KR20210094323A

KR20210094323A - 감성을 포함하는 음성을 제공하는 인공 지능 장치, 인공 지능 서버 및 그 방법

Info

Publication number: KR20210094323A
Application number: KR1020200007939A
Authority: KR
Inventors: 양시영; 박용철; 한성민; 김상기; 장주영; 김민욱
Original assignee: 엘지전자 주식회사
Priority date: 2020-01-21
Filing date: 2020-01-21
Publication date: 2021-07-29

Abstract

본 개시의 일 실시 예는 감정을 포함하는 음성을 제공하는 인공 지능 장치에 있어서, 대상 텍스트 및 상기 대상 텍스트에 대응하는 합성 속성 정보를 수신하는 입력부; 음성 합성 엔진을 포함하는 인공 지능 서버와 통신하는 통신부; 스피커; 및 상기 대상 텍스트 및 상기 합성 속성 정보를 기초로 음성 합성 명령어를 생성하고, 상기 통신부를 통해 상기 음성 합성 명령어를 상기 인공 지능 서버에 전송하고, 상기 통신부를 통해 상기 인공 지능 서버로부터 상기 음성 합성 엔진을 통해 생성되고 상기 음성 합성 명령어에 대응하는 합성 음성 데이터(synthesized speech data)를 수신하고, 상기 스피커를 통해 상기 합성 음성 데이터를 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.

Description

감성을 포함하는 음성을 제공하는 인공 지능 장치, 인공 지능 서버 및 그 방법 {ARTIFICIAL INTELLIGENCE APPARATUS, ARTIFICIAL INTELLIGENCE SERVER AND METHOD FOR PROVIDING SPEECH INCLUDING EMOTION}

본 개시(disclosure)는 감성을 포함하는 음성을 제공하는 인공 지능 장치, 인공 지능 서버 및 그 방법에 관한 것이다.

최근 음성 합성 기술이 발전하여 사용자와의 상호작용에 합성된 음성을 이용할 수 있는 수준이 되었다. 그리고, 음성 합성 기술을 이용하여 음성 대화 챗봇(chatbot)을 운영하여 무인 상담을 제공하는 서비스가 늘어나고 있다.

그러나, 기존의 음성 합성 기술을 이용하여 합성한 음성에는 감정이 반영되지 않아 무미건조한 음성이 합성될 뿐이다. 사용자와의 자연스러운 상호작용을 위해서는 감정이 포함된 음성을 합성하는 기술이 필요하다.

본 개시는 감정을 포함하는 음성을 제공하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공하고자 한다.

그리고, 본 개시는 사용자의 발화 음성의 의도나 사용자의 감정을 고려하여 결정된 감정을 포함하는 음성을 제공하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공하고자 한다.

본 개시의 일 실시 예는, 인공 지능 장치가 대상 텍스트 및 합성 속성 정보에 대응하는 음성 합성 명령어를 생성하고, 인공 지능 서버가 음성 합성 엔진을 이용하여 음성 합성 명령어에 대응하는 합성 음성을 생성하고, 인공 지능 장치가 합성 음성 데이터를 출력하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 합성 속성 정보로써 합성 언어, 감정 타입, 감정 강도, 발화자, 음성 데이터 포맷 또는 프라이버시 보호 중에서 적어도 하나 이상의 정보를 포함하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 합성 속성 기본 값들로 구성된 합성 속성 정보를 생성하고, 입력에 기초하여 합성 속성 정보에 포함된 합성 속성 값들을 수정하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 사용자의 발화 음성에 대응하는 입력 음성 데이터가 입력되면, 입력 음성 데이터에 상응하는 응답 텍스트 및 합성 속성 정보를 획득하여 음성 합성 명령어를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공한다.

또한, 본 개시의 일 실시 예는, 인공 지능 서버에서 지원하는 API(Application Programming Interface)에 기초한 음성 합성 명령어를 생성 및 이용하는 인공 지능 장치, 인공 지능 서버 및 그 방법을 제공한다.

본 개시의 다양한 실시 예에 따르면, 감정을 포함한 음성을 합성함으로써, 사용자에게 보다 현실적인 음성 서비스를 제공할 수 있다.

그리고, 본 개시의 다양한 실시 예에 따르면, 대화 의도나 사용자 감정을 고려하여 결정된 감정을 포함하는 응답 음성을 제공함으로써, 사용자의 만족도가 높은 음성 서비스를 제공할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 2는 본 개시의 일 실시 예에 따른 AI 서버를 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 AI 시스템을 나타낸 도면이다.
도 4는 본 개시의 일 실시 예에 따른 AI 장치를 나타낸 블록도이다.
도 5는 본 개시의 일 실시 예에 따른 인공 지능 시스템을 나타낸 블록도이다.
도 6은 본 개시의 일 실시 예에 따른 감정을 포함하는 음성을 제공하는 방법을 나타낸 래더 다이어그램이다.
도 7은 도 6에 개시된 대상 텍스트 및 합성 속성 정보를 획득하는 단계(S603)의 일 예를 나타낸 래더 다이어그램이다.
도 8은 도 6에 개시된 대상 텍스트 및 합성 속성 정보를 획득하는 단계(S603)의 일 예를 나타낸 래더 다이어그램이다.
도 9는 본 개시의 일 실시 예에 따른 음성 합성 엔진을 학습하는 방법과 이용하는 방법을 나타낸 도면이다.
도 10은 본 개시의 일 실시 예에 따른 음성 합성 엔진을 이용한 음성을 합성하는 과정의 일 예를 나타낸 도면이다.
도 11은 본 개시의 일 실시 예에 따른 음성 합성 인터페이스의 일 예를 나타낸 도면이다.
도 12는 본 개시의 일 실시 예를 나타낸 도면이다.
도 13은 본 개시의 일 실시 예를 나타낸 도면이다.
도 14는 본 개시의 일 실시 예에 따른 음성 합성 명령어의 파라미터를 나타낸 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 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 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 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.

<인공 지능(AI: Artificial Intelligence)>

인공 지능은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미하며, 머신 러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신 러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.

인공 신경망(ANN: Artificial Neural Network)은 머신 러닝에서 사용되는 모델로써, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.

인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.

모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.

인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.

머신 러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.

지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.

인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신 러닝을 딥 러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥 러닝은 머신 러닝의 일부이다. 이하에서, 머신 러닝은 딥 러닝을 포함하는 의미로 사용된다.

<로봇(Robot)>

로봇은 스스로 보유한 능력에 의해 주어진 일을 자동으로 처리하거나 작동하는 기계를 의미할 수 있다. 특히, 환경을 인식하고 스스로 판단하여 동작을 수행하는 기능을 갖는 로봇을 지능형 로봇이라 칭할 수 있다.

로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류할 수 있다.

로봇은 액츄에이터 또는 모터를 포함하는 구동부를 구비하여 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 이동 가능한 로봇은 구동부에 휠, 브레이크, 프로펠러 등이 포함되어, 구동부를 통해 지상에서 주행하거나 공중에서 비행할 수 있다.

<자율 주행(Self-Driving)>

자율 주행은 스스로 주행하는 기술을 의미하며, 자율 주행 차량은 사용자의 조작 없이 또는 사용자의 최소한의 조작으로 주행하는 차량(Vehicle)을 의미한다.

예컨대, 자율 주행에는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등이 모두 포함될 수 있다.

차량은 내연 기관만을 구비하는 차량, 내연 기관과 전기 모터를 함께 구비하는 하이브리드 차량, 그리고 전기 모터만을 구비하는 전기 차량을 모두 포괄하며, 자동차뿐만 아니라 기차, 오토바이 등을 포함할 수 있다.

이때, 자율 주행 차량은 자율 주행 기능을 가진 로봇으로 볼 수 있다.

<확장 현실(XR: eXtended Reality)>

확장 현실은 가상 현실(VR: Virtual Reality), 증강 현실(AR: Augmented Reality), 혼합 현실(MR: Mixed Reality)을 총칭한다. VR 기술은 현실 세계의 객체나 배경 등을 CG 영상으로만 제공하고, AR 기술은 실제 사물 영상 위에 가상으로 만들어진 CG 영상을 함께 제공하며, MR 기술은 현실 세계에 가상 객체들을 섞고 결합시켜서 제공하는 컴퓨터 그래픽 기술이다.

MR 기술은 현실 객체와 가상 객체를 함께 보여준다는 점에서 AR 기술과 유사하다. 그러나, AR 기술에서는 가상 객체가 현실 객체를 보완하는 형태로 사용되는 반면, MR 기술에서는 가상 객체와 현실 객체가 동등한 성격으로 사용된다는 점에서 차이점이 있다.

XR 기술은 HMD(Head-Mount Display), HUD(Head-Up Display), 휴대폰, 태블릿 PC, 랩탑, 데스크탑, TV, 디지털 사이니지 등에 적용될 수 있고, XR 기술이 적용된 장치를 XR 장치(XR Device)라 칭할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.

이하에서, 인공 지능 장치(100)는 단말기라 칭할 수 있다.

AI 장치(100)는 TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.

도 1을 참조하면, 인공 지능 장치(100)는 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 메모리(170) 및 프로세서(180) 등을 포함할 수 있다.

통신부(110)는 유무선 통신 기술을 이용하여 다른 AI 장치(100a 내지 100e)나 AI 서버(200) 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부(110)는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.

이때, 통신부(110)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.

