KR20200132352A - 리듬 게임 제작 방법 - Google Patents

리듬 게임 제작 방법 Download PDF

Info

Publication number
KR20200132352A
KR20200132352A KR1020190057737A KR20190057737A KR20200132352A KR 20200132352 A KR20200132352 A KR 20200132352A KR 1020190057737 A KR1020190057737 A KR 1020190057737A KR 20190057737 A KR20190057737 A KR 20190057737A KR 20200132352 A KR20200132352 A KR 20200132352A
Authority
KR
South Korea
Prior art keywords
audio
transcription
style
computer
rhythm
Prior art date
Application number
KR1020190057737A
Other languages
English (en)
Other versions
KR102224070B1 (ko
Inventor
조영박
황영태
김영수
Original Assignee
넷마블 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 넷마블 주식회사 filed Critical 넷마블 주식회사
Priority to KR1020190057737A priority Critical patent/KR102224070B1/ko
Publication of KR20200132352A publication Critical patent/KR20200132352A/ko
Application granted granted Critical
Publication of KR102224070B1 publication Critical patent/KR102224070B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
    • A63F13/40—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment
    • A63F13/42—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle
    • A63F13/424—Processing input control signals of video game devices, e.g. signals generated by the player or derived from the environment by mapping the input signals into game commands, e.g. mapping the displacement of a stylus on a touch screen to the steering angle of a virtual vehicle involving acoustic input signals, e.g. by using the results of pitch or rhythm extraction or voice recognition
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
    • A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
    • A63F2300/60—Methods for processing data by generating or executing the game program
    • A63F2300/6063—Methods for processing data by generating or executing the game program for sound processing
    • A63F2300/6072—Methods for processing data by generating or executing the game program for sound processing of an input signal, e.g. pitch and rhythm extraction, voice recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Auxiliary Devices For Music (AREA)

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우 리듬 게임 제작을 위한 이하의 동작을 수행하도록 하며, 상기 동작은, 오디오를 채보 생성 모델에 입력시키는 동작; 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 동작; 및 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는 동작을 포함할 수 있다.

