KR20210067539A - 정보 처리 방법 및 정보 처리 장치 - Google Patents

정보 처리 방법 및 정보 처리 장치 Download PDF

Info

Publication number
KR20210067539A
KR20210067539A KR1020190157286A KR20190157286A KR20210067539A KR 20210067539 A KR20210067539 A KR 20210067539A KR 1020190157286 A KR1020190157286 A KR 1020190157286A KR 20190157286 A KR20190157286 A KR 20190157286A KR 20210067539 A KR20210067539 A KR 20210067539A
Authority
KR
South Korea
Prior art keywords
user
information processing
pronoun
referent
information
Prior art date
Application number
KR1020190157286A
Other languages
English (en)
Inventor
양인정
박미선
김지원
Original Assignee
엘지전자 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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190157286A priority Critical patent/KR20210067539A/ko
Priority to US16/787,905 priority patent/US11445120B2/en
Publication of KR20210067539A publication Critical patent/KR20210067539A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B19/00—Cameras
    • G03B19/02—Still-picture cameras
    • G03B19/04—Roll-film cameras
    • G03B19/07—Roll-film cameras having more than one objective
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G10L15/19—Grammatical context, e.g. disambiguation of the recognition hypotheses based on word sequence rules
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/61—Control of cameras or camera modules based on recognised objects
    • H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/62—Control of parameters via user interfaces
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/69—Control of means for changing angle of the field of view, e.g. optical zoom objectives or electronic zooming
    • H04N5/23216—
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/225—Feedback of the input speech
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Acoustics & Sound (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

탑재된 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행하여 5G 통신 환경에서 사용자의 발화 음성을 처리할 수 있는 정보 처리 방법 및 정보 처리 장치가 개시된다. 본 실시 예에 따른 정보 처리 방법은, 사용자가 발화하는 발화 음성을 수신하여 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 단계와, 지시대명사의 종류에 따라 카메라가 스캔할 촬영영역을 결정하는 단계와, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식하는 단계와, 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백하는 단계를 포함할 수 있다. 본 실시 예에 의하면, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정함으로써, 발화 음성의 처리 시간을 절약할 수 있다.