입력부(120)는 다양한 종류의 데이터를 획득할 수 있다.

이때, 입력부(120)는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.

입력부(120)는 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.

러닝 프로세서(130)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.

이때, 러닝 프로세서(130)는 AI 서버(200)의 러닝 프로세서(240)과 함께 AI 프로세싱을 수행할 수 있다.

이때, 러닝 프로세서(130)는 AI 장치(100)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서(130)는 메모리(170), AI 장치(100)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.

센싱부(140)는 다양한 센서들을 이용하여 AI 장치(100) 내부 정보, AI 장치(100)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.

이때, 센싱부(140)에 포함되는 센서에는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.

이때, 출력부(150)에는 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.

메모리(170)는 AI 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.

프로세서(180)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 장치(100)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서(180)는 AI 장치(100)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.

이를 위해, 프로세서(180)는 러닝 프로세서(130) 또는 메모리(170)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 장치(100)의 구성 요소들을 제어할 수 있다.

이때, 프로세서(180)는 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.

프로세서(180)는 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.

이때, 프로세서(180)는 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.

이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서(130)에 의해 학습된 것이나, AI 서버(200)의 러닝 프로세서(240)에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.

프로세서(180)는 AI 장치(100)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리(170) 또는 러닝 프로세서(130)에 저장하거나, AI 서버(200) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.

프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, AI 장치(100)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, AI 장치(100)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.

도 2는 본 개시의 일 실시 예에 따른 AI 서버(200)를 나타낸 블록도이다.

도 2를 참조하면, AI 서버(200)는 머신 러닝 알고리즘을 이용하여 인공 신경망을 학습시키거나 학습된 인공 신경망을 이용하는 장치를 의미할 수 있다. 여기서, AI 서버(200)는 복수의 서버들로 구성되어 분산 처리를 수행할 수도 있고, 5G 네트워크로 정의될 수 있다. 이때, AI 서버(200)는 AI 장치(100)의 일부의 구성으로 포함되어, AI 프로세싱 중 적어도 일부를 함께 수행할 수도 있다.

AI 서버(200)는 통신부(210), 메모리(230), 러닝 프로세서(240) 및 프로세서(260) 등을 포함할 수 있다.

통신부(210)는 AI 장치(100) 등의 외부 장치와 데이터를 송수신할 수 있다.

메모리(230)는 모델 저장부(231)를 포함할 수 있다. 모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장할 수 있다.

러닝 프로세서(240)는 학습 데이터를 이용하여 인공 신경망(231a)을 학습시킬 수 있다. 학습 모델은 인공 신경망의 AI 서버(200)에 탑재된 상태에서 이용되거나, AI 장치(100) 등의 외부 장치에 탑재되어 이용될 수도 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(230)에 저장될 수 있다.

프로세서(260)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

도 3은 본 개시의 일 실시 예에 따른 AI 시스템(1)을 나타낸 도면이다.

도 3을 참조하면, AI 시스템(1)은 AI 서버(200), 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상이 클라우드 네트워크(10)와 연결된다. 여기서, AI 기술이 적용된 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 등을 AI 장치(100a 내지 100e)라 칭할 수 있다.

클라우드 네트워크(10)는 클라우드 컴퓨팅 인프라의 일부를 구성하거나 클라우드 컴퓨팅 인프라 안에 존재하는 네트워크를 의미할 수 있다. 여기서, 클라우드 네트워크(10)는 3G 네트워크, 4G 또는 LTE(Long Term Evolution) 네트워크 또는 5G 네트워크 등을 이용하여 구성될 수 있다.

즉, AI 시스템(1)을 구성하는 각 장치들(100a 내지 100e, 200)은 클라우드 네트워크(10)를 통해 서로 연결될 수 있다. 특히, 각 장치들(100a 내지 100e, 200)은 기지국을 통해서 서로 통신할 수도 있지만, 기지국을 통하지 않고 직접 서로 통신할 수도 있다.

AI 서버(200)는 AI 프로세싱을 수행하는 서버와 빅 데이터에 대한 연산을 수행하는 서버를 포함할 수 있다.

AI 서버(200)는 AI 시스템(1)을 구성하는 AI 장치들인 로봇(100a), 자율 주행 차량(100b), XR 장치(100c), 스마트폰(100d) 또는 가전(100e) 중에서 적어도 하나 이상과 클라우드 네트워크(10)을 통하여 연결되고, 연결된 AI 장치들(100a 내지 100e)의 AI 프로세싱을 적어도 일부를 도울 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)를 대신하여 머신 러닝 알고리즘에 따라 인공 신경망을 학습시킬 수 있고, 학습 모델을 직접 저장하거나 AI 장치(100a 내지 100e)에 전송할 수 있다.

이때, AI 서버(200)는 AI 장치(100a 내지 100e)로부터 입력 데이터를 수신하고, 학습 모델을 이용하여 수신한 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성하여 AI 장치(100a 내지 100e)로 전송할 수 있다.

또는, AI 장치(100a 내지 100e)는 직접 학습 모델을 이용하여 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수도 있다.

이하에서는, 상술한 기술이 적용되는 AI 장치(100a 내지 100e)의 다양한 실시 예들을 설명한다. 여기서, 도 3에 도시된 AI 장치(100a 내지 100e)는 도 1에 도시된 AI 장치(100)의 구체적인 실시 예로 볼 수 있다.

<AI+로봇>

로봇(100a)은 AI 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

로봇(100a)은 동작을 제어하기 위한 로봇 제어 모듈을 포함할 수 있고, 로봇 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다.

로봇(100a)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 로봇(100a)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 사용자 상호작용에 대한 응답을 결정하거나, 동작을 결정할 수 있다.

여기서, 로봇(100a)은 이동 경로 및 주행 계획을 결정하기 위하여, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

로봇(100a)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 로봇(100a)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 동작을 결정할 수 있다. 여기서, 학습 모델은 로봇(100a)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 로봇(100a)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

로봇(100a)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 로봇(100a)을 주행시킬 수 있다.

맵 데이터에는 로봇(100a)이 이동하는 공간에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 벽, 문 등의 고정 객체들과 화분, 책상 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 로봇(100a)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 로봇(100a)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+자율주행>

자율 주행 차량(100b)은 AI 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

자율 주행 차량(100b)은 자율 주행 기능을 제어하기 위한 자율 주행 제어 모듈을 포함할 수 있고, 자율 주행 제어 모듈은 소프트웨어 모듈 또는 이를 하드웨어로 구현한 칩을 의미할 수 있다. 자율 주행 제어 모듈은 자율 주행 차량(100b)의 구성으로써 내부에 포함될 수도 있지만, 자율 주행 차량(100b)의 외부에 별도의 하드웨어로 구성되어 연결될 수도 있다.

자율 주행 차량(100b)은 다양한 종류의 센서들로부터 획득한 센서 정보를 이용하여 자율 주행 차량(100b)의 상태 정보를 획득하거나, 주변 환경 및 객체를 검출(인식)하거나, 맵 데이터를 생성하거나, 이동 경로 및 주행 계획을 결정하거나, 동작을 결정할 수 있다.

여기서, 자율 주행 차량(100b)은 이동 경로 및 주행 계획을 결정하기 위하여, 로봇(100a)과 마찬가지로, 라이다, 레이더, 카메라 중에서 적어도 하나 이상의 센서에서 획득한 센서 정보를 이용할 수 있다.

특히, 자율 주행 차량(100b)은 시야가 가려지는 영역이나 일정 거리 이상의 영역에 대한 환경이나 객체는 외부 장치들로부터 센서 정보를 수신하여 인식하거나, 외부 장치들로부터 직접 인식된 정보를 수신할 수 있다.

자율 주행 차량(100b)은 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, 자율 주행 차량(100b)은 학습 모델을 이용하여 주변 환경 및 객체를 인식할 수 있고, 인식된 주변 환경 정보 또는 객체 정보를 이용하여 주행 동선을 결정할 수 있다. 여기서, 학습 모델은 자율 주행 차량(100b)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, 자율 주행 차량(100b)은 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

자율 주행 차량(100b)은 맵 데이터, 센서 정보로부터 검출한 객체 정보 또는 외부 장치로부터 획득한 객체 정보 중에서 적어도 하나 이상을 이용하여 이동 경로와 주행 계획을 결정하고, 구동부를 제어하여 결정된 이동 경로와 주행 계획에 따라 자율 주행 차량(100b)을 주행시킬 수 있다.

맵 데이터에는 자율 주행 차량(100b)이 주행하는 공간(예컨대, 도로)에 배치된 다양한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 예컨대, 맵 데이터에는 가로등, 바위, 건물 등의 고정 객체들과 차량, 보행자 등의 이동 가능한 객체들에 대한 객체 식별 정보가 포함될 수 있다. 그리고, 객체 식별 정보에는 명칭, 종류, 거리, 위치 등이 포함될 수 있다.

또한, 자율 주행 차량(100b)은 사용자의 제어/상호작용에 기초하여 구동부를 제어함으로써, 동작을 수행하거나 주행할 수 있다. 이때, 자율 주행 차량(100b)은 사용자의 동작이나 음성 발화에 따른 상호작용의 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 응답을 결정하여 동작을 수행할 수 있다.

<AI+XR>

XR 장치(100c)는 AI 기술이 적용되어, HMD(Head-Mount Display), 차량에 구비된 HUD(Head-Up Display), 텔레비전, 휴대폰, 스마트 폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지, 차량, 고정형 로봇이나 이동형 로봇 등으로 구현될 수 있다.