Description

리듬 게임 제작 방법{METHOD FOR MAKING RHYTHM GAME}
본 발명은 게임 데이터 처리에 관한 것으로서, 보다 구체적으로는 리듬 게임 제작 방법에 관한 것이다.
현재 네트워크를 통해 다양한 종류와 형태를 갖는 게임 서비스가 이루어지고 있다.
제공되는 게임 서비스 중에는 리듬 게임이라고 불리는 유형의 게임이 존재한다. 리듬 게임은 음악과 함께 화면에 여러 종류의 노트들이 계속적으로 나타났다가 사라지고, 사용자는 화면에 표시되는 노트들을 입력 장치를 이용하여 입력해야 하는 방식으로 진행된다.
이러한 리듬 게임은 사용자들의 많은 관심 끌고 있다. 따라서 리듬 게임을 즐기는 사용자가 리듬 게임에 대해 더 많은 관심과 흥미를 가지게 함으로써, 리듬 게임에 참여하고자 하는 사용자의 수요를 증가시킬 수 있다.
대한민국 공개특허 10-2016-0076316 리듬 게임 제작 방법, 장치 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램을 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 리듬 게임 제작 방법을 제공하기 위한 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램이 개시된다. 오디오를 채보 생성 모델에 입력시키는 동작; 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 동작; 및 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 오디오를 채보 생성 모델에 입력시키는 동작은, 오디오를 제 1 서브 모델에 입력시켜, 상기 오디오의 특징(feature)을 추출하는 동작; 및 상기 오디오의 특징(feature)을 상기 채보 생성 모델에 입력시키는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 오디오의 특징(feature)을 추출하는 동작은, 상기 오디오를 시간 차원을 포함하는 이미지로 변환하는 동작; 상기 이미지를 단위 시간으로 분할하여 서브 이미지를 생성하는 동작; 및 상기 서브 이미지를 상기 제 1 서브 모델에 입력시켜 상기 단위 시간 별 오디오의 특징(feature)을 추출하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 서브 이미지는, 상기 단위 시간에서 상기 오디오의 주파수 별 강도를 표현하는 이미지일 수 있다.
대안적 실시예에서, 상기 채보 스타일은, 채보 시퀸스를 생성하기 위한 추가 정보로서, 상기 채보 시퀸스에서의 리듬노트의 배치, 게임 난이도, 또는 오디오에 기초하여 결정될 수 있다.
대안적 실시예에서, 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 동작은, 채보 시퀸스에 포함된 로우에서의 리듬노트의 조합 각각을 제 2 서브 모델의 완전 연결 레이어(Fully Connected Layer)에 입력시켜 분류하는 동작; 상기 완전 연결 레이어(Fully Connected Layer)의 출력을 상기 제 2 서브 모델의 컨볼루션 레이어(Convolution Layer)에 입력시켜 상기 로우에 포함된 리듬노트의 조합의 피처를 추출하는 동작; 및 상기 컨볼루션 레이어(Convolution Layer)의 출력을 상기 제 2 서브 모델의 순환 신경망(Recurrent Neural Network)에 입력시켜, 상기 채보 시퀸스의 채보 스타일을 획득하는 동작을 포함할 수 있다.
대안적 실시예에서, 상기 리듬노트의 조합은, 로우에서의 하나 이상의 라인 별 리듬 노트의 배치를 포함할 수 있다.
대안적 실시예에서, 상기 순환 신경망(Recurrent Neural Network)은, 로우 별 리듬 노트의 조합 각각에 대한 확률 값을 추출하고, 상기 확률 값에 기초하여 채보 스타일을 출력할 수 있다.
대안적 실시예에서, 상기 순환 신경망(Recurrent Neural Network)은, 현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망일 수 있다.
대안적 실시예에서, 상기 채보 생성 모델은, 시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다.
대안적 실시예에서, 상기 오디오 및 상기 채보 스타일을 오디오 생성 모델에 입력시켜, 상기 오디오 생성 모델을 이용하여 보조 오디오를 획득하는 동작을 더 포함할 수 있다.
대안적 실시예에서, 상기 보조 오디오는, 상기 채보 스타일에 기초한 채보 시퀸스에서 상기 오디오를 플레이 하기 위한 추가적인 음향 효과를 포함할 수 있다.
대안적 실시예에서, 상기 채보 생성 모델은, 상기 채보 스타일에 기초하여 상기 오디오를 분류하도록 학습될 수 있다.
대안적 실시예에서, 상기 채보 생성 모델은, 상기 오디오 및 상기 오디오에 매칭된 채보 스타일을 학습 입력 데이터로 하고, 채보 시퀸스를 학습 입력 데이터의 라벨로 하는 학습 데이터를 이용하여 교사학습(Supervised Learning)될 수 있다.
본 개시의 다른 일 실시예에 따라 리듬 게임 제작 방법이 개시된다. 오디오를 채보 생성 모델에 입력시키는 단계; 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 단계; 및 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는 단계를 포함할 수 있다.
본 개시의 다른 일 실시예에 따라 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 프로세서; 및 상기 프로세서에서 실행가능한 명령들을 저장하는 메모리; 를 포함하고, 상기 하나 이상의 프로세서는, 오디오를 채보 생성 모델에 입력시키고, 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키고, 그리고 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득할 수 있다.
본 개시는 리듬 게임 제작 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 리듬 게임을 제작하는 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따라 리듬 게임을 제작하기 위한 채보 생성 모델 및 오디오 생성 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따라 제 1 서브모델 및 제 2 서브모델 각각에 입력되는 데이터의 전처리 동작을 설명하기 위한 예시도이다.
도 4는 본 개시의 일 실시예에 따라 오디오 특징을 추출하기 위한 제 1 서브모델 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 5는 본 개시의 일 실시예에 따라 채보 시퀸스의 채보 스타일을 획득하기 위한 제 2 서브모델의 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 6은 본 개시의 일 실시예에 따라 채보 생성 모델의 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 7은 본 개시의 일 실시예에 따라 서로 다른 채보 스타일을 혼합하여 새로운 채보 시퀸스를 생성하는 동작을 설명하기 위한 예시도이다.
도 8은 본 개시의 일 실시예에 따라 리듬 게임을 제작하는 방법의 순서도이다.
도 9는 본 개시의 일 실시예에 따라 리듬 게임을 제작하기 위한 모듈을 도시한 블록 구성도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 리듬 게임을 제작하는 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장 치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 리듬 게임 제작을 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중 치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 오디오를 채보 생성 모델에 입력시킬 수 있다. 본 개시의 오디오는 임의의 소리를 포함할 수 있다. 오디오는 사용자가 들을 수 있는 가청 주파수의 음역대에 해당하는 소리 뿐만 아니라, 가청 주파수의 음역대를 벗어난 소리도 포함할 수 있다. 가청 주파수의 음역대에 해당하는 소리는 음악을 포함할 수 있다. 음악은 진동 주파수의 세기마다 다른 소리가 나는 것을 듣기 좋게 조합해서 박자, 가락, 음성 등을 복수개의 형식으로 조화하고 결합하여, 목소리나 악기를 통하여 사상 또는 감정을 나타내는 청각적, 시간적 예술일 수 있다. 오디오는 사용자로부터 선택될 수 있다. 예를 들어, 사용자는 리듬 게임을 즐기기 위해 음악을 선택할 수 있다. 예를 들어, 사용자가 리듬 게임을 플레이하는 경우, 사용자가 즐거운 마음으로 음악을 들으면서 리듬 게임에서 높은 점수를 얻기 위해 선택하는 음악일 수 있다. 전술한 오디오는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 오디오를 제 1 서브 모델에 입력시켜, 오디오의 특징(feature)을 추출하고, 오디오의 특징(feature)을 채보 생성 모델에 입력시킬 수 있다. 프로세서(110)는 오디오를 단위 시간 단위로 분할하여 제 1 서브 모델에 입력시킬 수 있다. 오디오의 특징(feature)은 단위 시간 별 오디오의 특징(feature)을 포함할 수 있다. 오디오의 특징은 단위 시간으로 분할된 오디오를 표현할 수 있는 추상화된 정보를 포함할 수 있다. 단위 시간 별 오디오의 특징은 예를 들어, 단위 시간 별 오디오의 주파수 특성에 기초한 벡터 표현일 수 있다. 이를 통해, 프로세서(110)는 특정 단위 시간에 나타나는 오디오 특징을 다른 단위 시간에 나타내는 오디오 특징과 구분할 수 있다. 전술한 오디오의 특징 추출은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 오디오를 시간 차원을 포함하는 이미지로 변환할 수 있다. 시간 차원을 포함하는 이미지는 스펙트로그램 또는 멜 스펙트로그램일 수 있다. 스펙트로그램은 소리나 파동을 시각화하여 파악하기 위한 것으로써, 시간 축과 주파수 축의 변화에 따라 강도의 차이를 색상의 차이로 나타낸 것일 수 있다. 멜 스펙트로그램은 오디오의 특징을 명확히 추출하기 위한 스펙트로그램일 수 있다. 멜 스펙트로그램은 사람의 귀속 달팽이관 특성을 반영한 곡선을 기초로 주파수 성분을 변환하여 오디오를 이미지로 변환한 스펙트로그램일 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 이미지화된 오디오를 단위 시간으로 분할하여 서브 이미지를 생성할 수 있다. 단위 시간은 오디오를 분할하기 위한 기준이 되는 사전결정된 길이를 가지는 시간일 수 있다. 