KR20210082153A - 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템 - Google Patents

사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템 Download PDF

Info

Publication number
KR20210082153A
KR20210082153A KR1020210083449A KR20210083449A KR20210082153A KR 20210082153 A KR20210082153 A KR 20210082153A KR 1020210083449 A KR1020210083449 A KR 1020210083449A KR 20210083449 A KR20210083449 A KR 20210083449A KR 20210082153 A KR20210082153 A KR 20210082153A
Authority
KR
South Korea
Prior art keywords
voice
sentences
style
speech
sentence
Prior art date
Application number
KR1020210083449A
Other languages
English (en)
Inventor
김태수
이영근
Original Assignee
네오사피엔스 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 네오사피엔스 주식회사 filed Critical 네오사피엔스 주식회사
Publication of KR20210082153A publication Critical patent/KR20210082153A/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
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
    • 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
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/027—Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • G10L13/04—Details of speech synthesis systems, e.g. synthesiser structure or memory management
    • G10L13/047—Architecture of speech synthesisers
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G10L2013/083—Special characters, e.g. punctuation marks

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Machine Translation (AREA)

Abstract

본 개시는 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법에 관한 것이다. 방법은, 하나 이상의 문장을 수신하는 단계, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계 및 결정된 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 합성 음성을 출력하는 단계를 포함할 수 있다. 합성 음성은, 하나 이상의 문장 및 결정된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 생성될 수 있다.

Description

사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING SYNTHESIS VOICE FOR TEXT VIA USER INTERFACE}
본 개시는 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템에 관한 것으로서, 더 구체적으로, 텍스트에 대한 화자, 스타일, 속도, 감정, 문맥, 상황에 따른 운율 및 음성 변화를 출력 음성에 반영할 수 있는 사용자 인터페이스를 제공하는 방법에 관한 것이다.
오디오 콘텐츠를 포함한 방송 프로그램이 TV, 라디오 등의 기존의 방송 채널뿐만 아니라, 온라인 상에서 제공되는 유튜브, 팟캐스트 등의 웹 기반의 동영상 서비스를 위해 수많은 프로그램이 제작되어 공개되고 있다. 이러한 오디오 콘텐츠를 포함한 프로그램을 생성하기 위하여, 음성을 포함한 오디오 콘텐츠를 생성하거나 편집하는 애플리케이션이 널리 사용되고 있다.
다만, 이러한 영상 프로그램 등에서 사용될 오디오 콘텐츠를 생성하기 위하여, 사용자는 해당 콘텐츠에 해당되는 음성은 성우, 아나운서 등의 연기자를 섭외하고, 녹음기를 통해 녹음하고 해당 애플리케이션을 이용하여 녹음된 음성을 편집해야 하는 번거로움이 있었다. 이러한 번거로움을 해소하기 위하여 사람의 음성을 녹음하여 오디오 콘텐츠를 제작하지 않고, 음성 합성 기술을 이용하여 녹음되지 않은 음성 및/또는 콘텐츠를 제작하는 연구를 해오고 있다.
일반적으로 TTS(Text-To-Speech)라고도 불리는 음성 합성 기술은, 안내방송, 내비게이션, 인공지능 비서 등과 같이 사람의 음성이 필요한 어플리케이션에서 실제 사람의 음성을 사전에 녹음해 두지 않고 필요한 음성을 재생하기 위해 사용되는 기술이다. 음성 합성의 전형적인 방법은, 음성을 음소 등 아주 짧은 단위로 미리 잘라서 저장해두고, 합성할 문장을 구성하는 음소들을 결합하여 음성을 합성하는 concatenative TTS와, 음성의 특징을 parameter로 표현하고 합성할 문장을 구성하는 음성 특징들을 나타내는 parameter들을 vocoder를 이용해 문장에 대응하는 음성으로 합성하는 parametric TTS가 있다.
다만, 종래의 음성 합성 기술은 방송 프로그램 제작을 위해 활용될 수 있으나, 이러한 음성 합성 기술을 통해 생성된 오디오 콘텐츠는 화자의 개성 및 감정이 반영되지 않아서, 방송 프로그램 제작을 위한 오디오 콘텐츠로서의 효용성은 떨어질 수 있다. 더욱이, 음성 합성 기술을 통한 방송 프로그램이, 사람의 녹음을 통해 제작된 방송 프로그램과 유사한 퀄리티를 확보하기 위해서, 음성 합성 기술로 생성된 오디오 콘텐츠 내의 각 대사마다 그 대사를 말한 화자의 스타일이 반영되는 기술이 요구된다. 나아가, 이러한 방송 프로그램의 제작 및 편집을 위하여, 사용자가 직관적이면서 손쉽게 텍스트를 기초로 스타일이 반영된 오디오 콘텐츠를 생성 및 편집할 수 있는 사용자 인터페이스 기술이 요구된다.
본 개시의 실시예들은 입력 텍스트에 대한 스타일, 감정, 문맥, 상황에 따른 운율 변화 및 음성 변화를 합성 음성 또는 오디오 콘텐츠에 반영할 수 있는 사용자 인터페이스를 제공함으로써 입력 텍스트에 대한 자연스럽고 현실감 있는 텍스트에 대한 합성 음성을 생성 및 편집하기 위한 방법에 관한 것이다.
본 개시는 방법, 시스템, 장치 또는 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따른 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법은, 하나 이상의 문장을 수신하는 단계, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계 및 결정된 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 합성 음성을 출력하는 단계를 포함하고, 합성 음성은, 하나 이상의 문장 및 결정된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 생성되는, 텍스트에 대한 합성 음성을 생성하는 방법을 포함한다.
일 실시예에 따르면, 수신된 하나 이상의 문장을 출력하는 단계를 더 포함하고, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계는, 출력된 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 변경하는 단계를 포함하고, 하나 이상의 문장 중 적어도 일부에 적용된 음성 스타일 특징은, 변경된 설정 정보에 기초로 변경되고, 합성 음성은, 하나 이상의 문장 중 적어도 일부 및 변경된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 변경된다.
일 실시예에 따르면, 출력된 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 변경하는 단계는, 출력된 하나 이상의 문장 중 일부에 대한 시각적으로 표시하기 위한 설정 정보를 변경하는 단계를 포함한다.
일 실시예에 따르면, 하나 이상의 문장을 수신하는 단계는, 복수의 문장을 수신하는 단계를 포함하고, 방법은, 복수의 문장 사이에 삽입될 효과의 특성을 나타내는 시각적인 표시를 추가하는 단계를 더 포함하고, 합성 음성은, 추가된 시각적인 표시에 포함된 효과의 특성에 기초하여 생성된 효과음을 포함한다.
일 실시예에 따르면, 복수의 문장 사이에 삽입될 효과는 묵음을 포함하고, 복수의 문장 사이에 삽입될 효과의 특성을 나타내는 시각적인 표시를 추가하는 단계는 복수의 문장 사이에 삽입될 묵음의 시간을 나타내는 시각적인 표시를 추가하는 단계를 포함한다.
일 실시예에 따르면, 하나 이상의 문장을 수신하는 단계는, 복수의 문장을 수신하는 단계를 포함하고, 방법은, 복수의 문장을 하나 이상의 문장 세트로 분리하는 단계를 포함하고, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계는, 분리된 하나 이상의 문장 세트에 대응하는 배역을 결정하는 단계 및 결정된 배역에 대응하는 미리 결정된 음성 스타일 특징을 설정하는 단계를 포함한다.
일 실시예에 따르면, 분리된 하나 이상의 문장 세트는 자연어 처리를 이용하여 분석되고, 분리된 하나 이상의 문장 세트에 대응하는 배역을 결정하는 단계는, 하나 이상의 문장 세트에 대한 분석 결과에 기초하여 추천된 하나 이상의 배역 후보를 출력하는 단계 및 출력된 하나 이상의 배역 후보 중 적어도 일부를 선택하는 단계를 포함한다.
일 실시예에 따르면, 분리된 하나 이상의 문장 세트는 분석 결과에 기초하여 그룹화되고, 분리된 하나 이상의 문장 세트에 대응하는 배역을 결정하는 단계는, 분석 결과에 기초하여 추천된 그룹화된 문장 세트의 각각에 대응하는 하나 이상의 배역 후보를 출력하는 단계 및 출력된 하나 이상의 배역 후보 중 적어도 일부를 선택하는 단계를 포함한다.
일 실시예에 따르면, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계는, 하나 이상의 문장 세트에 대한 분석 결과에 기초하여 추천된 하나 이상의 음성 스타일 특징 후보를 출력하는 단계 및 출력된 하나 이상의 음성 스타일 특징 후보 중 적어도 일부를 선택하는 단계를 포함한다.
일 실시예에 따르면, 하나 이상의 문장에 대한 합성 음성은 검수되고, 방법은 검수 결과에 기초하여, 합성 음성에 적용된 음성 스타일 특징을 변경하는 단계를 더 포함한다.
일 실시예에 따르면, 합성 음성을 포함하는 오디오 콘텐츠가 생성된다.
일 실시예에 따르면, 생성된 오디오 콘텐츠를 다운로드하기 위한 요청에 응답하여, 생성된 오디오 콘텐츠를 수신하는 단계를 더 포함한다.
일 실시예에 따르면, 생성된 오디오 콘텐츠에 대한 스트리밍 요청에 응답하여, 생성된 오디오 콘텐츠를 실시간으로 재생하는 단계를 더 포함한다.
일 실시예에 따르면, 생성된 오디오 콘텐츠를 영상 콘텐츠에 믹싱하는 단계를 더 포함한다.
일 실시예에 따르면, 수신된 하나 이상의 문장을 출력하는 단계를 더 포함하고, 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계는, 출력된 하나 이상의 문장 중 적어도 일부를 선택하는 단계, 선택된 하나 이상의 문장 중 적어도 일부에 대한 음성 스타일 특징을 변경하기 위한 인터페이스를 출력하는 단계 및 인터페이스를 통해 적어도 일부에 대한 음성 스타일 특징을 나타내는 값을 변경하는 단계를 포함하고, 합성 음성은, 하나 이상의 문장 중 적어도 일부 및 변경된 음성 스타일 특징을 나타내는 값을 인공신경망 텍스트-합성 음성 모델에 입력하여, 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 변경된다.
본 개시의 일 실시예에 따른 상술한 텍스트에 대한 합성 음성을 생성하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일부 실시예에 따르면, 오디오 콘텐츠 생성 및 편집을 위한 사용자 인터페이스는 문서 작성기(예시: word processor 등)에서 동작되는 바와 같이, 사용자가 문서를 열고 문서 내용을 편집하면 해당 문서의 look and feel에 따라 음성 콘텐츠를 자동으로 생성할 수 있도록 한다.
본 개시의 일부 실시예에 따르면, 음성의 스타일을 제안할 수 있고, 제안된 스타일에 대해 사용자가 손쉽게 선택할 수 있도록 구성되어 있다.
본 개시의 일부 실시예에 따르면, 자연어 처리 등을 이용하여, 텍스트에 대한 음성 스타일 특징이 자동으로 결정될 수 있도록 구성되어 있다.
본 개시의 일부 실시예에 따르면, 오디오 콘텐츠 생성 및 편집을 위한 사용자 인터페이스 장치는 사용자가 음성의 디테일한 스타일도 각 단어, 음소 혹은 음절 단위로 높낮이 속도 등을 조절하는 것이 가능하도록 한다.
본 개시의 일부 실시예에 따르면, 오디오 콘텐츠 생성 및 편집을 위한 사용자 인터페이스는 텍스트에 대한 선택된 스타일이 시각적으로 표시됨으로써 사용자에게 직관적으로 알아볼 수 있도록 제공되어, 사용자로 하여금 이러한 스타일을 편집하는 데에 있어 용이하도록 한다.
본 개시의 일부 실시예에 따르면, 텍스트에 대하여 결정된 화자 또는 스타일이 반영된 합성 음성을 생성할 수 있고, 생성된 합성 음성을 포함하는 오디오 콘텐츠를 응용할 수 있다.
도 1은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성을 생성하는 서비스를 제공하기 위하여, 복수의 사용자 단말과 합성 음성 생성 시스템이 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 합성 음성 생성 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 합성 음성 생성 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 6은 본 개시의 일 실시예에 따른 합성 음성 생성 방법을 나타내는 흐름도이다.
도 7은 본 개시의 일 실시예에 따른 설정 정보를 변경하는 합성 음성 생성 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 인공 신경망 기반의 텍스트-음성 합성 장치의 구성 및 복수의 화자의 각각을 구분할 수 있는 임베딩 벡터를 추출하는 네트워크를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
도 10은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
도 11은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
도 12는 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
도 13은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면을 나타낸 도면이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈'은 어떤 역할들을 수행한다. 그렇지만, '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈'들로 결합되거나 추가적인 구성요소들과 '모듈'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈'은 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
본 개시에서, '음성 스타일 특징'은 음성의 구성요소 또는 식별요소를 포함할 수 있다. 예를 들면, 음성 스타일 특징은 발화 스타일(예: 어조, 어투, 말투 등), 발화 속도, 악센트, 억양, 음 높낮이, 소리 크기, 주파수 등을 포함할 수 있다. 또한, 본 개시에서, '배역'은 텍스트를 발화하는 화자 또는 캐릭터를 포함할 수 있다. 또한, '배역'은 각 배역에 대응하는 미리 결정된 음성 스타일 특징을 포함할 수 있다. '배역'과 '음성 스타일 특징'은 구별되어 사용되고 있으나, '배역'은 '음성 스타일 특징'에 포함될 수 있다.
본 개시에서, '설정 정보'는 사용자 인터페이스를 통해 하나 이상의 문장에 설정된 음성 스타일 특징을 구별할 수 있도록 하는 시각적으로 인식 가능한 정보를 포함할 수 있다. 예를 들면, 하나 이상의 문장에 적용된 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄, 밑줄 스타일 등과 같은 정보를 의미할 수 있다. 다른 예로서, 음성 스타일, 효과음 또는 묵음을 나타내는 '#3', '느리게', '1.5s'와 같은 설정 정보는 사용자 인터페이스를 통해 표시될 수 있다.
본 개시에서, '문장'은, 복수의 텍스트가 마침표, 느낌표, 물음표, 따옴표, 등의 문장 부호를 기준으로 분리된 것을 의미할 수 있다. 예를 들면, '오늘은 고객분들과 만나 질문을 듣고 답하는 날입니다.' 라는 텍스트는 마침표를 기준으로 이어지는 텍스트와 별개의 문장으로 분리될 수 있다. 또한, '문장'은 사용자의 문장 분리에 대한 입력으로 텍스트를 문장으로 분리할 수 있다. 즉, 텍스트가 문장 부호를 기준으로 분리되어 형성된 하나의 문장은 사용자의 문장 분리에 대한 입력으로 적어도 두 문장으로 분리될 수 있다. 예를 들면, 사용자가 '밥을 먹고 집에 갔다.'의 문장의 '먹고' 이후에서 엔터(Enter)를 입력함으로써, '밥을 먹고'의 문장과 '집에 갔다.'의 문장으로 분리할 수 있다.
본 개시에서, '문장 세트'는 하나 이상의 문장으로 구성될 수 있고, 문장 세트의 그룹화로 형성된 그룹은 하나 이상의 문장 세트로 구성될 수 있다. '문장 세트'와 '문장'은 구별되어 사용되고 있으나, '문장'은 '문장 세트'를 포함할 수 있다.
도 1은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(100)을 나타낸 도면이다. 음성 합성 서비스를 제공하는 사용자 인터페이스는 사용자에 의해 조작 가능한 사용자 단말에 제공될 수 있다. 여기서, 사용자 단말은 하나 이상의 프로세서 및 메모리를 가진 임의의 전자 디바이스를 지칭할 수 있다.
사용자 인터페이스는, 도시된 바와 같이, 사용자 단말에 연결되거나 포함된 출력 장치(예: 디스플레이)에 표시될 수 있다. 또한, 사용자 인터페이스는 사용자로부터 사용자 단말과 연결되거나 포함된 입력 장치(예를 들어, 키보드 등)를 통해 텍스트 정보(예를 들어, 하나 이상의 문장, 하나 이상의 문구, 하나 이상의 단어, 하나 이상의 음소 등)를 수신하고, 수신된 텍스트 정보에 대응하는 합성 음성을 제공하도록 구성될 수 있다. 이 경우, 입력된 텍스트 정보는 텍스트에 대응하는 합성 음성을 제공하도록 구성된 합성 음성 생성 시스템에 제공될 수 있다. 예를 들어, 합성 음성 생성 시스템은 하나 이상의 문장 및 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여, 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 출력 음성 데이터를 생성하도록 구성될 수 있다. 이러한 합성 음성 생성 시스템은 사용자 단말, 사용자 단말이 접근 가능한 시스템 등 임의의 컴퓨팅 장치에 의해 실행될 수 있다.
음성 합성 서비스를 제공하기 위하여, 하나 이상의 문장이 사용자 인터페이스를 통해 수신될 수 있다. 사용자 인터페이스 화면(100)에 도시된 바와 같이, 음성 합성이 수행될 복수의 문장(110)이 수신되어 디스플레이를 통해 표시될 수 있습니다. 일 실시예에서, 입력장치(예를 들어, 키보드)를 통해 복수의 문장에 대한 입력이 수신되어, 입력된 복수의 문장(110)이 표시될 수 있다. 다른 실시예에서, 복수의 문장을 포함하는 문서 형식의 파일이 사용자 인터페이스를 통해 업로드되어, 문서 파일 내에 포함된 복수의 문장이 출력될 수 있다. 예를 들어, 사용자 인터페이스 화면(100)의 좌측 상단에 배치된 '불러오기' 아이콘(128)이 클릭되면, 사용자 단말에서 접근 가능하거나 클라우드 시스템을 통해 접근 가능한 문서 형식의 파일이 사용자 인터페이스를 통해 업로드될 수 있다. 여기서, 문서 형식의 파일은, 합성 음성 생성 시스템에서 지원가능한 임의의 문서 형식의 파일, 예를 들어, 사용자 인터페이스를 통해 편집 가능한 프로젝트 파일, 텍스트 파일 등을 지칭할 수 있다.
사용자 인터페이스를 통해 수신된 복수의 문장은 하나 이상의 문장 세트로 분리될 수 있다. 일 실시예에 따르면, 사용자가 사용자 인터페이스를 통해 표시된 복수의 문장을 편집하여 하나 이상의 문장 세트로 분리할 수 있다. 다른 실시예에 따르면, 사용자 인터페이스를 통해 수신된 복수의 문장은 자연어 처리(Natural Language Processing) 등을 통해 분석되고, 하나 이상의 문장 세트로 분리될 수 있다. 분리된 하나 이상의 문장 세트가 사용자 인터페이스를 통해 표시될 수 있다. 예를 들어, 사용자 인터페이스 화면(100)에 도시된 바와 같이, '오늘은 고객분들과 만나 질문을 듣고 답하는 날입니다.'의 문장과 '오늘 대표님은 텍스트에 감성을 입히는 인공 지능 성우 서비스에 대해 설명하신다고 합니다.'의 문장은 하나의 문장 세트(이하, 'A 세트', 112_1)로 분리될 수 있다. 또한, '안녕하세요, 대표입니다.'의 문장, '음...'의 문장, '만나뵙게 되어서 기쁩니다.'의 문장 및 '본 서비스는 인공지능 딥러닝 기술을 활용해 특정인의 목소리 스타일, 특징 등을 학습하여 누구든지 개성과 감성이 담긴 오디오 콘텐츠를 생성할 수 있는 서비스 입니다.'의 문장은 다른 하나의 문장 세트(이하, 'B세트', 112_2)로 분리될 수 있다. 이와 유사한 방식으로, '질문있으신 분은 손을 들고 질문해주세요.'의 문장과 '네, 앞쪽 여성분 질문해주세요.'의 문장은 또 다른 하나의 문장 세트(이하, 'C세트', 112_3)로 분리될 수 있다.
분리된 하나 이상의 문장 세트에 대응하는 배역이 결정될 수 있다. 일 실시예에 따르면, 복수의 상이한 문장 세트의 각각에는 서로 상이한 배역이 결정되거나, 이와 달리, 동일한 배역이 결정될 수 있다. 예를 들면, 사용자 인터페이스 화면(100)에 도시된 바와 같이, A 세트(112_1)에는 배역으로 '진혁'(114_1)이 결정될 수 있고, B 세트(112_2)에는 다른 배역인 '범수'(114_2)로 결정될 수 있다. 또한, C 세트(112_3)에는 A 세트(112_1)와 동일한 배역인 '진혁'(114_1)으로 결정될 수 있다. 이 경우, 결정된 배역에 대응하는 미리 결정된 음성 스타일 특징이 각 문장 세트에 설정되거나 결정될 수 있다. 이러한 배역에 대응하는 음성 스타일 특징도 사용자의 입력에 따라 변경될 수 있다.
일 실시예에 따르면, A 세트(112_1) 및 C 세트(112_3)에 해당하는 배역인 '진혁'(114_1)은 사용자 인터페이스를 통해 제공되는 다른 배역(예를 들어, 찬구 등)으로 변경할 수 있다. 예를 들어, '진혁'(114_1)에 대응하는 부분이 선택됨으로써, 하나 이상의 배역들이 사용자 인터페이스를 통해 표시될 수 있다. 그리고 나서, 표시된 하나 이상의 배역 중에서, 사용자가 하나의 배역을 선택함으로써, '진혁'(114_1)의 배역이 선택된 하나의 배역으로 변경될 수 있다. 이렇게 변경되는 경우, A 세트(112_1) 및 C 세트(112_3)에 대응하는 이전 배역인 '진혁'이 선택된 배역으로 변경될 수 있다. 이 경우, 선택된 배역에 대응되는 미리 결정된 음성 스타일 특징이 A 세트(112_1) 및 C 세트(112_3)에 설정될 수 있다.
분리된 하나 이상의 문장 세트는 자연어 처리 등을 이용하여 분석될 수 있으며, 복수의 상이한 문장 세트 중 일부의 문장 세트는 그룹화될 수 있다. 여기서, 하나의 그룹으로 그룹화된 복수의 상이한 문장 세트에는 서로 동일한 배역이 결정될 수 있다. 예를 들면, 자연어 처리 등을 통해 분석한 결과를 기초로, A 세트(112_1)와 C 세트(112_3)는 동일 화자의 문장 세트에 해당되어 하나의 그룹으로 그룹화될 수 있다. 이에 따라, A 세트(112_1)와 C 세트 (112_3)에는 하나 이상의 배역 후보가 추천될 수 있다. 사용자는 추천된 하나 이상의 배역 후보 중 하나를 선택하는 것에 응답하여, 동일한 배역이 A 세트(112_1)와 C 세트(112_3)에 선정되거나 결정될 수 있다. 예를 들어, 사용자 인터페이스 화면(100)에 도시된 바와 같이, A 세트(112_1)와 C 세트 (112_3)에는 '진혁'(114_1)이라는 배역이 결정될 수 있다.
수신된 하나 이상의 문장에 대한 음성 스타일 특징이 결정될 수 있다. 이러한 음성 스타일 특징은 하나 이상의 문장에 대한 설정 정보에 기초하여 결정되거나 변경될 수 있다. 일 실시예에서, 이러한 설정 정보는 사용자 입력에 따라 결정되거나 변경될 수 있다. 예를 들어, 사용자는 사용자 인터페이스 화면(100)의 좌측 하단에 위치된 복수의 아이콘(136)을 통해 설정 정보를 입력하거나 변경할 수 있다. 다른 실시예에 따르면, 합성 음성 생성 시스템은 하나 이상의 문장을 분석하여 자동적으로 하나 이상의 문장에 대한 설정 정보를 결정할 수 있다. 예를 들어, 사용자 인터페이스 화면(100)에 도시된 바와 같이, '대표입니다.'의 문장에 '#3'(116)이 설정 정보로써 결정되어 표시될 수 있고, '대표입니다.'의 문장에 대한 음성 스타일 특징은 '#3'(116)와 대응하는 '쑥스러운 듯'이라는 음성 스타일 특징으로 결정될 수 있다. 다른 예로서, '만나뵙게 되어서 기쁩니다.'의 문장에 '느리게'(118)가 설정 정보로써 결정되어 표시될 수 있고, '만나뵙게 되어서 기쁩니다.'의 문장에 대한 음성 스타일 특징은 느린 속도의 스타일 특징으로 결정될 수 있다.
이렇게 결정된 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 합성 음성은 사용자 인터페이스를 통해 출력될 수 있다. 일 실시예에 따르면, 합성 음성 생성 시스템은 하나 이상의 문장 및 음성 스타일 특징을 인공신경망 텍스트 합성 음성 모델에 입력하여, 음성 스타일 특징이 반영된 출력 음성 데이터를 생성하고 사용자 인터페이스를 통해 제공할 수 있다. 합성 음성은 출력 음성 데이터를 기초로 생성될 수 있다.
사용자 요청에 응답하여, 생성된 합성 음성을 포함하는 오디오 콘텐츠가 생성되고 사용자 인터페이스를 통해 제공될 수 있다. 여기서, 오디오 콘텐츠는 생성된 합성 음성 이외에 임의의 소리 및/또는 무음을 포함할 수 있다. 일 실시예에서, 사용자는 사용자 인터페이스 화면(100)의 하단에 표시되는 바(bar)(122)에서 재생을 나타내는 아이콘을 클릭함으로써 오디오 콘텐츠를 요청하면, 오디오 콘텐츠의 스트리밍이 사용자 단말과 연결되거나 포함된 스피커를 통해 출력될 수 있다. 이 경우, 예를 들어, 사용자 인터페이스 화면(100)의 하단에 표시되는 바(bar)(122)의 우측에 배치된 스트리밍 바(bar)가 표시되고, 스트리밍 바(134)에서 합성 음성의 전체에서의 현재 출력되고 있는 음성의 위치가 표시될 수 있다. 다른 예로서, 사용자가 사용자 인터페이스 화면(100)의 좌측 상단에 표시되는 '다운로드' 아이콘(124)을 클릭하면, 오디오 콘텐츠는 사용자 단말에 다운로드될 수 있다.
일 실시예에 따르면, 사용자는 사용자 인터페이스 화면(100)의 좌측 상단에 배치된 '새파일' 아이콘(132)을 클릭함으로써, 새로운 음성 합성 작업 파일을 생성할 수 있다. 본 개시에서, '새파일' 아이콘(132)을 통해 생성된 파일인 '테스트 파일'이 사용자 인터페이스 화면(100)의 하단에 표시되는 바(bar)(122)에 표시될 수 있다. 또한, 사용자는 합성 음성 서비스를 위한 텍스트의 편집 및/또는 합성 음성을 생성하는 작업이 가능하고, '보관하기' 아이콘(130)을 클릭함으로써, 작업 중인 파일을 저장할 수 있다. 또한, 사용자는 '공유하기' 아이콘(126)을 클릭함으로써, 입력된 텍스트에 대응하는 합성 음성을 다른 사용자에게 공유할 수 있다.
본 개시의 텍스트에 대한 합성 음성을 생성하기 위한 사용자 인터페이스는 사용자 단말기에 의해 실행되는 다양한 방식으로 사용자에게 제공될 수 있는데, 예를 들어, 웹 브라우저, 애플리케이션 등을 통해 사용자에게 제공될 수 있다. 또한, 도 1의 사용자 인터페이스 화면(100)에서, 바 및/또는 아이콘이 특정 위치에 배치되도록 도시되어 있으나, 이에 한정되지 않고, 사용자 인터페이스 화면(100)의 임의의 위치에 배치될 수 있다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성을 생성하는 서비스를 제공하기 위하여, 복수의 사용자 단말(210_1, 210_2, 210_3)과 합성 음성 생성 시스템(230)이 통신 가능하도록 연결된 구성(200)을 나타내는 개요도이다.
복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 합성 음성 생성 시스템(230)과 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210_1, 210_2, 210_3)과 합성 음성 생성 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크(220), 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크(220) 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(예를 들어, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(220)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(220)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
도 2에서 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2) 및 랩탑 또는 데스크탑 컴퓨터(210_3)가 음성 합성 서비스를 제공하는 사용자 인터페이스를 실행하거나 동작하는 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 웹 브라우저, 모바일 브라우저 애플리케이션 또는 음성 합성 생성 애플리케이션이 설치되어 음성 합성 서비스를 제공하는 사용자 인터페이스가 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말(210)은, 스마트폰, 휴대폰, 내비게이션 단말기, 데스크탑 컴퓨터, 랩탑 컴퓨터, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 컴퓨터, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 합성 음성 생성 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 합성 음성 생성 시스템(230)과 통신하도록 구성될 수도 있다.
사용자 단말(210_1, 210_2, 210_3)은 음성 합성 서비스를 제공하는 사용자 인터페이스를 통해 하나 이상의 문장을 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(210_1, 210_2, 210_3)와 연결되거나 포함된 입력장치(예를 들면, 키보드)를 통한 하나 이상의 문장에 대한 입력에 따라, 사용자 단말(210_1, 210_2, 210_3)은 하나 이상의 문장이 수신될 수 있다. 다른 실시예에 따르면, 사용자 인터페이스를 통해 업로드된 문서 형식의 파일 내에 포함된 하나 이상의 문장이 수신될 수 있다. 이렇게 수신된 하나 이상의 문장은 합성 음성 생성 시스템(230)에 제공될 수 있다.
사용자 단말(210_1, 210_2, 210_3)은 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 결정하거나 변경할 수 있다. 일 실시예에 따르면, 사용자 단말은 사용자 인터페이스를 통해 출력된 하나 이상의 문장 중 적어도 일부에 대한 문장을 선택하고, 선택된 문장에 대해 특정 음성 스타일을 나타내는 미리 결정된 값 및/또는 용어를 지정함으로써, 선택된 문장에 대한 설정 정보를 결정하거나 변경할 수 있다. 이러한 설정 정보의 결정 또는 변경은 사용자 입력에 응답하여 수행될 수 있다. 다른 실시예에 따르면, 사용자 단말(210_1, 210_2, 210_3)은 출력된 하나 이상의 문장 중 적어도 일부에 대한 시각적으로 표시하기 위한 설정 정보(예를 들어, 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄 또는 밑줄 스타일 등)를 변경할 수 있다. 예를 들면, 사용자 단말(210_1, 210_2, 210_3)은 출력된 하나 이상의 문장 중 적어도 일부에 대한 폰트 크기를 10에서 12로 변경함으로써, 출력된 적어도 일부에 대한 설정 정보를 변경할 수 있다. 다른 예로서, 사용자 단말(210_1, 210_2, 210_3)은 출력된 하나 이상의 문장 중 적어도 일부에 대한 폰트 색상을 검정에서 빨강으로 변경함으로써, 출력된 적어도 일부에 대한 설정 정보를 변경할 수 있다.
일 실시예에 따르면, 사용자 단말은 하나 이상의 문장에 대해 결정되거나 변경된 설정 정보에 응답하여, 해당 문장에 대한 음성 스타일을 결정하거나 변경할 수 있다. 변경된 음성 스타일은 합성 음성 생성 시스템(230)에 제공될 수 있다. 다른 실시예에 따르면, 사용자 단말은 하나 이상의 문장에 대해 결정되거나 변경된 설정 정보를 합성 음성 생성 시스템(230)에 제공하고, 합성 음성 생성 시스템(230)이 결정되거나 변경된 설정 정보에 대응하는 음성 스타일을 결정하거나 변경할 수 있다.
일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 사용자 입력에 응답하여, 복수의 문장 사이에 삽입될 효과의 특성을 나타내는 시각적인 표시를 추가할 수 있다. 예를 들면, 사용자 단말(210_1, 210_2, 210_3)은 사용자 인터페이스를 통해 출력된 복수의 문장 중 두 문장 사이에 삽입될 미리 결정된 효과음을 나타내는 시각적 표시인 '#2'를 추가하는 입력을 수신할 수 있다. 다른 예로서, 사용자 단말(210_1, 210_2, 210_3)은 사용자 인터페이스를 통해 출력된 복수의 문장 중 두 문장 사이에 삽입될 묵음의 시간을 나타내는 시각적 표시인 '1.5s'를 추가하는 입력을 수신할 수 있다. 이렇게 추가된 시각적 표시는 합성 음성 생성 시스템(230)에 제공되어, 추가된 시각적 표시에 대응되는 효과음(묵음 포함)이 생성된 합성 음성에 포함되거나 반영될 수 있다.
사용자 단말(210_1, 210_2, 210_3)은 사용자 인터페이스를 통해 출력된 하나 이상의 문장, 하나 이상의 문장 세트 및/또는 그룹화된 문장 세트에 대응하는 배역을 결정할 수 있다. 예를 들면, 합성 음성 생성 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 하나의 문장 세트에 대응하는 배역을 '범수'로 결정하는 입력을 수신하고, 하나 이상의 문장 세트에 '범수'라는 배역을 결정할 수 있다. 그리고 나서, 사용자 단말(210_1, 210_2, 210_3)은 결정된 배역에 대응하는 음성 스타일(예: 결정된 배역에 해당하는 미리 결정된 음성 스타일)을 설정하고, 설정된 음성 스타일을 합성 음성 생성 시스템(230)에 제공할 수 있다. 이와 달리, 사용자 단말(210_1, 210_2, 210_3)은 사용자 입력에 따라 결정된 배역을 합성 음성 생성 시스템(230)에 제공할 수 있으며, 합성 음성 생성 시스템(230)은 결정된 배역에 대응하는 미리 결정된 음성 스타일을 설정할 수 있다.
합성 음성 생성 시스템(230)은 수신된 하나 이상의 문장 또는 문장 세트를 분석하고 분석된 결과를 기초로 해당 문자 또는 문장 세트에 배역 후보 및/또는 음성 스타일 특징 후보를 추천할 수 있다. 여기서, 수신된 하나 이상의 문장 또는 문장 세트의 분석은 입력된 언어를 인식하여 처리할 수 있는 임의의 처리 방식이 사용될 수 있으며, 예를 들어, 자연어 처리 방식이 사용될 수 있다. 이렇게 추천된 배역 후보 또는 음성 스타일 특징 후보는 사용자 단말(210_1, 210_2, 210_3)로 전송하여, 사용자 인터페이스를 통해 해당 문장과 연관되어 출력될 수 있다. 또한, 이에 응답하여, 사용자 단말(210_1, 210_2, 210_3)은 출력된 하나 이상의 배역 후보 중 적어도 일부 및/또는 출력된 하나 이상의 음성 스타일 특징 후보 중 적어도 일부를 선택하는 사용자 입력을 수신하고, 이러한 입력에 기초하여 해당 문장에 선택된 배역 후보 및/또는 스타일 후보가 설정될 수 있다.
합성 음성 생성 시스템(230)은 결정되거나 변경된 음성 스타일 특징이 반영된 출력 음성 데이터 및/또는 이러한 출력 음성 데이터를 기초로 생성된 합성 음성을 사용자 단말(210_1, 210_2, 210_3)로 전송할 수 있다. 또한, 합성 음성 생성 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터, 합성 음성을 포함하는 오디오 콘텐츠에 대한 요청을 수신할 수 있고, 수신된 요청에 따라 사용자 단말(210_1, 210_2, 210_3)로 오디오 콘텐츠를 전송할 수 있다. 일 실시예에 따르면, 합성 음성 생성 시스템(230)은, 사용자 단말(210_1, 210_2, 210_3)로부터 합성 음성을 포함하는 오디오 콘텐츠에 대한 스트리밍 요청을 수신할 수 있고, 스트리밍 요청을 수행한 사용자 단말은 합성 음성 생성 시스템(230)으로부터 해당 오디오 콘텐츠를 수신할 수 있다. 다른 실시예에 따르면, 합성 음성 생성 시스템(230)은, 사용자 단말(210_1, 210_2, 210_3)로부터 합성 음성을 포함하는 오디오 콘텐츠에 대한 다운로드 요청을 수신할 수 있고, 다운로드 요청을 수행한 사용자 단말은 합성 음성 생성 시스템(230)으로부터 오디오 콘텐츠를 수신할 수 있다. 또 다른 실시예에 따르면, 합성 음성 생성 시스템(230)은, 사용자 단말(210_1, 210_2, 210_3)로부터 합성 음성을 포함하는 오디오 콘텐츠에 대한 공유 요청을 수신할 수 있고, 공유 요청을 수행한 사용자 단말이 지정한 사용자 단말로 오디오 콘텐츠를 전송할 수 있다.
도 2에서는 사용자 단말(210_1, 210_2, 210_3)의 각각과 합성 음성 생성 시스템(230)은 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 합성 음성 생성 시스템(230)이 사용자 단말(210_1, 210_2, 210_3)의 각각에 포함되도록 구성될 수 있다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 합성 음성 생성 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 합성 음성 생성 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에서 도시된 바와 같이, 사용자 단말(210) 및 합성 음성 생성 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.
메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 합성 음성 생성 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 인터페이스를 통한 합성 음성 서비스를 제공하기 위한 코드, 인공신경망 텍스트-합성 음성 모델을 위한 코드 등)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 합성 음성 생성 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 인공신경망 텍스트-합성 음성 모델 프로그램)에 기반하여 메모리(312, 332)에 로딩될 수 있다.
프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 합성 음성 생성 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 합성 음성 생성 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템, 별도의 오디오 콘텐츠 공유 지원 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(예를 들어, 오디오 콘텐츠 다운로드 요청, 오디오 콘텐츠 스트리밍 요청)은 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 합성 음성 생성 시스템(230)으로 전달될 수 있다. 역으로, 합성 음성 생성 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.
입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 키보드, 마이크로폰, 마우스, 이미지 센서를 포함한 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 합성 음성 생성 시스템(230)이나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이나 콘텐츠가 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 합성 음성 생성 시스템(230)의 입출력 인터페이스(338)는 합성 음성 생성 시스템(230)과 연결되거나 합성 음성 생성 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.
사용자 단말(210) 및 합성 음성 생성 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래 기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.
프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드 등의 입력 장치(320)를 통해 입력되거나 선택된 텍스트, 이미지 등을 수신할 수 있으며, 수신된 텍스트 및/또는 이미지를 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 터치 스크린, 키보드 등의 입력 장치를 통하여 하나 이상의 문장을 구성하는 텍스트 정보, 음성 스타일 특징 변경에 대한 요청, 오디오 콘텐츠 스트리밍 요청, 오디오 콘텐츠 다운로드 요청 등을 수신할 수 있다. 이에 따라 수신된 요청 및/또는 이러한 요청을 처리한 결과는 통신 모듈(316) 및 네트워크(220)를 통해 합성 음성 생성 시스템(230)에 제공될 수 있다.
프로세서(314)는 텍스트 정보(예를 들어, 하나 이상의 문단, 문장, 문구, 단어, 음소 등)에 대한 입력을 입력 장치(320)를 통해 수신할 수 있다. 일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통한, 하나 이상의 문장을 구성하는 텍스트 입력을 입출력 인터페이스(318)를 통해 수신할 수 있다. 다른 실시예에 따르면, 프로세서(314)는 하나 이상의 문장을 포함하고 있는 문서 형식의 파일을 사용자 인터페이스를 통해 업로드 하는 입력을 입력 장치(320) 및 입출력 인터페이스(318)를 통해 수신할 수 있다. 여기서, 프로세서(314)는 이러한 입력에 응답하여, 메모리(312)로부터 입력에 대응하는 문서 형식의 파일을 수신할 수 있다. 프로세서(314)는 이러한 입력에 응답하여, 파일에 포함된 하나 이상의 문장을 수신할 수 있다. 이렇게 수신된 하나 이상의 문장을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 이와 달리, 프로세서(314)는 업로드된 파일을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공하고, 합성 음성 생성 시스템(230)으로부터 파일 내에 포함된 하나 이상의 문장을 수신하도록 구성될 수 있다.
프로세서(314)는 하나 이상의 문장의 음성 스타일 특징에 대한 입력을 입력 장치(320)를 통해 수신하고, 하나 이상의 문장에 대한 음성 스타일 특징을 결정할 수 있다. 수신된 음성 스타일 특징에 대한 입력 및/또는 결정된 음성 스타일 특징은 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 하나 이상의 문장의 음성 스타일 특징에 대한 입력은 음성 스타일 특징을 변경하고자 하는 부분을 선택하는 임의의 동작을 포함할 수 있다. 여기서, 음성 스타일 특징을 변경하고자 하는 부분은 하나의 이상의 문장, 하나 이상의 문장 중 적어도 일부, 복수의 문장 사이의 부분, 하나 이상의 문장 세트, 그룹화된 문장 세트 등을 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통해 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 결정하거나 변경하는 입력을 수신할 수 있다. 예를 들면, 프로세서(314)는 발화 스타일 또는 발화 속도에 대한 설정 정보를 변경하는 입력을 수신할 수 있다. 다른 예로서, 프로세서(314)는 하나 이상의 문장 중 일부에 대하여, 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄 또는 밑줄 스타일 등과 같은 시각적으로 표시하기 위한 설정 정보를 변경하는 입력을 수신할 수 있다. 또 다른 예로서, 프로세서(314)는 합성 음성 생성 시스템(230)으로부터 수신된 하나 이상의 음성 스타일 특징 후보 중 적어도 일부를 선택하는 입력을 수신할 수 있다. 또 다른 예로서, 프로세서(314)는 하나 이상의 문장 중 적어도 일부에 대한 음성 스타일 특징을 변경하기 위한 인터페이스를 통해 음성 스타일 특징을 나타내는 값을 변경하는 입력을 수신할 수 있다. 이렇게 수신된 입력을 기초로, 프로세서(314)는 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 결정하거나 변경할 수 있다. 이와 달리, 프로세서(314)는 수신된 입력을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)으로 제공하고, 합성 음성 생성 시스템(230)으로부터 설정 정보에 따라 결정되거나 변경된 음성 스타일 특징을 수신할 수 있다.
다른 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통해 복수의 문장 사이에 삽입될 효과의 특성을 나타내는 시각적인 표시를 추가하는 입력을 수신할 수 있다. 예를 들면, 프로세서(314)는 복수의 문장 사이에 삽입될 효과음을 나타내는 시각적인 표시를 추가하는 입력을 수신할 수 있다. 다른 예로서, 프로세서(314)는 복수의 문장 사이에 삽입될 묵음의 시간을 나타내는 시각적인 표시를 추가하는 입력을 수신할 수 있다. 프로세서(314)는 효과음을 나타내는 시각적 표시를 추가하는 입력을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공하고, 합성 음성 생성 시스템(230)으로부터 효과음을 포함하거나 반영한 합성 음성을 수신할 수 있다.
프로세서(314)는 입력 장치(320)를 통해 하나 이상의 문장 또는 문장 세트에 대응하는 배역에 대한 입력을 입력 장치를 통해 수신하고, 수신된 입력에 기초하여 하나 이상의 문장 또는 문장 세트에 대한 배역을 결정할 수 있다. 예를 들면, 프로세서(314)는 하나 이상의 배역을 포함하는 목록 중 적어도 일부를 선택하는 입력을 수신할 수 있다. 다른 예로서, 프로세서(314)는 합성 음성 생성 시스템(230)으로부터 수신된 하나 이상의 배역 후보 중 적어도 일부를 선택하는 입력을 수신할 수 있다. 그리고 나서, 프로세서(314)는 해당 문장 또는 문장 세트에 대해 결정된 배역에 대응하는 미리 결정된 음성 스타일 특징을 설정하도록 구성될 수 있다. 이렇게 설정된 음성 스타일 특징은 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 이와 달리, 프로세서(314)는 해당 문장 또는 문장 세트에 대해 결정된 배역을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공하고, 합성 음성 생성 시스템(230)으로부터 결정된 배역에 대응하는 미리 결정된 음성 스타일 특징을 수신하고, 해당 문장 또는 문장 세트에 대한 음성 스타일 특징을 결정할 수 있다.
프로세서(314)는 오디오 콘텐츠에 대한 요청을 나타내는 입력을 입력 장치(320) 및 입출력 인터페이스(318)를 통해 수신할 수 있고, 수신된 입력에 대응하는 요청을 통신 모듈(316)을 통해 합성 음성 생성 시스템(230)에 제공할 수 있다. 일 실시예에 따르면, 프로세서(314)는 입력 장치(320)를 통해 오디오 콘텐츠 다운로드 요청에 대한 입력을 수신할 수 있다. 다른 실시예에서, 프로세서(314)는 입력 장치(320)를 통해 오디오 콘텐츠 스트리밍 요청에 대한 입력을 수신할 수 있다. 또 다른 실시예에서, 프로세서(314)는 입력 장치(320)를 통해 오디오 콘텐츠 공유 요청에 대한 입력을 수신할 수 있다. 프로세서(314)는 이러한 입력에 응답하여, 합성 음성 생성 시스템(230)으로부터 통신 모듈(316)을 통해 합성 음성을 포함하는 오디오 콘텐츠를 수신할 수 있다.
프로세서(314)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(314)는 하나 이상의 문장은 디스플레이 출력 가능 장치 등을 통해 표시될 수 있다. 예를 들면, 프로세서(314)는 입력 장치(320)로부터 수신한 하나 이상의 문장을 사용자 단말(210)의 화면을 통해 출력할 수 있다. 다른 예로서, 프로세서(314)는 메모리(312)로부터 수신한 문서 형식의 파일에 포함된 하나 이상의 문장을 사용자 단말(210)의 화면을 통해 출력할 수 있다. 이 경우, 프로세서(314)는 수신된 하나 이상의 문장과 함께 시각적인 표시 또는 설정 정보를 출력하거나, 설정 정보가 반영된 하나 이상의 문장을 출력할 수 있다.
프로세서(314)는 하나 이상의 문장 중 적어도 일부에 대한 음성 스타일 특징을 결정하거나 변경하기 위한 인터페이스를 사용자 단말(210)의 화면을 통해 출력할 수 있다. 예를 들면, 프로세서(314)는 하나 이상의 문장 중 적어도 일부에 대한 발화 스타일, 발화 속도, 효과음, 묵음의 시간 등을 포함하는 음성 스타일 특징을 설정하거나 변경하기 위한 인터페이스를 사용자 단말(210)의 화면을 통해 출력할 수 있다. 다른 예로서, 프로세서(314)는 합성 음성 생성 시스템(230)으로부터 수신한 추천된 배역 후보 또는 추천된 음성 스타일 특징 후보를 사용자 단말(210)의 화면을 통해 출력할 수 있다.
프로세서(314)는 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 음성 출력 가능 장치를 통해 출력할 수 있다. 예를 들면, 프로세서(314)는 합성 음성 생성 시스템(230)으로부터 수신한 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 스피커를 통해 출력할 수 있다.
합성 음성 생성 시스템(230)의 프로세서(334)는 사용자 단말(210)을 포함한 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336)을 통해 사용자 단말(210)에 제공할 수 있다. 예를 들어, 처리된 정보 및/또는 데이터는 사용자 단말(210)에 실시간으로 제공되거나 추후에 이력 형태로 제공될 수 있다. 예를 들어, 프로세서(334)는 통신 모듈(336)을 통해 사용자 단말(210)로부터 하나 이상의 문장을 수신할 수 있다.
프로세서(334)는 통신 모듈(336)을 통해 사용자 단말(210)로부터 하나 이상의 문장의 음성 스타일 특징에 대한 입력을 수신하여, 수신된 하나 이상의 문장에 수신된 입력에 대응하는 음성 스타일 특징을 결정할 수 있다. 일 실시예에 따르면, 프로세서(334)는 사용자 단말(210)로부터 수신한 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 변경하는 입력에 대응하는 음성 스타일 특징을 결정할 수 있다. 예를 들면, 프로세서(334)는 수신된 설정 정보를 변경하는 입력에 따라 발화 스타일 또는 발화 속도를 결정할 수 있다. 다른 예로서, 프로세서(334)는 수신된 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄 또는 밑줄 스타일 등과 같은 시각적으로 표시하기 위한 설정 정보를 변경하는 입력에 따라 음성 스타일 특징을 결정할 수 있다. 또 다른 예로서, 프로세서(334)는 사용자 단말(210)로부터 수신한 하나 이상의 음성 스타일 특징 후보 중 적어도 일부를 선택하는 입력에 대응하는 음성 스타일 특징을 결정할 수 있다. 또 다른 예로서, 프로세서(334)는 사용자 단말(210)로부터 수신한 음성 스타일 특징을 나타내는 값을 변경하는 입력에 대응하는 음성 스타일 특징을 결정할 수 있다. 이 경우, 음성 스타일 특징을 나타내는 값은 음소, 글자, 단어 등과 같은 단위에 대응하는 소리 높낮이, 속도, 소리 크기를 포함할 수 있다. 프로세서(334)는 결정된 음성 스타일 특징을 통신 모듈(336)을 통해 사용자 단말(210)의 프로세서(314)에 제공할 수 있으며, 이러한 수신된 특징을 기초로, 프로세서(314)는 해당 문장에 대한 음성 스타일 특징을 결정할 수 있다.
다른 실시예에 따르면, 프로세서(334)는 사용자 단말(210)로부터 수신된 복수의 문장 사이에 삽입될 효과의 특성을 나타내는 시각적인 표시를 추가하는 입력에 대응하는 음성 스타일 특징을 결정할 수 있다. 삽입될 효과의 특성을 나타내는 시각적인 표시는 삽입될 효과음을 나타내는 시각적인 표시 또는 삽입될 묵음의 시간을 나타내는 시각적인 표시를 포함할 수 있다. 프로세서(334)는 결정된 음성 스타일 특징을 통신 모듈(336)을 통해 사용자 단말(210)의 프로세서(314)에 제공할 수 있으며, 이러한 수신된 특징을 기초로, 프로세서(314)는 해당 문장 사이의 부분에 대한 음성 스타일 특징을 결정할 수 있다.
프로세서(334)는 프로세서(314)로부터 수신된 복수의 문장을 하나 이상의 문장 세트로 분리하고, 분리된 하나 이상의 문장 세트에 대응하는 배역 또는 음성 스타일 특징을 결정할 수 있다. 여기서, 프로세서는 결정된 배역에 대응하는 미리 결정된 음성 스타일 특징을 설정할 수 있다. 일 실시예에 따르면, 프로세서(334)는 자연어 처리를 이용하여 분리된 하나 이상의 문장 세트를 분석하고, 분석 결과에 기초하여, 하나 이상의 배역 후보 또는 음성 스타일 특징 후보를 추천할 수 있다. 예를 들면, 프로세서(334)는 추천한 하나 이상의 배역 후보 또는 음성 스타일 특징 후보를 사용자 단말(210)의 프로세서(314)로 전송하고, 프로세서(314)는 추천된 하나 이상의 배역 후보 또는 음성 스타일 특징 후보 중 적어도 일부에 대한 선택을 수신함으로써, 해당 문장 세트에 대응하는 배역 또는 음성 스타일 특징을 결정할 수 있다.
이와 달리. 프로세서(334)는 자연어 처리를 이용하여 분리된 하나 이상의 문장 세트를 분석하고, 분석 결과에 기초하여, 하나 이상의 문장 세트에 대응하는 하나 이상의 배역 또는 음성 스타일 특징을 자동으로 결정하고 사용자 단말(210)의 프로세서(314)로 제공할 수 있다. 이에 응답하여, 프로세서(314)는 하나 이상의 문장 세트에 대응하는 하나 이상의 배역 또는 음성 스타일 특징을 결정하거나 설정할 수 있다.
다른 실시예에 따르면, 프로세서(334)는 자연어 처리를 이용하여 분리된 하나 이상의 문장 세트를 분석하여 그룹화할 수 있고, 분석 결과에 기초하여 그룹화된 문장 세트의 각각에 대응하는 하나 이상의 배역 후보를 추천할 수 있다. 예를 들면, 프로세서(334)는 추천한 하나 이상의 배역 후보를 사용자 단말(210)의 프로세서(314)로 전송하고, 프로세서(314)는 추천된 하나 이상의 배역 후보 중 적어도 일부에 대한 선택을 수신함으로써, 해당 그룹화된 문장 세트에 대응하는 배역을 결정할 수 있다.
프로세서(334)는 하나 이상의 문장 및 결정되거나 변경된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여, 결정되거나 변경된 음성 스타일 특징이 반영된 상기 하나 이상의 문장에 대한 출력 음성 데이터를 생성할 수 있다. 일 실시예에 따르면, 이러한 인공신경망 텍스트-합성 음성 모델은 복수의 참조 문장 및 복수의 참조 음성 스타일 등을 이용하여, 입력 텍스트 및 입력된 음성 스타일에 대응하는 음성 데이터가 출력되거나 합성 음성이 생성되도록 구성될 수 있다. 프로세서(334)는 생성된 출력 음성 데이터를 기초로 합성 음성을 생성할 수 있고, 합성 음성을 포함하는 오디오 콘텐츠를 생성할 수 있다. 예를 들어, 프로세서(334)는 생성된 출력 음성 데이터를 후처리 프로세서 및/또는 보코더에 입력하여 합성 음성을 출력하도록 구성될 수 있다. 프로세서(334)는 합성 음성 생성 시스템(230)의 메모리(332)에 생성된 오디오 콘텐츠를 저장할 수 있다.
프로세서(334)는 생성된 합성 음성 또는 오디오 콘텐츠를 통신 모듈(336)을 통해 복수의 사용자 단말(210) 또는 다른 시스템으로 전송할 수 있다. 예를 들면, 프로세서(334)는 생성된 오디오 콘텐츠를 통신 모듈(336)을 통해 스트리밍 요청을 수행한 사용자 단말(210)로 전송하고, 생성된 오디오 콘텐츠는 사용자 단말(210)에서 스트리밍되도록 할 수 있다. 다른 예로서, 프로세서(334)는 생성된 오디오 콘텐츠를 통신 모듈(336)을 통해 다운로드 요청을 수행한 사용자 단말(210)로 전송하고, 생성된 오디오 콘텐츠는 사용자 단말(210)의 메모리(312)에 저장되도록 할 수 있다. 또 다른 실시예에 따르면, 프로세서(334)는 생성된 오디오 콘텐츠를 영상 콘텐츠에 믹싱할 수 있다. 여기서 영상 콘텐츠는 복수의 사용자 단말(210), 다른 시스템, 또는 합성 음성 생성 시스템(230)의 메모리(332)로부터 수신할 수 있다.
프로세서(334)는 하나 이상의 문장에 대한 출력 음성 데이터 또는 생성된 합성 음성을 검수할 수 있다. 일 실시예에 따르면, 프로세서(334)는 출력 음성 데이터 또는 합성 음성이 적절히 생성되었는지 판단하기 위하여, 음성 인식기를 동작시키도록 구성될 수 있다. 예를 들어, 이러한 음성 인식기는 합성 음성으로부터 인식된 텍스트 정보를 검수할 수 있을 뿐만 아니라, 합성 음성의 감정, 운율 등이 적절한지 검수하도록 구성될 수 있다. 이렇게 검수된 결과에 기초하여 프로세서(334)는 하나 이상의 문장에 대해 설정된 음성 스타일 특징 및/또는 배역에 대한 적절성 여부를 판단할 수 있다. 이와 더불어, 프로세서(334)는 하나 이상의 문장에 대한 새로운 배역 후보 또는 음성 스타일 특징 후보를 추천하여 사용자 단말(210)에 제공할 수 있고, 사용자 단말(210)의 프로세서(314)는 추천된 배역 후보 또는 음성 스타일 특징 후보 중 하나를 선택하여 해당 문장에 대한 배역 또는 음성 스타일 특징을 결정할 수 있다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말(210)의 프로세서(314)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이 프로세서(314)는 문장 편집 모듈(410), 배역 결정 모듈(420), 스타일 결정 모듈(430) 및 음성 출력 모듈(440)을 포함할 수 있다.
문장 편집 모듈(410)은 복수의 문장을 하나 이상의 문장 세트로 분리할 수 있다. 일 실시예에 따르면, 문장 편집 모듈(410)은 사용자 인터페이스를 통해 문장 분리에 대한 입력(예: 텍스트 입력 후 엔터 입력)을 수신하여, 복수의 문장을 하나 이상의 문장 세트로 분리할 수 있다.
배역 결정 모듈(420)은 분리된 하나 이상의 문장 세트에 대응하는 배역을 결정할 수 있다. 일 실시예에 따르면, 배역 결정 모듈(420)은 사용자 인터페이스를 통해 수신된 하나 이상의 문장 세트에 대응하는 배역 선택에 대한 입력에 기초하여, 하나 이상의 문장 세트에 대응하는 배역을 결정하거나 변경할 수 있다. 이 경우, 하나 이상의 문장 세트에는 결정되거나 변경된 배역에 대응하는 미리 결정된 음성 스타일 특징을 결정할 수 있다.
스타일 결정 모듈(430)은 수신한 하나 이상의 문장에 대응하는 음성 스타일 특징을 결정할 수 있다. 일 실시예에 따르면, 스타일 결정 모듈(430) 사용자 인터페이스를 통해 수신된 하나 이상의 문장에 대응하는 음성 스타일 특징 선택에 대한 입력에 기초하여, 하나 이상의 문장 세트에 대응하는 음성 스타일 특징을 결정하거나 변경할 수 있다.
본 개시에서는, 배역 결정 모듈(420) 및 스타일 결정 모듈(430)이 프로세서(314)에 포함되도록 도시되어 있으나, 이에 한정되지 않고, 합성 음성 생성 시스템(230)의 프로세서(334)에 포함되도록 구성될 수 있다. 또한, 도 4에서는 배역 결정 모듈(420)과 스타일 결정 모듈(430)은 별개의 모듈로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어 배역 결정 모듈(420)이 스타일 결정 모듈(430)에 포함되도록 구현될 수 있다. 배역 결정 모듈(420) 및 스타일 결정 모듈(430)을 통해 결정된 음성 스타일 특징은 해당 하나 이상의 문장과 함께 합성 음성 생성 시스템에 제공될 수 있다. 합성 음성 생성 시스템은 수신된 하나 이상의 문장 및 이에 대응하는 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 인공신경망 텍스트-합성 음성 모델로부터 음성데이터를 출력할 수 있다. 그리고 나서, 출력된 음성 데이터를 기초로 합성 음성이 생성될 수 있다. 생성된 합성 음성은 음성 출력 모듈(450)을 통해 출력될 수 있다.
음성 출력 모듈(450)에 의해 합성 음성이 출력된 이후에, 사용자는 출력된 합성 음성을 미리 듣고, 해당 문장, 해당 문장에 대한 배역 및/또는 해당 문장에 대한 음성 스타일 특징을 편집하거나 변경할 수 있다. 일 실시예에 따르면, 문장 편집 모듈(410)은 출력된 합성 음성 중에 적합하지 않은 문장에 대한 편집을 나타내는 입력을 수신할 수 있다. 다른 실시예에서, 배역 결정 모듈(420)은 출력된 합성 음성 중에, 배역 선정이 적합하지 않은 하나 이상의 문장 세트 중 적어도 일부를 선택하여 설정된 배역을 변경할 수 있다. 또 다른 실시예에 따르면, 스타일 결정 모듈(430)은 출력된 음성 중에, 음성 스타일 특징이 적합하지 않은 하나 이상의 문장을 선택하여, 설정된 음성 스타일 특징을 변경할 수 있다.
도 5는 본 개시의 일 실시예에 따른 합성 음성 생성 시스템(230)의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이 프로세서(334)는 음성 합성 모듈(510), 대본 분석 모듈(520), 배역 추천 모듈(530), 스타일 추천 모듈(540), 영상 합성 모듈(550)을 포함할 수 있다. 이러한 프로세서(334)에서 동작되는 모듈의 각각은 도 4의 프로세서(314)에서 동작되는 모듈의 각각과 서로 통신하도록 구성될 수 있다.
음성 합성 모듈(510)은 하나 이상의 문장 및 결정되거나 변경된 음성 스타일 특징을 인공신경망 텍스트 합성 음성 모델에 입력하여, 결정하거나 변경된 음성 스타일 특징이 반영된 출력 음성 데이터를 생성할 수 있다. 음성 합성 모듈(510)은 생성된 출력 음성 데이터를 기초로 합성 음성을 생성할 수 있다. 생성된 합성 음성은 사용자 단말에게 제공되어 사용자에게 출력될 수 있다.
대본 분석 모듈(520)은 하나 이상의 문장을 수신하고, 자연어 처리 등을 이용하여 하나 이상의 문장을 분석할 수 있다. 일 실시예에 따르면, 대본 분석 모듈(520)은 분석 결과를 기초로 수신된 복수의 문장을 하나 이상의 문장 세트로 분리할 수 있다. 또한, 대본 분석 모듈(520)은 분리된 하나 이상의 문장 세트를 분석할 수 있고, 분석 결과를 기초로 분리된 하나 이상의 문장 세트를 그룹화할 수 있다. 이렇게 분리된 하나 상의 문장 세트 및/또는 그룹화된 하나 이상의 문장 세트는 사용자 단말에게 제공되어 사용자 인터페이스를 통해 출력될 수 있다.
배역 추천 모듈(530)은 대본 분석 모듈(520)의 분석 결과를 기초로, 하나 이상의 문장 세트 또는 그룹화된 문장 세트의 각각에 대응하는 배역 후보를 추천할 수 있다. 배역 추천 모듈(530)은 사용자 인터페이스를 통해 하나 이상의 문장 세트 또는 그룹화된 문장 세트의 각각에 대응하는 배역 후보들을 출력하고, 그에 대한 사용자의 응답을 수신할 수 있다. 배역 추천 모듈(530)은 사용자 인터페이스를 통해 수신한 배역 후보에 대한 사용자의 응답에 따라, 분리된 하나 이상의 문장 세트 또는 그룹화된 문장 세트의 각각에 대응하는 배역이 결정될 수 있다. 이와 달리, 배역 추천 모듈(530)은 대본 분석 모듈(520)의 분석 결과를 기초로, 하나 이상의 문장 세트 또는 그룹화된 문장 세트의 각각에 대응하는 배역을 자동으로 선정할 수 있다. 이렇게 자동으로 선정된 배역은 사용자 인터페이스를 통해 사용자에게 출력될 수 있다.
스타일 추천 모듈(540)은 대본 분석 모듈(520)의 분석 결과를 기초로 하나 이상의 문장 또는 하나 이상의 문장 세트에 대한 음성 스타일 특징 후보를 추천할 수 있다. 스타일 추천 모듈(540)은 사용자 인터페이스를 통해 추천된 음성 특징 후보들을 출력하고 그에 대한 사용자의 응답을 수신할 수 있다. 스타일 추천 모듈(540)은 사용자 인터페이스를 통해 수신한 음성 스타일 특징 후보에 대한 사용자의 응답에 따라, 분리된 하나 이상의 문장 세트 또는 그룹화된 문장 세트의 각각에 대응하는 음성 스타일 특징이 결정될 수 있다. 이와 달리, 스타일 추천 모듈(540)은 대본 분석 모듈(520)의 분석 결과를 기초로 수신된 하나 이상의 문장, 하나 이상의 문장 세트 또는 그룹화된 문장 세트에 대응하는 음성 스타일 특징을 자동으로 결정할 수 있다.
영상 합성 모듈(550)은 음성 합성 모듈(510)에서 생성된 합성 음성 및/또는 합성 음성을 포함한 오디오 콘텐츠를 영상 콘텐츠에 믹싱 또는 더빙할 수 있다. 여기서, 영상 콘텐츠는 사용자 단말(210), 다른 시스템, 또는 합성 음성 생성 시스템(230)의 메모리(332)로부터 수신될 수 있다. 일 실시예에 따르면, 오디오 콘텐츠는 수신된 영상 콘텐츠와 연관된 콘텐츠로서, 영상 콘텐츠의 재생 속도에 맞추어 생성될 수 있다. 예를 들어, 영상 콘텐츠 내의 인물이 발화하는 타이밍에 맞추어, 오디오 콘텐츠가 믹싱 또는 더빙될 수 있다.
도 6은 본 개시의 일 실시예에 따른 합성 음성 생성 방법(600)을 나타내는 흐름도이다. 합성 음성 생성 방법(600)은 사용자 단말 및/또는 합성 음성 생성 시스템에 의해 수행될 수 있다. 도시된 바와 같이, 합성 음성 생성 방법(600)은 하나 이상의 문장을 수신하는 단계(S610)로 개시될 수 있다.
그리고 나서, 단계(S620)에서, 수신된 하나 이상의 문장에 대한 음성 스타일 특징이 결정될 수 있다. 일 실시예에 따르면, 하나 이상의 사용자 인터페이스를 통한 사용자 입력에 응답하여, 사용자 인터페이스를 통해 출력된 하나 이상의 문장 중 적어도 일부가 선택되고, 선택된 적어도 일부에 대한 음성 스타일 특징이 결정될 수 있다. 다른 실시예에서, 합성 음성 생성 시스템은 하나 이상의 문장에 대한 음성 스타일 특징을 추천하거나 결정하여, 사용자 단말에 제공할 수 있고, 사용자 단말은 수신된 음성 스타일 특징을 기초로, 해당 문장에 대한 음성 스타일 특징을 결정할 수 있다.
다음으로, 단계(S630)에서, 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 합성 음성이 출력될 수 있다. 여기서, 합성 음성은, 상기 하나 이상의 문장 및 상기 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 상기 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 생성될 수 있다. 예를 들어, 합성 음성은 사용자 단말에 포함되거나 연결된 스피커를 통해 출력될 수 있다.
도 7은 본 개시의 일 실시예에 따른 설정 정보를 변경하는 합성 음성 생성 방법(700)을 나타내는 흐름도이다. 설정 정보를 변경하는 합성 음성 생성 방법(700)은 사용자 단말 및/또는 합성 음성 생성 시스템에 의해 수행될 수 있다. 도시된 바와 같이, 설정 정보를 변경하는 합성 음성 생성 방법(700)은 사용자 인터페이스를 통한 하나 이상의 문장을 수신하는 단계(S710)로 개시될 수 있다.
그리고 나서, 단계(S720)에서, 수신된 하나 이상의 문장은 사용자 인터페이스를 통해 출력될 수 있다. 다음으로, 단계(S730)에서, 출력된 하나 이상의 문장 중 적어도 일부에 대한 설정 정보를 변경할 수 있다. 일 실시예에 따르면, 인터페이스를 통한 사용자의 입력을 기초로, 하나 이상의 문장 중 적어도 일부에 대한 시각적인 표시하기 위한 설정 정보가 변경될 수 있다. 예를 들면, 하나 이상의 문장 중 일부의 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄, 밑줄 스타일 등을 변경함으로써, 하나 이상의 문장 중 일부에 대한 설정 정보가 변경될 수 있다.
다음으로, 단계(S740)에서, 하나 이상의 문장 중 적어도 일부에 적용된 음성 스타일 특징은, 변경된 설정 정보에 기초로 변경될 수 있다. 즉, 설정 정보에 대응하는 음성 스타일 특징이 하나 이상의 문장 중 적어도 일부에 적용될 수 있다. 다음으로, 단계(S750)에서, 변경된 음성 스타일 특징이 반영된 하나 이상의 문장에 대한 합성 음성이 출력될 수 있다. 여기서, 합성 음성은, 상기 하나 이상의 문장 및 상기 변경된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 상기 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 변경될 수 있다.
도 8은 본 개시의 일 실시예에 따른 인공 신경망 기반의 텍스트-음성 합성 장치의 구성 및 복수의 화자 및/또는 음성 스타일 특징의 각각을 구분할 수 있는 임베딩 벡터(822)를 추출하는 네트워크를 나타내는 도면이다. 텍스트-음성 합성 장치는 인코더(810), 디코더(820) 및 후처리 프로세서(830)를 포함하도록 구성될 수 있다. 이러한 텍스트-음성 합성 장치는 합성 음성 생성 시스템에 포함되도록 구성될 수 있다.
일 실시예에 따르면, 인코더(810)는 도 8에 도시된 바와 같이, 입력 텍스트에 대한 글자 임베딩을 수신할 수 있다. 다른 실시예에 따르면, 입력 텍스트는 하나 이상의 언어에서 사용되는 단어, 문구 또는 문장 중 적어도 하나를 포함할 수 있다. 예를 들어, 인코더(810)는 사용자 인터페이스를 통해 하나 이상의 문장을 입력 텍스트로서 수신할 수 있다. 입력 텍스트가 수신되면, 인코더(810)는 수신된 입력 텍스트를 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리할 수 있다. 또 다른 실시예에 따르면, 인코더(810)는 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리된 입력 텍스트를 수신할 수 있다. 그리고 나서, 인코더(810)는 입력 텍스트를 문자 임베딩(character embedding)로 변환하여 생성할 수 있다.
인코더(810)는 텍스트를 발음 정보로 생성하도록 구성될 수 있다. 일 실시예에서, 인코더(810)는 생성된 문자 임베딩을 완전연결층(fully-connected layer)을 포함한 프리넷(pre-net)에 통과시킬 수 있다. 또한, 인코더(810)는 프리넷(pre-net)으로부터의 출력을 CBHG 모듈에 제공하여, 도 8에 도시된 바와 같이, 인코더의 숨겨진 상태들(encoder hidden states) ei을 출력할 수 있다. 예를 들어, CBHG 모듈은 1차원 컨볼루션 뱅크(1D convolution bank), 맥스 풀링(max pooling), 하이웨이 네트워크(highway network), 양방향 GRU(bidirectional gated recurrent unit)를 포함할 수 있다.
또 다른 실시예에서, 인코더(810)가 입력 텍스트 또는 분리된 입력 텍스트를 수신한 경우, 인코더(810)는 적어도 하나의 임베딩 레이어를 생성하도록 구성될 수 있다. 일 실시예에 따르면, 인코더(810)의 적어도 하나의 임베딩 레이어는 자모 단위, 글자 단위, 음소(phoneme)단위로 분리된 입력 텍스트에 기초하여 글자 임베딩을 생성할 수 있다. 예를 들어, 인코더(810)는 분리된 입력 텍스트에 기초하여 글자 임베딩을 획득하기 위하여 이미 학습된 기계 학습 모델(예를 들어, 확률 모델 또는 인공신경망 등)을 사용할 수 있다. 나아가, 인코더(810)는 기계 학습을 수행하면서 기계 학습 모델을 갱신할 수 있다. 기계 학습 모델이 갱신되는 경우, 분리된 입력 텍스트에 대한 글자 임베딩도 변경될 수 있다. 인코더(810)는 글자 임베딩을 완전연결층(fully-connected layer)으로 구성된 DNN(Deep Neural Network) 모듈에 통과시킬 수 있다. DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer)를 포함할 수 있다. 인코더(810)는 DNN의 출력을 CNN(convolutional neural network) 또는 RNN(Recurrent Neural Network) 중 적어도 하나가 포함된 모듈에 제공할 수 있으며, 인코더(810)의 숨겨진 상태(hidden state)들을 생성할 수 있다. CNN은 컨볼루션 커널(convolution kernel) 사이즈에 따른 지역적 특성을 포착할 수 있는 반면에, RNN은 장기 의존성(long term dependency)을 포착할 수 있다. 이러한 인코더(810)의 숨겨진 상태들, 즉 입력 텍스트에 대한 발음 정보는 어텐션 모듈을 포함한 디코더(820)에 제공되고, 디코더(820)는 이러한 발음 정보를 음성으로 생성하도록 구성될 수 있다.
디코더(820)는, 인코더(810)로부터 인코더의 숨겨진 상태들 ei를 수신할 수 있다. 일 실시예에서, 도 8에 도시된 바와 같이, 디코더(820)는 어텐션 모듈, 완전연결층으로 구성된 프리넷과 GRU(gated recurrnt unit)를 포함하고 어텐션(attention) RNN(recurrent neural network), 레지듀얼 GRU(residual GRU)를 포함한 디코더 RNN(decoder RNN)을 포함할 수 있다. 여기서, 어텐션 RNN은 어텐션 모듈에서 사용될 정보를 출력할 수 있다. 또한, 디코더 RNN은 어텐션 모듈로부터 입력 텍스트의 위치 정보를 수신할 수 있다. 즉, 위치 정보는 디코더(820)가 입력 텍스트의 어떤 위치를 음성으로 변환하고 있는지에 관한 정보를 포함할 수 있다. 디코더 RNN은 어텐션 RNN으로부터 정보를 수신할 수 있다. 어텐션 RNN으로부터 수신한 정보는 디코더(820)가 이전 시간-단계(time-step)까지 어떤 음성을 생성했는지에 대한 정보를 포함할 수 있다. 디코더 RNN은 지금까지 생성한 음성에 이어질 다음 출력 음성을 생성할 수 있다. 예를 들어, 출력 음성은 멜 스펙트로그램 형태를 가질 수 있으며, 출력 음성은 r개의 프레임을 포함할 수 있다.
다른 실시예에서, 디코더(820)에 포함된 프리넷은 완전연결층(fully-connected layer)으로 구성된 DNN으로 대체될 수 있다. 여기서, DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer) 중 적어도 하나를 포함할 수 있다.
또한, 디코더(820)는 인코더(810)와 마찬가지로 인공 신경망 텍스트-음성 합성 모델을 생성 또는 갱신하기 위해서, 입력 텍스트, 화자 및/또는 음성 스타일 특징와 관련된 정보 및 입력 텍스트에 대응되는 음성 신호의 쌍으로 존재하는 데이터베이스를 이용할 수 있다. 디코더(820)는 입력 텍스트, 화자 및/또는 음성 스타일 특징과 관련된 정보를 각각 인공 신경망의 입력으로 하고 해당 입력 텍스트에 대응되는 음성 신호를 정답으로 하여 학습할 수 있다. 디코더(820)는 입력 텍스트와 화자 및/또는 음성 스타일 특징과 관련된 정보를 갱신된 단일 인공 신경망 텍스트-음성 합성 모델에 적용하여, 해당 화자 및/또는 음성 스타일 특징에 대응하는 음성을 출력할 수 있다.
또한, 디코더(820)의 출력은 후처리 프로세서(830)에 제공될 수 있다. 후처리 프로세서(830)의 CBHG는 디코더(820)의 멜 스케일 스펙트로그램을 리니어스케일 스펙트로그램(linear-scale spectrogram)으로 변환하도록 구성될 수 있다. 예를 들어, 후처리 프로세서(830)의 CBHG의 출력 신호는 매그니튜드 스펙트로그램(magnitude spectrogram)를 포함할 수 있다. 후처리 프로세서(830)의 CBHG의 출력 신호의 위상(phase)은 그리핀-림(Griffin-Lim) 알고리즘을 통해 복원되고, 역 단시간 퓨리어 변환(inverse short-time fourier transform)될 수 있다. 후처리 프로세서(830)는 시간 도메인(time domain)의 음성 신호로 출력할 수 있다.
이와 달리, 디코더(820)의 출력은 보코더(미도시)에 제공될 수 있다. 일 실시예에 따르면, 텍스트-음성 합성을 위하여 DNN, 어텐션 RNN 및 디코더 RNN의 동작은 반복적으로 수행될 수 있다. 예를 들어, 최초 시간-단계에서 획득된 r개의 프레임은 다음 시간-단계의 입력이 될 수 있다. 또한 다음 시간-단계에서 출력된 r개의 프레임은 그 다음 시간-단계의 입력이 될 수 있다. 상술한 바와 같은 과정을 통하여 텍스트의 모든 단위에 대한 음성이 생성될 수 있다.
일 실시예에 따르면, 텍스트-음성 합성 장치는 각각의 시간-단계마다 나온 멜 스펙트로그램을 시간 순으로 연결(concatenate)하여 전체 텍스트에 대한 멜 스펙트로그램의 음성을 획득할 수 있다. 보코더는 스펙트로그램의 위상(phase)을 Griffin-Lim 알고리즘을 통해 예측할 수 있다. 보코더는 역 단기 푸리에 변환(Inverse Short-Time Fourier Transform)을 이용하여 시간 도메인(time domain)의 음성 신호를 출력할 수 있다.
본 개시의 다른 실시예에 따른 보코더는 기계학습모델에 기초하여 멜 스펙트로그램으로부터 음성 신호를 생성할 수 있다. 기계학습모델은 멜 스펙트로그램과 음성 신호 사이의 상관 관계를 기계학습한 모델을 포함할 수 있다. 예를 들어 보코더는 멜 스펙트로그램 또는 선형예측계수 (LPC, Linear Prediction Coefficient), LSP (Line Spectral Pair), LSF(Line Spectral Frequency), 피치 주기 (Pitch period) 등을 입력으로 하고 음성 신호를 출력으로 하는 WaveNet, WaveRNN, WaveGlow 등의 인공신경망 모델을 이용하여 구현될 수 있다.
이러한 인공 신경망 기반의 텍스트-음성 합성 장치는, 텍스트와 음성 신호의 쌍으로 존재하는 대용량의 데이터 베이스를 이용하여 학습될 수 있다. 입력으로 텍스트를 넣고 나온 출력을 해당하는 정답 음성 신호와 비교하여 손실 함수(loss function)를 정의할 수 있다. 텍스트-음성 합성 장치는 손실 함수를 오차 역전파(error back propagation) 알고리즘을 통해 학습하여, 최종적으로 임의의 텍스트를 입력했을 때 원하는 음성 출력이 나오는 단일 인공 신경망 텍스트-음성 합성 모델을 얻을 수 있다.
디코더(820)는 인코더(810)로부터 인코더의 숨겨진 상태들 ei를 수신할 수 있다. 일 실시예에 따르면, 도 8의 디코더(820)는 특정 화자 및/또는 특정 음성 스타일 특징에 대응하는 음성 데이터(821)를 수신할 수 있다. 여기서, 음성 데이터(821)는 미리 결정된 시간 구간(짧은 시간 구간, 예를 들어 수초, 수십초 또는 수십분) 내에 화자로부터 입력된 음성을 나타내는 데이터를 포함할 수 있다. 예를 들어, 화자의 음성 데이터(821)는 음성 스펙트로그램 데이터(예를 들어, log-mel-spectrogram)를 포함할 수 있다. 디코더(820)는 화자의 음성 데이터에 기초하여 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(822)를 획득할 수 있다. 다른 실시예에 따르면, 도 8의 디코더(820)는 원-핫 화자 ID 벡터(one -hot vector) 또는 화자 별 speaker vector를 수신하고, 이를 기초로 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(822)를 획득할 수 있다. 이렇게 획득된 임베딩 벡터는 미리 저장될 수 있으며, 사용자 인터페이스를 통해 특정 화자 및/또는 음성 스타일 특징이 요청되면, 미리 저장된 임베딩 벡터 중에서 요청된 정보에 대응하는 임베딩 벡터를 이용하여 합성 음성이 생성될 수 있다. 디코더(820)는 획득된 임베딩 벡터(822)를 어텐션 RNN 및 디코더 RNN에 제공될 수 있다.
도 8에 도시된 텍스트-음성 합성 장치는, 미리 저장해둔 복수의 화자 및/또는 복수의 음성 스타일 특징에 대응하는 복수의 임베딩 벡터를 제공할 수 있다. 사용자가 사용자 인터페이스를 통해 특정 배역이나 특정 음성 스타일 특징을 선택하는 경우, 이에 대응하는 임베딩 벡터를 이용하여 합성 음성을 생성할 수 있다. 이와 달리, 텍스트-음성 합성 장치는, 새로운 화자 벡터를 생성하기 위하여 TTS 모델을 추가로 학습하거나 화자 임베딩 벡터를 수동으로 검색하는 것 없이 새로운 화자의 음성을 즉시 생성, 즉 적응적으로 생성할 수 있는 TTS 시스템을 제공할 수 있다. 즉, 텍스트-음성 합성 장치는 복수의 화자에 적응적으로 변경된 음성을 생성할 수 있다. 일 실시예에 따르면, 도 8에서는 입력 텍스트에 대한 음성 합성 시, 특정 화자의 음성 데이터(821)로부터 추출된 임베딩 벡터(822)가 디코더 RNN 및 어텐션 RNN에 입력되도록 구성될 수 있다. 특정 화자의 임베딩 벡터(822)에 포함된 발성 특징, 운율 특징, 감정 특징, 또는 음색 및 음높이 특징 중 적어도 하나의 특징이 반영된 합성 음성이 생성될 수 있다.
도 8에 도시된 네트워크는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)를 포함하고, log-Mel-spectrogram을 입력받아서 음성 샘플 또는 음성 신호로서 고정 차원 화자 임베딩 벡터를 추출할 수 있다. 여기서, 음성 샘플 또는 음성 신호는, 입력 텍스트에 해당하는 음성 데이터일 필요가 없으며 임의로 선택된 음성신호가 사용될 수 있다.
이러한 네트워크에서, 스펙트로그램이 이용되는데 제약이 없기 때문에 임의의 스펙트로그램이 이 네트워크에 삽입될 수 있다. 또한, 이를 통해 네트워크의 즉각적인 적응을 통해 새로운 화자 및/또는 새로운 음성 스타일 특징을 나타내는 임베딩 벡터(822)를 생성할 수 있다. 입력 스펙트로그램은 다양한 길이를 가질 수 있지만, 예를 들어, 시간 축에 대해 길이가 1인 고정된 차원 벡터가 컨볼루션 레이어 끝단에 위치한 max-over-time 풀링 레이어에 입력될 수 있다.
도 8에서는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)을 포함한 네트워크를 도시하고 있으나, 화자 및/또는 음성 스타일 특징을 추출하기 위하여 다양한 층을 포함한 네트워크를 구축할 수 있다. 예를 들어, 화자 및/또는 음성 스타일 특징 중 억양과 같이 시간에 따른 음성 특징 패턴의 변화를 나타내는 경우 RNN(Recurrent neural network)을 사용하여 특징을 추출하도록 네트워크를 구현할 수 있다.
도 9는 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(900)을 나타낸 도면이다. 수신된 하나 이상의 문장(910)에 대한 음성 스타일 특징이 결정될 수 있다. 이러한 음성 스타일 특징은 하나 이상의 문장 중 적어도 일부에 대한 설정 정보에 기초하여 결정되거나 변경될 수 있다.
일 실시예에 따르면, 사용자 인터페이스를 통해 수신된 복수의 문장(910) 중 하나가 선택되고, 발화 스타일과 연관된 아이콘(912)이 클릭되면, 발화 스타일 설정 인터페이스(920)가 표시될 수 있다. 발화 스타일 설정 인터페이스(920)에 포함된 복수의 발화 스타일 중 하나에 대한 사용자의 선택에 따라, 주어진 문장에 대해 선택된 발화 스타일이 결정될 수 있다. 예를 들면, 사용자가 '대표입니다.'의 문장(922)을 선택하고, 발화 스타일 목록과 연관된 아이콘(912)을 클릭하면, 발화 스타일 설정 인터페이스(920)가 표시될 수 있다. 사용자가 발화 스타일 설정 인터페이스(920)에서 '3'에 해당하는 부분을 선택함으로써, '대표입니다.'의 문장(922)에 '#3'이 설정 정보로써 결정될 수 있다. 또한, '대표입니다.'의 문장(922)에 대한 음성 스타일 특징은 '#3'와 대응하는 미리 결정된 음성 스타일 특징인, '쑥스러운 듯'이라는 음성 스타일 특징으로 결정되거나 설정될 수 있다. 다른 예로서, 사용자가 '본 서비스란 무엇인가요?'의 문장(924)을 선택하고, 발화 스타일 목록과 연관된 아이콘(912)을 클릭하면, 발화 스타일 설정 인터페이스(920)가 표시될 수 있다. 발화 스타일 설정 인터페이스(920)에서 '5'에 해당하는 부분을 선택함으로써, '본 서비스란 무엇인가요?'의 문장(924)에 '#5'가 설정 정보로써 결정될 수 있다. 또한, '본 서비스란 무엇인가요?'의 문장(924)에 대한 음성 스타일 특징은 '#5'와 대응하는 '당차게'라는 음성 스타일 특징으로 결정될 수 있다.
다른 실시예에 따르면, 사용자 인터페이스를 통해 수신된 복수의 문장(910) 중 하나가 선택되고, 발화 속도와 연관된 아이콘(914)이 클릭되면, 발화 속도 설정 인터페이스(930)가 표시될 수 있다. 발화 속도 설정 인터페이스(930)에 포함된 복수의 발화 속도 중 하나에 대한 사용자의 응답에 따라, 선택된 문장에 대해 선택된 발화 스타일이 결정될 수 있다. 예를 들면, 사용자가 '만나뵙게 되어서 기쁩니다.'의 문장(932)을 선택하고, 발화 속도와 연관된 아이콘(914)을 클릭하면, 발화 속도 설정 인터페이스(930)가 표시될 수 있다. 발화 속도 설정 인터페이스(930)에서 '느리게'를 선택함으로써, '만나뵙게 되어서 기쁩니다.'의 문장(932)에 '느리게'가 설정 정보로써 결정될 수 있고, '만나뵙게 되어서 기쁩니다.'의 문장(932)에 대한 음성 스타일 특징은 미리 결정된 느린 속도의 스타일 특징으로 결정될 수 있다. 다른 예로서, 사용자가 '더 나은 품질을 위해 끊임없이 음질 개선 및 업그레이드를 실시하고 있습니다.'의 문장(934)을 선택하고, 발화 속도와 연관된 아이콘(912)을 클릭하면, 발화 속도 설정 인터페이스(930)가 표시될 수 있다. 발화 속도 설정 인터페이스(930)에서 '빠르게'를 선택함으로써, '더 나은 품질을 위해 끊임없이 음질 개선 및 업그레이드를 실시하고 있습니다.'의 문장(934)에 '빠르게'가 설정 정보로써 결정될 수 있고, '더 나은 품질을 위해 끊임없이 음질 개선 및 업그레이드를 실시하고 있습니다.'의 문장(934)에 대한 음성 스타일 특징은 미리 결정된 빠른 속도의 스타일 특징으로 결정될 수 있다. 다만, 이렇게 선택된 문장 및/또는 일부에 대한 속도는 사용자에 의해 변경되고, 이에 따라 합성 음성이 생성될 수 있는데, 이에 대한 구성은 도 13을 참고하여 상세히 설명된다.
도 9에서는 사용자 인터페이스를 통한 입력에 따라 음성 스타일 특징이 결정되는 동작이 도시되고 있으나, 이에 한정되지 않고, 합성 음성 생성 시스템에서 자연어 처리 등을 이용하여 분석된 결과에 따라 자동으로 음성 스타일 특징을 결정할 수 있다. 예를 들면, 합성 음성 생성 시스템은 '음...'의 문장을 인식하여, 다음 문장인 '만나뵙게 되어서 기쁩니다.'의 문장(932)에 대해 '머뭇거리는' 음성 스타일 특징을 결정할 수 있다. 이 경우, 도 9에서 도시된 바와 달리, '만나뵙게 되어서 기쁩니다.'의 문장(932) 앞에 '머뭇거리게'라고 표시될 수 있다.
도 10은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(1000)을 나타낸 도면이다. 수신된 하나 이상의 문장(1010)에 대한 음성 스타일 특징이 결정될 수 있다. 이러한 음성 스타일 특징은 하나 이상의 문장 중 적어도 일부에 대한 시각적으로 표시하기 위한 설정 정보에 기초하여 결정되거나 변경될 수 있다. 이 경우, 시각적으로 표시하기 위한 설정 정보는 폰트, 폰트 스타일, 폰트 색상, 폰트 크기, 폰트 효과, 밑줄, 밑줄 스타일 등을 포함할 수 있다. 일 실시예에서, 이러한 시각적으로 표시하기 위한 설정 정보는 사용자 입력에 따라 결정되거나 변경될 수 있다. 다른 실시예에 따르면, 합성 음성 생성 시스템은 하나 이상의 문장을 분석하여 자동적으로 하나 이상의 문장에 대한 시각적으로 표시하기 위한 설정 정보를 결정할 수 있다. 예를 들어, 사용자 인터페이스 화면(100)에 도시된 바와 같이, '텍스트에 감성을'의 문장(1014)의 폰트 굵기를 굵게 결정될 수 있고, '텍스트에 감성을'의 문장(1014)에 대한 음성 스타일 특징은 굵은 음성 스타일 특징으로 결정될 수 있다. 다른 예로서, '인공 지능 성우 서비스'의 문장(1016)에 밑줄이 추가될 수 있고, '인공 지능 성우 서비스'의 문장(1016)에 대한 음성 스타일 특징은 강조하는 음성 스타일 특징으로 결정될 수 있다. 또 다른 예로서, '만나 뵙게 되어서 기쁩니다.'의 문장(1018)의 자간이 넓게 결정될 수 있고, '만나 뵙게 되어서 기쁩니다.'의 문장(1018)에 대한 음성 스타일 특징은 느린 속도의 스타일 특징으로 결정될 수 있다. 또 다른 예로서, '본 서비스란 무엇인가요?'의 문장(1022)이 기울어지도록 결정될 수 있고, '본 서비스란 무엇인가요?'의 문장(1022)에 대한 음성 스타일 특징은 날카로운 어조의 음성 스타일 특징으로 결정될 수 있다. 또 다른 예로서, '더 나은 품질을 위해 끊임없이 음질 개선 및 업그레이드를 실시하고 있습니다.'의 문장(1024)의 폰트는 궁서체로 결정될 수 있고, 해당 문장(1024)에 대한 음성 스타일 특징은 진지한 음성 스타일 특징으로 결정될 수 있다.
수신된 복수의 문장(1010) 사이에 묵음이 삽입될 수 있다. 이러한 삽입될 묵음의 시간은 수신된 복수의 문장 사이에 추가된 묵음의 시간을 나타내는 시각적인 표시에 기초하여 결정되거나 변경될 수 있다. 이 경우, 묵음의 시간을 나타내는 시각적인 표시는 복수의 문장 중 두 문장 사이에 띄어쓰기의 간격을 의미할 수 있다. 예를 들면, 도시된 바와 같이 '질문 있으신 분은 손을 들고 질문해주세요.'의 문장과 '네, 앞쪽 여성분 질문해주세요.'의 문장 사이에 띄어쓰기 간격(1020)이 넓게 결정될 수 있고, 두 문장 사이에는 띄어쓰기 간격(1020)에 대응되는 시간만큼의 묵음이 추가될 수 있다.
도 11은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(1100)을 나타낸 도면이다. 수신된 하나 이상의 문장(1110)에 효과가 삽입될 수 있다. 이러한 삽입될 효과는 삽입될 효과의 특성을 나타내는 시각적인 표시에 기초하여 결정되거나 변경될 수 있다. 여기서, 삽입될 효과는 효과음, 배경음악, 묵음 등을 포함할 수 있다. 예를 들면, 도시된 바와 같이, 사용자 인터페이스를 통해 수신된 복수의 문장 사이(1112)에 시각적인 표시가 삽입될 수 있다. 도 11에서는 복수의 문장 사이에 효과가 삽입되는 동작이 도시되고 있으나, 이에 한정되지 않는다. 예를 들면, 선택된 하나의 문장의 전, 후 또는 중간에 효과가 삽입될 수 있다.
사용자 인터페이스를 통해 수신된 복수의 문장 사이(1112) 또는 수신된 하나 이상의 문장 중 적어도 하나가 선택되고, 효과음과 연관된 아이콘(미도시) 또는 묵음과 연관된 아이콘(미도시)이 클릭되면, 효과음 설정 인터페이스(1114) 또는 묵음 시간 설정 인터페이스(1118)가 표시될 수 있다. 여기서, 효과음과 연관된 아이콘(미도시) 또는 묵음과 연관된 아이콘(미도시)은 사용자 인터페이스의 임의의 위치에 배치될 수 있다. 예를 들면, 사용자가 '안녕하세요,'의 문장과 '대표입니다.'의 문장 사이를 선택하고, 효과음과 연관된 아이콘(미도시)을 클릭하면, 효과음 설정 인터페이스(1114)가 표시될 수 있다. 사용자가 효과음 설정 인터페이스(1114)에서 '1'을 나타내는 부분을 선택함으로써, '안녕하세요,'의 문장과 '대표입니다.'의 문장 사이에 '#1'이 시각적인 표시로써 결정될 수 있다. 그리고 나서, 두 문장 사이에는 '#1'과 대응하는 효과음이 삽입될 수 있다. 다른 예로서, 사용자가 '음...'의 문장을 선택하고, 묵음과 연관된 아이콘(미도시)을 클릭하면, 묵음 시간 설정 인터페이스(1118)가 표시될 수 있다. 예를 들어, 도시된 바와 같이, 묵음 시간 설정 인터페이스(1118)에서 슬라이드 바가 사용자 입력에 의해 '1.5s'로 이동됨으로써, '음...'의 문장 뒤에 '1.5s'가 시각적인 표시로써 결정될 수 있고, '음...'의 문장 뒤에는 '1.5s'와 대응하는 시간에 해당하는 묵음이 삽입될 수 있다.
도 11에서는 사용자 인터페이스를 통한 사용자의 입력에 따라 효과가 삽입되는 동작이 도시되고 있으나, 이에 한정되지 않고, 합성 음성 생성 시스템에서 자연어 처리 등을 이용하여 분석된 결과에 따라 자동으로 효과를 삽입하거나 삽입될 효과음을 추천할 수 있다. 예를 들면, '대표입니다.'의 문장을 인식하여, 문장 앞에 '팡파레' 효과음을 삽입할 수 있다.
도 12는 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(1200)을 나타낸 도면이다. 사용자 인터페이스를 통해 배역 목록이 표시될 수 있다. 여기서, 각각의 배역은 미리 결정된 음성 스타일 특징을 포함할 수 있다.
일 실시예에 따르면, 도시된 바와 같이, 사용자 인터페이스를 통해 표시되는 배역 목록 중 어느 하나가 사용자에 의해 선택되면, 하나 이상의 문장 세트에 대해 배역(즉, 사용 예정 배역)이 결정될 수 있다. 예를 들면, 사용자 인터페이스를 통해 '영희', '지영', '국희' 등이 포함된 캐릭터 목록(1202)이 배역 목록으로서 표시될 수 있다. 사용자는 캐릭터 목록에서 선영(1204_1)을 선택하고 캐릭터 적용 아이콘을 클릭함으로써, 이미 사용 예정 배역에 포함된 진혁(1204_2) 및 범수(1204_3)와 함께 사용 예정 배역으로 결정할 수 있다.
다른 실시예에 따르면, 추천된 배역 후보가 포함된 배역 목록이 사용자 인터페이스를 통해 표시될 수 있고, 하나 이상의 배역 후보 중 적어도 하나가 하나 이상의 문장 세트 또는 그룹화된 문장 세트에 대한 배역으로 결정될 수 있다. 여기서, 배역 목록에서 배역들은 추천 순서대로 나열될 수 있다. 이를 위해, 합성 음성 생성 시스템은 하나 이상의 문장 세트 또는 그룹화된 문장 세트를 분석하고, 복수의 배역을 포함한 배역 목록을 추천하고, 추천된 배역 목록은 사용자 인터페이스를 통해 출력될 수 있다. 예를 들면, 사용자는 사용자 인터페이스에서 출력된 추천 배역 후보 중 하나를 선택함으로써, 선택된 배역 후보를 하나 이상의 문장 세트 또는 그룹화된 문장 세트에 대한 배역으로 결정할 수 있다.
도 12에서는 사용자 인터페이스를 통한 사용자의 입력에 따라 사용 예정 배역이 결정되는 동작이 도시되고 있으나, 이에 한정되지 않고, 합성 음성 생성 시스템에서 자연어 처리 등을 이용하여 분석된 결과에 따라 자동으로 사용 예정 배역으로 결정할 수 있다.
도 13은 본 개시의 일 실시예에 따른 음성 합성 서비스를 제공하는 사용자 인터페이스의 예시적인 화면(1300)을 나타낸 도면이다. 사용자 인터페이스에서 수신된 하나 이상의 문장(1310)에 대응하는 배역 또는 음성 스타일 특징이 결정되거나 변경될 수 있다. 여기서 이러한 결정이나 변경은 Global style 결정 또는 변경으로 지칭될 수 있다. 일 실시예에 따르면, 분리된 하나 이상의 문장 세트에 배역이 결정되거나 변경될 수 있다. 예를 들면, 사용자는 '안녕하세요, 대표입니다.'의 문장, '음...'의 문장, '만나뵙게 되어서 기쁩니다.'의 문장 및 '본 서비스는 인공지능 딥러닝 기술을 활용해 특정인의 목소리 스타일, 특징 등을 학습하여 누구든지 개성과 감성이 담긴 오디오 콘텐츠를 생성할 수 있는 서비스 입니다.'의 문장을 포함하는 문장 세트에 대응하는 배역을 '범수'에서 사용 예정 배역에 포함된 '진혁'으로 변경할 수 있다. 이를 위해, 사용자는 사용자 인터페이스에 표시된 '범수'에 대응하는 영역을 선택하면, 지정 또는 변경가능한 배역 후보 목록(1312), 여기서, 범수, 진혁, 선영이 표시될 수 있다. 이 배역 후보 목록(1312)에 표시된 배역의 순서는 배역 추천 순으로 배치될 수 있다. 이 경우, 해당 문장 세트에 포함된 문장 전부에 대하여 음성 스타일 특성이 '범수' 배역에 포함된 음성 스타일 특성에서 '진혁' 배역에 포함된 음성 스타일로 변경될 수 있다.
도 13에서는 사용자 인터페이스를 통한 사용자의 입력에 따라 문장 세트에 대하여 사용 예정 배역 중 하나가 결정되는 동작이 도시되고 있으나, 이에 한정되지 않고, 합성 음성 생성 시스템에서 자연어 처리 등을 이용하여 분석된 결과에 따라, 문장 세트에 대한 사용 예정 배역 중 하나가 자동으로 결정될 수 있다.
다른 실시예에 따르면, 하나 이상의 문장(1310) 중 적어도 일부에 대한 음성 스타일 특징이 변경될 수 있다. 이러한 변경을 local style 변경이라고 지칭될 수 있다. 이 경우, '일부'는 문장뿐만 아니라 문장이 보다 더 작은 단위로 분리된 음소, 글자, 단어, 음절 등을 포함할 수 있다. 선택된 하나 이상의 문장 중 적어도 일부에 대한 음성 스타일 특징을 변경하기 위한 인터페이스를 출력할 수 있다. 예를 들면, 사용자가 '본 서비스란 무엇인가요?'의 문장(1314)을 선택하면, 음성 스타일 특징을 나타내는 값을 변경하기 위한 인터페이스(1320)가 출력될 수 있다. 인터페이스(1320)에 도시된 바와 같이, 소리 크기 설정 그래프(1324), 음 높낮이 설정 그래프(1326) 및 속도 설정 그래프가 도시되어 있으나, 이에 한정되지 않으며, 음성 스타일 특징을 나타내는 임의의 정보가 표시될 수 있다. 여기서, 소리 크기 설정 그래프(1324), 음 높낮이 설정 그래프(1326) 및 속도 설정 그래프의 각각에서, x축은 사용자가 음성 스타일을 변경할 수 있는 단위의 크기(예를 들어, 음소, 글자, 단어, 음절, 문장 등)를 나타낼 수 있고, y축은 각 단위의 스타일 값을 지칭할 수 있다.
본 실시예에서, 음성 스타일 특징은 프레임, 음소, 글자, 음절, 단어 또는 문장 중 적어도 하나의 단위에 대응되는 운율 정보를 시간 순으로 포함하는 순차적 운율 특징을 포함할 수 있다. 여기서, 운율 정보는 소리의 크기에 대한 정보, 소리의 높이에 대한 정보, 소리의 길이에 대한 정보, 소리의 휴지 기간에 대한 정보 또는 소리의 속도에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 소리의 스타일은 소리 또는 음성이 나타내는 임의의 양식, 방식 또는 뉘앙스를 포함할 수 있으며, 예를 들어, 소리 또는 음성에 내재된 어조, 억양, 감정 등이 포함될 수 있다. 또한 순차적 운율 특징은 복수의 임베딩 벡터로 표현될 수 있는데, 복수의 임베딩 벡터의 각각은 시간 순으로 포함된 운율 정보에 대응될 수 있다.
일 실시예에 따르면, 사용자는 인터페이스(1320)에 도시된 적어도 하나의 그래프 내에서 x 축의 특징 지점에서 y축 값을 수정할 수 있다. 예를 들어, 주어진 문장에서 특정 음소 또는 글자를 강조하기 위하여, 사용자는 소리 크기 설정 그래프(1324)에서 해당 음소 또는 글자에 해당되는 x축 지점의 y축 값을 올리도록 수행할 수 있다. 이에 응답하여, 합성 음성 생성 시스템은 해당 음소 또는 글자에 대응하는 변경된 y축 값을 수신하고, 변경된 y축 값을 포함한 음성 스타일 특징 및 이에 해당하는 음소 또는 글자를 포함하는 하나 이상의 문장을 인공신경망 텍스트-합성 음성 모델에 입력하여, 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로 합성 음성을 생성할 수 있다. 이렇게 생성된 합성 음성은 사용자 인터페이스를 통해 사용자에게 제공될 수 있다. 이를 위해, 음성 합성 시스템은 음성 스타일 특징에 대응하는 복수의 임베딩 벡터 중에서, 해당 x축 지점에 대응하는 하나 이상의 임베딩 벡터의 값을 변경된 y축 값을 참고하여 변경할 수 있다.
다른 실시예에 따르면, 사용자는 주어진 문장에서 적어도 일부에 대한 음성 스타일 특징을 변경하기 위하여, 사용자가 자신이 원하는 방식으로 주어진 문장을 읽은 음성을 사용자 인터페이스를 통해 합성 음성 생성 시스템에 제공할 수 있다. 합성 음성 생성 시스템은 수신된 음성을, 입력 음성을 순차적 운율 특징으로 추론하도록 구성된 인공신경망에 입력하여, 수신된 음성에 대응하는 순차적 운율 특징을 출력할 수 있다. 여기서, 출력된 순차적 운율 특징은 하나 이상의 임베딩 벡터로 표현될 수 있다. 이러한 하나 이상의 임베딩 벡터는 인터페이스(1320)를 통해 제공되는 그래프에 반영될 수 있다.
도 13에서는 음성 스타일 특징을 변경하기 위한 인터페이스(1320)에 소리 크기 설정 그래프(1324), 음 높낮이 설정 그래프(1326), 속도 설정 그래프(1328)가 포함될 수 있으나, 이에 한정되지 않고, 합성 음성을 위한 음성 데이터에 대응하는 멜 스케일 스펙토그램에 대한 그래프가 함께 도시될 수 있다.
100, 900, 1000, 1100, 1200, 1300: 사용자 인터페이스의 화면
210_1, 210_2, 210_3: 사용자 단말
220: 네트워크
230: 합성 음성 생성 시스템
410, 510: 문장 편집 모듈
420, 520: 배역 결정 모듈
430, 530: 스타일 결정 모듈
440, 540: 음성 합성 모듈
450, 550: 음성 출력 모듈
560: 대본 분석 모듈
570: 배역 추천 모듈
580: 스타일 추천 모듈
590: 영상 합성 모듈
920, 930, 1114, 1118: 설정 인터페이스

Claims (1)

  1. 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법에 있어서,
    하나 이상의 문장을 수신하는 단계;
    상기 수신된 하나 이상의 문장에 대한 음성 스타일 특징을 결정하는 단계; 및
    상기 결정된 음성 스타일 특징이 반영된 상기 하나 이상의 문장에 대한 합성 음성을 출력하는 단계를 포함하고,
    상기 합성 음성은, 상기 하나 이상의 문장 및 상기 결정된 음성 스타일 특징을 인공신경망 텍스트-합성 음성 모델에 입력하여 상기 인공신경망 텍스트-합성 음성 모델로부터 출력된 음성 데이터를 기초로, 생성되는,
    텍스트에 대한 합성 음성을 생성하는 방법.
KR1020210083449A 2019-04-09 2021-06-25 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템 KR20210082153A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020190041620 2019-04-09
KR20190041620 2019-04-09
KR1020200043362A KR20200119217A (ko) 2019-04-09 2020-04-09 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200043362A Division KR20200119217A (ko) 2019-04-09 2020-04-09 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020240065697A Division KR20240081458A (ko) 2019-04-09 2024-05-21 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20210082153A true KR20210082153A (ko) 2021-07-02

Family

ID=73042678

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020200043362A KR20200119217A (ko) 2019-04-09 2020-04-09 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
KR1020210083449A KR20210082153A (ko) 2019-04-09 2021-06-25 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020200043362A KR20200119217A (ko) 2019-04-09 2020-04-09 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템

Country Status (2)

Country Link
US (1) US20210142783A1 (ko)
KR (2) KR20200119217A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082485A (ko) * 2021-12-01 2023-06-08 주식회사 셀바스에이아이 오디오 콘텐츠 제작을 위한 사용자 인터페이스 제공 장치 및 방법
KR20230084965A (ko) 2021-12-06 2023-06-13 동서대학교 산학협력단 딥러닝 기술을 활용한 얼굴 이미지 기반 음성 생성 시스템 및 방법
KR102561276B1 (ko) * 2022-03-15 2023-07-28 주식회사 찬란 발음 교정 방법 및 시스템

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210020656A (ko) * 2019-08-16 2021-02-24 엘지전자 주식회사 인공 지능을 이용한 음성 인식 방법 및 그 장치
US11373633B2 (en) * 2019-09-27 2022-06-28 Amazon Technologies, Inc. Text-to-speech processing using input voice characteristic data
US11356792B2 (en) * 2020-06-24 2022-06-07 International Business Machines Corporation Selecting a primary source of text to speech based on posture
CN112712788A (zh) * 2020-12-24 2021-04-27 北京达佳互联信息技术有限公司 语音合成方法、语音合成模型的训练方法及装置
GB2603776A (en) * 2021-02-11 2022-08-17 Sonantic Ltd Methods and systems for modifying speech generated by a text-to-speech synthesiser
KR102613350B1 (ko) * 2021-05-07 2023-12-14 주식회사 윤디자인그룹 텍스트를 이용한 컨텐츠 제공 방법 및 디바이스
CN113822017A (zh) * 2021-06-03 2021-12-21 腾讯科技（深圳）有限公司 基于人工智能的音频生成方法、装置、设备及存储介质
CN113345407B (zh) * 2021-06-03 2023-05-26 广州虎牙信息科技有限公司 一种风格语音合成方法、装置、电子设备及存储介质
CN113539234B (zh) * 2021-07-13 2024-02-13 标贝(青岛)科技有限公司 语音合成方法、装置、系统及存储介质
US20240054282A1 (en) * 2022-08-15 2024-02-15 International Business Machines Corporation Elucidated natural language artifact recombination with contextual awareness

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6006187A (en) * 1996-10-01 1999-12-21 Lucent Technologies Inc. Computer prosody user interface
US10088976B2 (en) * 2009-01-15 2018-10-02 Em Acquisition Corp., Inc. Systems and methods for multiple voice document narration
US8150695B1 (en) * 2009-06-18 2012-04-03 Amazon Technologies, Inc. Presentation of written works based on character identities and attributes
GB2505400B (en) * 2012-07-18 2015-01-07 Toshiba Res Europ Ltd A speech processing system
PL401346A1 (pl) * 2012-10-25 2014-04-28 Ivona Software Spółka Z Ograniczoną Odpowiedzialnością Generowanie spersonalizowanych programów audio z zawartości tekstowej
US9472182B2 (en) * 2014-02-26 2016-10-18 Microsoft Technology Licensing, Llc Voice font speaker and prosody interpolation
WO2015184615A1 (en) * 2014-06-05 2015-12-10 Nuance Software Technology (Beijing) Co., Ltd. Systems and methods for generating speech of multiple styles from text
JP2018155774A (ja) * 2017-03-15 2018-10-04 株式会社東芝 音声合成装置、音声合成方法およびプログラム
US10431201B1 (en) * 2018-03-20 2019-10-01 International Business Machines Corporation Analyzing messages with typographic errors due to phonemic spellings using text-to-speech and speech-to-text algorithms
KR102582291B1 (ko) * 2019-01-11 2023-09-25 엘지전자 주식회사 감정 정보 기반의 음성 합성 방법 및 장치
US10930263B1 (en) * 2019-03-28 2021-02-23 Amazon Technologies, Inc. Automatic voice dubbing for media content localization

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230082485A (ko) * 2021-12-01 2023-06-08 주식회사 셀바스에이아이 오디오 콘텐츠 제작을 위한 사용자 인터페이스 제공 장치 및 방법
KR20230084965A (ko) 2021-12-06 2023-06-13 동서대학교 산학협력단 딥러닝 기술을 활용한 얼굴 이미지 기반 음성 생성 시스템 및 방법
KR102561276B1 (ko) * 2022-03-15 2023-07-28 주식회사 찬란 발음 교정 방법 및 시스템

Also Published As

Publication number Publication date
KR20200119217A (ko) 2020-10-19
US20210142783A1 (en) 2021-05-13

Similar Documents

Publication Publication Date Title
US20210142783A1 (en) Method and system for generating synthetic speech for text through user interface
KR102265972B1 (ko) 다중 언어 텍스트-음성 합성 모델을 이용한 음성 번역 방법 및 시스템
JP7082357B2 (ja) 機械学習を利用したテキスト音声合成方法、装置およびコンピュータ読み取り可能な記憶媒体
US11929059B2 (en) Method, device, and computer readable storage medium for text-to-speech synthesis using machine learning on basis of sequential prosody feature
US8825486B2 (en) Method and apparatus for generating synthetic speech with contrastive stress
US20150106101A1 (en) Method and apparatus for providing speech output for speech-enabled applications
US8914291B2 (en) Method and apparatus for generating synthetic speech with contrastive stress
KR102498667B1 (ko) 합성 음성을 화자 이미지에 적용하는 방법 및 시스템
WO2020209647A1 (ko) 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
CN111477210A (zh) 语音合成方法和装置
EP4343755A1 (en) Method and system for generating composite speech by using style tag expressed in natural language
WO2023035261A1 (en) An end-to-end neural system for multi-speaker and multi-lingual speech synthesis
US20230186895A1 (en) Method for performing synthetic speech generation operation on text
KR20240081458A (ko) 사용자 인터페이스를 통해 텍스트에 대한 합성 음성을 생성하는 방법 및 시스템
KR102668866B1 (ko) 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
KR20220145739A (ko) 개인화된 음성 콘텐츠를 생성하는 방법
KR20220147554A (ko) 개인화된 음성 콘텐츠를 제공하는 방법
KR20240078628A (ko) 기계학습을 이용한 텍스트-음성 합성 방법, 장치 및 컴퓨터 판독가능한 저장매체
d'Alessandro et al. Is this guitar talking or what!?

Legal Events

Date Code Title Description
A107 Divisional application of patent
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination