KR20190098932A - 지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 - Google Patents
지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 Download PDFInfo
- Publication number
- KR20190098932A KR20190098932A KR1020190095080A KR20190095080A KR20190098932A KR 20190098932 A KR20190098932 A KR 20190098932A KR 1020190095080 A KR1020190095080 A KR 1020190095080A KR 20190095080 A KR20190095080 A KR 20190095080A KR 20190098932 A KR20190098932 A KR 20190098932A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- text
- computing device
- camera
- intelligent computing
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000004891 communication Methods 0.000 claims description 67
- 230000005540 biological transmission Effects 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 25
- 238000013136 deep learning model Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 101
- 230000003190 augmentative effect Effects 0.000 abstract 1
- 210000004027 cell Anatomy 0.000 description 33
- 238000012545 processing Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 29
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000003062 neural network model Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 230000004044 response Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 241000282461 Canis lupus Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008140 language development Effects 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 241000283707 Capra Species 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- 206010041349 Somnolence Diseases 0.000 description 2
- 241000282887 Suidae Species 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 1
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 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
- 240000004668 Valerianella locusta Species 0.000 description 1
- 244000071378 Viburnum opulus Species 0.000 description 1
- 235000019013 Viburnum opulus Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013468 resource allocation Methods 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
- 230000008093 supporting effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered 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
-
- 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
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/12—Detection or correction of errors, e.g. by rescanning the pattern
- G06V30/127—Detection or correction of errors, e.g. by rescanning the pattern with the intervention of an operator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1463—Orientation detection or correction, e.g. rotation of multiples of 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
-
- 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
- G10L17/00—Speaker identification or verification techniques
- G10L17/04—Training, enrolment or model building
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0044—Arrangements for allocating sub-channels of the transmission path allocation of payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0053—Allocation of signaling, i.e. of overhead other than pilot signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
-
- H04W72/042—
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/20—Control channels or signalling for resource management
- H04W72/23—Control channels or signalling for resource management in the downlink direction of a wireless link, i.e. towards a terminal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
- Medical Informatics (AREA)
Abstract
지능적인 TTS 제공 방법 및 TTS를 제공하는 지능형 컴퓨팅 디바이스가 개시된다. 본 발명의 일 실시예에 따른 지능적인 TTS 제공 방법은, 텍스트 읽기 명령을 수신하고, 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 조정하며, 객체를 촬영하고, 객체에 기재된 텍스트를 음성으로 변환하여 출력함으로써, 끊김없이 연속적인 TTS를 제공할 수 있다.
본 발명의 지능형 컴퓨팅 디바이스, 인공 지능 스피커 중 하나 이상이 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.
본 발명의 지능형 컴퓨팅 디바이스, 인공 지능 스피커 중 하나 이상이 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 발명은 지능적인 TTS 제공 방법 및 TTS를 제공하는 지능형 컴퓨팅 디바이스에 관한 것으로서, 보다 구체적으로는 사용자에게 실감나는 TTS를 제공할 수 있는 지능적인 TTS 제공 방법 및 TTS를 제공하는 지능형 컴퓨팅 디바이스에 관한 것이다.
인공 지능 스피커(Artificial Intelligent Speaker)는 글자를 아직 읽지 못하거나 단어의 의미를 완벽하게 파악하지 못하는 유아/아이 등을 대상으로 그림책을 읽어주는 기능을 제공한다.
또한, 인공 지능 스피커는 부모 대신 책을 읽어줌으로써, 아이가 부모에게 의지하지 않고 많은 시간 독서에 집중할 수 있게 한다.
이로써, 인공 지능 스피커는 미숙한 뇌를 가진 아이의 언어 발달을 도와준다.
한편, 기존 기술에 따른 인공 지능 스피커(책 읽어주는 기기)는 정해진 책만 읽어주거나, 고정된 위치에 있는 책만 읽어줄 수 있었다.
또한, 기존 기술의 인공 지능 스피커는 인식되는 책의 범위가 협소하였으며, 책 위치에 대한 자유도가 적은 것이 실정이다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은, 다변적인 책의 위치에도 관계없이 사용자에게 최적의 TTS를 제공하는 지능적인 TTS 제공 방법 및 TTS를 제공하는 지능형 컴퓨팅 디바이스를 구현하는 것을 목적으로 한다.
본 발명의 일 실시예에 따른 지능적인 TTS 제공 방법은 텍스트 읽기 명령을 수신하는 단계; 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하는 단계; 상기 카메라를 이용하여 상기 객체를 촬영하는 단계; 및 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 단계;를 포함한다.
상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에, 상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 단계를 더 포함할 수 있다.
상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하는 단계, 및 상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 단계를 더 포함할 수 있다.
사용자 별 사용 이력 데이터를 획득하는 단계, 및 상기 사용자 별 책 추천 정보를 제공하는 단계를 더 포함할 수 있다.
상기 사용자 별 사용 이력 데이터를 획득하는 단계는, 상기 사용자 별 성문을 획득하는 단계, 및 상기 사용자 별 성문에 기반하여 상기 사용자 별로 구분된 사용 이력 데이터를 획득하는 단계를 포함할 수 있다.
상기 사용자 별 사용 이력 데이터는, 상기 사용자 별 음성 제공 명령 사용 이력 및 상기 사용자 별 대화 이력 관련 데이터를 포함하는 것을 할 수 있다.
상기 사용자 별 책 추천 정보를 제공하는 단계는, 상기 사용자 별 사용 이력 데이터로부터 특징값을 추출하는 단계, 상기 특징값을 미리 학습된 딥러닝 모델에 입력하는 단계, 및 상기 딥러닝 모델의 출력에 기반하여 상기 사용자 별 추천 책 정보를 획득하는 단계를 포함하는 것을 특징으로 할 수 있다.
상기 사용자 별 사용 이력 데이터의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 사용자 별 사용 이력 데이터는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 할 수 있다.
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고, 상기 사용자 별 사용 이력 데이터는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.
상기 사용자 별 사용 이력 데이터를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;를 더 포함하고, 상기 AI 프로세싱된 정보는, 상기 사용자 별 책 추천 정보인 것을 특징으로 할 수 있다.
상기 텍스트를 음성으로 변환하여 출력하는 단계는, 동일한 텍스트 읽기 명령이 임계 횟수 이상 수신된 경우, 상기 텍스트를 기존 변환 방식과 다른 변환 방식을 통해 변환하는 것을 특징으로 할 수 있다.
상기 다른 변환 방식은, 상기 텍스트를 변환한 음성의 억양 또는 속도를 포함하는 것을 특징으로 할 수 있다.
상기 카메라에 의해 촬영된 오브젝트와 관련된 음성을 출력하는 단계를 더 포함할 수 있다.
상기 오브젝트와 관련된 음성을 출력하는 단계는, 상기 오브젝트가 이미지인 경우, 상기 이미지를 분석한 결과를 출력하는 것을 특징으로 할 수 있다.
상기 오브젝트와 관련된 음성을 출력하는 단계는, 상기 오브젝트가 텍스트인 경우, 상기 텍스트와 관련된 의성어를 출력하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따른 TTS를 제공하는 지능형 컴퓨팅 디바이스는, 상기 지능형 컴퓨팅 디바이스의 내부에 구비된 통신부; 스피커; 카메라; 상기 카메라의 촬영 각도를 조정하는 각도 조절부; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;를 포함하고, 상기 명령어는, 상기 통신부를 통해 텍스트 읽기 명령을 수신하고, 상기 각도 조절부를 통해 상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며, 상기 카메라를 통해 상기 객체를 촬영하고, 상기 스피커를 통해 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 것을 특징으로 지능형 컴퓨팅 디바이스를 제어한다.
상기 프로세서는, 상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에, 상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 것을 특징으로 할 수 있다.
