KR20210089347A - 음성 인식 장치 및 음성데이터를 학습하는 방법 - Google Patents

Abstract

음성 인식 장치 및 이를 이용한 음성데이터를 학습하는 방법이 개시된다. 본 발명에 따른 음성 인식 장치는 다양한 화자에 따른 특성 정보를 텍스트-투-스피치(Text-To-Speech) 기능에 접목하여, 음성 인식부에 인식되는 음성 데이터를 생성하고, 음성 인식부가 스스로 다양한 음성 데이터를 학습하도록 하여, 음성 인식 효율을 향상시킨다. 본 발명에 따른 음성 인식 장치는 인공 지능(Artificial Intelligence) 모듈, 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

음성 인식 장치 및 음성데이터를 학습하는 방법{VOICE RECOGNITION DEVICE AND VOICE DATA LEARNING METHOD}

본 발명은 음성 인식 장치 및 그 장치를 사용하여 음성데이터를 학습하는 방법에 관한 것이다.

기술이 발달함에 따라 최근 많은 분야에서 음성 인식 기술을 적용한 각종 장치와 서비스들이 소개되고 있다. 음성 인식 기술은 사람이 발성하는 음성을 장치가 이해할 수 있도록 컴퓨터가 다룰 수 있는 명령어로 변환하는 일련의 과정이라 할 수 있으며, 음성 인식 기술을 이용하는 음성 인식 서비스는 장치가 사용자의 음성을 인식하고 이에 해당하는 적합한 서비스를 제공하는 일련의 과정을 포함한다.

음성 합성 기술은 사용자나 관리자가 음성 인식 장치에 입력한 텍스트를 음성, 즉 음원과 같은 오디오로 변환하여 출력하는 STT(Speech-To-Text) 기술을 의미한다. 이런 음성 합성 기술은 좋은 음질의 음성 데이터를 제공하는 것이 주된 목적이었으며, 합성 음성도 음성 인식 장치의 훈련에 사용된 한 명의 사람이 가지고 있는 목소리를 기반으로 다양한 입력 텍스트에 대한 합성음을 제공하는 것이었다.

한편, 음성 인식 장치가 사람의 음성을 잘 인식하기 위해서, 많은 양의 음성 학습 데이터를 음성 인식 장치가 학습할 필요가 있었다. 특히, 많은 양의 음성 학습 데이터란 다양한 화자들에 의해 발성된 음성, 즉 음원과 같은 오디오에 대한 데이터를 의미한다. 또한, 다양한 화자들 마다 서로 다른 발화 패턴을 가지고 있으므로, 이러한 패턴에 대한 풍부한 자료 및 데이터가 필요하다.

하지만, 현실에서는 수백명의 발화자들, 즉 많은 수의 사람들을 섭외하여 학습 목적에 맞는 음성을 발성하도록 하고 이를 녹음하여, 음성 데이터를 생성하는데 많은 시간과 노력이 든다. 즉, 시나리오가 변경되어 발화 내용이 변경될 때마다 수 많은 사람들이 발화한 내용을 녹음하고 저장하는 과정에서 매우 많은 시간과 노력과 자본이 필요하였다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

본 발명에 따른 음성 인식 장치는 음성 인식 장치가 음성 인식용 학습 데이터를 자율적으로 생성하여, 생성된 학습 데이터를 학습하여 음성 인식의 효율을 상승시키는 장치 및 방법을 제공한다.

또한, 본 발명에 따른 음성 인식 장치는 음성 인식 장치를 사용하여 음성 학습 데이터를 학습하는 방법은 음성 합성 기술을 이용하여 다양한 발화자들이 발화한 것과 실질적으로 동일한 합성 음성을 생성하고 이러한 합성 음성을 음성 인식 장치에 학습데이터로 제공하는 방법을 제안한다.

본 발명의 일 실시예에 따른 음성 인식 장치는 사용자에 의해 입력되는 제1 텍스트와 발화자에 대한 추가 정보를 입력받아 상기 제1 텍스트에 대한 제1 오디오를 생성하는 음성 합성부, 상기 제1 오디오를 제1 학습 데이터로 저장하는 제1 데이터베이스, 과거에 입력된 적이 있거나 기존에 저장되어 있는 제2 텍스트 및 상기 제2 텍스트에 대한 제2 오디오를 제2 학습 데이터로 저장하고 있는 제2 데이터베이스, 상기 제1 및 제2 데이터베이스로부터 각각 상기 제1 및 제2 학습 데이터를 수신하여 학습하고 상기 제1 오디오를 음성으로 인식하는 음성 인식부 및 상기 음성 합성부와 상기 음성 인식부를 학습시킬 수 있는 데이터학습부를 포함하며, 상기 추가 정보는 상기 발화자에 대한 제1 정보 및 제2 정보를 포함한다.

상기 제1 정보는 발화자의 성별, 나이, 사투리 사용 여부 및 종류에 대한 태그(tag) 정보를 포함하며, 상기 제2 정보는 발화자가 발화할 때의 감정, 발화 소리 크기, 발화 속도, 노이즈의 종류 및 크기, 억양, 강세, 어조를 나타내는 수치 정보를 포함할 수 있다.

상기 데이터학습부는 제1 음성 합성 모델을 더 포함하며, 상기 제1 음성 합성 모델은 상기 제1 텍스트, 상기 추가 정보 및 상기 제2 오디오를 학습 데이터로 입력 받아 학습하며, 학습 결과에 따라 상기 제1 텍스트에 대한 제3 오디오를 생성한다.

상기 제1 음성 합성 모델은 상기 제1 텍스트, 상기 추가 정보 및 상기 제2 오디오를 입력받아 부호화 하는 제1 인코더부, 상기 제1 인코더부에서 부호화된 제1 인코딩 데이터를 수신하여 학습하는 제1 신경망 모델 및 상기 제1 신경망 모델의 학습 결과로 도출된 음원 데이터를 복호화하여 상기 제3 오디오를 생성하는 제1 디코더부를 더 포함할 수 있다.

상기 데이터학습부는 제2 음성 합성 모델을 더 포함하며, 상기 제1 음성 합성 모델은 상기 제3 오디오를 상기 제2 음성 합성 모델에 학습 데이터로 제공할 수 있다.

상기 제2 음성 합성 모델은 상기 제1 텍스트, 상기 추가 정보, 상기 제2 오디오 및 상기 제3 오디오를 입력 받아 부호화 하는 제2 인코더부, 상기 제2 인코더부에서 부호화된 제2 인코딩 데이터를 수신하여 학습하는 제2 신경망 모델 및 상기 제2 신경망 모델의 학습 결과로 도출된 음원 데이터를 복호화하여 제4 오디오를 생성하는 제2 디코더부를 더 포함할 수 있다.

상기 음성 합성부는 제1 검증 모듈을 더 포함하며, 상기 제1 검증 모듈은 상기 제1 오디오에서 누락된 단어 또는 중복되는 단어가 있는지 여부를 판단할 수 있다.

상기 음성 합성부는 제2 검증 모듈을 더 포함하며, 상기 제2 검증 모듈은 상기 제1 오디오를 학습하여 상기 제1 오디오의 음질을 추정할 수 있는 음질 추정 모델을 더 포함할 수 있다.

본 발명의 일 실시 예에 따른 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법은, 제1 텍스트 및 추가 정보가 상기 음성 인식 장치에 입력되는 단계, 상기 음성 인식 장치가 상기 제1 텍스트 및 상기 추가 정보를 바탕으로 제1 오디오를 생성하는 단계, 상기 제1 오디오를 제1 학습 데이터로 제1 데이터베이스에 저장하는 단계, 상기 제1 학습 데이터가 음성 인식부에 입력되는 단계, 제2 데이터베이스에 저장된 제2 오디오가 제2 학습 데이터로 상기 음성 인식부에 입력되는 단계, 상기 음성 인식부가 상기 제1 및 제2 학습 데이터를 학습하는 단계 및 상기 음성 인식부가 상기 제1 및 제2 오디오를 인식하는 단계를 포함한다.

제1 텍스트 및 추가 정보가 상기 음성 인식 장치에 입력되는 단계는 상기 제1 텍스트 및 상기 추가 정보가 제1 음성 합성 모델에 입력되는 단계 및 상기 제1 텍스트 및 상기 추가 정보가 음성 합성부에 입력되는 단계를 더 포함한다.

상기 제1 텍스트 및 상기 추가 정보가 제1 음성 합성 모델에 입력되는 단계는 상기 제1 텍스트 및 상기 추가 정보가 제1 인코딩부에서 인코딩되어 제1 인코딩 데이터를 생성하는 단계, 상기 제1 인코딩 데이터를 제1 신경망 모델이 학습하는 단계, 상기 제1 신경망 모델이 상기 제1 인코딩 데이터를 학습한 결과로 음원 데이터를 생성하는 단계 및 제1 디코더부가 상기 음원 데이터를 디코딩하여 제3 오디오를 생성하는 단계를 더 포함할 수 있다.

상기 제1 디코더부가 상기 음원 데이터를 디코딩하여 제3 오디오를 생성하는 단계 이후, 상기 제2 및 제3 오디오가 제2 음성 합성 모델에 입력되는 단계 및 상기 제2 음성 합성 모델이 상기 제1 텍스트, 상기 추가 정보, 상기 제2 오디오 및 상기 제3 오디오를 학습하여 제4 오디오를 생성하는 단계를 더 포함할 수 있다.

상기 제1 텍스트 및 상기 추가 정보가 제1 인코딩부에서 인코딩되어 제1 인코딩 데이터를 생성하는 단계는 상기 제2 데이터베이스에 저장된 상기 제2 오디오가 상기 제1 인코딩부에 입력되는 단계 및 상기 제1 인코딩부가 상기 제2 오디오를 인코딩하여 상기 제1 인코딩 데이터에 포함시키는 단계를 더 포함할 수 있다.

상기 음성 합성부가 상기 제1 텍스트 및 상기 추가 정보를 바탕으로 제1 오디오를 생성하는 단계는 상기 제1 오디오와 상기 제1 텍스트가 제1 검증 모듈에 입력되는 단계 및 상기 제1 검증 모듈이 상기 제1 오디오에 누락되거나 중복된 텍스트 내용이 있는지 여부를 검증하는 단계를 더 포함할 수 있다.

상기 제1 검증 모듈이 상기 제1 오디오에 누락되거나 중복된 텍스트 내용이 있는지 여부를 검증하는 단계 이후, 상기 제1 오디오 및 상기 제1 오디오에 대한 음질 측정 결과 데이터가 제2 검증 모듈에 입력되는 단계, 상기 제1 오디오 및 상기 제1 오디오에 대한 음질 측정 결과 데이터를 바탕으로 음질 측정 값을 생성하는 단계, 상기 제1 오디오에 대한 음질 추정 값을 생성하는 단계 및 상기 제2 검증 모듈이 상기 제1 오디오의 음질 추정 값 및 음질 측정 값을 비교하는 단계를 더 포함할 수 있다.

본 발명에 따른 음성 인식 장치는 합성 음성에 의해 장치 스스로 음성 학습 데이터를 생성하므로, 복수의 사람들이 발화한 음성을 수집하여 학습 데이터를 생성하는 것에 비해, 비용, 시간 및 노력을 절약할 수 있다.

본 발명에 따른 음성 인식 장치는 다양한 발화자들의 정보를 입력받아 이를 바탕으로 합성 음성으로 생성하므로, 발화자의 성별, 나이, 사투리 사용 여부, 음색, 어조, 억양과 같은 요소들을 반영하여 다양한 발화문을 생성할 수 있으며, 음성 인식 장치는 다양한 음성 학습 데이터를 학습하여 학습 능력 및 음성 인식 능력이 크게 향상될 수 있다.

본 발명에 따른 음성 인식 장치는 신규 도메인을 위한 모델 학습을 할 경우, 새로운 어휘에 대한 발성을 생성하여, 음성 인식 성능이 다른 장치들에 비하여 정확하다.

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도면이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시 예예 따른 AI 장치의 블록도이다.
도 5는 본 발명에 따른 음성 인식 시스템을 나타내는 도면이다.
도 6은 본 발명의 일 실시 에에 따른 음성 인식 장치의 외관을 나타내는 도면이다.
도 7은 본 발명의 일 실시 예에 따른 음성 인식 장치의 구성을 나타내는 블록도이다.
도 8은 도 7에 도시된 음성 인식 처리부의 구체적인 구성을 나타내는 블록도이다.
도 9는 본 발명의 다른 실시 예에 따른 음성 인식 처리부(250)의 구성을 나타내는 블록도이다.
도 10은 본 발명의 일 실시 예에 따른 음성 합성부(152)가 텍스트 및 추가 정보를 활용하여 합성 음성을 생성하는 과정을 나타내는 도면이다.
도 11은 본 발명의 일 실시 예에 따른 제1 검증 모듈(1521)의 구성을 나타낸 블록도이다.
도 12는 본 발명의 일 실시 예에 따른 제1 검증 모듈(1521)이 제1 오디오를 검증하는 과정을 나타내는 개념도이다.
도 13은 본 발명의 일 실시 예에 따른 제2 검증 모듈(1522)의 구성을 구체적으로 나타낸 블록도이다.
도 14는 본 발명의 일 실시 예에 따른 제2 검증 모듈(1522)이 제1 오디오의 음질 수준을 점검하는 과정을 나타내는 순서도이다.
도 15는 본 발명의 일 실시 예에 따른 제1 음성 합성 모델(1543)의 구성을 나타내는 블록도이다.
도 16은 본 발명의 일 실시 예에 따라 제1 음성 합성 모델(1543)이 제3 오디오를 생성하는 과정을 나타내는 순서도이다.
도 17은 본 발명의 다른 실시 예에 따라 제1 음성 합성 모델(1543)이 제3 오디오를 생성하는 과정을 나타내는 순서도이다.
도 18은 본 발명의 다른 실시 예예 따라 복수의 음성 합성 모델을 포함하는 데이터 학습부(154)의 구성을 나타낸다.
도 19는 본 발명의 다른 실시예에 따른 제2 음성 합성 모델(1544)이 제4 오디오를 생성하는 과정을 나타내는 순서도이다.
도 20은 본 발명의 일 실시 예에 따른 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법을 나타내는 순서도이다.
도 21은 본 발명의 일 실시 예에 따른 음성 인식 장치가 입력된 제1 텍스트 및 추가 정보를 처리하는 과정을 나타내는 순서도이다.
도 22는 본 발명의 다른 실시 예에 따라 복수의 음성 인식 모델을 이용하여 제4 오디오를 생성하는 과정을 나타나내는 순서도이다.
도 23은 본 발명의 일 실시 예에 따른 음성 인식 장치(100)가 제1 오디오를 검증하는 과정을 나타낸 순서도이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 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.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치로 정의(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI(Artificial Intelligence) 장치 등일 수 있다.

예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서 (921)는 프로그램 코드 및 데이터를 저장하는 메모리 (924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리 (Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고를 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ??}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의(best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고; 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간(guard period)에서 (RF) 리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)를 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 AI 프로세싱을 수행한다(S2). 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

H. AI 장치 블록도

도 4는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 5에 도시된 음성 인식 장치(100)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 프로세싱은, 도 5에 도시된 음성 인식 장치(100)의 제어와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 도 5에 도시된 음성 인식 장치(100)가 자율주행 차량일 경우, 자율주행 차량은 센싱 데이터 또는 운전자 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 자율주행 차량은 상기 차량 내에 구비된 다른 전자 기기와의 인터랙션을 통해 획득되는 데이터를 AI 프로세싱 하여 자율주행 제어를 수행할 수 있다.

도 4를 참조하면, 상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 디바이스 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 디바이스 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 차량 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 차량의 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 외부 전자 기기는 자율 주행 차량으로 정의될 수 있다. 또한, 상기 AI 장치(20)는 상기 자율 주행 모듈 차량과 통신하는 다른 차량 또는 5G 네트워크로 정의될 수 있다. 한편, 상기 AI 장치(20)는 차량 내에 구비된 자율주행 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 상기 5G 네트워크는 자율 주행 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.

한편, 도 4에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 5를 참조하면, 본 발명의 일 실시 예에 따른 음성 인식 시스템은 음성 인식 장치(100), 사용자 단말기(200), 서버(300) 및 이들을 서로 연결하는 네트워크를 포함한다. 이러한 네트워크는 상술한 5G 통신 표준에 대응되도록 구성될 수 있다. 여기서 도 5는 본 발명의 일 실시 예에 따른 음성 인식 시스템을 나타내는 도면이다.

한편, 도 5에 도시된 기기들 이외에 가정이나 사무실에서 사용되는 다양한 다른 전자 기기들이 사물 인터넷 환경 하에서 서로 연결되어 동작할 수 있다.

음성 인식 장치(100)는 사용자의 발화문을 수신하고, 인식 및 분석을 통하여 음성 인식 서비스를 제공할 수 있다. 본 실시 예에서, 음성 인식 장치(100)는 인공지능(AI) 스피커 또는 커뮤니케이션 로봇 등과 같은 음성 인식 기능을 수행할 수 있는 다양한 전자 기기들을 포함할 수 있다. 또한, 음성 인식 장치(100)는 음성 입출력 기능이 없는 전자 기기를 제어하는 허브 역할을 할 수 있다.

한편, 음성 인식 서비스라 함은, 사용자의 발화문을 수신하여 기동어 및 발화문을 구별하고, 발화문에 대한 음성 인식기 처리 결과를 사용자가 인지할 수 있도록 출력하는 것을 포함할 수 있다.

발화문은 담화-텍스트 언어학에서 의사소통의 최소단위를 의미한다. 기동어는 음성 인식 장치(100)의 음성 인식 기능을 활성화시키는 특정 명령어로서, 웨이크업 워드(wake-up word)로 명명될 수 있다. 발화문에 기동어가 포함되어 있어야 음성 인식 기능이 활성화될 수 있고, 발화문에 기동어가 포함되어 있지 않은 경우, 음성 인식 기능이 비활성화(예를 들어, 슬립 모드) 상태를 유지한다. 이러한 기동어는 미리 설정되어 음성 인식 장치(100)에 내장되는 메모리(160)에 저장될 수 있다.

또한, 기동어에 의해 음성 인식 장치(100)의 음성 인식 기능이 활성화된 후에 사용자로부터 발화되는 발화문은 음성 인식 장치(100)가 실질적으로 처리하고 출력을 생성할 수 있는 음성 명령어로 구분될 수 있다.

예를 들어, 사용자의 전체 발화문이 "하이 엘지, 에어컨을 켜줘"인 경우, 기동어는 "하이 엘지"로 구성될 수 있고, 음성 명령어는 "에어컨을 켜줘"로 구성될 수 있다. 이 경우, 음성 인식 장치(100)는 사용자의 발화문을 수신 및 분석하여 기동어의 존재를 판단하고, 발화문을 실행하여 전자 기기로서의 에어컨(미도시)을 제어한다.

본 실시 예에서 음성 인식 장치(100)는 기동어를 수신한 후 음성 인식 기능을 활성화시킨 상태에서, 제1 발화문의 수신 중에 제1 발화문의 수신에 대한 일시 정지(temporary pause)를 판단한다. 그리고, 일시 정지 이후 수신하는 제2 발화문의 음성 인식 처리 결과를 제1 발화문과 별도로 출력하고, 제2 발화문의 음성 인식 결과를 출력한 후 수신하는 제3 발화문을 제1 발화문의 연장으로 판단하며, 제3 발화문의 의도를 판단한다. 이후, 음성 인식 장치(100)는 제1 발화문과 제3 발화문을 조합할 때, 제1 발화문과 제3 발화문에서 동일하게 표현되는 단어나 정보를 중복되지 않도록 조합하고, 이를 바탕으로 사용자 음성 명령어를 생성한다. 그리고 음성 인식 장치(100)는 사용자 음성 명령어를 기반으로 음성 인식 처리를 하여 그 결과를 출력할 수 있다.

여기서 제1 발화문은, 사용자가 기동어를 발화한 이 후에 발화하는 첫 번째 음성 명령어를 포함할 수 있으며, 제1 발화문은 미완성 발화문을 포함할 수 있다. 또한, 제2 발화문은 제1 발화문의 일시 정지 판단 이후에 발화하는 두 번째 음성 명령어를 포함할 수 있으며, 제2 발화문은 완성 발화문을 포함할 수 있다. 제3 발화문은 제2 발화문의 음성 인식 처리 결과를 출력한 후에 사용자가 발화하는 세 번째 음성 명령어를 포함할 수 있으며, 제1 발화문의 연장인 음성 명령이고, 역시 미완성 발화문을 포함할 수 있다. 사용자 음성 명령은 미완성된 제1 발화문과 미완성된 제3 발화문의 의도를 파악하고 제1 및 제3 발화문을 결합한 완성 발화문을 포함한다.

본 실시 예에서 완성 발화문이라 함은, 음성 인식 처리 결과를 출력할 수 있는 음성 명령을 포함한다. 또한, 미완성 발화문이라 함은, 음성 인식 처리 결과의 출력이 불가능한 음성 명령을 포함한다.

본 실시 예에서 음성 인식 장치(100)는 사용자로부터 기동어를 수신하여 음성 인식 기능 활성화 상태가 되면, 사용자로부터 수신되는 음성 명령 즉, 발화문을 내부에 저장된 음향 모델(미도시) 및 언어 모델(미도시)을 이용하여 텍스트로 변환한다.

음성 인식 장치(100)는 변환된 텍스트에 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 발화 의도를 파악하고, 자연어 발화 형태의 텍스트로 변환 생성한 후, 자연어 발화 형태의 텍스트를 음성 정보로 변환하여 음성 인식 처리 결과로 출력한다.

또한, 음성 인식 장치(100)는 상술한 바와 같이 자체적으로 음성 인식 처리를 하는 방법 이외에도, 발화문을 서버(300)에 전송하고 서버(300)로부터 음성 인식 처리 결과를 수신하여 출력할 수도 있다.

사용자 단말기(200)는 음성 인식 구동 어플리케이션 또는 음성 인식 구동 사이트에 접속한 후 인증 과정을 통하여 음성 인식 장치(100)의 상태 정보를 모니터링 하거나, 음성 인식 장치(100)를 구동하거나 또는 제어할 수 있는 서비스를 제공받을 수 있다. 본 실시 예에서 인증 과정을 마친 사용자 단말기(200)는 일 예로, 사용자 음성 명령을 수신하면, 음성 인식 장치(100)의 동작 모드를 결정하여 음성 인식 장치(100)를 동작시키거나, 음성 인식 장치(100)의 동작을 제어할 수 있다.

사용자 단말기(200)는 컴퓨팅 장치(미도시)의 기능을 수행할 수 있는 통신 단말기를 포함할 수 있으며, 본 실시 예에서 사용자 단말기(200)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, 디지털 방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다.

또한, 사용자 단말기(200)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 단말기일 수 있다. 사용자 단말기(200)는 상술한 내용에 제한되지 아니하며, 웹 브라우징이 가능한 단말기라면 모두 사용자 단말기(200)에 포함될 수 있다.

서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 음성 인식에 관한 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기(200)에 설치된 어플리케이션 또는 웹 브라우저를 이용하여 음성 인식 장치(100)를 원격에서 제어할 수 있도록 하는 웹 서버 또는 어플리케이션 서버를 포함할 수 있다.

음성 인식 장치(100)가 기동어를 수신하여 음성 인식 기능이 활성화된 뒤, 이후에 수신되는 발화문을 자체적으로 처리하지 않고 서버(300)로 발화문을 전송하면, 서버(300)는 음성 인식 장치(100)로부터 제1 발화문 중에 일시 정지가 발생하였는지 여부를 판단한다.

만약, 서버(300)가 제1 발화문 중 일시 정지가 발생하였다고 판단하면, 일시 정지 이후에 음성 인식 장치로부터 제2 발화문을 수신하고, 제2 발화문에 대한 음성 인식 처리 결과를 생성하여 음성 인식 장치(100)로 전송한다. 음성 인식 장치(100)는 제2 발화문의 음성 인식 처리 결과를 출력하고, 사용자로부터 수신된 제3 발화문을 서버(300)로 전송한다. 서버(300)는 제3 발화문을 제1 발화문의 연장으로 판단하고, 제1 발화문과 제3 발화문을 조합한 제4 발화문에 대한 음성 인식 처리 결과를 생성하여 음성 인식 장치(100)로 전송한다. 그리고 음성 인식 장치(100)는 제4 발화문에 대한 음성 인식 처리 결과를 출력한다.

네트워크(400)는 음성 인식 장치(100)와 사용자 단말기(200)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(Local Area Network), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Intergrated Service Digital Networks)와 같은 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

또한, 네트워크(400)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(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)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(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고받아 처리하는 IoT(Internet of Things, 사물인터넷)망 및/또는 5G 통신을 지원할 수 있다.

도 6은 본 발명의 일 실시 에에 따른 음성 인식 장치의 외관을 나타내는 도면이며, 도 7은 본 발명의 일 실시 예에 따른 음성 인식 장치의 구성을 나타내는 블록도이다.

도 6 및 도 7을 참조하면, 음성 인식 장치(100)는 통신부(110), 디스플레이부(121) 및 조작부(122)를 포함하는 사용자 인터페이스부(120), 센싱부(130), 오디오 입력부(141) 및 오디오 출력부(142), 음성 인식 처리부(150), 메모리(160), 제어부(170) 및 데이터베이스(180)를 포함한다. 한편, 음성 인식 처리부(150)는 AI 프로세서(151)를 더 포함할 수 있으며, 통신부(110), 오디오 입력부(141), 오디오 출력부(142), 메모리(160) 및 AI 프로세서(151)를 포함하는 음성 인식 처리부(150)는 음성 인식 모듈로 지칭될 수 있다. 또한, 음성 인식 처리부는 모듈화 될 수 있다.

음성 인식 처리부(150)는 음성 명령에 대응하는 구동 신호 및/또는 다양한 정보를 사용자 단말기(200) 및/또는 서버(300)로 전송하는 통신부(110), 발화 음성을 수신하는 오디오 입력부(141), 음성 인식 처리 결과를 오디오로 출력하는 오디오 출력부(142), 음성 인식 알고리즘을 이용하여 음성 명령을 분석하여 음성 인식 처리 결과를 생성하는 AI 프로세서(151)를 포함하여, 음성 인식 및 음성 인식 처리 결과를 좀 더 효율적으로 분석하고 처리할 수 있다.

그리고, 음성 인식 처리부(150)에 포함되는 AI 프로세서(151)는 반드시 AI 프로세서(151)로 구성되어야 하는 것은 아니며, 일반적인 프로세서로 구성될 수 있다. 다만, 이하에서는 설명의 편의를 위해, AI 프로세서로 구성되는 것을 예시로 하여 설명한다. 본 실시 예에 따른 AI 프로세서(151)는 음성 인식 장치(100)에 의해 수집되는 모든 음성에 대한 데이터를 심층신경망 즉, 신경망 모델을 이용하여 학습할 수 있다.

통신부(110)는 네트워크(400)와 연동하여 음성 인식 장치(100)와 다른 전자 기기 및/또는 사용자 단말기(200) 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공할 수 있다. 나아가, 통신부(110)는 전자 기기 및/또는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 수신하는 역할을 할 수 있고, 음성 인식 장치(100)가 처리한 정보를 전자 기기 및/또는 사용자 단말기(200)로 전송하는 역할을 수행할 수 있다. 또한 통신부(110)는 전자 기기 및/또는 사용자 단말기(200)로부터 소정의 정보 요청 신호를 서버(300)로 전송하고, 서버(300)가 처리한 응답 신호를 수신하여, 전자 기기 및/또는 사용자 단말기(200)로 전송할 수 있다. 또한, 통신부(110)는 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

본 실시 예에서 다른 전자 기기라 함은, 음성 입출력 기능을 구비하고 있지 못한 가전 기기(home appliance) 예를 들어, 에어컨, 냉장고, 세탁기 등을 포함할 수 있으며, 상술한 가전 기기들은 음성 인식 장치(100)에 의해 제어될 수 있다. 또한, 음성 입출력 기능을 구비하고 있는 가전 기기들도 다른 전자 기기에 포함할 될 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.

사용자 인터페이스부(120) 중 디스플레이부(121)는 제어부(170)의 제어 하에 음성 인식 장치(100)의 구동 상태를 디스플레이 할 수 있다. 실시 예에 따라서, 디스플레이부(121)는 터치패드와 상호 레이어 구조를 이루어 터치스크린으로 구성될 수 있다. 이 경우에, 디스플레이부(121)는 사용자의 터치에 의한 정보의 입력이 가능한 조작부(122)로도 사용될 수 있다. 이를 위해 디스플레이부(121)는 터치 인식 디스플레이 제어기 또는 이외의 다양한 입출력 제어기로 구성될 수 있다.

일 예로, 터치 인식 디스플레이 제어기는 장치와 사용자 사이에 출력 인터페이스 및 입력 인터페이스를 제공할 수 있다. 터치 인식 디스플레이 제어기는 전기 신호를 제어부(170)와 송수신할 수 있다. 또한, 터치 인식 디스플레이 제어기는 사용자에게 시각적인 출력을 표시하며, 시각적 출력은 텍스트, 그래픽, 이미지, 비디오와 이들의 조합을 포함할 수 있다.

이와 같은 디스플레이부(121)는 예를 들어 터치 인식이 가능한 OLED(organic light emitting display) 또는 LCD(liquid crystal display) 또는 LED(light emitting display)와 같은 소정의 디스플레이 부재일 수 있다.

사용자 인터페이스부(120) 중 조작부(122)는 복수의 조작 버튼(미도시)을 구비하여, 입력되는 버튼에 대응하는 신호를 제어부(170)로 전송할 수 있다. 이러한 조작부(122)는 사용자의 터치 또는 누름 조작을 인식할 수 있는 센서 또는 버튼, 스위치 구조로 구성될 수 있다. 본 실시 예에서 조작부(122)는 디스플레이부(121)에 표시되는 음성 인식 장치(100)의 구동과 관련한 각종 정보를 확인하거나, 변경하기 위해 사용자가 조작하는 조작 신호를 제어부(170)로 전송할 수 있다.

본 실시 예에서 조작부(122)는 복수의 컨텍트 스위치(미도시)를 포함할 수 있으며, 각각의 컨택 스위치의 출력 신호가 어떻게 처리되는지는 메모리(160)에 미리 저장된 프로그램에 의해 정해질 수 있다. 예를 들어, 복수의 컨텍트 스위치는 제1 내제 제4 컨텍트 스위치를 포함할 수 있으며, 제1 또는 제2 컨텍트 스위치의 동작 신호에 따라 디스플레이부(121) 상에서 좌방향 또는 우방향으로 표시된 메뉴들이 선택될 수 있고, 제3 컨텍트 스위치 또는 제4 컨텍트 스위치의 동작 신호에 따라 디스플레이부(121) 상에서 상방향 또는 하방향으로 표시된 메뉴들이 선택될 수 있다. 또한 제1 컨텍트 스위치 내지 제4 컨텍트 스위치 중 하나를 작동시키면 음성 인식 기능이 활성화될 수도 있다.

또한, 본 실시 예에서 조작부(122)는 키보드와 터치패드(미도시)를 포함할 수 있다. 키보드와 터치패드의 출력 신호가 어떻게 처리되는지는 메모리(160)에 미리 저장된 프로그램에 의해 정해질 수 있다. 사용자는 키보드와 터치패드를 이용하여 텍스트(text)를 입력할 수 있다.

센싱부(130)는 음성 인식 장치(100)의 주변 상황을 센싱하는 근접센서(131) 및 영상센서(132)를 포함할 수 있다. 근접센서(131)는 적외선 등을 활용하여 음성 인식 장치(100) 주변에 위치한 객체(예를 들어 사용자)의 위치 데이터를 획득할 수 있다. 한편, 근접센서(131)가 획득한 사용자의 위치 데이터는 메모리(160)에 저장될 수 있다.

영상센서(132)는 음성 인식 장치(100) 주변을 촬영할 수 있는 카메라(미도시)를 포함할 수 있으며, 촬영 효율을 위해 복수 개가 설치될 수 있다. 예를 들어, 카메라는 적어도 하나의 광학렌즈와, 광학렌즈를 통과한 광에 의해 상이 맺히는 다수개의 광다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지센서(예를 들어, CMOS image sensor)와, 광다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: digital signal processor)를 포함할 수 있다. 디지털 신호 처리기는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성할 수 있다. 한편, 영상센서(132)로서의 카메라가 촬영하여 획득된 영상은 메모리(160)에 저장될 수 있다.

본 실시 예에서 센싱부(130)를 근접센서(131) 및 영상센서(132)로 한정하고 있으나, 이에 국한되지 않고, 음성 인식 장치(100)의 주변 상황을 감지할 수 있는 센서 예를 들어, 라이다 센서(Lidar sensor), 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), 마이크로폰(microphone), 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 실시예에서 음성 인식 장치(100)는 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

오디오 입력부(141) 및 오디오 처리부(142)를 통틀어서 오디오 처리부라고 지칭할 수 있다. 이 중 오디오 입력부(141)는 사용자가 발화한 발화 음성(예를 들어 기동어 및 음성 명령)을 입력 받아 제어부(170)로 전송할 수 있고, 제어부(170)는 사용자가 발화한 발화 음성을 음성 인식 처리부(150)로 전송할 수 있다. 이를 위해 오디오 입력부(141)는 하나 이상의 마이크로폰(미도시)을 구비할 수 있다. 또한, 사용자의 발화 음성을 더 정확하게 수신하기 위해 복수의 마이크로폰(미도시)을 구비할 수 있다. 여기서, 복수의 마이크 각각은 서로 다른 위치에 이격 배치될 수 있고, 수신한 사용자의 발화 음성을 전기적인 신호로 처리할 수 있다.

예를 들어, 오디오 입력부(141)는 사용자의 발화 음성을 수신하는 과정에서 발생하는 노이즈를 제거하기 위한 다양한 노이즈 제거 알고리즘을 사용할 수 있다. 또 다른 예로 오디오 입력부(141)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 수도 있다.