Description

정보 처리 방법 및 정보 처리 장치{INFORMATION PROCESSING METHOD AND APPARATUS THEREFOR}
본 발명은 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행함으로써, 사용자의 발화 음성에 포함된 지시대명사에 따라 발화 음성 처리를 수행하기 위하여 카메라가 우선적으로 스캔할 촬영영역을 조정하는 정보 처리 방법 및 정보 처리 장치에 관한 것이다.
근래의 전자 디바이스는 사용자와의 인터렉션(interaction)을 지향하기 위한 일환으로 다양한 입력 방식을 제안하고 있다. 예를 들어, 전자 디바이스는 특정 어플리케이션 프로그램의 실행을 기반으로 사용자 발화에 따른 음성 데이터를 입력 받는 음성 입력 방식을 운용할 수 있다. 나아가, 전자 디바이스는 입력된 음성 데이터를 인식하여 사용자 발화의 의도를 도출하고, 의도에 대응하는 기능 동작을 수행하는 음성 인식 서비스를 지원할 수 있다.
이러한 전자 디바이스는 사용자의 요청에 의해 서비스를 제공하기 위해, 사용자의 서비스 요청 발화 음성과 서비스 요청과 관련한 영상 정보를 획득하고, 이들을 분석하여 사용자의 요청에 대응하는 서비스를 제공한다.
이 중 전자 디바이스가 영상 정보를 획득하는 경우, 전자 디바이스의 내부에 구비된 카메라는 미리 설정된 화각 또는 출력광으로 고정된 영역을 촬영하여 영상 정보를 획득한다. 이와 같이 전자 디바이스 내부에 구비된 카메라의 촬영영역은 고정된 영역으로 한정되어 있기 때문에, 고정된 영역보다 더 넓은 영역을 촬영하거나, 고정된 영역보다 더 멀리 있는 사물을 촬영하는 것은 불가능하므로, 사용자에게 제공하는 서비스에 제약이 발생할 수 있다. 따라서 전자 디바이스가 조건에 따라 카메라의 촬영영역을 조정할 수 있는 기술이 요구된다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명의 일 과제는, 사용자의 발화 음성에 따라 발화 음성 처리를 수행하기 위하여 카메라가 우선적으로 스캔할 촬영영역을 조정하는데 있다.
본 발명의 일 과제는, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정하는데 있다.
본 발명의 일 과제는, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영화각을 조정하는데 있다.
본 발명의 일 과제는, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라의 우선적으로 스캔할 촬영영역에 출력하는 출력광의 세기를 조정하는데 있다.
본 실시 예에 따른 정보 처리 방법은, 사용자의 발화 음성에 포함된 지시대명사에 따라 발화 음성 처리를 수행하기 위하여 카메라가 우선적으로 스캔할 촬영영역을 조정하는 단계를 포함할 수 있다.
구체적으로 본 실시 예에 따른 정보 처리 방법은, 사용자가 발화하는 발화 음성을 수신하여 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 단계와, 지시대명사의 종류에 따라 카메라가 스캔할 촬영영역을 결정하는 단계와, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식하는 단계와, 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백하는 단계를 포함할 수 있다.
본 실시 예에 따른 정보 처리 방법을 통하여, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정함으로써, 발화 음성의 처리 시간을 절약하고, 발화 음성의 처리에 필요한 프로세스를 절약하고, 발화 음성의 처리에 필요한 배터리의 소모를 절약할 수 있다.
본 실시 예에 따른 정보 처리 장치는, 사용자가 발화하는 발화 음성을 수신하여 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 추출 처리부와, 지시대명사의 종류에 따라 카메라가 스캔할 촬영영역을 결정하는 결정 처리부와, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식하는 인식 처리부와, 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백하는 피드백 처리부를 포함할 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 실시 예에 의하면, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정함으로써, 발화 음성의 처리 시간을 절약할 수 있다.
또한, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정함으로써, 발화 음성의 처리에 필요한 프로세스를 절약할 수 있다. 발화 음성의 처리에 필요한 프로세스를 절약할 수 있다.
또한, 사용자의 발화 음성에 포함된 지시대명사에 따라 카메라가 우선적으로 스캔할 촬영영역을 조정함으로써, 발화 음성의 처리에 필요한 배터리의 소모를 절약할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 실시 예에 따른 정보 처리 장치, 전자 디바이스 및 이들을 서로 연결하는 네트워크를 포함하는 정보 처리 장치 구동 환경의 예시도 이다.
도 2는 본 실시 예에 따른 전자 디바이스에 구비된 정보 처리 장치를 개략적으로 설명하기 위하여 도시한 도면이다.
도 3은 도 1 및 도 2 중 정보 처리 장치의 개략적인 블록도이다.
도 4는 도 3 중 정보 처리부의 개략적인 블록도이다.
도 5는 본 실시 예에 따른 지시 대명사를 개략적으로 설명하는 예시도이다.
도 6은 본 실시 예에 따른 정보 처리 장치가 스캔할 촬영영역을 설명하는 예시도 이다.
도 7은 도 4 중 결정 처리부가 카메라의 종류에 따라 스캔할 촬영영역을 결정하는 예시도 있다.
도 8은 본 실시 예에 따른 정보 처리 장치가 구비된 전자 디바이스로서의 제2 커뮤니케이션 로봇이 스캔할 촬영영역을 제1 지시대명사에 따라 설명하는 예시도 있다.
도 9는 본 실시 예에 따른 정보 처리 장치가 구비된 전자 디바이스로서의 제2 커뮤니케이션 로봇이 스캔할 촬영영역을 제2 지시대명사에 따라 설명하는 예시도 있다.
도 10은 본 실시 예에 따른 정보 처리 방법의 흐름도 이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 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. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 실시 예에 따른 정보 처리 장치, 전자 디바이스 및 이들을 서로 연결하는 네트워크를 포함하는 정보 처리 장치 구동 환경의 예시도 이고, 도 2는 본 실시 예에 따른 전자 디바이스에 구비된 정보 처리 장치를 개략적으로 설명하기 위하여 도시한 도면이다. 도 1 및 도 2를 참조하면, 정보 처리 장치 구동 환경은, 정보 처리 장치(100), 전자 디바이스(200) 및 네트워크(300)를 포함할 수 있다.
정보 처리 장치(100)는 사용자가 요청하는 서비스를 제공하기 위해 사용자로부터 서비스 요청 정보를 수신할 수 있다. 정보 처리 장치(100)가 사용자로부터 서비스 요청 정보를 수신하는 방법은, 사용자로부터 디스플레이부(도 3의 141)에 대한 터치 신호를 수신하는 경우, 사용자로부터 서비스 요청에 대응하는 발화 음성을 수신하는 경우 및/또는 사용자의 서비스 요청에 대응하는 동작(예를 들어, 정보 처리 장치(100)의 접근을 유도하는 제스처 등)에 대한 촬영 영상을 생성하는 경우 중 하나 이상을 포함할 수 있다.
사용자로부터 서비스 요청 정보를 수신한 정보 처리 장치(100)는 그에 대응하는 서비스 응답 정보를 생성하고, 디스플레이부(141) 및/또는 오디오 출력부(도 4의 142)를 통하여 서비스 응답 정보를 피드백 할 수 있다.
정보 처리 장치(100)가 사용자로부터 서비스 요청에 대응하는 발화 음성을 수신하는 경우, 정보 처리 장치(100)는 발화 음성으로부터 지시대명사를 추출할 수 있다. 여기서 지시대명사라 함은, 특정한 사람, 동물, 장소, 사물을 지시하는 대명사로서, 이것(들), 저것(들), 그것(들), 이곳(들), 저곳(들), 그곳(들) 등을 포함할 수 있다. 또한 지시대명사 중 이것(도 5a 참조)은, 화자(예를 들어, 사용자)에게 가까이 있는 대상을 가리키는 제1 지시대명사를 포함할 수 있다. 또한 지시대명사 중 저것(도 5b 참조)은, 화자(예를 들어, 사용자) 또는 청자(예를 들어, 정보 처리 장치(100))로부터 멀리 있는 대상을 가리키는 제2 지시대명사를 포함할 수 있다. 본 실시 예에서 지시대명사는 사용자가 가리키는 대상을 지칭하는 대명사로서, 제1 지시대명사 및 제2 지시대명사 중 하나를 포함할 수 있으며, 이에 국한되는 것은 아니다.
정보 처리 장치(100)는 추출한 지시대명사의 종류에 따라 정보 처리 장치(100)에 구비된 카메라(도 2의 121)가 스캔할 촬영영역을 결정할 수 있다. 정보 처리 장치(100)는 추출한 지시대명사가 제1 지시대명사인 경우 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다.
정보 처리 장치(100)는 추출한 지시대명사가 제2 지시대명사인 경우 사용자가 지시하는 방향의 영역들 중 어떤 영역을 카메라(121)가 스캔할 촬영영역으로 할지 결정할 수 있다. 예를 들어, 정보 처리 장치(100)는 사용자가 지시하는 방향을 포함하는 영역을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 또는 정보 처리 장치(100)는 사용자가 지시하는 방향에 포함된 대상의 주변을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다.
또한 정보 처리 장치(100)는 지시대명사의 종류 및 카메라(121)의 종류(도 5a의 121a, 도 5b의 121b, 도 5c의 121c)에 따라 카메라(121)가 스캔할 촬영영역을 결정할 수 있다.
정보 처리 장치(100)는 카메라(121)가 스캔할 촬영영역을 결정한 후, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식할 수 있다. 정보 처리 장치(100)는 촬영영역의 스캔결과에서 특징점을 추출하여 사용자가 가리키는 대상이 무엇인지 인식할 수 있다.
정보 처리 장치(100)는 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백할 수 있다. 촬영영역의 스캔결과에서 사용자가 가리키는 대상의 인식이 불가능한 경우, 정보 처리 장치(100)는 사용자에게 추가적인 질문(예를 들어, 지시대명사가 무엇을 지칭하는지)을 수행한 후, 발화 음성의 처리를 수행하고, 발화 음성의 처리 결과를 피드백할 수 있다.
전자 디바이스(200)는 사용자 단말기(201), 전자 다른 전자 디바이스들을 네트워크(400)에 연결시키는 허브 역할을 하는 인공지능 스피커(202), TV(203), 로봇 청소기(204), 에어컨(205), 냉장고(206), 세탁기(207), 전자 레인지(208)와 같은 가전 디바이스, 공공 장소나 상업 공간에 설치되는 디스플레이 기기로서 사이니지(signage, 209), 가정에 구비되어 사용자와 시선, 감정표현, 스킨십 등 감성적 교감으로 소통하는 제1 커뮤니케이션 로봇(210), 공공 장소(예를 들어, 공항, 병원, 회사 등) 내에서 순찰, 안내, 청소, 방역, 운반 등의 역할을 수행하는 제2 커뮤니케이션 로봇(211), 자동차(212) 등 사물인터넷(IoT)에 해당하는 각종 디바이스를 포함할 수 있다. 다만, 전자 디바이스(200)의 예가 도 1에 묘사된 것에 한정되는 것은 아니다. 본 실시 예에서 정보 처리 장치(100)는 도 2에 도시된 바와 같이 전자 디바이스(200) 내부에 구비되어, 전자 디바이스(200)가 정보 처리 장치(100)처럼 동작할 수 있다.
이러한 전자 디바이스(200) 중 사용자 단말기(201)는 정보 처리 장치 구동 어플리케이션 또는 정보 처리 장치 구동 사이트에 접속한 후 인증 과정을 통하여 정보 처리 장치(100)의 구동 또는 제어를 위한 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말기(201)는 정보 처리 장치(100)를 구동하고, 정보 처리 장치(100)의 동작을 제어할 수 있다.
본 실시 예에서 사용자 단말기(201)는 사용자가 조작하는 데스크 탑 컴퓨터, 스마트폰, 노트북, 태블릿 PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP4 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 사용자 단말기(201)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기 일 수 있다. 사용자 단말기(201)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기는 제한 없이 차용될 수 있다.
네트워크(300)는 정보 처리 장치(100)와, 전자 디바이스(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(300)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(300)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(300)는 허브, 브리지, 라우터, 스위치와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(300)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(300)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(300)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 3은 도 1 및 도 2 중 정보 처리 장치의 개략적인 블록도이다. 이하의 설명에서 도 1 및 도 2에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 3을 참조하면, 정보 처리 장치(100)는 통신부(110), 입력부(120), 센싱부(130), 출력부(140), 메모리(150), 전원 공급부(160), 정보 처리부(170) 및 제어부(180)를 포함할 수 있다.
통신부(110)는 네트워크(300)와 연동하여 정보 처리 장치(100) 및 전자 디바이스(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(110)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
입력부(120)는 영상 신호를 입력 받을 수 있는 카메라(121) 및 오디오 신호 입력을 받을 수 있는 마이크(122)를 포함할 수 있다. 카메라(121)는 제어부(180)의 제어 하에, 정보 처리 장치(100)의 구동 모드 및/또는 구동 상태에 따라 주변의 영상을 촬영할 수 있고, 촬영 효율을 위해 복수 개가 설치될 수 있다.
이러한 카메라(121)는 제1 카메라(121a) 내지 제3 카메라(121c) 중 하나 이상을 포함할 수 있다. 제1 카메라(도 7a의 121a)는 적어도 하나의 광학렌즈(도 7a의 121a_1)와, 광학렌즈(도 7a의 121a_1)를 통과한 광에 의해 상이 맺히는 다수개의 광다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지 센서(예를 들어, CMOS image sensor, 도 7a의 121a_2)와, 광다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: digital signal processor, 미도시)를 포함할 수 있다. 제2 카메라는 광각렌즈(도 7b의 121b_1), 표준렌즈(도 7b의 121b_2), 망원렌즈(도 7b의 121b_3)를 포함하는 트리플 카메라(도 7b의 121b)를 포함할 수 있다. 제3 카메라는 광원(121c_1) 및 검출부(121c_2)를 포함하는 TOF(time of flight) 카메라(도 7c의 121c)를 포함할 수 있다. 이 밖에도 제4 카메라로서 RGB-D 카메라(미도시)를 더 포함할 수 있다.
카메라(121)는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성할 수 있다. 한편, 카메라(121)가 촬영하여 획득한 영상은 메모리(150)에 저장될 수 있다.
본 실시 예에서 정보 처리 장치(100)는 카메라(121)가 촬영한 영상을 분석하고 처리하는 영상 처리부(미도시)를 더 포함할 수 있다. 영상 처리부는 카메라(121) 내부에 구비될 수도 있고, 카메라(121) 외부에 구비될 수도 있다. 영상 처리부는 카메라(121)가 촬영한 영상 프레임에 대하여 노이즈를 저감하고, 감마 보정(gamma correction), 색필터 배열보간(color filter array interpolation), 색 매트릭스(color matrix), 색보정(color correction), 색 향상(color enhancement) 등의 화질 개선을 위한 영상 신호 처리를 수행할 수 있다. 또한, 영상 처리부는 기능적으로 색채 처리, 블러 처리, 에지 강조 처리, 영상 해석 처리, 영상 인식 처리, 영상 이펙트 처리 등도 수행할 수 있다. 영상 인식 처리로 얼굴 인식, 장면 인식 처리, 모션 인식 등을 행할 수 있다. 예를 들어, 휘도 레벨 조정, 색 보정, 콘트라스트 조정, 윤곽 강조 조정, 화면 분할 처리, 캐릭터 영상 등 생성 및 영상의 합성 처리 등을 수행할 수 있다.
마이크(microphone, 122)는 제어부(180)의 제어 하에, 정보 처리 장치(100)를 향하여 사용자가 발화한 발화 음성을 입력 받을 수 있다. 또한 사용자의 발화 음성을 더 정확하게 수신하기 위해 복수의 마이크(122)를 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격되어 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다. 여기서 입력부(120)는 사용자의 발화 음성을 수신하는 과정에서 발생하는 노이즈를 제거하기 위한 다양한 노이즈 제거 알고리즘을 사용할 수 있다. 선택적 실시 예로 입력부(120)는 사용자의 발화 음성 수신 시에 노이즈를 제거하는 필터(미도시), 필터에서 출력되는 신호를 증폭하여 출력하는 증폭기(미도시) 등 음성 신호 처리를 위한 각종 구성 요소들을 포함할 수 있다.
선택적 실시 예로 입력부(120)는 구동 모드 설정과 관련하여 사용자로부터 정보를 입력 받기 위한 사용자 입력부(미도시, 터치키(touch key), 푸시키(mechanical key) 등)를 포함할 수 있다.
예를 들어, 입력부(120)는 제1 내지 제4 컨택 스위치(미도시)를 포함할 수 있으며, 각각의 컨택 스위치의 출력 신호가 어떻게 처리되는지는 메모리(150)에 기저장된 프로그램에 의해 정해질 수 있다. 예를 들어, 제1 컨택 스위치 또는 제2 컨택 스위치의 동작 신호에 따라 디스플레이부(141) 상에서 좌방향 또는 우방향으로 표시된 메뉴들이 선택될 수 있으며, 제3 컨택 스위치 또는 제4 컨택 스위치의 동작 신호에 따라 디스플레이부(141) 상에서 상방향 또는 하방향으로 표시된 메뉴들이 선택될 수 있다. 또한 제1 컨택 스위치 내지 제4 컨택 스위치 중 하나를 작동시키면 음성 인식 기능이 활성화될 수 있다.
센싱부(130)는 정보 처리 장치(100) 내의 정보, 정보 처리 장치(100)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다. 예를 들어, 센싱부(130)는 장애물 센서(가령, 근접센서(proximity sensor), 라이다 센서((Lidar sensor) 등), 무게 감지 센서, 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 실시 예에서 정보 처리 장치(100)는 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(140)는 정보 처리 장치(100)의 동작과 관련한 정보를 시각 데이터, 청각 데이터 또는 촉각 데이터 등으로 출력할 수 있으며, 디스플레이부(141), 오디오 출력부(142) 및 햅틱 출력부(미도시)를 포함할 수 있다.
디스플레이부(141)는 정보 처리 장치(100)의 동작과 관련한 정보를 시각 데이터로 출력할 수 있고, 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린(미도시)으로 구현될 수 있다. 이러한 터치 스크린은, 정보 처리 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 정보 처리 장치(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
오디오 출력부(142)는 정보 처리 장치(100)의 동작과 관련한 정보를 오디오 데이터로 출력할 수 있는데, 제어부(180)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지와, 사용자의 음성 명령에 대응하는 정보, 사용자의 음성 명령에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 오디오 출력부(142)는, 제어부(180)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커(미도시) 등을 구비할 수 있다.
메모리(150)는 정보 처리 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 메모리(150)는 정보 처리 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 정보 처리 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다
메모리(150)는 정보 처리 장치(100)를 구동시킬 수 있는 기동어가 저장되어 있어서, 사용자가 기동어를 발화하면 정보 처리부(170)에서 이를 인식하여 비활성화 상태였던 정보 처리 장치(100)를 활성화 상태로 변경할 수 있다. 또한 메모리(150)는 사용자의 음성 명령(예를 들어, 정보 처리 장치(100)를 호출하는 발화 음성)에 대응하여 정보 처리 장치(100)가 수행해야 할 작업 정보 등을 저장할 수 있다.
또한 메모리(150)는 정보 처리부(170)가 실행할 명령어 예를 들어, 사용자가 발화하는 발화 음성을 수신하는 명령어, 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 명령어, 지시대명사의 종류에 따라 카메라(121)가 스캔할 촬영영역을 결정하는 명령어, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식하는 명령어, 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백하는 명령어 등을 저장할 수 있다.
본 실시 예에서 메모리(150)는 제어부(180)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(150)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 이러한 메모리(150)는 내장 메모리 및/또는 외장 메모리를 포함할 수 있으며, DRAM, SRAM, 또는 SDRAM 등과 같은 휘발성 메모리, OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, NAND 플래시 메모리, 또는 NOR 플래시 메모리 등과 같은 비휘발성 메모리, SSD. CF(compact flash) 카드, SD 카드, Micro-SD 카드, Mini-SD 카드, Xd 카드, 또는 메모리 스틱(memory stick) 등과 같은 플래시 드라이브, 또는 HDD와 같은 저장 장치를 포함할 수 있다.
전원 공급부(160)는 제어부(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 정보 처리 장치(100)의 각 구성요소들에 전원을 공급할 수 있다. 이러한 전원 공급부(160)는 배터리를 포함할 수 있으며, 배터리는 내장형 배터리 또는 교체가능한 형태의 배터리로 구성될 수 있다. 배터리는 유선 또는 무선 충전 방식으로 충전될 수 있는데, 무선 충전 방식은 자기 유도 방식 또는 자기 공진 방식을 포함할 수 있다. 본 실시 예에서 배터리는 니켈-카드뮴 전지(nickel-cadmium battery), 납 축전치, 니켈-수소 전지(NiMH: nickel metal hydride battery), 리튬-이온 전지(lithium ion battery), 리튬 폴리머 전지(lithium polymer battery) 등의 충전 가능한 이차 전지를 포함할 수 있으며, 이에 한정되는 것은 아니다.
본 실시 예에서 제어부(180)는 배터리의 충방전을 제어할 수 있고, 배터리의 상태 정보를 모니터링하여 배터리를 보호할 수 있다. 예를 들어, 제어부(180)는 배터리에 대한 과충전 보호 기능, 과방전 보호 기능, 과전류 보호 기능, 과전압 보호 기능, 과열 보호 기능, 셀 밸런싱(cell balancing) 기능 등을 수행할 수 있다. 또한 제어부(180)는 배터리의 전류, 전압, 온도, 잔여 전력량, 수명, 충전 상태(state of charge, SOC)등을 획득할 수 있다. 예를 들어, 제어부(180)는 도시되지 않았으나 센싱부(130)를 이용하여 배터리의 전압 및 온도를 측정할 수 있다. 배터리에 과충전, 과방전, 과전류, 및 고온 등과 같은 이상 상황이 발생하였음을 감지하는 경우, 제어부(180)는 배터리의 충방전을 제어하여 배터리를 보호할 수 있다.
정보 처리부(170)는 사용자가 발화하는 발화 음성을 수신하여, 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출할 수 있다. 정보 처리부(170)는 지시대명사의 종류에 따라 카메라(121)가 스캔할 촬영영역을 결정할 수 있다. 정보 처리부(170)는 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식할 수 있다. 정보 처리부(170)는 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백 할 수 있다.
본 실시 예에서 정보 처리부(170)는 도 3에 도시된 바와 같이 제어부(180) 외부에 구비될 수도 있고, 제어부(180) 내부에 구비되어 제어부(180)처럼 동작할 수도 있다. 이하 정보 처리부(170)의 상세한 내용은 도 4 내지 도 6을 참조하여 설명하기로 한다.
제어부(180)는 일종의 중앙처리장치로서 메모리(150)에 탑재된 제어 소프트웨어를 구동하여 정보 처리 장치(100) 전체의 동작을 제어할 수 있다.
여기서, 제어부(180)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
본 실시 예에서 제어부(180)는 정보 처리 장치(100)가 최적의 정보 처리 결과를 출력하도록, 5G 통신 환경에서 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 실행할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
본 실시 예에서 제어부(180)는 발화 음성 및 영상 정보 중 하나 이상에 대하여 딥러닝(Deep Learning) 등 머신 러닝(machine learning)을 수행할 수 있고, 메모리(150)는, 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
머신 러닝의 일종인 딥러닝(deep learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습할 수 있다. 딥러닝은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)을 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(DNN)으로 구성될 수 있다. 본 실시 예에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN, RNN, DBN 등을 포함할 수 있다. RNN은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다. DBN은 딥러닝 기법인 RBM(restricted boltzman machine)을 다층으로 쌓아 구성되는 딥러닝 구조를 포함할 수 있다. RBM 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN을 구성할 수 있다. CNN은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출되는 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델을 포함할 수 있다.
한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(back propagation) 등의 방법이 사용될 수 있다.
한편, 제어부(180)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 획득한 발화 음성 및 영상 정보 중 하나 이상을 입력 데이터로 하는 머신 러닝 기반의 문장 생성을 수행할 수 있다.
제어부(180)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함될 수 있고, 심층신경망을 학습할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 제어부(180)는 설정에 따라 학습 후 인공신경망 구조를 업데이트시키도록 제어할 수 있다.
도 4는 도 3 중 정보 처리부의 개략적인 블록도이다. 이하의 설명에서 도 1 내지 도 3에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다. 도 4를 참조하면, 정보 처리부(170)는 변환 처리부(171), 추출 처리부(172), 분석 처리부(173), 결정 처리부(174), 인식 처리부(175) 및 피드백 처리부(176)를 포함할 수 있다. 선택적 실시 예로 변환 처리부(171) 내지 피드백 처리부(176)는 하나 이상의 프로세서에 대응될 수 있다. 선택적 실시 예로, 변환 처리부(171) 내지 피드백 처리부(176)는 하나 이상의 프로세서에 의해 실행되도록 구성된 소프트웨어 구성 요소(components)에 대응될 수 있다.
변환 처리부(171)는 사용자가 발화하는 발화 음성을 수신하여 텍스트로 변환할 수 있다. 변환 처리부(171)는 사용자가 발화하는 발화 음성을 텍스트로 변환기 위해 STT(speech to text) 알고리즘을 이용할 수 있다. 변환 처리부(171)는 사용자가 발화하는 발화 음성으로부터 잡음 신호를 제거하고, 소정의 특징 벡터(파라미터)를 추출할 수 있다. 여기서 소정의 특징 벡터는 LPC(linear predictive coefficients) 셉스트럼(cepstrum), PLC(perceptual linear prediction) 셉스트럼, MFCC (mel frequency cepstral coefficients), 필터뱅크 에너지 등을 포함할 수 있다. 변환 처리부(171)는 추출된 특징벡터를, 미리 학습과정에서 구해둔 인식 대상 어휘로 구성된 사전을 참조하여 가장 유사한 단어를 찾아, 가장 유사한 단어 텍스로 변환할 수 있다.
선택적 실시 예로, 변환 처리부(171)는 사용자가 발화하는 발화 음성에 대한 텍스트 변환 결과를 분석하여 문장을 생성할 수 있다. 변환 처리부(171)는 형태소 사전에 기초하여, 사용자가 발화하는 발화 음성에 대한 텍스트 변환 결과를 형태소 단위로 분석하고, 형태소 단위에 품사를 할당(tagging)할 수 있다. 여기서, 형태소 단위는 일반 명사/NNG, 주격 조사/JKS, 형용사/VA, 종결어미/ EF, 마침표, 물음표, 느낌표/SF 등이 있다. 예를 들어, 발화 음성의 텍스트 변환 결과가 <오늘 날씨가 어때>인 경우, 오늘/NNG + 날씨/NNG + 가/JKS + 어떻/VA + 어/EF + /SF와 같은 형태소 단위로 분석하고 품사를 할당할 수 있다. 전술한 형태소 분석은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
변환 처리부(171)는 사전에 정의된 룰(rule) 및 사전(dictionary)을 기반으로 하여 품사가 할당된 형태소의 구문을 분석한 후, 문장을 생성할 수 있다. 여기서 구문은, 사용자가 발화하는 발화 음성에 대한 텍스트 변환 결과를 형태소 단위로 분석하고 품사를 할당한 후에 형태소 단위를 보다 큰 단위인 명사구, 동사구, 형용사구 등으로 묶은 덩어리를 의미할 수 있다. 변환 처리부(171)는 메모리(150)에 저장된 사전 정의된 룰 기반 및 시스템 사전, 사용자 사전, 불용어 사전 등 사전 기반에 기초하여 발화 음성의 텍스트 변환 결과의 구문을 분석할 수 있다. 예를 들어, <오늘/NNG>, <날씨/NNG + 가/JKS>, <어떻/VA + 어/EF + /SF>로 발화 음성의 텍스트 변환 결과의 구문을 분석할 수 있다. 전술한 구문 분석은 예시일 뿐, 본 개시는 이에 제한되지 않는다.
추출 처리부(172)는 사용자가 발화하는 발화 음성의 텍스트 변환 결과, 또는 텍스트 변환 결과에 대한 문장 생성 결과로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출할 수 있다. 추출 처리부(172)는 사용자가 발화하는 발화 음성의 텍스트 변환 결과, 또는 텍스트 변환 결과에 대한 문장 생성 결과에 포함되는 지시대명사와 메모리(150)에 저장된 기준 지시대명사의 비교를 통하여, 일치하는 지시대명사를 추출할 수 있다.
추출 처리부(172)는 화자(예를 들어, 사용자)에게 가까이 있는 대상을 가리키는 제1 지시대명사와, 화자(예를 들어, 사용자) 또는 청자(예를 들어, 정보 처리 장치(100))으로부터 멀리 있는 대상을 가리키는 제2 지시대명사를 추출할 수 있다. 본 실시 예에서 지시대명사는 제1 지시대명사 및 제2 지시대명사로 한정하지 않고, 제1 지시대명사 및 제2 지시대명사 이외에도 사용자가 가리키는 대상을 지칭하는 대명사로서의 지시대명사를 추출할 수 있다.
분석 처리부(173)는 발화 음성의 수신 시에, 사용자의 제스처를 포함하는 영상 정보를 획득하여 사용자가 지시하는 방향을 특정할 수 있다. 분석 처리부(173)는 사용자의 제스처를 포함하는 영상 정보로부터 사용자의 스켈레톤(skeleton) 정보를 획득하고, 스켈레톤 정보로부터 사용자의 어깨 관절의 위치와 손가락 관절의 위치를 이용하여 제어주체가 지시하는 방향을 특정할 수 있다.
분석 처리부(173)는 스켈레톤 정보 획득을 위해 스켈레톤 분석부(미도시)를 더 포함할 수 있다. 스켈레톤 분석부는 인체의 형상 분석에 기반하여 관절의 각도 및 관절과 관절 사이의 거리에 기반하여 적어도 양 어깨, 양 팔꿈치, 양 손목, 양 엉덩이, 양 무릎, 및 양 발목의 위치 및 방향을 인식할 수 있다.
선택적 실시 예로, 분석 처리부(173)는 객체의 제스처를 분석하여 지시하는 방향을 특정할 수 있도록 미리 훈련된 심층신경망 모델을 이용하여 영상 정보에 포함된 객체로서의 사용자가 지시하는 방향을 출력할 수 있다. 심층신경망 모델이 훈련되는 과정은 지도 학습으로 이루어질 수 있으며, 수많은 객체로부터 추출한 제스처 정보에, 영상에 포함된 제스처 정보가 어떠한 방향을 가리키는지를 라벨링한 데이터를 통해 학습이 이루어 질 수 있다.
결정 처리부(174)는 지시대명사의 종류 및 사용자가 지시하는 방향의 특정 결과 중 하나 이상에 따라 정보 처리 장치(100)에 구비된 카메라(121)가 스캔할 촬영영역을 결정할 수 있다.
결정 처리부(174)는 추출한 지시대명사의 종류가 제1 지시대명사인 경우, 사용자와 정보 처리 장치(100) 사이에 존재하는 영역(도 6의 101)을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 여기서, 카메라(121)의 종류에 따라 스캔할 촬영영역의 결정 방법이 다를 수 있으며, 이에 대한 상세한 설명은 도 5를 참조하여 설명하기로 한다.
결정 처리부(174)는 추출한 지시대명사의 종류가 제2 지시대명사인 경우, 사용자가 지시하는 방향의 영역들 중 어떤 영역을 카메라(121)가 스캔할 촬영영역으로 할지 결정할 수 있다. 본 실시 예에서 결정 처리부(174)는 사용자가 지시하는 방향을 포함하는 영역(도 6의 102)을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 또는 결정 처리부(174)는 사용자가 지시하는 방향에 포함된 대상의 주변을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 여기서, 카메라(121)의 종류에 따라 스캔할 촬영영역의 결정 방법이 다를 수 있으며, 이에 대한 상세한 설명은 도 5를 참조하여 설명하기로 한다.
인식 처리부(175)는 카메라(121)가 스캔할 촬영영역을 결정한 후, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식할 수 있다. 인식 처리부(175)는 촬영영역의 스캔결과에서 특징점을 추출하여 사용자가 가리키는 대상이 무엇인지 인식할 수 있다.
인식 처리부(175)는 촬영영역의 스캔결과로부터 특징점을 추출할 수 있다. 문서 데이터와는 달리 촬영영역의 스캔결과 즉, 영상 데이터는 곧바로 해석 가능한 상태가 아니므로 특징점이 우선 추출되어야 한다. 예컨대, 원과 다각형을 구분하는 경우, 꼭지점을 표현할 수 있는 특징점을 사용하여 꼭지점이 3개이면 삼각형, 꼭지점이 전혀 없는 경우에는 원과 같이 객체를 구분할 수 있는 것이다. 꼭지점 이외에도 특징점은 다양한 패턴을 잡도록 추출될 수 있다. 특징점은 영상 데이터에 상에서 급격한 변화를 보이는 포인트를 잡아내는 것이다.
인식 처리부(175)는 촬영영역의 스캔결과로부터 특징점을 추출하기 위해 다양한 방법을 이용할 수 있다. 예컨대, SIFT(scale-invariant feature transform) 또는 SURF(speeded-up robust feature)가 이용될 수 있다.
SIFT는 촬영영역의 스캔결과 즉, 영상의 크기에 상관없이 특징점을 추출할 수 있는 알고리즘이다. 예컨대, 꼭지점을 표현하는 특징점을 사용할 경우 영상의 크기에 따라 꼭지점을 이루는 크기 또한 다를 것이다. 이러한 경우 특정 크기의 영상에서 꼭지점은 추출할 수 있지만 상대적으로 크거나 작은 영상에서 꼭지점은 추출할 수 없는 문제점이 발생할 수 있다. SIFT는 이러한 문제점을 해결하여 영상의 크기에 상관없이 특정 패턴을 특징점을 추출할 수 있도록 하는 알고리즘이다. SURF는 SIFT에 비해 상대적으로 빠르게 영상의 특징점을 찾아낼 수 있도록 하는 알고리즘이다. SURF는 SIFT와 마찬가지로 영상의 크기에 상관없이 특징점을 찾아내면서도 그 속도 면에서 우수하다. SURF는 큰 영상이나 동영상을 분석하는데도 이용될 수 있다. 이상에서는 SIFT와 SURF가 영상으로부터 하나 이상의 객체 각각에 대한 특징점을 추출하는 알고리즘으로 설명되었으나 이는 단지 예시일 뿐이며 다양한 방법이 이용될 수 있다.
인식 처리부(175)는 추출한 특징점을 근거로 사용자가 가리키는 대상의 종류를 인식할 수 있다. 인식 처리부(175)는 다양한 방법을 통해서 객체를 인식할 수 있으며, 예컨대 SVM(support vector machine) 또는 NN(neural networks)와 같은 알고리즘을 통해서 사용자가 가리키는 대상의 종류를 인식할 수 있다. 사용자가 가리키는 대상의 종류를 인식한다 함은 예컨대 대상의 이름 및/또는 대상이 어떤 물건인지에 대해서 알아내는 것을 의미할 수 있다.
여기서, SVM은 주어진 데이터를 가장 잘 구분할 수 있는 하이퍼플레인(hyperplane)을 찾아내는 알고리즘으로서 데이터들 중 서로 다른 클래스(class) 사이의 경계에 위치한 서포트 벡터(support vector)만을 이용할 수 있다. NN은 에너지(energy)를 통해 정의된 라이클리후드(likelihood)를 최대화하고 에러(error)를 최소화하는 방향으로 가중치(weight)를 학습하는 알고리즘으로서 모든 데이터를 사용하여 레이어(layer) 사이의 가중치 행렬(weight matrix)를 모두 학습할 수 있다. 이때, 대상의 종류 인식을 위한 알고리즘의 실행 시 교사 방법(supervised method), 비교사 방법(unsupervised method) 그리고 반교사 방법(semi-supervised method)이 적용될 수 있다.
피드백 처리부(176)는 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백할 수 있다. 피드백 처리부(176)는 발화 음성의 처리 결과를 피드백하기 위해, 자연어 이해 처리, 대화 관리자 처리, 자연어 생성 처리, 텍스트-음성 변환 처리를 수행할 수 있다
그러나 촬영영역의 스캔결과에서 사용자가 가리키는 대상의 인식이 불가능한 경우, 피드백 처리부(176)는 사용자에게 추가적인 질문(예를 들어, 지시대명사가 무엇을 지칭하는지)을 수행한 후, 발화 음성의 처리를 수행하고, 발화 음성의 처리 결과를 피드백할 수 있다. 여기서, 촬영영역의 스캔결과에 사용자가 가리키는 대상이 포함되지 않는 경우는 카메라(121)의 촬영영역 설정이 잘못되었거나, 사용자가 가리키는 대상이 카메라(121)의 촬영영역보다 더 멀리 있는 경우를 포함할 수 있다.
도 5는 본 실시 예에 따른 지시 대명사를 개략적으로 설명하는 예시도이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
본 실시 예에서 지시대명사는 특정한 사람, 동물, 장소, 사물을 지시하는 대명사로서, 이것(들), 저것(들), 그것(들), 이곳(들), 저곳(들), 그곳(들) 등을 포함할 수 있다.
도 5a를 참조하면, 지시대명사의 일 종류로서, 제1 지시 대명사는 화자(예를 들어, 사용자)에게 가까이 있는 대상을 가리키는 지시대명사로서, <이것>을 포함할 수 있다. 도 5a는 사용자가 그림을 들고 있고, 그림에 포함된 대상에 대하여, 제1 지시대명사를 이용하여 설명하고 있는, 사용자의 제1 음성 발화 상황을 도시하고 있다.
도 5b를 참조하면, 제2 지시 대명사는 화자(예를 들어, 사용자) 또는 청자(예를 들어, 정보 처리 장치(100))로부터 멀리 있는 대상을 가리키는 지시대명사로서, <저것>을 포함 할 수 있다. 도 5b는 사용자가 대상을 가리키고 있고, 제2 지시대명사를 이용하여 대상을 가리키면서 발화하고 있는, 사용자의 제2 음성 발화 상황을 도시하고 있다.
도 6은 본 실시 예에 따른 정보 처리 장치가 스캔할 촬영영역을 설명하는 예시도 이다. 이하의 설명에서 도 1 내지 도 4에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 6을 참조하면, 정보 처리 장치(100)는 사용자의 발화음성에 제1 지시대명사가 포함되는 경우, 사용자와 정보 처리 장치(100) 사이에 존재하는 영역(101)을 스캔할 촬영영역으로 결정할 수 있다.
또한, 정보 처리 장치(100)는 사용자의 발화 음성과 카메라(121)에 의해 사용자의 제스처를 포함하는 영상 정보를 획득하고, 발화 음성에 제2 지시대명사가 포함되는 경우, 사용자의 제스처를 기반으로 사용자가 지시하는 방향의 영역들 중 어떤 영역을 스캔할 촬영영역 할지 결정할 수 있다. 정보 처리 장치(100) 사용자가 지시하는 방향을 포함하는 임의의 영역(102)을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 또는 정보 처리 장치(100)는 사용자가 지시하는 방향에 포함된 대상의 주변을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다.
도 7은 도 4 중 결정 처리부가 카메라의 종류에 따라 스캔할 촬영영역을 결정하는 예시도 있다. 이하의 설명에서 도 1 내지 도 6에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 7a를 참조하면, 제1 카메라(121a)는 적어도 하나의 광학렌즈(121a_1) 및 이미지 센서(121a_2)를 포함할 수 있다. 여기서, 광학렌즈(121a_1)는 이미지 센서(121a_2)의 상면과 수직인 법선 방향의 광축을 따라 이동될 수 있다.
추출한 지시대명사의 종류가 제1 지시대명사인 경우, 결정 처리부(174)는 광학렌즈(121a_1)를 제1 위치(121a_11)로 이동시켜, 이미지 센서(121a_2)에 사용자와 정보 처리 장치(100) 사이에 존재하는 영역 즉, 제1 화각의 이미지(121a_21)가 출력되도록 카메라(121a)가 스캔할 촬영영역을 결정할 수 있다.
추추한 지시대명사의 종류가 제2 지시대명사인 경우, 결정 처리부(174)는 광학렌즈(121a_1)를 제2 위치(121a_12)로 이동시켜, 이미지 센서(121a_2)에 사용자가 지시하는 방향을 포함하는 임의의 영역 즉, 제2 화각의 이미지(121a_22)가 출력되도록 카메라(121a)가 스캔할 촬영영역을 결정할 수 있다. 여기서, 제2 화각은 제1 화각보다 더 클 수 있다. 제1 화각의 이미지(121a_21)보다 제2 화각의 이미지(121a_22)가 영상의 보다 넓은 영역을 포함할 수 있다.
도 7b를 참조하면, 제2 카메라(121b)는 광각(wide)렌즈(121b_1), 표준(normal)렌즈(121b_2), 망원(telescope)렌즈(121b_3)를 포함하는 트리플 카메라를 포함할 수 있다. 여기서, 광각(wide)렌즈(121b_1)는 표준(normal)렌즈(121b_2)에 비해 더 넓은 촬영영역을 스캔할 수 있다. 또한, 망원(telescope)렌즈(121b_3)는 표준(normal)렌즈(121b_2)에 비해 원거리의 촬영영역을 스캔할 수 있다.
추출한 지시대명사의 종류가 제1 지시대명사인 경우, 결정 처리부(174)는 광각렌즈(도 5b의 121b_1)를 선택하여, 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 제2 카메라(121b)가 스캔할 촬영영역으로 결정할 수 있다.
추출한 지시대명사의 종류가 제2 지시대명사인 경우, 결정 처리부(174)는 망원렌즈(도 5b의 121b_3)를 선택하여, 사용자가 지시하는 방향을 포함하는 임의의 영역을 제2 카메라(121b)가 스캔할 촬영영역으로 결정할 수 있다.
도 7c를 참조하면, 제3 카메라(121c)는 광원(121c_1) 및 검출부(121c_2)를 포함하는 TOF(time of flight) 카메라를 포함할 수 있다. 광원(121c_1)이 출력광 또는 출력 펄스(OL, output pulse)를 t1 시점에서 출력하는 경우, 출력광 또는 출력 펄스는 대상에서 반사되고, 반사광 또는 반사 펄스(RL, reflect pulse)는 검출부(121c_2)에서 t2 시점에 검출될 수 있다. 이에 따라 제3 카메라(121c)는 t1 시점과 t2 시점 사이의 시간차(t2-t1)를 이용하여 대상에 대한 거리를 산출할 수 있다.
추출한 지시대명사의 종류가 제1 지시대명사인 경우, 결정 처리부(174)는 광원(121c_1)에서 출력하는 출력광의 세기를 기준값보다 낮춰서 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 제3 카메라(121c)가 스캔할 촬영영역으로 결정할 수 있다.
추출한 지시대명사의 종류가 제2 지시대명인 경우, 결정 처리부(174)는 광원(121c_1)에서 출력하는 출력광의 세기를 기준값보다 높여서 사용자가 지시하는 방향을 포함하는 임의의 영역을 제3 카메라(121c)가 스캔할 촬영영역으로 결정할 수 있다.
도 8은 본 실시 예에 따른 정보 처리 장치가 구비된 전자 디바이스로서의 제2 커뮤니케이션 로봇이 스캔할 촬영영역을 제1 지시대명사에 따라 설명하는 예시도 있다. 이하의 설명에서 도 1 내지 도 7에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 8a를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)으로 접근한 사용자가 발화하는 발화 음성으로서 <이거 어디에 버려?>를 수신할 수 있다.
도 8b를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 사용자의 발화 음성을 텍스트로 변환한 후, 발화 음성의 텍스트 변환 결과에 포함되는 지시대명사와 메모리(150)에 저장된 기준 지시대명사의 비교를 통하여, 일치하는 지시대명사로서 제1 지시대명사인 <이거>를 추출할 수 있다.
정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 제1 지시대명사 추출에 대응하여 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 카메라(121)가 스캔할 촬영영역으로 결정한 후 스캔할 수 있다.
도 8c를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 촬영영역의 스캔결과로부터 사용자가 가리키는 대상을 인식하고, 인식 결과에 기초하여 발화 음성의 처리 결과로서 <네 고객님, 후방 5m에 있는 쓰레기통에 버려주세요.>를 사용자에게 피드백 할 수 있다.
도 9는 본 실시 예에 따른 정보 처리 장치가 구비된 전자 디바이스로서의 제2 커뮤니케이션 로봇이 스캔할 촬영영역을 제2 지시대명사에 따라 설명하는 예시도 있다. 이하의 설명에서 도 1 내지 도 8에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 9a를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)으로 접근한 사용자가 발화하는 발화 음성으로서 <저쪽에 면세점이 있나요?>를 수신할 수 있다.
도 9b를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 사용자의 발화 음성을 텍스트로 변환한 후, 발화 음성의 텍스트 변환 결과에 포함되는 지시대명사와 메모리(150)에 저장된 기준 지시대명사의 비교를 통하여, 일치하는 지시대명사로서 제2 지시대명사인 <저쪽>을 추출할 수 있다.
또한 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 발화 음성의 수신 시에, 사용자의 제스처를 포함하는 영상 정보를 획득하여 사용자가 지시하는 방향을 특정할 수 있다.
정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 제2 지시대명사 추출에 대응하여 사용자가 지시하는 방향을 포함하는 임의의 영역을 카메라(121)가 스캔할 촬영영역으로 결정한 후 스캔할 수 있다.
도 9c를 참조하면, 정보 처리 장치(100)가 구비된 전자 디바이스(200)로서의 제2 커뮤니케이션 로봇(211)은 촬영영역의 스캔결과로부터 사용자가 가리키는 대상을 인식하고, 인식 결과에 기초하여 발화 음성의 처리 결과로서 <네 고객님, 저쪽에 면세점이 있습니다.>를 사용자에게 피드백하는 것을 도시하고 있다.
도 10은 본 실시 예에 따른 정보 처리 방법의 흐름도 이다. 이하의 설명에서 도 1 내지 도 9에 대한 설명과 중복되는 부분은 그 설명을 생략하기로 한다.
도 8을 참조하면, S1010단계에서, 정보 처리 장치(100)는 사용자가 발화하는 발화 음성을 수신하고, 발화 음성으로부터 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출한다.
정보 처리 장치(100)는 수신한 사용자의 발화 음성을 텍스트로 변환할 수 있다. 선택적 실시 예로, 정보 처리 장치(100)는 발화 음성의 수신 시에, 사용자의 제스처를 포함하는 영상 정보를 획득하여 사용자가 지시하는 방향을 특정할 수 있다. 정보 처리 장치(100)는 영상 정보에 포함되는 사용자의 제스처로부터 스켈레톤 정보를 획득하고, 스켈레톤 정보로부터 사용자의 어깨 관절의 위치와 손가락 관절의 위치를 이용하여 사용자가 지시하는 방향을 특정할 수 있다. 또한 정보 처리 장치(100)는 영상 정보에 포함된 객체의 제스처를 분석하여 객체가 지시하는 방향을 특정할 수 있도록 미리 훈련된 심층신경망 모델을 이용하여 영상 정보에 포함된 사용자가 지시하는 방향을 특정할 수 있다. 정보 처리 장치(100)는 사용자가 발화하는 발화 음성의 텍스트 변환 결과에 포함되는 지시대명사와 메모리(150)에 저장된 기준 지시대명사의 비교를 통하여, 일치하는 지시대명사를 추출할 수 있다.
S1020단계에서, 정보 처리 장치(100)는 지시대명사의 종류에 따라 카메라(121)가 스캔할 촬영영역을 결정한다. 선택적 실시 예로 정보 처리 장치(100)는 지시대명사의 종류 및 사용자가 지시하는 방향의 특정 결과 중 하나 이상에 따라 정보 처리 장치(100)에 구비된 카메라(121)가 스캔할 촬영영역을 결정할 수 있다.
정보 처리 장치(100)는 추출한 지시대명사의 종류가 제1 지시대명사인 경우, 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 카메라(121)가 스캔할 촬영영역으로 결정할 수 있다. 정보 처리 장치(100)는 추출한 지시대명사의 종류가 제2 지시대명사인 경우, 사용자가 지시하는 방향의 영역들 중 어떤 영역을 카메라(121)가 스캔할 촬영영역으로 할지 결정할 수 있다.
여기서, 카메라(121)의 종류에 따라 스캔할 촬영영역의 결정 방법이 다를 수 있다. 예를 들어, 카메라(121)가 제1 카메라(121a)이고, 추출한 지시대명사의 종류가 제1 지시대명사인 경우, 정보 처리 장치(100)는 광학렌즈(121a_1)를 제1 위치(121a_11)로 이동시켜, 이미지 센서(121a_2)에 사용자와 정보 처리 장치(100) 사이에 존재하는 영역 즉, 제1 화각의 이미지(121a_21)가 출력되도록 카메라(121a)가 스캔할 촬영영역을 결정할 수 있다. 또한, 추출한 지시대명사의 종류가 제2 지시대명사인 경우, 정보 처리 장치(100)는 광학렌즈(121a_1)를 제2 위치(121a_12)로 이동시켜, 이미지 센서(121a_2)에 사용자가 지시하는 방향의 주변 영역 즉, 제2 화각의 이미지(121a_22)가 출력되도록 카메라(121a)가 스캔할 촬영영역을 결정할 수 있다.
다른 예로, 카메라(121)가 제2 카메라(121b)이고, 추출한 지시대명사의 종류가 제1 지시대명사인 경우, 정보 처리 장치(100)는 광각렌즈(도 5b의 121b_1)를 선택하여, 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 제2 카메라(121b)가 스캔할 촬영영역으로 결정할 수 있다. 또한, 추출한 지시대명사의 종류가 제2 지시대명사인 경우, 정보 처리 장치(100)는 망원렌즈(도 5b의 121b_3)를 선택하여, 사용자가 지시하는 방향을 포함하는 임의의 영역을 제2 카메라(121b)가 스캔할 촬영영역으로 결정할 수 있다.
또 다른 예로, 카메라(121)가 제3 카메라(121c)이고, 추출한 지시대명사의 종류가 제1 지시대명사인 경우, 정보 처리 장치(100)는 광원(121c_1)에서 출력하는 출력광의 세기를 기준값보다 낮춰서 사용자와 정보 처리 장치(100) 사이에 존재하는 영역을 제3 카메라(121c)가 스캔할 촬영영역으로 결정할 수 있다. 또한, 추출한 지시대명사의 종류가 제2 지시대명인 경우, 정보 처리 장치(100)는 광원(121c_1)에서 출력하는 출력광의 세기를 기준값보다 높여서 사용자가 지시하는 방향을 포함하는 임의의 영역을 제3 카메라(121c)가 스캔할 촬영영역으로 결정할 수 있다.
S1030단계에서, 정보 처리 장치(100)는 카메라(121)가 스캔할 촬영영역을 결정한 후, 촬영영역의 스캔결과에서 사용자가 가리키는 대상을 인식한다. 정보 처리 장치(100)는 촬영영역의 스캔결과에서 특징점을 추출하여 사용자가 가리키는 대상이 무엇인지 인식할 수 있다.
S1040단계에서, 정보 처리 장치(100)는 사용자가 가리키는 대상을 인식한 결과에 기초하여, 발화 음성의 처리 결과를 피드백한다. 촬영영역의 스캔결과에서 사용자가 가리키는 대상의 인식이 불가능한 경우, 정보 처리 장치(100)는 사용자에게 추가적인 질문(예를 들어, 지시대명사가 무엇을 지칭하는지)을 수행한 후, 발화 음성의 처리를 수행하고, 발화 음성의 처리 결과를 피드백할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 정보 처리 장치
200: 전자 디바이스
300: 네트워크

Claims (20)

  1. 정보 처리 장치에서 수행하는 정보 처리 방법으로서,
    사용자가 발화하는 발화 음성을 수신하여 상기 발화 음성으로부터 상기 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 단계;
    상기 지시대명사의 종류에 따라 카메라가 스캔할 촬영영역을 결정하는 단계;
    상기 촬영영역의 스캔결과에서 상기 사용자가 가리키는 대상을 인식하는 단계; 및
    상기 사용자가 가리키는 대상을 인식한 결과에 기초하여, 상기 발화 음성의 처리 결과를 피드백하는 단계를 포함하는,
    정보 처리 방법.
  2. 제 1 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 상기 카메라가 스캔할 촬영영역으로 결정하는 단계를 포함하는,
    정보 처리 방법.
  3. 제 1 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 광각렌즈, 기본렌즈 및 망원렌즈를 포함하는 트리플 카메라로부터 상기 광각렌즈를 선택하여 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 스캔할 촬영영역으로 결정하는 단계를 포함하는,
    정보 처리 방법.
  4. 제 1 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 TOF(time of flight) 카메라로부터 출력되는 출력광의 세기를 기준값보다 낮춰서 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 스캔할 촬영영역으로 결정하는 단계를 포함하는,
    정보 처리 방법.
  5. 제 1 항에 있어서,
    상기 발화 음성의 수신 시에, 상기 사용자의 제스처를 포함하는 영상 정보를 획득하여 상기 사용자가 지시하는 방향을 특정하는 단계를 더 포함하고,
    상기 촬영영역을 결정하는 단계는,
    상기 지시대명사의 종류에 따라, 상기 사용자가 지시하는 방향의 영역들 중 어떤 영역을 상기 카메라가 스캔할 촬영영역으로 할지 결정하는 단계를 포함하는,
    정보 처리 방법.
  6. 제 5 항에 있어서,
    상기 사용자가 지시하는 방향을 특정하는 단계는,
    상기 영상 정보에 포함되는 상기 사용자의 제스처로부터 스켈레톤 정보를 획득하는 단계;
    상기 스켈레톤 정보로부터 상기 사용자의 어깨 관절의 위치와 손가락 관절의 위치를 이용하여 상기 사용자가 지시하는 방향을 특정하는 단계를 포함하는,
    정보 처리 방법.
  7. 제 5 항에 있어서,
    상기 사용자가 지시하는 방향을 특정하는 단계는,
    영상 정보에 포함된 객체의 제스처를 분석하여 객체가 지시하는 방향을 특정할 수 있도록 미리 훈련된 심층신경망 모델을 이용하여 상기 영상 정보에 포함된 상기 사용자가 지시하는 방향을 특정하는 단계를 포함하는,
    정보 처리 방법.
  8. 제 5 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 사용자가 지시하는 방향의 영역들 중 어떤 영역을 상기 카메라가 스캔할 촬영영역으로 할지 결정하는 단계를 포함하는,
    정보 처리 방법.
  9. 제 5 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 광각렌즈, 기본렌즈 및 망원렌즈를 포함하는 트리플 카메라로부터 상기 망원렌즈를 선택하여 상기 사용자가 지시하는 방향의 주변 영역을 스캔할 촬영영역으로 결정하는 단계를 포함하는,
    정보 처리 방법.
  10. 제 5 항에 있어서,
    상기 촬영영역을 결정하는 단계는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 TOF(time of flight) 카메라로부터 출력되는 출력광의 세기를 기준값보다 높여서 상기 사용자가 지시하는 방향의 주변 영역을 스캔할 촬영영역으로 결정하는 단계를 포함하는,
    정보 처리 방법.
  11. 정보 처리 장치로서,
    사용자가 발화하는 발화 음성을 수신하여 상기 발화 음성으로부터 상기 사용자가 가리키는 대상을 지칭하는 지시대명사를 추출하는 추출 처리부;
    상기 지시대명사의 종류에 따라 카메라가 스캔할 촬영영역을 결정하는 결정 처리부;
    상기 촬영영역의 스캔결과에서 상기 사용자가 가리키는 대상을 인식하는 인식 처리부; 및
    상기 사용자가 가리키는 대상을 인식한 결과에 기초하여, 상기 발화 음성의 처리 결과를 피드백하는 피드백 처리부를 포함하는,
    정보 처리 장치.
  12. 제 11 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 상기 카메라가 스캔할 촬영영역으로 결정하도록 구성되는,
    정보 처리 장치.
  13. 제 11 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 광각렌즈, 기본렌즈 및 망원렌즈를 포함하는 트리플 카메라로부터 상기 광각렌즈를 선택하여 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 스캔할 촬영영역으로 결정하도록 구성되는,
    정보 처리 장치.
  14. 제 11 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자로부터 가까이 있는 대상을 지칭하는 제1 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 TOF(time of flight) 카메라로부터 출력되는 출력광의 세기를 기준값보다 낮춰서 상기 사용자와 상기 정보 처리 장치 사이에 존재하는 영역을 스캔할 촬영영역으로 결정하도록 구성되는,
    정보 처리 장치.
  15. 제 11 항에 있어서,
    상기 발화 음성의 수신 시에, 상기 사용자의 제스처를 포함하는 영상 정보를 획득하여 상기 사용자가 지시하는 방향을 특정하는 분석 처리부를 더 포함하고,
    상기 결정 처리부는,
    상기 지시대명사의 종류에 따라, 상기 사용자가 지시하는 방향의 영역들 중 어떤 영역을 상기 카메라가 스캔할 촬영영역으로 할지 결정하도록 구성되는,
    정보 처리 장치.
  16. 제 15 항에 있어서,
    상기 분석 처리부는,
    상기 영상 정보에 포함되는 상기 사용자의 제스처로부터 스켈레톤 정보를 획득하고, 상기 스켈레톤 정보로부터 상기 사용자의 어깨 관절의 위치와 손가락 관절의 위치를 이용하여 상기 사용자가 지시하는 방향을 특정하도록 구성되는,
    정보 처리 장치.
  17. 제 15 항에 있어서,
    상기 분석 처리부는,
    영상 정보에 포함된 객체의 제스처를 분석하여 객체가 지시하는 방향을 특정할 수 있도록 미리 훈련된 심층신경망 모델을 이용하여 상기 영상 정보에 포함된 상기 사용자가 지시하는 방향을 특정하도록 구성되는,
    정보 처리 장치.
  18. 제 15 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 사용자가 지시하는 방향의 영역들 중 어떤 영역을 상기 카메라가 스캔할 촬영영역으로 할지 결정하도록 구성되는,
    정보 처리 장치.
  19. 제 15 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 광각렌즈, 기본렌즈 및 망원렌즈를 포함하는 트리플 카메라로부터 상기 망원렌즈를 선택하여 상기 사용자가 지시하는 방향의 주변 영역을 스캔할 촬영영역으로 결정하도록 구성되는,
    정보 처리 장치.
  20. 제 15 항에 있어서,
    상기 결정 처리부는,
    추출한 상기 지시대명사가 상기 사용자 및 상기 정보 처리 장치로부터 멀리 있는 대상을 지칭하는 제2 지시대명사인 것에 따라, 상기 정보 처리 장치에 구비된 TOF(time of flight) 카메라로부터 출력되는 출력광의 세기를 기준값보다 높여서 상기 사용자가 지시하는 방향의 주변 영역을 스캔할 촬영영역으로 결정하도록 구성되는,
    정보 처리 장치.
KR1020190157286A 2019-11-29 2019-11-29 정보 처리 방법 및 정보 처리 장치 KR20210067539A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190157286A KR20210067539A (ko) 2019-11-29 2019-11-29 정보 처리 방법 및 정보 처리 장치
US16/787,905 US11445120B2 (en) 2019-11-29 2020-02-11 Information processing method for adjustting an image capture region based on spoken utterance and apparatus therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157286A KR20210067539A (ko) 2019-11-29 2019-11-29 정보 처리 방법 및 정보 처리 장치

Publications (1)

Publication Number Publication Date
KR20210067539A true KR20210067539A (ko) 2021-06-08

Family

ID=76091363

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157286A KR20210067539A (ko) 2019-11-29 2019-11-29 정보 처리 방법 및 정보 처리 장치

Country Status (2)

Country Link
US (1) US11445120B2 (ko)
KR (1) KR20210067539A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11917092B2 (en) * 2020-06-04 2024-02-27 Syntiant Systems and methods for detecting voice commands to generate a peer-to-peer communication link

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001188555A (ja) * 1999-12-28 2001-07-10 Sony Corp 情報処理装置および方法、並びに記録媒体
US10832031B2 (en) * 2016-08-15 2020-11-10 Apple Inc. Command processing using multimodal signal analysis
US10262036B2 (en) * 2016-12-29 2019-04-16 Microsoft Technology Licensing, Llc Replacing pronouns with focus-specific objects in search queries
WO2019077897A1 (ja) * 2017-10-17 2019-04-25 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
US11126257B2 (en) * 2018-04-17 2021-09-21 Toyota Research Institute, Inc. System and method for detecting human gaze and gesture in unconstrained environments
WO2020116002A1 (ja) * 2018-12-04 2020-06-11 ソニー株式会社 情報処理装置及び情報処理方法
KR20210039049A (ko) * 2019-10-01 2021-04-09 엘지전자 주식회사 음성 인식을 수행하는 인공 지능 장치 및 그 방법

Also Published As

Publication number Publication date
US11445120B2 (en) 2022-09-13
US20210168293A1 (en) 2021-06-03

Similar Documents

Publication Publication Date Title
EP3509061B1 (en) Electronic device for voice recognition
KR102389041B1 (ko) 이동단말기 및 머신 러닝을 이용한 이동 단말기의 제어방법
US11217246B2 (en) Communication robot and method for operating the same
US10593322B2 (en) Electronic device and method for controlling the same
US11164565B2 (en) Unsupervised learning system and method for performing weighting for improvement in speech recognition performance and recording medium for performing the method
US11437042B2 (en) Communication robot and method for operating the same
KR20190094307A (ko) 다른 기기의 동작을 제어할 수 있는 인공 지능 기기 및 그의 동작 방법
KR102281504B1 (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법
KR20190094301A (ko) 인공 지능 기기 및 인공 지능 기기의 동작 방법
US20210110815A1 (en) Method and apparatus for determining semantic meaning of pronoun
US10916240B2 (en) Mobile terminal and method of operating the same
KR20210052036A (ko) 복수 의도어 획득을 위한 합성곱 신경망을 가진 장치 및 그 방법
KR20190096308A (ko) 전자기기
KR20210155401A (ko) 인공 지능을 이용하여, 합성 음성의 품질을 평가하는 음성 합성 장치 및 그의 동작 방법
KR20210153165A (ko) 음성 인식 기능을 제공하는 인공 지능 기기, 인공 지능 기기의 동작 방법
KR20210020656A (ko) 인공 지능을 이용한 음성 인식 방법 및 그 장치
KR20190094295A (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체
KR102399809B1 (ko) 전자 장치 및 그 제어 방법
US10917721B1 (en) Device and method of performing automatic audio focusing on multiple objects
US11445120B2 (en) Information processing method for adjustting an image capture region based on spoken utterance and apparatus therefor
KR20210079061A (ko) 정보 처리 방법 및 정보 처리 장치
US11217249B2 (en) Information processing method and apparatus therefor
KR102631143B1 (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체
KR20190094296A (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체
KR102603282B1 (ko) 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체