단위 시간은 단위 시간에 나타나는 오디오의 특징을 추출하여 다른 단위 시간 영역에서 추출된 오디오 특징과 명확히 구분하기 위한 시간 간격일 수 있다. 단위 시간은 또한, 제 1 서브모델에 입력된 오디오의 시간 길이를 사전 결정된 기준 값에 기초하여 나눈 값일 수 있다. 사전 결정된 기준 값은 제 2 서브모델에 입력된 채보 시퀸스의 로우 개수에 기초하여 결정될 수 있다. 본 개시에서 채보 시퀸스의 로우는 시간 간격과 대응되는 개념으로써, 채보 시퀸스의 로우 한 개는 동일한 시간 간격을 나타낼 수 있다. 예를 들어 채보 시퀸스의 로우는 오디오의 단위 시간과 대응될 수 있다. 예를 들어, 제 1 서브모델에 입력된 오디오의 시간 길이가 120초이고, 제 2 서브모델에 입력된 채보 시퀸스의 로우 개수가 60인 경우, 사전 결정된 기준 값이 60일 수 있고, 단위 시간은 2초일 수 있다. 단위 시간을 제 2 서브모델에 입력된 채보 시퀸스의 로우 개수에 기초하여 결정함으로써, 제 1 서브모델에 입력되는 오디오의 시간 길이와 제 2 서브모델에 입력되는 채보 시퀸스의 길이를 대응시킬 수 있다. 전술한 단위 시간은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 서브 이미지는 단위 시간을 기초로 이미지화된 오디오를 분할한 이미지일 수 있다. 예를 들어, 이미지화된 오디오의 전체 시간 길이가 60초이고 단위 시간이 1초인 경우, 1초 길이로 자른 적어도 하나 이상의 이미지가 서브 이미지일 수 있다. 또한 단위 시간에서의 서브 이미지는 스펙트로그램 벡터 또는 멜 스펙트로그램 벡터 중 적어도 하나로 표현될 수 있다. 스펙트로그램 벡터, 멜 스펙트로그램 벡터는 단위 시간에서의 서브 이미지의 정보를 주파수 및 강도를 기초로 산출된 수치로 표현된 벡터일 수 있다. 단 전술한 서브 이미지는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 서브 이미지를 제 1 서브 모델에 입력시켜 단위 시간 별 오디오의 특징(feature)을 포함하는 제 1 벡터를 생성할 수 있다. 제 1 서브 모델은 신경망(neural network)을 포함할 수 있고, 신경망(neural network)은 완전 연결 레이어(Fully Connected Layer) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 단위 시간으로 분할된 서브 이미지를 완전 연결 레이어(Fully Connected Layer)에 입력하여, 단위 시간으로 분할된 서브 이미지를 분류(Classification)할 수 있다. 예를 들어, 프로세서(110)는 단위 시간으로 분할된 서브 이미지가 가지는 오디오 특징을 A, B, C 집단(Class)로 나누어 분류(Classification)할 수 있다. 프로세서(110)는 분류된 서브 이미지를 순환 신경망(Recurrent Neural Network)에 입력하여, 다음 단위 시간에 대응하는 제 1 벡터를 획득할 수 있다. 제 1 벡터는 순환 신경망으로부터 출력된 값일 수 있다. 순환 신경망(Recurrent Neural Network)으로부터 출력된 값은 예를 들어, 3번째 단위 시간에 입력된 서브 이미지를 기초로 4번째 단위 시간에 이어질 단위 시간에서의 오디오의 특징을 성분으로 가지는 벡터 표현일 수 있다. 전술한 제 1 서브모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 순환 신경망 (Recurrent Neural Network)은 장단기 기억 네트워크(Long Short Term Memory Network)를 포함할 수 있다. 프로세서(110)는 장단기 기억 네트워크(Long Short Term Memory Network)를 이용하여 현재 시간보다 이전의 데이터를 고려하여 예측 값을 출력할 수 있다. 따라서 프로세서(110)는 예를 들어, 20번째 단위 시간에서의 서브 이미지를 장단기 기억 네트워크에 입력하여 21번째 단위 시간에서의 제 1 벡터를 출력하는 경우에도, 1번째 단위 시간에서의 서브 이미지가 가진 정보를 포함할 수 있다. 이 경우, 장단기 기억 네트워크는 1 번째 단위 시간에서의 서브 이미지가 가진 정보보다 20번째 단위 시간에서의 서브 이미지가 가진 정보를 보다 큰 가중치로 21 번째 단위 시간의 제 1 벡터에 반영할 수 있다. 전술한 사항을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 서브 이미지는, 단위 시간에서 오디오의 주파수 별 강도를 표현하는 이미지일 수 있다. 서브 이미지의 한 축은 시간 축 다른 한 축은 주파수 축일 수 있으며, 각각의 픽셀의 픽셀 값이 주파수 별 강도를 나타낼 수 있다. 오디오의 주파수별 강도는 색상을 통해 표현될 수 있다. 예를 들어, 단위 시간에서 주파수 별 강도가 높을수록 파란색, 낮을수록 노란색으로 표현될 수 있다. 전술한 서브 이미지는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 채보 스타일은, 채보 시퀸스를 생성하기 위한 추가 정보로서, 채보 시퀸스를 생성하기 위한 메타 정보로서 활용될 수 있다. 예를 들어, 채보 스타일은 채보 시퀸스에서의 리듬노트의 배치, 게임 난이도, 또는 오디오에 기초하여 결정될 수 있다. 채보 시퀸스는 각각의 로우에서의 리듬노트 조합을 포함할 수 있다. 리듬노트의 조합은 로우에서의 하나 이상의 라인 별 리듬 노트의 배치를 포함할 수 있다. 각각의 라인은 리듬 게임에서 하나 이상의 사용자 입력 수단 각각과 대응될 수 있다. 예를 들어, 사용자가 7 개의 건반을 입력할 수 있는 리듬 게임의 경우, 1 로우의 리듬노트 조합은 7 개의 라인에 대한 리듬 노트의 배치 정보를 포함할 수 있다. 로우는 시간 간격과 대응되는 개념으로써, 각각의 로우는 동일한 시간 간격을 나타낼 수 있다. 예를 들어, 채보 시퀸스에 포함된 모든 로우는 1초라는 동일한 시간 간격을 가지고, 3번째 로우 다음에 4번째 로우가 배치되고, 4번째 로우 다음에 5번째 로우가 시계열적으로 배치될 수 있다. 전술한 채보 시퀸스는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 리듬노트는 리듬 게임 화면에 표시되는 이미지로써 사용자가 입력장치를 이용해 처리해야하는 것일 수 있다. 리듬노트는 리듬 게임 장르 및/또는 입력장치에 따라 다양한 형태를 가질 수 있다. 예를 들어, 리듬노트는 막대기 형태, 동그라미 형태, 라인을 넘나드는 형태, 캐릭터, 문자, 방향을 포함하는 화살표의 형태를 가질 수 있다. 예를 들어, 입력 장치가 기타인 경우, 리듬노트의 형태는 기타에 포함된 현일 수 있다. 입력 장치가 드럼인 경우 드럼의 각 부분 형상이 리듬노트의 형태일 수 있다. 리듬 게임 장르가 몸의 움직임을 통해 리듬노트를 처리하는 장르인 경우, 리듬노트는 사람 몸의 움직임일 수 있다. 전술한 리듬노트는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 채보 시퀸스에서의 리듬노트의 배치에 기초하여 채보 스타일이 결정될 수 있다. 노트의 배치에 따라 결정되는 채보 스타일은 예를 들어, 빠른 속도로 지나가는 리듬노트를 처리하기 위해 버튼을 누른 상태에서 손을 떼지 않고 옆으로 손을 옮기는 "긁기" 리듬노트 등이 많이 내려와 순간적 또는 지속적으로 많은 리듬노트를 입력장치를 통해 처리를 해야하는 "폭타", 리듬노트들을 끊어 치는 방법인 "끊어 치기", 리듬노트의 지속시간이 끝날 때까지 입력장치의 버튼을 계속 누르고 있는 "롱노트", 같은 라인의 노트를 8비트 이상의 빠른 속도로 입력장치의 버튼을 누르는 것을 "연타", 연타 사이사이에 다른 라인의 리듬노트가 배치된 경우 "따닥이"가 포함될 수 있다. 사용자마다 원하는 채보의 스타일이 모두 다르며, 사용자가 선택한 오디오에 따라서 사용자가 원하는 채보의 스타일이 달라질 수 있다. 따라서 실시간으로 변하는 사용자의 니즈를 충족시키기 위해, 사용자가 원하는 채보 스타일을 즉시 리듬 게임을 통해 제공할 필요성이 존재한다. 전술한 채보 스타일은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 게임 난이도에 따라 채보 스타일이 결정될 수 있다. 예를 들어, 프로세서(110)는 난이도 중인 경우, 패턴이 예측 가능한 리듬노트의 조합으로 채보의 시퀸스를 생성할 수 있다. 또한 예를 들어, 프로세서(110)는 난이도 상인 경우, 롱노트 출현 비율을 증가시키고, 16비트의 빠른 속도로 리듬노트가 내려오도록 할 수 있다. 사용자가 리듬 게임의 난이도를 선택할 수 있게 함으로써, 사용자가 원하는 음악에 원하는 난이도로 플레이하여, 쉽게 리듬 게임에 질리거나 리듬 게임이 너무 어려워서 포기하게 되는 상황을 감소시킬 수 있다. 전술한 난이도는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 오디오에 기초하여 채보 스타일이 결정될 수 있다. 예를 들어, 오디오가 댄스곡인 경우, 프로세서(110)는 채보 시퀸스를 16비트의 빠른 템포로 리듬노트가 내려오도록 하고, 롱노트의 비율을 줄일 수 있다. 또한 프로세서(110)는 오디오가 발라드곡인 경우, 채보 시퀸스를 4비트의 느린 템포로 리듬노트가 내려오도록 하고, 롱노트의 비율을 증가시켜, 사용자가 여유롭게 음악 감상을 하면서 리듬 게임을 즐길 수 있게 할 수 있다. 오디오의 특징을 고려하여 채보 스타일을 결정하는 경우 오디오와 채보 시퀸스가 더욱 자연스럽게 조화될 수 있다. 예를 들어, 사용자가 선택한 오디오는 댄스곡이고 사용자가 선택한 채보 스타일은 롱노트인 경우, 프로세서(110)는 오디오와 채보 시퀸스가 자연스럽게 조화되도록, 로우에서의 리듬노트 배치 개수를 증가시켜, 사용자가 신나는 기분과 긴장감을 느끼며 리듬 게임을 즐기게 할 수 있다. 전술한 오디오에 기초하여 결정된 채보 스타일은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 채보 시퀸스에 포함된 로우에서의 리듬노트의 조합 각각을 제 2 서브 모델의 완전 연결 레이어(Fully Connected Layer)에 입력시켜 분류할 수 있다. 프로세서(110)는 제 2 서브 모델에 채보 시퀸스를 입력하여 채보 시퀸스의 채보 스타일을 출력할 수 있다. 예를 들어, 입력된 채보 시퀸스가 "롱노트"인 경우, 프로세서(110)는 제 2 서브 모델을 이용하여 입력된 채보 시퀸스가 "롱노트" 채보 스타일이라고 출력할 수 있다. 채보 시퀸스는 적어도 하나 이상의 로우로 분할될 수 있다. 로우는 시간과 대응되는 개념으로써, 로우 한 개는 동일한 시간 간격을 나타낼 수 있다. 프로세서(110)는 각 로우에서의 채보의 조합을 분류(Classification)할 수 있다. 프로세서(110)는 각 로우에서의 채보의 조합을 분류함으로써, 채보 시퀸스를 순환 신경망에 입력시킬 수 있다. 순환 신경망은 시계열 데이터를 입력 데이터로 하므로, 프로세서(110)는 순환 신경망에 채보 시퀸스를 입력하기 위해서는 각 로우에서의 채보의 조합을 분류할 필요성이 존재한다. 전술한 분류(Classification)는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 예를 들어, 리듬 게임에서 라인이 4개 존재하고 로우에서 1번째, 2번째 라인에 리듬노트가 나타난 경우와 로우에서 2번째, 3번째 라인에 리듬노트가 나타난 경우를 분류할 수 있다. 따라서 리듬노트 형태의 수(예를 들어, 노말 노트, 롱노트, 노트 없음 등), 라인 수에 따라 분류될 수 있는 로우에서의 리듬노트의 조합 개수는 달라질 수 있다. 예를 들어 라인이 4개이고 1개의 라인에서 나타날 수 있는 리듬노트 형태의 개수는 3개인 경우, 프로세서(110)는 리듬노트 조합 개수는 3*3*3*3 = 81로 출력할 수 있다. 리듬노트의 조합 개수가 81가지 이므로, 로우에서의 리듬노트의 조합은 81가지로 분류(Classification)될 수 있다. 전술한 분류는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 완전 연결 레이어(Fully Connected Layer)의 출력을 제 2 서브 모델의 컨볼루션 레이어(Convolution Layer)에 입력시켜 로우에 포함된 리듬노트의 조합의 피처를 추출할 수 있다. 프로세서(110)는 완전 연결 레이어(Fully Connected Layer)의 출력을 기초로 컨볼루션 연산을 통해 로우에 포함된 리듬노트의 조합의 피처를 추출할 수 있다. 예를 들어, 프로세서(110)는 완전 연결 레이어(Fully Connected Layer)의 출력에 1차원 컨볼루션 연산을 수행하여 피처를 추출할 수 있다. 프로세서(110)는 피처 추출을 통해 로우에서의 리듬노트의 조합에 대한 정보를 획득할 수 있고, 적어도 하나 이상의 리듬노트의 조합을 명확히 구분할 수 있다. 전술한 피처 추출은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 컨볼루션 레이어(Convolution Layer)의 출력을 상기 제 2 서브 모델의 순환 신경망(Recurrent Neural Network)에 입력시켜, 상기 채보 시퀸스의 채보 스타일을 획득할 수 있다. 프로세서(110)는 제 2 서브모델에 입력된 채보 시퀸스에 포함된 모든 로우에서의 컨볼루션 레이어(Convolution Layer)의 출력을 순환 신경망(Recurrent Neural Network)에 입력시켜, 마지막 로우에서의 순환 신경망(Recurrent Neural Network)을 출력을 통해 채보 시퀸스의 채보 스타일을 추출할 수 있다. 순환 신경망(Recurrent Neural Network)은 로우 별 리듬 노트의 조합 각각에 대한 확률 값을 획득할 수 있다. 각 로우 별 순환 신경망의 출력은 시간이 경과함에 따라 과거에 입력된 로우에서의 리듬노트 조합의 정보를 포함하고 있을 수 있다. 따라서 마지막 로우의 순환 신경망 출력은 입력된 모든 로우에서의 리듬노트 조합의 정보를 포함하고 있을 수 있으므로, 마지막 로우에서의 순환 신경망 출력에 기초하여 채보 스타일을 획득할 수 있다. 전술한 채보 스타일 획득은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 순환 신경망(Recurrent Neural Network)은, 로우 별 리듬 노트의 조합 각각에 대한 확률 값을 추출하고, 확률 값에 기초하여 채보 스타일을 출력할 수 있다. 예를 들어, 로우 별 리듬 노트의 조합이 A, B, C가 존재하고 각각에 대한 확률 값이 0.2, 0.3, 0.5인 경우, 프로세서(110)는 (0.2,0.3,0.5)를 성분으로 가지는 벡터를 획득할 수 있다. 이를 통해 프로세서(110)는 다음 로우에서의 리듬 노트의 조합이 C가 될 가능성이 가장 크므로, 다음 로우에서의 리듬 노트의 조합을 C로 출력할 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 순환 신경망(Recurrent Neural Network)은, 현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망을 포함할 수 있다. 프로세서(110)는 입력 게이트(Input Gate) 및 포겟 게이트(Forget Gate)를 이용하여 현재 시간보다 먼 과거에 입력 받은 데이터의 정보를 포함하여 출력할 수 있다. 이를 통해 현재 시간보다 먼 과거에 입력 받은 데이터의 정보가 시간이 경과함에 따라 잊지 않고 기억될 수 있으며, 먼 과거로 갈수록 데이터의 정보의 망각을 반영할 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 채보 생성 모델은, 시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 시계열 분석 모델(Time Series Analysis Model)을 이용하여 과거의 정보를 포함하는 데이터를 기초로 미래 데이터를 예측할 수 있다. 프로세서(110)는 시계열 분석 모델(Time Series Analysis Model)을 이용하여 현재 로우에서의 리듬노트 조합을 입력 받아 다음 리듬노트 조합을 예측할 수 있다. 시계열 분석 모델(Time Series Analysis Model)은 자기 회귀 모델(Autoregressive Model)을 포함할 수 있다. 자기 회귀 모델(Autoregressive Model)은 백색 잡음의 현재값과 자기 자신의 과거값의 선형 가중합으로 이루어진 정상 확률 모델일 수 있다. 백색 잡음은 자기 상관이 없는 시계열일 수 있다. 자기 상관은 임의의 변수에 대해 이전의 값이 이후의 값에 영향을 미치는 상관 관계일 수 있다. 프로세서(110)는 마찬가지로, 순환 신경망(Recurrent Neural Network)을 이용하여 현재 로우에서의 리듬노트 조합을 입력 받아 다음 리듬노트 조합을 예측할 수 있다. 전술한 채보 생성 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 오디오 및 채보 스타일을 오디오 생성 모델에 입력시켜, 오디오 생성 모델을 이용하여 보조 오디오를 획득할 수 있다. 오디오 생성 모델은, 시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다. 또한 오디오 생성 모델은 오디오의 특징을 추출하는 제 1 서브모델 및 채보 스타일을 추출하는 제 2 서브모델을 포함할 수 있다. 전술한 오디오 생성 모델은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 프로세서(110)는 오디오 생성 모델에 오디오만 입력하여 보조 오디오를 획득할 수 있다. 보조 오디오는 곡조를 보조하는 소리일 수 있다. 보조 오디오는 예를 들어, 반주, 보조 악기음일 수 있다. 반주는 입력된 오디오에서 가수의 음성을 제거한 소리일 수 있다. 보조 악기음은, 입력된 오디오에 포함되지 않은 다른 악기음일 수 있다. 예를 들어, 입력된 오디오에는 플룻음만 포함되어 있으나, 프로세서(110)는 오디오 생성 모델을 이용하여 피아노음을 생성하여 입력된 오디오에 합성시킴으로써, 풍부한 사운드가 포함된 오디오를 출력할 수 있다. 전술한 오디오 생성 모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 보조 오디오는, 채보 스타일에 기초한 채보 시퀸스에서 오디오를 플레이 하기 위한 추가적인 음향 효과를 포함할 수 있다. 추가적인 음향 효과는 메인 멜로디 이외의 보조적인 멜로디일 수 있다. 예를 들어, 메인 멜로디가 기타음인 경우, 보조적인 멜로디는 드럼음일 수 있다. 프로세서(110)는 입력된 오디오가 발라드곡이고, 입력된 채보 스타일이 폭타인 경우, 빠른 비트의 드럼 소리를 추가적인 음향 효과로 넣어 줌으로써 사용자가 발라드곡에서도 폭타 채보 스타일이 자연스럽다고 느껴 리듬 게임에 더 집중할 수 있다. 사용자는 리듬 게임을 플레이하는 상황에서 오디오와 채보 스타일이 조화로울수록 리듬 게임에 더욱 흥미를 느끼고 리듬 게임에 집중하게 할 수 있다. 따라서 보조 오디오를 생성하여 오디오와 채보 스타일이 조화를 이룰 수 있게 하여 사용자가 완성도 높은 리듬 게임을 즐길 수 있게 할 수 있다. 전술한 보조 오디오는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 채보 생성 모델은, 채보 스타일에 기초하여 오디오를 분류하도록 학습될 수 있다. 예를 들어, A 오디오에 B라는 채보 스타일이 매칭되고, A 오디오에 D라는 채보 스타일이 매칭된 경우, 프로세서(110)는 A,B 쌍을 기준으로 A,D 쌍이 A,B 쌍과 동일한 쌍인지, 유사한 쌍인지, 비유사한 쌍인지 분류할 수 있다. 따라서 프로세서(110)는 A, D쌍이 입력되고 A, D 쌍이 A, B 쌍과 유사한 쌍인 경우, A, D쌍과 유사한 채보 스타일을 가진 A, B쌍으로 오디오 및 채보 스타일에 기초한 채보 시퀸스를 출력할 수 있다. 따라서 입력한 채보 스타일과 동일한 채보 스타일을 출력하는 것 뿐만 아니라, 유사한 채보 스타일에 기초한 채보 시퀸스 출력함으로써, 사용자가 원하는 채보 스타일에서 크게 벗어나지 않으면서, 사용자가 쉽게 리듬노트 시퀸스를 예측할 수 없도록 하여, 시용자는 더욱 긴장감 넘치게 리듬 게임을 즐길 수 있다. 전술한 사항은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라, 채보 생성 모델은, 오디오 및 오디오에 매칭된 채보 스타일을 학습 입력 데이터로 하고, 채보 시퀸스를 학습 입력 데이터의 라벨로 하는 학습 데이터를 이용하여 교사 학습(Supervised Learning)된 모델일 수 있다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용할 수 있다. 따라서 오디오가 A, 채보 스타일이 B이고 채보 시퀸스가 C로 라벨링되어 있는 경우, 프로세서(110)는 오디오가 A이고 채보 스타일이 B로 입력된 경우, 채보 시퀸스 C를 출력할 수 있다. 이를 통해 사용자가 원하는 채보 스타일로 리듬 게임을 즐길 수 있어, 사용자는 자신에게 익숙한 채보 스타일로 리듬 게임을 즐길 수 있다. 또한 사용자가 자신이 과거에 플레이 했던 리듬 게임의 채보 스타일을 잊지 못하여, 과거의 자신이 즐겨 찾았던 채보 스타일을 그대로 플레이하기 원하는 경우, 채보 생성 모델은 과거의 채보 스타일을 새로운 오디오에 반영하여 리듬 게임을 제공할 수 있다. 따라서 프로세서(110)는 채보 생성 모델을 이용하여 사용자가 새로운 채보 스타일 뿐만 아니라 사용자의 추억을 불러일으키는 채보 스타일로 플레이할 수 있도록 하게 함으로써, 사용자가 과거의 채보 스타일을 플레이하던 당시 상황을 추억하며 리듬 게임을 즐길 수 있도록 할 수 있다. 전술한 사항은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 본 개시는 채보 생성 모델을 이용하여 사용자가 원하는 채보 스타일의 리듬 게임을 제공할 수 있다. 리듬 게임 사용자는 새로운 채보 스타일 뿐만 아니라 자신이 과거에 플레이 했던 채보 스타일을 다시 플레이하고 싶은 욕구가 존재한다. 따라서 시간이 경과하여 새로운 리듬 게임이 출시되었을 경우에도, 사용자는 과거에 자신이 즐겨 플레이하던 채보 스타일로 리듬 게임을 플레이하고 싶은 욕구가 여전히 존재할 수 있다. 따라서 사용자가 원하는 채보 스타일과 동일한 채보 스타일의 리듬 게임을 제공하여 사용자가 자신에게 익숙한 채보 시퀸스로 리듬 게임을 즐길 수 있다. 또한 사용자가 선택한 채보 스타일과 유사한 채보 스타일의 리듬 게임을 제공하여 사용자가 리듬 게임에 쉽게 질리지 않게 할 수 있으며, 오디오의 특징을 고려하여 리듬 게임을 제공함으로써 오디오와 채보 시퀸스가 자연스럽게 조화되도록 할 수 있다. 따라서 본 개시는 전술한 사항들을 통해 리듬 게임 사용자에게 사용자의 리듬 게임에 대한 욕구를 충족시키고 나아가 완성도 높은 리듬 게임을 제공할 수 있다.