XR 장치(100c)는 다양한 센서들을 통해 또는 외부 장치로부터 획득한 3차원 포인트 클라우드 데이터 또는 이미지 데이터를 분석하여 3차원 포인트들에 대한 위치 데이터 및 속성 데이터를 생성함으로써 주변 공간 또는 현실 객체에 대한 정보를 획득하고, 출력할 XR 객체를 렌더링하여 출력할 수 있다. 예컨대, XR 장치(100c)는 인식된 물체에 대한 추가 정보를 포함하는 XR 객체를 해당 인식된 물체에 대응시켜 출력할 수 있다.

XR 장치(100c)는 적어도 하나 이상의 인공 신경망으로 구성된 학습 모델을 이용하여 상기한 동작들을 수행할 수 있다. 예컨대, XR 장치(100c)는 학습 모델을 이용하여 3차원 포인트 클라우드 데이터 또는 이미지 데이터에서 현실 객체를 인식할 수 있고, 인식한 현실 객체에 상응하는 정보를 제공할 수 있다. 여기서, 학습 모델은 XR 장치(100c)에서 직접 학습되거나, AI 서버(200) 등의 외부 장치에서 학습된 것일 수 있다.

이때, XR 장치(100c)는 직접 학습 모델을 이용하여 결과를 생성하여 동작을 수행할 수도 있지만, AI 서버(200) 등의 외부 장치에 센서 정보를 전송하고 그에 따라 생성된 결과를 수신하여 동작을 수행할 수도 있다.

<AI+로봇+자율주행>

로봇(100a)은 AI 기술 및 자율 주행 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇 등으로 구현될 수 있다.

AI 기술과 자율 주행 기술이 적용된 로봇(100a)은 자율 주행 기능을 가진 로봇 자체나, 자율 주행 차량(100b)과 상호작용하는 로봇(100a) 등을 의미할 수 있다.

자율 주행 기능을 가진 로봇(100a)은 사용자의 제어 없이도 주어진 동선에 따라 스스로 움직이거나, 동선을 스스로 결정하여 움직이는 장치들을 통칭할 수 있다.

자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 이동 경로 또는 주행 계획 중 하나 이상을 결정하기 위해 공통적인 센싱 방법을 사용할 수 있다. 예컨대, 자율 주행 기능을 가진 로봇(100a) 및 자율 주행 차량(100b)은 라이다, 레이더, 카메라를 통해 센싱된 정보를 이용하여, 이동 경로 또는 주행 계획 중 하나 이상을 결정할 수 있다.

자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)과 별개로 존재하면서, 자율 주행 차량(100b)의 내부에서 자율 주행 기능에 연계되거나, 자율 주행 차량(100b)에 탑승한 사용자와 연계된 동작을 수행할 수 있다.

이때, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)을 대신하여 센서 정보를 획득하여 자율 주행 차량(100b)에 제공하거나, 센서 정보를 획득하고 주변 환경 정보 또는 객체 정보를 생성하여 자율 주행 차량(100b)에 제공함으로써, 자율 주행 차량(100b)의 자율 주행 기능을 제어하거나 보조할 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)에 탑승한 사용자를 모니터링하거나 사용자와의 상호작용을 통해 자율 주행 차량(100b)의 기능을 제어할 수 있다. 예컨대, 로봇(100a)은 운전자가 졸음 상태인 경우로 판단되는 경우, 자율 주행 차량(100b)의 자율 주행 기능을 활성화하거나 자율 주행 차량(100b)의 구동부의 제어를 보조할 수 있다. 여기서, 로봇(100a)이 제어하는 자율 주행 차량(100b)의 기능에는 단순히 자율 주행 기능뿐만 아니라, 자율 주행 차량(100b)의 내부에 구비된 네비게이션 시스템이나 오디오 시스템에서 제공하는 기능도 포함될 수 있다.

또는, 자율 주행 차량(100b)과 상호작용하는 로봇(100a)은 자율 주행 차량(100b)의 외부에서 자율 주행 차량(100b)에 정보를 제공하거나 기능을 보조할 수 있다. 예컨대, 로봇(100a)은 스마트 신호등과 같이 자율 주행 차량(100b)에 신호 정보 등을 포함하는 교통 정보를 제공할 수도 있고, 전기 차량의 자동 전기 충전기와 같이 자율 주행 차량(100b)과 상호작용하여 충전구에 전기 충전기를 자동으로 연결할 수도 있다.

<AI+로봇+XR>

로봇(100a)은 AI 기술 및 XR 기술이 적용되어, 안내 로봇, 운반 로봇, 청소 로봇, 웨어러블 로봇, 엔터테인먼트 로봇, 펫 로봇, 무인 비행 로봇, 드론 등으로 구현될 수 있다.

XR 기술이 적용된 로봇(100a)은 XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇을 의미할 수 있다. 이 경우, 로봇(100a)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 로봇(100a)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 로봇(100a) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 로봇(100a)은 XR 장치(100c)를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

예컨대, 사용자는 XR 장치(100c) 등의 외부 장치를 통해 원격으로 연동된 로봇(100a)의 시점에 상응하는 XR 영상을 확인할 수 있고, 상호작용을 통하여 로봇(100a)의 자율 주행 경로를 조정하거나, 동작 또는 주행을 제어하거나, 주변 객체의 정보를 확인할 수 있다.

<AI+자율주행+XR>

자율 주행 차량(100b)은 AI 기술 및 XR 기술이 적용되어, 이동형 로봇, 차량, 무인 비행체 등으로 구현될 수 있다.

XR 기술이 적용된 자율 주행 차량(100b)은 XR 영상을 제공하는 수단을 구비한 자율 주행 차량이나, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량 등을 의미할 수 있다. 특히, XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 XR 장치(100c)와 구분되며 서로 연동될 수 있다.

XR 영상을 제공하는 수단을 구비한 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하고, 획득한 센서 정보에 기초하여 생성된 XR 영상을 출력할 수 있다. 예컨대, 자율 주행 차량(100b)은 HUD를 구비하여 XR 영상을 출력함으로써, 탑승자에게 현실 객체 또는 화면 속의 객체에 대응되는 XR 객체를 제공할 수 있다.

이때, XR 객체가 HUD에 출력되는 경우에는 XR 객체의 적어도 일부가 탑승자의 시선이 향하는 실제 객체에 오버랩되도록 출력될 수 있다. 반면, XR 객체가 자율 주행 차량(100b)의 내부에 구비되는 디스플레이에 출력되는 경우에는 XR 객체의 적어도 일부가 화면 속의 객체에 오버랩되도록 출력될 수 있다. 예컨대, 자율 주행 차량(100b)은 차로, 타 차량, 신호등, 교통 표지판, 이륜차, 보행자, 건물 등과 같은 객체와 대응되는 XR 객체들을 출력할 수 있다.

XR 영상 내에서의 제어/상호작용의 대상이 되는 자율 주행 차량(100b)은 카메라를 포함하는 센서들로부터 센서 정보를 획득하면, 자율 주행 차량(100b) 또는 XR 장치(100c)는 센서 정보에 기초한 XR 영상을 생성하고, XR 장치(100c)는 생성된 XR 영상을 출력할 수 있다. 그리고, 이러한 자율 주행 차량(100b)은 XR 장치(100c) 등의 외부 장치를 통해 입력되는 제어 신호 또는 사용자의 상호작용에 기초하여 동작할 수 있다.

도 4는 본 개시의 일 실시 예에 따른 AI 장치(100)를 나타낸 블록도이다.

도 1과 중복되는 설명은 생략한다.

통신부(110)는 통신 모뎀(communication modem) 또는 통신 회로(communication circuit)라고도 칭할 수 있다.

도 4를 참조하면, 입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, AI 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 AI 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 적용될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 AI 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예컨대, AI 장치(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

센싱부(140)는 센서부라고 칭할 수 있다.

출력부(150)는 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 AI 장치(100)에서 처리되는 정보를 표시(출력)한다. 예컨대, 디스플레이부(151)는 AI 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, AI 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 AI 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. AI 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

도 5는 본 개시의 일 실시 예에 따른 인공 지능 시스템(1)을 나타낸 블록도이다.

도 5를 참조하면, 인공 지능 시스템(1)은 인공 지능 장치(100), 음성 텍스트 변환(STT: Speech To Text) 서버(300), 자연어 처리(NLP: Natural Language Processing) 서버(400) 및 음성 합성 서버(500)를 포함할 수 있다.

인공 지능 장치(100)는 음성 데이터를 STT 서버(300)에 전송할 수 있다. STT 서버(300)는 인공 지능 장치(100)로부터 수신한 음성 데이터를 텍스트 데이터로 변환할 수 있다. NLP 서버(400)는 STT 서버(300)로부터 텍스트 데이터를 수신할 수 있다. NLP 서버(400)는 수신한 텍스트 데이터에 기초하여, 텍스트 데이터에 대한 의도 분석을 수행할 수 있다. NLP 서버(400)는 의도 분석의 수행 결과를 나타내는 의도 분석 정보를 인공 지능 장치(100) 또는 음성 합성 서버(500)에 전송할 수 있다. 음성 합성 서버(500)는 의도 분석 정보에 기초하여 사용자의 의도를 반영한 합성 음성을 생성하고, 생성된 합성 음성을 인공 지능 장치(100)에 전송할 수 있다.

