KR20210003307A

KR20210003307A - 심층신경망을 이용하는 종단 간 화자 인식

Info

Publication number: KR20210003307A
Application number: KR1020207037861A
Authority: KR
Inventors: 엘리 코우리; 매튜 가랜드
Original assignee: 핀드롭 시큐리티 인코포레이티드
Priority date: 2016-09-12
Filing date: 2017-09-11
Publication date: 2021-01-11
Also published as: ES2883326T3; JP7619983B2; KR102198835B1; CA3075049C; US20190392842A1; AU2023263421A1; CA3036533A1; AU2021286422B2; AU2021286422A1; KR20190075914A; US9824692B1; US20230037232A1; CA3096378A1; CA3036533C; US10381009B2; US20180075849A1; AU2017322591A1; CA3075049A1; JP2022153376A; WO2018049313A1

Abstract

본 발명은, 화자 인식을 수행하기에 적합한, 삼중 망 아키텍처를 가진 심층 신경망(DNN)에 관한 것이다. 특히, DNN은 음의 트레이닝 샘플의 코호트 세트를 이용한 배취 프로세스에 따라 트레이닝되는, 3개의 피드-포워드 신경망을 포함한다. 트레이닝 샘플의 각각의 배취가 프로세싱된 후, DNN은 성문의 강력한 표현을 제공하기 위해, 양의 마진 및 음의 마진과 함께, 예로서, 각각의 샘플 간의 코사인 유사도를 이용하여, 손실 함수에 따라 트레이닝될 수 있다.

Description

심층신경망을 이용하는 종단 간 화자 인식{END-TO-END SPEAKER RECOGNITION USING DEEP NEURAL NETWORK}

본 출원은 2016년 9월 12일자로 출원된 미국 정규 특허 출원 제15/262,748호에 대한 우선권을 주장하며, 그 전체 개시내용은 참고로 본 명세서에 원용된다.

발명의 분야

본 발명은 화자 검증(speaker verification) 및/또는 화자의 식별을 포함하는 음성 인식에 관한 것이다. 또한, 본 발명은 텍스트-독립적 화자 인식을 행하기 위해 사용될 수 있다.

화자 인식에 대한 현재 최신의 접근법은 음향 가우시안 혼합 모델링(Gaussian mixture modeling: GMM)(문헌[Douglas A. Reynolds et al., "Speaker Verification Using Adapted Gaussian Mixture Models," Digital Signal Processing, 2000] 참조, 이 문헌의 전체 내용은 참고로 본 명세서에 편입됨) 또는 음성학적-인식 심층 신경망 아키텍처(phonetically-aware deep neural network architecture)(문헌[Y. Lei et al., "A Novel Scheme for Speaker Recognition Using a Phonetically-Aware Deep Neural Network," Proceedings of ICASSP 2014] 참조, 이 문헌의 전체 내용은 참고로 본 명세서에 편입됨)를 사용하여 추정된 보편적 배경 모델(universal background model: UBM)에 기초한다. 가장 성공적인 기술은 총 가변성 패러다임을 사용하여 모든 스피치 발화에 UBM 모델을 적응시키는 것으로 이루어진다(문헌[N. Dehak et al., "Front-End Factor Analysis for Speaker Verification," IEEE Transactions on Audio, Speech, and Language Processing, Vol. 19, No. 4, pp. 788-798, May 2011] 참조, 이 문헌의 전체 내용은 참고로 본 명세서에 편입됨). 총 가변성 패러다임은 화자 및 채널에 대한 총 정보를 보존하는 "i-벡터"로서 알려진 저-차원 특징 벡터를 추출하는 것을 목표로 한다. 채널 보상 기술을 적용한 후, 결과적인 i-벡터는 화자의 성문 또는 음성 서명으로 고려될 수 있다.

이러한 접근법의 주요 결점은, 단지 인간 지각 시스템을 재생하도록 설계된 직접 만든 특징만을 사용함으로써, 이러한 접근법이 화자를 인식하거나 또는 검증하기 위해 중요한 유용한 정보를 폐기하려는 경향이 있다는 것이다. 통상적으로, 앞서 언급한 접근법은 Mel 주파수 캡스트럼 계수(Mel Frequency Cepstrum Coefficient: MFCC)와 같은, 저-레벨 특징을 이용하며, 고정된 수의 가우시안 분포(통상적으로 1024 또는 2048 가우시안)에 이러한 접근법을 맞추려고 시도한다. 이것은 가우시안 가정이 반드시 유지되는 것은 아닌 특징 공간에서 복잡한 구조를 모델링하는 것을 어렵게 한다.

본 발명은 화자의 아이덴티티의 검증의 태스크를 수행하기 위해 사용되거나 또는 폐쇄된 세트의 알려진 화자 간에 화자를 식별하는, 프론트-엔드 특징 추출기를 트레이닝하기 위해 삼중 망 아키텍처를 가진 심층 신경망을 이용하는 시스템에 관한 것이다.

예시적인 실시예에 따르면, 시스템은 메모리 디바이스 및 프로세서-기반 디바이스로 구성된다. 메모리 디바이스는, 동일한 화자에 기인한 스피치 샘플의 이중 세트, 이중 세트와 동일한 화자에 기인하지 않는 스피치 샘플의 코호트(cohort) 세트, 및 화자 모델의 세트를 포함하는 스피치 샘플을 저장한다. 또한, 프로세서-기반 디바이스는 삼중 망 아키텍처를 가진 심층 신경망을 모델링하도록 구성된다. 프로세서-기반 디바이스는 스피치 샘플의 이중 세트가 스피치 샘플의 코호트 세트와 조합하여 심층 신경망을 통해 공급되는 배취 프로세스(batch process)에 따라 심층 신경망을 트레이닝한다.

추가의 예시적인 실시예에 따르면, 심층 신경망은 제1 망 출력을 생성하기 위해 제1 입력을 수신하고 프로세싱하는 제1 피드-포워드 신경망, 제2 망 출력을 생성하기 위해 제2 입력을 수신하고 프로세싱하는 제2 피드-포워드 신경망, 및 제3 망 출력을 생성하기 위해 제3 입력을 수신하고 프로세싱하는 제3 피드-포워드 신경망을 포함할 수 있다. 또한, 복수의 화자의 각각에 대해서, 메모리 디바이스는 화자에 기인한 제1 세트의 P개의 스피치 샘플(x₁, ..., x_P) 및 화자에 기인한 제2 세트의 P개의 스피치 샘플

을 포함하되, P는 2 이상의 정수이다. 심층 신경망은, 복수의 화자의 각각에 대해서, 심층 신경망이 대응하는 제1 세트의 스피치 샘플이 제1 피드-포워드 신경망을 통해 공급되고, 대응하는 제2 세트의 스피치 샘플이 제2 피드-포워드 신경망을 통해 공급되며, 스피치 샘플의 코호트 세트가 제3 피드-포워드 신경망을 통해 공급되는 배취 프로세싱을 수행하도록 프로세서-기반 디바이스에 의해 트레이닝된다. 배취 프로세싱의 완료 시, 손실 함수는 각각 대응하는 제1 세트의 스피치 샘플, 대응하는 제2 세트의 스피치 샘플, 및 스피치 샘플의 코호트 세트에 기초하여 획득된 제1 망 출력, 제2 망 출력 및 제3 망 출력에 기초하여 계산된다. 계산된 손실 함수는 역 전파 기술에 따라 제1, 제2 및 제3 피드-포워드 신경망의 각각에서 연결 가중치를 수정하기 위해 사용된다.

추가의 예시적인 실시예에 따르면, 앞서 언급된 손실 함수는, 제1 세트의 스피치 샘플(x_i) 중 하나에 반응하는 제1 망 출력과 제2 세트의 스피치 샘플(

)의 대응하는 것에 반응하는 제2 망 출력 간의 유사도(S₊)에 대응하는 양의 거리(positive distance)(d₊), 및 제1 세트의 스피치 샘플(x_i) 중 하나에 반응하는 제1 망 출력과 코호트 세트의 각각의 스피치 샘플에 반응하는 제3 망 출력 중 가장 유사한 것 간의 유사도(S_-)에 대응하는 음의 거리(d_-)에 기초할 수 있다. 또한, 양의 거리(d₊) 및 음의 거리(d_-)는 대응하는 유사도(S₊, S_-)에 상이한 각각의 마진(M₊, M_-)을 적용함으로써 결정될 수 있다. 특히, 손실 함수는

로서 정의될 수 있으며, 여기에서

, d₊ = 2(1-min((S₊ + M₊), 1), d_- = 2(1-max((S₊ + M_--1), 0),

,

은 N회 반복 동안 공급된 N개의 음의 스피치 샘플 중 n번째 것이고, EVx_i는 제1 세트의 스피치 샘플 중 하나에 반응하는 제1 망 출력이고,

는 제2 세트의 스피치 샘플 중 하나에 반응하는 제2 망 출력이고,

은 음의 스피치 샘플(

)에 반응하는 제3 망 출력이고,

, 그리고 K는 상수이다.

대안적인 예시적인 실시예에 따르면, 손실 함수는 동일 에러 레이트(EER) 메트릭에 관련될 수 있다. 이 경우에, 손실 함수는

로서 정의될 수 있되, 여기서 μ+ 및 σ+는 가우시안 분포에 기초한 양의 인식 스코어의 평균 및 표준 편차이고, μ_ 및 σ_는 가우시안 분포에 기초한 음의 인식 스코어의 평균 및 표준 편차이다.

예시적인 실시예에 따르면, 삼중 망 아키텍처에서 이용된 피드-포워드 신경망의 각각은 적어도 하나의 컨볼루션층(convolutional layer), 적어도 하나의 최대-풀링층(max-pooling layer) 및 완전 연결층(fully connected layer)을 포함할 수 있다.