도 2는 본 개시의 일 실시예에 따라 리듬 게임을 제작하기 위한 채보 생성 모델 및 오디오 생성 모델의 기반이 되는 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따라 제 1 서브모델 및 제 2 서브모델 각각에 입력되는 데이터의 전처리 동작을 설명하기 위한 예시도이다.
도 3에 도시된 바와 같이 참조 번호 210번은 오디오를 이미지화 한 이미지일 수 있다. 또한 참조 번호 210번은 오디오를 시간 차원을 포함하는 이미지로 변환한 것일 수 있다. 변환된 이미지는 스펙트로그램 또는 멜 스펙트로그램일 수 있다. 스펙트로그램은 소리나 파동을 시각화하여 파악하기 위한 것으로써, 시간축과 주파수 축의 변화에 따라 강도의 차이를 색상의 차이로 나타낸 것일 수 있다. 멜 스펙트로그램은 오디오의 특징을 명확히 추출하기 위한 스펙트로그램일 수 있다. 멜 스펙트로그램은 사람의 귀속 달팽이관 특성을 반영한 곡선을 기초로 주파수 성분을 변환하여 오디오를 이미지로 변환한 스펙트로그램일 수 있다. 전술한 서브 이미지는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 변환된 이미지는 시간과 주파수를 하나의 축으로 포함할 수 있다. 프로세서(110)는 변환된 이미지를 단위 시간으로 분할하여 서브 이미지(211)를 생성할 수 있다. 서브 이미지(211)는 단위 시간을 기초로 이미지화된 오디오를 분할한 이미지일 수 있다. 참조 번호 210 번에 도시된 바와 같이 서브 이미지(211)의 단위 시간은 0.2초일 수 있다. 참조 번호 210 번에 도시된 바와 같이 서브 이미지(211)는 주파수 350-450hz 및 150-200hz 사이에서 강도가 약한 특징을 가지고 있을 수 있다. 또한 단위 시간에서의 서브 이미지는 스펙트로그램 벡터 또는 멜 스펙트로그램 벡터 중 적어도 하나로 표현될 수 있다. 스펙트로그램 벡터, 멜 스펙트로그램 벡터는 단위 시간에서의 서브 이미지의 정보를 주파수 및 강도를 기초로 산출된 수치로 표현된 벡터일 수 있다. 전술한 서브 이미지는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 오디오를 이미지로 변환하여 제 1 서브모델에 입력시킴으로써 오디오의 특징을 획득할 수 있다. 오디오를 이미지로 변환함으로써 오디오 특징 추출이 더욱 용이할 수 있으며, 나아가 신경망 레이어에 직접적으로 입력될 수 있어, 단위 시간에서의 오디오 특징을 분류하고, 예측할 수 있게 되었다. 순환 신경망은 시계열 데이터를 입력 데이터로 하므로, 프로세서(110)는 순환 신경망에 오디오를 입력시키기 위해서는 단위 시간을 기초로 이미지화된 오디오를 시계열 데이터로 하여 순환 신경망에 입력시킬 수 있다. 따라서 프로세서(110)는 변환된 이미지를 단위 시간으로 분할하여 서브 이미지(211)를 생성할 수 있다.
본 개시의 일 실시예에 따라, 참조 번호 220번은 적어도 하나 이상의 리듬노트(221)를 개시하고 있다. 채보 시퀸스시퀸스(227)는 로우에서의 리듬노트 조합을 시계열적으로 배치한 것일 수 있다. 리듬노트의 조합은 로우에서의 하나 이상의 라인(225) 별 리듬 노트의 배치를 포함할 수 있다. 로우(223)는 시간과 대응되는 개념으로써, 각각의 로우는 동일 시간 간격을 나타낼 수 있다. 예를 들어 3번째 로우 다음에 4번째 로우가 출력되고, 4번째 로우 다음에 5번째 로우가 시계열적인 관계를 가질 수 있다. 라인(225)은 리듬 게임에서 하나 이상의 사용자 입력 수단 각각과 대응될 수 있다. 순환 신경망은 시계열 데이터를 입력 데이터로 하므로, 프로세서(110)는 순환 신경망에 채보 시퀸스를 입력하기 위해서는 각 로우에서의 채보의 조합을 분류할 필요성이 존재할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)가 채보의 시퀸스시퀸스(227)를 이미지 형태로 제 2 서브모델에 입력시켜 받아 채보의 스타일을 추출함으로써, 카테고리화 되지 않은 채보 스타일 또는 채보 스타일을 지칭하는 명칭이 없는 경우에도 사용자는 자신이 원하는 채보 스타일로 리듬 게임을 플레이할 수 있다. 이를 통해 사용자의 리듬 게임에 대한 재미를 증가시킬 수 있다.
도 4는 본 개시의 일 실시예에 따라 오디오 특징을 추출하기 위한 제 1 서브모델의 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 4에 도시된 바와 같이 제 1 순환 신경망(313)은 각 단위 시간에서의 오디오의 특징을 출력하기 위한 신경망일 수 있다. 제 1 순환 신경망(313)은 장단기 기억 네트워크(Long Short Term Memory Network)를 포함할 수 있다. 프로세서(110)는 장단기 기억 네트워크(Long Short Term Memory Network)를 이용하여 현재 데이터 및 이전의 데이터를 고려하여 예측 값을 출력할 수 있다. 전술한 사항을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, V0(510), V1(530), … ,Vn-1(550) 은 단위 시간 별 서브 이미지일 수 있다. 프로세서(110)가 단위 시간별 서브 이미지를 제 1 순환 신경망(313)에 입력시키면, 단위 시간 별 제 1 순환 신경망(313) 출력인 제 1 벡터1(511), 제 1 벡터2(531), ... ,제 1 벡터n(551)가 출력될 수 있다. 예를 들어, 프로세서(110)가 V0 를 제 1 순환 신경망(313)에 입력한 경우, 프로세서(110)는 순환 신경망 출력인 제 1 벡터1(511)을 획득할 수 있다. 제 1 벡터1(511)은 단위 시간에서의 서브 이미지 V0의 오디오 특징을 포함할 수 있다. 또한, 프로세서(110)가 Vn-1를 제 1 순환 신경망(313)에 입력한 경우, 프로세서(110)는 순환 신경망 출력인 제 1 벡터n(551)을 획득할 수 있다. 제 1 벡터n(551)는 단위 시간에서의 서브 이미지 Vn-1의 오디오 특징을 포함할 수 있다. 제 1 벡터1(511)은 단위 시간에서의 서브 이미지 V1의 오디오 특징을 포함할 수 있다. 전술한 오디오 특징 추출은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 단위 시간에서의 오디오를 추출함으로써, 세부적으로 오디오의 특징을 추출하여, 단위 시간에서의 오디오의 특징과 부합하는 단위 시간에서의 오디오 특징과 부합하는 리듬노트의 스타일이 매칭될 수 있다. 또한 순환 신경망은 시계열 데이터를 입력 데이터로 하므로, 프로세서(110)는 순환 신경망에 오디오를 입력시키기 위해서는 단위 시간을 기초로 이미지화된 오디오를 동일한 시간 간격으로 분할하여 순환 신경망의 입력 데이터를 생성할 필요성이 존재한다. 따라서 프로세서(110)는 변환된 이미지를 단위 시간으로 분할하여 서브 이미지(211)의 오디오 특징을 포함하는 제 1 벡터를 생성할 수 있다.
도 5는 본 개시의 일 실시예에 따라 채보 시퀸스의 채보 스타일을 획득하기 위한 제 2 서브모델의 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 5에 도시된 바와 같이 제 2 순환 신경망(335)은 채보 스타일을 출력하기 위한 신경망일 수 있다. 제 2 순환 신경망(335)은 장단기 기억 네트워크(Long Short Term Memory Network)를 포함할 수 있다.
도 5에 도시된 바와 같이 리듬노트의 조합, 로우(223), 리듬노트의 조합의 피처 W0(415), 리듬노트의 조합의 피처 W0(415)을 제 2 순환 신경망에 입력시켜 획득한 출력 B1(420), 마지막 로우에서의 리듬노트의 조합(440) 및 리듬노트의 조합 피처 Wn-1(445), 마지막 로우에서의 리듬노트의 조합의 피처 Wn-1(445)을 제 2 순환 신경망에 입력시켜 획득한 출력 Bn(450), 및 채보 시퀸스의 채보 스타일(336)이 개시되어 있다.
본 개시의 일 실시예에 따라, 프로세서(110)는 리듬노트의 조합을 완전 연결 레이어(Fully Connected Layer) 및 컨볼루션 레이어(Convolution Layer)에 입력하여 리듬노트의 조합의 피처 W0(415)를 획득할 수 있다. 프로세서(110)는 리듬노트의 조합의 피처 W0(415) 제 2 순환 신경망(335)에 입력하여 제 2 순환 신경망의 출력 B1(420)을 획득할 수 있다. 제 2 순환 신경망의 출력 B1(420)은 리듬노트의 조합의 특징만을 포함하고 있을 수 있다. 제 2 순환 신경망의 출력 B2는 리듬노트의 조합 및 다음 로우에서의 리듬노트 조합의 특징을 모두 포함하고 있을 수 있다. 마지막 로우에서의 리듬노트의 조합(440)에 대한 제 2 순환 신경망의 출력 Bn(450)은 채보 시퀸스의 처음 로우부터 마지막 로우에서의 리듬노트의 조합의 특징을 모두 포함하고 있을 수 있다. 따라서 프로세서(110)는 마지막 로우에서의 리듬노트의 조합(440)에 대한 제 2 순환 신경망의 출력 Bn(450)을 통해 채보 시퀸스의 채보 스타일(336)을 획득할 수 있다. 전술한 사항은 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 프로세서(110)는 채보 시퀸스를 입력 받아 특징을 추출함으로써, 다양한 채보 스타일을 파악할 수 있다. 이를 통해 기존에 분류된 채보 스타일을 단순히 채보 생성 모델에 입력하여 리듬 게임을 즐기는 것 뿐만 아니라, 기존에 분류되지 않은 채보 스타일의 채보 시퀸스를 입력하여 사용자가 원하는 채보 스타일로 리듬 게임을 즐길 수 있어 사용자의 리듬 게임에서 플레이할 수 있는 채보 스타일 선택의 폭이 넓어질 수 있다.
도 6은 본 개시의 일 실시예에 따라 채보 생성 모델의 컴포넌트들을 예시적으로 구성한 블록 구성도이다.
도 6에 개시된 채보 생성 모델의 시스템 모듈은 컴퓨팅 장치(100)에서 구현되는 모듈일 수 있다. 채보 생성 모델의 각 컴포넌트들은 하드웨어 또는 소프트웨어 모듈일 수 있다. 소프트웨어 모듈인 경우 컴퓨팅 장치(100)의 프로세서(110)에서 구현될 수 있다.
도 6에 도시된 바와 같이 프로세서(110)는 제 1 서브모델(310)의 출력 및 제 2 서브모델(330)의 출력을 입력 받아 채보 생성 모델(300)을 이용하여 채보 시퀸스를 획득할 수 있다.
본 개시의 일 실시예에 따라 프로세서(110)는 참조번호 210번의 이미지를 제 1 서브모델(310)에 입력시킬 수 있다. 제 1 서브모델(310)은 도 6에 도시된 바와 같이 적어도 하나 이상의 완전 연결 레이어 및 순환 신경망(335)을 포함할 수 있다. 전술한 제 1 서브모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 프로세서(110)는 참조번호 220번의 이미지를 제 2 서브모델(330)에 입력시킬 수 있다. 제 2 서브모델(330)은 도 6에 도시된 바와 같이 완전 연결 레이어(333), 컨벌루션 레이어(334), 및 순환 신경망(335)을 포함할 수 있다. 프로세서(110)는 완전 연결 레이어(333)를 이용하여 각 로우에서의 채보의 조합을 분류(Classification)할 수 있다. 프로세서(110)는 완전 연결 레이어(333)(Fully Connected Layer)의 출력을 제 2 서브 모델의 컨볼루션 레이어(334)(Convolution Layer)에 입력시켜 로우에 포함된 리듬노트의 조합의 피처를 추출할 수 있다. 프로세서(110)는 컨볼루션 레이어(334)(Convolution Layer)의 출력을 상기 제 2 서브 모델의 순환 신경망(335)(Recurrent Neural Network)에 입력시켜, 상기 채보 시퀸스의 채보 스타일을 획득할 수 있다. 전술한 제 2 서브모델은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 프로세서(110)는 오디오 및 채보 스타일에 기초하여 채보 생성 모델(300)을 이용하여 채보 시퀸스를 획득할 수 있다. 도 6에 개시된 바와 같이 현재 단위 시간에 입력된 리듬노트의 조합(351), 현재 단위 시간에서의 오디오의 특징을 포함하는 제 1 벡터(352), 입력된 채보 스타일(353), 및 다음 단위 시간에서의 리듬노트의 조합(354)이 개시되어 있다. 프로세서(110)는 리듬 게임에서 채보 시퀸스와 오디오의 박자를 대응시키기 위해, 채보 시퀸스의 로우를 단위 시간에 대응시킬 수 있다. 현재 단위 시간에서의 오디오의 특징을 포함하는 제 1 벡터(352)는 지역 변수(Local Condition)로 입력되는 값이므로, 단위 시간마다 다른 값을 가질 수 있다. 입력된 채보 스타일(353)은 광역 변수(Global Condition)로 입력되는 값이므로, 시간이 경과하여도 동일한 값을 가지게 될 수 있다. 따라서 프로세서(110)는 제 1 서브모델의 출력인 단위 시간에서의 제 1 벡터 및 채보 스타일을 고려하여 다음 단위 시간에서의 리듬노트의 조합을 예측할 수 있다. 전술한 채보 생성 모델은 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 채보 생성 모델은, 시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다. 프로세서(110)는 시계열 분석 모델(Time Series Analysis Model)을 이용하여 과거의 정보를 포함하는 데이터를 기초로 미래 데이터를 예측할 수 있다. 프로세서(110)는 마찬가지로, 순환 신경망(Recurrent Neural Network)을 이용하여 현재 로우에서의 리듬노트 조합을 입력 받아 다음 리듬노트 조합을 예측할 수 있다. 전술한 채보 생성 모델을 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 본 개시는 채보 생성 모델을 이용하여 사용자가 원하는 채보 스타일의 리듬 게임을 제공할 수 있다. 프로세서(110)는 채보 생성 모델(300)을 이용하여 사용자가 원하는 채보 스타일과 동일한 채보 스타일의 리듬 게임을 제공하여 사용자가 자신에게 익숙한 채보 시퀸스로 리듬 게임을 즐길 수 있다. 또한 프로세서(110)는 채보 생성 모델(300)을 이용하여 사용자가 선택한 채보 스타일과 유사한 채보 스타일의 리듬 게임을 제공하여 사용자가 리듬 게임에 쉽게 질리지 않게 할 수 있다.
도 7은 본 개시의 일 실시예에 따라 서로 다른 채보 스타일을 혼합하여 새로운 채보 시퀸스를 생성하는 동작을 설명하기 위한 예시도이다.
도 6에 도시된 바와 같이, 참조 번호 600은 롱노트 채보 스타일을 갖는 채보 시퀸스, 참조 번호 601은 폭타 채보 스타일을 갖는 채보 시퀸스, 참조 번호 602는 롱노트 채보 스타일과 폭타 채보 스타일을 혼합한 채보 시퀸스를 개시한다.
본 개시의 일 실시예에서, 참조 번호 600은 리듬노트의 지속시간이 끝날 때까지 입력장치의 버튼을 계속 누르고 있는 "롱노트"채보 스타일을 갖는다. 프로세서(110)는 참조 번호 600번의 이미지를 제 2 서브모델에 입력하여, 롱노트 채보 스타일(610)이라는 출력을 획득할 수 있다. 마찬가지로 참조 번호 601은 리듬노트가 많이 내려와 순간적 또는 지속적으로 많은 리듬노트를 입력장치를 통해 빠르게 처리를 해야하는 "폭타"채보 스타일을 갖는다. 프로세서(110)는 참조 번호 601번의 이미지를 제 2 서브모델에 입력하여, 폭타 채보 스타일(630)이라는 출력을 획득할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서, 프로세서(110)는 롱노트 채보 스타일(610) 및 폭타 채보 스타일(630)을 혼합하여 새로운 채보 스타일을 생성할 수 있다. 예를 들어, 프로세서(110)는 롱노트 채보 스타일(610)의 기초가 되는 로우 별 리듬 노트의 조합 각각에 대한 확률 값 및 폭타 채보 스타일(630)의 기초가 되는 로우 별 리듬 노트의 조합 각각에 대한 확률 값을 결합하여 새로운 채보 스타일을 생성할 수 있다. 프로세서(110)는 예를 들어, 롱노트 채보 스타일(610)의 기초가 되는 로우 별 리듬 노트의 조합 각각에 대한 확률 값에 사전 결정된 제 1 계수를 곱한 값과, 및 폭타 채보 스타일(630)의 기초가 되는 로우 별 리듬 노트의 조합 각각에 대한 확률 값에 사전 결정된 제 2 계수를 곱한 값을 더하여 선형 결합할 수 있다. 제 1 계수 및 제 2 계수는 임의의 실수 일 수 있다. 따라서 참조번호 602에 도시된 바와 같이 프로세서(110)는 리듬노트의 지속시간이 끝날 때까지 입력장치의 버튼을 계속 누르고 있어야 되는 롱리듬노트 2개가 포함된 채보 시퀸스를 출력할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서, 프로세서(110)는 결합된 새로운 채보 스타일을 채보 생성 모델(300)에 입력하여 새로운 채보 스타일을 생성할 수 있다. 이를 통해, 사용자는 자신이 원하는 채보 스타일만 선택하여 새로운 채보 스타일을 채보 생성 모델(300)을 이용하여 생성할 수 있다. 사용자는 리듬 게임 플레이를 진행하면서 자신이 원하는 채보 스타일을 발견하고, 해당 채보 스타일을 자신이 기존에 만들어 놓은 채보 스타일에 혼합함으로써, 사용자의 취향에 적합한 리듬 게임을 사용자에게 제공할 수 있다.
본 개시의 일 실시예에서, 컴퓨팅 장치는 오디오에 기초하여 새로운 채보 시퀸스를 생성할 수 있다. 이 경우, 컴퓨팅 장치는, 오디오에 기초하여 어떠한 새로운 채보를 생성할 것인지에 대한 메타 정보를 나타내는 채보 스타일을 오디오에 임베딩 하여 채보 시퀸스를 생성할 수 있다. 채보 스타일은 사용자로부터 선택될 수도 있으며, 기존의 채보 시퀸스로부터 추출될 수 있다. 즉, 본 개시의 일 실시예에서, 기존의 채보 시퀸스와 유사한 채보 스타일을 가지는 채보 시퀸스를 새로운 오디오에 기초하여 생성함으로서, 새로운 오디오에 매칭되는 새로운 채보 시퀸스를 다수 생성할 수 있다.
도 8은 본 개시의 일 실시예에 따라 리듬 게임을 제작하는 방법의 순서도이다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 오디오를 채보 생성 모델에 입력(710)할 수 있다.
본 개시의 일 실시예에서, 상기 서브 이미지는, 상기 단위 시간에서 상기 오디오의 주파수 별 강도를 표현하는 이미지일 수 있다.
본 개시의 일 실시예에서, 상기 채보 스타일은, 채보 시퀸스를 생성하기 위한 추가 정보로서, 상기 채보 시퀸스에서의 리듬노트의 배치, 게임 난이도, 또는 오디오에 기초하여 결정되는 스타일일 수 있다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력(720)할 수 있다.
본 개시의 일 실시예에서, 상기 리듬노트의 조합은, 로우에서의 하나 이상의 라인 별 리듬 노트의 배치를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 순환 신경망(Recurrent Neural Network)은, 로우 별 리듬 노트의 조합 각각에 대한 확률 값을 추출하고, 상기 확률 값에 기초하여 채보 스타일을 출력할 수 있다.
본 개시의 일 실시예에서, 상기 순환 신경망(Recurrent Neural Network)은, 현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망일 수 있다.
컴퓨팅 장치(100)는 본 개시의 일 실시예에서, 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득(730)할 수 있다.
본 개시의 일 실시예에서, 상기 채보 생성 모델은, 시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함할 수 있다.
본 개시의 일 실시예에서, 상기 채보 생성 모델은, 상기 채보 스타일에 기초하여 상기 오디오를 분류하도록 학습될 수 있다.
본 개시의 일 실시예에서, 상기 채보 생성 모델은, 상기 오디오 및 상기 오디오에 매칭된 채보 스타일을 학습 입력 데이터로 하고, 채보 시퀸스를 학습 입력 데이터의 라벨로 하는 학습 데이터를 이용하여 교사학습(Supervised Learning)될 수 있다.
본 개시의 일 실시예에서, 프로세서(110)는 선형 결합된 새로운 채보 스타일을 채보 생성 모델에 입력하여 새로운 채보 스타일을 생성할 수 있다. 이를 통해 사용자는 자신이 원하는 채보 스타일만 선택하여 새로운 채보 스타일을 채보 생성 모델을 이용하여 생성할 수 있다. 사용자는 리듬 게임 플레이를 진행하면서 자신이 원하는 채보 스타일을 발견하고, 해당 채보 스타일을 자신이 기존에 만들어 놓은 채보 스타일에 혼합함으로써, 사용자의 취향에 적합한 리듬 게임을 사용자에게 제공할 수 있다.