STT 서버(300)는 언어 모델을 이용하여 음성-텍스트 변환의 정확도를 높일 수 있다. 언어 모델은 문장의 확률을 계산하거나, 이전의 단어들이 주어졌을 때 다음 단어가 나올 확률을 계산할 수 있는 모델을 의미할 수 있다. 예컨대, 언어 모델은 유니그램(Unigram) 모델, 바이그램(Bigram) 모델, N-그램(N-gram) 모델 등과 같은 확률론적 언어 모델들을 포함할 수 있다. 유니그램 모델은 모든 단어의 활용이 완전히 서로 독립적이라고 가정하는 모델로, 단어 열의 확률을 각 단어의 확률의 곱으로 계산하는 모델이다. 바이그램 모델은 단어의 활용이 이전 1개의 단어에만 의존한다고 가정하는 모델이다. N-그램 모델은 단어의 활용이 이전 (n-1)개의 단어에 의존한다고 가정하는 모델이다.

즉, STT 서버(300)는 언어 모델을 이용하여 음성 데이터로부터 변환된 텍스트 데이터가 적합하게 변환된 것인지 판단할 수 있고, 이를 통해 음성 데이터에서 텍스트 데이터로의 변환의 정확도를 높일 수 있다.

NLP 서버(400)는 텍스트 데이터에 대해, 형태소 분석 단계, 구문 분석 단계, 화행 분석 단계, 대화 처리 단계를 순차적으로 수행하여, 의도 분석 정보를 생성할 수 있다.

형태소 분석 단계는 사용자가 발화한 음성에 대응하는 텍스트 데이터를 의미를 지닌 가장 작은 단위인 형태소 단위로 분류하고, 분류된 각 형태소가 어떤 품사를 가지는지를 결정하는 단계이다. 구문 분석 단계는 형태소 분석 단계의 결과를 이용하여, 텍스트 데이터를 명사구, 동사구, 형용사 구 등으로 구분하고, 구분된 각 구들 사이에, 어떠한 관계가 존재하는지를 결정하는 단계이다. 구문 분석 단계를 통해, 사용자가 발화한 음성의 주어, 목적어, 수식어들이 결정될 수 있다. 화행 분석 단계는 구문 분석 단계의 결과를 이용하여, 사용자가 발화한 음성에 대한 의도를 분석하는 단계이다. 구체적으로, 화행 분석 단계는 사용자가 질문을 하는 것인지, 요청을 하는 것인지, 단순한 감정 표현을 하는 것인지와 같은, 문장의 의도를 결정하는 단계이다. 대화 처리 단계는 화행 분석 단계의 결과를 이용하여, 사용자의 발화에 대해 대답을 할지, 호응을 할지, 추가 정보를 문의하는 질문을 할지를 판단하는 위한 단계이다.

NLP 서버(400)는 대화 처리 단계 후, 사용자가 발화한 의도에 대한 답변, 호응, 추가 정보 문의 중 하나 이상을 포함하는 의도 분석 정보를 생성할 수 있다.

한편, NLP 서버(400)는 인공 지능 장치(100)로부터 텍스트 데이터를 수신할 수도 있다. 예를 들어, 인공 지능 장치(100)가 음성 텍스트 변환 기능을 지원하는 경우, 인공 지능 장치(100)는 음성 데이터를 텍스트 데이터로 변환하고, 변환된 텍스트 데이터를 NLP 서버(400)에 전송할 수 있다.

음성 합성 서버(500)는 기 저장된 음성 데이터들을 조합하여, 합성 음성을 생성할 수 있다. 음성 합성 서버(500)는 모델로 선정된 한 사람의 음성을 녹음하고, 녹음된 음성을 음절 또는 단어 단위로 분할할 수 있다. 음성 합성 서버(500)는 음절 또는 단어 단위로, 분할된 음성을 내부 또는 외부의 데이터 베이스에 저장할 수 있다.

음성 합성 서버(500)는 주어진 텍스트 데이터에 대응하는 음절 또는 단어를 데이터 베이스로부터 검색하고, 검색된 음절 또는 단어들의 조합을 합성하여, 합성 음성을 생성할 수 있다.

음성 합성 서버(500)는 복수의 언어들 각각에 대응하는 복수의 음성 언어 그룹들을 저장하고 있을 수 있다. 예를 들어, 음성 합성 서버(500)는 한국어로 녹음된 제1 음성 언어 그룹, 영어로, 녹음된 제2 음성 언어 그룹을 포함할 수 있다.

음성 합성 서버(500)는 제1 언어의 텍스트 데이터를 제2 언어의 텍스트로 번역하고, 제2 음성 언어 그룹을 이용하여, 번역된 제2 언어의 텍스트에 대응하는 합성 음성을 생성할 수 있다.

인공 지능 시스템(1)은 인공 지능 서버(200)를 더 포함할 수 있다. 인공 지능 서버(200)는 STT 서버(300)에서 이용하는 STT 엔진, NLP 서버(400)에서 이용하는 NLP 엔진, 음성 합성 서버(500)에서 이용하는 음성 합성 엔진 중에서 적어도 하나 이상을 학습시킬 수 있다. 즉, STT 서버(300), NLP 서버(400), 음성 합성 서버(500) 중에서 적어도 하나 이상은 인공 지능 서버(200)에서 학습된 모델들 또는 엔진들을 이용할 수 있다.

도 5에서는 인공 지능 장치(100), STT 서버(300), NLP 서버(400) 및 음성 합성 서버(500)가 서로 구분되어 도시되어 있으나, 본 개시는 이에 한정되지 않는다. 일 실시 예에서, 인공 지능 서버(200), STT 서버(300), NLP 서버(400) 또는 음성 합성 서버(500) 중에서 일부는 하나의 서버로 구성될 수도 있다. 일 실시 예에서, STT 서버(300), NLP 서버(400) 또는 음성 합성 서버(500) 중에서 일부는 인공 지능 장치(100)에 포함될 수도 있고, 이는 인공 지능 장치(100)가 STT 서버(300), NLP 서버(400) 또는 음성 합성 서버(500)의 기능을 수행하는 것을 의미한다.

도 6은 본 개시의 일 실시 예에 따른 감정을 포함하는 음성을 제공하는 방법을 나타낸 래더 다이어그램이다.

도 6을 참조하면, 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240)는 학습 데이터를 이용하여 음성 합성 엔진(speech synthesis engine)을 학습한다(S601).

음성 합성 엔진은 입력되는 텍스트와 그에 대응하는 합성 속성을 반영하여 음성을 합성하는 또는 합성된 음성 데이터를 생성하는 엔진 또는 모델을 의미할 수 있다. 음성 합성 엔진은 인공 신경망을 포함하며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습도리 수 있다. 음성 합성 엔진은 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240) 중에서 적어도 하나 이상을 통하여 학습되며, 메모리(230) 또는 모델 저장부(231)에 저장될 수 있다.

프로세서(260) 또는 러닝 프로세서(240) 중에서 적어도 하나 이상은 학습 데이터(training data)를 이용하여 음성 합성 엔진을 학습할 수 있다. 학습 데이터에는 학습 합성 속성 정보(training synthesis attribute information), 학습 텍스트(training text) 및 학습 음성 데이터(training speech data)가 포함될 수 있고, 학습 합성 속성 정보에는 감정 타입(emotion type) 및 감정 강도(emotion strength) 등이 포함될 수 있다. 합성 속성 정보에 대한 설명은 후술한다.

음성 합성 엔진은 학습 텍스트 및 학습 합성 속성 정보가 입력되면 학습 데이터 및 학습 합성 속성 정보에 대응하는 출력 음성 데이터를 생성하는 모델이며, 프로세서(260) 또는 러닝 프로세서(240) 중에서 적어도 하나 이상은 출력 음성 데이터와 학습 음성 데이터 사이의 오차를 줄이도록 음성 합성 엔진의 모델 파라미터를 갱신할 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 대상 텍스트 및 대상 텍스트에 대응하는 합성 속성 정보(synthesis attribute information)를 수신한다(S603).

대상 텍스트는 음성 합성의 대상이 되는 텍스트이며, 대상 텍스트에 대응하는 합성 속성 정보는 대상 텍스트로부터 합성되는 음성 데이터의 속성 정보를 의미할 수 있다. 합성 속성 정보는 합성 언어(synthesis language)와 감정 타입(emotion type)을 포함하고, 감정 타임에 상응하는 감정 강도(emotion strength), 발화자(speaker), 음성 데이터 포맷(speech data format), 볼륨(volume) 또는 프라이버시 보호(privacy protection) 중에서 적어도 하나 이상을 더 포함할 수 있다.

합성 언어는 음성 합성시 이용되는 언어를 의미하며, 적어도 하나 이상의 언어 후보 중에서 하나가 선택될 수 있다. 합성 언어의 기본 값은 인공 지능 장치(100)에서 사용중인 시스템 언어일 수 있다.

감정 타입은 합성되는 음성의 감정의 종류를 의미하며, 적어도 하나 이상의 감정 후보 중에서 하나가 선택될 수 있다. 특히, 감정 타입은 합성 언어별로 선택될 수 있는 감정 후보가 상이할 수 있다. 예컨대, 합성 언어가 "한국어"일 경우, 감정 타입은 "중립(neutral)", "기쁨(happy)", "슬픔(sad)", "분노(angry)" 또는 "낭독(read)" 중에서 선택될 수 있다. 합성 언어가 영어일 경우, 감정 타입은 "중립(neutral)", "기쁨(happy)", "슬픔(sad)", "분노(angry)" 또는 "사랑(love)" 중에서 선택될 수 있다. 감정 타입의 기본 값은 "중립(neutral)"일 수 있다.

감정 강도는 음성 합성시 선택된 감정 타입을 얼마나 강하게 반영할 것인지를 나타내는 척도를 의미하며, 0%에서 100% 사이의 값으로 선택될 수도 있고, 미리 주어진 감정 강도 후보들, 예컨대 "full(100%)" 또는 "half(50%)", 중에서 하나로 선택될 수도 있다. 감정 강도의 기본 값은 100% 또는 "Full(100%)"일 수 있다.

발화자는 합성되는 음성의 발화자를 의미하며, 적어도 하나 이상의 발화자 후보 중에서 하나가 선택될 수 있다. 발화자 후보에는 셀럽과 같은 특정한 실제 인물이 포함될 수도 있고, 남성 대표 발화자 또는 여성 대표 발화자와 같은 가상의 인물이 포함될 수도 있다. 예컨대, 발화자 후보에는 "도날드 트럼프", "버락 오바마", "남성", "여성" 등이 포함될 수 있다. 발화자의 기본 값은 "남성" 또는 "여성"일 수 있다.

음성 데이터 포맷은 합성 음성 데이터의 포맷을 의미하며, 적어도 하나 이상의 음성 데이터 포맷 후보 중에서 하나가 선택될 수 있다. 음성 데이터 포맷 후보에는 PCM(Pulse Code Modulation), MP3(MPEG Audio Layer-3), 스픽스(speex), PCM_8K 등이 포함될 수 있다. 스픽스는 스트리밍(streaming) 포맷이므로 합성 음성 데이터를 전송 즉시 스트리밍 출력하는 상황에서만 선택될 수 있다. 음성 데이터 포맷의 기본 값은 PCM일 수 있다.

볼륨은 합성 음성 데이터의 출력 크기를 의미하며, 0에서 10 사이의 값으로 선택될 수 있다. 볼륨의 기본 값은 5일 수 있다.

프라이버시 보호는 대상 텍스트에 개인 정보와 같이 민감한 정보가 포함되어 프라이버시 보호가 필요한지를 의미하며, "활성화(Enabled)", "예(Yes)" 또는 "비활성화(Disabled)", "아니오(No)" 중에서 하나가 선택될 수 있다. 만약, 프라이버시 보호가 활성화된 경우, 대상 텍스트와 대상 텍스트에 대응하여 생성된 합성 음성 데이터는 저장되지 않고 삭제될 수 있다. 프라이버시 설정의 기본 값은 "비활성화(Disabled)", "아니오(No)"일 수 있다.

프로세서(180)는 입력부(120)를 통한 사용자 입력에 따른 대상 텍스트 및 대상 텍스트에 대응하는 합성 속성 정보를 수신할 수 있다. 예컨대, 프로세서(180)는 디스플레이부(151)를 통해 음성 합성 인터페이스를 출력하고, 입력부(120)를 통한 음성 합성 인터페이스에 대한 사용자의 입력에 기초하여 대상 텍스트 및 합성 속성 정보를 수신할 수 있다. 또는, 프로세서(180)는 음향 출력부(152)를 통해 음성 합성이 가능하다는 알림을 출력하고, 입력부(120)를 통한 사용자의 입력에 기초하여 대상 텍스트 및 합성 속성 정보를 수신할 수 있다.

프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200) 또는 외부 장치(미도시)로부터 대상 텍스트 및 대상 텍스트에 대응하는 합성 속성 정보를 수신할 수 있다. 예컨대, 프로세서(180)는 통신부(110)를 통해 사용자 단말기(미도시)에 입력된 입력 텍스트 및 합성 속성 정보를 수신할 수 있다.

프로세서(180)는 각 합성 속성 항목의 기본 값들 (또는 합성 속성 기본 값들)로 구성된 합성 속성 정보를 생성하고, 입력에 기초하여 생성된 합성 속성 정보에 포함된 합성 속성 값들을 수정함으로써 합성 속성 정보를 생성할 수 있다. 즉, 합성 속성 정보에 감정 타입과 감정 강도가 포함되어 있으며, 사용자 입력에는 감정 타입 "기쁨"에 대한 입력만이 포함된 경우에는, 감정 강도는 기본 값인 100% 또는 "Full(100%)"로 설정될 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 대상 텍스트 및 대상 텍스트에 대응하는 합성 속성 정보를 기초로 음성 합성 명령어를 생성한다(S605).

인공 지능 장치(100)는 직접 음성을 합성하지 않고, 음성 합성 명령어를 이용하여 인공 지능 서버(200)를 통해 대상 텍스트에 대응하는 음성을 합성할 수 있다. 인공 지능 장치(100)는 대상 텍스트 및 대상 텍스트에 대응하는 합성 속성 정보에 기초한 음성 합성 명령어를 생성함으로써, 인공 지능 서버(200)에서 음성 합성 명령어만으로 음성을 합성하는데 필요한 정보를 모두 제공할 수 있다.

프로세서(180)는 인공 지능 서버(200)에서 제공하는 API(Application Programming Interface)에 기초하여 음성 합성 명령어를 생성할 수 있다.

프로세서(180)는 REST API(Representational State Transfer API)에 기초한 음성 합성 명령어를 생성할 수 있다. REST는 자원 기반의 구조(ROA: Resource Oriented Architecture) 설계의 중심에 자원(resource)이 있고 HTTP 메소드(HTTP Method)를 통해 자원(resource)을 처리하도록 설계된 아키텍쳐를 의미한다. 프로세서(180)는 REST API에 기초한 음성 합성 명령어를 생성할 경우, HTTP 프로토콜의 인프라를 그대로 사용하므로 REST API 사용을 위한 별도의 인프라를 구축할 필요가 없으며, HTTP 표준 프로토콜을 따르는 모든 플랫폼에서도 사용 가능하다는 장점이 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 생성한 음성 합성 명령어를 인공 지능 서버(200)에 전송한다(S607).

인공 지능 장치(100)는 생성한 음성 합성 명령어를 인공 지능 서버(200)에 전송함으로써, 대상 텍스트 및 합성 속성 정보에 대한 음성의 합성을 요청할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 음성 합성 엔진을 이용하여 수신한 음성 합성 명령어에 대응하는 합성 음성 데이터를 생성한다(S609).

인공 지능 서버(200)가 음성 합성 엔진을 이용하여 음성을 합성하는 기능을 수행한다는 점에서, 인공 지능 서버(200)는 도 2에 도시된 음성 합성 서버(500)를 의미하거나, 음성 합성 서버(500)를 포함하는 서버를 의미할 수 있다.

인공 지능 서버(200)의 프로세서(260)는 음성 합성 엔진을 이용하여, 대상 텍스트를 대상 텍스트의 의미나 상황에 대응하는 감정으로 음성을 합성할 수도 있고, 동일한 대상 텍스트도 다양한 감정으로 음성을 합성할 수도 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 합성 음성 데이터를 인공 지능 장치(100)에 전송한다(S611).

그리고, 인공 지능 장치(100)의 프로세서(180)는 스피커를 통해 합성 음성 데이터를 출력한다(S613).

도 6에 도시된 감정을 포함하는 음성을 제공하는 방법은 음성 대화 챗봇(chatbot)이나 TTS(Text-to-Speech) 서비스에 적용되어, 사용자에게 보다 자연스러운 음성을 제공할 수 있다. 예컨대, 감정을 포함하는 음성을 제공하는 인공 지능 장치(100)는 사용자와 음성으로 상호작용할 수 있는 로봇이나 가전으로 구현될 수 있고, 이러한 인공 지능 장치(100)에는 청소 로봇, 안내 로봇, 짐 이동 로봇(porter robot), 홈 로봇, 애완 로봇, 인공 지능 세탁기, 인공 지능 스피커, 인공 지능 TV, 인공 지능 냉장고 등이 포함될 수 있다.

도 6에 도시된 단계들(steps)은 반복적으로 수행될 수 있고, 그에 따라 인공 지능 장치(100)는 반복적으로 감정을 포함하는 음성을 제공할 수 있다.

도 6에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계의 순서가 서로 바뀌어 수행될 수도 있다. 또한, 일 실시 예에서, 도 6에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 7은 도 6에 개시된 대상 텍스트 및 합성 속성 정보를 획득하는 단계(S603)의 일 예를 나타낸 래더 다이어그램이다.

구체적으로, 도 7은 인공 지능 서버(200)에 STT 엔진과 NLP 엔진이 저장된 상황에서의 실시 예를 나타낸다.

도 7을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 입력부(110)를 통해 입력 음성 데이터를 수신한다(S701).

입력 음성 데이터는 사용자의 발화 음성에 대응하는 음성 데이터를 의미할 수 있다. 입력 음성 데이터에는 질의, 제어 명령 등이 포함될 수 있다.

그리고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 인공 지능 서버(200)에 입력 음성 데이터를 전송한다(S703).

그리고, 인공 지능 서버(200)의 프로세서(260)는 음성 텍스트 변환(STT) 엔진을 이용하여 입력 음성 데이터를 텍스트로 변환한다(S705).

음성 텍스트 변환 엔진을 이용한 입력 음성 데이터를 텍스트로 변환하는 과정은 자동 음성 인식(ASR)을 의미할 수 있다.

음성 텍스트 변환 엔진은 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240) 중에서 적어도 하나 이상을 통하여 학습되어, 메모리(230)에 저장된 것일 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 자연어 처리 엔진(NLP)을 이용하여 변환된 텍스트에 상응하는 응답 텍스트 및 응답 텍스트에 대응하는 합성 속성 정보를 결정한다(S707).

자연어 처리 엔진은 인공 지능 서버(200)의 프로세서(260) 또는 러닝 프로세서(240) 중에서 적어도 하나 이상을 통하여 학습되어, 메모리(230)에 저장된 것일 수 있다.

응답 텍스트는 입력 음성 데이터에 대응하여 생성되며, 입력 음성 데이터가 질의인 경우에는 질의에 대한 응답이 응답 텍스트로 생성될 수 있고, 입력 음성 데이터가 제어 명령인 경우에는 제어 명령에 대한 상태 보고 또는 수행 결과 보고가 응답 텍스트로 생성될 수 있다.

응답 텍스트에 대응하는 합성 속성 정보는 응답 텍스트가 음성으로 합성될 때의 속성 정보를 의미할 수 있다.

프로세서(260)는 자연어 처리 엔진을 이용하여 변환된 텍스트의 의도 정보와 감정 정보를 획득하고, 의도 정보와 감정 정보에 기초하여 응답 텍스트 및 합성 속성 정보를 결정할 수 있다. 자연어 처리 엔진을 이용하여 획득한 감정 정보는 변환된 텍스트에 대응하는 발화자에 대응하는 감정 정보를 의미할 수 있다.

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 응답 텍스트 및 응답 텍스트에 대응하는 합성 속성 정보를 인공 지능 장치(100)에 전송한다(S709).

도 7에 도시된 단계들의 순서는 하나의 예시에 불과하며, 본 개시가 이에 한정되지는 않는다. 즉, 일 실시 예에서, 도 7에 도시된 단계들 중 일부 단계는 병렬적으로 수행될 수도 있다.

도 8은 도 6에 개시된 대상 텍스트 및 합성 속성 정보를 획득하는 단계(S603)의 일 예를 나타낸 래더 다이어그램이다.

구체적으로, 도 8은 인공 지능 서버(200)에 STT 엔진과 NLP 엔진이 저장되지 상황이나, 인공 지능 서버(200)에 STT 엔진과 NLP 엔진이 저장되어 있지만 이를 이용하지 않는 상황에서의 실시 예를 나타낸다.

도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 입력부(110)를 통해 입력 음성 데이터를 수신한다(S801).

그리고, 인공 지능 장치(100)의 프로세서(180)는 통신부(110)를 통해 입력 음성 데이터를 인공 지능 서버(200)에 전송한다(S803).

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 입력 음성 데이터를 STT 서버(300)에 전송한다(S805).

그리고, STT 서버(300)의 프로세서(미도시)는 음성 텍스트 변환(STT) 엔진을 이용하여 입력 음성 데이터를 텍스트로 변환한다(S807).

그리고, STT 서버(300)의 프로세서(미도시)는 통신부(미도시)를 통해 변환된 텍스트를 인공 지능 서버(200)에 전송한다(S809).

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 변환된 텍스트를 NLP 서버(400)에 전송한다(S811).

그리고, NLP 서버(400)의 프로세서(미도시)는 자연어 처리 엔진(NLP)을 이용하여 변환된 텍스트에 상응하는 응답 텍스트 및 응답 텍스트에 대응하는 합성 속성 정보를 생성한다(S813).

그리고, NLP 서버(400)의 프로세서(미도시)는 통신부(미도시)를 통해 응답 텍스트 및 응답 텍스트에 대응하는 합성 속성 정보를 인공 지능 서버(200)에 전송한다(S815).

그리고, 인공 지능 서버(200)의 프로세서(260)는 통신부(210)를 통해 응답 텍스트 및 응답 텍스트에 대응하는 합성 속성 정보를 인공 지능 장치(100)에 전송한다(S817).

도 9는 본 개시의 일 실시 예에 따른 음성 합성 엔진을 학습하는 방법과 이용하는 방법을 나타낸 도면이다.

도 9(a)는 음성 합성 엔진을 학습하는 방법을 나타낸다. 도 9(a)를 참조하면, 음성 합성 엔진(910)은 학습 데이터를 이용하여 학습되며, 학습 데이터에는 학습 텍스트(921), 학습 음성 데이터(922) 및 학습 합성 속성 정보(924)가 포함될 수 있다. 학습 합성 속성 정보(924)는 감정 타입 등을 포함하며, 학습 음성 데이터(922)에 대한 감정 임베딩(emotion embedding, 923)을 통해 생성될 수 있다.

음성 합성 엔진(910)은 학습 텍스트(921)과 학습 합성 속성 정보(924)가 입력되면, 입력된 학습 텍스트(921) 및 입력된 학습 합성 속성 정보(924)에 대응하는 음성 데이터를 합성(생성)하여 출력할 수 있다. 그리고, 음성 합성 엔진(910)은 출력 음성 데이터와 학습 음성 데이터(922) 사이의 오차가 최소화되도록 모델 파라미터가 갱신될 수 있다. 즉, 음성 합성 엔진(910)은 학습 데이터에 포함된 학습 텍스트(921)와 학습 합성 속성 정보(924)를 이용하여 음성을 합성할 때, 합성하는 음성 데이터가 학습 데이터에 포함된 학습 음성 데이터(922)를 추종하도록 학습된다.

도 9(b)는 음성 합성 엔진을 이용하는 방법을 나타낸다. 도 9(b)를 참조하면, 음성 합성 엔진(910)은 음성 합성의 대상이 되는 대상 텍스트(931)와 대상 텍스트(931)에 대응하는 합성 속성 정보(932)가 입력되면, 입력된 대상 텍스트(931) 및 입력된 합성 속성 정보(932)에 대응하는 합성 음성 데이터(933)를 생성하여 출력할 수 있다.

만약, 음성 합성 엔진(910)이 잘 학습되었다면, 대상 텍스트(931)이 학습 텍스트(921)이고, 합성 속성 정보(932)가 학습 텍스트(921)에 대응하는 학습 합성 속성 정보(924)일 때, 합성 음성 데이터(933)은 대상 텍스트(931) 및 학습 합성 속성 정보(924)에 대응하는 학습 음성 데이터(922)와 동일하거나 매우 유사할 것으로 기대할 수 있다.

도 10은 본 개시의 일 실시 예에 따른 음성 합성 엔진을 이용한 음성을 합성하는 과정의 일 예를 나타낸 도면이다.

도 10을 참조하면, 음성 합성 엔진(1010)은 대상 텍스트(1011) 및 감정 합성 속성 정보가 입력되면, 입력되는 대상 텍스트(1011) 및 합성 속성 정보에 대응하는 음성 데이터(1020)를 출력할 수 있다. 합성 속성 정보에는 감정 타입과 감정 강도(1014)가 포함될 수 있다.

음성 합성 엔진(1010)은 텍스트 인코더(1012)를 이용하여 대상 텍스트(1011)에 대하여 텍스트 임베딩 벡터(text embedding vector, 1013)를 생성할 수 있다.

음성 합성 엔진(1010)은 감정 타입과 감정 강도(1014)를 포함하는 합성 속성 정보로부터 선택된 조건 벡터(condition vector, 1015)를 추출하고, 조건 벡터(1015)와 스타일 요소(style element, 1016)로부터 스타일 임베딩 벡터(style embedding vector, 1017)를 생성할 수 있다. 스타일 요소(1016)는 말뭉치(speech corpus)에서 추출한 특징 벡터를 특징 공간(1030)에 매핑하고, 매핑된 특징 벡터를 감정별로 구분함으로써 생성될 수 있다.

음성 합성 엔진(1010)은 텍스트 임베딩 벡터(1013) 및 스타일 임베딩 벡터(1017)에 대하여 디코더(1018)와 보코더(1019)를 이용하여 음성 데이터(1020)를 생성할 수 있다.

도 11은 본 개시의 일 실시 예에 따른 음성 합성 인터페이스의 일 예를 나타낸 도면이다.

도 11은 인공 지능 장치(100)가 감정을 포함하는 음성을 합성하기 위한 음성 합성 인터페이스를 시각적으로 출력하고, 사용자가 음성 합성 인터페이스를 통해서 음성 합성을 위한 대상 텍스트와 합성 속성 정보를 입력하는 실시 예를 나타낸다. 실시 예에 따라, 음성 합성 인터페이스가 시각적으로 출력되지 않고도 감정을 포함하는 음성을 합성할 수 있다.

도 11을 참조하면, 음성 합성 인터페이스(1110)는 대상 텍스트 입력 인터페이스(1121), 합성 속성 입력 인터페이스(1131) 및 제출 버튼(1141)을 포함할 수 있다.

대상 텍스트 입력 인터페이스(1121)는 음성으로 합성될 대상 텍스트를 입력하는 인터페이스를 의미할 수 있다.

합성 속성 입력 인터페이스(1131)는 대상 텍스트(1121)가 음성으로 합성될 때 적용되는 합성 속성 정보를 입력하는 인터페이스를 의미하며, 언어 선택 인터페이스(1131), 발화자 선택 인터페이스(1132), 감정 타입 선택 인터페이스(1133), 감정 강도 선택 인터페이스(1134), 볼륨 선택 인터페이스(1135), 포맷 선택 인터페이스(1136), 프라이버시 보호 선택 인터페이스(1137) 또는 보코더 선택 인터페이스(1138) 중에서 적어도 하나 이상을 포함할 수 있다.

제출 버튼(1141)은 대상 텍스트 입력 인터페이스(1121)를 통해 입력된 대상 텍스트와 합성 속성 입력 인터페이스(1131)를 통해 입력된 합성 속성 정보를 기초로 음성 합성을 요청하는 버튼을 의미할 수 있다. 인공 지능 장치(100)의 프로세서(180)는 제출 버튼(1141)이 선택되면 입력된 대상 텍스트와 입력된 합성 속성 정보에 대응하는 음성 합성 명령어를 생성하고, 통신부(110)를 통해 음성 합성 명령어를 인공 지능 서버(200)에 전송하여 음성의 합성을 요청할 수 있다.

도 12는 본 개시의 일 실시 예를 나타낸 도면이다.

도 12는 사용자가 음성 합성 인터페이스를 이용하지 않고 인공 지능 장치와 상호작용하는 상황에서, 인공 지능 장치가 사용자의 발화 의도를 고려하여 응답 음성 (또는 대상 텍스트)와 응답 음성의 감정 타입 등을 결정하는 실시 예를 나타낸다.

도 12를 참조하면, 사용자(1210)는 길 안내 로봇으로써의 인공 지능 장치(1220)에 대하여 "Where is the funeral room number 102?"(1211)와 같이 발화하여 장례식장 102번 방의 위치를 물어볼 수 있다.

인공 지능 장치(1220)는 사용자(1210)의 발화 음성(1211)을 수신하면 인공 지능 서버(1230)를 통해 사용자(1210)의 발화 의도를 파악할 수 있고, 그에 대한 응답 (또는 대상 텍스트)을 "Go straight and turn right."(1221)와 같이 결정할 수 있다. 인공 지능 장치(1220)는 사용자(1210)가 장례식장까지의 길을 물어보고 있으므로, 응답 음성의 감정 타입을 "슬픔"으로 결정하고, 인공 지능 서버(1230)를 이용하여 슬픈 목소리로 "Go straight and turn right."(1221)라는 음성을 합성할 수 있다. 그리고, 인공 지능 장치(1220)는 슬픈 음성으로 합성된 응답 음성을 출력하여 사용자(1210)에게 길을 안내할 수 있다.

도 13은 본 개시의 일 실시 예를 나타낸 도면이다.

도 13은 사용자가 음성 합성 인터페이스를 이용하지 않고 인공 지능 장치와 상호작용하는 상황에서, 인공 지능 장치가 사용자의 감정을 고려하여 응답 음성의 감정 타입 등을 결정하는 실시 예를 나타낸다.

도 13을 참조하면, 사용자(1310)는 자동 응답 로봇으로써의 인공 지능 장치(1320)에 대하여 전화하여 "TV in my room is not working!!"(1311)와 같이 화내면서 발화하여 방의 TV가 동작하지 않는다고 불평할 수 있다.

인공 지능 장치(1320)는 사용자(1310)의 발화 음성(1311)을 수신하면 인공 지능 서버(1330)를 통해 사용자(1310)의 발화 의도와 감정을 파악할 수 있다. 인공 지능 장치(1320)는 사용자의 발화 의도를 고려하여 응답 (또는 대상 텍스트)을 "I'm sorry. I will send someone to fix it as soon as possible."(1321)와 같이 결정하고, 사용자의 화난 상태를 고려하여 응답 음성의 감정 타입을 "슬픔"으로 결정하고, 인공 지능 서버(1330)를 이용하여 슬픈 목소리로 " I'm sorry. I will send someone to fix it as soon as possible."(1321)라는 음성을 합성할 수 있다. 그리고, 인공 지능 장치(1320)는 슬픈 음성으로 합성된 응답 음성을 출력하여 사용자(1310)의 발화 내용에 적합한 응대를 할 수 있다.

도 14는 본 개시의 일 실시 예에 따른 음성 합성 명령어의 파라미터를 나타낸 도면이다.

상술한 바와 같이, 음성 합성 명령어는 인공 지능 서버(200)에서 지원하는 REST API에 기반하여 생성될 수 있다. 그리고, REST API는 미리 설정된 HTTP 메소드(method)와 파라미터(parameter)로써 표현될 수 있다. 예컨대, 인공 지능 서버(200)에 접속하기 위한 도메인이 "http://[ServiceAddress]"이고, 인공 지능 서버(200)의 감정을 포함하는 음성 합성 서비스의 URI가 "/tts"인 경우, 음성 합성 명령어는 "http://[ServiceAddress]/tts"를 포함할 수 있다.

REST API에 대한 HTTP 메소드는 음성 합성 명령어의 요청 타입(request type)을 나타내며, GET과 POST를 포함할 수 있다.

REST API에 대한 파라미터 (또는 음성 합성 명령어의 파라미터)에는 필수 파라미터와 권장 파라미터 (또는 옵션 파라미터)가 포함되며, 권장 파라미터는 음성 합성 명령어에 필수적으로 포함되지 않아도 되는 파라미터를 의미할 수 있다. 음성 합성 명령어에 권장 파라미터가 포함되지 않은 경우에는, 음성 합성 명령어에 포함되지 않은 권장 파라미터는 미리 설정된 기본 값으로 설정된 것으로 간주될 수 있다. REST API에 대한 파라미터 또는 음성 합성 명령어의 파라미터는 합성 속성 정보를 나타낸다. 모든 파라미터는 데이터 포맷이 "string"일 수 있다.

필수 파라미터에는 제품에 탑재할 인증키를 나타내는 "key" 파라미터와 대상 텍스트를 나타내는 "text" 파라미터가 포함될 수 있다. "text" 파라미터는 음성으로 합성될 대상 텍스트를 의미하며, UTF-8로 인코딩될 수 있다.

권장 파라미터에는 "text-type", "privacy", "language", "emotion", "emotion-strength", "volume", "speaker", "format" 등이 포함될 수 있다.

"text-type" 파라미터는 대상 텍스트를 나타내는 방법을 의미하며, 단순 텍스트를 의미하는 "Plain Text" 또는 텍스트에 사용자 정의된 속성을 포함하는 "SSML" 중에서 선택될 수 있으며, 기본 값은 "Plain Text"일 수 있다. "text-type" 파라미터의 값이 "SSML"일 경우, "text" 파라미터에는 사용자 정의된 발음을 의미하는 "<phoneme>" 태그, 사용자 정의된 쉬는 시간을 의미하는 "<break>" 태그 또는 사용자 정의된 명확한 발음 구간을 의미하는 "<clearly>" 태그 등이 포함될 수 있다.

"<phoneme>" 태그는 사용자가 임의로 대상 텍스트 중 일부 또는 전부의 발음을 정의할 때 사용되며, 문법이 잘못되거나 발음열이 잘못된 경우에는 인공 지능 서버(200)는 음성 합성에 실패하고 에러를 리턴할 수 있다. "<phoneme>" 태그를 이용한 "text" 파라미터의 예시는 다음과 같다: "사람은 <phoneme ph="잠짜리가">잠자리가</phoneme> 편해야 하루가 편하다.", "고추 <phoneme ph="잠자리가">잠자리가</phoneme> 하늘을 날고 있다.", "I <phoneme ph="R EH D">read</phoneme> a book.", "I <phoneme ph="R IH D">read</phoneme> a book.". 영어는 발음이 모음/자음을 띄어쓰기 단위로 구분하여 입력될 수 있다. 한국어는 발음이 초성/중성/종성을 조합하여 음절 단위로 입력될 수 있다.

"<break>" 태그는 사용자가 임의로 대상 텍스트의 문장과 문장 사이의 쉬는 시간을 정의할 때 사용되며, 문법이 잘못되거나 쉬는 시간(break time)이 미리 정해진 문턱 값(예컨대, 10초)을 초과하는 경우에는 인공 지능 서버(200)는 음성 합성에 실패하고 에러를 리턴할 수 있다. 쉬는 시간의 단위는 "s" 또는 "ms"이며, 기본 값은 "ms"일 수 있다. "<break>" 태그를 포함하는 "text" 파라미터의 예시는 다음과 같다: "안녕하세요. <break time="2s"/> 반갑습니다.", "Hello. <break time="800ms"/s> Nice to meet you.".

"<clearly>" 태그는 사용자가 임의로 대상 텍스트 중에서 명확한 발음이 요구되는 구간을 정의할 때 사용되며, 문법이 틀리거나 다른 내부 태그 또는 외부에 사용될 경우에는 인공 지능 서버(200)는 음성 합성에 실패하고 에러를 리턴할 수 있다. 명확한 발음이 요구되는 구간의 예시에는 주소나 이름 등이 포함될 수 있다. 여러 단어에 대하여 "<clearly>" 태그가 부여되는 경우에는 한 단어씩 끊어 읽고, 한 단어에 대하여 "<clearly>" 태그가 부여되는 경우에는 한 글자씩 끊어 읽을 수 있다. "<clearly>" 태그를 포함하는 "text" 파라미터의 예시는 다음과 같다: "서울시청 주소는 <clearly>서울 중구 세종대로 110 서울특별시청</clearly> 입니다.", "고객님의 성함은 <clearly>홍길동</clearly>입니다.".

"privacy" 파라미터는 프라이버시 보호(privacy protection)의 설정 값을 의미하며, 프라이버시 보호를 설정하지 않는 "no" 또는 프라이버시 보호를 설정하는 "yes" 중에서 선택될 수 있으며, 기본 값은 "no"일 수 있다. "privacy" 파라미터의 값이 "yes"인 경우, 인공 지능 서버(200)는 음성 합성 후 관련 데이터(음성 합성 명령어, 합성된 음성 데이터 등)를 모두 삭제할 수 있다.

"language" 파라미터는 음성 합성에 이용될 언어를 의미하며, 인공 지능 서버(200)에서 지원하는 음성 합성 언어들 (예컨대, "Korean", "USEnglish" 등)과 "SystemDefault" 중에서 선택될 수 있으며, 기본 값은 "Korean"일 수 있다. "language" 파라미터의 값이 "SystemDefault"인 경우, 인공 지능 장치(100)는 자동으로 "language" 파라미터의 값을 시스템 언어로 설정할 수 있다.

"emotion" 파라미터는 합성될 음성의 감정 타입을 의미하며, 기본 값은 감정을 포함하지 않는 "Neutral"일 수 있다. "emotion" 파라미터의 값은 언어별로 후보가 동일하지 않을 수 있다.

"emotion-strength" 파라미터는 합성될 음성의 감정의 세기를 의미하며, "Full" 또는 "Half" 중에서 선택될 수 있고, 기본 값은 "Full"일 수 있다.

"volume" 파라미터은 합성될 음성의 볼륨을 의미하며, 0부터 10 사이의 값으로 표현될 수 있으며, 기본 값은 "volume 5"일 수 있다.

"speaker" 파라미터는 합성될 음성의 발화자를 의미하며, "male" 또는 "female" 중에서 선택될 수 있고, 기본 값은 "female"일 수 있다. "speaker" 파라미터의 값은 인공 지능 서버(200)에서 지원하는 음성 합성 발화자의 종류에 따라 다양하게 설정될 수 있다.

"format" 파라미터는 합성될 음성 데이터 (또는 출력 오디오 데이터)의 포맷을 의미하며, "PCM", "WAV", "PCM_8K", "WAV_8K", "MP3", "SPEEX", "RAW_MU-LAW", "WAV_MU-LAW" 중에서 선택될 수 있고, 기본 값은 "PCM"일 수 있다. "SPEEX"는 스트리밍(streaming) 포맷이다. "PCM", "WAV" 및 "MP3"는 샘플링 레이트가 22.05kHz, 해상도가 16bits/sample, 모노 채널일 수 있다. "WAV_8K"는 샘플링 레이트가 8kHz, 해상도가 16bits/sample, 모노 채널일 수 있다. "SPEEX"는 샘플링 레이트가 32kHz, 해상도가 16bits/sample, 모노 채널일 수 있다. "RAW_MU-LAW" 및 "WAV_MU-LAW"는 샘플링 레이트가 8kHz, 해상도가 μ-LAW 8bits/sample, 모노 채널일 수 있다.

대상 텍스트가 "안녕하세요."이고, 합성 속성으로써 합성 언어가 "한국어", 감정 타입이 "기쁨"인 경우, 이에 대응하는 음성 합성 명령어는 "GET http://[ServiceAddress]/tts?text=안녕하세요.&language=Korean&emotion=Happy&key=[YourAuthenticationKey]"와 같이 표현될 수 있다. 음성 합성 명령어에 감정 강도나 볼륨과 같이 포함되지 않은 권장 파라미터들이 존재할 수 있으며, 이 경우 인공 지능 서버(200)는 음성 합성 명령어에 포함되지 않은 권장 파라미터들은 기본 값으로 설정된 것으로 판단하여 음성을 합성할 수 있다.

도 14에 도시된 음성 합성 명령어의 파라미터의 종류나 각 파라미터의 스펙(specification)은 예시에 불과하며, 실시 예에 따라 다양하게 변경될 수 있다. 예컨대, 일 실시 예에서, 언어(language)의 기본 값이 "시스템 기본 언어"일 수도 있다. 또는, 일 실시 예에서, 언어(language)는 필수 파라미터일 수도 있다.

본 개시의 일 실시 예에 따르면, 전술한 방법은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 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 있다.

Claims

감정을 포함하는 음성을 제공하는 인공 지능 장치에 있어서,
대상 텍스트 및 상기 대상 텍스트에 대응하는 합성 속성 정보를 수신하는 입력부;
음성 합성 엔진을 포함하는 인공 지능 서버와 통신하는 통신부;
스피커; 및
상기 대상 텍스트 및 상기 합성 속성 정보를 기초로 음성 합성 명령어를 생성하고, 상기 통신부를 통해 상기 음성 합성 명령어를 상기 인공 지능 서버에 전송하고, 상기 통신부를 통해 상기 인공 지능 서버로부터 상기 음성 합성 엔진을 통해 생성되고 상기 음성 합성 명령어에 대응하는 합성 음성 데이터(synthesized speech data)를 수신하고, 상기 스피커를 통해 상기 합성 음성 데이터를 출력하는 프로세서
를 포함하는, 인공 지능 장치.
청구항 1에 있어서,
상기 합성 속성 정보는
합성 언어(synthesis language) 및 감정 타입(emotion type)을 포함하는, 인공 지능 장치.
청구항 2에 있어서,
상기 합성 속성 정보는
발화자(speaker), 상기 감정 타입에 상응하는 감정 강도(emotion strength), 음성 데이터 포맷(speech data format) 또는 프라이버시 보호(privacy protection) 중에서 적어도 하나 이상을 더 포함하는, 인공 지능 장치.
청구항 3에 있어서,
상기 프로세서는
상기 프라이버시 보호가 설정된 경우, 상기 대상 텍스트 및 상기 합성 음성 데이터를 저장하지 않고 삭제하는, 인공 지능 장치.
청구항 2에 있어서,
상기 프로세서는
합성 속성 기본 값들로 구성된 합성 속성 정보를 생성하고, 상기 입력부를 통한 입력에 기초하여 상기 합성 속성 정보에 포함된 합성 속성 값들을 수정하는, 인공 지능 장치.
청구항 1에 있어서,
상기 음성 합성 엔진은
감정 타입 및 감정 강도를 포함하는 학습 합성 속성 정보, 학습 텍스트 및 학습 음성 데이터를 포함하는 학습 데이터를 이용하여 학습되는, 인공 지능 장치.
청구항 6에 있어서,
상기 음성 합성 엔진은
상기 학습 텍스트 및 상기 학습 합성 속성 정보가 입력되면 상기 학습 데이터 및 상기 학습 합성 속성 정보에 대응하는 출력 음성 데이터를 생성하며, 상기 출력 음성 데이터와 상기 학습 음성 데이터 사이의 오차를 줄이도록 학습되는, 인공 지능 장치.
청구항 1에 있어서,
상기 입력부는
입력 음성 데이터를 획득하고,
상기 프로세서는
자동 음성 인식(ASR: Auto Speech Recognition) 및 자연어 처리(NLP: Natural Language Processing)를 통해 상기 입력 음성 데이터에 상응하는 응답 텍스트 및 상기 응답 텍스트에 대응하는 합성 속성 정보를 획득하고, 상기 인공 지능 서버에 상기 응답 텍스트 및 상기 합성 속성 정보를 기초로 상기 음성 합성 명령어를 생성하는, 인공 지능 장치.
청구항 8에 있어서,
상기 응답 텍스트에 대응하는 합성 속성 정보는
상기 입력 음성 데이터의 발화 톤 및 상기 입력 음성 데이터의 컨텍스트를 고려하여 결정된 사용자의 감성에 대응하여 결정되는, 인공 지능 장치.
청구항 1에 있어서,
상기 프로세서는
상기 인공 지능 서버에서 제공하는 API(Application Programming Interface)를 기초로 상기 음성 합성 명령어를 생성하는, 인공 지능 장치.
감정을 포함하는 음성을 제공하는 방법에 있어서,
대상 텍스트 및 상기 대상 텍스트에 대응하는 합성 속성 정보를 수신하는 단계;
상기 대상 텍스트 및 상기 합성 속성 정보를 기초로 음성 합성 명령어를 생성하는 단계;
통신부를 통해 상기 음성 합성 명령어를 음성 합성 엔진을 포함하는 인공 지능 서버에 전송하는 단계;
상기 통신부를 통해 상기 인공 지능 서버로부터 상기 음성 합성 엔진을 통해 생성되고 상기 음성 합성 명령어에 대응하는 합성 음성 데이터를 수신하는 단계; 및
스피커를 통해 상기 합성 음성 데이터를 출력하는 단계
를 포함하는, 방법.
감정을 포함하는 음성을 제공하는 인공 지능 서버에 있어서,
음성 합성 엔진을 저장하는 메모리;
인공 지능 장치와 통신하는 통신부; 및
상기 인공 지능 장치로부터 대상 텍스트 및 상기 대상 텍스트에 대응하는 합성 속성 정보를 기초로 생성된 음성 합성 명령어를 수신하고, 상기 음성 합성 엔진을 이용하여 상기 음성 합성 명령어에 대응하는 합성 음성 데이터를 생성하고, 상기 합성 음성 데이터를 상기 인공 지능 장치에 전송하는 프로세서
를 포함하는, 인공 지능 서버.