한편, 오디오 출력부(142)는 제어부(170)의 제어에 따라 경고음, 동작모드, 동작상태, 에러 상태 등의 알림 메시지, 사용자의 명령 입력에 대응하는 정보, 사용자의 명령 입력에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 오디오 출력부(142)는 제어부(170)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커 등을 구비할 수 있다.

본 발명에서 음성 인식 처리부(150)는 AI 프로세서(151)를 통하여 자체적으로 음성에 대한 데이터들을 학습한다. 하지만, 음성 인식 처리부(150)는 AI 프로세서(151)의 구비여부에 관계없이, 제어부(170)와 연계하여 음성 데이터들에 대한 학습을 수행할 수 있다. 이러한 학습은, 음성 인식 및 오디오 생성에 관한 데이터를 학습하는 것을 포함한다.

또한, 본 발명에 따른 음성 인식 처리부(150)는 자체적으로 학습한 결과를 제어부(170)로 송신하거나, 제어부(170)에서 학습한 결과를 수신할 수도 있다. 본 발명에서 음성 인식 처리부(150)는 도 7에 도시된 바와 같이 음성 인식 장치(100) 내부에서 제어부(170)와 별도로 구성된다. 하지만, 본 발명은 이러한 설명에 한정되는 것은 아니며, 음성 인식 처리부(150)가 제어부(170) 내부에 구비되어 제어부(170)와 같이 동작하도록 구성될 수도 있다. 또한, 본 발명에 따른 음성 인식 처리부(150)는 제어부(170)와 분리되어 음성 인식 장치(100)의 내부가 아닌, 도 5의 서버(300) 내부에 별도로 구비될 수도 있다.

하지만, 설명의 편의를 위해, 이하에서 본 발명에 따른 음성 인식 처리부(150)는 도 7에 도시된 바와 같이 음성 인식 장치(100) 내부에서 제어부(170)와 별도로 구성되는 것을 예시로 하여 설명한다.

음성 인식 처리부(150)에 대하여는 도 8을 참조하여 관련된 부분에서 후술하기로 한다.

한편, 본 발명에 따른 음성 인식 장치(100)에 포함되는 메모리(160)는 음성 인식 장치(100)의 동작에 필요한 각종 정보들을 저장하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 예를 들어, 메모리(160)는 사용자의 발화 음성으로부터 기동어의 존재를 판단하기 위한 미리 설정된 기동어가 저장될 수 있다. 한편, 기동어는 제조사에 의해 미리 설정될 수 있다. 예를 들어, "하이 엘지"가 기동어로 설정될 수 있고, 사용자에 의해 변경될 수 있다. 이러한 기동어는 음성 인식 장치(100)의 음성 인식 기능을 활성화시키기 위해 입력되는 것으로, 사용자가 발화한 기동어를 인식한 음성 인식 장치(100)는 음성 인식 기능이 활성화 상태로 전환된다.

여기서, 메모리(160)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(160)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.

한편, 제어부(170)는 오디오 입력부(141)를 통하여 수신한 발화 음성을 음성 인식 처리부(150)로 전송하고, 음성 인식 처리부(150)로부터 음성 인식 처리 결과를 디스플레이부(121)를 통하여 시각적 정보로 제공하거나, 오디오 출력부(142)를 통하여 청각적 정보로 제공할 수 있다.

제어부(170)는 일종의 중앙처리장치로서 메모리(160)에 탑재된 제어 소프트웨어를 구동하여 음성 인식 장치(100) 전체의 동작을 제어할 수 있다.

제어부(170)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.

제어부(170)는 음성 인식 장치(100)가 최적의 음성 인식 처리 결과를 출력하도록, 사용자 발화 음성에 대하여 딥러닝(Deep Learning)과 같은 머신 러닝(machine learning)을 수행할 수 있고, 메모리(160)는 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.

한편, 제어부(170)에는 인공신경망(artificial neural network)이 탑재될 수 있고, 수신되는 음성 입력 신호를 입력 데이터로 하는 머신 러닝 기반의 사용자 인식 및 사용자의 음색 인식을 수행할 수 있다.

제어부(170)는 인공신경망, 예를 들어, CNN, RNN, DBN 등 심층신경망(deep neural network: DNN)을 포함할 수 있고, 음성 인식 장치(100)에 의해 수집되는 모든 음성에 대한 데이터를 심층신경망으로 학습할 수 있다. 이러한 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 제어부(170)는 설정에 따라 음성에 대한 데이터 학습 후 기존의 인공 신경망 구조를 업데이트 할 수도 있다.

데이터베이스(180)는 저장 매체를 의미하며, 음성에 관한 데이터를 저장할 수 있다. 여기서 음성에 관한 데이터란, 사람이 발화한 음성을 녹음한 오디오 데이터 및 음성에 포함된 콘텐츠나 내용을 텍스트로 표현한 데이터를 모두 포함한다.

제어부(170)나 음성 인식 처리부(150)는 음성에 대한 데이터를 데이터베이스(180)로부터 획득할 수 있으며, 제어부(170)나 음성 인식 처리부(150)가 인식하고 학습하여 처리한 음성에 대한 데이터들은 데이터베이스(180)에 모두 저장될 수 있다.

이하에서는, 도 8을 참조하여, 본 발명의 일 실시 예에 따른 음성 인식 처리부(150)를 좀 더 구체적으로 설명한다. 도 8은 도 7에 도시된 음성 인식 처리부의 구체적인 구성을 나타내는 블록도이다.

한편, 음성 인식 처리부(150)에 대하여, 먼저 설명된 구성과 동일한 구성에 대하여는 중복된 설명을 생략하도록 한다. 또한, 음성 인식 처리부(150)에 포함되는 AI 프로세서(151)는 도 4를 참조하여 상술한 AI 프로세서(21)와 동일한 기능 및 효과를 가질 수 있으므로, 도 4를 참조하여 상술한 AI 프로세서(21)와 동일한 구성에 대하여는 설명을 생략할 수 있다.

도 8을 참조하면, 본 실시 예에 따른 AI 프로세서(151)는 음성 합성부(152), 음성 인식부(153) 및 데이터 학습부(154)를 포함한다.

음성 합성부(152)는 음성 인식 장치(100)의 사용자 또는 관리자에 의해 입력되는 제1 텍스트와 제1 텍스트를 발화하는 발화자에 대한 추가 정보를 입력 받아서 제1 텍스트에 대한 제1 오디오를 생성한다. 즉, 음성 합성부(152)는 텍스트-투-스피치(Text-To-Speech) 기능을 수행한다.

여기서, 제1 텍스트란 음성 인식 장치(100)를 사용하는 사용자 또는 관리자가 오디오로 변환하기 위해 음성 인식 장치(100)에 입력하는 텍스트를 의미하며, 추가 정보는 제1 텍스트를 발화하거나, 발화할 발화자에 대한 정보를 의미한다. 발화자에 대한 정보는 다음과 같다.

발화자의 정보는 발화자의 성별, 나이, 사투리 사용 여부 및 종류에 대한 정보와 발화자가 발화할 때의 감정, 발화 소리 크기, 발화 속도, 노이즈의 종류 및 크기, 억양, 강세, 어조에 대한 정보를 포함한다. 그리고, 본 실시 예에서 이러한 발화자에 대한 정보는 제1 정보 및 제2 정보로 분류될 수 있다.

이 경우, 제1 정보는 상술한 정보들 중 발화자의 성별, 나이, 사투리 사용 여부 및 종류를 태그(tag)로 표현한 정보를 포함한다. 그리고, 제2 정보는 발화자가 발화할 때의 감정, 발화 소리 크기, 발화 속도, 노이즈의 종류 및 크기, 억양, 강세, 어조를 수치로 표현한 정보를 포함한다.

본 실시 예에 따른 데이터베이스(180)는 제1 데이터베이스(181) 및 제2 데이터베이스(182)를 포함한다.

이 중, 제1 데이터베이스(181)는 음성 합성부(152)가 생성한 제1 오디오를 저장하는 데이터베이스이다. 그리고, 제1 데이터베이스(181)에 저장된 오디오 데이터들은 모두 음성 합성부(152)의 오디오 생성 즉, 음성 합성에 대한 학습 테이터로 사용될 수 있으며, 음성 인식부(153)의 음성 인식에 대한 학습 데이터로 사용될 수 있다.

그리고 제2 데이터베이스(182)는 음성 인식 장치(100) 제작 시에 저장된 초기 음성 데이터로서, 관리자가 설정한 음성 인식 장치(100)의 동작에 필요한 기동어들을 저장하는 데이터베이스이다. 또한, 제2 데이터베이스(182)는 음성 인식 장치(100)의 사용 이력을 저장할 수 있으며 이러한 사용 이력에 따라 사용자나 관리자가 과거에 입력한 적이 있거나, 인식시킨 음성 데이터를 저장한다.

제2 데이터베이스(182)는 사람이 발화한 오디오에 관한 데이터 및 오디오 데이터에 포함된 콘텐츠나 내용을 텍스트로 표현한 텍스트 데이터를 모두 저장한다. 또한, 제2 데이터베이스(182)는 저장하고 있는 음성 데이터들을 학습 데이터로 음성 합성부(152) 및 음성 인식부(153)에 제공할 수 있다.

그리고, 제2 데이터베이스(182)는 기존에 미리 저장하고 있는 음성 관련 데이터들의 저장소이며, 제1 데이터베이스(181)는 음성 합성부(152)에 의해 새롭게 생성된 음성 관련 데이터들을 저장하는 저장소이므로, 양자에 각각 저장되는 데이터들을 구분하기 위해서, 제1 데이터베이스(181)에는 제1 오디오 및 제1 텍스트가 저장되고, 제2 데이터베이스(182)에는 제2 오디오 및 제2 텍스트가 저장되어 있는 것으로 설명한다.

또한, 제1 데이터베이스(181)에서 제공하는 학습 데이터는 제1 학습 데이터라고 지칭하며, 제2 데이터베이스(182)에서 제공하는 학습 데이터는 제2 학습 데이터라고 지칭한다. 여기서 학습 데이터는 음성에 관련된 데이터를 모두 포함할 수 있으며, 상술한 오디오 데이터 및 해당 오디오에 대한 텍스트 데이터를 포함한다.

음성 인식부(153)는 제1 및 제2 데이터베이스(181, 182)로부터 각각 제1 및 제2 학습 데이터를 수신하여 음성에 관련된 데이터들을 학습하고, 학습 결과를 바탕으로 제1 오디오를 인식한다.

한편, 데이터학습부(154)는 음성 합성부(152) 및 음성 인식부(153)를 학습시키기 위해, 인공 신경망 모델을 포함한다. 특히, 데이터학습부(154)는 음성 합성부(152) 및 음성 인식부(153)를 학습시키기 위해, 학습 데이터 획득부(1541), 모델 학습부(1542) 및 제1 음성 합성 모델(1543)을 포함한다.

본 실시 예에 따른 학습 데이터 획득부(1541) 및 모델 학습부(1542)는 도 4를 참조하여 설명한 학습 데이터 획득부(23) 및 모델 학습부(24)와 동일한 기능 및 효과를 가지도록 구성되므로, 이에 대한 구체적인 설명은 생략한다.

그리고, 본 실시 예에 따른 데이터학습부(154)의 변형 실시 예에서는 제1 음성 합성 모델(1543)이외에 제2 음성 합성 모델(1544)을 더 포함할 수 있다.

제1 음성 합성 모델(1543) 및 제2 음성 합성 모델(1544)은 서로 동일하게 구성될 수 있으며, 이들에 관하여는 도 11 내지 도 15를 참조하는 부분에서 후술하도록 한다.

다시, 도 8을 참조하면, 본 실시 예에 따른 음성 인식 처리부(150)는 하나의 AI 프로세서(151)에 음성 합성부(152), 음성 인식부(153) 및 데이터 학습부(154)를 포함하는 것을 도시하고 있다.

하지만, 본 발명에 따른 음성 인식 처리부(150)는 이러한 구성에 한정되지는 않는다.

도 9에 도시된 바와 같이, 본 발명의 다른 실시 예에 따른 음성 인식 처리부(250)는 적어도 두 개 이상의 AI 프로세서들(151, 155)을 포함할 수 있다.

도 9는 본 발명의 다른 실시 예에 따른 음성 인식 처리부(250)의 구성을 나타내는 블록도이다.

이 경우, 적어도 두 개 이상의 AI 프로세서들(151, 155)은 각각 제1 AI 프로세서(151) 및 제2 AI 프로세서(155)로 구분될 수 있다. 그리고, 제1 AI 프로세서(151)는 음성 합성부(152) 및 음성 인식부(153)를 포함하도록 구성되고, 제2 AI 프로세서(155)는 데이터 학습부(154)를 포함하도록 구성될 수 있다.

음성 인식 처리부(250)가 제1 AI 프로세서(151) 및 제2 AI 프로세서(155)를 포함하도록 구성될 경우, 각각의 AI 프로세서가 수행하여야 할 연산량이 줄어들고, 복수의 AI 프로세서들이 병렬로 배치되어 연산을 수행하므로, 복잡하고 많은 데이터를 매우 빠른 속도로 처리하고 학습할 수 있다.

따라서, 본 발명의 다른 실시 예에 따른 음성 인식 처리부(250)는 본 발명의 일 실시 예에 따른 음성 인식 처리부(150)에 비하여 음성 인식, 음성 생성 및 음성에 관한 데이터를 학습하고 처리하는 것을 더 신속하고 효율적으로 수행할 수 있다.

또한, 도 9에서는 2개의 AI 프로세서들(151, 155)을 포함하는 것으로 도시되어 있지만, 이는 어디까지나 예시일 뿐이다. 따라서, 음성 합성부(152), 음성 인식부(153) 및 데이터 학습부(154)가 각각 별도의 AI 프로세서에 종속되도록 3개의 AI 프로세서들을 포함하도록 음성 인식 처리부(250)가 구성되는 것도 가능하다.

더욱이, 음성 합성부(152), 음성 인식부(153) 및 데이터 학습부(154)에 포함된 구성 요소들 각각이 하나의 AI 프로세서에 할당되도록 구성할 수도 있다. 예를 들어, 데이터 학습부(154)에 포함된 제1 및 제2 음성 합성 모델(1543, 1544)은 각각 제3 AI 프로세서(미도시) 및 제4 AI 프로세서(미도시)에 포함되도록 구성할 수 있다.

한편, 음성 인식 처리부(250)는 복수의 개별적인 구성요소들을 하나의 모듈 또는 모듈화된 구성으로 표현하기 위해 사용되는 개념적인 구성으로서, 음성 인식 처리부(250)에 포함되는 구성 요소들이 모두 하나의 장치에 함께 포함될 필요는 없다.

따라서, 이렇게 복수의 AI 프로세서들을 포함하도록 음성 인식 처리부(250)가 구성될 경우, 각각의 AI 프로세서들은 모듈화 되어 음성 인식 장치(100) 이외의 다른 장치로 구현될 수도 있다. 즉, 상술한 예와 같이, 음성 인식 처리부(250)가 제1 내지 제4 AI 프로세서들을 포함하도록 구성될 경우, 제1 및 제2 AI 프로세서(151, 155)는 음성 인식 장치(100) 내부에 포함되도록 구성되고, 제3 및 제4 AI 프로세서(미도시)는 음성 인식 장치(100)와 별도의 장치에 포함되도록 구성될 수 있다. 그리고, 음성 인식 장치(100) 다른 장치가 서로 데이터 통신을 통해 제1 및 제2 AI 프로세서(151, 155)의 처리 결과와 제3 및 제4 AI 프로세서의 처리 결과를 송수신하고 학습할 수 있도록 구성될 수 있다.

따라서, 본 발명의 다른 실시 예에 따른 음성 인식 처리부(250)는 적어도 두 개 이상의 AI 프로세서를 포함할 수 있다.

도 10을 참조하여 음성 합성부(152)가 제1 오디오를 생성하는 과정을 설명한다. 도 10은 본 발명의 일 실시 예에 따른 음성 합성부(152)가 텍스트 및 추가 정보를 활용하여 합성 음성을 생성하는 과정을 나타내는 도면이다.

도 10을 참조하면, 본 발명에 따른 음성 합성부(152)에 제1 텍스트 및 추가 정보가 입력된다. 음성 합성부(152)는 TTS 기능을 활용하여 제1 텍스트를 음원으로 변환하고, 추가 정보를 분석하여 변환된 음원을 발화할 발화자의 정보를 구성한다. 예를 들어, 제1 텍스트로 '나는 학교에 갑니다.'가 음성 합성부(152)에 입력이 되면, 음성 합성부(152)는 TTS 기능을 활용하여 '나는 학교에 갑니다.'라는 텍스트를 음원으로 변환한다.

그리고, 추가 정보로 발화자가 '영화 배우 정해인'이고 '사투리 사용 여부 없음'을 나타내는 정보가 태그(Tag) 형태로 음성 합성부(152)에 입력되면, 음성 합성부(152)는 해당 태그 정보를 분석한다. 또한, 추가 정보로 '발화자의 발성 음량(volume) 10' 및 '발화 속도는 초당 1단어'를 나타내는 수치 정보가 음성 합성부(152)에 입력되면, 음성 합성부(152)는 해당 수치 정보를 분석하여, 발화 스타일을 결정한다.

그리고, 음성 합성부(152)는 제2 데이터베이스(182)에 미리 저장된 '영화 배우 정해인'의 음성을 이용하여 해당 음원을 생성하고, 해당 음원이 사투리 없이, 표준 한국어로 생성되도록 한다. 이후, 음성 합성부(152)는 해당 음원을 '발화자의 발성 음량(volume) 10' 및 '발화 속도는 초당 1단어'에 기반하여 발화되도록 하여 제1 오디오를 생성한다.

따라서, 제1 오디오는, 발성 음량(volume) 10에 초당 1단어를 발화하며, '영화 배우 정해인'이 사투리 없이, 표준 한국어로 '나는 학교에 갑니다.'라는 내용을 발화하도록 구성된다.

이후, 제1 오디오는 제1 검증 모듈(1521) 및/또는 제2 검증 모듈(1522)을 거쳐 제1 데이터베이스(181)에 저장된다.

이렇게 제1 데이터베이스(181)에 저장된 제1 오디오는 이후, 음성 인식부(153)에 제1 학습 데이터로 제공되며, 음성 인식부(153)는 제1 오디오를 인식하고 학습하여 제1 오디오를 발화한 발화자가 '영화 배우 정해인'이며, '정해인'이라는 발화자가 30대의 남성이며, '발화자의 발성 음량(volume) 10' 및 '발화 속도는 초당 1단어'에 기반하여 발화되었음을 학습 결과로 도출한다.

한편, 음성 합성부(152)는 제1 검증 모듈(1521) 및/또는 제2 검증 모듈(1522)을 더 포함한다. 이들은 제1 텍스트를 잘 반영하여 제1 오디오가 생성되었는지 여부를 검토하고, 검토를 마친 제1 오디오들만 제1 데이터베이스(181)에 저장되도록 한다.

이 중에서, 제1 검증 모듈(1521)은 음성 합성부(152)에 의해 생성된 제1 오디오에 누락되거나 반복되는 내용의 텍스트가 있는지 여부를 검토하여 제1 오디오가 제1 텍스트의 내용과 정확하게 일치되는지 여부를 확인한다.

도 11 및 도 12를 참조하여, 본 발명의 일 실시 예에 따른 제1 검증 모듈(1521)을 설명한다. 우선, 도 11은 본 발명의 일 실시 예에 따른 제1 검증 모듈(1521)의 구성을 나타낸 블록도이며, 도 12는 본 발명의 일 실시 예에 따른 제1 검증 모듈(1521)이 제1 오디오를 검증하는 과정을 나타내는 개념도이다.

도 11을 참조하면, 제1 검증 모듈(1521)은 오디오 인식부(15211), 언어 모델 생성부(15212), 음향 모델 생성부(15213) 및 오디오-텍스트 비교부(15214)를 포함한다.

제1 검증 모듈(1521)에는 제1 텍스트 및 음성 합성부(152)에 생성된 제1 오디오가 입력될 수 있다.

도 12를 참조하면, 제1 오디오는 오디오 인식부(15211)로 입력되어 인식된다. 이 때, 오디오 인식부(15211)는 STT(Speech-To-Text) 기능을 가지고 있으며, 오디오 인식부(15211)에 의해 인식된 제1 오디오는 텍스트로도 변환된다. 그리고, 제1 텍스트는 언어 모델 생성부(15212)로 입력되어, 제1 텍스트로 생성가능한 언어 모델들이 생성된다.

한편, 음향 모델 생성부(15213)는 제2 데이터베이스(182)에 저장된 다양한 기존 발화자에 대한 오디오 데이터들의 집합체인 음향 모델을 오디오 인식부(15211)에 제공하여, 오디오 인식부(15211)가 제1 오디오를 정확하게 인식하도록 도와준다.

오디오 인식부(15211)는 언어 모델 생성부(15212)와 음향 모델 생성부(15213)의 도움을 받아 제1 오디오를 인식하고, 인식된 결과를 오디오-텍스트 비교부(15214)로 전달한다.

오디오-텍스트 비교부(15214)는 제1 오디오가 인식된 결과에 따라 생성된 텍스트와 오디오-텍스트 비교부(15214)에 직접 입력된 제1 텍스트를 비교하여, 제1 오디오가 나타내는 텍스트가 제1 텍스트와 동일한지 여부를 확인한다.

만약, 제1 오디오가 나타내는 텍스트가 제1 텍스트와 동일하면, 음성 합성부(152)가 제1 오디오를 정확하게 생성했다고 판단하고, 제2 검증 모듈(1522)로 제1 오디오를 전달한다.

하지만, 제1 오디오가 나타내는 텍스트가 제1 텍스트와 비교하여 동일하지 않을 경우, 오디오-텍스트 비교부(15214)는 음성 합성부(152)가 다시 제1 오디오를 생성할 것을 요청하고, 기존에 생성된 제1 오디오는 제1 데이터베이스(181)에 저장되지 않도록 할 수 있다. 예를 들어, 제1 텍스트가 'OCN 채널 틀어줘'이고, 오디오 인식부(15211)가 인식한 제1 오디오가 'OCN 틀어줘' 일 경우, 오디오-텍스트 비교부(15214)는 음성 합성부(152)에서 형성된 제1 오디오에 일부 텍스트 내용이 누락되었다고 판단하고, 음성 합성부(152)가 제1 텍스트에 기반하여 다시 제1 오디오를 생성할 것을 요청할 수 있다.

한편, 제1 검증 모듈(1521)에서 텍스트 내용의 누락 또는 중복 여부의 검토를 마치고 제2 검증 모듈(1522)로 전달된 제1 오디오는, 제2 검증 모듈(1522)에서 음질이 측정된다.

즉, 음성 합성부(152)에서 생성된 제1 오디오에 노이즈가 간섭되어 제1 오디오가 음성 인식부(153)에 정확하게 인식되는 것이 방해될 수 있는지 여부를 측정할 수 있다.

도 13 및 도 14를 참조하여 제2 검증 모듈(1522)이 제1 오디오의 음질 수준을 점검하여 제1 데이터베이스에 저장될 수 있는지 여부를 결정하는 과정에 대하여 설명하도록 한다.

도 13은 본 발명의 일 실시 예에 따른 제2 검증 모듈(1522)의 구성을 구체적으로 나타낸 블록도이고, 도 14는 본 발명의 일 실시 예에 따른 제2 검증 모듈(1522)이 제1 오디오의 음질 수준을 점검하는 과정을 나타내는 순서도이다.

우선 도 13을 참조하면, 본 발명의 일 실시 예에 따른 제2 검증 모듈(1522)은 음질 추정부(15221), 음질 측정 데이터 수집부(15222), 음질 추정 모델(15223) 및 추정값-측정값 비교부(15224)를 포함한다.

제1 검증 모델(1521)을 거친 제1 오디오는 제2 검증 모듈(1522)의 음질 추정부(15221)에 입력된다. 음질 추정부(15221)는 제1 오디오의 주파수를 분석하여 제1 오디오의 음질에 대한 추정값을 생성한다.

한편, 사용자 또는 관리자가 직접 제1 오디오를 청취하고 해당 제1 오디오의 음질을 평가하거나 측정한 데이터 값이 음질 측정 데이터 수집부(15222)에 입력된다. 이 때, 제1 오디오도 음질 측정 데이터 수집부(15222)에 같이 입력되어, 사용자 또는 관리자가 제1 오디오에 대해 평가한 음질 측정 데이터가 해당 오디오에 태그 되도록 한다.

이후, 사용자 또는 관리자가 제1 오디오에 대해 평가한 음질 측정 데이터는 음질 측정 모델(15223)에 전달되며, 음질 측정 모델(15223)은 포함하고 있는 신경망 모델로 음질 측정 데이터를 학습한 뒤, 음질 측정 값을 산출한다.

이후, 산출된 음질 측정 값은, 음질 추정부(15221) 또는 추정값-측정값 비교부(15224)에 전달된다.

추정값-측정값 비교부(15224)는 음질 추정부(15221)로부터 음질 추정 값 수집하고 음질 측정 모델(15223)로부터 음질 측정값을 수집하여 양 값을 비교한다. 이 경우, 음질 추정 값과 음질 측정 값의 차이 값이 일정치 이상인 경우, 즉 일정 역치(Threshold) 이상인 경우, 해당 음질 추정 값 및 해당 음질 측정 값은 측정 신뢰도가 다소 낮은 것으로 판단하여, 음질 측정 값을 기준으로 음질의 좋고 나쁨을 결정할 수 있다.

한편, 음질 추정 값과 음질 측정 값의 차이 값이 일정치 이하인 경우, 즉 일정 역치(Threshold) 이하인 경우, 해당 음질 추정 값 및 해당 음질 측정 값은 측정 신뢰도가 높은 것으로 판단하여, 음질 추정 값 및 해당 음질 측정 값 중 적어도 어느 하나를 기준으로 음질의 좋고 나쁨을 판단할 수 있다.

또한, 추정값-측정값 비교부(15224)는 음질 측정 데이터 수집부(15222)에 사용자 또는 관리자가 제1 오디오에 대해 평가한 음질 측정 데이터가 입력되지 않은 경우에는, 음질 추정부(15221)로부터 산출된 음질 추정 값만을 사용하여 음질이 좋고 나쁜지 여부를 판단할 수 있다.

추정값-측정값 비교부(15224)가 음질이 좋고 나쁜지를 판단하는 기준은 제1 오디오의 주파수 형태, 주파수 대역, 포함된 주파수의 종류, 주파수 신호의 크기, 주파수 신호의 게인(gain) 및 주파수 신호의 특징이며, 추정값-측정값 비교부(15224)는 상술된 항목들을 종합 분석하여, 개별 항목의 분석 결과 값들을 합산한 평균값이 일정 기준 이상 수치 값을 나타내면, 음질이 좋다고 판단하고, 기준 이하의 수치 값일 경우 음질이 나쁘다고 판단할 수 있다.

그리고, 추정값-측정값 비교부(15224)에서 음질이 좋다고 판단된 제1 오디오는 제1 데이터베이스(181)로 전달되어 제1 데이터베이스(181)가 제1 오디오를 저장할 수 있도록 한다. 한편, 추정값-측정값 비교부(15224)가 음질이 좋지 않다고 판단한 제1 오디오는 제1 데이터베이스(181)로 전달되지 않으며, 이 경우, 추정값-측정값 비교부(15224)는 음성 합성부(152)에 제1 오디오를 다시 생성할 것을 요청할 수 있다.

이하에서는 도 15 내지 도 18을 참조하여, 본 발명의 일 실시 예에 따른 데이터 학습부(154)에 포함된 제1 음성 합성 모델(1543) 및 제2 음성 합성 모델(1544)에 대하여 설명하도록 한다. 다만, 제2 음성 합성 모델(1544)은 기능 및 효과의 향상을 위해 필요에 따라 제1 음성 합성 모델(1543)에 더하여 추가적으로 배치될 수 있는 구성요소이며, 실질적으로 제1 음성 합성 모델(1543)과 동일한 구성을 가질 수 있다. 따라서, 제1 음성 합성 모델(1543)에 대한 설명은 제2 음성 합성 모델에 동일하게 적용될 수 있다.

도 15는 본 발명의 일 실시 예에 따른 제1 음성 합성 모델(1543)의 구성을 나타내는 블록도이다.

도 15를 참조하면, 제1 음성 합성 모델(1543)은 제1 인코더부(15431), 제1 신경망 모델(15432) 및 제1 디코더부(15433)를 포함한다.

제1 음성 합성 모델(1543)은 음성 합성부(152)와 별도로 제1 텍스트, 추가 정보 및 제2 오디오를 입력받아 학습하고, 제1 텍스트의 내용을 기반으로 하는 제3 오디오를 생성한다. 하지만, 음성 합성부(152)처럼 제1 텍스트의 내용을 기반으로 오디오를 생성하므로, 제1 오디오와 제3 오디오는 동일한 내용을 포함하는 음원이다.

예를 들어, 제1 텍스트가 '내 차에 시동을 켜줘'일 경우, 음성 합성부(152)는 제1 오디오로 '내 차에 시동을 켜줘'를 생성할 수 있다. 또한, 제1 음성 합성 모델(1543)은 제3 오디오로 '내 차에 시동을 켜줘'를 생성할 수 있다.

또한, 제1 오디오 및 제3 오디오는 추가 정보를 반영하여 형성되는 음원이므로, 동일한 발화자에 대한 정보를 기반으로 형성된 음원이다. 예를 들어, 제1 텍스트가 '클라우드 맥주 맛있어요'이고, 발화자가 '영화 배우 전지연'으로 설정될 경우, 음성 합성부(152)는 '영화 배우 전지연'의 목소리로 '클라우드 맥주 맛있어요'라고 발화한 제1 오디오를 생성한다.

그리고, 제1 음성 합성 모델(1543)은 '영화 배우 전지연'의 목소리로 클라우드 맥주 맛있어요'라고 발화한 제3 오디오를 생성한다.

다만, 제1 음성 합성 모델(1543)은 제3 오디오를 형성할 때, 제1 텍스트, 추가 정보 및 제2 오디오를 신경망 모델을 통하여 학습한 뒤 제3 오디오로 형성하고, 제3 오디오를 제1 데이터베이스(181) 및 제2 데이터베이스(182)에 저장하여 음성 합성부(152)가 제1 오디오를 형성할 때 참고할 수 있도록 할 수 있다. 따라서, 제1 음성 합성 모델(1543)이 제3 오디오를 형성하는 과정은 음성 합성부(152)가 제1 오디오를 형성하는 과정을 AI 학습 과정으로 대체하는 것과 실질적으로 동일하며, 제1 음성 합성 모델(1543)은 음성 합성부(152)를 AI 학습시키는 역할을 담당하는 것으로 볼 수 있다.

제1 인코더부(15431)는 제1 텍스트, 추가 정보 및 제2 오디오를 입력받아 인코딩하여 수치화하는 역할을 담당한다. 제1 신경망 모델(15432)은 제1 인코더부에서 인코딩된 제1 인코딩 데이터를 수신하여 학습하는 역할을 담당한다.

제1 디코더부(15433)는 제1 신경망의 학습 결과로 도출된 음원 데이터를 복호화하여 상기 제3 오디오를 생성하는 역할을 담당한다.

도 16 및 도 17을 참조하여, 제1 음성 합성 모델(1543)이 제3 오디오를 생성하는 과정을 구체적으로 설명한다. 도 16은 본 발명의 일 실시 예에 따라 제1 음성 합성 모델(1543)이 제3 오디오를 생성하는 과정을 나타내는 순서도이며, 도 17은 본 발명의 다른 실시 예에 따라 제1 음성 합성 모델(1543)이 제3 오디오를 생성하는 과정을 나타내는 순서도이다.

도 16을 참조하면, 제1 인코더부(15431)는 인코더 1(encoder 1) 및 인코더 2(encoder 2)를 포함할 수 있다.

인코더 1(encoder 1)은 제1 텍스트가 입력되며, 인코더 1(encoder 1)은 입력된 제1 텍스트로부터 자소(字素)를 추출하고 그들 간의 관계를 부호화(encoding)한다. 즉, 인코더 1(encoder 1)은 제1 텍스트를 수치화한 백터 1을 생성한다. 그리고, 인코더 2(encoder 2)는 추가 정보에 포함된 정보 중 제1 정보 즉, 태그된 정보와 그들 간의 관계를 부호화(encoding)한다. 인코더 2(encoder 2)는 태그된 정보인 발화자의 성별, 나이, 출신 지역, 유명 인사에 해당하는지 여부, 사투리 사용 여부와 같이 발화자의 특징을 지정하는 정보들을 모두 수치화하여 백터 2를 생성한다. 이러한 백터 1 및 2를 모두 포괄하여 제1 인코딩 데이터로 지칭할 수 있다.

그리고, 인코더 1(encoder 1) 및 인코더 2(encoder 2)에서 부호화된 백터 1 및 2는 제1 인코딩 데이터로서, 합성 레이어(15431d)에 병합되어 모델링된다.

한편, 추가 정보에 포함된 제2 정보 즉, 발화자가 발화문을 발화할 때의 감성, 발성 크기, 발화 속도, 노이즈의 정도, 강세, 억양, 어조와 같은 정보들은 일반적으로 수치화 된 정보들이므로, 제2 정보는 인코더를 거치지 않고 합성 레이어(15431d)에 바로 병합되어 모델링된다.

이후, 제1 신경망 모델(15432)은 합성 레이어(15431d)에서 모델링된 모델을 학습하고, 그 학습 결과 통해 음원 데이터 또는 오디오 데이터를 생성한다. 그리고, 제1 디코더부(15433)는 제1 신경망 모델(15432)에서 생성된 음원 데이터나 오디오 데이터에서 시계열 특징을 추출하여 제1 오디오를 생성한다.

한편, 음성 합성부(152)는 제1 신경망 모델(15432)이 학습한 모델 및 학습 결과를 활용하여 음원 데이터를 추론할 수 있다. 즉, 음성 합성부(152)는 인코더 1(encoder 1)에 입력된 제1 텍스트를 문자열로 구분하고, 해당 문자열 마다 음성을 합성할 수 있다.

또한, 음성 합성부(152)는 인코더 2(encoder 2)에 입력된 추가 정보 즉, 제1 정보 및 제2 정보를 구분하여, 발화자가 누구인지, 발화자의 성별, 나이, 출신 지역과 같이 발화자를 지정하는 정보와 발화하는 사람의 감성, 소리 크기, 말의 빠르기, 잡음 정도, 강세, 억양, 어조 등 음성에 대한 스타일을 지정하는 정보를 구분하여 음성을 합성할 수 있다.

그리고, 음성 합성부(152)는 이렇게 인코더 1(encoder 1) 및 인코더 2(encoder 2)에 입력된 정보를 바탕으로 제1 디코더부(15433)를 통해 제1 오디오를 생성할 수 있다.

도 17을 참조하면, 제1 인코더부(15431)는 추가적으로 인코더 3(encoder 3)을 더 포함할 수 있다. 이 경우, 인코더 3(encoder 3)은 제2 데이터베이스(182)로부터 제2 오디오가 입력되며, 인코더 3(encoder 3)은 제2 오디오를 인코딩하여 수치화한다. 인코더 3은 제2 오디오를 인코딩한 결과로 백터 3을 생성할 수 있으며, 이러한 백터 3 역시 제1 인코딩 데이터에 포함될 수 있다. 그리고, 백터 3은 제1 인코딩 데이터로서 합성 레이어(15431d)에 병합되어 모델링된다.

한편, 제2 데이터베이스(182)로부터 제공된 제2 오디오는 제1 신경망 모델(15432)에 직접 제공되어 제1 신경망 모델(15432)이 제2 오디오를 직접 학습할 수도 있다.

이후, 제1 신경망 모델(15432)은 합성 레이어(15431d)에서 모델링된 모델을 학습하고, 그 학습 결과 통해 음원 데이터 또는 오디오 데이터를 생성한다. 그리고, 제1 디코더부(15433)는 제1 신경망 모델(15432)에서 생성된 음원 데이터나 오디오 데이터에서 시계열 특징을 추출하여 제1 오디오를 생성한다.

또한, 본 발명의 다른 실시 예에 따른 음성 인식 장치(100)는 도 9에 도시된 바와 같이, 데이터 학습부(154)에 적어도 두 개 이상의 음성 합성 모델을 포함할 수 있다. 예를 들어, 도 18을 참조하면, 제1 음성 합성 모델(1543)은 제1 신경망 모델(15432)이 학습한 결과로 생성한 제3 오디오를 제2 음성 합성 모델(1544)에 학습 데이터로 제공할 수 있다.

도 18은 본 발명의 다른 실시 예예 따라 복수의 음성 합성 모델을 포함하는 데이터 학습부(154)의 구성을 나타낸다.

제2 음성 합성 모델(1544)은 제1 음성 합성 모델(1543)에서 생성된 제3 오디오를 추가적으로 학습하여, 인공적으로 합성된 음성을 보다 자연스럽게 느껴지는 음성으로 변환하거나, 재 생성하는 역할을 한다. 즉, 제1 음성 합성 모델(1543)에서 생성된 제3 오디오는 기계가 합성한 음성으로 작위적인 느낌이 들 수 있다. 제2 음성 합성 모델(1544)은 이러한 제3 오디오를 다시 학습하여, 최대한 사람이 발성한 발화와 유사하도록 제4 오디오를 생성하는 역할을 한다.

따라서, 제2 음성 합성 모델(1544)은 제1 음성 합성 모델(1543)과 실질적으로 동일한 구성을 가질 수 있다. 도 18을 참조하면, 제2 음성 합성 모델(1544)은 제2 인코더부(15441), 제2 신경망 모델(15442) 및 제2 디코더부(15443)를 포함한다.

제2 인코더부(15441)는 제1 텍스트, 추가 정보, 제2 오디오 및 제3 오디오를 입력 받아 인코딩한다. 제2 신경망 모델(15442)은 제2 인코더부(15441)에서 인코딩된 제2 인코딩 데이터를 수신하여 학습한다. 제2 디코더부(15443)는 제2 신경망 모델(15442)의 학습 결과로 도출된 음원 데이터를 복호화하여 제4 오디오를 생성한다.

한편, 도 19를 참조하여 제2 음성 합성 모델(1544)이 제1 음성 합성 모델(1543)에서 생성된 제3 오디오를 추가적으로 학습하여 제4 오디오를 생성하는 과정을 설명한다.

도 19는 본 발명의 다른 실시예에 따른 제2 음성 합성 모델(1544)이 제4 오디오를 생성하는 과정을 나타내는 순서도이다.

우선, 제2 인코더부(15441)는 인코더 1(encoder 1), 인코더 2(encoder 2) 및 인코더 3(encoder 3)을 포함한다. 그리고 인코더 1(encoder 1), 인코더 2(encoder 2) 및 인코더 3(encoder 3)에서 인코딩되어 생성된 제2 인코딩 데이터를 병합하는 합성 레이어(15441d)도 포함한다.

한편, 제1 신경망 모델(15432)은 생성된 제3 오디오를 제2 신경망 모델(15442) 및 인코더 3(encoder 3)으로 전송한다. 동시에, 제1 신경망 모델(15432)은 제3 오디오를 제1 데이터베이스(181)에 저장시킬 수 있다.

인코더 1(encoder 1)에는 제1 텍스트가 입력되며, 인코더 1(encoder 1)은 입력된 제1 텍스트로부터 자소(字素)를 추출하고 그들 간의 관계를 부호화(encoding)한다. 즉, 인코더 1(encoder 1)은 제1 텍스트를 수치화한 백터 1을 생성한다. 그리고, 인코더 2(encoder 2)는 추가 정보에 포함된 정보 중 제1 정보 즉, 태그된 정보와 그들 간의 관계를 부호화(encoding)한다. 인코더 2(encoder 2)는 태그된 정보인 발화자의 성별, 나이, 출신 지역, 유명 인사에 해당하는지 여부, 사투리 사용 여부와 같이 발화자의 특징을 지정하는 정보들을 모두 수치화하여 백터 2를 생성한다. 이러한 백터 1 및 2를 모두 포괄하여 제2 인코딩 데이터로 지칭할 수 있다.

인코더 3(encoder 3)은 제2 데이터베이스(182)로부터 제2 오디오가 입력되고, 제1 신경망 모델(15432)로부터 제3 오디오가 입력된다. 인코더 3(encoder 3)은 제2 오디오 및 제3 오디오를 인코딩하여 수치화하고, 백터 3을 생성한다.

한편, 인코더 1(encoder 1), 인코더 2(encoder 2) 및 인코더 3(encoder 3)에서 부호화된 백터 1, 2, 3은 제2 인코딩 데이터로서, 합성 레이어(15441d)에 병합되어 모델링된다.

한편, 제2 오디오와 제3 오디오는 제2 인코더부(15441)에 입력되는 것과는 별개로 바로 합성 레이어(15431d)로 입력되어 모델링될 수도 있다.

이후, 제2 신경망 모델(15442)은 합성 레이어(15441d)에서 모델링된 모델을 학습하고, 그 학습 결과 통해 음원 데이터 또는 오디오 데이터를 생성한다. 그리고, 제2 디코더부(15443)는 제2 신경망 모델(15442)에서 생성된 음원 데이터나 오디오 데이터에서 시계열 특징을 추출하여 제4 오디오를 생성한다.

따라서, 본 발명에 따라 복수의 음성 합성 모델을 포함하는 음성 인식 장치(100)는 사람이 실제로 발성한 발화와 거의 유사한 정도의 오디오를 생성할 수 있다.

이하에서는, 도 20 내지 도 23을 참조하여 본 발명의 일 실시 예에 따른 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법을 설명한다. 이하에서 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법을 설명함에 있어서 상술한 음성 인식 장치와 동일한 구성에 대하여는 동일한 참조 번호를 사용하여 설명할 수 있고, 중복되는 설명은 생략할 수도 있다.

도 20은 본 발명의 일 실시 예에 따른 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법을 나타내는 순서도이다.

도 20을 참조하면, 음성 인식 장치(100)가 전원이 온(on)되면 작동을 시작한다. 그리고, 사용자나 관리자는 제1 텍스트 및 추가 정보를 음성 인식 장치(100)에 입력한다(S100).

음성 인식 장치(100)는 입력된 제1 텍스트 및 추가 정보를 바탕으로 제1 오디오를 생성한다(S110).

이후, 음성 인식 장치(100)는 제1 오디오를 제1 학습 데이터로 제1 데이터베이스에 저장한다(S120).

제1 데이터베이스에 저장된 제1 오디오는 제1 학습 데이터로 음성 인식 장치(100)의 음성 인식부(153)에 제공된다(S130).

이와 동시에 제2 데이터베이스에 저장된 제2 오디오는 제2 학습 데이터로 음성 인식부(153)에 입력된다(S140).

음성 인식부(153)는 제1 및 제2 학습 데이터를 학습하여 제1 및 제2 오디오를 인식하도록 학습한다(S150).

이후, 음성 인식부(153)는 제1 및 제2 학습 데이터를 학습한 결과에 기반하여 제1 및 제2 오디오를 인식한다(S160).

한편, 도 21을 참조하여, 음성 인식 장치(100)가 입력된 제1 텍스트 및 추가 정보를 처리하는 과정인 S100 단계에 대하여 좀 더 구체적으로 설명한다. 도 21은 본 발명의 일 실시 예에 따른 음성 인식 장치가 입력된 제1 텍스트 및 추가 정보를 처리하는 과정을 나타내는 순서도이다.

도 21을 참조하면, S100 단계에서 제1 텍스트 및 추가 정보가 입력되면, 음성 인식 장치(100)는 제1 텍스트 및 추가 정보를 음성 합성부(152)에 입력하거나(S1011), 제1 음성 합성 모델(1543)에 입력한다(S1021).

이후, 음성 합성부(152)에서는 입력된 제1 텍스트 및 추가 정보를 바탕으로 제1 오디오를 생성하고(S1012), 제1 오디오는 제1 데이터베이스에 저장된다(S1013).

한편, 제1 음성 합성 모델(1543)은 입력된 제1 텍스트 및 추가 정보를 제1 인코딩부에서 인코딩해서 제1 인코딩 데이터를 생성한다(S1022).

이후, 제1 인코딩 데이터는 제1 신경망 모델에서 학습되며(S1023), 제1 신경망 모델이 상기 제1 인코딩 데이터를 학습한 결과로 음원 데이터를 생성하고(S1024), 음원 데이터를 디코딩하여 제3 오디오를 생성한다(S1024). 그리고, 제1 음성 합성 모델(1543)에서 생성된 제3 오디오는 제1 학습데이터로 제1 데이터베이스에 저장된다(S1025).

또한, 도 22를 참조하여 복수의 음성 인식 모델을 이용하여 합성 음성을 사람이 발화하는 자연어의 발화에 근접하는 오디오를 생성하는 방법을 설명한다. 도 22는 본 발명의 다른 실시 예에 따라 복수의 음성 인식 모델을 이용하여 제4 오디오를 생성하는 과정을 나타나내는 순서도이다.

도 22를 참조하면, 제2 음성 합성 모델(1544)에 제2 오디오 및 제3 오디오가 입력된다(S1026).

제2 음성 합성 모델(1544)은 제1 텍스트, 추가 정보, 제2 오디오 및 제3 오디오를 인코딩하여 제2 인코딩 데이터를 생성한다(S1027). 이후, 제2 음성 합성 모델(1544)은 제2 인코딩 데이터를 학습하고(S1028), 학습 결과를 바탕으로 제4 오디오를 생성한다(S1029).

이하에서는, 도 23을 참조하여 본 발명에 따른 음성 인식 장치(100)가 제1 오디오를 검증하는 과정을 구체적으로 설명한다. 도 23은 본 발명의 일 실시 예에 따른 음성 인식 장치(100)가 제1 오디오를 검증하는 과정을 나타낸 순서도이다.

도 23을 참조하면, S110 단계에서 제1 오디오가 생성되면, 제1 오디오 및 제1 텍스트는 음성 합성부(152)에 포함된 제1 검증 모듈(1521)에 입력된다(1101).

이후, 제1 검증 모듈(1521)은 제1 오디오에 누락되거나 중복된 텍스트 내용이 있는지 여부를 검증한다(S1102).

이후, 제2 검증 모듈(1522)에는 제1 오디오 및 제1 오디오에 대한 음질 측정 결과 데이터가 입력된다(S1103).

제2 검증 모듈(1522)은 제1 오디오 및 제1 오디오에 대한 음질 측정 결과 데이터를 바탕으로 음질 추정 값 및 음질 측정 값을 생성하고(S1104), 양 값을 비교한다(S1105).

제2 검증 모듈(1522)은 음질 추정 값 및 음질 측정 값의 차이 값 또는 차이 값의 절대 값이 일정 수치를 넘는 경우, 제1 오디오에 대한 음질 측정 값이 정확히 측정되었다고 판단한다. 하지만, 음질 추정 값 및 음질 측정 값의 차이 값 또는 차이 값의 절대 값이 일정 수치를 넘지 못하면, 제2 검증 모듈(1522)은 음질 측정 값이 부정확하게 측정되었다고 판단한다.

이후, 제2 검증 모듈(1522)은 음질 추정 값 및 음질 측정 값이 각각 일정한 기준을 넘겼는지 여부를 판단하여, 제1 오디오를 제1 데이터베이스(181)에 저장할 지 여부를 판단한다. 만약, 음질 추정 값 및 음질 측정 값이 각각 일정한 기준을 넘겼다면, 제2 검증 모듈(1522)은 제1 오디오를 제1 데이터베이스(181)에 저장한다. 하지만, , 음질 추정 값 및 음질 측정 값이 각각 일정한 기준을 넘기지 못하는 경우, 제2 검증 모듈(1522)은 음성 합성부(152)에 제1 오디오를 다시 생성할 것을 요청한다.

본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 음성 인식 장치 152: 음성 합성부
110: 통신부 153: 음성 인식부
120: 사용자 인터페이스부 154: 데이터 학습부
130: 센싱부 160: 메모리
141: 오디오 입력부 170: 제어부
142: 오디오 출력부 180: 데이터베이스
150: 음성 인식 처리부

Claims (15)

1. 사용자에 의해 입력되는 제1 텍스트와 발화자에 대한 추가 정보를 입력받아 상기 제1 텍스트에 대한 제1 오디오를 생성하는 음성 합성부;
   상기 제1 오디오를 제1 학습 데이터로 저장하는 제1 데이터베이스;
   과거에 입력된 적이 있거나 기존에 저장되어 있는 제2 텍스트 및 상기 제2 텍스트에 대한 제2 오디오를 제2 학습 데이터로 저장하고 있는 제2 데이터베이스;
   상기 제1 및 제2 데이터베이스로부터 각각 상기 제1 및 제2 학습 데이터를 수신하여 학습하고 상기 제1 오디오를 음성으로 인식하는 음성 인식부; 및
   상기 음성 합성부와 상기 음성 인식부를 학습시킬 수 있는 데이터학습부를 포함하며,
   상기 추가 정보는,
   상기 발화자에 대한 제1 정보 및 제2 정보를 포함하는, 음성 인식 장치.
   
2. 제1항에 있어서,
   제1 정보는 발화자의 성별, 나이, 사투리 사용 여부 및 종류에 대한 태그(tag) 정보를 포함하며,
   제2 정보는 발화자가 발화할 때의 감정, 발화 소리 크기, 발화 속도, 노이즈의 종류 및 크기, 억양, 강세, 어조를 나타내는 수치 정보를 포함하는, 음성 인식 장치.
   
3. 제1항에 있어서,
   상기 데이터학습부는 제1 음성 합성 모델을 더 포함하며,
   상기 제1 음성 합성 모델은,
   상기 제1 텍스트, 상기 추가 정보 및 상기 제2 오디오를 학습 데이터로 입력 받아 학습하며, 학습 결과에 따라 상기 제1 텍스트에 대한 제3 오디오를 생성하는, 음성 인식 장치.
   
4. 제3항에 있어서,
   상기 제1 음성 합성 모델은,
   상기 제1 텍스트, 상기 추가 정보 및 상기 제2 오디오를 입력받아 부호화 하는 제1 인코더부;
   상기 제1 인코더부에서 부호화된 제1 인코딩 데이터를 수신하여 학습하는 제1 신경망 모델; 및
   상기 제1 신경망 모델의 학습 결과로 도출된 음원 데이터를 복호화하여 상기 제3 오디오를 생성하는 제1 디코더부를 더 포함하는, 음성 인식 장치.
   
5. 제4항에 있어서,
   상기 데이터학습부는,
   제2 음성 합성 모델을 더 포함하며,
   상기 제1 음성 합성 모델은 상기 제3 오디오를 상기 제2 음성 합성 모델에 학습 데이터로 제공하는, 음성 인식 장치.
   
6. 제5항에 있어서,
   상기 제2 음성 합성 모델은,
   상기 제1 텍스트, 상기 추가 정보, 상기 제2 오디오 및 상기 제3 오디오를 입력 받아 부호화 하는 제2 인코더부;
   상기 제2 인코더부에서 부호화된 제2 인코딩 데이터를 수신하여 학습하는 제2 신경망 모델; 및
   상기 제2 신경망 모델의 학습 결과로 도출된 음원 데이터를 복호화하여 제4 오디오를 생성하는 제2 디코더부를 더 포함하는, 음성 인식 장치.
   
7. 제1항에 있어서,
   상기 음성 합성부는 제1 검증 모듈을 더 포함하며,
   상기 제1 검증 모듈은 상기 제1 오디오에서 누락된 단어 또는 중복되는 단어가 있는지 여부를 판단하는, 음성 인식 장치.
   
8. 제1항에 있어서,
   상기 음성 합성부는 제2 검증 모듈을 더 포함하며,
   상기 제2 검증 모듈은,
   상기 제1 오디오를 학습하여 상기 제1 오디오의 음질을 추정할 수 있는 음질 추정 모델을 더 포함하는, 음성 인식 장치.
   
9. 음성 인식 장치를 사용하여 음성데이터를 학습하는 방법에 있어서,
   제1 텍스트 및 추가 정보가 상기 음성 인식 장치에 입력되는 단계;
   상기 음성 인식 장치가 상기 제1 텍스트 및 상기 추가 정보를 바탕으로 제1 오디오를 생성하는 단계;
   상기 제1 오디오를 제1 학습 데이터로 제1 데이터베이스에 저장하는 단계;
   상기 제1 학습 데이터가 음성 인식부에 입력되는 단계;
   제2 데이터베이스에 저장된 제2 오디오가 제2 학습 데이터로 상기 음성 인식부에 입력되는 단계;
   상기 음성 인식부가 상기 제1 및 제2 학습 데이터를 학습하는 단계; 및
   상기 음성 인식부가 상기 제1 및 제2 오디오를 인식하는 단계를 포함하는, 음성데이터를 학습하는 방법.
   
10. 제9항에 있어서,
    제1 텍스트 및 추가 정보가 상기 음성 인식 장치에 입력되는 단계는,
    상기 제1 텍스트 및 상기 추가 정보가 제1 음성 합성 모델에 입력되는 단계 및
    상기 제1 텍스트 및 상기 추가 정보가 음성 합성부에 입력되는 단계를 더 포함하는, 음성데이터를 학습하는 방법.
    
11. 제10항에 있어서,
    상기 제1 텍스트 및 상기 추가 정보가 제1 음성 합성 모델에 입력되는 단계는,
    상기 제1 텍스트 및 상기 추가 정보가 제1 인코딩부에서 인코딩되어 제1 인코딩 데이터를 생성하는 단계;
    상기 제1 인코딩 데이터를 제1 신경망 모델이 학습하는 단계;
    상기 제1 신경망 모델이 상기 제1 인코딩 데이터를 학습한 결과로 음원 데이터를 생성하는 단계; 및
    제1 디코더부가 상기 음원 데이터를 디코딩하여 제3 오디오를 생성하는 단계를 더 포함하는, 음성데이터를 학습하는 방법.
    
12. 제11항에 있어서,
    상기 제1 디코더부가 상기 음원 데이터를 디코딩하여 제3 오디오를 생성하는 단계 이후,
    상기 제2 및 제3 오디오가 제2 음성 합성 모델에 입력되는 단계; 및
    상기 제2 음성 합성 모델이 상기 제1 텍스트, 상기 추가 정보, 상기 제2 오디오 및 상기 제3 오디오를 학습하여 제4 오디오를 생성하는 단계를 더 포함하는, 음성데이터를 학습하는 방법.
    
13. 제11항에 있어서,
    상기 제1 텍스트 및 상기 추가 정보가 제1 인코딩부에서 인코딩되어 제1 인코딩 데이터를 생성하는 단계는,
    상기 제2 데이터베이스에 저장된 상기 제2 오디오가 상기 제1 인코딩부에 입력되는 단계; 및
    상기 제1 인코딩부가 상기 제2 오디오를 인코딩하여 상기 제1 인코딩 데이터에 포함시키는 단계를 더 포함하는, 음성데이터를 학습하는 방법.
    
14. 제9항에 있어서,
    상기 음성 합성부가 상기 제1 텍스트 및 상기 추가 정보를 바탕으로 제1 오디오를 생성하는 단계는,
    상기 제1 오디오와 상기 제1 텍스트가 제1 검증 모듈에 입력되는 단계; 및
    상기 제1 검증 모듈이 상기 제1 오디오에 누락되거나 중복된 텍스트 내용이 있는지 여부를 검증하는 단계를 더 포함하는, 음성데이터를 학습하는 방법.
    
15. 제14항에 있어서,
    상기 제1 검증 모듈이 상기 제1 오디오에 누락되거나 중복된 텍스트 내용이 있는지 여부를 검증하는 단계 이후,
    상기 제1 오디오 및 상기 제1 오디오에 대한 음질 측정 결과 데이터가 제2 검증 모듈에 입력되는 단계;
    상기 제1 오디오 및 상기 제1 오디오에 대한 음질 측정 결과 데이터를 바탕으로 음질 측정 값을 생성하는 단계;
    상기 제1 오디오에 대한 음질 추정 값을 생성하는 단계; 및
    상기 제2 검증 모듈이 상기 제1 오디오의 음질 추정 값 및 음질 측정 값을 비교하는 단계를 더 포함하는, 음성데이터를 학습하는 방법.

Images