상기 프로세서는, 상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하고, 상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 것을 특징으로 할 수 있다.
상기 프로세서는, 사용자 별 사용 이력 데이터를 획득하고, 상기 사용자 별 책 추천 정보를 제공하는 것을 특징으로 할 수 있다.
본 발명의 또 다른 실시예에 따른 기록 매체로서, 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 상기 컴퓨터 실행 가능한 컴포넌트는, 텍스트 읽기 명령을 수신하고, 상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며, 상기 객체를 촬영하고, 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력한다.
본 발명의 일 실시예에 따른 지능적인 TTS 제공 방법 및 TTS를 제공하는 지능형 컴퓨팅 디바이스의 효과에 대해 설명하면 다음과 같다.
본 발명은 책의 위치의 변화에 따라 카메라의 각도를 변화시켜, 끊김없이 연속적인 TTS를 제공할 수 있다.
또한, 본 발명은 사용자에게 선호도가 높은 책을 추천해줌으로써, 사용자에게 만족도가 높은 TTS를 제공할 수 있다.
또한, 본 발명은 인공 지능 스피커가 책을 읽은 횟수에 기반하여 TTS의 출력 패턴을 변화시킴으로써, 사용자에게 실감나는 TTS를 제공할 수 있다.
또한, 본 발명은 유사도가 높은 복수의 책의 내용을 결합하여 새로운 내용의 오디오 북을 생성함으로써, 사용자에게 흥미도가 높은 TTS를 제공할 수 있다.
또한, 본 발명은 사용자의 대화 내용을 기반으로 언어 발달 과정 및 관심사를 분석함으로써, 사용자의 지능 발달에 적합한 TTS를 제공할 수 있다.
또한, 본 발명은 사용자의 성문 인식을 기반으로 다른 수준의 책을 추천함으로써, 사용자의 성장 과정에 적합한 TTS를 제공할 수 있다.
또한, 본 발명은 책에 포함된 텍스트와 관련된 효과음을 출력함으로써, 사용자에게 실감나는 TTS를 제공할 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스를 도시한다.
도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 지능형 컴퓨팅 디바이스의 지능적인 TTS 제공 방법을 나타낸 흐름도이다.
도 8은 도 7의 촬영 각도 조정 단계를 구체적으로 나타낸 흐름도이다.
도 9는 지능형 컴퓨팅 디바이스가 촬영 각도를 객체가 위치한 방향으로 조정하는 예를 도시한다.
도 10은 지능형 컴퓨팅 디바이스가 현재 읽고 있는 텍스트 부분을 따라 촬영 각도를 조정하는 예를 도시한다.
도 11은 지능형 컴퓨팅 디바이스가 객체를 이동시키도록 유도하는 예를 도시한다.
도 12는 왜곡된 텍스트를 음성으로 변환하는 예를 도시한다.
도 13은 지능형 컴퓨팅 디바이스 또는 객체의 움직임 방향에 대응하여 카메라 촬영 각도를 조정하는 예를 도시한다.
도 14는 본 발명의 일 실시예에서 사용자에게 책을 추천하는 예를 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에서 졸음 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스를 도시한다.
도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 지능형 컴퓨팅 디바이스의 지능적인 TTS 제공 방법을 나타낸 흐름도이다.
도 8은 도 7의 촬영 각도 조정 단계를 구체적으로 나타낸 흐름도이다.
도 9는 지능형 컴퓨팅 디바이스가 촬영 각도를 객체가 위치한 방향으로 조정하는 예를 도시한다.
도 10은 지능형 컴퓨팅 디바이스가 현재 읽고 있는 텍스트 부분을 따라 촬영 각도를 조정하는 예를 도시한다.
도 11은 지능형 컴퓨팅 디바이스가 객체를 이동시키도록 유도하는 예를 도시한다.
도 12는 왜곡된 텍스트를 음성으로 변환하는 예를 도시한다.
도 13은 지능형 컴퓨팅 디바이스 또는 객체의 움직임 방향에 대응하여 카메라 촬영 각도를 조정하는 예를 도시한다.
도 14는 본 발명의 일 실시예에서 사용자에게 책을 추천하는 예를 설명하기 위한 도면이다.
도 15는 본 발명의 일 실시예에서 졸음 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
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 발명의 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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 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 장치로 정의(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI (Artificial Intelligence) 장치 등일 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.
도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)는 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)를 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 (Downlink)(제1 통신 장치에서 제2 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 (Uplink)(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)은 각각의 안테나(926)를 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 3GPP 시스템에 이용되는 물리 채널들 및 일반적인 신호 전송을 예시한다.
무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink, DL)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink, UL)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S201). 이를 위해, 단말은 기지국으로부터 주 동기 신호(Primary Synchronization Signal, PSS) 및 부 동기 신호(Secondary Synchronization Signal, SSS)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(Physical Broadcast Channel, PBCH)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(Downlink Reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.
초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(Physical Downlink Control Channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(Physical Downlink Control Channel; PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우, 단말은 기지국에 대해 임의 접속 과정(Random Access Procedure, RACH)을 수행할 수 있다(S203 내지 S206). 이를 위해, 단말은 물리 임의 접속 채널(Physical Random Access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로 송신하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지((RAR(Random Access Response) message)를 수신할 수 있다. 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다( S206).
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(Physical Uplink Shared Channel, PUSCH)/물리 상향링크 제어 채널(Physical Uplink Control Channel; PUCCH) 송신(S208)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(Downlink Control Information, DCI)를 수신할 수 있다. 여기서, DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 사용 목적에 따라 포맷이 서로 다르게 적용될 수 있다.
한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix 인덱스), RI(Rank Indicator) 등을 포함할 수 있다. 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.
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. 즉, 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)과 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 보고를 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)가 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)를 제공한다. 상기 프리엠션 지시 (preemption indication)는 중단된 전송 지시 (interrupted transmission indication)로 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 설정되며, 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, 제1 주파수 자원에서 제2 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)을 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 발명에서 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 발명에서 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)를 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 발명에서 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 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 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 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
이하 명세서에서, 홈 IoT 서버는 음성 인에이블 디바이스를 선택하기 위한 지능형 컴퓨팅 디바이스로 정의할 수 있고, 홈 IoT 기기는 기동어를 인식하기 위한 음성 인식 디바이스로 정의할 수 있다. 또한, 기동어는 특정 IoT 기기를 기동시키기 위한 사용자의 발화로 정의할 수 있다.
도 4는 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스를 도시한다.
도 4에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)의 예로, 인공 지능 스피커가 예시될 수 있다.
지능형 컴퓨팅 디바이스(10)는 마이크(110), 디스플레이(120), 카메라(130), 각도 조절부(140) 및 스피커(150)를 포함한다.
마이크(110)는 외부로부터 사용자의 음성 명령을 수신할 수 있다. 예를 들면, 마이크(110)는 외부로부터 지능형 컴퓨팅 디바이스(10)를 기동시키는 기동어를 수신할 수 있다. 여기서, 기동어를 수신하면, 지능형 컴퓨팅 디바이스(10)는 기동(wake up)될 수 있다. 또한, 마이크(110)는 외부로부터 지능형 컴퓨팅 디바이스(10)가 외부 객체에 기재된 텍스트를 음성으로 변환하여 출력하도록 하는 텍스트 읽기 명령(또는 TTS 출력 명령)을 수신할 수 있다. 여기서, 텍스트 읽기 명령을 수신하면, 지능형 컴퓨팅 디바이스(10)는 외부 객체에 기재된 텍스트를 촬영하고, 촬영된 텍스트를 분석하여 음성으로 변환하며, 음성을 출력할 수 있다.
디스플레이(120)는 눈 형태의 영상을 표시할 수 있다. 예를 들어, 디스플레이(120)는 텍스트가 기재된 방향으로 눈 형태의 영상을 표시할 수 있다.
