(941), 미들웨어(943), 또는 API(945)의 적어도 일부는, 운영 시스템(Operating System (OS))으로 지칭될 수 있다.
커널(941)은, 예를 들면, 다른 프로그램들(예: 미들웨어(943), API(945), 또는 어플리케이션 프로그램(947))에 구현된 동작 또는 기능을 실행하는 데 사용되는 시스템 리소스들(예: 버스(910), 프로세서(920), 또는 메모리(930) 등)을 제어 또는 관리할 수 있다. 또한, 커널(941)은 미들웨어(943), API(945), 또는 어플리케이션 프로그램(947)에서 전자 장치(901)의 개별 구성요소에 접근함으로써, 시스템 리소스들을 제어 또는 관리할 수 있는 인터페이스를 제공할 수 있다.
미들웨어(943)는, 예를 들면, API(945) 또는 어플리케이션 프로그램(947)이 커널(941)과 통신하여 데이터를 주고받을 수 있도록 중개 역할을 수행할 수 있다.
또한, 미들웨어(943)는 어플리케이션 프로그램(947)으로부터 수신된 하나 이상의 작업 요청들을 우선 순위에 따라 처리할 수 있다. 예를 들면, 미들웨어(943)는 어플리케이션 프로그램(947) 중 적어도 하나에 전자 장치(901)의 시스템 리소스(예: 버스(910), 프로세서(920), 또는 메모리(930) 등)를 사용할 수 있는 우선 순위를 부여할 수 있다. 예컨대, 미들웨어(943)는 상기 적어도 하나에 부여된 우선 순위에 따라 상기 하나 이상의 작업 요청들을 처리함으로써, 상기 하나 이상의 작업 요청들에 대한 스케쥴링 또는 로드 밸런싱 등을 수행할 수 있다.
API(945)는, 예를 들면, 어플리케이션(947)이 커널(941) 또는 미들웨어(943)에서 제공되는 기능을 제어하기 위한 인터페이스로, 예를 들면, 파일 제어, 창 제어, 영상 처리, 또는 문자 제어 등을 위한 적어도 하나의 인터페이스 또는 함수(예: 명령어)를 포함할 수 있다.
입출력 인터페이스(950)는, 예를 들면, 사용자 또는 다른 외부 기기로부터 입력된 명령 또는 데이터를 전자 장치(901)의 다른 구성요소(들)에 전달할 수 있는 인터페이스의 역할을 할 수 있다. 또한, 입출력 인터페이스(950)는 전자 장치(901)의 다른 구성요소(들)로부터 수신된 명령 또는 데이터를 사용자 또는 다른 외부 기기로 출력할 수 있다.
디스플레이(960)는, 예를 들면, 액정 디스플레이(Liquid Crystal Display (LCD)), 발광 다이오드(Light-Emitting Diode (LED)) 디스플레이, 유기 발광 다이오드(Organic LED (OLED)) 디스플레이, 또는 마이크로 전자기계 시스템(microelectromechanical systems, MEMS) 디스플레이, 또는 전자 종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(960)는, 예를 들면, 사용자에게 각종 컨텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 또는 심볼 등)을 표시할 수 있다. 디스플레이(960)는, 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스처, 근접, 또는 호버링(hovering) 입력을 수신할 수 있다.
통신 인터페이스(970)는, 예를 들면, 전자 장치(901)와 외부 장치(예: 제1 전자 장치(902), 제2 전자 장치(904), 또는 서버(906)) 간의 통신을 설정할 수 있다. 예를 들면, 통신 인터페이스(970)는 무선 통신 또는 유선 통신을 통해서 네트워크(962)에 연결되어 외부 장치(예: 제2 전자 장치(904) 또는 서버(906))와 통신할 수 있다.
무선 통신은, 예를 들면 셀룰러 통신 프로토콜로서, 예를 들면 LTE(Long-Term Evolution), LTE-A(LTE-Advanced), CDMA(Code Division Multiple Access), WCDMA(Wideband CDMA), UMTS(Universal Mobile Telecommunications System), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 중 적어도 하나를 사용할 수 있다. 또한 무선 통신은, 예를 들면, 근거리 통신(964)을 포함할 수 있다. 근거리 통신(964)는, 예를 들면, Wi-Fi(Wireless Fidelity), LiFi(light fidelity), Bluetooth, NFC(Near Field Communication), MST(magnetic stripe transmission), 또는 GNSS 중 적어도 하나를 포함할 수 있다.
MST는 전자기 신호를 이용하여 전송 데이터에 따라 펄스를 생성하고, 상기 펄스는 자기장 신호를 발생시킬 수 있다. 전자 장치(901)는 상기 자기장 신호를 POS(point of sales)에 전송하고, POS는 MST 리더(MST reader)를 이용하여 상기 자기장 신호는 검출하고, 검출된 자기장 신호를 전기 신호로 변환함으로써 상기 데이터를 복원할 수 있다.
GNSS는 사용 지역 또는 대역폭 등에 따라, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo(the European global satellite-based navigation system) 중 적어도 하나를 포함할 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 혼용되어 사용(interchangeably used)될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard-232), 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크(962)는 통신 네트워크(telecommunications network), 예를 들면, 컴퓨터 네트워크(computer network)(예: LAN 또는 WAN), 인터넷, 또는 전화 망(telephone network) 중 적어도 하나를 포함할 수 있다.
제1 전자 장치(902) 및 제2 전자 장치(904) 각각은 전자 장치(901)와 동일한 또는 다른 종류의 장치일 수 있다. 한 실시 예에 따르면, 서버(906)는 하나 또는 그 이상의 서버들의 그룹을 포함할 수 있다. 다양한 실시 예에 따르면, 전자 장치(901)에서 실행되는 동작들의 전부 또는 일부는 다른 하나 또는 복수의 전자 장치(예: 제1 전자 장치(902), 제2 전자 장치(904), 또는 서버(906))에서 실행될 수 있다. 한 실시 예에 따르면, 전자 장치(901)가 어떤 기능이나 서비스를 자동으로 또는 요청에 의하여 수행해야 할 경우에, 전자 장치(901)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 그와 연관된 적어도 일부 기능을 다른 전자 장치(예: 제1 전자 장치(902), 제2 전자 장치(904), 또는 서버(906))에게 요청할 수 있다. 다른 전자 장치는 요청된 기능 또는 추가 기능을 실행하고, 그 결과를 전자 장치(901)로 전달할 수 있다. 전자 장치(901)는 수신된 결과를 그대로 또는 추가적으로 처리하여 요청된 기능이나 서비스를 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 10은 다양한 실시 예에 따른 전자 장치의 블록도를 나타낸다.
도 10을 참조하면, 전자 장치(1001)는, 예를 들면, 도 9에 도시된 전자 장치(901)의 전체 또는 일부를 포함할 수 있다. 전자 장치(1001)는 하나 이상의 프로세서(예: AP)(1010), 통신 모듈(1020), 가입자 식별 모듈(1024), 메모리(1030), 센서 모듈(1040), 입력 장치(1050), 디스플레이(1060), 인터페이스(1070), 오디오 모듈(1080), 카메라 모듈(1091), 전력 관리 모듈(1095), 배터리(1096), 인디케이터(1097), 및 모터(1098)를 포함할 수 있다.
프로세서(1010)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(1010)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(1010)는, 예를 들면, SoC(system on chip)로 구현될 수 있다. 한 실시 예에 따르면, 프로세서(1010)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서(image signal processor)를 더 포함할 수 있다. 프로세서(1010)는 도 10에 도시된 구성요소들 중 적어도 일부(예: 셀룰러 모듈(1021))를 포함할 수도 있다. 프로세서(1010)는 다른 구성요소들(예: 비휘발성 메모리) 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드(load)하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장(store)할 수 있다.
통신 모듈(1020)은, 도 9의 통신 인터페이스(970)와 동일 또는 유사한 구성을 가질 수 있다. 통신 모듈(1020)은, 예를 들면, 셀룰러 모듈(1021), Wi-Fi 모듈(1022), 블루투스 모듈(1023), GNSS 모듈(1024)(예: GPS 모듈, Glonass 모듈, Beidou 모듈, 또는 Galileo 모듈), NFC 모듈(1025), MST 모듈(1026), 및 RF(radio frequency) 모듈(1027)을 포함할 수 있다.
셀룰러 모듈(1021)은, 예를 들면, 통신망을 통해서 음성 통화, 영상 통화, 문자 서비스, 또는 인터넷 서비스 등을 제공할 수 있다. 한 실시 예에 따르면, 셀룰러 모듈(1021)은 가입자 식별 모듈(예: SIM 카드)(1029)를 이용하여 통신 네트워크 내에서 전자 장치(1001)의 구별 및 인증을 수행할 수 있다. 한 실시 예에 따르면, 셀룰러 모듈(1021)은 프로세서(1010)가 제공할 수 있는 기능 중 적어도 일부 기능을 수행할 수 있다. 한 실시 예에 따르면, 셀룰러 모듈(1021)은 커뮤니케이션 프로세서(CP)를 포함할 수 있다.
Wi-Fi 모듈(1022), 블루투스 모듈(1023), GNSS 모듈(1024), NFC 모듈(1025), 또는 MST 모듈(1026) 각각은, 예를 들면, 해당하는 모듈을 통해서 송수신되는 데이터를 처리하기 위한 프로세서를 포함할 수 있다. 어떤 실시 예에 따르면, 셀룰러 모듈(1021), Wi-Fi 모듈(1022), 블루투스 모듈(1023), GNSS 모듈(1024), NFC 모듈(1025), 또는 MST 모듈(1026) 중 적어도 일부(예: 두 개 이상)는 하나의 IC(integrated chip) 또는 IC 패키지 내에 포함될 수 있다.
RF 모듈(1027)은, 예를 들면, 통신 신호(예: RF 신호)를 송수신할 수 있다. RF 모듈(1027)은, 예를 들면, 트랜시버(transceiver), PAM(power amp module), 주파수 필터(frequency filter), LNA(low noise amplifier), 또는 안테나 등을 포함할 수 있다. 다른 실시 예에 따르면, 셀룰러 모듈(1021), Wi-Fi 모듈(1022), 블루투스 모듈(1023), GNSS 모듈(1024), NFC 모듈(1025), MST 모듈(1026) 중 적어도 하나는 별개의 RF 모듈을 통하여 RF 신호를 송수신할 수 있다.
가입자 식별 모듈(1029)은, 예를 들면, 가입자 식별 모듈을 포함하는 카드 및/또는 내장 SIM(embedded SIM)을 포함할 수 있으며, 고유한 식별 정보(예: ICCID (integrated circuit card identifier)) 또는 가입자 정보(예: IMSI (international mobile subscriber identity))를 포함할 수 있다.
메모리(1030)(예: 메모리(930))는, 예를 들면, 내장 메모리(1032) 또는 외장 메모리(1034)를 포함할 수 있다. 내장 메모리(1032)는, 예를 들면, 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비-휘발성(non-volatile) 메모리 (예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), 마스크(mask) ROM, 플래시(flash) ROM, 플래시 메모리(예: 낸드플래시(NAND flash) 또는 노아플래시(NOR flash) 등), 하드 드라이브, 또는 SSD(solid state drive) 중 적어도 하나를 포함할 수 있다.
외장 메모리(1034)는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD, Mini-SD, xD(extreme digital), MMC(MultiMediaCard), 또는 메모리 스틱(memory stick) 등을 더 포함할 수 있다. 외장 메모리(1034)는 다양한 인터페이스를 통하여 전자 장치(1001)와 기능적으로 및/또는 물리적으로 연결될 수 있다.
보안 모듈(1036)은 메모리(1030)보다 상대적으로 보안 레벨이 높은 저장 공간을 포함하는 모듈로써, 안전한 데이터 저장 및 보호된 실행 환경을 보장해주는 회로일 수 있다. 보안 모듈(1036)은 별도의 회로로 구현될 수 있으며, 별도의 프로세서를 포함할 수 있다. 보안 모듈(1036)은, 예를 들면, 탈착 가능한 스마트 칩, SD(secure digital) 카드 내에 존재하거나, 또는 전자 장치(1001)의 고정 칩 내에 내장된 내장형 보안 요소(embedded secure element(eSE))를 포함할 수 있다. 또한, 보안 모듈(1036)은 전자 장치(1001)의 운영 체제(OS)와 다른 운영 체제로 구동될 수 있다. 예를 들면, 보안 모듈(1036)은 JCOP(java card open platform) 운영 체제를 기반으로 동작할 수 있다.
센서 모듈(1040)은, 예를 들면, 물리량을 계측하거나 전자 장치(1001)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 센서 모듈(1040)은, 예를 들면, 제스처 센서(1040A), 자이로 센서(1040B), 기압 센서(1040C), 마그네틱 센서(1040D), 가속도 센서(1040E), 그립 센서(1040F), 근접 센서(1040G), 컬러 센서(1040H)(예: RGB 센서), 생체 센서(1040I), 온/습도 센서(1040J), 조도 센서(1040K), 또는 UV(ultra violet) 센서(1040M) 중의 적어도 하나를 포함할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(1040)은, 예를 들면, 후각 센서(E-nose sensor), EMG(electromyography) 센서, EEG(electroencephalogram) 센서, ECG(electrocardiogram) 센서, IR(infrared) 센서, 홍채 센서 및/또는 지문 센서를 포함할 수 있다. 센서 모듈(1040)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어 회로를 더 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(1001)는 프로세서(1010)의 일부로서 또는 별도로, 센서 모듈(1040)을 제어하도록 구성된 프로세서를 더 포함하여, 프로세서(1010)가 슬립(sleep) 상태에 있는 동안, 센서 모듈(1040)을 제어할 수 있다.
입력 장치(1050)는, 예를 들면, 터치 패널(touch panel)(1052), (디지털) 펜 센서(pen sensor)(1054), 키(key)(1056), 또는 초음파(ultrasonic) 입력 장치(1058)를 포함할 수 있다. 터치 패널(1052)은, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. 또한, 터치 패널(1052)은 제어 회로를 더 포함할 수도 있다. 터치 패널(1052)은 택타일 레이어(tactile layer)를 더 포함하여, 사용자에게 촉각 반응을 제공할 수 있다.
(디지털) 펜 센서(1054)는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 시트(sheet)를 포함할 수 있다. 키(1056)는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 초음파 입력 장치(1058)는 마이크(예: 마이크(1088))를 통해, 입력 도구에서 발생된 초음파를 감지하여, 상기 감지된 초음파에 대응하는 데이터를 확인할 수 있다.
디스플레이(1060)(예: 디스플레이(960))는 패널(1062), 홀로그램 장치(1064), 또는 프로젝터(1066)을 포함할 수 있다. 패널(1062)은, 도 9의 디스플레이(960)과 동일 또는 유사한 구성을 포함할 수 있다. 패널(1062)은, 예를 들면, 유연하게(flexible), 투명하게(transparent), 또는 착용할 수 있게(wearable) 구현될 수 있다. 패널(1062)은 터치 패널(1052)과 하나의 모듈로 구성될 수도 있다. 홀로그램 장치(1064)는 빛의 간섭을 이용하여 입체 영상을 허공에 보여줄 수 있다. 프로젝터(1066)는 스크린에 빛을 투사하여 영상을 표시할 수 있다. 스크린은, 예를 들면, 전자 장치(1001)의 내부 또는 외부에 위치할 수 있다. 한 실시 예에 따르면, 디스플레이(1060)는 패널(1062), 홀로그램 장치(1064), 또는 프로젝터(1066)를 제어하기 위한 제어 회로를 더 포함할 수 있다.
인터페이스(1070)는, 예를 들면, HDMI(1072), USB(1074), 광 인터페이스(optical interface)(1076), 또는 D-sub(D-subminiature)(1078)을 포함할 수 있다. 인터페이스(1070)는, 예를 들면, 도 9에 도시된 통신 인터페이스(970)에 포함될 수 있다. 추가적으로 또는 대체적으로, 인터페이스(1070)는, 예를 들면, MHL(mobile high-definition link) 인터페이스, SD 카드/MMC 인터페이스, 또는 IrDA(infrared data association) 규격 인터페이스를 포함할 수 있다.
오디오 모듈(1080)은, 예를 들면, 소리(sound)와 전기 신호를 쌍방향으로 변환시킬 수 있다. 오디오 모듈(1080)의 적어도 일부 구성요소는, 예를 들면, 도 9에 도시된 입출력 인터페이스(950)에 포함될 수 있다. 오디오 모듈(1080)은, 예를 들면, 스피커(1082), 리시버(1084), 이어폰(1086), 또는 마이크(1088) 등을 통해 입력 또는 출력되는 소리 정보를 처리할 수 있다.
카메라 모듈(1091)은, 예를 들면, 정지 영상 및 동영상을 촬영할 수 있는 장치로서, 한 실시 예에 따르면, 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, ISP(image signal processor), 또는 플래시(flash)(예: LED 또는 제논 램프(xenon lamp))를 포함할 수 있다.
전력 관리 모듈(1095)은, 예를 들면, 전자 장치(1001)의 전력을 관리할 수 있다. 한 실시 예에 따르면, 전력 관리 모듈(1095)은 PMIC(power management integrated circuit), 충전 IC(charger integrated circuit), 또는 배터리 또는 연료 게이지(battery or fuel gauge)를 포함할 수 있다. PMIC는, 유선 및/또는 무선 충전 방식을 가질 수 있다. 무선 충전 방식은, 예를 들면, 자기공명 방식, 자기유도 방식 또는 전자기파 방식 등을 포함하며, 무선 충전을 위한 부가적인 회로, 예를 들면, 코일 루프, 공진 회로, 또는 정류기 등을 더 포함할 수 있다. 배터리 게이지는, 예를 들면, 배터리(1096)의 잔량, 충전 중 전압, 전류, 또는 온도를 측정할 수 있다. 배터리(1096)은, 예를 들면, 충전식 전지(rechargeable battery) 및/또는 태양 전지(solar battery)를 포함할 수 있다.
인디케이터(1097)는 전자 장치(1001) 혹은 그 일부(예: 프로세서(1010))의 특정 상태, 예를 들면, 부팅 상태, 메시지 상태 또는 충전 상태 등을 표시할 수 있다. 모터(1098)는 전기적 신호를 기계적 진동으로 변환할 수 있고, 진동(vibration), 또는 햅틱(haptic) 효과 등을 발생시킬 수 있다. 도시되지는 않았으나, 전자 장치(1001)는 모바일 TV 지원을 위한 처리 장치(예: GPU)를 포함할 수 있다. 모바일 TV 지원을 위한 처리 장치는, 예를 들면, DMB(Digital Multimedia Broadcasting), DVB(Digital Video Broadcasting), 또는 미디어플로(MediaFLOTM) 등의 규격에 따른 미디어 데이터를 처리할 수 있다.
본 문서에서 기술된 구성요소들 각각은 하나 또는 그 이상의 부품(component)으로 구성될 수 있으며, 해당 구성 요소의 명칭은 전자 장치의 종류에 따라서 달라질 수 있다. 다양한 실시 예에서, 전자 장치는 본 문서에서 기술된 구성요소 중 적어도 하나를 포함하여 구성될 수 있으며, 일부 구성요소가 생략되거나 또는 추가적인 다른 구성요소를 더 포함할 수 있다. 또한, 다양한 실시 예에 따른 전자 장치의 구성 요소들 중 일부가 결합되어 하나의 개체(entity)로 구성됨으로써, 결합되기 이전의 해당 구성 요소들의 기능을 동일하게 수행할 수 있다.
도 11은 다양한 실시 예에 따른 프로그램 모듈의 블록도를 나타낸다.
한 실시 예에 따르면, 프로그램 모듈(1110)(예: 프로그램(940))은 전자 장치(예: 전자 장치(901))에 관련된 자원을 제어하는 운영 체제(OS) 및/또는 운영 체제 상에서 구동되는 다양한 어플리케이션(예: 어플리케이션 프로그램(947))을 포함할 수 있다. 운영 체제는, 예를 들면, Android, iOS, Windows, Symbian, 또는 Tizen 등이 될 수 있다.
프로그램 모듈(1110)은 커널(1120), 미들웨어(1130), API(1160), 및/또는 어플리케이션(1170)을 포함할 수 있다. 프로그램 모듈(1110)의 적어도 일부는 전자 장치 상에 프리로드(preload) 되거나, 외부 전자 장치(예: 제1 전자 장치(902), 제2 전자 장치(904), 서버(906) 등)로부터 다운로드 가능하다.
커널(1120)(예: 커널(941))은, 예를 들면, 시스템 리소스 매니저(1121) 또는 디바이스 드라이버(1123)를 포함할 수 있다. 시스템 리소스 매니저(1121)는 시스템 리소스의 제어, 할당, 또는 회수 등을 수행할 수 있다. 한 실시 예에 따르면, 시스템 리소스 매니저(1121)는 프로세스 관리부, 메모리 관리부, 또는 파일 시스템 관리부 등을 포함할 수 있다. 디바이스 드라이버(1123)는, 예를 들면, 디스플레이 드라이버, 카메라 드라이버, 블루투스 드라이버, 공유 메모리 드라이버, USB 드라이버, 키패드 드라이버, Wi-Fi 드라이버, 오디오 드라이버, 또는 IPC(inter-process communication) 드라이버를 포함할 수 있다.
미들웨어(1130)는, 예를 들면, 어플리케이션(1170)이 공통적으로 필요로 하는 기능을 제공하거나, 어플리케이션(1170)이 전자 장치 내부의 제한된 시스템 자원을 효율적으로 사용할 수 있도록 API(1160)을 통해 다양한 기능들을 어플리케이션(1170)으로 제공할 수 있다. 한 실시 예에 따르면, 미들웨어(1130)(예: 미들웨어(943))은 런타임 라이브러리(1135), 어플리케이션 매니저(application manager)(1141), 윈도우 매니저(window manager)(1142), 멀티미디어 매니저(multimedia manager)(1143), 리소스 매니저(resource manager)(1144), 파워 매니저(power manager)(1145), 데이터베이스 매니저(database manager)(1146), 패키지 매니저(package manager)(1147), 연결 매니저(connectivity manager)(1148), 통지 매니저(notification manager)(1149), 위치 매니저(location manager)(1150), 그래픽 매니저(graphic manager)(1151), 보안 매니저(security manager)(1152), 또는 결제 매니저(1154) 중 적어도 하나를 포함할 수 있다.
런타임 라이브러리(1135)는, 예를 들면, 어플리케이션(1170)이 실행되는 동안에 프로그래밍 언어를 통해 새로운 기능을 추가하기 위해 컴파일러가 사용하는 라이브러리 모듈을 포함할 수 있다. 런타임 라이브러리(1135)는 입출력 관리, 메모리 관리, 또는 산술 함수에 대한 기능 등을 수행할 수 있다.
어플리케이션 매니저(1141)는, 예를 들면, 어플리케이션(1170) 중 적어도 하나의 어플리케이션의 생명 주기(life cycle)를 관리할 수 있다. 윈도우 매니저(1142)는 화면에서 사용하는 GUI 자원을 관리할 수 있다. 멀티미디어 매니저(1143)는 다양한 미디어 파일들의 재생에 필요한 포맷을 파악하고, 해당 포맷에 맞는 코덱(codec)을 이용하여 미디어 파일의 인코딩(encoding) 또는 디코딩(decoding)을 수행할 수 있다. 리소스 매니저(1144)는 어플리케이션(1170) 중 적어도 어느 하나의 어플리케이션의 소스 코드, 메모리 또는 저장 공간 등의 자원을 관리할 수 있다.
파워 매니저(1145)는, 예를 들면, 바이오스(BIOS: basic input/output system) 등과 함께 동작하여 배터리의 용량, 온도 또는 전원을 관리하고, 이중 해당 정보를 이용하여 전자 장치의 동작에 필요한 전력 정보를 결정 또는 제공할 수 있다. 데이터베이스 매니저(1146)은 어플리케이션(1170) 중 적어도 하나의 어플리케이션에서 사용할 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(1147)은 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 업데이트를 관리할 수 있다.
연결 매니저(1148)은, 예를 들면, Wi-Fi 또는 블루투스 등의 무선 연결을 관리할 수 있다. 통지 매니저(1149)는 도착 메시지, 약속, 근접성 알림 등의 사건(event)을 사용자에게 방해되지 않는 방식으로 표시 또는 통지할 수 있다. 위치 매니저(1150)은 전자 장치의 위치 정보를 관리할 수 있다. 그래픽 매니저(1151)은 사용자에게 제공될 그래픽 효과 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다. 보안 매니저(1152)는 시스템 보안 또는 사용자 인증 등에 필요한 제반 보안 기능을 제공할 수 있다. 한 실시 예에 따르면, 전자 장치(예: 전자 장치(901))가 전화 기능을 포함한 경우, 미들웨어(1130)는 전자 장치의 음성 또는 영상 통화 기능을 관리하기 위한 통화 매니저(telephony manager)를 더 포함할 수 있다.
미들웨어(1130)는 전술한 구성요소들의 다양한 기능의 조합을 형성하는 미들웨어 모듈을 포함할 수 있다. 미들웨어(1130)는 차별화된 기능을 제공하기 위해 운영 체제의 종류 별로 특화된 모듈을 제공할 수 있다. 또한, 미들웨어(1130)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다.
API(1160)(예: API(945))은, 예를 들면, API 프로그래밍 함수들의 집합으로, 운영 체제에 따라 다른 구성으로 제공될 수 있다. 예를 들면, Android 또는 iOS의 경우, 플랫폼 별로 하나의 API 셋을 제공할 수 있으며, 타이젠(Tizen)의 경우, 플랫폼 별로 두 개 이상의 API 셋을 제공할 수 있다.
어플리케이션(1170)(예: 어플리케이션 프로그램(947))은, 예를 들면, 홈(1171), 다이얼러(1172), SMS/MMS(1173), IM(instant message)(1174), 브라우저(1175), 카메라(1176), 알람(1177), 컨택트(1178), 음성 다이얼(1179), 이메일(1180), 달력(1181), 미디어 플레이어(1182), 앨범(1183), 또는 시계(1184), 건강 관리(health care)(예: 운동량 또는 혈당 등을 측정), 또는 환경 정보 제공(예: 기압, 습도, 또는 온도 정보 등을 제공) 등의 기능을 수행할 수 있는 하나 이상의 어플리케이션을 포함할 수 있다.
한 실시 예에 따르면, 어플리케이션(1170)은 전자 장치(예: 전자 장치(901))와 외부 전자 장치(예: 제1 전자 장치(902), 제2 전자 장치(904)) 사이의 정보 교환을 지원하는 어플리케이션(이하, 설명의 편의상, "정보 교환 어플리케이션")을 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치에 특정 정보를 전달하기 위한 알림 전달(notification relay) 어플리케이션, 또는 외부 전자 장치를 관리하기 위한 장치 관리(device management) 어플리케이션을 포함할 수 있다.
예를 들면, 알림 전달 어플리케이션은 전자 장치의 다른 어플리케이션(예: SMS/MMS 어플리케이션, 이메일 어플리케이션, 건강 관리 어플리케이션, 또는 환경 정보 어플리케이션 등)에서 발생된 알림 정보를 외부 전자 장치로 전달하는 기능을 포함할 수 있다. 또한, 알림 전달 어플리케이션은, 예를 들면, 외부 전자 장치로부터 알림 정보를 수신하여 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치와 통신하는 외부 전자 장치의 적어도 하나의 기능(예: 외부 전자 장치 자체(또는 일부 구성 부품)의 턴-온/턴-오프 또는 디스플레이의 밝기(또는 해상도) 조절), 외부 전자 장치에서 동작하는 어플리케이션 또는 외부 전자 장치에서 제공되는 서비스(예: 통화 서비스 또는 메시지 서비스 등)를 관리(예: 설치, 삭제, 또는 업데이트)할 수 있다.
한 실시 예에 따르면, 어플리케이션(1170)은 외부 전자 장치의 속성에 따라 지정된 어플리케이션(예: 모바일 의료 기기의 건강 관리 어플리케이션)을 포함할 수 있다. 한 실시 예에 따르면, 어플리케이션(1170)은 외부 전자 장치(예: 제1 전자 장치(902), 제2 전자 장치(904)), 및 서버(906)) 로부터 수신된 어플리케이션을 포함할 수 있다. 한 실시 예에 따르면, 어플리케이션(1170)은 프리로드 어플리케이션(preloaded application) 또는 서버로부터 다운로드 가능한 제3자 어플리케이션(third party application)을 포함할 수 있다. 도시된 실시 예에 따른 프로그램 모듈(1110)의 구성요소들의 명칭은 운영 체제의 종류에 따라서 달라질 수 있다.
다양한 실시 예에 따르면, 프로그램 모듈(1110)의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어, 또는 이들 중 적어도 둘 이상의 조합으로 구현될 수 있다. 프로그램 모듈(1110)의 적어도 일부는, 예를 들면, 프로세서(예: 프로세서(1010))에 의해 구현(implement)(예: 실행)될 수 있다. 프로그램 모듈(1110)의 적어도 일부는 하나 이상의 기능을 수행하기 위한, 예를 들면, 모듈, 프로그램, 루틴, 명령어 세트(sets of instructions) 또는 프로세스 등을 포함할 수 있다.
본 문서에서 사용된 용어 "모듈"은, 예를 들면, 하드웨어, 소프트웨어 또는 펌웨어(firmware) 중 하나 또는 둘 이상의 조합을 포함하는 단위(unit)를 의미할 수 있다. "모듈"은, 예를 들면, 유닛(unit), 로직(logic), 논리 블록(logical block), 부품(component), 또는 회로(circuit) 등의 용어와 바꾸어 사용(interchangeably use)될 수 있다. "모듈"은, 일체로 구성된 부품의 최소 단위 또는 그 일부가 될 수 있다. "모듈"은 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수도 있다. "모듈"은 기계적으로 또는 전자적으로 구현될 수 있다. 예를 들면, "모듈"은, 알려졌거나 앞으로 개발될, 어떤 동작들을 수행하는 ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays) 또는 프로그램 가능 논리 장치(programmable-logic device) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는, 예컨대, 프로그램 모듈의 형태로 컴퓨터로 읽을 수 있는 저장매체(computer-readable storage media)에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서(예: 프로세서(920))에 의해 실행될 경우, 상기 하나 이상의 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 읽을 수 있는 저장매체는, 예를 들면, 메모리(930)이 될 수 있다.
컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(magnetic media)(예: 자기테이프), 광기록 매체(optical media)(예: CD-ROM, DVD(Digital Versatile Disc), 자기-광 매체(magneto-optical media)(예: 플롭티컬 디스크(floptical disk)), 하드웨어 장치(예: ROM, RAM, 또는 플래시 메모리 등) 등을 포함할 수 있다. 또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다. 상술한 하드웨어 장치는 다양한 실시 예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지다.
다양한 실시 예에 따른 모듈 또는 프로그램 모듈은 전술한 구성요소들 중 적어도 하나 이상을 포함하거나, 일부가 생략되거나, 또는 추가적인 다른 구성요소를 더 포함할 수 있다. 다양한 실시 예에 따른 모듈, 프로그램 모듈 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱(heuristic)한 방법으로 실행될 수 있다. 또한, 일부 동작은 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
본 발명의 일 실시 예에 따른 저장 매체는 컴퓨터 판독 가능한 명령어를 저장하고, 상기 명령어는 전자 장치에 의해 실행될 때 상기 전자 장치로 하여금, 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하는 동작, 제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하는 동작, 및 제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 출력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하는 동작을 수행하도록 하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 가질 수 있다.
본 발명의 일 실시 예에 따른 상기 명령어는 상기 전자 장치에 의해 실행될 때 상기 전자 장치로 하여금, 상기 제1 오디오 출력 데이터 중 상기 노이즈 신호에 대응하는 일부분을 처리하여 상기 제 2 오디오 출력 데이터를 생성하는 동작을 수행하도록 할 수 있다.
그리고 본 문서에 개시된 실시 예는 개시된, 기술 내용의 설명 및 이해를 위해 제시된 것이며, 본 발명의 범위를 한정하는 것은 아니다. 따라서, 본 문서의 범위는, 본 발명의 기술적 사상에 근거한 모든 변경 또는 다양한 다른 실시 예를 포함하는 것으로 해석되어야 한다.

Claims (20)

  1. 휴대용 전자 장치에 있어서,
    오디오 입력 장치; 및
    프로세서를 포함하고,
    상기 프로세서는,
    상기 오디오 입력 장치를 통해 오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하고;
    제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하고, 상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고; 및
    제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 입력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하고, 상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 갖는, 휴대용 전자 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는 상기 오디오 입력 데이터 중 상기 노이즈 신호에 대응하는 일부분을 처리하여 상기 제1 오디오 출력 데이터를 생성하도록 설정된 휴대용 전자 장치.
  3. 제 1 항에 있어서,
    상기 프로세서는, 상기 오디오 입력 데이터의 제 1 SNR(signal-to-noise ratio)과 상기 제 1 오디오 출력 데이터의 제 2 SNR의 차이가 지정된 범위에 속하도록 상기 오디오 입력 데이터의 상기 필터링을 수행하고; 및
    상기 제 2 SNR과 상기 제 2 오디오 출력 데이터의 제 3 SNR의 차이가 다른(another) 지정된 범위에 속하도록 상기 제 1 오디오 출력 데이터의 상기 필터링을 수행하도록 설정된 휴대용 전자 장치.
  4. 제 1 항에 있어서,
    통신 모듈을 더 포함하고,
    상기 프로세서는, 상기 통신 모듈을 통해 상기 오디오 입력 데이터의 적어도 일부를 외부 전자 장치로 전송하고;
    상기 외부 전자 장치로부터, 상기 오디오 입력 데이터의 상기 적어도 일부에 대응하는 상기 신경망 모델과 관련된 필터 모델 데이터를 수신하고; 및
    상기 수신된 필터 모델 데이터를 이용하여 상기 오디오 입력 데이터의 상기 필터링을 수행하도록 설정된 휴대용 전자 장치.
  5. 제 1 항에 있어서,
    상기 신경망 모델과 관련된 제 1 필터 모델 데이터 및 제 2 필터 모델 데이터를 저장하기 위한 메모리를 더 포함하고,
    상기 프로세서는, 상기 휴대용 전자 장치에 대응하는 상황 정보를 확인하고;
    상기 상황 정보에 적어도 기반하여, 상기 제 1 필터 모델 데이터 또는 상기 제 2 필터 모델 데이터를 선택하고; 및
    상기 선택된 필터 모델 데이터를 이용하여 상기 오디오 입력 데이터의 상기 필터링을 수행하도록 설정된 휴대용 전자장치.
  6. 제 1 항에 있어서,
    상기 오디오 입력 장치는 제 1 오디오 입력 장치와 제 2 오디오 입력 장치를 포함하고,
    상기 오디오 입력 데이터는 제 1 오디오 입력 데이터와 제 2 오디오 입력 데이터를 포함하고, 및
    상기 프로세서는, 상기 오디오 입력 데이터를 획득하는 동작의 적어도 일부로, 상기 제 1 오디오 입력 장치를 통해 상기 제 1 오디오 입력 데이터를, 및 상기 제 2 오디오 입력 장치를 통해 상기 제 2 오디오 입력 데이터를 획득하고, 및 상기 제 1 오디오 입력 데이터와 상기 제 2 오디오 입력 데이터를 빔포밍을 이용하여 전처리를 수행하도록 설정된 휴대용 전자장치.
  7. 제 1 항에 있어서,
    상기 프로세서는, 상기 오디오 입력 데이터의 적어도 일부를 이용하여 상기 제 1 오디오 출력 데이터의 상기 필터링을 수행하도록 설정된 휴대용 전자장치.
  8. 제 1 항에 있어서,
    상기 프로세서는 상기 제2 오디오 출력 데이터를 인코딩하여 외부 전자 장치로 전송하도록 설정되는, 휴대용 전자장치.
  9. 제 1 항에 있어서,
    상기 프로세서는 상기 제2 오디오 출력 데이터를 외부 전자 장치로 전송하고, 상기 외부 전자 장치로부터 상기 제2 오디오 출력 데이터에 대응하는 명령어를 수신하고; 및
    상기 명령어에 대응하는 기능을 수행하도록 설정된, 휴대용 전자 장치.
  10. 전자 장치에 있어서,
    신경망 모델에 대응하는 데이터를 저장하기 위한 메모리, 및
    상기 메모리와 전기적으로 연결되는 프로세서를 포함하고,
    상기 프로세서는,
    음성 신호 및 제1 노이즈 신호를 포함하는 제1 입력 신호를 생성하고,
    상기 음성 신호 및 상기 제 1 노이즈 신호와 다른 제2 노이즈 신호를 포함하는 제2 입력 신호를 생성하고,
    출력 신호를 획득하기 위하여 상기 제1 입력 신호를 상기 신경망 모델에 적어도 일부 기반하여 처리하고, 및
    상기 출력 신호와 상기 제2 입력 신호의 비교의 결과에 적어도 일부 기반하여 상기 데이터의 적어도 일부를 갱신하도록 설정된, 전자 장치.
  11. 청구항 10에 있어서,
    상기 메모리는 음성 데이터 베이스 및 노이즈 데이터 베이스를 더 저장하고,
    상기 프로세서는,
    상기 음성 데이터 베이스를 이용하여 상기 음성 신호를 생성하고; 및
    상기 노이즈 데이터 베이스를 이용하여 상기 제 1 노이즈 신호 및 상기 제 2 노이즈 신호를 생성하도록 설정된 전자 장치.
  12. 청구항 10에 있어서,
    상기 프로세서는 상기 제1 입력 신호의 특징 값 및 상기 제2 입력 신호의 특징 값을 각각 추출하고,
    상기 제1 입력 신호의 특징 값을 상기 신경망 모델에 적용하여 상기 출력 신호를 획득하고,
    상기 출력 신호와 상기 제2 입력 신호의 특징 값에 적어도 일부 기반하여 상기 데이터의 상기 적어도 일부를 갱신하도록 설정된, 전자 장치.
  13. 청구항 10에 있어서,
    상기 프로세서는 비용 함수(cost function)를 이용하여 상기 비교를 수행하도록 설정된, 전자 장치.
  14. 청구항 10에 있어서,
    상기 프로세서는 상기 음성 신호와 다른(another) 음성 신호 및 상기 제1 노이즈 신호를 포함하는 제3 입력 신호를 생성하고, 및
    상기 처리하는 동작의 적어도 일부로서, 상기 제1 입력 신호 및 상기 제3 입력 신호를 상기 신경망 모델에 적용하도록 설정된, 전자 장치.
  15. 청구항 14에 있어서,
    상기 프로세서는 상기 음성 신호를 생성하고, 상기 생성된 음성 신호를 감쇄(reduce)하여 상기 다른 음성 신호를 생성하도록 설정된, 전자 장치.
  16. 청구항 14에 있어서,
    상기 프로세서는 상기 제1 입력 신호의 특징 값 및 제3 입력 신호의 특징 값을 각각 추출하고,
    상기 제1 입력 신호의 특징 값 및 상기 제3 입력 신호의 특징 값을 상기 신경망 모델에 적용하여 출력 신호를 획득하고,
    상기 출력 신호와 상기 제2 입력 신호의 특징 값에 적어도 일부 기반하여 상기 신경망 모델의 상기 적어도 일부를 갱신하도록 설정된, 전자 장치.
  17. 청구항 14에 있어서,
    상기 프로세서는 상기 제1 입력 신호와 상기 제3 입력 신호를 빔포밍(beamforming)하여 상기 신경망 모델에 적용하도록 설정되는, 전자 장치.
  18. 청구항 10에 있어서,
    통신 모듈을 더 포함하고,
    상기 프로세서는, 지정된 조건이 만족되면, 상기 갱신된 데이터를 상기 신경망 모델을 사용하는 외부 전자 장치로 전송하도록 설정된, 전자 장치.
  19. 컴퓨터 판독 가능한 명령어를 저장하고 있는 저장 매체에 있어서,
    상기 명령어는 전자 장치에 의해 실행될 때 상기 전자 장치로 하여금,
    오디오 특성을 갖는 노이즈 신호를 포함하는 오디오 입력 데이터를 획득하는 동작,
    제 1 오디오 출력 데이터를 생성하기 위하여 상기 오디오 입력 데이터를 신경망(neural network) 모델을 이용하여 필터링하는 동작, 및
    제 2 오디오 출력 데이터를 생성하기 위하여 상기 제 1 오디오 출력 데이터를 상기 신경망 모델을 이용하지 않고 필터링하는 동작을 수행하도록 하고,
    상기 제 1 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 1 변경된 오디오 특성을 갖고,
    상기 제 2 오디오 출력 데이터는 상기 오디오 특성에 대응하는 제 2 변경된 오디오 특성을 갖는, 저장 매체.
  20. 청구항 19에 있어서,
    상기 명령어는 상기 전자 장치에 의해 실행될 때 상기 전자 장치로 하여금,
    상기 제1 오디오 출력 데이터 중 상기 노이즈 신호에 대응하는 일부분을 처리하여 상기 제 2 오디오 출력 데이터를 생성하는 동작을 수행하도록 하는, 저장 매체.
KR1020170041972A 2017-03-31 2017-03-31 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 KR20180111271A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170041972A KR20180111271A (ko) 2017-03-31 2017-03-31 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치
US15/933,756 US10593347B2 (en) 2017-03-31 2018-03-23 Method and device for removing noise using neural network model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170041972A KR20180111271A (ko) 2017-03-31 2017-03-31 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20180111271A true KR20180111271A (ko) 2018-10-11

Family

ID=63669822

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170041972A KR20180111271A (ko) 2017-03-31 2017-03-31 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치

Country Status (2)

Country Link
US (1) US10593347B2 (ko)
KR (1) KR20180111271A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020141898A1 (ko) * 2019-01-04 2020-07-09 삼성전자 주식회사 뉴럴 네트워크 모델에 기반하여 무선 통신을 수행하는 장치 및 방법
KR20200123335A (ko) * 2019-04-18 2020-10-29 서울대학교산학협력단 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
KR102205466B1 (ko) * 2019-09-20 2021-01-21 주식회사 마인즈랩 항공 관제 시스템
KR20220008229A (ko) * 2020-07-13 2022-01-20 지멘스 악티엔게젤샤프트 측정 디바이스
WO2022039385A1 (ko) * 2020-08-21 2022-02-24 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20220060322A (ko) * 2020-11-04 2022-05-11 주식회사 딥히어링 뉴럴 네트워크를 이용한 빔포밍 방법 및 빔포밍 시스템
WO2022108190A1 (ko) * 2020-11-20 2022-05-27 삼성전자(주) 전자장치 및 그 제어방법

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018191145A (ja) * 2017-05-08 2018-11-29 オリンパス株式会社 収音装置、収音方法、収音プログラム及びディクテーション方法
JP7019096B2 (ja) 2018-08-30 2022-02-14 ドルビー・インターナショナル・アーベー 低ビットレート符号化オーディオの増強を制御する方法及び機器
US10832046B1 (en) * 2018-10-23 2020-11-10 Architecture Technology Corporation Systems and methods for processing document images
KR102137151B1 (ko) * 2018-12-27 2020-07-24 엘지전자 주식회사 노이즈 캔슬링 장치 및 그 방법
KR20200127781A (ko) 2019-05-03 2020-11-11 한국전자통신연구원 주파수 복원 기법 기반 오디오 부호화 방법
WO2020231151A1 (en) * 2019-05-16 2020-11-19 Samsung Electronics Co., Ltd. Electronic device and method of controlling thereof
KR20210017252A (ko) 2019-08-07 2021-02-17 삼성전자주식회사 다채널 오디오 신호 처리 방법 및 전자 장치
KR102281602B1 (ko) * 2019-08-21 2021-07-29 엘지전자 주식회사 사용자의 발화 음성을 인식하는 인공 지능 장치 및 그 방법
EP3809410A1 (en) * 2019-10-17 2021-04-21 Tata Consultancy Services Limited System and method for reducing noise components in a live audio stream
US11664044B2 (en) * 2019-11-25 2023-05-30 Qualcomm Incorporated Sound event detection learning
KR20220027468A (ko) * 2020-08-27 2022-03-08 삼성전기주식회사 동글형 전자기기 인공지능 지원 모듈 및 전자기기가 인공지능을 지원받는 방법
CN113571075B (zh) * 2021-01-28 2024-07-09 腾讯科技（深圳）有限公司 音频处理的方法、装置、电子设备和存储介质

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US284346A (en) * 1883-09-04 Heney wellington
TW466471B (en) * 2000-04-07 2001-12-01 Ind Tech Res Inst Method for performing noise adaptation in voice recognition unit
US7472059B2 (en) * 2000-12-08 2008-12-30 Qualcomm Incorporated Method and apparatus for robust speech classification
US8271279B2 (en) * 2003-02-21 2012-09-18 Qnx Software Systems Limited Signature noise removal
US20070083365A1 (en) * 2005-10-06 2007-04-12 Dts, Inc. Neural network classifier for separating audio sources from a monophonic audio signal
US20140324745A1 (en) * 2011-12-21 2014-10-30 Nokia Corporation Method, an apparatus and a computer software for context recognition
US9286897B2 (en) * 2013-09-27 2016-03-15 Amazon Technologies, Inc. Speech recognizer with multi-directional decoding
CN103971908B (zh) * 2014-05-06 2016-03-09 国家电网公司 一种变压器噪声抑制方法
US20180277134A1 (en) * 2014-06-30 2018-09-27 Knowles Electronics, Llc Key Click Suppression
DE112015004185T5 (de) 2014-09-12 2017-06-01 Knowles Electronics, Llc Systeme und Verfahren zur Wiederherstellung von Sprachkomponenten
US9953661B2 (en) 2014-09-26 2018-04-24 Cirrus Logic Inc. Neural network voice activity detection employing running range normalization
US9299347B1 (en) * 2014-10-22 2016-03-29 Google Inc. Speech recognition using associative mapping
KR102167719B1 (ko) * 2014-12-08 2020-10-19 삼성전자주식회사 언어 모델 학습 방법 및 장치, 음성 인식 방법 및 장치
KR101975057B1 (ko) * 2015-03-20 2019-05-03 한국전자통신연구원 잡음 환경에서의 음성 인식을 위한 특징 보상 장치 및 방법
US9666183B2 (en) * 2015-03-27 2017-05-30 Qualcomm Incorporated Deep neural net based filter prediction for audio event classification and extraction
US10260738B2 (en) * 2015-07-14 2019-04-16 Entreprise Electrique M.J.L. Inc. Steam generator using a plasma arc
KR102505347B1 (ko) * 2015-07-16 2023-03-03 삼성전자주식회사 사용자 관심 음성 알림 장치 및 방법
US9892731B2 (en) * 2015-09-28 2018-02-13 Trausti Thor Kristjansson Methods for speech enhancement and speech recognition using neural networks
KR102405793B1 (ko) * 2015-10-15 2022-06-08 삼성전자 주식회사 음성 신호 인식 방법 및 이를 제공하는 전자 장치
US10032463B1 (en) * 2015-12-29 2018-07-24 Amazon Technologies, Inc. Speech processing with learned representation of user interaction history
US9830930B2 (en) * 2015-12-30 2017-11-28 Knowles Electronics, Llc Voice-enhanced awareness mode
JP2017146437A (ja) * 2016-02-17 2017-08-24 本田技研工業株式会社 音声入力処理装置
KR20170097890A (ko) * 2016-02-19 2017-08-29 삼성전자주식회사 전자 장치 및 이의 서비스 제공 방법
US9959885B2 (en) * 2016-03-08 2018-05-01 Samsung Eletrônica Da Amazônia Ltda Method for user context recognition using sound signatures
US10074380B2 (en) * 2016-08-03 2018-09-11 Apple Inc. System and method for performing speech enhancement using a deep neural network-based signal
US9972339B1 (en) * 2016-08-04 2018-05-15 Amazon Technologies, Inc. Neural network based beam selection
US10381020B2 (en) * 2017-06-16 2019-08-13 Apple Inc. Speech model-based neural network-assisted signal enhancement

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020141898A1 (ko) * 2019-01-04 2020-07-09 삼성전자 주식회사 뉴럴 네트워크 모델에 기반하여 무선 통신을 수행하는 장치 및 방법
US11508394B2 (en) 2019-01-04 2022-11-22 Samsung Electronics Co., Ltd. Device and method for wirelessly communicating on basis of neural network model
KR20200123335A (ko) * 2019-04-18 2020-10-29 서울대학교산학협력단 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
KR102205466B1 (ko) * 2019-09-20 2021-01-21 주식회사 마인즈랩 항공 관제 시스템
KR20220008229A (ko) * 2020-07-13 2022-01-20 지멘스 악티엔게젤샤프트 측정 디바이스
US11668675B2 (en) 2020-07-13 2023-06-06 Siemens Aktiengesellschaft Measuring device
WO2022039385A1 (ko) * 2020-08-21 2022-02-24 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20220060322A (ko) * 2020-11-04 2022-05-11 주식회사 딥히어링 뉴럴 네트워크를 이용한 빔포밍 방법 및 빔포밍 시스템
WO2022097919A1 (ko) * 2020-11-04 2022-05-12 주식회사 딥히어링 뉴럴 네트워크를 이용한 빔포밍 방법 및 빔포밍 시스템
WO2022108190A1 (ko) * 2020-11-20 2022-05-27 삼성전자(주) 전자장치 및 그 제어방법

Also Published As

Publication number Publication date
US10593347B2 (en) 2020-03-17
US20180286425A1 (en) 2018-10-04

Similar Documents

Publication Publication Date Title
KR20180111271A (ko) 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치
US10354643B2 (en) Method for recognizing voice signal and electronic device supporting the same
US10706847B2 (en) Method for operating speech recognition service and electronic device supporting the same
KR20170086814A (ko) 음성 인식 기능을 제공하는 전자 장치 및 그 동작 방법
KR20180101063A (ko) 사용자 입력을 처리하는 전자 장치 및 그 방법
KR102468148B1 (ko) 전자 장치 및 전자 장치의 음성 및 잡음 분류 방법
KR20180022021A (ko) 음성 인식 방법 및 이를 수행하는 전자 장치
KR20170093027A (ko) 음성 명령을 처리하는 방법 및 이를 제공하는 전자 장치
KR20180025710A (ko) 전자 장치 및 이를 이용한 그립 상태를 인식하는 방법
KR20170034154A (ko) 콘텐츠 제공 방법 및 이를 수행하는 전자 장치
KR102339798B1 (ko) 전자 장치의 음향 처리 방법 및 그 전자 장치
KR102386309B1 (ko) 전자 장치 및 전자 장치에서의 입출력 제어 방법
US10148811B2 (en) Electronic device and method for controlling voice signal
US20200214650A1 (en) Electronic device for measuring biometric information and operation method thereof
KR102519902B1 (ko) 오디오 데이터를 처리하는 방법 및 이를 제공하는 전자 장치
KR20180082033A (ko) 음성을 인식하는 전자 장치
KR20170105262A (ko) 전자장치 및 그의 생체 정보 획득 방법
KR20180108155A (ko) 바람 소리가 조정된 신호를 출력하는 방법 및 전자 장치
KR20180059215A (ko) 마이크 파라미터를 조절하는 전자 장치
KR20170100309A (ko) 음성 인식 제어를 제공하는 전자 장치 및 그 동작 방법
KR20170093491A (ko) 음성 인식 방법 및 이를 사용하는 전자 장치
KR102398124B1 (ko) 음향 데이터의 적응적 처리
KR20180009533A (ko) 음원 재생 시간을 동기화하는 전자 장치 및 시스템
KR20170120376A (ko) 전자 장치 및 전자 장치의 디스플레이 방법
KR20170019136A (ko) 전자 장치 및 전자 장치의 이미지 인코딩 방법