더욱이, 일 예시적인 실시예에서, 본 발명은 사용자가 자체-식별을 입력하는 화자 검증 태스크를 수행하기 위해 사용될 수 있으며, 인식 스피치 샘플은 사용자의 아이덴티티가 자체-식별과 동일함을 확인하기 위해 사용된다. 또 다른 예시적인 실시예에서, 본 발명은 인식 스피치 샘플이 각각의 스피치 샘플과 관련하여 저장된 복수의 잠재적인 아이덴티티로부터 사용자를 식별하기 위해 사용되는 화자 식별 태스크를 수행하기 위해 사용될 수 있다. 앞서 언급된 실시예는 상호 배타적이지 않으며, 동일한 삼중 신경망은 양쪽 태스크 모두를 수행하기 위해 사용될 수 있다.

도 1은 본 발명의 예시적인 실시예에 따른 화자 인식을 수행하기 위한 시스템을 예시한다.
도 2a는 본 발명의 예시적인 실시예에 따라, 트레이닝 시 사용을 위한 삼중 망 아키텍처를 가진 심층 신경망의 일반적인 구조를 예시한다.
도 2b는 본 발명의 예시적인 실시예에 따라, 특정한 사용자에 대한 등록 및 검사 시 사용을 위한 삼중 망 아키텍처를 가진 심층 신경망의 일반적인 구조를 예시한다.
도 3a는 트레이닝 시 사용을 위해, 사전-프로세싱된 스피치 샘플을 수신하도록 설계된, 삼중 망 아키텍처를 가진 심층 신경망의 구조의 특정 예를 예시한다.
도 3b는 특정한 사용자에 대한 등록 및 검사 시 사용을 위한 심층 신경망 아키텍처의 구조의 특정 예를 예시한다.
도 3c는 트레이닝 시 사용을 위해, 원 스피치 샘플을 프로세싱하도록 설계된, 삼중 망 아키텍처를 가진 심층 신경망의 구조의 또 다른 특정 예를 예시한다.
도 4는 본 발명의 예시적인 실시예에 따른 화자 인식을 위한 일반적인 프로세스의 흐름도를 예시한다.
도 5는 본 발명의 예시적인 실시예에 따라, 화자 인식을 수행하기 위해 삼중 망 아키텍처의 심층 신경망을 이용하는 프로세스의 흐름도를 예시한다.
도 6은 본 발명의 예시적인 실시예에 따라, 삼중 망 아키텍처를 가진 심층 신경망을 트레이닝하기 위한 프로세스의 흐름도이다.
도 7은 소프트맥스 함수(softmax function)를 통합하도록 설계되며 화자 식별을 구체적으로 수행하기 위해 사전-트레이닝되는, 삼중 망 아키텍처를 가진 심층 신경망의 구조의 예를 예시한다.

본 발명의 보다 상세한 설명은 이제 수반되는 도면을 참조하여 제공될 것이다.

본 발명의 예시적인 실시예는 텍스트-독립적 화자 인식을 행하기 위해, 삼중 망 아키텍처를 가진 심층 신경망(DNN)을 이용하는 시스템 및 방법에 관한 것이다. 용어 "심층 신경망" 및 "DNN"은 다수의 선형 및 비-선형 변환 함수로 구성된, 다수의 은닉층을 가진 신경망을 나타낸다. 본 출원에서, 화자 인식의 두 개의 서브태스크, 즉, 검증 및 식별이 고려된다. 본 출원의 목적을 위해, "검증"은 실제 화자가 그/그녀가 주장하는 사람인지를 검출하는 태스크를 나타내는 반면, "식별"은 화자의 미리 결정된 리스트로부터 화자의 아이덴티티를 검색하는 태스크를 나타낸다. 이하에서 설명되는 본 발명의 원리는 이들 서브태스크 중 하나 또는 양쪽 모두에 적용될 수 있다. 또한, 본 출원에서, 용어 "사용자"는 때때로 DNN이 인식하도록 트레이닝되는 특정한 화자를 나타내기 위해 사용될 것이다.

화자 인식을 수행하기 위한 DNN의 사용은, DNN이 저-레벨 특징을 나타내고 이러한 저-레벨 특징을 고-레벨 특징에 매핑시키는 것을 더 잘하기 때문에, 가우시안 혼합 모델(GMM)을 사용하여 추정된 범용 배경 모델(UBM)을 이용하는 다른 접근법에 비해 유리하다. 저-레벨 특징은 원시 스피치 신호만큼 낮을 수 있다. 고-레벨 특징은 스피치 신호의 총 가변성을 보존하는 성문이다. 이와 같이, DNN에 의해 추출된 성문은 UBM/GMM에 의해 획득된 i-벡터를 닮을 수 있지만, 우수한 결과를 제공한다.

도 1은 본 발명의 예시적인 실시예에 다른 화자 인식을 수행하기 위한 시스템을 예시한다. 도 1에 따르면, 사용자 또는 화자는 발화된 사운드를 전기 신호로 변환하기 위해 마이크로폰을 포함하는 입력 디바이스(10)에 말을 할 수 있다. 특히 도 1에 도시된 바와 같이, 입력 디바이스(10)는 전화기(셀룰러 또는 일반 전화) 또는 컴퓨터 또는 VoIP(voice over internet) 통신이 가능한 다른 프로세서 기반 디바이스와 같은, 전기 통신이 가능한 디바이스일 수 있다. 사실상, 본 발명은 구체적으로 전화 사기에 대해 보호하기 위해, 예로서 호출자가 그/그녀가 주장하는 사람임을 검증하거나, 또는 "블랙리스트" 또는 "차단된 호출자 리스트" 상에서의 누군가로서 호출자의 아이덴티티를 검출하는 애플리케이션에서 이용될 수 있다는 것이 고려된다.

도 1에 따르면, 화자 식별을 수행하기 위해 사용되는 사용자의 말은 본 명세서에서 "인식 스피치 샘플"로서 불릴 것이다. 인식 스피치 샘플은 입력 디바이스(10)로부터 화자 인식 서브시스템(20)으로 전기적으로 송신될 수 있다. 인식 스피치 샘플이 말한 입력 디바이스(10)는 전기통신 디바이스(예로서, 전화)일 수 있다는 것이 고려되지만, 이것은 그 경우일 필요는 없다. 예를 들면, 입력 디바이스(10)는 간단히 화자 인식 서브시스템(20)에 아주 근접하여 위치된 마이크로폰일 수 있다.

도 1의 화자 인식 서브시스템(20)은, 삼중 망 아키텍처(이의 세부사항은 이하에서 보다 상세하게 설명될 것임)를 가진 심층 신경망을 모델링하도록 프로그램된, 서버 또는 범용 개인 컴퓨터(PC)일 수 있는, 컴퓨팅 시스템(22)을 포함할 수 있다. 그러나, 컴퓨팅 시스템(22)은 단일 디바이스로 엄격하게 제한되지 않으며, 대신에 본 명세서에서 설명된 동작을 수행하기 위해 협력하여 작동하는 다수의 컴퓨터 및/또는 디바이스를 포함할 수 있다(예로서, DNN의 트레이닝은 하나의 컴퓨팅 디바이스에서 발생할 수 있지만, 실제 검증/식별 태스크는 또 다른 것에서 수행된다)는 것에 유의해야 한다. 단일 또는 다수의 중앙 처리 장치(CPU)는 트레이닝 및 검사 양쪽 모두를 위한 컴퓨팅 디바이스로서 사용될 수 있지만, 그래픽 처리 장치(GPU)가 또한 사용될 수 있다. 예를 들면, 컴퓨팅 시스템(22)에서 GPU의 사용은 특히, 트레이닝 동안, 계산 비용을 감소시키도록 도울 수 있다.

도 1에 도시된 바와 같이, 화자 인식 서브시스템(20)은 또한 예시적인 실시예에서 DNN을 트레이닝하기 위해 사용된 메모리 디바이스(24)를 포함한다. 특히, 이러한 메모리 디바이스(24)는 다수의 사용자 또는 화자로부터의 복수의 샘플링된 스피치 신호(또는 "스피치 샘플"), 뿐만 아니라 화자 등재 서브시스템(20)에 "등록된" 사용자에 대해 획득된 복수의 등재된 성문(registered voiceprint)을 포함할 수 있다. 특히, 메모리 디바이스(24)는 DNN에 대하여 수행될 각각의 기능에 대응하는 두 개의 상이한 데이터세트, 즉, 트레이닝 및 검사를 포함한다.

본 발명의 예시적인 실시예에 따른 트레이닝의 함수와 관련하여, DNN은 다수의 화자에 대응하는 양의 샘플, 뿐만 아니라 N개의 음의 샘플에 따라 트레이닝된다. 트레이닝을 행하기 위해, 메모리 디바이스(24)는 바람직하게는 다수의 화자의 각각으로부터 실제 말로서 획득된 적어도 두 개의 화자 샘플을 포함하는 데이터세트를 포함할 것이다. 이들 스피치 샘플은 관련 화자에 대해 "양의 스피치 샘플"로 불린다. 메모리 디바이스(24)에서, DNN을 트레이닝하기 위한 데이터세트는 또한 앞서 언급한 화자의 각각에 대하여 N개의 "음의 스피치 샘플"을 포함할 것이다. 이들 음의 스피치 샘플은 관련 화자와는 상이한 사람에 의한 말에 대응한다. 특정한 예에서, 1000개의 음의 스피치 샘플(즉, N = 1000)은 DNN을 트레이닝하기 위해 사용된 다수의 화자의 각각과 관련하여 사용될 수 있다. 그러나, 개수 N은 1000보다 높거나 또는 낮을 수 있다. 알려지지 않은 기원의 스피치 샘플은, 이러한 스피치 샘플이 DNN을 트레이닝하기 위해 현재 사용된 것과는 상이한 화자(i)에서 비롯되었다는 것이 확인될 수 있는지 여부에 관계없이, N개의 음의 스피치 샘플 중 하나로서 사용될 수 있다는 것에 또한 유의해야 한다.

메모리 디바이스(24)는 "검사" 기능을 수행하기 위해 또 다른 데이터세트를 포함할 수 있으며, 그에 의해 DNN은 사용자를 긍정적으로 검증하거나 또는 식별함으로써 실제 화자 인식을 수행한다. 이러한 기능을 수행하기 위해, 데이터세트는, (이하에서 보다 상세하게 설명될) 화자 인식 서브시스템(22)에 사용자를 "등록한" 결과로서 획득될 수 있는, 특정한 사용자의 단지 하나의 양의 스피치 샘플만을 요구한다. 또한, 이러한 데이터세트는 시스템에 의해 검증/식별될 수 있는 각각의 사용자에 대응하는, 하나 이상의 등재된 성문을 포함할 수 있다.

도 1을 재차 참조하면, 화자 인식 분석의 결과는 호출자(즉, 사용자)를 인증하도록 요구하는, 즉 호출자가 그/그녀가 주장하는 사람임을 검증하는 최종 애플리케이션(30)에 의해 사용될 수 있다. 대안으로서, 최종 애플리케이션(30)은 미리 정의된 리스트(예로서, 블랙리스트 또는 차단된 호출자)에 있는 임의의 호출자를 식별하도록 요구할 수 있다. 이것은 발신 번호 표시(calling line identification: CLID)(때때로 "호출자 ID"로 지칭됨)에 의한 검출을 피하기 위해 전화 번호를 도용하는 악의적인 호출자를 검출하도록 도울 수 있다. 그러나, 본 발명은 악의적인 호출자를 걸러내도록 설계된 애플리케이션(30)에 의해 사용될 수 있지만, 본 발명은 이들 유형의 애플리케이션(30)으로 제한되지 않는다. 예를 들면, 본 발명은 유리하게는, 예로서 음성 생체 인식이 룸, 리소스 등으로의 액세스를 해제하기 위해 사용되는, 다른 애플리케이션(30)에서 사용될 수 있다.

다양한 수정이 도 1에 예시된 시스템에 대해 이루어질 수 있다는 것에 유의해야 한다. 예를 들면, 입력 디바이스(10)는 인식 스피치 샘플을 직접 최종 애플리케이션(30)으로 송신할 수 있으며, 이것은 결국 인식 스피치 샘플을 화자 인식 서브시스템(20)으로 전달한다. 이 경우에, 최종 애플리케이션(30)은 또한 자체-식별을 나타내는 사용자로부터 몇몇 형태의 입력을 수신할 수 있다. 예를 들면, 화자 식별 태스크를 수행한 경우에, 최종 애플리케이션(30)은 그 또는 그녀 자신을 식별하도록 (들릴 수 있게 또는 다른 형태의 입력에 의해) 사용자에게 요청하며, 인식 스피치 샘플 및 사용자의 주장된 아이덴티티 양쪽 모두를 인증을 위해 스피치 인식 서브시스템(20)으로 전송할 수 있다. 다른 경우에서, 사용자의 자체-식별은, CLID에 의해 획득된 바와 같이, 사용자의 주장된 전화 번호로 이루어질 수 있다. 더욱이, 도 1에 예시된 다양한 요소의 각각의 위치에 관하여 어떤 제한도 없다. 특정한 상황에서, 최종 애플리케이션(30)은 사용자로부터 멀리 떨어질 수 있으며, 따라서 최종 애플리케이션(30)과 상호 작용하기 위해 사용자에 대한 전기통신의 사용을 요구한다. 대안적으로, 사용자(및 입력 디바이스(10))는 예로서, 애플리케이션(30)이 음성-활성화 보안 게이트 등을 제어한다면, 사용 시 최종 애플리케이션(30)에 매우 근접할 수 있다.

도 2a는 본 발명의 예시적인 실시예에 따라, 트레이닝 동안 사용을 위한 삼중 망 아키텍처를 가진 심층 신경망(DNN)의 일반적인 구조를 예시한다. 또한, 도 2a는 P개의 오디오 샘플, 이들의 대응하는 P개의 양의 샘플, 및 N개의 음의 스피치 샘플의 코호트 세트가 제1, 제2 및 제3 피드-포워드 신경망을 트레이닝하기 위해 사용되는 배취 프로세스의 사용을 개념적으로 예시한다.

도 2a에서, DNN은 동일한 피드-포워드 신경망(212, 222 및 232)의 3개의 인스턴스로 이루어지며, 이것은 동일한 파라미터를 공유한다. (도면에 나타낸 바와 같이) 공유된 파라미터를 이용해서, 3개의 피드-포워드 신경망(212, 222, 232)은 층의 수 및 구성, 층 간 연결 가중치 등이 동일하다. 이들 피드 포워드 신경망(212, 222, 232)은 각각, 입력(210, 220, 230)을 통해 3개의 상이한 샘플을 제공받는다. 특히, DNN이 트레이닝됨에 따라, DNN은 제1 피드-포워드 신경망(212) 및 제2 피드-포워드 신경망(222)이, 각각의 입력(210 및 220)을 통해, 각각 x_i(i = 1, ..., P)로서 지정된, P개의 스피치 샘플의 세트, 및 각각이

로서 지정된, P개의 양의 스피치 샘플의 대응하는 세트를 공급받는 배취 프로세싱을 수행할 수 있다. 스피치 샘플의 이들 두 개의 세트는 동일한 화자에 의해 말하여진다(따라서 그것에 기인한다). 또한, 제3 피드-포워드 신경망(232)은 배취 프로세싱 동안 입력(230)을 통해 음의 스피치 샘플(

)의 공통 코호트 세트를 공급받는다. 코호트 세트에서 음의 스피치 샘플은 P개의 샘플의 앞서 언급한 세트와 동일한 화자에 의해 말하여지지 않으며(또는 적어도 그것에 의해 말하는 것으로 알려지지 않으며), 따라서 동일한 화자에 기인하지 않는다. 제1 피드-포워드 신경망(212)의 출력(214)은 샘플(x_i)에 반응하는 제1 세트의 P 내장 벡터를 생성하며, 제2 피드-포워드 신경망(222)의 출력(224)은 샘플(

)에 반응하는 제2 세트의 P개의 내장 벡터를 생성한다. 또한, 제3 피드-포워드 신경망(232)의 출력(234)은 코호트 세트에서 음의 스피치 샘플에 반응하는 제3 세트의 N개의 내장 벡터를 생성한다. 주어진 배취가 프로세싱된 후, 이들 내장 벡터는 손실을 계산하기 위해 사용되며(이하에서 보다 상세하게 설명될 것이며), 손실은 역-전파 기술에 따라 3개의 피드-포워드 신경망(212, 222, 232)에서 연결 가중치를 수정하기 위해 사용된다.

더욱이, 도 2b에 도시된 바와 같이, 또 다른 피드-포워드 신경망(242)은 DNN의 트레이닝이 완료된 후 사용자에 의해 (입력 디바이스(10)를 통해) 입력된 인식 스피치 샘플에 기초하여 실제 화자 인식을 수행하기 위해 사용된다. 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)은 공유된 파라미터를 통합하며, 그에 따라 DNN의 트레이닝이 완료될 때 서로 동일하므로, 이들 3개의 피드-포워드 신경망 중 임의의 하나는 화자 인식을 수행하는 피드-포워드 신경망(242)으로서 상호 교환 가능하게 사용될 수 있다. 대안적으로, 3개의 피드-포워드 신경망(212, 222, 232) 간에 공유된 파라미터를 통합하는 피드-포워드 신경망의 새로운 인스턴스는 사용자의 등록 및/또는 검사(화자 인식) 시 사용을 위해 도 2b의 피드-포워드 신경망(242)으로서 사용될 수 있다. 이러한 피드-포워드 신경망(242)에 따라 수행된 등록 및 검사는 이하에서 보다 상세하게 설명될 것이다.

이제, 부가적인 세부사항이 DNN의 설계 시 제공될 것이다. 이하에서 논의될 바와 같이, 컨볼루션 신경망(CNN)의 양상은 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각에 적어도 하나의 컨볼루션층을 통합함으로써 DNN의 것들과 조합될 수 있다. 또한, 각각의 컨볼루션층은 3개의 치수, 즉, 높이, 폭 및 깊이의 뉴런을 갖는다.

도 3a는 DNN을 트레이닝할 때 사용을 위한 삼중 망 아키텍처를 가진 DNN의 구조의 특정 예를 예시한다. 도 3a에 도시된 바와 같이, 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각은 최대-풀링층에 연결된 제1 컨볼루션층, 제2 최대-풀링층에 앞서 제2 컨볼루션층, 그 다음의 완전 연결층, 및 내장 벡터를 포함하는 출력층을 포함할 수 있다. 그러나, 트레이닝의 마무리 시, 피드-포워드 신경망(212, 222, 232)의 각각의 출력층은 입력된 샘플의 특징 표현(즉, 성문)을 생성하도록 구성될 것이다.

제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각의 입력(210, 220, 230)이 도 3a에 또한 도시된다. 예시적인 실시예에 따르면, 피드-포워드 신경망(212, 222, 232)의 각각에 입력되기 전에, 스피치 샘플(스피치 샘플(x_i), 양의 스피치 샘플(

), 및 음의 스피치 샘플(

)을 포함)의 각각은 대응하는 말의 "이미지"를 생성하도록 사전 프로세싱될 수 있다. 이러한 사전 프로세싱은 신호의 비-스피치 부분을 폐기하기 위해 음성 활동 검출을 이용하는 것을 포함할 수 있다. 사전 프로세싱은 또한 기본 스피치 신호를 특정한 수(W)의 중첩 윈도우로 분할하는 것, 및 W개의 중첩 윈도우의 각각으로부터 특정한 수(F)의 특징(예로서, Mel 필터뱅크 특징)을 추출하는 것을 포함할 수 있다. 청구항을 제한하는 것으로 해석되지 않을, 이러한 사전-프로세싱의 특정 예가 이제 설명될 것이다. 이러한 비-제한적인 예에서, 이미지는 기본 스피치 신호를, 10밀리초의 중첩(또는 윈도우 시프트)과 함께, 20-밀리초 지속 기간의 윈도우로 분할함으로써 각각의 스피치 샘플에 대해 생성될 수 있다. 또한, 각각의 샘플에 대한 이미지는 500개의 앞서 언급한 중첩 윈도우(W = 500)를 포함할 수 있으며, 40개 Mel 필터뱅크 특징(F = 40)은 각각의 윈도우로부터 추출된다(그에 의해 입력(210, 220, 230)의 각각에서 크기 40×500의 이미지를 야기한다). 이것은 5초의 지속 기간을 가진 스피치 샘플에 대응할 것이다(40-차원 특징 벡터는 10 밀리초마다 추출된다). 그러나, 이것은 단지 예이며, 상이한 말 지속 기간, 상이한 수의 윈도우, 및 상이한 수 및 유형의 특징이 사용될 수 있다는 것에 유의해야 한다. 다시 말해서, 상이한 유형의 스피치 "이미지"가 DNN에 적용될 수 있다.

앞서 언급한 사전 프로세싱은 관련 스피치 샘플이 메모리 디바이스(24)에 저장되기 전 또는 후에 수행될 수 있다는 것에 유의해야 한다. 사용자로부터 인식 스피치 샘플을 입력하는 디바이스(10), 및 양의 및 음의 스피치 샘플을 입력하기 위해 사용되는 다른 유형의 스피치 송신/기록 디바이스가 앞서 언급한 사전 프로세싱의 동작 중 일부 또는 모두를 수행하기 위해 구성될 수 있다는 것이 또한 고려된다.

도 3a를 재차 참조하면, 입력 신호가 설명된 바와 같이 크기 F×W의 사전 프로세싱된 이미지라고 가정하면, 제1, 제2 및 제3 피드-포워드 신경망의 각각의 제1 컨볼루션층은 이러한 이미지를 프로세싱하기 위해 적절한 개수(N_C)의 컨볼루션 필터를 포함할 수 있다. 또한, 이러한 층에서 각각의 컨볼루션 필터는 대응하는 윈도우의 특징을 프로세싱하도록 구성될 수 있으며, 따라서 F×w_f 신경 유닛(또는 "뉴런")의 크기를 가질 수 있다. 이와 같이, 각각의 컨볼루션 필터는 특징(F)의 수에 비례하는 높이, 및 다양한 고려사항에 기초하여(예로서, 스피치의 역학을 감안하기 위해, 프로세싱 및 메모리 요건을 충족시키기 위해 등) 선택될 수 있는 폭(w_f)을 가질 것이다.

도 3a의 피드-포워드 신경망(212, 222, 232)에서 제1 컨볼루션층의 구성의 특정 비-제한적인 예가 이제 설명될 것이다. 이러한 예의 목적을 위해, 입력된 이미지는 사전 프로세싱(5초의 스피치에 대응하는, 10 밀리초마다 추출된 40-차원 특징 벡터를 이용)에 관한 이전 비-제한적인 예와 관련하여 위에서 언급된 바와 같이 40×500의 크기(F×W)로 사전 프로세싱된다고 가정될 수 있다. 이 경우에, 제1, 제2 및 제3 피드-포워드 신경망의 각각의 제1 컨볼루션층은 256개의 컨볼루션 필터(N_C = 256)를 포함할 수 있으며, 각각의 필터는 40개의 뉴런의 높이(각각의 윈도우로부터 추출된 40개 특징에 대응함), 및 5개를 초과하지 않는 뉴런(예로서, 1 또는 3개의 뉴런)의 폭(w_f)을 갖는다. 이 경우에, 도 3a에서 제1 컨볼루션층의 깊이는 256일 것이고, 이 층의 높이는 40일 것이며, 층의 폭은 w_f≤5일 것이다. 또한, 이러한 비-제한적인 예에서, 제1 컨볼루션층에서 엔트리 뉴런은 입력 이미지의 다수의 윈도우에 연결될 수 있다.

상기 내용은 비-제한적인 예이며, 제1 컨볼루션층의 깊이 및 높이 치수는 각각, 앞서 언급한 256 및 40과는 상이할 수 있다는 것에 유의해야 한다. 이 경우에, 그러나, 깊이(즉, 컨볼루션 필터(N_C)의 수)는 바람직하게는 입력된 이미지에서 중첩 윈도우의 수 이하일 것이지만, 높이는 바람직하게는 관련 스피치 샘플의 사전 프로세싱 동안 윈도우의 각각으로부터 추출된 특징(예로서, Mel 필터뱅크 특징)의 수와 같을 것이라는 것이 제안된다.

도 3a를 재차 참조하면, 피드-포워드 신경망(212, 222, 232)의 각각에서 제1 컨볼루션층 다음에, 크기(s_m)의 1-차원 최대-풀링층이 제공된다. 최대-풀링층은 일시적으로 입력된 시퀀스로부터의 최대 값을 계산하는 층이다. 도 3a에서, 최대-풀링층의 결과는, N_C개의 컨볼루션 필터로 구성된, 제2 컨볼루션층으로 제공된다. 그러나, 이들 필터의 크기는 반드시 제1 컨볼루션층에서의 것과 동일한 것은 아니다. 비-제한적인 예에서, 이러한 제2 컨볼루션층의 높이 및 폭은 1일 수 있다. 더욱이, 도 3a에 따르면, 최종 전역적 최대-풀링층은 결과적인 내장 벡터를 입력된 이미지의 지속 기간에 덜 민감하게 만들기 위해, 전체 시간 축에 걸쳐 적용된다. 다음 층은 완전 연결층 및 출력층이며, 예로서 각각은 N_C개의 뉴런을 갖는다. 출력층은 트레이닝 동안 내장 벡터를 제공하지만, 트레이닝 후 특징 표현, 즉 샘플을 발생시킨 화자의 성문 또는 음성 서명을 생성하도록 구성된다. 구체적으로, 각각의 제1, 제 2, 및 제3 피드-포워드 신경망(212, 222, 232)의 출력층은 이전에 DNN의 제1, 제2 및 제3 망 출력(214, 224, 234)으로 불렸던 것이다.

예를 들면, 트레이닝 동안, 스피치 샘플(

)의 이미지가 제1 피드-포워드 신경망(212)을 통해 공급될 때, 제1 망 출력(214)은,

에 대한 내장 벡터를 나타내는, EVx_i로서 심볼화될 수 있는 결과를 생성한다. 유사하게, 양의 스피치 샘플(

)의 이미지가 제2 피드-포워드 신경망(222)을 통해 공급될 때, 제2 망 출력(224)은

에 대한 내장 벡터를 나타내는,

로서 심볼화될 수 있는 결과를 생성한다. 유사하게, 음의 스피치 샘플(

)의 이미지가 제3 피드-포워드 신경망(232)을 통해 공급될 때(n은 1과 N 사이의 임의의 정수임), 제3 망 출력(234)은

에 대한 내장 벡터를 나타내는

로서 심볼화될 수 있는 결과를 생성한다.

도 3a에 도시된 바와 같이, 트레이닝 샘플의 주어진 배취가 프로세싱된 후, 손실 함수는 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각의 출력(214, 224, 234)에 기초하여 산출될 수 있다. 계산된 손실 함수는, DNN에서 가중치 모두에 대하여 손실 함수의 기울기를 계산하는 것을 목표로 하는, "확률적 기울기 하강(stochastic gradient descent)" 최적화기를 이용하는 역전파 알고리즘을 사용하여 DNN의 각각의 신경망(212, 222, 232)을 트레이닝하기 위해 사용될 수 있다. 최적화기의 목적은, 손실 함수를 최소화하기 위해, 가중치를 업데이트하는 것이다. 그러나, 다른 유형의 역전파 알고리즘이 사용될 수 있다는 것이 또한 고려된다. 도 3a의 예에서, 손실 함수는 제1 컨볼루션층, 제2 컨볼루션층 및 완전 연결층의 각각에서 연결 가중치를 업데이트하기 위해 사용될 수 있다. 트레이닝 알고리즘에 관한 보다 많은 세부사항이 도 6과 관련하여 이하에서 논의될 것이다.

이제, 특정한 사용자에 대한 등록 및 검사 시 사용을 위한 DNN 아키텍처의 특정 예를 예시하는 도 3b를 참조할 것이다. 특히, 도 3b는 등록 및 검사 기능을 수행하기 위한 피드-포워드 신경망(242)을 예시한다. 도 2b와 관련하여 위에서 언급된 바와 같이, 도 3b에서 피드-포워드 신경망(242)의 구성 및 파라미터는 도 3a의 DNN이 트레이닝된 후 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각과 동일한 구성 및 파라미터를 공유할 것이다. 이와 같이, 트레이닝의 끝맺음에서, 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232) 중 임의의 것은 도 3b의 피드-포워드 신경망(242)으로서 사용될 수 있거나, 또는 공유된 파라미터 및 구성을 통합한 신경망의 새로운 인스턴스가 사용될 수 있다.

도 3b에 도시된 바와 같이, 신경망(242)은 스피치 샘플의 사전 프로세싱에 의해 생성된 이미지를 그의 입력(240)에서 수신할 수 있다. 등록 또는 검사가 수행되는지에 의존하여, 입력된 이미지는 특정한 사용자를 등록하거나 또는 등재할 목적으로 입력된 스피치 샘플(즉, "등록 스피치 샘플"), 또는 화자 인식이 행해질 스피치 샘플(즉, "인식 스피치 샘플)에 대응할 것이다. 일단 입력된 이미지가 피드-포워드 신경망(242)을 통해 공급되면, 출력층(240)은 대응하는 특징 프리젠테이션(즉, 성문)을 생성할 것이다. 출력층(240)에 의해 생성된 각각의 특징 표현은 i-벡터를 닮을 수 있지만, DNN에 의해 생성되었으므로 화자의 음성에서 저-레벨 특징을 보다 양호하게 나타내도록 설계된다.

위에서 언급된 바와 같이, 도 3a 및 도 3b 양쪽 모두에서의 예시적인 DNN 아키텍처는 각각의 입력된 스피치 샘플이 이미지로서 사전 프로세싱된다는 가정에 기초한다. 그러나, 이것은 그 경우일 필요는 없다. 예를 들면, DNN은 도 3c가 입력으로서 원 스피치 샘플을 프로세싱하기 위해 삼중 망 아키텍처를 갖는 심층 신경망의 예를 예시하는 상이한 삼중 망 아키텍처를 취할 수 있다. 특히, 도 3c에 도시된 바와 같이, 각각의 피드-포워드 신경망(212, 222 및 232)의 각각의 입력(210, 220 및 230)에서 수신된 스피치 샘플은 도 3a 및 도 3b와 관련하여 위에서 설명된 방식으로 사전 프로세싱되지 않는다. 대신에, 각각의 입력된 샘플은 일련의 샘플을 획득하기 위해 원 스피치 신호(예로서, 입력 디바이스(10)를 통해 입력된 바와 같이)를 샘플링함으로써 획득된 신호를 구성한다. 또한, 도 3c의 특정한 예에서 도시된 바와 같이, 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각은 도 3a와 관련하여 설명된 것과 유사한 다른 층의 앞에 배치되는, 부가적인 컨볼루션층 및 로컬 최대-풀링을 포함한다. 원 스피치 샘플을 수신하는 것으로 도시되는, 도 3c의 부가된 컨볼루션층은 원 스피치 샘플로부터 추출될 특징의 수에 대응하는 수(F)의 컨볼루션 필터로 구성된다. 부가된 최대-풀링층은 크기(s_ml)의 1-차원 층일 수 있다. 이들 부가적인 층은 도 3a 및 도 3b와 관련하여 위에서 설명된 사전 프로세싱과 유사한 변환을 적용하도록 구성될 수 있다.

이제, 본 발명의 예시적인 실시예에 따라 화자 인식을 위한 일반 프로세스(400)의 흐름도를 예시하는 도 4를 참조할 것이다. 이러한 도면에서 동작(S410)에 따르면, 삼중 망 아키텍처를 가진 DNN이 트레이닝된다. 특정한 사용자에 대한 화자 인식을 행하기 위해, DNN은 다른 화자(및, 가능하게는, 알려지지 않은 화자)로부터 획득된 다수의 음의 스피치 샘플과 조합하여, 사용자로부터 획득된 적어도 하나의 양의 스피치 샘플에 기초하여 트레이닝될 것이라는 것이 고려된다. 도 4에 예시된 바와 같이, DNN을 트레이닝하기 위해 사용된 스피치 샘플은 메모리 디바이스(24) 내 저장소로부터 추출될 수 있다. DNN이 트레이닝된 후, 특정한 사용자가 동작(S420)에서 화자 등재 서브시스템(20)에 의해 등재되거나 또는 등록될 수 있다. 이것은 "화자 모델"이 화자 검증을 수행하기 위해 동일한 사용자의 특징 표현 또는 성문과의 미래 비교의 목적을 위해, 특정한 사용자에 대해 생성될 수 있음을 의미한다. 그 후, 인식 스피치 샘플이 동작(S430)에서 획득된다. 인식 스피치 샘플은, 예로서 입력 디바이스(10)로부터 획득될 수 있다. 도 4의 동작(S440)에서, 인식 스피치 샘플은 DNN(즉, 신경망(242))을 통해 공급되며, 인식 스피치 샘플에 반응하는 DNN의 출력은 화자 인식을 수행하기 위해, 즉 DNN 출력에 기초하여 사용자를 검증하거나 또는 식별하기 위해 (앞서 언급한 화자 모델과 함께) 동작(S450)에서 사용된다.

도 5는 본 발명의 예시적인 실시예에 따라, 특정한 사용자에 대한 화자 인식을 행하기 위한 보다 특정한 프로세스(500)의 흐름도를 예시한다. 도 5의 동작(S510)에서, 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)으로 구성된 DNN은 메모리 디바이스(24)에 저장된 스피치 샘플을 사용하여 컴퓨터 시스템(22)에 의해 트레이닝된다. 이러한 트레이닝 프로세스의 예시적인 실시예는 도 6과 관련하여 보다 상세하게 설명될 것이다. 메모리 디바이스(24)는 복수의 상이한 사용자에 대응하는 배취에서 DNN을 트레이닝하는데 유용한 스피치 샘플의 뱅크를 포함할 수 있다는 것에 유의해야 한다. 그러므로, S510에 따라, DNN을 트레이닝하는 것은 화자에 따라 메모리 디바이스(24)에서 스피치 샘플을 분류하고 추출하기 위한 임의의 필요한 단계를 포함할 수 있다.

DNN이 S510의 결과로서 트레이닝된 후, 컴퓨터 시스템(22)은 등재된(또는 등록된) 사용자의 리스트에 관하여 화자 인식을 수행하기 위해 DNN을 사용하도록 동작 가능하다. 이것은 DNN이 화자가 등재된(등록된) 사용자 중 하나인 것으로 주장하는 사람이, 사실상 그/그녀가 주장하는 사람인지를 결정함으로써 검증을 수행할 수 있다는 것을 의미한다. 또한 DNN은 그/그녀가 실제로 등재된(등록된) 사용자의 리스트 상에 있다면 익명 화자를 식별할 수 있음을 의미하며, 화자가 이러한 리스트 상에 없다면, 화자가 알려지지 않았음을 나타낸다. 이와 같이, 본 발명의 예시적인 실시예에서, 화자 모델은 등록되거나 또는 등재되는 각각의 사용자에 대해 생성된다. 이러한 화자 모델을 생성하는 특정한 예는, 특정한 사용자를 등록하기 위해, 도 5의 동작(S520 및 S525)과 관련하여 개시된다.

도 5의 동작(S520)에서, 특정한 사용자의 등록이 대응하는 등록 스피치 샘플(즉, 특정한 사용자에 의해 실제로 발언된 스피치 샘플)을 수신함으로써 개시된다. 동작(S525)에서, 등록 스피치 샘플은 대응하는 성문(또는 특징 표현)을 출력하기 위해 (도 2b 및 도 3b와 관련하여 위에서 설명된 바와 같이) 피드-포워드 신경망(242)을 통해 공급된다. 피드-포워드 신경망(242)에 의해 생성된 성문은 그 다음에 메모리 디바이스(24)에 저장되며 등재된 사용자를 위한 화자 모델로서 사용될 수 있다. 또한, 사용자로부터의 하나 이상의 등록 스피치 샘플이 수신되며, 사용자를 등재하기 위해 사용될 수 있는 것이 가능하다. 이 경우에, 다수의 등록 샘플은 사용자에 대한 다수의 성문을 생성하기 위해 피드-포워드 신경망(242)을 통해 공급될 수 있다. 이 경우에, 평균 벡터는 다수의 성문으로부터 계산되며, 사용자를 위한 화자 모델로서 사용될 수 있다.

도 5의 동작(S520 및 S525)은 예시적인 실시예에 따라, DNN의 "등록" 기능의 예를 설명한다. 그러나, 등재된 사용자에 대한 화자 모델을 생성하기 위해, DNN이 앞서 언급된 방식으로 사용되는 것은 본 발명의 요건이 아니다.

도 5에서 동작(S530 내지 S560)의 시퀀스에 따라, 화자 인식은 특정한 사용자에 대해 수행될 수 있다. 이와 같이, 이들 동작은 본 발명의 예시적인 실시예에 따른 DNN의 "검사" 기능에 대응한다.

S530에서, 인식 스피치 샘플은 디바이스(10)를 통해 사용자로부터 수신된다. 이러한 인식 스피치 샘플은 그 후 동작(S530)에서 피드-포워드 신경망(242)으로 공급되며, 그것에 응답하여 이러한 피드-포워드 신경망(242)은 사용자의 인식 스피치 샘플의 특정 표현 또는 성문을 망 출력(244)에서 생성한다.

도 5의 동작(S540)에서, 인식 스피치 샘플에 응답하여 피드-포워드 신경망(242)에 의해 출력되는, 성문 또는 특징 표현은 사용자를 검증하거나 또는 식별하기 위해 사용된다. 특히, 이러한 성문은 동작(S525)에 따라 생성되며 하나 이상의 등재된 사용자와 관련하여 메모리 디바이스(24)에 저장된 하나 이상의 화자 모델과 비교될 수 있다. 위에서 언급된 바와 같이, 이들 화자 모델의 각각은 피드-포워드 신경망(242)에 의해 유사하게 생성된 성문일 수 있다. 판단 박스(S550)에 따르면, 인식 스피치 샘플의 결과로서 신경망(242)에 의해 획득된 성문이 저장된 화자 모델 중 임의의 것에 "매칭되는지"에 대한 판단이 이루어진다. 각각의 화자 모델이 유사하게-생성된 성문이라고 가정하면, 이러한 매칭은 두 개의 성문 간의 유사성(또는 거리)의 척도에 따라 결정될 수 있다. 다른 한편으로, 각각의 화자 모델이 대응하는 사용자의 스피치 특징의 상이한 표현을 포함한다면, 상이한 프로세스가 성문을 화자 모델의 각각의 특징과 비교하고 매칭이 존재하는지를 결정하기 위해 S540 및 S550에서 사용될 수 있다.

S550에서 매칭이 인식 스피치 샘플의 성문과, 저장된 화자 모델 중 하나 사이에서 발생한다고 판단하면, 프로세스(500)는 (화자 검증 태스크에서) 특정한 사용자의 아이덴티티가 인증되었거나 또는 (화자 식별 태스크에서) 특정한 사용자의 아이덴티티가 미리 정의된 리스트 또는 세트의 알려진 아이덴티티에 위치되었음을나타내는 S560으로 진행한다. 다른 한편으로, S550에서 어떤 매칭도 발생하지 않았다고 판단하면, 프로세스(500)는 특정한 사용자가 그/그녀가 주장하는 사람이 아니거나(및 따라서 사칭하는 사람이거나) 또는 그/그녀의 아이덴티티가 화자 인식 서브시스템(20)에 알려지지 않았음을 나타내는 S570으로 진행한다. 이들 결과는 컴퓨팅 시스템(22)에 의해, 예로서 디스플레이 및/또는 그의 오디오 출력 상에 출력될 수 있거나, 또는 결과는 출력될 또 다른 위치로 송신될 수 있거나, 또는 그 외 최종 애플리케이션(30)에 의해 전송되고 사용될 수 있다. 예를 들면, 화자 검증 및 식별 태스크 양쪽 모두에서, 최종 애플리케이션(30)은 특정한 리소스 또는 경로로의 사용자 액세스를 허용/거부하기 위해 결과를 사용할 수 있다. 예를 들면, 최종 애플리케이션(30)은 사용자가 블랙리스트 또는 차단된 호출자의 리스트의 멤버인 것으로 식별될 때 사용자의 전화 호출을 차단하기 위해 사용될 수 있다. 애플리케이션(30)은 또한 그/그녀의 아이덴티티에 대해 거짓말을 하고 있는 사용자를 자동으로 플래그하기 위해(또는 그것에 대해 관계자에게 알리기 위해) 사용될 수 있다.

도 5를 재차 참조하면, 하나의 화자 인식 태스크가 수행된 후, DNN은 S580(프로세스(500)는 새로운 인식 스피치 샘플을 수신하기 위해 S530으로 되돌아감)에서 예시된 바와 같이, 등재된 사용자의 현재 풀에 기초하여, 특정한 샘플에 대한 또 다른 화자 인식 태스크를 수행하기 위해 사용될 수 있다. 또 다른 화자가, 미래 화자 인식 태스크를 행할 목적으로, 등록, 즉 등재된 사용자의 풀에 부가될 필요가 있을 수 있다는 것이 또한 고려된다. S590에 예시된 바와 같이, 새로운 사용자가 등록되거나 또는 등재될 필요가 있다면, 프로세스(500)는 새로운 화자 모델이 생성되는 동작(S520)으로 돌아간다.

다음으로, 보다 구체적인 설명이, 도 5의 동작(S510)에 따라, DNN이 각각의 등재된 사용자에 대해 트레이닝되는 프로세스에 관하여 제공될 것이다.

특히, 도 6은 본 발명의 예시적인 실시예에 따라 DNN을 트레이닝하기 위한 프로세스(5100)의 흐름도이다. DNN의 이러한 트레이닝은 배취 프로세스에 따라 수행될 수 있으며, 그에 의해 손실 함수는 트레이닝 샘플의 배취가 DNN을 통해 공급된 후 계산된다. 각각의 배취에 대해서, 모두가 동일한 화자에 의해 말해진, x_i(i = 1, .., P)로서 지정된 P개의 스피치 샘플의 세트는 제1 피드-포워드 신경망(212)을 통해 순차적으로 적용된다. 또한, 각각의 배취에 대해서, 모두가 x_i 샘플과 동일한 화자에 의해 말하여진 P개의 양의 스피치 샘플

(i = 1, ...., P)의 대응 세트는 제2 피드-포워드 신경망(222)에 순차적으로 적용된다. 제3 피드-포워드 신경망(232)에 대해, 음의 스피치 샘플(

)의 "코호트 세트"(x_i 및

스피치 샘플을 말한 사람과는 상이한 화자에 의해 말해진 것)는 각각의 배취 동안 제3 피드-포워드 신경망(232)으로 연속적으로 입력된다. 비-제한적인 예에 따르면, 코호트 세트에서 음의 스피치 샘플(및 각각의 배취 동안 실행된 반복의 수)의 개수 N은 1000과 같을 수 있다. 그러나, 코호트 세트는 상이한 수의 음의 스피치 샘플을 포함할 수 있다. 음의 스피치 샘플의 동일한 코호트 세트는, DNN의 트레이닝 동안 다수의 배취, 또는 가능하게는 모든 배취를 위해 사용될 수 있다는 것이 가능하다. 또한, 각각의 음의 스피치 샘플은 x_i 및

스피치 샘플의 화자와는 상이한 사람에 의해 말해질 것이라는 것이 고려되지만, 코호트 세트에서 음의 스피치 샘플 중 하나로서 알려지지 않은 기원(즉, 화자의 아이덴티티가 알려지지 않음)의 스피치 샘플을 이용하는 것이 또한 가능하다.

도 6을 참조하면, 동작(S5110)에 따르면, 특정한 화자로부터 P개의 스피치 샘플(x_i)의 세트가 메모리 디바이스(24)로부터 추출된다. 마찬가지로, 동작(S5120)에서, 동일한 화자로부터 P개의 양의 스피치 샘플의 세트가 또한 메모리 디바이스(24)로부터 추출된다. P개의 양의 스피치 샘플은 적어도 2여야 하며, P는 2 이상일 것이라는 것이 고려된다. 또한, 동작(S5130)에 따르면, N개의 음의 스피치 샘플의 코호트 세트가 메모리 디바이스(24)로부터 획득된다.

위에서 언급된 바와 같이, 심층 신경망(DNN)은 각각의 배취에서, 모두가 동일한 화자에서 비롯된, P개의 스피치 샘플 x_i(i = 1,..., P) 및 P개의 양의 스피치 샘플

(i = 1,..., P)의 대응 세트가 각각 제1 및 제2 피드-포워드 신경망(212 및 222)을 통해 공급되도록 배취에서 트레이닝을 수행할 것이다. P개의 스피치 샘플 x_i(i = 1,..., P)의 세트는 동작(S5140)에서 제1 신경망(212)을 통해 연속적으로 공급되지만, P개의 양의 스피치 샘플

(i = 1,..., P)의 세트는 동작(5150)에서 제2 피드-포워드 신경망(222)을 통해 공급된다. 동작(S5160)에서, 코호트 세트에서 N개의 음의 스피치 샘플은 제3 피드-포워드 신경망(232)을 통해 연속적으로 공급된다.

주어진 배취가 이와 같이 설명된 바와 같이 DNN을 통해 프로세싱된 후, 동작(S5170)이 수행된다. 이러한 동작은 DNN을 통해 스피치 샘플(x_i), 양의 스피치 샘플(

), 및 음의 스피치 샘플(

)의 코호트 세트(X^-)를 공급한 결과로서 생성된 내장 벡터의 세트에 기초하여 손실을 산출한다. 또한, S5170에 따르면, 산출된 손실은 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각에서 연결 가중치를 수정하기 위해 사용된다. 특히, 확률적 기울기 하강 최적화기를 이용한 역전파 기술은 손실이 산출되면 가중치를 수정하기 위해 사용될 수 있다. 손실을 산출하기 위한 기능은 이하에서 보다 상세하게 설명될 것이다.

각각의 배취에 대한(즉, P개의 스피치 샘플(x_i)의 각각의 세트 및 P개의 양의 스피치 샘플(

)의 대응 세트에 대한) 손실을 산출하기 위해 사용되는, 손실 함수는 다음의 파라미터에 기초한다:

각각의 스피치 샘플(x_i)에 반응하는 제1 망 출력(214)(즉, 내장 벡터(EVx_i))과 대응하는 양의 스피치 샘플(

)에 반응하는 제2 망 출력(224)(즉, 내장 벡터(

)) 간의 유사도(S₊),

각각의 스피치 샘플(x_i)에 반응하는 제1 망 출력(214)(즉, EVx_i)과 코호트 세트에 반응하는 제3 망 출력(234) 중 가장 유사한 것(즉, 특징 표현(

) 중 가장 유사한 것) 간의 유사도(S_-),

유사도(S₊ 및 S_-)에 각각 적용되는 양의 마진(M₊) 및 음의 마진(M_-),

유사도(S₊) 및 대응하는 마진(M₊)에 기초하여 산출된 양의 거리(d₊), 및

유사도(S_-) 및 대응하는 마진(M_-)에 기초하여 산출된 음의 거리(d_-).

양의 마진(M₊) 및 음의 마진(M_-)의 사용은 스피치 샘플(x_i 및

)이 서로에 적정하게 가까우며, 스피치 샘플(x_i)이 음의 스피치 샘플 중 가장 가까운 것에서 적정하게 멀리 있는 상황하에서 손실 함수에서의 부가적인 비용을 피하도록 돕는다.

예시적인 실시예에 따르면, 각각의 배취에 대한 손실 함수는 다음과 같이 정의될 수 있다:

식 (1)

여기에서

식 (2).

식 (2)에서, K는 상수(예로서, 1000)를 나타낸다. 또한, 식 (2)에서 양의 및 음의 거리(d₊ 및 d_-)는 다음의 식에 따라 산출될 수 있다:

식 (3)

및

식 (4).

식 (3) 및 식 (4)에서 표시된 바와 같이, 양의 및 음의 거리(d₊ 및 d_-)는 각각 유사도(S₊ 및 S_-) 및 대응하는 마진(M₊ 및 M_-)에 기초하여 산출된다. 이들 유사도(S₊ 및 S_-)는 다음의 식에 따라 산출될 수 있다:

식 (5)

및

식 (6).

식 (5)에서, max 연산자는 특징 표현(EVx_i)과 가장 유사한, 코호트 세트에 기초하여 제3 피드-포워드 신경망(232)에 의해 생성된, 특징 표현(

) 중 하나를 추출한다.

또한, 양의 및 음의 마진(M₊ 및 M_-)은 다음의 식에 따라 산출될 수 있다:

식 (7)

및

식 (8).

식 (5) 내지 식 (8)에 따르면, 각각의 거리(d₊ 및 d_-)를 결정하기 위해 사용되는, 유사성(S₊ 및 S_-) 및 마진(M₊ 및 M_-)은 코사인 측정치에 대하여 계산된다. 양의 및 음의 마진의 사용과 함께, 코사인 척도에 기초한 거리의 사용은 성문의 강력한 표현을 위해 제공한다.

도 6을 재차 참조하면, 손실 함수가 주어진 배취에 대해 산출될 때, 계산된 손실은 예로서, 확률적 기울기 하강 최적화기를 사용한 역전파 기술에 따라 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)의 각각에서 연결 가중치를 수정하기 위해 동작(S5170)에서 사용된다. 예를 들면, DNN이 도 3a에서 예시된 바와 같이 특정한 구성을 가질 때, 계산된 손실은 제1 컨볼루션층, 제2 컨볼루션층, 및 완전 연결층과 관련하여 가중치를 수정하기 위해 사용될 수 있다.

드롭아웃 트레이닝 알고리즘(dropout training algorithm)이, 가중치를 수정하기 위해, 역전파 기술과 함께, 사용될 수 있다는 것에 또한 유의해야 한다. 특히, 드롭아웃 알고리즘에서, 트레이닝 동안 특정한 부분 또는 퍼센티지의 뉴런이 그들의 대응하는 가중치의 수정을 방지하기 위해 트레이닝 동안 드롭된다. 예를 들면, 드롭아웃 알고리즘은 단지 80%(또는 심지어 50%)의 가중치만이 주어진 배취의 결과로서 수정되도록 적용될 수 있다.

도 6의 프로세스(5100)에서, DNN의 연결 가중치가 동작(S5170)에 따른 주어진 배취에 대해 산출된 손실에 따라 수정된 후, DNN이 더 많은 배취(즉, 상이한 화자에 대응하는 상이한 세트의 스피치 샘플(x_i) 및 양의

)에 따라 트레이닝될지에 대한 결정이 S5180에서 이루어진다. 프로세싱될 더 많은 배취가 있다면, 프로세싱은 필요한 샘플을 추출하고 새로운 배취를 프로세싱하기 시작하기 위해 동작(S5110)으로 돌아간다. 그렇지 않다면, 도 6에서, DNN을 위한 트레이닝은 완료된 것으로 고려된다.

도 4 내지 도 6에서의 흐름도는 단지 예시의 목적을 위해 제공되며, 첨부된 청구항에 의해 정의된 것으로 본 발명에 대해 제한하도록 의도되지 않는다는 것에 유의해야 한다. 이들 도면에 개시된 프로세스는 수정될 수 있으며 여전히 본 발명의 사상 및 범위 내에 있다. 예를 들면, 이들 흐름도의 각각이 일련의 동작을 예시하는 반면, 이들 동작의 순서는 변경될 수 있으며, 이들 흐름도에서 예시된 특정한 동작은 생략될 수 있지만, 도시되지 않은 다른 동작이 부가될 수 있다.

유사하게, 도 1, 도 2a, 도 2b, 및 도 3a 내지 도 3c에서 예시된 구조 및 구성은 또한 단지 예시의 목적을 위해 제공된다. 예시된 시스템 및 신경망 구성은 본 발명의 사상 및 범위와 일치하는 임의의 방식으로 수정될 수 있다.

대안적인 실시예

위에서 설명된 실시예에서, 삼중 망 아키텍처를 가진 DNN은 검증(실제 화자가 그/그녀가 주장하는 사람인지를 검출하는) 및 식별의(밀폐 세트에서의 누군가에 화자의 아이덴티티를 매칭시키는) 화자 인식 태스크 양쪽 모두를 수행하기 위해 트레이닝된다. 이러한 실시예에서, 삼중 망 아키텍처를 위한 DNN 모델은 도 3a 및 도 3b에 예시된 바와 같은 구조를 포함할 수 있으며, 도 6에 도시된 프로세스에 따라 추가로 트레이닝될 수 있다. 이 경우에, 삼중 망 아키텍처를 위한 DNN 모델의 파라미터는, 트레이닝 이전에, 랜덤하게 초기화될 수 있다.

그러나, 대안적인 실시예에 따르면, DNN은 구체적으로 식별의 태스크를 위해 설계될 수 있으며, 상이한 DNN 구조 및 트레이닝의 방법이 이용될 수 있다. 예를 들면, 삼중 망 아키텍처를 가진 DNN 모델의 파라미터를 랜덤하게 초기화하는 대신에, 파라미터는 대신에 폐쇄된 세트의 화자에 대해 화자 식별 태스크를 수행하도록 구체적으로 트레이닝된 DNN의 것들로 초기화될 수 있으며, 여기에서 출력 클래스는 상이한 화자 라벨이다. 또한, 이러한 화자 식별 트레이닝 동안, DNN의 구조는 도 3a 및 도 3b에 예시된 피드-포워드 신경망(212, 222, 232, 242)의 것에 기초할 수 있지만, 적어도 두 개의 부가적인 층, 즉, (1) 소프트맥스층(softmax layer) 및 (2) 트레이닝 세트에서 각각의 화자에 대한 다수의 유닛을 포함하는 출력층을 이용해서 수정된다.

예를 들면, 이들 부가적인 층은 도 3a 및 도 3b에 예시된 피드-포워드 신경망 구조에 부가될 수 있다. 이전에 설명된 바와 같이, 도 3a 및 도 3b에서 예시된 피드-포워드 신경망의 각각은 내장 벡터 또는 성문을 생성하기 위해 완전-연결층 및 후속하는 층으로 끝난다. 대안적인 실시예에 따르면, 이러한 후속하는 층은 제2 완전-연결층으로 변환될 수 있으며, 이것은 부가된 소프트맥스층 및 출력층을 공급한다. 소프트맥스층은, 때때로 정규화 지수로서 불리는 함수를 실행하며, 시그모이드(sigmoid) 함수의 일반화이다. 소프트맥스 함수는, 인공 신경망에 의해 구현된 것들을 포함한, 다양한 확률 다중-클래스 분류 기술에서 사용된다. 부가된 출력층에 대해, 이러한 층에서 신경 유닛의 수는 화자의 수와 같으며, DNN은 식별하기 위해 트레이닝된다. 예를 들면, DNN이 3000의 상이한 화자에 대해 화자 식별을 수행하기 위해 트레이닝되는 비-제한적인 예에서, 출력층은 3000개의 상이한 유닛을 포함할 것이다.

(부가된 층을 가진)DNN이 폐쇄된 세트의 화자에 대한 화자 식별을 수행하기 위해 트레이닝된 후, 트레이닝된 파라미터는 그 후 손실 함수에 기초하여, 예로서 도 6과 관련하여 위에서 설명된 프로세스에 따라 그 다음의 트레이닝을 위해 제1, 제2 및 제3 피드-포워드 신경망(212, 222, 232)으로 부여될 수 있다.

이러한 대안적인 실시예는 위에서 설명된 바와 같이 도 3a 및 도 3b에서 예시된 구조에 기초할 수 있지만, 다른 수정이 또한 이러한 대안적인 실시예에서 피드-포워드 신경망의 구조에 대해 이루어질 수 있다는 것이 고려된다. 예를 들면, 도 7은 대안적인 실시예와 관련하여 사용될 수 있는 DNN의 구조의 특정 예를 예시한다. 참고로 도 3b의 피드-포워드 신경망(242)의 구조를 사용하여, 도 7은 3개의 컨볼루션층, 3개의 최대 풀링층, 및 4개의 완전-연결층을 통합한 수정된 구조를 가진 피드-포워드 신경망(242')을 예시한다. 도 7에서, 제4 완전-연결층은 소프트맥스층(710), 및 (DNN이 식별하기 위해 트레이닝되는 화자의 수와 같은) 다수의 유닛으로 구성된 출력층(720)에 연결된다. 화자 식별 트레이닝이 행해진 후, 파라미터는 그 후 삼중 망 아키텍처에 따라 각각의 피드-포워드 신경망으로 부여되며, 앞서 언급된 손실 함수에 기초하여 트레이닝될 수 있다.

제2 대안적인 실시예

도 6에 예시된 트레이닝 프로세스의 설명에서, 특정 손실 함수는 식 (1) 내지 식 (8)과 관련하여 위에서 설명되었다는 것에 유의해야 한다. 그러나, DNN이 도 6과 관련하여 위에서 설명된, 특정한 손실 함수에 따라 트레이닝된다는 것은 요구사항이 아니다. 대안적인 예시적인 실시예에서, 예를 들면, 동일 에러 레이트(EER) 메트릭에 직접 관련되는 상이한 손실 함수가 DNN을 트레이닝하기 위해 사용될 수 있다.

EER 메트릭은 통상적으로 화자 인식 시스템의 정확도를 평가하기 위해 사용된다. 화자 인식 및 다른 생체 인식 시스템에서, EER은 오수락률 및 오거부율을 균등화하기 위한 임계 값을 미리 결정하기 위해 사용된다. EER은 (매칭을 나타내는) 양의 인식 스코어 및 (미스매칭을 나타내는) 음의 인식 스코어의 분포가 가우시안이라는 가정하에서 도출되며, 다음의 식에 의해 표현될 수 있다:

식 (9).

식 (9)에서, 항 erf(z)는 에러 함수를 나타내는 반면, μ₊ 및 σ₊는 양의 인식 스코어의 평균 및 표준 편차이며, μ_- 및 σ_-는 음의 인식 스코어의 평균 및 표준 편차이다. 이 경우에, 양 및 음의 인식 스코어는 식 (1) 내지 식 (8)의 손실 함수와 관련하여 위에서 언급된 유사도(S₊ 및 S_-)와 유사하다. 이와 같이, 양의 인식 스코어(μ₊ 및 σ₊)의 평균 및 표준 편차, 및 음의 인식 스코어(μ_- 및 σ_-)의 평균 및 표준 편차는 다음과 같이 배취 프로세싱으로부터 도출될 수 있다:

식 (10)

식 (11)

식 (12)

식 (13)

여기에서 심볼 P, N, EVx_i,

및

은 식 (1) 내지 식 (8)과 관련하여 상기 정의된 것과 동일한 의미를 가진다.

상기 식 (9)에서 도시된 바와 같이, EER의 값을 최소화하는 것은 항

의 최대화를 내포한다. 이러한 로직을 사용하여, 트레이닝 동안 최소화될, 손실 함수는 다음과 같이 정의될 수 있다:

식 (14).

그러므로, 식 (1) 내지 식 (8)과 관련하여 설명된 손실 함수에 대한 대안으로서, 삼중 망 아키텍처를 가진 DNN은 식 (14)에 따라 정의된 손실 함수에 따라 트레이닝될 수 있다. 그러나, 다른 손실 함수는 또한 DNN을 트레이닝하기 위해 사용될 수 있으며, 본 발명은 특정한 손실 함수에 제한되지 않을 것이다.

특정한 실시예가 예의 목적을 위해 위에서 설명되었지만, 경계 및 한계가 첨부한 청구항에서 정의된 본 발명에 대해 제한적이도록 의도되지 않는다.

Claims

컴퓨터로 구현되는 방법으로서,
컴퓨터가, 인식 스피치 샘플(recognition speech sample)을 수신하는 단계;
상기 컴퓨터가, 상기 인식 스피치 샘플에 대해 신경망을 실행하여 상기 인식 스피치 샘플의 성문(voiceprint)을 생성하는 단계 - 상기 신경망은 양의 스피치 샘플의 이중 세트와 음의 스피치 샘플의 코호트 세트를 사용하여 트레이닝되는 삼중 신경 아키텍쳐의 일부임 -;
상기 컴퓨터가, 생성된 성문을 적어도 하나의 저장된 성문과 비교하는 단계; 및
상기 컴퓨터가, 상기 비교에 기초하여 상기 인식 스피치 샘플에 대해 화자 인식을 수행하는 단계를 포함하는,
컴퓨터로 구현되는 방법.
제1항에 있어서,
상기 화자 인식을 수행하는 단계는,
상기 컴퓨터가, 생성된 성문을 적어도 하나의 저장된 성문과 비교하는 단계 - 상기 적어도 하나의 저장된 성문은 검증될 화자와 연관됨 -를 포함하는,
컴퓨터로 구현되는 방법.
제1항에 있어서,
상기 화자 인식을 수행하는 단계는,
상기 컴퓨터가, 생성된 성문을 적어도 하나의 저장된 성문과 비교하는 단계 - 상기 적어도 하나의 저장된 성문은 폐쇄된 세트의 알려진 화자와 연관됨 -를 포함하는,
컴퓨터로 구현되는 방법.
제3항에 있어서,
상기 폐쇄된 세트의 알려진 화자는 전화 사기와 연관된 블랙리스트인,
컴퓨터로 구현되는 방법.
제1항에 있어서,
상기 컴퓨터가, 상기 신경망을 실행하기 전에 상기 인식 스피치 샘플을 사전 프로세싱하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제5항에 있어서,
상기 인식 스피치 샘플을 사전 프로세싱하는 단계는,
상기 컴퓨터가, 상기 인식 스피치 샘플을 미리 결정된 윈도우 시프트와 함께 미리 결정된 지속 기간의 윈도우로 분할하는 단계; 및
상기 컴퓨터가, 각 윈도우로부터 상기 신경망에 입력할 특징을 추출하는 단계를 포함하는,
컴퓨터로 구현되는 방법.
제1항에 있어서,
상기 화자 인식을 수행하는 단계는,
상기 컴퓨터가, 상기 인식 스피치 샘플과 연관된 화자를 식별하는 단계; 및
상기 컴퓨터가, 상기 인식 스피치 샘플과 연관된 화자를 검증하는 단계
중 적어도 하나를 포함하는,
컴퓨터로 구현되는 방법.
시스템으로서,
복수의 컴퓨터 프로그램 명령이 저장된 비일시적 저장 매체; 및
상기 비일시적 저장 매체에 전기적으로 연결되고 상기 복수의 컴퓨터 프로그램 명령을 실행하여,
인식 스피치 샘플을 수신하고,
상기 인식 스피치 샘플에 대해 신경망을 배치하여 상기 인식 스피치 샘플의 성문을 생성하며, - 상기 신경망은 양의 스피치 샘플의 이중 세트와 음의 스피치 샘플의 코호트 세트를 사용하여 트레이닝되는 삼중 신경 아키텍쳐의 일부임-,
생성된 성문을 적어도 하나의 저장된 성문과 비교하고,
상기 비교에 기초하여 상기 인식 스피치 샘플에 대해 화자 인식을 수행하도록 구성된 프로세서를 포함하는,
시스템.
제8항에 있어서,
상기 프로세서는 컴퓨터 프로그램 명령을 실행하여, 생성된 성문을 상기 적어도 하나의 저장된 성문과 비교하도록 더 구성되고,
상기 적어도 하나의 저장된 성문은 검증된 화자와 연관되는,
시스템.
제8항에 있어서,
상기 프로세서는 컴퓨터 프로그램 명령을 실행하여, 생성된 성문을 상기 적어도 하나의 저장된 성문과 비교하도록 더 구성되고,
상기 적어도 하나의 저장된 성문은 폐쇄된 세트의 알려진 화자와 연관되는,
시스템.
제10항에 있어서,
상기 폐쇄된 세트의 알려진 화자는 전화 사기와 연관된 블랙리스트인,
시스템.
제8항에 있어서,
상기 프로세서는 컴퓨터 프로그램 명령을 실행하여, 상기 신경망을 실행하기 전에 상기 인식 스피치 샘플을 사전 프로세싱하도록 더 구성된,
시스템.
제12항에 있어서,
상기 인식 스피치 샘플을 사전 프로세싱하기 위해,
상기 프로세서는 컴퓨터 프로그램 명령을 실행하여, 상기 인식 스피치 샘플을 미리 결정된 윈도우 시프트와 함께 미리 결정된 지속 기간의 윈도우로 분할하고, 그리고 각 윈도우로부터 상기 신경망에 입력할 특징을 추출하도록 더 구성되는,
시스템.
제8항에 있어서,
화자 검증은,
상기 인식 스피치 샘플과 연관된 화자를 식별하는 프로세서, 및
상기 인식 스피치 샘플과 연관된 화자를 검증하는 프로세서
중 적어도 하나를 포함하는,
시스템.
컴퓨터로 구현되는 방법으로서,
컴퓨터가, 화자에 기인한 하나 이상의 양의 스피치 샘플의 제1 세트를 제1 피드-포워드 신경망에 공급하여 제1 내장 벡터를 생성하는 단계;
상기 컴퓨터가, 상기 화자에 기인한 하나 이상의 양의 스피치 샘플의 제2 세트를 제2 피드-포워드 신경망에 공급하여 제2 내장 벡터를 생성하는 단계;
상기 컴퓨터가, 상기 화자에 기인하지 않는 음의 스피치 샘플의 코호트 세트를 제3 피드-포워드 신경망에 공급하여 내장 벡터들의 세트를 생성하는 단계;
상기 컴퓨터가, 제1 내장 벡터, 제2 내장 벡터, 및 내장 벡터들의 세트에 기초하여 손실 함수를 계산하는 단계; 및
상기 컴퓨터가, 상기 손실 함수를 역전파하여 상기 제1, 제2, 및 제3 피드-포워드 신경망 각각에서 하나 이상의 연결 가중치를 수정하는 단계를 포함하는,
컴퓨터로 구현되는 방법.
제15항에 있어서,
상기 손실 함수는,
상기 제1 및 제2 내장 벡터 사이의 유사도에 대응하는 양의 거리, 및
상기 제1 내장 벡터와 상기 내장 벡터들의 세트의 제1 내장 벡터와 가장 유사한 내장 벡터 간의 유사도에 대응하는 음의 거리에 기초하는,
컴퓨터로 구현되는 방법.
제16항에 있어서,
상기 제1 및 제2 내장 벡터 사이의 유사도, 및 상기 제1 내장 벡터와 상기 내장 벡터들의 세트의 제1 내장 벡터와 가장 유사한 내장 벡터 간의 유사도 각각은 코사인 척도에 기초하는,
컴퓨터로 구현되는 방법.
제15항에 있어서,
상기 손실 함수는,
상기 제1 및 제2 내장 벡터 사이의 유사도, 및 상기 제1 내장 벡터와 상기 내장 벡터들의 세트의 제1 내장 벡터와 가장 유사한 내장 벡터 간의 유사도와 연관된 동일 에러 레이트(equal error rate, EER) 메트릭에 기초하는,
컴퓨터로 구현되는 방법.
제15항에 있어서,
상기 컴퓨터가, 무작위 연결 가중치를 사용하여 상기 제1, 제2, 및 제2 피드-포워드 신경망 중 적어도 하나를 초기화하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제15항에 있어서,
상기 컴퓨터가, 폐쇄된 세트의 화자에서 화자 식별을 수행하도록 트레이닝된 심층 신경망의 연결 가중치를 사용하여 상기 제1, 제2, 및 제3 피드-포워드 신경망 중 적어도 하나를 초기화하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.