카메라(130)는 외부의 객체 및 객체에 기재된 텍스트를 촬영할 수 있다.
각도 조절부(140)는 카메라(130)의 촬영 각도를 조정할 수 있다. 각도 조절부(140)는 짐벌로 명명될 수 있다. 각도 조절부(140)는 카메라(130)의 촬영 각도가 미리 설정된 각도로 고정되도록 제어될 수 있다.
스피커(150)는 변환된 음성을 외부로 소리의 형태로 출력할 수 있다. 예를 들어, 스피커(150)는 텍스트의 내용을 음성으로 출력할 수 있다.
도 5는 본 발명의 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 4에 도시된 지능형 컴퓨팅 디바이스(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 4에 도시된 지능형 컴퓨팅 디바이스(10)의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 지능형 컴퓨팅 디바이스(10)는 센싱 데이터 또는 획득된 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 지능형 컴퓨팅 디바이스(10)는 통신부를 통해 수신된 데이터를 AI 프로세싱 하여 지능형 컴퓨팅 디바이스의 제어를 수행할 수 있다.
상기 AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, 상기 AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 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 지능형 컴퓨팅 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 예를 들면, AI 프로세서(21)는 지능형 컴퓨팅 디바이스 관련 데이터(예: 센싱 데이터)로부터 특징값을 추출하고, 특징값을 입력값으로 하여 사용자에게 책을 추천하기 위한 신경망을 학습할 수 있다. 지능형 컴퓨팅 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 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 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 주고받을 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 발명의 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 지능형 컴퓨팅 디바이스 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, 지능형 컴퓨팅 디바이스의 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 설정된 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.
상기 외부 전자 기기는, 지능형 컴퓨팅 디바이스, 인공 지능 스피커, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 포함할 수 있다.
일 예로 상기 외부 전자 기기가 지능형 컴퓨팅 디바이스인 경우, 상기 AI 장치(20)는 상기 지능형 컴퓨팅 디바이스와 통신하는 IoT 기기, 다른 지능형 컴퓨팅 디바이스 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 지능형 컴퓨팅 디바이스 내에 구비된 프로세서에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 AI 프로세싱을 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 5에 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.
도 6은 본 발명의 일 실시예에 따른 지능형 컴퓨팅 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 6을 참조하면, 지능형 컴퓨팅 디바이스(10)는 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 지능형 컴퓨팅 디바이스(10)로 전송할 수 있다. AI 장치(20)는 도 5에 설명한 내용을 참조할 수 있다.
지능형 컴퓨팅 디바이스(10)는, 앞서 도 5를 참조하여 설명한 마이크(음성 입력부)(110), 디스플레이(디스플레이부)(120), 카메라(카메라센서부)(130), 각도 조절부(140), 스피커(음성 출력부)(150)를 포함할 수 있으며, 이에 추가적으로, 인터페이스부(미도시), 메모리(180), 프로세서(170), 전원 공급부(190)를 포함할 수 있고, 상기 프로세서(170)는 AI 프로세서(261)를 더 구비할 수 있다.
상기 인터페이스부는, 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(180)는, 프로세서(170)와 전기적으로 연결된다. 메모리(180)는 유닛에 대한 기본데이터, 유닛의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(180)는, 프로세서(170)에서 처리된 데이터를 저장할 수 있다. 메모리(180)는, 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(180)는 프로세서(170)의 처리 또는 제어를 위한 프로그램 등, 지능형 컴퓨팅 디바이스(10) 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(180)는, 프로세서(170)와 일체형으로 구현될 수 있다. 실시예에 따라, 메모리(180)는, 프로세서(170)의 하위 구성으로 분류될 수 있다.
전원 공급부(190)는, 지능형 컴퓨팅 디바이스(10)에 전원을 공급할 수 있다. 전원 공급부(190)는, 지능형 컴퓨팅 디바이스(10)에 포함된 파워 소스(예를 들면, 배터리)로부터 전원을 공급받아, 지능형 컴퓨팅 디바이스(10)의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(190)는, 메인 ECU(240)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(190)는, SMPS(switched-mode power supply)를 포함할 수 있다.
프로세서(170)는, 메모리(180), 인터페이스부(280), 전원 공급부(190)와 전기적으로 연결되어 신호를 교환할 수 있다. 프로세서(170)는, ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
프로세서(170)는, 전원 공급부(190)로부터 제공되는 전원에 의해 구동될 수 있다. 프로세서(170)는, 전원 공급부(190)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
프로세서(170)는 지능형 컴퓨팅 디바이스(10) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 프로세서(170)는, 인터페이스부를 통해, 지능형 컴퓨팅 디바이스(10) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
지능형 컴퓨팅 디바이스(10)는, 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(180), 인터페이스부, 전원 공급부(190) 및 프로세서(170)는, 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 상기 인터페이스부와 연결된 지능형 컴퓨팅 디바이스 내 다른 전자 장치 및 AI 프로세서(261)에 대하여 보다 구체적으로 설명한다.
한편, 지능형 컴퓨팅 디바이스(10)는 지능형 컴퓨팅 디바이스(10)에서 획득되는 데이터를 통신부(160)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 지능형 컴퓨팅 디바이스(10)으로 전송할 수 있다. 지능형 컴퓨팅 디바이스(10)는 수신된 AI 프로세싱 데이터에 기초하여, 사용자에게 책을 추천할 수 있다. 다른 예로, AI 프로세싱 데이터 자체가 사용자에게 추천할 책과 관련된 데이터를 포함할 수 있다.
통신부(160)는 지능형 컴퓨팅 디바이스(10) 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(160)는, 인프라(예를 들면, 서버, 방송국), IoT 기기, 타 지능형 컴퓨팅 디바이스, 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(160)는, 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
한편, AI 프로세서(261)는 지능형 컴퓨팅 디바이스(10)로부터 전송된 데이터를 이용하여 사용자에게 추천하기 위한 책과 관련된 데이터를 생성할 수 있다.
본 발명의 실시예에 따르면, 통신부(160)는 사용자를 위한 추천 책 데이터를 획득할 수 있다. 통신부(160)는 획득한 추천 책 데이터를 프로세서(170)로 전달할 수 있다.
본 발명의 실시예에 따르면, 프로세서(170)는 통신부(160)로부터 전달된 추천 책 데이터를 이용하여, 사용자에게 추천 책과 관련된 TTS를 제공할 수 있다.
이상, 본 발명의 일 실시예에 따른 지능적 TTS 제공 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.
이하, 본 발명의 일 실시예에 따라 사용자에게 지능적인 TTS를 제공하는 방법에 대하여 필요한 도면들을 참조하여 설명한다.
도 7은 본 발명의 실시예에 따른 지능형 컴퓨팅 디바이스의 지능적인 TTS 제공 방법을 나타낸 흐름도이다.
도 7에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)는 도 7의 S700 단계를 통해 지능적인 TTS 제공 방법을 수행할 수 있으며, 상세한 설명은 하기와 같다.
먼저, 지능형 컴퓨팅 디바이스(10)는 외부로부터 텍스트 읽기 명령을 수신할 수 있다(S710).
이어서, 지능형 컴퓨팅 디바이스(10)는 주변의 객체 중에서 텍스트가 기재된 객체의 위치가 포함되도록 카메라의 촬영 각도를 각도 조절부를 이용하여 조정할 수 있다(S720).
다음으로, 지능형 컴퓨팅 디바이스(10)는 조정된 촬영 각도로 카메라를 이용하여, 텍스트가 기재된 객체를 촬영할 수 있다(S730).
마지막으로, 지능형 컴퓨팅 디바이스(10)는 촬영된 텍스트를 분석하여 음성으로 변환한 후 스피커를 통해 출력할 수 있다(S740).
도 8은 도 7의 촬영 각도 조정 단계를 구체적으로 나타낸 흐름도이다.
도 8에 도시된 바와 같이, 본 발명의 실시예에 따르면, 지능형 컴퓨팅 디바이스(10)는 S710 단계를 수행한 이후에, 텍스트가 기재된 객체의 위치가 이동되었는지 여부를 판단할 수 있다(S721).
판단 결과 텍스트가 기재된 객체의 위치가 이동된 경우, 지능형 컴퓨팅 디바이스(10)는 이동된 객체의 위치가 포함되도록 카메라 촬영 각도를 제1 조정(제1 재조정)할 수 있다(S722). 여기서, 지능형 컴퓨팅 디바이스(10)는 제1 재조정된 카메라 촬영 각도를 통해 카메라를 이용하여 텍스트를 촬영하고, 텍스트 중 제1 부분의 텍스트를 분석하여 음성으로 변환할 수 있다.
그 다음, 지능형 컴퓨팅 디바이스(10)는 현재 읽고 있는 텍스트(제1 부분의 텍스트)의 위치를 검출할 수 있다(S723).
이어서, 지능형 컴퓨팅 디바이스(10)는 현재 읽고 있는 텍스트의 위치(제1 부분의 텍스트의 위치)가 촬영 각도의 정면에 위치하도록 카메라 촬영 각도를 제2 조정(제2 재조정)할 수 있다(S724).
여기서, 지능형 컴퓨팅 디바이스(10)는 카메라의 촬영 각도뿐만 아니라, 현재 읽고 있는 텍스트의 위치로 디스플레이가 향하도록 디스플레이를 제어할 수 있다.
그 다음, 지능형 컴퓨팅 디바이스(10)는 객체 또는 기기(지능형 컴퓨팅 디바이스(10))의 진동(또는 움직임)이 검출되는지 여부를 판단할 수 있다(S725).
여기서, 지능형 컴퓨팅 디바이스(10)는 객체의 진동을 검출하기 위한 센서(예를 들면, 가속도 센서)를 구비할 수 있다.
판단 결과, 기기(지능형 컴퓨팅 디바이스(10))의 진동이 검출된 경우, 지능형 컴퓨팅 디바이스(10)는 기기(지능형 컴퓨팅 디바이스(10))의 진동 방향의 반대 방향으로 카메라 촬영 각도를 제3 조정(제3 재조정)할 수 있다(S726).
여기서, 지능형 컴퓨팅 디바이스(10)는 카메라 촬영 각도를 기기의 진동 방향의 반대 방향으로 재조정함으로써, 텍스트를 촬영하는 각도를 일정하게 유지할 수 있다.
판단 결과, 기기가 아닌 객체의 진동이 검출된 경우, 지능형 컴퓨팅 디바이스(10)는 객체의 진동 방향과 동일한 방향으로 카메라 촬영 각도를 제4 조정(제4 재조정)할 수 있다(S727).
여기서, 지능형 컴퓨팅 디바이스(10)는 카메라 촬영 각도를 객체의 진동 방향의 반대 방향으로 재조정함으로써, 텍스트를 촬영하는 각도를 일정하게 유지할 수 있다.
도 9는 지능형 컴퓨팅 디바이스가 촬영 각도를 객체가 위치한 방향으로 조정하는 예를 도시한다.
도 9에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)는 카메라(130)의 촬영 각도(화각)이 책(객체)(101)을 포함할 수 있도록 조정할 수 있다.
즉, 지능형 컴퓨팅 디바이스(10)는 책(101)이 카메라(130)의 촬영 각도에서 벗어나 있는 경우, 카메라(130)의 촬영 각도를 책(101)이 위치한 방향을 포함하도록 각도 조절부(140)를 제어할 수 있다.
도 10은 지능형 컴퓨팅 디바이스가 현재 읽고 있는 텍스트 부분을 따라 촬영 각도를 조정하는 예를 도시한다.
도 10에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)는 카메라(130)의 촬영 각도의 중심이 현재 읽고 있는 제1 부분("그레텔, 내 목소리 들리니?")(102)을 향하도록 카메라(130)의 촬영 각도를 각도 조절부를 통해 조정할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 제1 부분을 읽고 나서 텍스트의 제2 부분("찾았다!")(103)을 읽기 시작할 때, 제2 부분의 위치로 카메라(130)의 촬영 각도의 중심이 향하도록 각도 조절부를 제어할 수 있다.
도 11은 지능형 컴퓨팅 디바이스가 객체를 이동시키도록 유도하는 예를 도시한다.
도 11에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)는 책(101)이 카메라(130)의 촬영 각도의 최대 범위인 최대 화각 내에 위치하지 않는 것을 검출할 수 있다.
책(101)이 카메라(130)의 촬영 각도의 최대 범위인 최대 화각 내에 위치하지 않은 경우, 지능형 컴퓨팅 디바이스(10)는 "책이 안보여~, "책이 잘 보이게 도와줘!")라는 음성 신호를 스피커(150)를 통해 출력할 수 있다.
예를 들면, 지능형 컴퓨팅 디바이스(10)는 책(101)이 카메라(130)의 최대 화각 내에 존재할 때까지, 미리 설정된 주기로 "책이 안보여~, "책이 잘 보이게 도와줘!")라는 음성 신호를 스피커(150)를 통해 출력할 수 있다.
도 12는 왜곡된 텍스트를 음성으로 변환하는 예를 도시한다.
도 12(A)에 도시된 바와 같이 책(101)의 위치가 지능형 컴퓨팅 디바이스의 정면에 위치하지만, 텍스트가 역방향으로 기재될 수 있고, 도 12(B)에 도시된 바와 같이 책(101)의 위치가 지능형 컴퓨팅 디바이스의 정면에 위치하지만 텍스트가 정방향으로 기재될 수도 있으며, 도 12(C)에 도시된 바와 같이, 책의 위치가 지능형 컴퓨팅 디바이스의 측면에 위치하면서 텍스트가 역방향 또는 정방향으로 기재될 수 있다.
도 12(A) 내지 도 12(C)의 경우, 지능형 컴퓨팅 디바이스(10)는 카메라(130)를 통해 촬영된 텍스트를 추출하고, 정확하게 음성으로 변환하기 전에, 카메라(130)로 촬영된 이미지를 이미지 프로세싱을 통해 정방향 및 직사각형으로 변환하고, 변환된 이미지를 이용하여 텍스트를 인식할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 책(101)을 촬영하고, 책(101)의 크기를 인지하며, 인지된 책의 크기에 기반하여 이미지 프로세싱을 수행할 수 있다.
도 13은 지능형 컴퓨팅 디바이스 또는 객체의 움직임 방향에 대응하여 카메라 촬영 각도를 조정하는 예를 도시한다.
도 13(A)에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)가 객체(101)에 기재된 텍스트를 음성으로 변환하여 출력하는 동안 지능형 컴퓨팅 디바이스(10)가 우측 방향으로 움직이는 경우, 지능형 컴퓨팅 디바이스(10)는 지능형 컴퓨팅 디바이스(10)가 움직인 우측 방향과 반대 방향인 좌측 방향으로 각도 조절부(짐벌)(140)를 조절하여 카메라(130)의 촬영 각도를 조정할 수 있다.
도 13(B)에 도시된 바와 같이, 지능형 컴퓨팅 디바이스(10)가 객체(101)에 기재된 텍스트를 음성으로 변환하여 출력하는 동안 객체(101)가 우측 방향으로 움직이는 경우, 지능형 컴퓨팅 디바이스(10)는 객체(101)가 움직인 우측 방향과 동일한 방향인 우측 방향으로 각도 조절부(짐벌)(140)를 조절하여 카메라(130)의 촬영 각도를 조정할 수 있다.
도 14는 본 발명의 일 실시예에서 사용자에게 책을 추천하는 예를 설명하기 위한 도면이다.
먼저, 지능형 컴퓨팅 디바이스(10)의 프로세서(170)는 사용자에게 최적의 책을 추천하기 위하여, 사용자 별 책 읽은 기록(이력), 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터를 메모리(180)에 저장할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)의 프로세서(170)는 사용자에게 최적의 책을 추천하기 위하여, 사용자 별 책 읽은 기록(이력), 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터를 메모리(180)에 저장하고, 저장된 사용자 별 책 읽은 기록(이력), 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터의 특징값인 사용자 별 책 읽은 빈도, 사용자 별 선호 카테고리, 사용자 별 자주 읽는 시간대, 사용자 별 선호 작가, 사용자 별 선호 등장 인물과 관련된 메타 정보(사용자 별 특성 정보)를 생성할 수 있다.
여기서, 지능형 컴퓨팅 디바이스(10)는 생성된 사용자 별 메타 정보를 이용하여 복수의 사용자를 각각 프로파일링 할 수 있으며, 해당 사용자 또는 사용자와 유사한 성향의 사용자에게 선호도가 높을 것으로 예상되는 책을 추천해줄 수 있다. 여기서, 지능형 컴퓨팅 디바이스(10)는 복수의 추천 대상 책 중에서도 사용자가 보유한(메모리에 저장된) 적어도 하나의 책을 다른 책에 우선하여 추천할 수 있다.
예를 들면, 지능형 컴퓨팅 디바이스(10)는 읽은 책의 제목에서 키워드를 추출할 수 있고, 추출 빈도가 높은 키워드를 정렬하며, 최다 빈도 키워드가 포함된 책을 사용자 연령과 함께 고려하여 사용자에게 추천할 수 있다. 예를 들어, 지능형 컴퓨팅 디바이스(10)가 "모나리자를 찾아라"(키즈엠)라는 책을 3회 읽은 경우, "모나리자"라는 키워드를 추출하고, "모나리자"가 포함된 유아 도서(예: "진짜 모나리자를 찾아라!(아람)", "모나리자는 왜 눈썹이 없을까?(한국톨스토이)")를 사용자에게 추천할 수 있다. 여기서, 유사 키워드를 기반으로 두번째 책의 키워드가 최초 등장하는 시점에서, 지능형 컴퓨팅 디바이스(10)는 원본 글의 편집 없이 내용을 연결하여 음성을 출력할 수 있다.
예를 들어, 지능형 컴퓨팅 디바이스(10)는 사용자가 자주 책을 읽은 날짜 또는 시간대에 기반하여 연관성 높은 책을 추천할 수 있다. 예를 들면, 지능형 컴퓨팅 디바이스는 설날/추석/크리스마스 등 특별한 이벤트가 3주 남은 시점에서, 이벤트와 연관된 도서를 추출하고, 지능형 컴퓨팅 디바이스(10)가 읽은 책 중 빈도가 높은 출판사 책 위주(사용자가 전집 구매 확률이 높다고 판단)로 상위 추천할 수 있다(예: 우리 첫 명절 설날 일기(스콜라), 보노보노 좋은 일이 생길 거야: 크리스마스 이야기(스콜라)). 또한, 잠자기 전 시간대의 경우, 지능형 컴퓨팅 디바이스(10)는 수면 습관/양치 습관을 유도하는 책 추천할 수 있다(예: 제이크 눈이 말똥말똥(한솔교육), 잠잘 시간이야!(한국톨스토이), 치카치카 쓱쓱(키위북스)).
또한, 지능형 컴퓨팅 디바이스(10)는 지능형 컴퓨팅 디바이스(10)가 읽은 책에서 작가 정보를 추출해 작가 기준으로 빈도가 높아질 경우 동일 작가의 다른 책을 추천할 수 있다. 예를 들면, 지능형 컴퓨팅 디바이스가 이상한 엄마 (백희나)라는 책을 3회 읽은 경우, '백희나' 작가 정보를 추출하고, 장수탕 선녀님(백희나), 알사탕(백희나), 이상한 손님(백희나) 등 동일 작가 책 추천할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 디스플레이에서 책 표지 정보와 함께 책을 추천할 수 있다. 또한, 지능형 컴퓨팅 디바이스(10)는 가족 구성원으로 등록된 복수의 사용자 계정의 모바일 기기 앱으로 추천 내용을 전송할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)가 책을 읽는 동안 사용자가 지능형 컴퓨팅 디바이스(10)에게 5초 이상 말을 하면 책 읽기를 멈추고, 사용자를 바라보며 대화한 음성 또는 독백 음성은 녹음하여 메모리 또는 외부 서버에 저장하며, 가족 구성원으로 등록된 사용자 계정의 모바일 기기로 전송할 수 있다. 여기서, 지능형 컴퓨팅 디바이스(10)는 녹음된 내용을 기반으로 하여 사용자의 관심사를 카테고리로 분류할 수 있으며, 유아 언어 발달 단계를 분석할 수 있다. 여기서, 지능형 컴퓨팅 디바이스(10) 인공 신경망을 이용ㅎ여 유아 언어 발달 단계를 분석할 수 있다. 이어서, 지능형 컴퓨팅 디바이스(10)는 다른 사용자의 동일한 관심사 카테고리에 속하는 책을 해당 사용자에게 추천할 수 있다. 또한, 지능형 컴퓨팅 디바이스(10)는 추천된 책을 언어 발달 단계 별로 가족 구성원의 사용자 계정의 모바일 기기로 전송할 수 있다.
여기서, 지능형 컴퓨팅 디바이스(10)는 사용자 별로 성문을 인식할 수 있다. 지능형 컴퓨팅 디바이스(10)는 성문이 인식된 사용자 별로 책 읽은 기록, 대화 기록 등 사용 이력 데이터를 구분하여 저장하며, 사용자 별로 서로 다른 책을 추천할 수 있다.
도 14를 참조하면, 지능형 컴퓨팅 디바이스(10)의 프로세서(170)는 사용자에게 최적의 책을 추천하기 위하여, 사용자 별 책 읽은 기록(이력), 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터로부터 특징값들을 추출할 수 있다(S1410).
예를 들어, 프로세서(170)는 지능형 컴퓨팅 디바이스(10)의 메모리에 사용자 별 책 읽은 기록, 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터를 저장할 수 있다.
여기서, 프로세서(170)는 지능형 컴퓨팅 디바이스(10)의 메모리(180)에 저장된 사용자 별 책 읽은 기록, 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터를 독출할 수 있다.
프로세서(170)는 상기 사용자 별 책 읽은 기록, 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터로부터 특징값을 추출할 수 있다. 상기 특징값은 사용자 별 책 읽은 기록, 사용자의 대화 내역, 사용자의 성문 및 성문의 변화 내역과 관련된 데이터에서 추출할 수 있는 적어도 하나의 특징들 중에서 사용자의 취향 정보, 사용자의 선호도 정보, 사용자의 상태 정보 등 사용자 별 특성 정보를 구체적으로 나타내는 것으로 판정된 것이다.
프로세서(170)는 상기 특징값들을 상기 사용자 별로 책을 추천하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S1420).
프로세서(170)는 추출된 특징값이 결합되어 사용자 별 사용 이력 데이터를 생성할 수 있다. 상기 사용자 별 사용 이력 데이터는, 추출된 특징값에 기초하여 사용자 별로 책을 추천하도록 트레이딩된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서(170)는 상기 인공 신경망의 출력값을 분석하고(S1430), 상기 인공 신경망 출력값에 기초하여 상기 사용자 별 추천되는 책과 관련된 정보를 판단할 수 있다(S1440).
한편, 도 14에서는 AI 프로세싱을 통해 사용자 별 추천 책을 판단하는 동작이 지능형 컴퓨팅 디바이스(10)의 프로세싱에서 구현되는 예를 설명하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, 상기 AI 프로세싱은 지능형 컴퓨팅 디바이스(10)로부터 수신된 사용자 별 사용 이력 데이터에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 15는 본 발명의 일 실시예에서 졸음 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
프로세서(170)는 상기 사용자 별 사용 이력 데이터를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 프로세서(170)는 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어할 수 있다.
상기 AI 프로세싱된 정보는, 상기 사용자 별로 추천되는 책과 관련된 정보를 포함할 수 있다.
한편, 지능형 컴퓨팅 디바이스(10)은 5G 네트워크로 사용자 별 책 읽은 기록, 대화, 성문 변화와 관련된 데이터를 포함하는 사용자 별 사용 이력 데이터를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 지능형 컴퓨팅 디바이스(10)은 SSB(Synchronization signal block)에 기초하여 상기 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)은 무선 통신부를 통해 상기 지능형 컴퓨팅 디바이스의 메모리로부터 독출되는 상기 사용자 별 사용 이력 데이터의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서(170)는 상기 DCI에 기초하여 상기 사용자 별 사용 이력 데이터를 상기 네트워크로 전송할 수 있다.
상기 사용자 별 사용 이력 데이터는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 15를 참조하면, 지능형 컴퓨팅 디바이스(10)은 사용자 별 사용 이력 데이터로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S1500).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 사용자 별 사용 이력 데이터에 기초하여 AI 프로세싱을 수행할 수 있다(S1510).
구체적으로, AI 시스템은, 지능형 컴퓨팅 디바이스(10)로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S1511). AI 시스템은, ANN 출력값을 분석하고(S1513), 상기 ANN 출력값으로부터 사용자 별 특성 정보를 생성하며(S1515), 사용자 별 추천 책을 결정할 수 있다(S1517).
여기서, 5G 네트워크는 상기 AI 시스템에서 판단한 사용자 별 책 추천 정보를 무선 통신부를 통해 지능형 컴퓨팅 디바이스(10)로 전송할 수 있다(S1530).
또한, AI 시스템은, 사용자 별 추천 책 정보가 아닌, 사용자 별 특성 정보를 지능형 컴퓨팅 디바이스(10)로 전송할 수 있다.
한편, 상기 지능형 컴퓨팅 디바이스(10)는 사용자 별 사용 이력 데이터만을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 상기 사용자 별 사용 이력 데이터로부터 사용자 별 추천 책 정보를 판단하기 위한 인공 신경망의 입력으로 이용될 사용자 별 특성 정보에 대응하는 특징값을 추출할 수도 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 동일한 책을 읽은 횟수가 미리 설정된 횟수 이상이 되면, 띄어쓰기 단위로 구분하여 이전과 다른 지점에서 말의 강조점을 두어 억양을 다르게 설정할 수 있고, 속도도 일정 배수(예: 1.2배)만큼 올릴 수 있다.
여기서, 지능형 컴퓨팅 디바이스(10)는 억양의 변화에 따른 사용자의 반응(웃음, 말 등)을 기록하고, 선호하는 억양을 다른 책을 읽을 때 적용할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 책을 읽으면서 인지된 단어와 연관된 효과음을 재생할 수 있다. 예를 들어, 바다＇라는 단어를 읽은 경우, 지능형 컴퓨팅 디바이스(10)는 배경음으로서 파도 소리를 재생하면서, "철썩 철썩 솨아~"와 같은 의성어를 텍스트를 변환한 음성과 함께 출력할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 카메라(130)에 의해 촬영된 그림을 인식하고, 그림에 포함된 내용을 음성으로 묘사할 수 있다. 예를 들어, 사용자가 손으로 그림을 가리키는 경우, 지능형 컴퓨팅 디바이스(10)는 그림을 카메라로 촬영하고, 그림을 분석한 내용을 음성으로 출력할 수 있다. 예를 들어, 지능형 컴퓨팅 디바이스(10)는 라푼젤 책을 읽는 중 특정 그림을 분석하여, 금발 머리 여자 아이가 탑 안에 서 있어요.'라는 음성을 출력할 수 있다.
또한, 지능형 컴퓨팅 디바이스(10)는 지능형 컴퓨팅 디바이스(10)가 읽은 책 기록을 이용하여, 등장 인물과 관련된 메타 정보를 생성할 수 있다. 이로써, 지능형 컴퓨팅 디바이스(10)는 동일한 등장 인물이 포함되는 등 유사성이 높은 책의 내용을 결합할 수 있다. 지능형 컴퓨팅 디바이스(10)는 결합된 책의 내용을 오디오북의 형태로 생성할 수 있다. 예를 들어, 지능형 컴퓨팅 디바이스(10)는 책을 읽으면서 해당 내용을 메모리 또는 외부 서버에 저장하고, 책을 읽은 횟수가 미리 설정된 횟수(10회)를 넘긴 경우, 등장 인물 구성이 유사한 책끼리 연관된 내용을 조합하여 오디오북을 생성할 수 있고, 오디오북을 추천할 수 있다. 예를 들어, 늑대와 일곱 마리 아기 염소' 와 '아기 돼지 삼형제＇에 나오는 등장인물 중 늑대의 접점을 이용하여 새로운 플롯 구성할 수 있다. 또한, '똑똑똑 얘들아 엄마다', '우리 엄마라면 발을 보여주세요'(늑대와 일곱 마리 아기 염소 중) 내용과, '늑대는 화가 나서 입김을 세게 후~~ 불었어요. 집은 꿈쩍도 안 했어요'(아기 돼지 삼형제 중)라는 내용 및, '발에 밀가루를 묻혀 보여주었어요.'(늑대와 일곱 마리 아기 염소 중)라는 내용을 하나의 오디오 북으로 결합하여 생성할 수 있고, 이를 사용자에게 추천할 수 있다.
실시예 1: 지능적인 TTS 제공 방법은 텍스트 읽기 명령을 수신하는 단계; 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하는 단계; 상기 카메라를 이용하여 상기 객체를 촬영하는 단계; 및 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 단계;를 포함한다.
실시예 2: 실시예 1에 있어서, 상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에, 상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 단계를 더 포함할 수 있다.
실시예 3: 실시예 1에 있어서, 상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하는 단계, 및 상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 단계를 더 포함할 수 있다.
실시예 4: 실시예 1에 있어서, 사용자 별 사용 이력 데이터를 획득하는 단계, 및 상기 사용자 별 책 추천 정보를 제공하는 단계를 더 포함할 수 있다.
실시예 5: 실시예 4에 있어서, 상기 사용자 별 사용 이력 데이터를 획득하는 단계는, 상기 사용자 별 성문을 획득하는 단계, 및 상기 사용자 별 성문에 기반하여 상기 사용자 별로 구분된 사용 이력 데이터를 획득하는 단계를 포함할 수 있다.
실시예 6: 실시예 5에 있어서, 상기 사용자 별 사용 이력 데이터는, 상기 사용자 별 음성 제공 명령 사용 이력 및 상기 사용자 별 대화 이력 관련 데이터를 포함하는 것을 할 수 있다.
실시예 7: 실시예 4에 있어서, 상기 사용자 별 책 추천 정보를 제공하는 단계는, 상기 사용자 별 사용 이력 데이터로부터 특징값을 추출하는 단계, 상기 특징값을 미리 학습된 딥러닝 모델에 입력하는 단계, 및 상기 딥러닝 모델의 출력에 기반하여 상기 사용자 별 추천 책 정보를 획득하는 단계를 포함하는 것을 특징으로 할 수 있다.
실시예 8: 실시예 1에 있어서, 상기 사용자 별 사용 이력 데이터의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고, 상기 사용자 별 사용 이력 데이터는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 할 수 있다.
실시예 9: 실시예 8에 있어서, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고, 상기 사용자 별 사용 이력 데이터는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 할 수 있다.
실시예 10: 실시예 8에 있어서, 상기 사용자 별 사용 이력 데이터를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계; 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;를 더 포함하고, 상기 AI 프로세싱된 정보는, 상기 사용자 별 책 추천 정보인 것을 특징으로 할 수 있다.
실시예 11: 실시예 1에 있어서, 상기 텍스트를 음성으로 변환하여 출력하는 단계는, 동일한 텍스트 읽기 명령이 임계 횟수 이상 수신된 경우, 상기 텍스트를 기존 변환 방식과 다른 변환 방식을 통해 변환하는 것을 특징으로 할 수 있다.
실시예 12: 실시예 11에 있어서, 상기 다른 변환 방식은, 상기 텍스트를 변환한 음성의 억양 또는 속도를 포함하는 것을 특징으로 할 수 있다.
실시예 13: 실시예 1에 있어서, 상기 카메라에 의해 촬영된 오브젝트와 관련된 음성을 출력하는 단계를 더 포함할 수 있다.
실시예 14: 실시예 13에 있어서, 상기 오브젝트와 관련된 음성을 출력하는 단계는, 상기 오브젝트가 이미지인 경우, 상기 이미지를 분석한 결과를 출력하는 것을 특징으로 할 수 있다.
실시예 15: 실시예 13에 있어서, 상기 오브젝트와 관련된 음성을 출력하는 단계는, 상기 오브젝트가 텍스트인 경우, 상기 텍스트와 관련된 의성어를 출력하는 것을 특징으로 할 수 있다.
실시예 16: TTS를 제공하는 지능형 컴퓨팅 디바이스는, 상기 지능형 컴퓨팅 디바이스의 내부에 구비된 통신부; 스피커; 카메라; 상기 카메라의 촬영 각도를 조정하는 각도 조절부; 프로세서; 및 상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;를 포함하고, 상기 명령어는, 상기 통신부를 통해 텍스트 읽기 명령을 수신하고, 상기 각도 조절부를 통해 상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며, 상기 카메라를 통해 상기 객체를 촬영하고, 상기 스피커를 통해 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 것을 특징으로 지능형 컴퓨팅 디바이스를 제어한다.
실시예 17: 실시예 16에 있어서, 상기 프로세서는, 상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에, 상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 것을 특징으로 할 수 있다.
실시예 18: 실시예 16에 있어서, 상기 프로세서는, 상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하고, 상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 것을 특징으로 할 수 있다.
실시예 19: 실시예 16에 있어서, 상기 프로세서는, 사용자 별 사용 이력 데이터를 획득하고, 상기 사용자 별 책 추천 정보를 제공하는 것을 특징으로 할 수 있다.
실시예 20: 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 상기 컴퓨터 실행 가능한 컴포넌트는, 텍스트 읽기 명령을 수신하고, 상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며, 상기 객체를 촬영하고, 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력한다.
전술한 본 발명은, 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 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
Claims (20)
- 지능적인 TTS 제공 방법에 있어서,
텍스트 읽기 명령을 수신하는 단계;
카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하는 단계;
상기 카메라를 이용하여 상기 객체를 촬영하는 단계; 및
상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 단계;를 포함하는 것을 특징으로 하는,
방법.
- 제1항에 있어서,
상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에,
상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 단계를 더 포함하는,
방법.
- 제1항에 있어서,
상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하는 단계, 및
상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 단계를 더 포함하는,
방법.
- 제1항에 있어서,
사용자 별 사용 이력 데이터를 획득하는 단계, 및
상기 사용자 별 책 추천 정보를 제공하는 단계를 더 포함하는,
방법.
- 제4항에 있어서,
상기 사용자 별 사용 이력 데이터를 획득하는 단계는,
상기 사용자 별 성문을 획득하는 단계, 및
상기 사용자 별 성문에 기반하여 상기 사용자 별로 구분된 사용 이력 데이터를 획득하는 단계를 포함하는 것을 특징으로 하는,
방법.
- 제5항에 있어서,
상기 사용자 별 사용 이력 데이터는,
상기 사용자 별 음성 제공 명령 사용 이력 및 상기 사용자 별 대화 이력 관련 데이터를 포함하는 것을 특징으로 하는,
방법.
- 제4항에 있어서,
상기 사용자 별 책 추천 정보를 제공하는 단계는,
상기 사용자 별 사용 이력 데이터로부터 특징값을 추출하는 단계,
상기 특징값을 미리 학습된 딥러닝 모델에 입력하는 단계, 및
상기 딥러닝 모델의 출력에 기반하여 상기 사용자 별 추천 책 정보를 획득하는 단계를 포함하는 것을 특징으로 하는,
방법.
- 제1항에 있어서,
상기 사용자 별 사용 이력 데이터의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하는 단계;를 더 포함하고,
상기 사용자 별 사용 이력 데이터는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 특징으로 하는,
방법.
- 제8항에 있어서,
SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하는 단계;를 더 포함하고,
상기 사용자 별 사용 이력 데이터는 PUSCH를 통해 상기 네트워크로 전송되며,
상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 특징으로 하는,
방법.
- 제8항에 있어서,
상기 사용자 별 사용 이력 데이터를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하는 단계;
상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하는 단계;를 더 포함하고,
상기 AI 프로세싱된 정보는,
상기 사용자 별 책 추천 정보인 것을 특징으로 하는,
방법.
- 제1항에 있어서,
상기 텍스트를 음성으로 변환하여 출력하는 단계는,
동일한 텍스트 읽기 명령이 임계 횟수 이상 수신된 경우, 상기 텍스트를 기존 변환 방식과 다른 변환 방식을 통해 변환하는 것을 특징으로 하는,
방법.
- 제11항에 있어서,
상기 다른 변환 방식은,
상기 텍스트를 변환한 음성의 억양 또는 속도를 포함하는 것을 특징으로 하는,
방법.
- 제1항에 있어서,
상기 카메라에 의해 촬영된 오브젝트와 관련된 음성을 출력하는 단계를 더 포함하는,
방법.
- 제13항에 있어서,
상기 오브젝트와 관련된 음성을 출력하는 단계는,
상기 오브젝트가 이미지인 경우, 상기 이미지를 분석한 결과를 출력하는 것을 특징으로 하는,
방법.
- 제13항에 있어서,
상기 오브젝트와 관련된 음성을 출력하는 단계는,
상기 오브젝트가 텍스트인 경우, 상기 텍스트와 관련된 의성어를 출력하는 것을 특징으로 하는,
방법.
- TTS를 제공하는 지능형 컴퓨팅 디바이스는,
상기 지능형 컴퓨팅 디바이스의 내부에 구비된 통신부;
스피커;
카메라;
상기 카메라의 촬영 각도를 조정하는 각도 조절부;
프로세서; 및
상기 프로세서에 의해 실행 가능한 명령어를 포함하는 메모리;를 포함하고,
상기 명령어는,
상기 통신부를 통해 텍스트 읽기 명령을 수신하고,
상기 각도 조절부를 통해 상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며,
상기 카메라를 통해 상기 객체를 촬영하고,
상기 스피커를 통해 상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 것을 특징으로 지능형 컴퓨팅 디바이스를 제어하는
지능형 컴퓨팅 디바이스.
- 제16항에 있어서,
상기 프로세서는,
상기 텍스트 중 제1 부분을 음성으로 변환하여 출력한 후 상기 텍스트 중 제2 부분을 음성으로 변환하기 전에,
상기 카메라의 촬영 각도의 중심이 상기 제1 부분에서 상기 제2 부분으로 향하도록 상기 카메라의 촬영 각도를 재조정하는 것을 특징으로 하는,
지능형 컴퓨팅 디바이스.
- 제16항에 있어서,
상기 프로세서는,
상기 지능형 컴퓨팅 디바이스의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 지능형 컴퓨팅 디바이스의 움직임 방향과 반대 방향으로 재조정하고,
상기 객체의 움직임을 검출하는 경우, 상기 카메라의 촬영 각도를 상기 객체의 움직임 방향과 동일한 방향으로 재조정하는 것을 특징으로 하는,
지능형 컴퓨팅 디바이스.
- 제16항에 있어서,
상기 프로세서는,
사용자 별 사용 이력 데이터를 획득하고,
상기 사용자 별 책 추천 정보를 제공하는 것을 특징으로 하는,
지능형 컴퓨팅 디바이스.
- 컴퓨팅 디바이스의 하나 이상의 프로세서에서 실행하도록 구성된 컴퓨터 실행 가능한 컴포넌트가 저장된 비 일시적(non-transitory) 컴퓨터 판독 가능한 매체(computer-executable component)로서, 상기 컴퓨터 실행 가능한 컴포넌트는,
텍스트 읽기 명령을 수신하고,
상기 카메라의 촬영 각도에 텍스트가 기재된 객체의 위치가 포함되도록 상기 카메라의 촬영 각도를 조정하며,
상기 객체를 촬영하고,
상기 촬영된 객체에 기재된 텍스트를 음성으로 변환하여 출력하는 것을 특징으로 하는,
비 일시적 컴퓨터 판독 가능한 기록 매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095080A KR102318080B1 (ko) | 2019-08-05 | 2019-08-05 | 지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 |
| US16/586,724 US20200027439A1 (en) | 2019-08-05 | 2019-09-27 | Intelligent text to speech providing method and intelligent computing device for providing tts |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190095080A KR102318080B1 (ko) | 2019-08-05 | 2019-08-05 | 지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190098932A true KR20190098932A (ko) | 2019-08-23 |
| KR102318080B1 KR102318080B1 (ko) | 2021-10-27 |
Family
ID=67763957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190095080A KR102318080B1 (ko) | 2019-08-05 | 2019-08-05 | 지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20200027439A1 (ko) |
| KR (1) | KR102318080B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095141A (zh) * | 2021-03-15 | 2021-07-09 | 南通大学 | 一种基于人工智能的无人机视觉学习系统 |
| US11887581B2 (en) | 2019-11-14 | 2024-01-30 | Google Llc | Automatic audio playback of displayed textual content |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10910027B2 (en) | 2019-04-12 | 2021-02-02 | Micron Technology, Inc. | Apparatuses and methods for controlling word line discharge |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014132453A (ja) * | 2013-01-04 | 2014-07-17 | Ricoh Co Ltd | 文書内の文字の局所的な拡大縮小、回転および表示位置に対して不変である光学的文字認識のためのワード検出 |
| KR20150026050A (ko) * | 2013-08-30 | 2015-03-11 | 삼성전자주식회사 | 이미지 처리 방법 및 그 전자 장치 |
| KR20160147950A (ko) * | 2014-04-29 | 2016-12-23 | 구글 인코포레이티드 | 분산 광학 문자 인식 및 분산 기계 언어번역을 위한 기법들 |
| JP2019096220A (ja) * | 2017-11-27 | 2019-06-20 | ヤマハ株式会社 | 文字情報提供装置および方法 |
| KR20190075870A (ko) * | 2019-06-11 | 2019-07-01 | 엘지전자 주식회사 | 음성 인에이블 디바이스 선택 방법, 음성 인에이블 디바이스 선택 장치 및 이를 제어하는 지능형 컴퓨팅 디바이스 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6486582B2 (ja) * | 2017-03-30 | 2019-03-20 | 三菱電機株式会社 | 電子機器、音声制御方法、およびプログラム |
-
2019
- 2019-08-05 KR KR1020190095080A patent/KR102318080B1/ko active IP Right Grant
- 2019-09-27 US US16/586,724 patent/US20200027439A1/en not_active Abandoned
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014132453A (ja) * | 2013-01-04 | 2014-07-17 | Ricoh Co Ltd | 文書内の文字の局所的な拡大縮小、回転および表示位置に対して不変である光学的文字認識のためのワード検出 |
| KR20150026050A (ko) * | 2013-08-30 | 2015-03-11 | 삼성전자주식회사 | 이미지 처리 방법 및 그 전자 장치 |
| KR20160147950A (ko) * | 2014-04-29 | 2016-12-23 | 구글 인코포레이티드 | 분산 광학 문자 인식 및 분산 기계 언어번역을 위한 기법들 |
| JP2019096220A (ja) * | 2017-11-27 | 2019-06-20 | ヤマハ株式会社 | 文字情報提供装置および方法 |
| KR20190075870A (ko) * | 2019-06-11 | 2019-07-01 | 엘지전자 주식회사 | 음성 인에이블 디바이스 선택 방법, 음성 인에이블 디바이스 선택 장치 및 이를 제어하는 지능형 컴퓨팅 디바이스 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11887581B2 (en) | 2019-11-14 | 2024-01-30 | Google Llc | Automatic audio playback of displayed textual content |
| CN113095141A (zh) * | 2021-03-15 | 2021-07-09 | 南通大学 | 一种基于人工智能的无人机视觉学习系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102318080B1 (ko) | 2021-10-27 |
| US20200027439A1 (en) | 2020-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102228549B1 (ko) | 음성 인에이블 디바이스 선택 방법, 음성 인에이블 디바이스 선택 장치 및 이를 제어하는 지능형 컴퓨팅 디바이스 | |
| US11380323B2 (en) | Intelligent presentation method | |
| KR102246661B1 (ko) | 음성 인에이블 디바이스 선택 방법 및 장치 | |
| US20200092519A1 (en) | Video conference system using artificial intelligence | |
| US11232785B2 (en) | Speech recognition of named entities with word embeddings to display relationship information | |
| US11398238B2 (en) | Speech recognition method in edge computing device | |
| KR20190107289A (ko) | 인공지능 로봇 및 인공지능 로봇의 음성인식 방법 | |
| KR20190103080A (ko) | 인공 신경망 기반의 음성 인식 모델을 학습시키는 방법 및 음성 인식 디바이스 | |
| US11443757B2 (en) | Artificial sound source separation method and device of thereof | |
| US20190392858A1 (en) | Intelligent voice outputting method, apparatus, and intelligent computing device | |
| KR102318080B1 (ko) | 지능적인 tts 제공 방법 및 tts를 제공하는 지능형 컴퓨팅 디바이스 | |
| KR20190108086A (ko) | 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스 | |
| KR20190103081A (ko) | 지능적 음성 출력 방법, 음성 출력 장치 및 지능형 컴퓨팅 디바이스 | |
| KR20190106939A (ko) | 증강현실기기 및 이의 제스쳐 인식 캘리브레이션 방법 | |
| US20200090643A1 (en) | Speech recognition method and device | |
| KR20190104280A (ko) | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 | |
| US11615760B2 (en) | Controlling of device based on user recognition utilizing vision and speech features | |
| KR20210016829A (ko) | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 | |
| KR20190106935A (ko) | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 | |
| US11790903B2 (en) | Voice recognition method and device | |
| US11714788B2 (en) | Method for building database in which voice signals and texts are matched and a system therefor, and a computer-readable recording medium recording the same | |
| KR20210050897A (ko) | 지능형 보안 디바이스 | |
| US20210151049A1 (en) | Method for processing user input of voice assistant | |
| US11514725B2 (en) | Intelligence device and user selection method thereof | |
| US11475891B2 (en) | Low delay voice processing system |
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 |