본 개시의 일 실시예에서, 프로세서(110)는 채보 생성 모델을 이용하여 사용자가 원하는 채보 스타일로 리듬 게임을 즐길 수 있도록 하여, 사용자는 자신에게 익숙한 채보 스타일로 리듬 게임을 즐길 수 있다. 또한 프로세서(110)는 오디오 생성 모델을 이용하여 보조 오디오를 생성하여 입력된 오디오에 합성시킴으로써, 풍부한 사운드가 포함된 오디오를 출력할 수 있다.
도 9는 본 개시의 일 실시예에 따라 리듬 게임을 제작하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 리듬 게임 제작은 다음과 같은 모듈에 의해 구현될 수 있다. 오디오를 채보 생성 모델에 입력시키기 위한 모듈(810); 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키기 위한 모듈(820); 및 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하기 위한 모듈(830)을 포함할 수 있다.
리듬 게임 제작을 위한 대안적 실시예에서, 오디오를 채보 생성 모델에 입력시키기 위한 모듈(810)은, 오디오를 제 1 서브 모델에 입력시켜, 상기 오디오의 특징(feature)을 추출하기 위한 모듈; 및 상기 오디오의 특징(feature)을 상기 채보 생성 모델에 입력시키는 모듈을 포함할 수 있다.
리듬 게임 제작을 위한 대안적 실시예에서, 상기 오디오의 특징(feature)을 상기 채보 생성 모델에 입력시키는 모듈은, 상기 오디오를 시간 차원을 포함하는 이미지로 변환하기 위한 모듈; 상기 이미지를 단위 시간으로 분할하여 서브 이미지를 생성하기 위한 모듈; 및 상기 서브 이미지를 상기 제 1 서브 모델에 입력시켜 상기 단위 시간 별 오디오의 특징(feature)을 포함하는 제 1 벡터를 생성하기 위한 모듈을 포함할 수 있다.
리듬 게임 제작을 위한 대안적 실시예에서, 채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키기 위한 모듈(820)은 채보 시퀸스에 포함된 로우에서의 리듬노트의 조합 각각을 제 2 서브 모델의 완전 연결 레이어(Fully Connected Layer)에 입력시켜 분류하기 위한 모듈; 상기 완전 연결 레이어(Fully Connected Layer)의 출력을 상기 제 2 서브 모델의 컨볼루션 레이어(Convolution Layer)에 입력시켜 상기 로우에 포함된 리듬노트의 조합의 피처를 추출하기 위한 모듈; 및 상기 컨볼루션 레이어(Convolution Layer)의 출력을 상기 제 2 서브 모델의 순환 신경망(Recurrent Neural Network)에 입력시켜, 상기 채보 시퀸스의 채보 스타일을 획득하기 위한 모듈을 포함할 수 있다.
리듬 게임 제작을 위한 대안적 실시예에서, 상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하기 위한 모듈(830)은, 상기 오디오 및 상기 채보 스타일을 오디오 생성 모델에 입력시켜, 상기 오디오 생성 모델을 이용하여 보조 오디오를 획득하기 위한 모듈을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면 리듬 게임을 제작하기 위한 모듈은, 컴퓨팅 장치를 구현하기 위한 수단, 회로 또는 로직에 의하여 구현될 수도 있다. 당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로　컴퓨팅 장치(100)에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 컴퓨터 판독가능 저장 매체에 저장되어 컴퓨터로 하여금 이하의 동작들을 수행하도록 하는 명령들을 포함하는 컴퓨터 프로그램으로써, 상기 동작들은,
    오디오를 채보 생성 모델에 입력시키는 동작;
    채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 동작; 및
    상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  2. 제 1 항에 있어서,
    상기 오디오를 채보 생성 모델에 입력시키는 동작은,
    오디오를 제 1 서브 모델에 입력시켜, 상기 오디오의 특징(feature)을 추출하는 동작; 및
    상기 오디오의 특징(feature)을 상기 채보 생성 모델에 입력시키는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  3. 제 2 항에 있어서,
    상기 오디오의 특징(feature)을 추출하는 동작은,
    상기 오디오를 시간 차원을 포함하는 이미지로 변환하는 동작;
    상기 이미지를 단위 시간으로 분할하여 서브 이미지를 생성하는 동작; 및
    상기 서브 이미지를 상기 제 1 서브 모델에 입력시켜 상기 단위 시간 별 오디오의 특징(feature)을 포함하는 제 1 벡터를 생성하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  4. 제 3 항에 있어서,
    상기 서브 이미지는,
    상기 단위 시간에서 상기 오디오의 주파수 별 강도를 표현하는 이미지인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  5. 제 1 항에 있어서,
    상기 채보 스타일은,
    채보 시퀸스를 생성하기 위한 추가 정보로서, 상기 채보 시퀸스에서의 리듬노트의 배치, 게임 난이도, 또는 오디오에 기초하여 결정되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  6. 제 1 항에 있어서,
    채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 동작은,
    채보 시퀸스에 포함된 로우에서의 리듬노트의 조합 각각을 제 2 서브 모델의 완전 연결 레이어(Fully Connected Layer)에 입력시켜 분류하는 동작;
    상기 완전 연결 레이어(Fully Connected Layer)의 출력을 상기 제 2 서브 모델의 컨볼루션 레이어(Convolution Layer)에 입력시켜 상기 로우에 포함된 리듬노트의 조합의 피처를 추출하는 동작; 및
    상기 컨볼루션 레이어(Convolution Layer)의 출력을 상기 제 2 서브 모델의 순환 신경망(Recurrent Neural Network)에 입력시켜, 상기 채보 시퀸스의 채보 스타일을 획득하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  7. 제 6 항에 있어서,
    상기 리듬노트의 조합은,
    로우에서의 하나 이상의 라인 별 리듬노트의 배치를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  8. 제 6 항에 있어서,
    상기 순환 신경망(Recurrent Neural Network)은,
    로우 별 리듬 노트의 조합 각각에 대한 확률 값을 추출하고, 상기 확률 값에 기초하여 채보 스타일을 출력하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  9. 제 6 항에 있어서,
    상기 순환 신경망(Recurrent Neural Network)은,
    현재 시간에서 입력 받은 데이터의 영향력이 출력되는 입력 게이트(Input Gate), 및 현재 시간 이전에 입력 받은 데이터의 영향력이 출력되는 포겟 게이트(Forget Gate)를 포함하는 신경망인,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  10. 제 1 항에 있어서,
    상기 채보 생성 모델은,
    시계열 데이터를 입력 데이터로 하는 시계열 분석 모델(Time Series Analysis Model) 또는 순환 신경망(Recurrent Neural Network) 중 적어도 하나를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  11. 제 1 항에 있어서,
    상기 오디오 및 상기 채보 스타일을 오디오 생성 모델에 입력시켜, 상기 오디오 생성 모델을 이용하여 보조 오디오를 획득하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  12. 제 11 항에 있어서,
    상기 보조 오디오는,
    상기 채보 스타일에 기초한 채보 시퀸스에서 상기 오디오를 플레이 하기 위한 추가적인 음향 효과를 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  13. 제 1 항에 있어서,
    상기 채보 생성 모델은,
    상기 채보 스타일에 기초하여 상기 오디오를 분류하도록 학습되는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  14. 제 1 항에 있어서,
    상기 채보 생성 모델은,
    상기 오디오 및 상기 오디오에 매칭된 채보 스타일을 학습 입력 데이터로 하고, 채보 시퀸스를 학습 입력 데이터의 라벨로 하는 학습 데이터를 이용하여 교사학습(Supervised Learning)된,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  15. 리듬 게임 제작 방법에 있어서,
    오디오를 채보 생성 모델에 입력시키는 단계;
    채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키는 단계; 및
    상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는 단계;
    를 포함하는,
    리듬 게임 제작 방법.
  16. 리듬 게임을 제작하기 위한 컴퓨팅 장치로서,
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에서 실행 가능한 명령들을 저장하는 메모리;
    를 포함하고,
    상기 하나 이상의 프로세서는,
    오디오를 채보 생성 모델에 입력시키고,
    채보 스타일을 상기 오디오와 매칭하여 상기 채보 생성 모델에 입력시키고, 그리고
    상기 오디오 및 상기 채보 스타일에 기초하여 상기 채보 생성 모델을 이용하여 채보 시퀸스를 획득하는,
    리듬 게임을 제작하기 위한 컴퓨팅 장치.
KR1020190057737A 2019-05-17 2019-05-17 리듬 게임 제작 방법 KR102224070B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190057737A KR102224070B1 (ko) 2019-05-17 2019-05-17 리듬 게임 제작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190057737A KR102224070B1 (ko) 2019-05-17 2019-05-17 리듬 게임 제작 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020210027138A Division KR20210030309A (ko) 2021-03-02 2021-03-02 리듬 게임 제작 방법

Publications (2)

Publication Number Publication Date
KR20200132352A true KR20200132352A (ko) 2020-11-25
KR102224070B1 KR102224070B1 (ko) 2021-03-08

Family

ID=73645374

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190057737A KR102224070B1 (ko) 2019-05-17 2019-05-17 리듬 게임 제작 방법

Country Status (1)

Country Link
KR (1) KR102224070B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422814A (zh) * 2022-01-14 2022-04-29 广州虎牙科技有限公司 直播音视频处理方法、装置、服务器及可读存储介质
GB2609021A (en) * 2021-07-16 2023-01-25 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609019A (en) * 2021-07-16 2023-01-25 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609605A (en) * 2021-07-16 2023-02-15 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
KR102662975B1 (ko) * 2023-01-06 2024-05-03 유창준 인공지능 모델을 이용한 음악 vr게임 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014140396A (ja) * 2013-01-22 2014-08-07 Nintendo Co Ltd ゲームプログラム、ゲーム装置、ゲームシステム、および、ゲーム処理方法
KR20160076316A (ko) * 2014-12-22 2016-06-30 라인플러스 주식회사 리듬 게임 제작 방법, 장치 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014140396A (ja) * 2013-01-22 2014-08-07 Nintendo Co Ltd ゲームプログラム、ゲーム装置、ゲームシステム、および、ゲーム処理方法
KR20160076316A (ko) * 2014-12-22 2016-06-30 라인플러스 주식회사 리듬 게임 제작 방법, 장치 및 이를 컴퓨터에서 실행하기 위한 컴퓨터 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"음악특징 추출을 이용한 리듬게임 자동 맵 디자인", 심한뫼 외 3명, 한국컴퓨터게임학회논문지 제24권 제1호(2011)* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2609021A (en) * 2021-07-16 2023-01-25 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609019A (en) * 2021-07-16 2023-01-25 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609605A (en) * 2021-07-16 2023-02-15 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609021B (en) * 2021-07-16 2024-04-17 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
GB2609605B (en) * 2021-07-16 2024-04-17 Sony Interactive Entertainment Europe Ltd Audio generation methods and systems
CN114422814A (zh) * 2022-01-14 2022-04-29 广州虎牙科技有限公司 直播音视频处理方法、装置、服务器及可读存储介质
CN114422814B (zh) * 2022-01-14 2024-06-11 广州虎牙科技有限公司 直播音视频处理方法、装置、服务器及可读存储介质
KR102662975B1 (ko) * 2023-01-06 2024-05-03 유창준 인공지능 모델을 이용한 음악 vr게임 장치 및 방법

Also Published As

Publication number Publication date
KR102224070B1 (ko) 2021-03-08

Similar Documents

Publication Publication Date Title
KR102224070B1 (ko) 리듬 게임 제작 방법
US20190043239A1 (en) Methods, systems, articles of manufacture and apparatus for generating a response for an avatar
US11562722B2 (en) Cognitive music engine using unsupervised learning
KR20210041567A (ko) 신경망을 이용한 하이브리드 오디오 합성
KR102354592B1 (ko) 스트리밍 데이터 기반 영상 편집점 추천 방법, 서버 및 컴퓨터프로그램
KR102340486B1 (ko) 신경망을 이용한 음성 변환 방법 및 장치
CN109346043B (zh) 一种基于生成对抗网络的音乐生成方法及装置
CN109346045A (zh) 基于长短时神经网络的多声部音乐生成方法及装置
EP4030421A1 (en) Method for converting voice feature of voice
US20230039540A1 (en) Automated pipeline selection for synthesis of audio assets
Siphocly et al. Top 10 artificial intelligence algorithms in computer music composition
Castro Performing structured improvisations with pre-trained deep learning models
KR102354593B1 (ko) 사용자 데이터베이스 구축과 머신러닝을 통한 영상 편집 타입 구분 및 편집점 추천 알고리즘 고도화 방법, 서버 및 컴퓨터프로그램
Sajad et al. Music generation for novices using Recurrent Neural Network (RNN)
Toussaint Generating “good” musical rhythms algorithmically
KR20210030309A (ko) 리듬 게임 제작 방법
Dubnov et al. Delegating creativity: Use of musical algorithms in machine listening and composition
Krzyzaniak Interactive learning of timbral rhythms for percussion robots
KR20220067864A (ko) 음성의 보이스 특징 변환 방법
Li et al. [Retracted] Research on Chord‐Constrained Two‐Track Music Generation Based on Improved GAN Networks
Wijaya et al. Song Similarity Analysis With Clustering Method On Korean Pop Song
KR102336067B1 (ko) 게임 내 플레이 상황에 대응하는 음성 데이터를 생성하기 위한 컴퓨터 프로그램
Sinha Artificial composition: an experiment on Indian music
US20230282188A1 (en) Beatboxing transcription
KR102604932B1 (ko) 새로운 화자의 합성 음성을 생성하는 방법 및 시스템

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant