KR20210017485A - 주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 - Google Patents
주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 Download PDFInfo
- Publication number
- KR20210017485A KR20210017485A KR1020190096803A KR20190096803A KR20210017485A KR 20210017485 A KR20210017485 A KR 20210017485A KR 1020190096803 A KR1020190096803 A KR 1020190096803A KR 20190096803 A KR20190096803 A KR 20190096803A KR 20210017485 A KR20210017485 A KR 20210017485A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- sound
- sound information
- frequency
- peak
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title description 11
- 230000008859 change Effects 0.000 claims description 75
- 238000001514 detection method Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 210000001260 vocal cord Anatomy 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/439—Processing of audio elementary streams
- H04N21/4394—Processing of audio elementary streams involving operations for analysing the audio stream, e.g. detecting features or characteristics in audio streams
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
본 발명은 소리 정보 판단 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 주파수를 분석하여 소리 정보가 노래, 연주 등과 같은 저작물인 음원인지를 판단하는 장치 및 그 방법에 대한 것이다. 본 발명의 일 측면에 따른 소리 정보 판단 장치는, 프로세서 및 프로세서에 전기적으로 연결되고, 분석 프로그램이 저장된 메모리를 포함하고, 분석 프로그램은, 프로세서의 실행 시에 소리정보가 수신되면, 소리정보를 미리 설정된 방법에 따라 분석하여 복수의 피크주파수들을 검출하고, 피크주파수를 미리 설정된 방법에 따라 분석하여 특징정보를 생성하고, 분석 프로그램을 통해 소리정보가 음원에 대한 것인지 여부를 판단하되, 특징정보를 이용하여 소리정보가 음원에 대한 것인지를 판단하는 인스트럭션들을 포함할 수 있다. 본 발명에 따르면, 방송 콘텐츠를 모니터링하여 음원 저작물의 방송 여부를 자동으로 판단할 수 있으므로 저작권료의 청구가 누락될 가능성이 매우 낮아질 수 있다.
Description
본 발명은 소리 정보 판단 장치 및 그 방법에 대한 것으로서, 보다 상세하게는 주파수를 분석하여 입력된 소리 정보가 노래, 연주 등과 같은 저작물인 음원정보인지를 판단하는 장치 및 그 방법에 대한 것이다.
저작물은 인간의 사상 또는 감정을 표현한 창작물이다. 저작권은 저작물에 대한 배타적·독점적 권리이다. 노래, 연주 등과 같은 음원은 대표적인 저작물이다. 음원에 대한 저작권은 작곡가, 작사가, 편곡자, 실연자(음악을 연주하거나 노래를 부른 자) 및 음원 제작자가 서로 일정한 비율에 따라 그 지분을 나눠가지며, 저작권료 또한 그 지분에 알맞게 분배된다. 예를 들어, TV 등의 매체를 통해 저작권자들의 음원이 방송되는 경우에 해당 매체로 그 저작권료에 상응하는 비용이 청구된다. 같은 맥락으로, 영화나 드라마 등 저작권자들의 영상 또한 TV 등의 방송 매체를 통해 방송되는 경우 해당 매체로 그 저작권료에 상응하는 비용이 청구된다.
한편, 방송은 스마트폰의 개발과 더불어 TV나 라디오 등 종래의 대중매체뿐만 아니라 인터넷이나 스마트폰의 애플리케이션을 통해 제공되기도 한다. 최근에는 BJ(Broadcaster Jockey), 스트리머(Streamer), 유튜버(Youtuber) 및 크리에이터 등으로 명명된 개인들이 운영하는 개인 방송도 그 영향력이 증대되고 있다.
이처럼 TV 채널과 개인 방송이 폭발적으로 증가하기 때문에, 저작권자 또는 저작권을 관리하는 단체가 방송 콘텐츠를 모니터링하여 저작권료를 일일이 청구하는 것은 매우 어렵다. 따라서, 저작권료의 지불이 누락되는 경우가 빈번하게 발생된다.
상술한 문제점을 해결하기 위하여, 본 발명은 방송 콘텐츠를 모니터링하여 음원 저작물의 방송 여부를 자동으로 판단할 수 있는 소리 정보 판단 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 측면에 따르면, 프로세서; 및 상기 프로세서에 전기적으로 연결되고, 분석 프로그램이 저장된 메모리(단, 상기 분석 프로그램은 신경망 프로그램 또는 로짓 분석 프로그램 중 하나 이상임)를 포함하고, 상기 분석 프로그램은, 상기 프로세서의 실행 시에 소리정보가 수신되면, 상기 소리정보를 미리 설정된 방법에 따라 분석하여 복수의 피크주파수들을 검출하고, 상기 피크주파수를 미리 설정된 방법에 따라 분석하여 특징정보를 생성하고, 상기 분석 프로그램을 통해 상기 소리정보가 음원에 대한 것인지 여부를 판단하되, 상기 특징정보를 이용하여 상기 소리정보가 음원에 대한 것인지를 판단하는 인스트럭션들을 포함하되, 상기 분석 프로그램은 신경망 프로그램 또는 회기 분석 프로그램 중 하나 이상인, 소리 정보 판단 장치가 개시된다.
실시 예에 따라, 상기 메모리는, 상기 소리정보를 미리 설정된 방법에 따라 n개의 시간구간으로 분할하고(단, 상기 n은 2 이상의 자연수임), 상기 n개의 시간구간 각각에 대한 상기 복수의 피크주파수들을 검출하고, 상기 피크주파수의 주파수변화율을 미리 설정된 방법을 이용하여 산출하고, 상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 인스트럭션들을 더 포함할 수 있다.
실시예에 따라, 상기 메모리는, 상기 피크주파수의 주파수변화율평균값을 산출하고, 상기 주파수변화율평균값을 결합하여 상기 특징정보를 생성하는 인스트럭션들을 더 포함할 수 있다.
실시 예에 따라, 상기 주파수변화율평균값은 하기 수식에 의해 산출될 수 있다.
상기 A는 상기 n개의 각 시간구간 내에서 검출된 상기 복수의 피크주파수들의 개수에 상응하는 실수이고, 상기 i 및 상기 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, 상기 i는 상기 j보다 큰 자연수이고, 상기 
는 i번째 피크주파수에 상응하는 상기 피크주파수의 크기이고, 상기 
는 j번째 피크주파수에 상응하는 상기 피크주파수의 크기이고, 상기 
는 i번째 피크주파수의 러닝타임이고, 상기 
는 j번째 피크주파수의 러닝타임이다.
실시 예에 따라, 상기 n개의 시간구간은 인접한 시간구간과 미리 설정된 비율로 오버랩 되도록 분할될 수 있다.
실시 예에 따라, 상기 분석 프로그램은, 상기 소리정보가 상기 음원에 대한 것으로 판단되면, 상기 소리정보에 상응하는 음원정보를 생성하는 인스트럭션들을 더 포함하되, 상기 음원정보는 출처정보, 저작권정보를 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 소리 정보 판단 장치에서 수행되는 소리 정보 판단 방법에 있어서, 소리정보가 수신되면, 상기 소리정보를 미리 설정된 방법에 따라 분석하여 복수의 피크주파수들을 검출하는 단계; 상기 피크주파수를 미리 설정된 방법에 따라 분석하여 특징정보를 생성하는 단계; 및 미리 저장된 신경망 프로그램 또는 회기 분석 프로그램을 통해 상기 특징정보를 이용하여 상기 소리정보가 음원에 대한 것인지를 판단하는 단계;를 포함하는, 소리 정보 판단 방법이 개시된다.
실시예에 따라, 상기 특징정보를 생성하는 단계는, 상기 소리정보를 미리 설정된 방법에 따라 n개의 시간구간으로 분할하는 단계(단, 상기 n은 2 이상의 자연수임); 상기 n개의 시간구간 각각에 대한 상기 복수의 피크주파수들을 검출하는 단계; 상기 피크주파수의 주파수변화율을 미리 설정된 방법을 이용하여 산출하는 단계; 및 상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 단계;를 포함할 수 있다.
실시예에 따라, 상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 단계는, 상기 피크주파수의 주파수변화율평균값을 산출하는 단계; 및 상기 주파수변화율평균값을 결합하여 상기 특징정보를 생성하는 단계;를 포함할 수 있다. (중복 체크)
실시예에 따라, 상기 주파수변화율평균값을 산출하는 단계는, 하기 수식에 의해 상기 주파수변화율평균값을 산출하는 단계;를 포함할 수 있다.
상기 A는 상기 n개의 각 시간구간 내에서 검출된 상기 복수의 피크주파수들의 개수에 상응하는 실수이고, 상기 i 및 상기 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, 상기 i는 상기 j보다 큰 자연수이고, 상기 
는 i번째 피크주파수에 상응하는 상기 피크주파수의 크기이고, 상기 
는 j번째 피크주파수에 상응하는 상기 피크주파수의 크기이고, 상기 
는 i번째 피크주파수의 러닝타임이고, 상기 
는 j번째 피크주파수의 러닝타임일 수 있다.
실시예에 따라, 상기 n개의 시간구간으로 분할하는 단계는, 상기 소리정보를 상기 n개의 시간구간으로 분할하되, 인접한 시간구간은 미리 설정된 비율로 오버랩되도록 분할되는 단계;를 포함할 수 있다.
실시예에 따라, 상기 소리 정보 판단 방법은, 상기 소리정보가 상기 음원에 대한 것으로 판단되면, 상기 소리정보에 상응하는 음원정보를 생성하는 단계; 를 더 포함하되, 상기 음원정보는 출처정보, 저작권정보를 포함할 수 있다.
본 발명에 따르면, 방송 콘텐츠를 모니터링하여 음원 저작물의 방송 여부를 자동으로 판단할 수 있으므로 저작권료의 청구가 누락될 가능성이 매우 낮아질 수 있다.
도 1은 본 발명의 일 실시예에 따른 소리 정보 판단 장치에 대한 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 소리정보 판단 방법에 대한 순서도이다.
도 3은 본 발명의 일 실시예에 따라 소리정보가 미리 설정된 시간구간으로 분할되는 경우를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 시간구간에 상응하는 주파수변화율평균값이 생성되는 경우를 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따라 생성된 특징정보를 예시한 도면이다.
도 6은 본 발명의 일 실시예에 따라 소리 정보를 판단하기 위한 신경망 프로그램을 학습시키는 방법에 대한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 소리정보 판단 방법에 대한 순서도이다.
도 3은 본 발명의 일 실시예에 따라 소리정보가 미리 설정된 시간구간으로 분할되는 경우를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따라 제1 시간구간에 상응하는 주파수변화율평균값이 생성되는 경우를 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따라 생성된 특징정보를 예시한 도면이다.
도 6은 본 발명의 일 실시예에 따라 소리 정보를 판단하기 위한 신경망 프로그램을 학습시키는 방법에 대한 순서도이다.
본 발명은 음향에 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 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, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 소리 정보 판단 장치에 대한 블록 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 소리 정보 판단 장치(100)는 수신부(110), 프로세서(120) 및 메모리(130)를 포함할 수 있다. 메모리(130)는 프로세서(120)의 실행 시에 소리정보의 음원 여부를 판단할 수 있도록 하는 분석 프로그램(인스트럭션)에 해당하는 모듈들, 즉 특징값추출모듈(140), 분석모듈(150) 및 판단모듈(160)을 포함할 수 있다. 또한 소리 정보 판단 장치(100)의 수신부(110)는 마이크(170) 및/또는 콘텐츠DB(180) 등과 연결될 수 있다. 도 1의 예시에서는 마이크(170) 및/또는 콘텐츠DB(180)가 소리 정보 판단 장치(100)와 별개의 장치인 것으로 도시되었으나, 마이크(170) 및/또는 콘텐츠DB(180)는 소리 정보 판단 장치(100)에 내장된 구성일 수도 있다.
수신부(110)는 소리정보를 수신하는 구성일 수 있다. 수신부(110)는 통신 모뎀, USB 포트 등을 포함할 수 있다. 예를 들어, 수신부(110)는 마이크(170)와 유선 또는 무선으로 연결되어 마이크(170)를 통해 소리정보를 수신할 수 있다. 다른 예를 들어, 수신부(110)는 콘텐츠DB(180)와 인터넷, USB 케이블, 근거리 무선통신 등을 통해 연결되어 소리정보를 수신할 수 있다.
여기서 소리정보는 소리에 대한 정보가 포함된 콘텐츠를 의미할 수 있다. 예를 들어, 소리정보는 이미지와 소리가 모두 포함된 동영상콘텐츠일 수 있다(ex 확장자가 avi, mpg인 파일 등). 다른 예를 들어, 소리정보는 소리에 대한 정보만 포함된 사운드콘텐츠일 수 있다(ex 확장자가 wav, mp3인 파일 등).
수신부(110)는 수신된 소리정보를 프로세서(120)로 출력할 수 있다.
프로세서(120)는 메모리(130)에 저장된 분석 프로그램을 이용하여 소리정보를 분석할 수 있다. 즉, 분석 프로그램은 소리정보를 분석하기 위한 인스트럭션들을 포함할 수 있고, 프로세서(120)는 이들 인스트럭션을 이용하여 입력된 소리정보가 저작물인 음원에 대한 정보인지, 아니면 저작물이 아닌 단순 소리에 대한 정보인지 판단할 수 있다. 이하, 프로세서(120)가 소리정보를 분석하는 동작에 대해 구체적으로 설명한다.
프로세서(120)는 특징값추출모듈(140)에 저장된 인스트럭션을 이용하여 소리정보의 특징값을 추출할 수 있다. 예를 들어, 특징값추출모듈(140)에는 소리정보의 시간 흐름에 따른 주파수 변화를 검출할 수 있도록 하는 인스트럭션들이 저장되어 있을 수 있고, 프로세서(120)는 특징값추출모듈(140)의 인스트럭션들을 이용하여 소리정보의 특징정보를 추출할 수 있다(특징정보가 소리정보에서 어떻게 추출되는 것인지는 도 2 등을 참조하여 후술한다).
또한, 프로세서(120)는 분석모듈(150)에 저장된 인스트럭션을 이용하여, 소리정보의 특징정보를 통해 당해 소리정보가 저작물인 음원에 대한 정보인지, 아니면 저작물이 아닌 단순 소리에 대한 정보인지 분석할 수 있다. 이때 분석모듈(150)에는 신경망 프로그램(예를 들어, 딥러닝 중 CNN(Convolution Neural Network)) 또는 로짓(Logit) 분석 프로그램중 하나 이상을 포함할 수 있다.
또한, 프로세서(120)는 소리정보가 음원인 것으로 판단되면, 당해 소리정보에 상응하는 음원정보를 생성할 수 있다. 여기서 음원정보는 소리정보의 사용 출처에 대한 정보(이하, '출처정보'라 칭함) 및 저작권에 대한 정보(이하, '저작권정보'라 칭함)를 포함할 수 있다. 출처정보는 당해 음원이 방송된 채널번호, 방송국, 방송 시간 등에 대한 정보를 포함할 수 있다. 저작권정보는 당해 음원에 대한 명칭, 작곡가정보, 작사가정보, 연주자정보 등을 포함할 수 있다.
이하 도 2 내지 도 6을 참조하여 프로세서(120)가 소리정보에 특징정보를 추출하고, 소리정보에 상응하는 음원정보를 생성하는 동작에 대해 구체적으로 설명한다.
도 2는 본 발명의 일 실시예에 따른 소리정보 판단 방법에 대한 순서도이다.
먼저, 프로세서(120)는 특징값추출모듈(140)에 포함된 인스트럭션들을 이용하여 소리정보의 특징정보를 생성할 수 있다. 이를 위하여 단계 S210에서, 프로세서(120)는 수신된 소리정보를 미리 설정된 방법에 따라 n개의 시간구간으로 분할할 수 있다(단, n은 2 이상의 자연수임). 이하 도 3을 참조하여 소리정보가 n개의 시간구간으로 분할되는 경우에 대해 구체적으로 설명한다.
도 3은 본 발명의 일 실시예에 따라 소리정보가 미리 설정된 시간구간으로 분할되는 경우를 예시한 도면이다.
도 3을 참조하면, 소리정보가 9개의 시간구간으로 분할되는 경우가 예시된다. 또한 각 시간구간은 미리 설정된 비율로 오버랩되도록 분할될 수 있다. 도 3의 예시에서, 소리정보는 러닝타임 11[sec]의 콘텐츠일 수 있고, 당해 소리정보는 9개의 시간 구간으로 분할될 수 있으며, 각 시간구간의 러닝타임은 3[sec]일 수 있다. 각 시간구간은 인접한 시간구간과 66.6[%] 오버랩되도록 분할될 수 있다.
도 3에서, 소리정보의 러닝타임, 시간구간의 개수, 시간구간의 러닝타임 및 인접한 시간구간과 오버랩되는 비율 등은 예시에 불과하므로 이들 수치에 의하여 본 발명의 권리범위가 제한될 수 없다.
다시 도 2를 참조하면, 단계 S220에서, 프로세서(120)는 미리 설정된 방법에 따라 각 시간구간에 상응하는 하나 이상의 피크주파수를 검출할 수 있다.
여기서 피크주파수는 당해 시간구간에 대한 푸리에 변환 계수 중 주변 주파수보다 계수가 큰 주파수를 의미할 수 있다. 예를 들어, 프로세서(120)는 특징값추출모듈의 인스트럭션들을 이용하여 임의의 시간구간에 상응하는 소리정보를 푸리에 변환하되, 소리정보를 미리 설정된 시간 m을 주기로 샘플링한 후, 샘플링된 신호에 대한 푸리에 변환(sampled Fourier transform)을 수행할 수 있다(단, m은 미리 설정된 양의 실수임). 즉, 프로세서(120)는 임의의 시간 구간이 시작되고 m[sec]이 경과된 시점, 2m[sec]이 경과된 시점, 3m[sec]이 경과된 시점 내지 p*m[sec]이 경과된 시점(단, 미리 설정된 p는 자연수임)에서 푸리에 변환(sampled Fourier transform)을 수행할 수 있다.
또한, 프로세서(120)는 상기 샘플드 푸리에 변환(sampled Fourier transform)에 의해 도출되는 각 주파수의 계수 중 인접된 다른 주파수의 계수보다 큰 계수에 상응하는 주파수를 피크주파수로 검출할 수 있다. 즉, 상술한 예시에서, m[sec]이 경과된 시점에서 제2 주파수 f2[Hz]의 푸리에 변환 계수가 바로 인접한 제1 주파수 f1[Hz] 및 제3 주파수 f3[Hz]의 푸리에 변환 계수보다 큰 경우, f2[Hz]를 피크주파수로 검출할 수 있다.
임의의 시간구간이 샘플드 푸리에 변환(sampled Fourier transform)되는 동작은 통상의 기술자에 의하여 자명한 사항이므로 이에 대한 구체적인 설명은 생략될 수 있다. 또한, 인근 주파수 중 푸리에 계수가 가장 큰 주파수를 피크주파수로 검출하는 동작도 통상의 기술자에 의하여 자명한 사항이므로 이에 대한 구체적인 설명은 생략될 수 있다.
다시 도 2를 참조하면, 단계 S230에서, 프로세서(120)는 미리 설정된 방법에 따라 동일 시간구간에서 검출된 피크주파수에 상응하는 주파수변화율평균값을 산출할 수 있다. 여기서 주파수변화율평균값은 미리 설정된 방법에 따라 생성된 주파수변화율의 평균값에 대한 것으로서, 이에 대한 구체적인 생성 방법은 도 4를 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따라 제1 시간구간에 상응하는 주파수변화율평균값이 생성되는 경우를 예시한 도면이다.
도 4에는, 소리정보에 대한 복수의 시간구간 중 제1 시간구간에 대해 주파수변화율평균값이 생성되는 경우가 예시되어 있다. 프로세서(120)는 제1 시간구간에 상응하는 소리정보에 대하여 m[sec]을 주기로 m1[sec], m2[sec], m3[sec], m4[sec]에 각각 샘플드 푸리에 변환을 수행할 수 있다.
또한 프로세서(120)는 m1[sec]에 상응하는 샘플드 푸리에 변환(sampled Fourier transform)의 계수들을 이용하여 피크주파수를 검출할 수 있다. 도 4에서는 m1[sec]에 상응하는 피크주파수로서 제4 주파수(f4, 410) 및 제2 주파수(f2, 420)가 검출 경우가 예시된다. 또한, 도 4에서는 m2[sec]에 상응하는 피크주파수로서 제3 주파수(f3, 430)가 검출 경우가 예시된다. 또한, 도 4에서는 m3[sec]에 상응하는 피크주파수로서 제5 주파수(f5, 440), 제4 주파수(f4, 450) 및 제1 주파수(f1, 460)가 검출 경우가 예시된다. 또한, 도 4에서는 m4[sec]에 상응하는 피크주파수로서 제3 주파수(f3, 470) 및 제2 주파수(f2, 480)가 검출 경우가 예시된다(단, 상기 f1 내지 f5는 양의 실수임).
이후 프로세서(120)는 미리 설정된 방법에 따라 각 시점에 대한 주파수변화율을 산출할 수 있다. 여기서 주파수변화율은 시간의 흐름에 따라 주파수가 변화하는 정도에 대한 값으로서, 다음과 같은 수식(1)에 의해 산출될 수 있다.
여기서, 상기 i 및 상기 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, 상기 i는 상기 j보다 큰 자연수이고, 상기 
는 i번째 피크주파수에 상응하는 상기 피크주파수의 크기이고, 상기 
는 j번째 피크주파수에 상응하는 상기 피크주파수의 크기일 수 있다. 또한, 피크주파수의 크기는 피크주파수에 상응하는 샘플드 푸리에 변환(sampled Fourier transform)의 계수일 수 있다. 여기서, 분모 부분은 샘플링 주기에 상응하는 값일 수 있으므로 미리 설정된 상수로 대체될 수도 있을 것이다.
도 4의 예시에서, 프로세서(120)는 m1[sec] 및 m2[sec]의 피크주파수의 변화율을 구하면 아래와 같다.
(1) f4 와 f3 간의 변화율 = 
여기서, k4는 f4(410)에 상응하는 푸리에 계수이고, k3는 f3(430)에 상응하는 푸리에 계수일 수 있다.
(2) f2 와 f3 간의 변화율 = 
여기서, k2는 f2(420)에 상응하는 푸리에 계수이고, k3는 f3(430)에 상응하는 푸리에 계수일 수 있다.
마찬가지 방법에 의해, 프로세서(120)는 m2[sec] 및 m3[sec]의 피크주파수의 변화율과 m3[sec] 및 m4[sec]의 피크주파수의 변화율도 산출할 수 있다. 도 4의 예시에서 피크주파수는 m1에서 2개, m2에서 1개, m3에서 3개 및 m4에서 2개 검출되었으므로, 프로세서(120)는 총11개의 주파수 변화율을 산출할 수 있다. 즉, m1 및 m2와의 관계에서 2개의 변화율을, m2 및 m3와의 관계에서 3개의 변화율을, m3 및 m4와의 관계에서 6개의 변화율을 산출할 수 있는 것이다.
이하, "피크주파수에 대한 변화율"이 가지는 의미에 대해 간단히 설명한다.
사람의 성대를 이용해 소리를 생성하는 음성의 주파수는 급격한 변화를 보이는 특성을 띠고 있다. 반면 악기를 이용해 소리를 생성하는 음악은 주파수의 변화가 제한적인 특성을 보인다. 이처럼 음악과 음성은 주파수 변화에서 다른 측면을 보이기 때문에 주파수 변화율을 이용하여 두 소리를 구분할 수 있다. 즉, 음성에 대한 소리정보인 경우 시간의 변화에 따라 주파수 변화율이 클 것이며, 음악에 대한 소리정보인 경우 시간이 변화해도 주파수 변화율이 크지 않을 것이다.
또한 소리는 시간에 걸쳐서 변화하는 특성을 띤다. 일반적으로 음악의 경우 시간의 흐름에도 주파수 변화가 일정한 패턴을 보이는 특징이 있다. 반면 음성은 수많은 발음을 구분이 가능하도록 시간의 흐름에 따른 주파수 변화가 큰 경향이 있다. 따라서 소리정보의 시간의 흐름에 따른 주파수 변화를 파악하여 음성과 음악을 구분할 수 있는 것이다.
이때 주파수 변화율을 소리정보의 모든 시간 및 주파수에서 계산하는 것은 많은 정보를 요구하고 잡음에 민감해지는 문제를 보인다. 따라서 본 발명은 m을 주기로 샘플링된 소리정보를 푸리에 변환하여 피크주파수를 검출하고, 피크주파수의 변화율을 산출하여 음악과 음성을 구분하는 방법에 대한 것이다.
한편, 프로세서(120)는 주파수 변화율을 이용하여 아래의 수식(2)에 의해 주파수변화율평균값을 산출할 수 있다.
여기서, A는 n개의 각 시간구간 내에서 검출된 복수의 피크주파수들의 개수에 상응하는 실수로서, 검출된 피크주파수에 상응하는 주파수변화율의 개수일 수 있고, i 및 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, i는 j보다 큰 자연수이고, 
는 i번째 피크주파수에 상응하는 피크주파수의 크기이고, 
는 j번째 피크주파수에 상응하는 피크주파수의 크기이고, 
는 i번째 피크주파수의 러닝타임이고, 
는 j번째 피크주파수의 러닝타임일 수 있다. 수식(2)에서도 분모 부분은 샘플링 주기에 상응하는 값일 수 있으므로 미리 설정된 상수로 대체될 수 있을 것이다.
도 4의 예시에서, 프로세서(120)는 m1[sec] 내지 m4[sec]의 피크주파수의 주파수변화율 총 11개를 합산한 후, 11(즉, A=11)로 나누어 주파수변화율평균값을 산출할 수 있을 것이다.
다시 도 2를 참조하면, 단계 S240에서, 프로세서(120)는 산출된 n개의 주파수변화율평균값을 이용하여 당해 소리정보에 대한 제1 특징정보를 생성할 수 있다. 즉, 도 4를 참조하여 설명한 방법에 따라, 프로세서(120)는 제1 시간구간에 상응하는 주파수변화율평균값을 산출할 수 있고, 동일 또는 유사한 방법에 따라 제2 시간구간 내지 제n 시간구간 각각에 상응하는 주파수변화율평균값을 산출할 수 있다. 프로세서(120)는 산출된 n개의 주파수변화율평균값을 이용하여 제1 특징정보를 생성할 수 있다. 도 5에는 이러한 방법에 따라 생성된 제1 특징정보가 예시되어 있다.
도 5는 본 발명의 일 실시예에 따라 생성된 특징정보를 예시한 도면이다.
도 5에는, 임의의 소리정보에 대한 특징정보가 예시되어 있다. 당해 소리정보는 9개의 시간구간으로 분할되었고, 미리 설정된 방법에 의해 9개의 시간구간 각각에 대한 주파수변화율평균값이 산출되어 있다. 따라서 본 발명의 일 실시예에 따른 특징정보에는 소리정보에 상응하는 n개의 시간구간 각각에 대한 n개의 주파수변화율평균값이 포함되어 있을 수 있다.
도 5의 예시에 따르면, 제1 시간구간에 대한 제1 주파수변화율평균값(510)은 '16'이고, 제2 시간구간에 대한 제2 주파수변화율평균값(520)은 '6'이고, 제3 시간구간에 대한 제3 주파수변화율평균값(530)은 '1.6'이고, 제4 시간구간에 대한 제4 주파수변화율평균값(540)은 '1.8'이고, 제5 시간구간에 대한 제5 주파수변화율평균값(550)은 '2.3'이고, 제6 시간구간에 대한 제6 주파수변화율평균값(560)은 '4.8'이고, 제7 시간구간에 대한 제7 주파수변화율평균값(570)은 '6.6'이고, 제8 시간구간에 대한 제8 주파수변화율평균값(580)은 '6.6'이며, 제9 시간구간에 대한 제9 주파수변화율평균값(590)은 '2.1'이다.
다시 도 2를 참조하면, 프로세서(120)는 제1 특징정보를 이용하여 소리정보의 음원 여부를 판단할 수 있다. 예를 들어, 프로세서(120)는 분석모듈(150)에 포함된 딥러닝 프로그램 및/또는 로짓 분석 프로그램을 통해 당해 소리정보가 저작물인 음원에 대한 것인지 여부를 판단할 수 있다. 분석모듈(150)에는 딥러닝 프로그램이 저장되어 있을 수 있다.
예를 들어, 분석모듈(150)에는 CNN(Convolutional Neural Network)에 상응하는 인스트럭션이 저장되어 있을 수 있다. 분석모듈(150)에 저장된 딥러닝 프로그램은 미리 설정된 라벨링된 정보를 기반으로 미리 학습되어 있을 수 있다. 따라서 프로세서(120)는 제1 특징정보를 딥러닝 프로그램의 입력으로 이용하여 소리정보가 음원정보인지 여부를 판단할 수 있다. 딥러닝 프로그램의 학습 방법에 대해서는 도 6을 참조하여 설명한다.
도 6은 본 발명의 일 실시예에 따라 소리 정보를 판단하기 위한 신경망 프로그램을 학습시키는 방법에 대한 순서도이다.
먼저, 단계 S610에서, 프로세서(120)는 라벨링된 학습용 소리정보에서 제2 특징정보를 추출할 수 있다. 제2 특징정보는 제1 특징정보와 동일한 방법에 따라 학습용 소리정보에서 추출된 정보일 수 있다. 학습용 소리정보는 미리 저장된 영상 또는 음성 콘텐츠로서 음원 또는 비음원으로 미리 선별되어 라벨링(Labelling)된 콘텐츠일 수 있다.
단계 S620에서, 프로세서(120)는 제2 특징정보를 이용하여 딥러닝 프로그램을 학습시킬 수 있다. 즉, 음원에 상응하는 제2 특징정보 또는 비음원에 상응하는 제2 축소정보를 통해 분석모듈(150)에 포함된 딥러닝 프로그램은 학습될 수 있다.
여기에서는 프로세서(120)가 딥러닝 프로그램을 학습시키는 경우를 가정하고 설명하였으나, 딥러닝 프로그램은 다른 장치에서 학습된 후 소리정보판단장치(100)에 저장된 프로그램일 수도 있다.
다시 도 2를 참조하면, 단계 S260에서, 프로세서(120)는 소리정보가 저작물인 음원에 대한 정보인 것으로 판단되면, 당해 소리정보에 대한 음원정보를 생성할 수 있다. 음원정보는 소리정보의 사용 출처에 대한 정보(이하, '출처정보'라 칭함) 및 저작권에 대한 정보(이하, '저작권정보'라 칭함)를 포함할 수 있다. 출처정보는 당해 음원이 방송된 채널번호, 방송국, 방송 시간 등에 대한 정보를 포함할 수 있다. 저작권정보는 당해 음원에 대한 명칭, 작곡가정보, 작사가정보, 연주자정보 등을 포함할 수 있다.
프로세서(120)가 소리정보에 대한 음원정보를 생성하는 동작은 다양한 방법에 의할 수 있다. 예를 들어, 출처정보는 사용자가 소리정보판단장치(100)의 입력장치를 조작하여 직접 설정한 정보일 수 있다. 또한 출처정보는 동영상인 소리정보의 이미지를 분석하여 추출한 정보일 수 있다(동영상 이미지 분석을 통해, 이미지에서 채널 정보, 방송국 정보 등을 추출하는 종래의 기술 등 사용 가능).
다른 예를 들어, 프로세서(120)는 소리정보에서 미리 설정된 방법을 통해 핑거프린트정보(Fingerprint)를 추출할 수 있고, 기저장된 정보와 핑거프린트정보를 비교하고, 비교 결과 상호 일치하는 정보를 독출하고, 독출된 정보를 이용하여 음원정보를 생성할 수 있을 것이다. 이 경우, 복수의 음원에 대한 핑거프린트정보 및 각 핑거프린트정보에 매핑된 저작권 관련 정보가 미리 판단모듈(160)에 DB(Database)로 구축되어 있어야 할 것이다.
도 1에서는 판단모듈(160)이 소리정보판단장치(100)의 메모리(130)에 포함되어 있는 경우가 예시되었으나, 판단모듈(160)은 소리정보판단장치(100)의 외부에 형성된 DB일 수도 있다. 이 경우 프로세서(120)는 분석모듈(150)을 통해 소리정보가 음원정보라고 판단되면 아래와 같은 동작 중 하나 이상을 수행할 수 있을 것이다.
(1) 프로세서(120)는 소리정보 자체를 외부에 형성된 판단모듈(160)로 전송하고, 판단모듈(160)은 소리정보를 분석하여 소리정보에 상응하는 음원정보를 생성한 후 프로세서(120)로 전송할 수 있으며, 프로세서(120)는 음원정보를 메모리(130)에 저장한 후 각종 통계자료를 생성할 수 있다.
(2) 프로세서(120)는 미리 설정된 방법에 따라 소리정보의 핑거프린트정보를 추출하여 외부에 형성된 판단모듈(160)로 전송하고, 판단모듈(160)은 당해 핑거프린트정보에 매핑된 음원정보를 독출한 후 프로세서(120)로 전송할 수 있으며, 프로세서(120)는 음원정보를 메모리(130)에 저장한 후 각종 통계자료를 생성할 수 있다.
상술한 바와 같이, 본 발명의 일 실시예에 따른 소리정보판단장치(100)가 입력된 멀티미디어 콘텐츠를 모니터링하여 음원 저작물의 방송 여부를 자동으로 판단할 수 있으므로 저작권료의 청구가 누락될 가능성이 매우 낮아질 수 있을 것이다.
상술한 프로세서(120)의 동작에 따른 소리 정보 판단 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
또한, 상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 소리정보판단장치
110: 수신부
120: 프로세서
130: 메모리
140: 특징값추출모듈
150: 분석모듈
160: 판단모듈
170: 마이크
180: 콘텐츠DB
110: 수신부
120: 프로세서
130: 메모리
140: 특징값추출모듈
150: 분석모듈
160: 판단모듈
170: 마이크
180: 콘텐츠DB
Claims (12)
- 프로세서; 및
상기 프로세서에 전기적으로 연결되고, 분석 프로그램이 저장된 메모리 - 단, 상기 분석 프로그램은 신경망 프로그램 또는 로짓 분석 프로그램 중 하나 이상임;
를 포함하고,
상기 분석 프로그램은,
상기 프로세서의 실행 시에 소리정보가 수신되면,
상기 소리정보를 미리 설정된 방법에 따라 분석하여 복수의 피크주파수들을 검출하고,
상기 피크주파수를 미리 설정된 방법에 따라 분석하여 특징정보를 생성하고,
상기 분석 프로그램을 통해 상기 소리정보가 음원에 대한 것인지 여부를 판단하되, 상기 특징정보를 이용하여 상기 소리정보가 음원에 대한 것인지를 판단하는 인스트럭션들을 포함하는, 소리 정보 판단 장치.
- 제1항에 있어서,
상기 분석 프로그램은,
상기 소리정보를 미리 설정된 방법에 따라 n개의 시간구간으로 분할하고(단, 상기 n은 2 이상의 자연수임),
상기 n개의 시간구간 각각에 대한 상기 복수의 피크주파수들을 검출하고,
상기 피크주파수의 주파수변화율을 미리 설정된 방법을 이용하여 산출하고,
상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 인스트럭션들을 더 포함하는, 소리 정보 판단 장치.
- 제2항에 있어서,
상기 메모리는,
상기 피크주파수의 주파수변화율평균값을 산출하고,
상기 주파수변화율평균값을 결합하여 상기 특징정보를 생성하는 인스트럭션들을 더 포함하는, 소리 정보 판단 장치.
- 제3항에 있어서,
상기 주파수변화율평균값은 하기 수식에 의해 산출되는, 소리 정보 판단 장치.
상기 A는 상기 n개의 각 시간구간 내에서 검출된 상기 복수의 피크주파수들의 개수에 상응하는 실수이고,
상기 i 및 상기 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, 상기 i는 상기 j보다 큰 자연수이고,
상기는 i번째 피크주파수에 상응하는 상기 피크주파수의 크기이고,
상기는 j번째 피크주파수에 상응하는 상기 피크주파수의 크기이고,
상기는 i번째 피크주파수의 러닝타임이고,
상기는 j번째 피크주파수의 러닝타임임.
- 제2항에 있어서,
상기 n개의 시간구간 각각은 인접한 시간구간과 미리 설정된 비율로 오버랩 되도록 분할되는, 소리 정보 판단 장치.
- 제1항에 있어서,
상기 분석 프로그램은,
상기 소리정보가 상기 음원에 대한 것으로 판단되면, 상기 소리정보에 상응하는 음원정보를 생성하는 인스트럭션들을 더 포함하되,
상기 음원정보는 출처정보, 저작권정보를 포함하는, 소리 정보 판단 장치,
- 소리 정보 판단 장치에서 수행되는 소리 정보 판단 방법에 있어서,
소리정보가 수신되면, 상기 소리정보를 미리 설정된 방법에 따라 분석하여 복수의 피크주파수들을 검출하는 단계;
상기 피크주파수를 미리 설정된 방법에 따라 분석하여 특징정보를 생성하는 단계; 및
미리 저장된 신경망 프로그램 또는 로짓 분석 프로그램을 통해 상기 특징정보를 이용하여 상기 소리정보가 음원에 대한 것인지를 판단하는 단계;
를 포함하는, 소리 정보 판단 방법.
- 제7항에 있어서,
상기 특징정보를 생성하는 단계는,
상기 소리정보를 미리 설정된 방법에 따라 n개의 시간구간으로 분할하는 단계(단, 상기 n은 2 이상의 자연수임);
상기 n개의 시간구간 각각에 대한 상기 복수의 피크주파수들을 검출하는 단계;
상기 피크주파수의 주파수변화율을 미리 설정된 방법을 이용하여 산출하는 단계; 및
상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 단계;
를 포함하는, 소리 정보 판단 방법.
- 제8항에 있어서,
상기 주파수변화율을 이용하여 상기 특징정보를 생성하는 단계는,
상기 피크주파수의 주파수변화율평균값을 산출하는 단계; 및
상기 주파수변화율평균값을 결합하여 상기 특징정보를 생성하는 단계;
를 포함하는, 소리 정보 판단 방법.
- 제9항에 있어서,
상기 주파수변화율평균값을 산출하는 단계는,
하기 수식에 의해 상기 주파수변화율평균값을 산출하는 단계;
를 포함하는, 소리 정보 판단 방법.
상기 A는 상기 n개의 각 시간구간 내에서 검출된 상기 복수의 피크주파수들의 개수에 상응하는 실수이고,
상기 i 및 상기 j는 복수의 피크주파수의 시간적 검출 순서에 상응하는 자연수이되, 상기 i는 상기 j보다 큰 자연수이고,
상기는 i번째 피크주파수에 상응하는 상기 피크주파수의 크기이고,
상기는 j번째 피크주파수에 상응하는 상기 피크주파수의 크기이고,
상기는 i번째 피크주파수의 러닝타임이고,
상기는 j번째 피크주파수의 러닝타임임.
- 제8항에 있어서,
상기 n개의 시간구간으로 분할하는 단계는,
상기 소리정보를 상기 n개의 시간구간으로 분할하되, 인접한 시간구간은 미리 설정된 비율로 오버랩되도록 분할되는 단계;
를 포함하는, 소리 정보 판단 방법.
- 제7항에 있어서,
상기 소리정보가 상기 음원에 대한 것으로 판단되면, 상기 소리정보에 상응하는 음원정보를 생성하는 단계;
를 더 포함하되,
상기 음원정보는 출처정보, 저작권정보를 포함하는, 소리 정보 판단 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190096803A KR102273907B1 (ko) | 2019-08-08 | 2019-08-08 | 주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190096803A KR102273907B1 (ko) | 2019-08-08 | 2019-08-08 | 주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210017485A true KR20210017485A (ko) | 2021-02-17 |
| KR102273907B1 KR102273907B1 (ko) | 2021-07-06 |
Family
ID=74731303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190096803A KR102273907B1 (ko) | 2019-08-08 | 2019-08-08 | 주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102273907B1 (ko) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100684457B1 (ko) * | 2006-05-04 | 2007-02-22 | 주식회사 모빌리언스 | 이동통신단말의 외부 음원 인식을 이용하여 사용자에게고유정보를 제공하는 고유정보 제공 시스템, 고유정보 제공방법 및 그 이동통신단말 |
| KR20100098100A (ko) * | 2009-02-27 | 2010-09-06 | 고려대학교 산학협력단 | 음성과 음악을 구분하는 방법 및 장치 |
| KR20160067625A (ko) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | 소리 신호를 처리하는 방법 및 디바이스. |
| KR20160077764A (ko) | 2014-12-24 | 2016-07-04 | 주식회사 케이티 | 음악 정보 제공 방법 및 시스템 |
| KR20180050809A (ko) * | 2016-11-07 | 2018-05-16 | 한국전자통신연구원 | 음성 파일 검증 장치 및 방법 |
| KR20190080437A (ko) * | 2017-12-28 | 2019-07-08 | 한양대학교 산학협력단 | 기계 학습을 이용한 음악 소스 검색 장치 및 그 방법 |
-
2019
- 2019-08-08 KR KR1020190096803A patent/KR102273907B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100684457B1 (ko) * | 2006-05-04 | 2007-02-22 | 주식회사 모빌리언스 | 이동통신단말의 외부 음원 인식을 이용하여 사용자에게고유정보를 제공하는 고유정보 제공 시스템, 고유정보 제공방법 및 그 이동통신단말 |
| KR20100098100A (ko) * | 2009-02-27 | 2010-09-06 | 고려대학교 산학협력단 | 음성과 음악을 구분하는 방법 및 장치 |
| KR20160067625A (ko) * | 2014-12-04 | 2016-06-14 | 삼성전자주식회사 | 소리 신호를 처리하는 방법 및 디바이스. |
| KR20160077764A (ko) | 2014-12-24 | 2016-07-04 | 주식회사 케이티 | 음악 정보 제공 방법 및 시스템 |
| KR20180050809A (ko) * | 2016-11-07 | 2018-05-16 | 한국전자통신연구원 | 음성 파일 검증 장치 및 방법 |
| KR20190080437A (ko) * | 2017-12-28 | 2019-07-08 | 한양대학교 산학협력단 | 기계 학습을 이용한 음악 소스 검색 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102273907B1 (ko) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tzanetakis et al. | Marsyas: A framework for audio analysis | |
| US10977299B2 (en) | Systems and methods for consolidating recorded content | |
| Giannoulis et al. | A database and challenge for acoustic scene classification and event detection | |
| Kapur et al. | Query-by-beat-boxing: Music retrieval for the DJ | |
| CN102959544B (zh) | 用于同步媒体的方法和系统 | |
| US20210243528A1 (en) | Spatial Audio Signal Filtering | |
| US20170262537A1 (en) | Audio scripts for various content | |
| CN110211556B (zh) | 音乐文件的处理方法、装置、终端及存储介质 | |
| CN101044549A (zh) | 向用户通知媒体内容项目的类别的数据处理设备和方法 | |
| US20240004606A1 (en) | Audio playback method and apparatus, computer readable storage medium, and electronic device | |
| Tzanetakis et al. | A framework for audio analysis based on classification and temporal segmentation | |
| KR102274219B1 (ko) | 소리 정보 판단 장치 및 그 방법 | |
| Porter | Evaluating musical fingerprinting systems | |
| KR102273907B1 (ko) | 주파수 분석을 통한 소리 정보 판단 장치 및 그 방법 | |
| CN115273826A (zh) | 歌声识别模型训练方法、歌声识别方法及相关装置 | |
| KR101002732B1 (ko) | 온라인을 통한 디지털 컨텐츠 관리 시스템 | |
| CN110232911B (zh) | 跟唱识别方法、装置、存储介质及电子设备 | |
| CN113781989A (zh) | 一种音频的动画播放、节奏卡点识别方法及相关装置 | |
| Cortès et al. | BAF: an audio fingerprinting dataset for broadcast monitoring | |
| US11609948B2 (en) | Music streaming, playlist creation and streaming architecture | |
| US20240168994A1 (en) | Music selection system and method | |
| CN114078464B (zh) | 音频处理方法、装置及设备 | |
| Khemiri et al. | A generic audio identification system for radio broadcast monitoring based on data-driven segmentation | |
| CN115132183B (zh) | 音频识别模型的训练方法、装置、设备、介质及程序产品 | |
| KR101002731B1 (ko) | 오디오 데이터의 특징 벡터 추출방법과 그 방법이 기록된컴퓨터 판독 가능한 기록매체 및 이를 이용한 오디오데이터의 매칭 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |