KR20220021898A - 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법 - Google Patents

Abstract

본 개시는 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법에 관한 것이다. 이러한 방법은, 복수의 문장을 수신하는 단계, 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 단계, 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 생성하는 단계 및 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계를 포함할 수 있다.

Description

텍스트에 대한 합성 음성 생성 작업을 수행하는 방법{METHOD FOR PERFORMING SYNTHESIS VOICE GENERATION WORK FOR TEXT}

본 개시는 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법에 관한 것으로서, 더 구체적으로, 복수의 문장에 대한 복수의 음성 스타일 특징을 선택하는 작업자와 생성된 합성 음성을 검수하는 검수자가 공동으로 합성 음성 생성 작업을 수행하는 방법 및 시스템에 관한 것이다.

텍스트에 대한 합성 음성 생성 기술과 오디오 콘텐츠 제작 기술의 발전 및 음성 콘텐츠에 대한 수요가 높아짐에 따라, 오디오북(Audiobook) 시장이 급격히 성장해 오고 있다. 텍스트로 이루어진 통상적인 책을 오디오북으로 생성하기 위해서는, 작업자들이 각각의 문장에 적합한 화자 특징, 발화 스타일 특징, 감정 특징, 운율 특징 등을 직접 입력하여 합성 음성을 생성하는 과정이 요구될 수 있다. 또한, 이렇게 생성된 합성 음성을 검수하고, 수정 및 보완하는 과정을 통해 오디오북의 품질 또는 완성도를 높일 수 있다.

다만, 종래의 시스템에서는, 작업자의 합성 음성 생성 작업을 통해 생성된 합성 음성을 검수자에게 직접 전달해야 하고, 검수자는 생성된 합성 음성을 듣고 수정 및 보완이 필요한 부분을 작업자에게 직접 전달해야 하는 번거로움이 있었다. 또한, 종래의 시스템에서는, 검수자가 합성 음성을 전부 들어보고 수정 및 보완이 필요한 부분을 찾아야 하므로 많은 시간이 소요되었다. 이러한 종래 시스템의 번거로움으로 인해, 작업자와 검수자가 신속하고 손쉽게 합성 음성 생성 작업을 공동으로 수행하는 기술에 대한 관심과 수요가 점점 증가하고 있다.

본 개시의 실시예들은 작업자로부터 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하여 생성한 복수의 합성 음성을 검수자에게 제공하고, 검수자로부터 복수의 합성 음성에 대한 응답을 수신하여 작업자에게 제공함으로써, 텍스트에 대한 합성 음성 생성 작업을 공동으로 수행하기 위한 방법에 관한 것이다.

본 개시는 방법, 시스템, 장치 또는 컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따른, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법은, 복수의 문장을 수신하는 단계, 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 단계, 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 생성하는 단계 및 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계를 포함한다.

일 실시예에 따르면, 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계는, 복수의 음성 스타일 특징 또는 복수의 합성 음성 중 적어도 하나를 분석한 결과에 기초하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하는 단계, 선택된 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시(visual representation)을 출력하는 단계 및 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청을 수신하는 단계를 포함한다.

일 실시예에 따르면, 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계는, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 변경하는 요청을 수신하는 단계를 더 포함하고, 방법은, 변경된 적어도 하나의 음성 스타일 특징 및 변경된 적어도 하나의 문장을 인공신경망 텍스트-음성 합성 모델에 입력하여, 변경된 적어도 하나의 음성 스타일 특징이 반영된 변경된 적어도 하나의 문장에 대한 적어도 하나의 합성 음성을 생성하는 단계를 더 포함한다.

일 실시예에 따르면, 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 단계는, 제1 사용자 계정으로부터, 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 단계를 포함하고, 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계는, 제2 사용자 계정으로부터, 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계를 포함한다. 여기서 제1 사용자 계정은 제2 사용자 계정과 상이한 계정이다.

일 실시예에 따르면, 제2 사용자 계정으로부터, 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계는, 복수의 문장에 대한 복수의 음성 스타일 특징을 선택하는 제1 사용자 계정의 행동 패턴을 분석하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하는 단계, 선택된 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시를 출력하는 단계 및 제2 사용자 계정으로부터, 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징에 대한 변경 요청을 수신하는 단계를 포함한다.

일 실시예에 따르면, 제2 사용자 계정으로부터, 적어도 하나의 합성 음성에 대한 응답을 수신하는 단계는, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(marker)를 수신하는 단계를 더 포함한다.

일 실시예에 따르면, 표지가 적어도 하나의 합성 음성을 사용하지 않는다고 나타내는 경우, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장에 대한 정보를 제1 사용자 계정에 제공하는 단계를 더 포함한다.

일 실시예에 따르면, 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 단계는, 복수의 문장의 각각에 대한 복수의 음성 스타일 특징 후보를 출력하는 단계 및 복수의 음성 스타일 특징 후보 중 적어도 하나의 음성 스타일 특징을 선택하는 응답을 수신하는 단계를 포함한다.

일 실시예에 따르면, 복수의 음성 스타일 특징 후보는, 복수의 문장을 분석한 결과에 기초하여 결정된 추천 음성 스타일 특징 후보를 포함한다.

본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.

본 개시의 일부 실시예에 따르면, 복수의 문장에 대한 합성 음성 중 적어도 하나의 합성 음성을 검수하고, 수정 및 보완함으로써, 불량이 적고 듣기 자연스러운 합성 음성 및 오디오 콘텐츠를 제작할 수 있다.

본 개시의 일부 실시예에 따르면, 복수의 사용자(예: 작업자 및 검수자)가 공동으로 합성 음성 생성 작업을 수행할 수 있으므로, 합성 음성이 보다 효율적으로 생성될 수 있다.

본 개시의 일부 실시예에 따르면, 복수의 문장 중 적어도 하나의 문장에 대한 추천 음성 스타일 특징 후보가 작업자에게 제공됨으로써, 작업자는 보다 자연스러운 음성 스타일 특징을 손쉽게 선택할 수 있고, 합성 음성 생성 작업을 효과적으로 수행할 수 있다.

본 개시의 일부 실시예에 따르면, 검수자가 합성 음성을 모두 들어보지 않더라도 검수가 필요할 것으로 예상되는 문장에 대한 시각적 표시가 출력되므로, 검수자는 검수가 필요할 것으로 예상되는 문장을 중심으로 검수를 수행할 수 있고, 이에 따라, 생성된 합성 음성에 대한 검수 작업이 빠르게 수행될 수 있다.

본 개시의 일부 실시예에 따르면, 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 검수자의 응답을 기초로, 작업자의 검수가 필요한 적어도 하나의 음성 및/또는 대응 문장과 연관된 영역에 표지가 출력되기 때문에, 작업자는 수정 및 보완이 필요한 문장을 신속하게 인식할 수 있다.

도 1은 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 작업을 수행하는 사용자 인터페이스의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 작업을 수행하기 위하여, 복수의 사용자 단말과 정보 처리 시스템이 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 사용자 단말의 프로세서의 내부 구성을 나타내는 블록도이다.
도 5는 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 블록도이다.
도 6은 본 개시의 일 실시예에 따른 인공신경망 기반의 텍스트-음성 합성 장치의 구성 및 복수의 화자 및/또는 음성 스타일 특징의 각각을 구분할 수 있는 임베딩 벡터를 추출하는 네트워크를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 합성 음성 생성 작업을 수행하는 방법을 나타내는 흐름도이다.
도 8은 본 개시의 일 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다.
도 9는 본 개시의 다른 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따른, 생성된 합성 음성을 검수하는 검수자의 사용자 인터페이스에서의 동작을 나타내는 도면이다.
도 11은 본 개시의 또 다른 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '부' 또는 '모듈'이라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈'은 어떤 역할들을 수행한다. 그렇지만, '부' 또는 '모듈'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부' 또는 '모듈'은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '부' 또는 '모듈'은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '부' 또는 '모듈'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부' 또는 '모듈'들로 결합되거나 추가적인 구성요소들과 '부' 또는 '모듈'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '부' 또는 '모듈'은 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '음성 스타일 특징'은 음성의 구성요소 및/또는 식별요소를 포함할 수 있다. 예를 들면, 음성 스타일 특징은 발화 스타일 특징(예: 어조, 어투, 말투 등), 발화 속도, 악센트, 억양, 음 높낮이, 소리 크기, 주파수, 끊어 읽기, 문장 사이 공백 시간 등을 포함할 수 있다. 또한, 본 개시에서, '배역'은 텍스트를 발화하는 화자 또는 캐릭터를 포함할 수 있다. 또한, '배역'은 각 배역에 대응하는 미리 결정된 음성 스타일 특징을 포함할 수 있다. '배역'과 '음성 스타일 특징'은 구별되어 사용되고 있으나, '배역'은 '음성 스타일 특징'에 포함될 수 있다.

본 개시에서, '문장'은, 복수의 텍스트가 마침표, 느낌표, 물음표, 따옴표, 등의 문장 부호를 기준으로 분리된 것을 의미할 수 있다. 예를 들면, '오늘은 고객분들과 만나 질문을 듣고 답하는 날입니다.' 라는 텍스트는 마침표를 기준으로 이어지는 텍스트와 별개의 문장으로 분리될 수 있다. 또한, '문장'은 사용자의 문장 분리에 대한 입력으로 텍스트를 문장으로 분리할 수 있다. 즉, 텍스트가 문장 부호를 기준으로 분리되어 형성된 하나의 문장은 사용자의 문장 분리에 대한 입력으로 적어도 두 문장으로 분리될 수 있다. 예를 들면, 사용자가 '밥을 먹고 집에 갔다.'의 문장의 '먹고' 이후에서 엔터(Enter)를 입력함으로써, '밥을 먹고'의 문장과 '집에 갔다.'의 문장으로 분리할 수 있다.

본 개시에서, '사용자 계정'은 합성 음성 생성 작업 시스템에서 이용되는 계정 또는 이와 관련된 데이터를 나타낼 수 있다. 또한, 사용자 계정은, 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스를 이용하는 사용자 및/또는 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스가 동작하는 사용자 단말을 지칭할 수 있다. 또한, 사용자 계정은 하나 이상의 사용자 계정을 포함할 수 있다. 또한, 제1 사용자 계정(또는 작업자)과 제2 사용자 계정(또는 검수자)은 상이한 사용자 계정으로서 구별되어 사용되고 있으나, 제1 사용자 계정(또는 작업자)과 제2 사용자 계정(또는 검수자)은 동일할 수 있다.

아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.

도 1은 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 작업을 수행하는 사용자 인터페이스(100)의 예시를 나타내는 도면이다. 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스는 사용자에 의해 조작 가능한 사용자 단말에 제공될 수 있다. 여기서, 사용자 단말(미도시)은 하나 이상의 프로세서 및 메모리를 가진 임의의 전자 디바이스를 지칭할 수 있고, 사용자 인터페이스는 사용자 단말에 연결되거나 포함된 출력 장치(예: 디스플레이)에 표시될 수 있다. 또한, 텍스트에 대한 합성 음성 생성 작업은 하나 이상의 사용자 및/또는 사용자 단말에 의해 수행될 수 있다. 또한, 텍스트에 대한 합성 음성 생성 작업을 수행하기 위하여, 사용자 단말은 텍스트에 대한 합성 음성을 생성하도록 구성된 정보 처리 시스템(미도시)과 서로 통신하도록 구성될 수 있다.

하나 이상의 사용자 계정이 텍스트에 대한 합성 음성 생성 작업에 참여하거나 수행할 수 있다. 여기서, 텍스트에 대한 합성 음성 생성 작업은 하나의 프로젝트(예: 오디오 북 생성 등)로서 제공될 수 있으며, 하나 이상의 사용자 계정이 이러한 프로젝트에 접근 가능하도록 허용될 수 있다. 일 실시예에 따르면, 복수의 사용자 계정이 텍스트에 대한 합성 음성 생성 및/또는 검수 작업에 공동으로 참여할 수 있다. 예를 들어, 하나 이상의 사용자 계정의 각각이 텍스트에 대한 합성 음성 생성 작업의 적어도 일부를 수행할 수 있다. 여기서, 텍스트에 대한 합성 음성 생성 작업은, 텍스트에 대한 합성 음성을 생성하는데 요구되는 임의의 작업을 지칭할 수 있으며, 예를 들어, 복수의 문장을 제공하는 작업, 복수의 문장에 대한 복수의 음성 스타일 특징을 제공하는 작업, 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 합성 음성을 생성하는 작업, 생성된 합성 음성에 대한 응답(예: 검수, 수정 등)을 제공하는 작업 등을 포함할 수 있으나, 이에 한정되지 않는다.

정보 처리 시스템은 복수의 사용자 계정 중 적어도 하나의 사용자 계정으로부터 복수의 문장을 수신할 수 있다. 일 실시예에 따르면, 복수의 사용자 계정 중 적어도 하나의 사용자 계정이 복수의 문장(110)을 포함하는 문서 형식의 파일을 업로드함으로써, 복수의 문장(110)이 수신되고 사용자 인터페이스를 통해 표시될 수 있다. 사용자 인터페이스는 적어도 하나의 사용자 계정의 사용자 단말에서 동작하는 텍스트에 대한 합성 음성 생성 작업을 위한 사용자 인터페이스를 지칭할 수 있다. 예를 들어, 복수의 사용자 계정 중 적어도 하나의 사용자 계정에서 접근 가능하거나 클라우드 시스템을 통해 접근 가능한 문서 형식의 파일이 업로드될 수 있다. 여기서, 문서 형식의 파일은, 사용자 단말 및/또는 정보 처리 시스템에서 지원가능한 임의의 문서 형식의 파일, 예를 들어, 편집 가능하거나 텍스트를 추출하는 것이 가능한 프로젝트 파일, 텍스트 파일 등을 지칭할 수 있다. 다른 실시예에서, 복수의 문장(110)이 적어도 하나의 사용자 계정으로부터 사용자 인터페이스를 통해 수신될 수 있다. 예를 들면, 복수의 문장(110)이 적어도 하나의 사용자 계정이 사용하는 사용자 단말에 포함되거나 연결된 입력장치(예를 들어, 키보드, 터치스크린 등)를 통해 입력 또는 수신될 수 있다.

이렇게 수신된 복수의 문장(110)은 복수의 문장(110)과 연관된 프로젝트에 참여하고 있는 복수의 사용자 계정이 사용하고 있는 사용자 단말의 화면에 표시될 수 있다. 여기서, 복수의 사용자 계정 각각의 단말의 화면에 표시된 사용자 인터페이스는 동일할 수 있다. 예를 들어, 도 1에서 도시된 사용자 인터페이스는 본 프로젝트에 참여하고 있는 복수의 사용자 계정에게 동일하게 제공될 수 있다. 이와 달리, 본 프로젝트에 참여하고 있는 복수의 사용자 계정에 제공되는 사용자 인터페이스는 모두 동일하지 않을 수 있다. 예를 들어, 복수의 사용자 계정의 각각이 합성 음성 생성 작업에서 요구되는 역할에 따라 제공되는 사용자 인터페이스가 상이할 수 있다.

정보 처리 시스템은 복수의 사용자 계정 중 적어도 하나의 사용자 계정으로부터 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있다. 일 실시예에서, 복수의 문장에 대한 복수의 음성 스타일 특징이, 적어도 하나의 사용자 계정으로부터 사용자 인터페이스를 통해, 수신될 수 있다. 예를 들면, 적어도 사용자 계정이 사용가능한 입력장치(예를 들어, 키보드, 터치스크린, 마우스 등)를 통해 복수의 문장에 대한 복수의 음성 스타일 특징에 대한 입력이 수신될 수 있다. 이 경우, 복수의 음성 스타일 특징은 복수의 문장에 대응하는 영역에 표지(수치, 기호 등)로서 입력될 수 있다. 여기서, 이러한 표지는 미리 결정된 음성 스타일 특징과 연관되어 미리 저장될 수 있다.

수신된 복수의 문장 및 복수의 문장에 대한 복수의 음성 스타일 특징이 인공신경망 텍스트-음성 합성 모델에 입력되어, 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성이 생성될 수 있다. 이렇게 생성된 복수의 문장에 대한 복수의 합성 음성은 하나의 사용자 단말에 포함되거나 연결된 출력 장치를 통해 출력될 수 있다. 그리고 나서, 출력된 음성은 해당 텍스트 및/또는 텍스트의 컨텍스트에 적절하게 대응되는지 여부가 사용자 단말의 사용자에 의해 판정될 수 있다. 이와 달리, 이렇게 생성된 음성이 적절한지 여부는 프로젝트 내의 다른 사용자 계정에 의해 판정될 수 있다.

정보 처리 시스템은 복수의 사용자 계정 중 적어도 하나의 사용자 계정(예를 들어, 본 프로젝트 내의 하나 이상의 작업자, 검수자 등)로부터 복수의 문장에 대한 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에서, 출력된 적어도 하나의 합성 음성에 응답하여, 정보 처리 시스템은 복수의 사용자 계정 중 적어도 하나의 사용자 계정으로부터 복수의 음성 스타일 특징 중 적어도 일부를 재입력 또는 변경하는 입력을 수신할 수 있다. 다른 실시예에서, 출력된 적어도 하나의 합성 음성에 응답하여, 정보 처리 시스템은 복수의 사용자 계정 중 적어도 하나로부터 복수의 합성 음성 중 적어도 하나의 합성 음성을 사용할지 여부를 수신할 수 있다. 예를 들어, 수신된 응답에 대응하는 표지(marker)가 적어도 하나의 합성 음성에 연관된 문장에 대응하는 영역에 표시될 수 있다.

문장 영역(110)에 포함된 복수의 문장의 각각을 나타내거나 특징화하는 정보가 결정되거나 입력될 수 있다. 일 실시예에 따르면, 도 1에 도시된 바와 같이, 사용자 인터페이스는 문장 영역에 포함된 복수의 문장(110)의 각각과 동일한 행에 각 문장의 파일명 순서, 화자, 화자 ID, 공백, 하나 이상의 검수 영역(120, 130)을 포함할 수 있다. 여기서, 파일명 순서는, 프로젝트 내의 수신된 복수의 문장이 배열되는 순서를 지칭할 수 있다. 또한, 화자는 복수의 각각의 문장에 대응하는 합성 음성의 발화자를 지칭할 수 있으며, 화자 ID는 화자에 해당하는 ID를 지칭할 수 있다. 여기서, 화자 및/또는 화자 ID는 배역과 연관될 수 있다. 또한, 공백은 해당 문장과 다음 문장 사이의 간격을 지칭할 수 있다.

검수 영역(120, 130)의 각각은 검수 부분 및 비고 부분을 포함할 수 있다. 검수 1 부분 및/또는 검수 2 부분에는 작업자 또는 검수자에 의해 발화 스타일 특징이 기재될 수 있다. 비고 1 부분 및 비고 2 부분의 각각에는 검수 1 부분 및 검수 2 부분의 각각을 수행하는 작업자 또는 검수자에 의해 해당 문장에 대한 특이사항 및/또는 코멘트 등이 기재될 수 있다. 일 실시예에 따르면, 검수 1 부분 및 비고 1 부분을 포함한 검수 영역(120)은 본 프로젝트를 수행하는 작업자에 의해 기재되거나 수정될 수 있고, 검수 2 부분 및 비고 2 부분을 포함한 검수 영역(130)은 본 프로젝트에서 작업자가 수행한 합성 음성을 검수하는 검수자에 의해 기재되거나 수정될 수 있다.

복수의 사용자 계정은 텍스트에 대한 합성 음성을 생성하기 위해 복수의 작업을 사용자 인터페이스(100)를 통해 수행할 수 있다. 일 실시예에 따르면, 도 1에서 도시된 바와 같이, 합성 음성 생성을 위한 제1 작업에서, 작업자에 대응하는 사용자 계정, 즉 작업자 계정은 첫번째 문장의 배역을 'hamin'으로, 공백을 '1.5'로, 발화 스타일 특징을 '100'으로 입력할 수 있고, 두번째 문장의 배역을 'hamin'으로, 공백을 '0.9'로, 발화 스타일 특징을 '102'로 입력할 수 있다. 이와 유사한 방식으로, 세번째 문장의 배역은 'hamin'으로, 공백은 0.9로, 발화 스타일 특징은 '105'로 입력될 수 있고, 네번째 문장의 배역은 'sohyun'으로, 공백은 '0.5'로, 발화 스타일 특징은 '100'으로 입력될 수 있다. 이와 달리, 복수의 작업자 계정이 복수의 각각의 문장에 대한 배역, 공백, 발화 스타일 특징을 공동으로 작업할 수 있다. 예를 들어, 복수의 문장은 복수의 사용자 계정, 즉 복수의 작업자 계정에 나누어 배정되어, 복수의 사용자 계정이 배정된 문장에 대한 합성 음성 생성 작업을 수행할 수 있다.

제1 작업에서 입력된 복수의 문장에 대한 음성 스타일 특징이 반영된 합성 음성이 생성될 수 있다. 이렇게 생성된 합성 음성은 본 합성 음성 생성 작업을 수행한 작업자 계정의 사용자 단말의 출력 장치를 통해 출력될 수 있다. 또한, 이러한 합성 음성은 본 프로젝트에 참여하고 있는 다른 사용자 계정(예를 들어, 검수자 계정)에 제공되어 출력될 수 있다.

제1 작업으로 생성된 합성 음성을 기초로, 복수의 사용자 계정 중 적어도 하나의 사용자 계정(예를 들어, 검수자 계정)은 제2 작업을 수행할 수 있다. 제2 작업에서, 검수자 계정은 첫번째 문장, 두번째 문장 및 세번째 문장에 대한 음성 스타일 특징은 컨펌하고, 네번째 문장의 발화 스타일 특징을 제1 작업에서 설정된 발화 스타일 특징과 달리 '103'으로 검수 영역(130)의 해당 영역에 입력 또는 변경할 수 있다. 도 1에서는, 제1 작업, 제2 작업으로 총 2회의 작업이 수행되는 것으로 도시하고 있으나, 이에 한정되지 않고, 3회 이상의 복수의 작업(예를 들어, 복수의 작업자 및/또는 복수의 검수자가 작업을 수행)이 수행될 수 있다. 또한, 도 1에서는, 제2 작업에서, 음성 스타일 특징 중 발화 스타일 특징이 입력 또는 수정되는 것으로 도시하고 있으나, 이에 한정되지 않고, 배역 수정, 문장 편집, 공백 편집 등 음성 스타일 특징 및/또는 복수의 문장이 입력 또는 수정되는 작업이 수행될 수 있다.

도 2는 본 개시의 일 실시예에 따른 텍스트에 대한 합성 음성 생성 작업을 수행하기 위하여, 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230)이 통신 가능하도록 연결된 구성을 나타내는 개요도이다.

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는, 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크(220), 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크(220) 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(예를 들어, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(220)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(220)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

도 2에서 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2) 및 랩탑 또는 데스크탑 컴퓨터(210_3)가 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스를 실행하거나 동작하는 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 합성 음성 생성 작업이 가능한 웹브라우저 또는 애플리케이션이 설치되어 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스가 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말(210)은, 스마트폰, 휴대폰, 내비게이션 단말기, 데스크탑 컴퓨터, 랩탑 컴퓨터, 디지털방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 컴퓨터, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.

사용자 단말(210_1, 210_2, 210_3)은 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스를 통해 복수의 문장을 수신할 수 있다. 일 실시예에 따르면, 사용자 단말(210_1, 210_2, 210_3)과 연결되거나 포함된 입력장치(예를 들면, 키보드)를 통한 텍스트 입력에 따라, 사용자 단말(210_1, 210_2, 210_3)은 복수의 문장을 수신할 수 있다. 다른 실시예에 따르면, 사용자 인터페이스를 통해 업로드된 문서 형식의 파일 내에 포함된 복수의 문장이 수신될 수 있다.

사용자 단말(210_1, 210_2, 210_3)은 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스를 통해 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있다. 일 실시예에서, 복수의 음성 스타일 특징 후보 중 적어도 하나의 음성 스타일 특징에 대한 입력이 수신될 수 있다. 여기서, 음성 스타일 특징 후보는, 복수의 문장을 분석한 결과에 기초하여 결정된 추천 음성 스타일 특징 후보를 포함할 수 있다. 예를 들어, 하나의 문장을 자연어 처리(Natural Language Processing)를 통해 분석한 결과, 문장의 배역 및/또는 감정 등의 컨텍스트가 인식되고, 이러한 컨텍스트를 기초로 추천 음성 스타일 특징 후보가 결정될 수 있다. 다른 실시예에 따르면, 사용자 단말(210_1, 210_2, 210_3)과 연결되거나 포함된 입력장치(예를 들면, 키보드)를 통한 음성 스타일 특징 입력에 따라, 사용자 단말(210_1, 210_2, 210_3)은 음성 스타일 특징을 수신할 수 있다.

이렇게 사용자 단말(210_1, 210_2, 210_3)로 수신된 복수의 문장 및/또는 복수의 문장에 대한 복수의 음성 스타일 특징은 정보 처리 시스템(230) 또는 다른 사용자 단말에 제공될 수 있다. 즉, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 네트워크(220)를 통해 복수의 문장 및/또는 복수의 음성 스타일 특징을 수신할 수 있고, 다른 사용자 단말은 정보 처리 시스템(230)또는 사용자 단말(210_1, 210_2, 210_3)로부터 네트워크(220)를 통해 복수의 문장 및/또는 복수의 음성 스타일 특징을 수신할 수 있다.

사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)으로부터 네트워크(220)를 통해 복수의 문장에 대한 복수의 합성 음성을 수신할 수 있다. 일 실시예에서, 사용자 단말(210_1, 210_2, 210_3)은 정보 처리 시스템(230)으로부터 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 수신할 수 있다. 여기서, 복수의 합성 음성은, 정보 처리 시스템(230)에서 수신한 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 생성될 수 있다. 이렇게 정보 처리 시스템(230)으로부터 수신된 합성 음성은 사용자 단말(210_1, 210_2, 210_3)의 출력 장치(예를 들면, 스피커)를 통해 출력될 수 있다.

사용자 단말(210_1, 210_2, 210_3)은 텍스트에 대한 합성 음성 생성 작업을 수행하기 위한 사용자 인터페이스를 통해 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에서, 사용자 단말은 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청을 수신할 수 있다. 다른 실시예에서, 사용자 단말은 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 변경 또는 수정하는 요청을 수신할 수 있다. 또 다른 실시예에서, 사용자 단말은 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지를 수신할 수 있다.

사용자 단말(210_1, 210_2, 210_3)은 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 정보 처리 시스템(230) 또는 다른 사용자 단말에 제공할 수 있다. 즉, 정보 처리 시스템(230)은 사용자 단말(210_1, 210_2, 210_3)로부터 네트워크(220)를 통해 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있고, 다른 사용자 단말은 정보 처리 시스템(230)또는 사용자 단말(210_1, 210_2, 210_3)로부터 네트워크(220)를 통해 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다.

도 2에서는 사용자 단말(210_1, 210_2, 210_3)의 각각과 정보 처리 시스템(230)은 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 정보 처리 시스템(230)이 사용자 단말(210_1, 210_2, 210_3)의 각각에 포함되도록 구성될 수 있다.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 유선 및/또는 무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 또는 스마트폰(210_1), 태블릿 컴퓨터(210_2), PC 컴퓨터(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에서 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 인터페이스를 통한 합성 음성 생성 공동 작업 서비스를 제공하기 위한 코드, 인공신경망 텍스트-음성 합성 모델을 위한 코드 등)가 저장될 수 있다.

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예: 인공신경망 텍스트-음성 합성 모델 프로그램 등)에 기반하여 메모리(312, 332)에 로딩될 수 있다.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템, 별도의 합성 음성 콘텐츠 공유 지원 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청(예를 들어, 합성 음성 생성 요청)은 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 키보드, 마이크로폰, 마우스, 이미지 센서를 포함한 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말(210)이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면이나 콘텐츠가 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다.

도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래 기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다.

프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드 등의 입력 장치(320)를 통해 입력되거나 선택된 텍스트, 이미지 등을 수신할 수 있으며, 수신된 텍스트 및/또는 이미지를 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 터치 스크린, 키보드 등의 입력 장치를 통해 입력되는 복수의 문장, 복수의 음성 스타일 특징, 합성 음성 생성 요청 등을 수신할 수 있다. 이에 따라 수신된 요청 및/또는 이러한 요청을 처리한 결과는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다.

프로세서(314)는 입력 장치(320) 및 입출력 인터페이스(318)를 통해 복수의 문장을 수신할 수 있다. 일 실시예에 따르면, 프로세서(314)는 입력 장치(320)(예를 들면, 키보드)를 통해 입력되는 복수의 문장을 입출력 인터페이스(318)를 통해 수신할 수 있다. 다른 실시예에 따르면, 프로세서(314)는 복수의 문장을 포함하고 있는 문서 형식의 파일을 사용자 인터페이스를 통해 업로드하는 입력을 입력 장치(320) 및 입출력 인터페이스(318)를 통해 수신할 수 있다. 여기서, 프로세서(314)는 이러한 입력에 응답하여, 메모리(312)로부터 입력에 대응하는 문서 형식의 파일을 수신할 수 있다. 또한, 프로세서(314)는 이러한 입력에 응답하여, 문서 형식의 파일에 포함된 복수의 문장을 수신할 수 있다. 이렇게 수신된 복수의 문장을 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공할 수 있다. 이와 달리, 프로세서(314)는 업로드된 파일을 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공하고, 정보 처리 시스템(230)으로부터 파일 내에 포함된 복수의 문장을 수신하도록 구성될 수 있다.

프로세서(314)는 입력 장치(320) 및 입출력 인터페이스(318)를 통해 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있다. 일 실시예에서, 프로세서(314)는 사용자 단말(210)에 출력되는 복수의 문장의 각각에 대한 복수의 음성 스타일 특징 후보 중 적어도 하나의 음성 스타일 특징을 선택하는 응답을 수신할 수 있다. 여기서, 복수의 음성 스타일 특징 후보는 자연어 처리를 통해 복수의 문장을 분석한 결과(예를 들어, 동일한 화자가 말하는 문장, 문장의 운율, 감정, context 등)에 기초하여 결정된 추천 음성 스타일 특징 후보를 포함할 수 있다. 이렇게 수신된 복수의 문장에 대한 복수의 음성 스타일 특징은 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공될 수 있다.

프로세서(314)는 입력 장치(320) 및 입출력 인터페이스(318)를 통해 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에 따르면, 프로세서(314)는 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청을 수신할 수 있다. 다른 실시예에서, 프로세서(314)는 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 변경하는 요청을 수신할 수 있다. 또 다른 실시예에서, 프로세서(314)는 복수의 합성 음성 중 적어도 하나의 합성 음성을 사용할지 여부를 수신할 수 있다. 이렇게 수신된 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답은 통신 모듈(316)을 통해 정보 처리 시스템(230)에 제공될 수 있다.

프로세서(314)는 통신 모듈(316)을 통해 정보 처리 시스템(230)로부터 복수의 문장에 대한 복수의 합성 음성을 수신할 수 있다. 여기서 복수의 문장에 대한 복수의 합성 음성에는 수신된 복수의 음성 스타일 특징이 반영될 수 있다.

프로세서(314)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(314)는 수신한 복수의 문장 및 복수의 음성 스타일 특징에 대응하는 표지를 디스플레이 출력 가능 장치 등을 통해 표시할 수 있다. 예를 들면, 프로세서(314)는 수신한 문서 형식의 파일에 포함된 문장인 '키 큰 삼촌'과 그에 대한 음성 스타일 특징에 대응하는 표지인 '100'을 사용자 단말(210)의 화면을 통해 출력할 수 있다.

프로세서(314)는 복수의 문장에 대한 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 음성 출력 가능 장치를 통해 출력할 수 있다. 예를 들면, 프로세서(314)는 정보 처리 시스템(230)으로부터 수신한 합성 음성 또는 합성 음성을 포함하는 오디오 콘텐츠를 스피커를 통해 출력할 수 있다.

정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)을 포함한 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336)을 통해 사용자 단말(210)에 제공할 수 있다. 예를 들어, 처리된 정보 및/또는 데이터는 사용자 단말(210)에 실시간으로 제공되거나 추후에 이력 형태로 제공될 수 있다.

프로세서(334)는 사용자 단말(210), 정보 처리 시스템(230) 또는 외부 시스템(미도시)의 메모리(332)로부터 복수의 문장 및/또는 복수의 음성 스타일 특징을 수신하고, 수신한 복수의 문장에 대한 합성 음성을 생성할 수 있다. 일 실시예에서, 프로세서(334)는 수신한 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 합성 음성을 생성할 수 있다. 프로세서(334)는 생성된 합성 음성을 메모리(332)에 저장할 수 있고, 통신 모듈(336)을 통해 사용자 단말(210)로 제공할 수 있다.

프로세서(334)는 사용자 단말(210)로부터 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에서, 프로세서(334)는 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(marker)를 수신할 수 있다. 다른 실시예에서, 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청 및/또는 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 변경하는 요청을 수신할 수 있다. 이 경우, 프로세서(334)는 변경된 음성 스타일 특징 및 적어도 하나의 변경된 문장을 인공신경망 텍스트-음성 합성 모델에 입력하여, 변경된 음성 스타일 특징이 반영된 적어도 하나의 변경된 문장에 대한 적어도 하나의 합성 음성을 생성할 수 있다.

프로세서(334)가 복수의 문장에 대한 복수의 음성 스타일 특징을 수신하는 사용자 단말(또는 사용자 계정)과 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 사용자 단말(또는 사용자 계정)은 상이할 수 있다. 일 실시예에 따르면, 복수의 사용자 계정 중 제1 사용자 계정(예를 들면, 작업자 계정)으로부터 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있고, 제1 사용자 계정과 상이한 제2 사용자 계정(예를 들면, 검수자 계정)으로부터, 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에 따르면, 제2 사용자 계정으로부터, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지를 수신할 수 있다. 이렇게 수신된 표지가 적어도 하나의 합성 음성을 사용하지 않는다고 나타내는 경우, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장에 대한 정보를 제1 사용자 계정에 제공할 수 있다.

프로세서(334)는 복수의 문장, 복수의 음성 스타일 특징 및/또는 복수의 합성 음성 중 적어도 하나를 분석하여 검수 대상을 결정할 수 있다. 일 실시예에서, 프로세서(334)는 복수의 음성 스타일 특징 또는 복수의 합성 음성 중 적어도 하나를 분석한 결과에 기초하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하고, 선택된 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시(visual representation)을 출력할 수 있다. 예를 들어, 프로세서(334)는 하나 이상의 음성 스타일 특징이 반영된 하나의 합성 음성을 STT(Speech-to-text) 모델 등과 같은 음성 인식기를 통해 합성 음성 및/또는 합성 음성에 반영된 음성 스타일 특징을 분석할 수 있고, 해당 음성 스타일 특징이 명확히 드러나지 않는 경우, 하나의 합성 음성에 대응하는 문장이 검수 대상으로서 결정되고 출력될 수 있다. 또 다른 예로서, 합성 음성이 해당 텍스트와 대응되지 않는 경우, 해당 텍스트를 포함하 문장이 검수 대상으로서 결정되고 출력될 수 있다.

다른 실시예에서, 복수의 음성 스타일 특징을 수신하는 사용자 계정(또는 사용자 단말)과 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신하는 사용자 계정(또는 사용자 단말)이 상이한 경우, 복수의 문장에 대한 복수의 음성 스타일 특징을 선택하는 제1 사용자 계정의 행동 패턴을 분석하여 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 결정 또는 선택할 수 있다. 이렇게 결정 또는 선택된 검수 대상인 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시를 제2 사용자 계정을 통해 출력하고, 제2 사용자 계정으로부터 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징에 대한 변경 요청을 수신할 수 있다.

도 4는 본 개시의 일 실시예에 따른 사용자 단말(210)의 프로세서(314)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이 프로세서(314)는 문장 편집 모듈(410), 음성 스타일 특징 결정 모듈(420), 합성 음성 출력 모듈(430)을 포함할 수 있다. 이러한 프로세서(314)에서 동작되는 모듈의 각각은 서로 연결되거나 통신하도록 구성될 수 있다.

문장 편집 모듈(410)은 사용자 단말(210)에서 동작하는 사용자 인터페이스 및/또는 정보 처리 시스템(230)을 통해 복수의 문장 중 적어도 일부를 편집하는 입력을 수신할 수 있고, 수신되는 입력에 응답하여 복수의 문장 중 적어도 일부를 수정할 수 있다. 예를 들면, 복수의 문장 중 적어도 일부에 대한 띄어쓰기, 공백, 문장 분리, 오타, 맞춤법 등이 수정될 수 있다. 이렇게 수정된 복수의 문장 중 적어도 일부는 정보 처리 시스템으로 제공되거나, 사용자 단말의 화면에 표시될 수 있다.

음성 스타일 특징 결정 모듈(420)은 복수의 문장에 대한 음성 스타일 특징을 결정하거나 변경할 수 있다. 일 실시예에서, 음성 스타일 특징 결정 모듈(420)은 사용자 단말(210)에서 동작하는 사용자 인터페이스 및/또는 정보 처리 시스템(230)을 통해 수신되는 복수의 문장에 대한 복수의 음성 스타일 특징에 대응하는 입력에 기초하여, 복수의 문장에 대한 복수의 음성 스타일 특징을 결정하거나 변경할 수 있다. 이렇게 결정되거나 변경된 음성 스타일 특징에 대응하는 표지가 사용자 단말의 화면에서 변경된 음성 스타일 특징에 대한 문장에 연관된 영역에 표시될 수 있다. 예를 들면, 음성 스타일 특징 결정 모듈(420)은 복수의 문장 중 적어도 하나를 선택하는 입력을 수신하고, 복수의 음성 스타일 특징 후보 중 적어도 하나를 선택하는 입력을 수신하여, 선택된 적어도 하나의 문장에 대한 음성 스타일 특징을 선택된 적어도 하나의 음성 스타일 특징 후보로 결정할 수 있다.

본 개시에서는, 음성 스타일 특징 결정 모듈(420)이 프로세서(314)에 포함되도록 도시되어 있으나, 이에 한정되지 않고, 정보 처리 시스템(230)의 프로세서(334)에 포함되도록 구성될 수 있다. 또한, 도 4에서는 음성 스타일 특징 결정 모듈(430)을 통해 결정된 하나 이상의 음성 스타일 특징은 해당 복수의 문장과 함께 정보 처리 시스템에 제공될 수 있다. 정보 처리 시스템(230)은 수신된 복수의 문장 및 복수의 문장에 대한 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 합성 음성을 생성할 수 있다. 생성된 합성 음성은 합성 음성 출력 모듈(430)을 통해 출력될 수 있다.

합성 음성 출력 모듈(430)은 복수의 문장 중 적어도 하나에 대한 선택을 나타내는 입력을 수신할 수 있고, 선택된 복수의 문장 중 적어도 하나에 대응하는 합성 음성만을 사용자 단말의 출력장치를 통해 출력할 수 있다. 예를 들면, 키보드 또는 마우스 등 사용자 단말의 입력장치를 통해 수신되는 복수의 문장 중 일부를 선택하는 입력에 따라, 해당하는 문장에 대응하는 합성 음성을 사용자 단말의 스피커를 통해 출력할 수 있다.

합성 음성 생성 작업자 및/또는 검수자는 합성 음성 출력 모듈(430)에 의해 사용자 단말의 출력장치를 통해 출력된 합성 음성을 듣고, 복수의 합성 음성 중 일부에 대한 복수의 문장 또는 복수의 음성 스타일 특징을 편집하거나 변경할 수 있다. 일 실시예에서, 문장 편집 모듈(410)은 출력된 복수의 합성 음성 중 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 변경 또는 편집하는 요청을 수신할 수 있다. 다른 실시예에서, 음성 스타일 특징 결정 모듈(420)은 출력된 합성 음성 중 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청을 수신하여 복수의 문장에 대한 복수의 음성 스타일 특징을 결정하거나 변경할 수 있다.

도 5는 본 개시의 일 실시예에 따른 정보 처리 시스템(230)의 프로세서(334)의 내부 구성을 나타내는 블록도이다. 도시된 바와 같이, 프로세서(334)는 음성 합성 모듈(510), 검수 대상 결정 모듈(520), 음성 스타일 특징 추천 모듈(530), 합성 음성 검수 모듈(540)을 포함할 수 있다. 이러한 프로세서(334)에서 동작되는 모듈의 각각은 도 4의 프로세서(314)에서 동작되는 모듈의 각각과 서로 통신하도록 구성될 수 있다.

음성 합성 모듈(510)은 인공신경망 텍스트-음성 합성 모델을 포함할 수 있다. 음성 합성 모듈(510)은 복수의 문장 및 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있고, 수신된 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 생성하도록 구성될 수 있다. 음성 합성 모듈(510)은 음성 스타일 특징 및/또는 문장을 변경하는 요청이 수신된 경우, 변경된 음성 스타일 특징 및/또는 적어도 하나의 변경된 문장을 인공신경망 텍스트-음성 합성 모델에 입력하여, 변경된 음성 스타일 특징이 반영된 적어도 하나의 변경된 문장에 대한 적어도 하나의 합성 음성을 생성할 수 있다. 생성된 합성 음성은 사용자 단말에 제공되어 사용자에게 출력될 수 있다.

검수 대상 결정 모듈(520)은 복수의 문장, 복수의 음성 스타일 특징 및/또는 합성 음성을 분석하여, 검수 대상으로 판정되는 문장, 음성 스타일 특징 및/또는 합성 음성을 출력할 수 있다. 일 실시예에 따르면, 검수 대상 결정 모듈(520)은 복수의 음성 스타일 특징 및/또는 복수의 합성 음성 중 적어도 하나를 분석한 결과에 기초하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택 또는 결정할 수 있다. 예를 들면, 합성 음성의 음질을 판별하는 네트워크에 의해서 합성 음성의 음질이 나쁘다고 판별되는 경우, 음성 인식(예: STT 모델 등을 이용한 음성 인식)을 통해 합성 음성이 문장과 다르다고 검출되는 경우 또는 근접한 문장들에 대한 합성 음성들의 감정 특징과 상이한 경우 등에 해당하는 문장을 검수 대상으로 선택 또는 결정할 수 있다.

다른 실시예에 따르면, 복수의 문장에 대한 복수의 음성 스타일 특징을 선택한 사용자 계정의 행동 패턴을 분석하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택 또는 결정할 수 있다. 예를 들면, 복수의 문장에 대한 음성 스타일 특징으로 대부분 한가지 음성 스타일 특징을 선택한 경우, 음성 스타일 특징 추천 모듈(530)에서 추천된 음성 스타일 특징과 상이한 음성 스타일 특징을 선택한 경우, 음성 스타일 특징 후보들 중 적어도 하나가 반영된 미리 듣기 음성을 들어보지 않고 너무 빨리 선택한 경우 및/또는 특정 문장에 대한 음성 스타일 특징 선택이 자주 변경된 경우 등 음성 스타일 특징을 선택한 사용자 계정(예를 들면, 작업자 계정)의 행동 패턴에 대한 데이터를 활용해서 학습된 머신러닝 시스템을 이용하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택 또는 결정할 수 있다.

음성 스타일 특징 추천 모듈(530)은 복수의 문장을 분석하고, 분석한 결과에 기초하여 복수의 문장에 대한 추천 음성 스타일 특징 후보를 결정할 수 있다. 일 실시예에 따르면, 음성 스타일 특징 추천 모듈(530)은 자연어 처리 등을 이용하여 복수의 문장 중 적어도 하나를 분석할 수 있고, 분석 결과를 기초로 추천 음성 스타일 특징 후보를 결정할 수 있다. 여기서, 추천 음성 스타일 특징 후보는 미리 결정되어 저장될 수 있다. 예를 들면, 음성 스타일 특징 추천 모듈(530)은 복수의 문장 중 '범수는 씩씩하게 대답했습니다.'의 '범수', '씩씩하게', '대답' 등을 분석 또는 검출하여, 다음 문장인 "네, 그렇습니다."의 추천 음성 스타일 특징을 '씩씩하게', '소리 크게' 또는 '우렁차게' 등으로 결정할 수 있다. 또한, 음성 스타일 특징 추천 모듈(530)은 추천 배역을 '범수' 또는 복수의 문장으로부터 분석된 '범수'의 발화 스타일 특징, 감정 특징, 운율 특징을 포함하는 화자로 결정할 수 있다. 다른 예로서, 음성 스타일 특징 추천 모듈(530)은 복수의 문장 중 "오늘 너무 피곤하고, 힘들었어."를 분석하여, 해당 문장의 추천 음성 스타일 특징을 '시무룩하게', '기운없이', 또는 '소리 작게' 등으로 결정할 수 있다. 이렇게 결정된 추천 음성 스타일 특징 후보는 음성 스타일 특징 후보에 포함될 수 있고, 사용자 인터페이스를 통해 사용자 단말의 화면에 표시될 수 있다.

합성 음성 검수 모듈(540)은 사용자 계정(예를 들면, 검수자 계정)으로부터 복수의 문장에 대응하는 합성 음성에 대한 검수 결과로서 확인(confirmation) 또는 통과 여부를 수신할 수 있다. 이러한 합성 음성에 대한 확인 여부는, 복수의 문장에 대응하는 합성 음성을 사용할 지 여부를 포함할 수 있다. 합성 음성을 합성 음성 검수 모듈(540)이 복수의 문장에 대한 합성 음성이 모두 확인된 것으로 판정하는 경우, 합성 음성을 포함하는 오디오 콘텐츠가 생성될 수 있다. 일 실시예에 따르면, 합성 음성 검수 모듈(540)은 검수 대상 결정 모듈(520)에서 출력되는 검수 대상인 복수의 문장, 복수의 음성 스타일 특징 및/또는 합성 음성에 대한 확인 여부를 사용자 단말로부터 수신할 수 있다. 합성 음성 검수 모듈(540)이 검수 대상인 복수의 문장에 대한 합성 음성을 모두 통과된 것으로 판정하는 경우, 합성 음성을 포함하는 오디오 콘텐츠를 생성하도록 할 수 있다. 생성된 오디오 콘텐츠는 사용자 단말에 제공되고, 사용자 단말의 출력장치를 통해 출력될 수 있다.

도 6은 본 개시의 일 실시예에 따른 인공신경망 기반의 텍스트-음성 합성 장치의 구성 및 복수의 화자 및/또는 음성 스타일 특징의 각각을 구분할 수 있는 임베딩 벡터(622)를 추출하는 네트워크를 나타내는 도면이다. 텍스트-음성 합성 장치는 인코더(610), 디코더(620) 및 후처리 프로세서(630)를 포함하도록 구성될 수 있다. 이러한 텍스트-음성 합성 장치는 합성 음성 생성 시스템에 포함되도록 구성될 수 있다.

일 실시예에 따르면, 인코더(610)는 도 6에 도시된 바와 같이, 하나 이상의 문장에 대한 글자 임베딩을 수신할 수 있다. 다른 실시예에 따르면, 하나 이상의 문장은 하나 이상의 언어에서 사용되는 단어, 문구 또는 문장 중 적어도 하나를 포함할 수 있다. 예를 들어, 인코더(610)는 사용자 인터페이스를 통해 하나 이상의 문장을 수신할 수 있다. 하나 이상의 문장이 수신되면, 인코더(610)는 수신된 문장을 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리할 수 있다. 또 다른 실시예에 따르면, 인코더(610)는 자모 단위, 글자 단위, 음소(phoneme) 단위로 분리된 분장을 수신할 수 있다. 그리고 나서, 인코더(610)는 하나 이상의 문장을 미리 결정된 크기의 임베딩(embedding), 예를 들어, 자모 임베딩 글자 임베딩 및/또는 음소 임베딩으로 변환하여 생성할 수 있다.

인코더(610)는 텍스트를 발음 정보로 생성하도록 구성될 수 있다. 일 실시예에서, 인코더(610)는 생성된 문자 임베딩을 완전연결층(fully-connected layer)을 포함한 프리넷(pre-net)에 통과시킬 수 있다. 또한, 인코더(610)는 프리넷(pre-net)으로부터의 출력을 CBHG 모듈에 제공하여, 도 6에 도시된 바와 같이, 인코더의 숨겨진 상태들(encoder hidden states)

을 출력할 수 있다. 예를 들어, CBHG 모듈은 1차원 컨볼루션 뱅크(1D convolution bank), 맥스 풀링(max pooling), 하이웨이 네트워크(highway network), 양방향 GRU(bidirectional gated recurrent unit)를 포함할 수 있다.

*또 다른 실시예에서, 인코더(610)가 하나 이상의 문장 또는 분리된 하나 이상의 문장을 수신한 경우, 인코더(610)는 적어도 하나의 임베딩 레이어를 생성하도록 구성될 수 있다. 일 실시예에 따르면, 인코더(610)의 적어도 하나의 임베딩 레이어는 자모 단위, 글자 단위, 음소(phoneme)단위로 분리된 하나 이상의 문장에 기초하여 글자 임베딩을 생성할 수 있다. 예를 들어, 인코더(610)는 분리된 하나 이상의 문장에 기초하여 글자 임베딩을 획득하기 위하여 이미 학습된 기계 학습 모델(예를 들어, 확률 모델 또는 인공신경망 등)을 사용할 수 있다. 나아가, 인코더(610)는 기계 학습을 수행하면서 기계 학습 모델을 갱신할 수 있다. 기계 학습 모델이 갱신되는 경우, 분리된 하나 이상의 문장에 대한 글자 임베딩도 변경될 수 있다. 인코더(610)는 글자 임베딩을 완전연결층(fully-connected layer)으로 구성된 DNN(Deep Neural Network) 모듈에 통과시킬 수 있다. DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer)를 포함할 수 있다. 인코더(610)는 DNN의 출력을 CNN(convolutional neural network) 또는 RNN(Recurrent Neural Network) 중 적어도 하나가 포함된 모듈에 제공할 수 있으며, 인코더(610)의 숨겨진 상태(hidden state)들을 생성할 수 있다. CNN은 컨볼루션 커널(convolution kernel) 사이즈에 따른 지역적 특성을 포착할 수 있는 반면에, RNN은 장기 의존성(long term dependency)을 포착할 수 있다. 이러한 인코더(610)의 숨겨진 상태들, 즉 하나 이상의 문장에 대한 발음 정보는 어텐션 모듈을 포함한 디코더(620)에 제공되고, 디코더(620)는 이러한 발음 정보를 음성으로 생성하도록 구성될 수 있다.

디코더(620)는, 인코더(610)로부터 인코더의 숨겨진 상태들

를 수신할 수 있다. 일 실시예에서, 도 6에 도시된 바와 같이, 디코더(620)는 어텐션 모듈, 완전연결층으로 구성된 프리넷과 GRU(gated recurrnt unit)를 포함하고 어텐션(attention) RNN(recurrent neural network), 레지듀얼 GRU(residual GRU)를 포함한 디코더 RNN(decoder RNN)을 포함할 수 있다. 여기서, 어텐션 RNN은 어텐션 모듈에서 사용될 정보를 출력할 수 있다. 또한, 디코더 RNN은 어텐션 모듈로부터 하나 이상의 문장의 위치 정보를 수신할 수 있다. 즉, 위치 정보는 디코더(620)가 하나 이상의 문장의 어떤 위치를 음성으로 변환하고 있는지에 관한 정보를 포함할 수 있다. 디코더 RNN은 어텐션 RNN으로부터 정보를 수신할 수 있다. 어텐션 RNN으로부터 수신한 정보는 디코더(620)가 이전 시간-단계(time-step)까지 어떤 음성을 생성했는지에 대한 정보를 포함할 수 있다. 디코더 RNN은 지금까지 생성한 음성에 이어질 다음 출력 음성을 생성할 수 있다. 예를 들어, 출력 음성은 멜 스펙트로그램 형태를 가질 수 있으며, 출력 음성은 r개의 프레임을 포함할 수 있다.

다른 실시예에서, 디코더(620)에 포함된 프리넷은 완전연결층(fully-connected layer)으로 구성된 DNN으로 대체될 수 있다. 여기서, DNN은 일반적인 피드포워드 레이어(feedforward layer) 또는 선형 레이어(linear layer) 중 적어도 하나를 포함할 수 있다.

또한, 디코더(620)는 인코더(610)와 마찬가지로 인공신경망 텍스트-음성 합성 모델을 생성 또는 갱신하기 위해서, 하나 이상의 문장, 화자 및/또는 음성 스타일 특징과 관련된 정보 및 하나 이상의 문장에 대응되는 음성 신호의 쌍으로 존재하는 데이터베이스를 이용할 수 있다. 디코더(620)는 하나 이상의 문장, 화자 및/또는 음성 스타일 특징과 관련된 정보를 각각 인공신경망의 입력으로 하고 해당 하나 이상의 문장에 대응되는 음성 신호를 정답으로 하여 학습할 수 있다. 디코더(620)는 하나 이상의 문장의 화자 및/또는 음성 스타일 특징과 관련된 정보를 갱신된 단일 인공신경망 텍스트-음성 합성 모델에 적용하여, 해당 화자 및/또는 음성 스타일 특징에 대응하는 음성을 출력할 수 있다.

또한, 디코더(620)의 출력은 후처리 프로세서(630)에 제공될 수 있다. 후처리 프로세서(630)의 CBHG는 디코더(620)의 멜 스케일 스펙트로그램을 리니어스케일 스펙트로그램(linear-scale spectrogram)으로 변환하도록 구성될 수 있다. 예를 들어, 후처리 프로세서(630)의 CBHG의 출력 신호는 매그니튜드 스펙트로그램(magnitude spectrogram)를 포함할 수 있다. 후처리 프로세서(630)의 CBHG의 출력 신호의 위상(phase)은 그리핀-림(Griffin-Lim) 알고리즘을 통해 복원되고, 역 단시간 퓨리어 변환(inverse short-time fourier transform)될 수 있다. 후처리 프로세서(630)는 시간 도메인(time domain)의 음성 신호로 출력할 수 있다.

이와 달리, 디코더(620)의 출력은 보코더(미도시)에 제공될 수 있다. 일 실시예에 따르면, 텍스트-음성 합성을 위하여 DNN, 어텐션 RNN 및 디코더 RNN의 동작은 반복적으로 수행될 수 있다. 예를 들어, 최초 시간-단계에서 획득된 r개의 프레임은 다음 시간-단계의 입력이 될 수 있다. 또한 다음 시간-단계에서 출력된 r개의 프레임은 그 다음 시간-단계의 입력이 될 수 있다. 상술한 바와 같은 과정을 통하여 텍스트의 모든 단위에 대한 음성이 생성될 수 있다.

일 실시예에 따르면, 텍스트-음성 합성 장치는 각각의 시간-단계마다 나온 멜 스펙트로그램을 시간 순으로 연결(concatenate)하여 전체 텍스트에 대한 멜 스펙트로그램의 음성을 획득할 수 있다. 보코더는 스펙트로그램의 위상(phase)을 Griffin-Lim 알고리즘을 통해 예측할 수 있다. 보코더는 역 단기 푸리에 변환(Inverse Short-Time Fourier Transform)을 이용하여 시간 도메인(time domain)의 음성 신호를 출력할 수 있다.

본 개시의 다른 실시예에 따른 보코더는 기계학습모델에 기초하여 멜 스펙트로그램으로부터 음성 신호를 생성할 수 있다. 기계학습모델은 멜 스펙트로그램과 음성 신호 사이의 상관 관계를 기계학습한 모델을 포함할 수 있다. 예를 들어 보코더는 멜 스펙트로그램 또는 선형예측계수 (LPC, Linear Prediction Coefficient), LSP (Line Spectral Pair), LSF(Line Spectral Frequency), 피치 주기 (Pitch period) 등을 입력으로 하고 음성 신호를 출력으로 하는 WaveNet, WaveRNN, WaveGlow 등의 인공신경망 모델을 이용하여 구현될 수 있다.

이러한 인공신경망 기반의 텍스트-음성 합성 장치는, 텍스트와 음성 신호의 쌍으로 존재하는 대용량의 데이터 베이스를 이용하여 학습될 수 있다. 입력으로 텍스트를 넣고 나온 출력을 해당하는 정답 음성 신호와 비교하여 손실 함수(loss function)를 정의할 수 있다. 텍스트-음성 합성 장치는 손실 함수를 오차 역전파(error back propagation) 알고리즘을 통해 학습하여, 최종적으로 임의의 텍스트를 입력했을 때 원하는 음성 출력이 나오는 단일 인공신경망 텍스트-음성 합성 모델을 얻을 수 있다.

디코더(620)는 인코더(610)로부터 인코더의 숨겨진 상태들

를 수신할 수 있다. 일 실시예에 따르면, 도 6의 디코더(620)는 특정 화자 및/또는 특정 음성 스타일 특징에 대응하는 음성 데이터(621)를 수신할 수 있다. 여기서, 음성 데이터(621)는 미리 결정된 시간 구간(짧은 시간 구간, 예를 들어 수초, 수십초 또는 수십분) 내에 화자로부터 입력된 음성을 나타내는 데이터를 포함할 수 있다. 예를 들어, 화자의 음성 데이터(621)는 음성 스펙트로그램 데이터(예를 들어, log-mel-spectrogram)를 포함할 수 있다. 디코더(620)는 화자의 음성 데이터에 기초하여 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(622)를 획득할 수 있다. 다른 실시예에 따르면, 도 6의 디코더(620)는 원-핫 화자 ID 벡터(single-hot vector) 또는 화자 별 speaker vector를 수신하고, 이를 기초로 화자 및/또는 음성 스타일 특징을 나타내는 임베딩 벡터(622)를 획득할 수 있다. 이렇게 획득된 임베딩 벡터는 미리 저장될 수 있으며, 사용자 인터페이스를 통해 특정 화자 및/또는 음성 스타일 특징이 요청되면, 미리 저장된 임베딩 벡터 중에서 요청된 정보에 대응하는 임베딩 벡터를 이용하여 합성 음성이 생성될 수 있다. 디코더(620)는 획득된 임베딩 벡터(622)를 어텐션 RNN 및 디코더 RNN에 제공될 수 있다.

도 6에 도시된 텍스트-음성 합성 장치는, 미리 저장해둔 복수의 화자 및/또는 복수의 음성 스타일 특징에 대응하는 복수의 임베딩 벡터를 제공합니다. 사용자가 사용자 인터페이스를 통해 특정 배역이나 특정 음성 스타일 특징을 선택하는 경우, 이에 대응하는 임베딩 벡터를 이용하여 합성 음성을 생성할 수 있다. 이와 달리, 텍스트-음성 합성 장치는, 새로운 화자 벡터를 생성하기 위하여 TTS(Text-to-Speech) 모델을 추가로 학습하거나 화자 임베딩 벡터를 수동으로 검색하는 것 없이 새로운 화자의 음성을 즉시 생성, 즉 적응적으로 생성할 수 있는 TTS 시스템을 제공할 수 있다. 즉, 텍스트-음성 합성 장치는 복수의 화자에 적응적으로 변경된 음성을 생성할 수 있다. 일 실시예에 따르면, 도 6에서는 하나 이상의 문장에 대한 음성 합성 시, 특정 화자의 음성 데이터(621)로부터 추출된 임베딩 벡터(622)가 디코더 RNN 및 어텐션 RNN에 입력되도록 구성될 수 있다. 특정 화자의 임베딩 벡터(622)에 포함된 발성 특징, 운율 특징, 감정 특징, 또는 음색 및 음높이 특징 중 적어도 하나의 특징이 반영된 합성 음성이 생성될 수 있다.

도 6에 도시된 네트워크는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)를 포함하고, log-Mel-spectrogram을 입력 받아서 음성 샘플 또는 음성 신호로서 고정 차원 화자 임베딩 벡터를 추출할 수 있다. 여기서, 음성 샘플 또는 음성 신호는, 하나 이상의 문장에 해당하는 음성 데이터일 필요가 없으며 임의로 선택된 음성신호가 사용될 수 있다.

이러한 네트워크에서, 스펙트로그램이 이용되는데 제약이 없기 때문에 임의의 스펙트로그램이 이 네트워크에 삽입될 수 있다. 또한, 이를 통해 네트워크의 즉각적인 적응을 통해 새로운 화자 및/또는 새로운 음성 스타일 특징을 나타내는 임베딩 벡터(622)를 생성할 수 있다. 입력 스펙트로그램은 다양한 길이를 가질 수 있지만, 예를 들어, 시간 축에 대해 길이가 1인 고정된 차원 벡터가 컨볼루션 레이어 끝단에 위치한 max-over-time 풀링 레이어에 입력될 수 있다.

도 6에서는 컨볼루션 네트워크(convolutional network) 및 맥스 오버 타임 풀링(max over time pooling)을 포함한 네트워크를 도시하고 있으나, 화자 및/또는 음성 스타일 특징을 추출하기 위하여 다양한 층을 포함한 네트워크를 구축할 수 있다. 예를 들어, 화자 및/또는 음성 스타일 특징 중 억양과 같이 시간에 따른 음성 특징 패턴의 변화를 나타내는 경우 RNN(Recurrent neural network)을 사용하여 특징을 추출하도록 네트워크를 구현할 수 있다.

도 7은 본 개시의 일 실시예에 따른 합성 음성 생성 작업을 수행하는 방법(700)을 나타내는 흐름도이다. 합성 음성 생성 작업 수행 방법(700)은 사용자 단말(예를 들어, 도 3의 사용자 단말(210) 등) 및/또는 정보 처리 시스템(예를 들어, 도 3의 정보 처리 시스템(230) 등)에 의해 수행될 수 있다. 도시된 바와 같이, 합성 음성 생성 작업 수행 방법(700)은 복수의 문장을 수신하는 단계(S710)로 개시될 수 있다. 일 실시예에 따르면, 사용자 단말에서 동작하는 사용자 인터페이스를 통해 수신되는 복수의 문장에 대한 요청을 기초로, 정보 처리 시스템은 복수의 문장을 수신할 수 있다. 예를 들면, 사용자 인터페이스를 통해 수신되는 텍스트 입력에 대한 요청 또는 복수의 문장이 포함된 문서 파일에 대한 요청을 기초로, 정보 처리 시스템의 프로세서는 사용자 단말, 외부 시스템 또는 정보 처리 시스템의 메모리로부터 복수의 문장을 수신할 수 있다.

그리고 나서, 단계(S720)에서, 프로세서는 복수의 문장에 대한 복수의 음성 스타일 특징을 수신할 수 있다. 일 실시예에 따르면, 프로세서는 복수의 문장에 대한 복수의 음성 스타일 특징 후보 중 적어도 하나에 대한 입력을 수신할 수 있다. 예를 들면, 프로세서는 사용자 인터페이스를 통해 복수의 문장 중 적어도 하나에 대응하는 영역에 입력되는 숫자를 수신하고, 수신된 숫자에 대응하는 음성 스타일 특징을 수신할 수 있다. 다른 예로서, 프로세서는 사용자 인터페이스를 통해 복수의 문장 중 적어도 하나에 대응하는 영역에 출력되는 숫자들 중 하나를 클릭하는 입력을 수신하고, 클릭한 숫자에 대응하는 음성 스타일 특징을 수신할 수 있다.

다음으로, 단계(S730)에서, 프로세서는 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 생성할 수 있다. 일 실시예에 따르면, 프로세서는 복수의 문장에 대하여, 복수의 음성 스타일 특징에 포함된 발성 특징, 운율 특징, 감정 특징, 또는 음색 및 음높이 특징 중 적어도 하나의 특징이 반영된 합성 음성을 생성할 수 있다.

다음으로, 단계(S740)에서, 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 수신할 수 있다. 일 실시예에서, 프로세서는 적어도 하나의 문장에 대응하는 적어도 하나의 음성 스타일 특징을 변경하는 요청을 수신할 수 있다. 다른 실시예에서, 프로세서는 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 통과 여부를 수신할 수 있다. 예를 들면, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(marker)를 수신할 수 있다.

일 실시예에 따르면, 단계(S710), 단계(S720) 및 단계(S740)에서 각각 정보 처리 시스템에 복수의 문장을 제공하는 사용자 계정, 복수의 문장에 대한 복수의 음성 스타일 특징을 제공하는 사용자 계정 및 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답을 제공하는 사용자 계정은 서로 모두 상이하거나, 일부 상이하거나, 또는 모두 동일할 수 있다.

도 8은 본 개시의 일부 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다. 도 1에서 도시된 사용자 인터페이스는 합성 음성을 생성하는 작업자의 사용자 인터페이스의 일 실시예이고, 도 8에서 도시된 사용자 인터페이스는 합성 음성을 생성하는 작업자의 사용자 인터페이스의 다른 실시예일 수 있다. 프로세서는 복수의 문장을 수신할 수 있고, 수신된 복수의 문장은 사용자 인터페이스를 통해 출력될 수 있다. 도 8에서 도시된 바와 같이, 프로세서가 수신한 복수의 문장(810)에 포함된 '키 큰 삼촌', '글, 김작가', '새학기가 시작된지 어느덧 한달이 지나가고 있었습니다.', '학교 담 주변에 피어있는 진달래는', '하루가 다르게 꽃망울을 터뜨렸습니다.'가 사용자 인터페이스를 통해 표 형태로 각각 하나의 행에 출력될 수 있다. 도 8에 도시된 사용자 인터페이스는 합성 음성 생성 작업자 계정(또는 제1 사용자 계정)의 단말에서 동작할 수 있다.

프로세서는 복수의 문장에 대한 복수의 음성 스타일 특징(820)을 수신할 수 있다. 여기서 음성 스타일 특징(820)은 도시된 바와 같이, 문장을 발화하는 배역(또는 화자)(820_1), 합성 음성에서 다음 문장과 사이의 공백(820_2) 및 발화 스타일 특징(820_3) 등을 포함할 수 있다. 추가적으로, 음성 스타일 특징(820)은 발화 속도에 대한 특징을 포함할 수 있다. 이렇게 수신한 복수의 문장에 대한 복수의 음성 스타일 특징은 작업자 계정 또는 검수자 계정으로 제공될 수 있고, 사용자 인터페이스를 통해 표시될 수 있다.

일 실시예에서, 프로세서는 복수의 문장 중 적어도 하나에 대한 선택을 나타내는 입력을 수신할 수 있고, 선택된 문장에 대한 음성 스타일 특징에 대한 입력을 수신할 수 있다. 또한, 사용자 인터페이스를 통해 선택된 복수의 문장에 대응되는 영역에 선택을 나타내는 표시가 함께 출력될 수 있다. 예를 들면, 도시된 바와 같이, 복수의 문장 중 선택된 세번째 문장('새학기가 시작된지 어느덧 한달이 지나가고 있었습니다.')에 대응되는 행에 굵은 테두리가 표시될 수 있다.

복수의 문장 중 적어도 하나에 대한 선택은 사용자 단말의 입력 장치를 통해 수행될 수 있다. 일 실시예에 따르면, 복수의 문장 중 적어도 하나에 대한 선택은 마우스 또는 터치 패드를 통한 클릭으로 수행될 수 있다. 예를 들면, 복수의 문장 중 적어도 하나에 대한 선택은 복수의 문장 중 적어도 하나에 대응되는 영역을 클릭함으로써 수행될 수 있다. 다른 예로서, 사용자 인터페이스에 출력되는 위, 아래 방향 아이콘(830_1, 830_2)을 클릭함으로써 수행될 수 있다. 다른 실시예에서, 복수의 문장 중 적어도 하나에 대한 선택은 사용자 단말의 키보드의 방향키를 통한 입력으로 수행될 수 있다.

예를 들면, 복수의 문장 중 적어도 하나에 대한 선택을 나타내는 표시(예를 들면, 굵은 테두리)는 사용자 단말의 키보드의 위, 아래 방향키 입력 또는 위, 아래 방향 아이콘(830_1, 830_2)의 클릭을 통한 입력을 기초로 복수의 문장이 나열된 표에서 위 아래로 이동할 수 있다. 이러한 이동에 따라 선택을 나타내는 표시가 복수의 문장 중 적어도 하나에 위치하는 경우, 프로세서는 해당 문장에 대한 선택을 나타내는 입력을 수신할 수 있다.

프로세서는 선택된 복수의 문장 중 적어도 하나에 대한 배역, 공백 및/또는 발화 스타일 특징과 대응하는 텍스트 또는 숫자에 대한 입력을 수신할 수 있고, 수신된 입력에 따라 음성 스타일 특징을 수신할 수 있다. 도시된 바와 같이, 세번째 문장에 대한 배역 칸에 '지영'으로, 공백 칸에 '0.9'로 발화 스타일 특징 칸에 '1'이 입력될 수 있고, 이에 따라, 프로세서는 세번째 문장에 대하여 배역, 공백, 발화 스타일 특징으로 각각 '지영', '0.9', '1'에 대응하는 음성 스타일 특징을 수신할 수 있다.

프로세서는 복수의 문장의 각각에 대한 복수의 음성 스타일 특징 후보(840)를 출력할 수 있고, 출력된 음성 스타일 특징 후보(840) 중 적어도 하나에 대한 선택을 나타내는 입력을 수신할 수 있다. 한편, 복수의 음성 스타일 특징 후보(840)는, 복수의 문장을 분석한 결과에 기초하여 결정된 추천 음성 스타일 특징 후보를 포함할 수 있다. 예를 들면, 음성 스타일 특징에 대한 선택은 음성 스타일 특징 후보 중 적어도 하나에 대한 마우스 또는 터치 패드를 통한 클릭으로 수행될 수 있다. 다른 예로서, 음성 스타일 특징 후보 중 적어도 하나에 대한 선택은 사용자 인터페이스에 출력되는 좌, 우 방향 아이콘(830_3, 830_4)을 클릭함으로써 수행될 수 있다. 또 다른 예로서, 음성 스타일 특징 후보 중 적어도 하나에 대한 선택은 사용자 단말의 키보드의 방향키를 통한 입력으로 수행될 수 있다.

도 8에 도시된 바와 같이, 사용자 인터페이스를 통해 선택된 문장에 대한 복수의 음성 스타일 특징 후보(840)들 각각과 대응되는 '1'부터 '9'까지의 숫자가 출력될 수 있고, 복수의 음성 스타일 특징 후보(840)들과 각각 대응되는 '1'부터 '9'까지 중에서 '활기차게'와 대응되는 '1'이 선택될 수 있다. 이에 따라, 프로세서는 '1'에 대한 선택을 나타내는 입력을 수신함으로써, 세번째 문장에 대하여 '1'에 대응하는 음성 스타일 특징인 '활기차게'를 수신할 수 있다. 이와 달리, 복수의 음성 스타일 특징 후보(840)는 발화 속도에 대한 음성 스타일 특징을 포함하고, '1' 부터 '9'까지의 숫자는 발화 속도에 대한 음성 스타일 특징과 대응될 수 있다. 예를 들면, '1'이 가장 느린 발화 속도와 대응되고, '9'가 가장 빠른 발화 속도와 대응될 수 있다.

프로세서는 복수의 문장 및 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 복수의 음성 스타일 특징이 반영된 복수의 문장에 대한 복수의 합성 음성을 생성할 수 있다. 일 실시예에서, 프로세서는 사용자 인터페이스를 통해 선택된 문장 및 해당 문장에 대한 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 음성 스타일 특징이 반영된, 선택된 문장에 대한 합성 음성을 생성하고, 사용자 단말(예를 들면, 작업자 또는 검수자의 단말)을 통해 출력할 수 있다.

일 실시예에 따르면, 사용자 인터페이스에 표시되는 합성 음성 재생과 연관된 아이콘(830_5)에 대한 클릭(또는 터치) 입력 또는 사용자 단말의 키보드를 통한 입력에 따라, 생성된 합성 음성이 사용자 단말의 출력장치를 통해 출력될 수 있다. 예를 들면, 사용자 단말의 키보드의 '스페이스 바' 입력이 수신되는 경우, 프로세서는 현재 문장에 대한 합성 음성을 출력 또는 출력 정지할 수 있다. 다른 예로서, 키보드의 '쉬프트+스페이스 바' 입력이 수신되는 경우, 프로세서는 현재 문장부터 이후의 문장들에 대한 합성 음성을 연속해서 출력할 수 있다. 또 다른 예로서, 키보드의 '쉬프트+엔터' 입력이 수신되는 경우, 프로세서는 처음 문장부터 이후의 문장들에 대한 합성 음성을 연속해서 출력할 수 있다.

도 9는 본 개시의 다른 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다. 도 9에 도시된 사용자 인터페이스는 합성 음성 생성 작업자 계정(또는 제1 사용자 계정)의 단말에서 동작할 수 있다.

프로세서는 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답으로, 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장, 음성 스타일 특징 및/또는 합성 음성을 수정 또는 변경하는 요청을 수신할 수 있다. 예를 들면, 복수의 문장 중 적어도 일부에 대한 띄어쓰기, 공백, 문장 분리, 오타, 맞춤법 등을 수정할 수 있다. 프로세서는 사용자 단말의 입력 장치를 통해 문장을 변경하는 요청을 수신할 수 있고, 이에 따라, '새학 기가 시작된지 어느덧한달이지나 가고 있었습니다.'라는 문장이 '새학기가 시작된지 어느덧 한달이 지나가고 있었습니다.'로 수정 또는 변경될 수 있다. 또한, 프로세서는 사용자 단말의 입력 장치를 통해 음성 스타일 특징을 변경하는 요청을 수신할 수 있고, 이에 따라, 세번째 문장의 배역(또는 화자)는 '범수'에서 '지영'으로 수정 또는 변경될 수 있다. 다른 예로서, 프로세서는 작업자 계정으로부터 합성 음성의 파형을 자르거나 편집하는 요청을 수신하여, 합성 음성을 수정 또는 변경할 수 있다.

프로세서가 수신하는 복수의 음성 스타일 특징은 local style 특징을 포함할 수 있다. 이러한 local style 특징은 하나 이상의 문장 중 적어도 일부에 대한 음성 스타일 특징을 포함할 수 있다. 이 경우, '일부'는 문장뿐만 아니라 문장보다 더 작은 단위로 분리된 음소, 글자, 단어, 음절 등을 포함할 수 있다.

일 실시예에 따르면, 합성 음성 생성 작업자 계정의 단말에서 동작하는 사용자 인터페이스는, 선택된 문장 중 적어도 일부에 대한 음성 스타일 특징을 변경하기 위한 인터페이스(910)를 포함할 수 있다. 예를 들면, 작업자가 세번째 문장(920)을 선택하면, 음성 스타일 특징을 나타내는 값을 변경하기 위한 인터페이스(910)가 출력될 수 있다. 인터페이스(910)에 도시된 바와 같이, 소리 크기 설정 그래프(912), 음 높낮이 설정 그래프(914)및 속도 설정 그래프(916)가 도시되어 있으나, 이에 한정되지 않으며, 음성 스타일 특징을 나타내는 임의의 정보가 표시될 수 있다. 여기서, 소리 크기 설정 그래프(912), 음 높낮이 설정 그래프(914) 및 속도 설정 그래프(916)의 각각에서, x축은 사용자가 음성 스타일을 변경할 수 있는 단위의 크기(예를 들어, 음소, 글자, 단어, 음절, 문장 등)를 나타낼 수 있고, y축은 각 단위의 스타일 값을 지칭할 수 있다.

본 실시예에서, 음성 스타일 특징은 프레임, 음소, 글자, 음절, 단어 또는 문장 중 적어도 하나의 단위에 대응되는 운율 정보를 시간 순으로 포함하는 순차적 운율 특징을 포함할 수 있다. 여기서, 운율 정보는 소리의 크기에 대한 정보, 소리의 높이에 대한 정보, 소리의 길이에 대한 정보, 소리의 휴지 기간에 대한 정보 또는 소리의 속도에 대한 정보 중 적어도 하나를 포함할 수 있다. 또한, 소리의 스타일은 소리 또는 음성이 나타내는 임의의 양식, 방식 또는 뉘앙스를 포함할 수 있으며, 예를 들어, 소리 또는 음성에 내재된 어조, 억양, 감정 등이 포함될 수 있다. 또한 순차적 운율 특징은 복수의 임베딩 벡터로 표현될 수 있는데, 복수의 임베딩 벡터의 각각은 시간 순으로 포함된 운율 정보에 대응될 수 있다. 일 실시예에 따르면, 사용자는 인터페이스(910)에 도시된 적어도 하나의 그래프 내에서 x 축의 특징 지점에서 y축 값을 수정할 수 있다. 예를 들어, 주어진 문장에서 특정 음소 또는 글자를 강조하기 위하여, 사용자는 소리 크기 설정 그래프(912)에서 해당 음소 또는 글자에 해당되는 x축 지점의 y축 값을 올리도록 수행할 수 있다. 이에 응답하여, 정보 처리 시스템은 해당 음소 또는 글자에 대응하는 변경된 y축 값을 수신하고, 변경된 y축 값을 포함한 음성 스타일 특징 및 이에 해당하는 음소 또는 글자를 포함하는 하나 이상의 문장을 인공신경망 텍스트-음성 합성 모델에 입력하여, 인공신경망 텍스트-음성 합성 모델로부터 출력된 음성 데이터를 기초로 합성 음성을 생성할 수 있다. 이렇게 생성된 합성 음성은 사용자 인터페이스를 통해 사용자에게 제공될 수 있다. 이를 위해, 정보 처리 시스템은 음성 스타일 특징에 대응하는 복수의 임베딩 벡터 중에서, 해당 x축 지점에 대응하는 하나 이상의 임베딩 벡터의 값을 변경된 y축 값을 참고하여 변경할 수 있다.

다른 실시예에 따르면, 사용자는 주어진 문장에서 적어도 일부에 대한 음성 스타일 특징을 변경하기 위하여, 사용자가 자신이 원하는 방식으로 주어진 문장을 읽은 음성을 사용자 인터페이스를 통해 정보 처리 시스템에 제공할 수 있다. 정보 처리 시스템은 수신된 음성을, 입력 음성을 순차적 운율 특징으로 추론하도록 구성된 인공신경망에 입력하여, 수신된 음성에 대응하는 순차적 운율 특징을 출력할 수 있다. 여기서, 출력된 순차적 운율 특징은 하나 이상의 임베딩 벡터로 표현될 수 있다. 이러한 하나 이상의 임베딩 벡터는 인터페이스(910)를 통해 제공되는 그래프에 반영될 수 있다.

도 9에서는 local style을 변경하기 위한 인터페이스(910)에 소리 크기 설정 그래프(912), 음 높낮이 설정 그래프(914), 속도 설정 그래프(916)가 포함될 수 있으나, 이에 한정되지 않고, 합성 음성을 위한 음성 데이터에 대응하는 멜 스케일 스펙토그램에 대한 그래프가 함께 도시될 수 있다.

도 10은 본 개시의 일부 실시예에 따른, 생성된 합성 음성을 검수하는 검수자의 사용자 인터페이스에서의 동작을 나타내는 도면이다. 도 10에 도시된 사용자 인터페이스는 합성 음성 생성 검수자 계정(또는 제2 사용자 계정)의 단말에서 동작할 수 있다.

프로세서는 수신한 복수의 문장, 복수의 음성 스타일 특징 및 생성된 복수의 문장에 대한 합성 음성을 검수자 계정으로 제공할 수 있다. 제공된 복수의 문장, 복수의 음성 스타일 특징 및 합성 음성은 검수자 계정의 사용자 단말의 출력 장치를 통해 출력될 수 있다. 예를 들면, 프로세서가 제공한 복수의 문장 및 복수의 음성 스타일 특징은 검수자의 사용자 인터페이스를 통해 사용자 단말의 화면에 표시될 수 있다. 다른 예로서, 프로세서가 제공한 합성 음성은 검수자의 사용자 단말의 스피커를 통해 출력될 수 있다. 일 실시예에 따르면, 검수자는 사용자 단말의 입력 장치를 통해 복수의 문장 중 적어도 하나를 선택할 수 있고, 선택된 문장에 대한 합성 음성은 사용자 단말의 출력 장치를 통해 출력될 수 있다.

일 실시예에 따르면, 복수의 문장 중 적어도 하나에 대한 선택은 마우스 또는 터치 패드를 통한 클릭으로 수행될 수 있다. 예를 들면, 복수의 문장 중 적어도 하나에 대한 선택은 복수의 문장 중 적어도 하나에 대응되는 영역을 클릭함으로써 수행될 수 있다. 다른 예로서, 사용자 인터페이스에 출력되는 위, 아래 방향 아이콘(1010_1, 1010_2)을 클릭함으로써 수행될 수 있다. 다른 실시예에서, 복수의 문장 중 적어도 하나에 대한 선택은 사용자 단말의 키보드의 방향키를 통한 입력으로 수행될 수 있다.

예를 들면, 복수의 문장 중 적어도 하나에 대한 선택을 나타내는 표시(예를 들면, 굵은 테두리)는 사용자 단말의 키보드의 위, 아래 방향키 입력 또는 위, 아래 방향 아이콘(1010_1, 1010_2)의 클릭을 통한 입력을 기초로 복수의 문장이 나열된 표에서 위 아래로 이동할 수 있다. 이러한 이동에 따라 선택을 나타내는 표시가 복수의 문장 중 적어도 하나에 위치하는 경우, 프로세서는 해당 문장에 대한 선택을 나타내는 입력을 수신할 수 있고, 해당 문장에 대한 합성 음성을 검수자 계정으로 제공하여 사용자 단말의 출력 장치를 통해 출력할 수 있다.

프로세서는 복수의 음성 스타일 특징 또는 복수의 합성 음성 중 적어도 하나를 분석한 결과에 기초하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하고, 선택된 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시(visual representation)(1020)를 출력할 수 있다. 예를 들면, 합성 음성의 음질을 판별하는 네트워크에 의해서 합성 음성의 음질이 나쁘다고 판정되는 경우, 음성 인식을 통해 합성 음성이 문장과 다르다고 검출되는 경우 또는 근접한 문장들에 대한 합성 음성들의 감정 특징과 상이한 경우 등에 해당하는 문장을 검수 대상으로 선택 또는 결정할 수 있다.

프로세서는 복수의 문장에 대한 복수의 음성 스타일 특징을 선택한 사용자 계정(예를 들면, 제1 사용자 계정 또는 작업자 계정)의 행동 패턴을 분석하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하고, 선택된 적어도 하나의 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시(1020)를 출력할 수 있다. 예를 들면, 복수의 문장에 대한 음성 스타일 특징으로 대부분 한가지 음성 스타일 특징을 선택한 경우, 프로세서에서 추천된 음성 스타일 특징과 상이한 음성 스타일 특징을 선택한 경우, 음성 스타일 특징 후보들 중 적어도 하나가 반영된 미리 듣기 음성을 들어보지 않고 너무 빨리 선택한 경우, 특정 문장에 대한 음성 스타일 특징 선택이 자주 변경된 경우 등 음성 스타일 특징을 선택한 사용자 계정(예를 들면, 작업자 계정)의 행동패턴에 대한 데이터를 활용해서 학습된 머신러닝 시스템을 이용하여, 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택 또는 결정할 수 있다. 이렇게 선택 또는 결정된 검수 대상인 문장에 대응하는 영역에 검수 대상을 나타내는 시각적 표시(1020)로, 다른 영역과 상이한 색 또는 음영을 출력할 수 있다.

도 10에 도시된 바와 같이, 프로세서는 복수의 음성 스타일 특징 및/또는 복수의 합성 음성 중 적어도 하나를 분석한 결과 또는 음성 스타일 특징을 선택한 사용자 계정의 행동 패턴을 분석한 결과, 검수 대상으로 판정되는 네번째, 다섯번째 문장에 대응되는 영역에 음영을 출력할 수 있다.

사용자(또는 검수자)는 사용자 단말을 통해 출력되는 복수의 문장에 대한 합성 음성을 각각 들어보고, 출력된 합성 음성을 사용할지 여부를 판단하여, 판단에 대응하는 표지(marker)(1030_1, 1030_2)를 각각의 문장에 연관된 영역에 입력할 수 있다. 한편, 사용자는 프로세서에 의해 검수 대상으로 결정 또는 판정된 문장에 대해서만 합성 음성을 들어보고, 합성 음성을 사용할지 여부를 판단하여 판단에 대응하는 표지(1030_1, 1030_2)를 연관된 영역에 입력할 수 있다. 예를 들면, 사용자는 사용자 단말의 입력 장치인 키보드의 '스페이스 바' 입력을 통해, 복수의 문장 중 적어도 하나에 대한 합성 음성의 불통과 또는 사용하지 않음을 나타내는 표지(예를 들면, 'X'표지)(1030_1)를 연관된 영역에 입력할 수 있다.

이에 따라, 프로세서는 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(1030_1, 1030_2)를 수신할 수 있다. 예를 들면, 프로세서는 제2 사용자 계정(또는 검수자 계정)의 사용자 인터페이스를 통해 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장을 표시하는 영역에 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(1030_1, 1030_2)를 수신할 수 있다.

도시된 바와 같이, 사용자는 첫번째, 두번째, 세번째 문장에 대한 합성 음성의 통과(또는 확인)를 의미하는 'O' 표지를 첫번째, 두번째, 세번째 문장의 '통과' 칸에 입력하고, 네번째 문장에 대한 합성 음성의 불통과를 의미하는 'X' 표지(1030_1)를 네번째 문장의 '통과' 칸에 입력할 수 있다. 프로세서는 입력된 'O' 표지(1030_2) 또는 'X' 표지(1030_1)를 수신할 수 있고, 수신한 표지를 다른 사용자 계정(예를 들면, 작업자 계정)에 제공할 수 있다.

사용자(또는 검수자)는 사용자 단말을 통해 출력되는 복수의 문장에 대한 합성 음성을 각각 들어보고, 출력된 합성 음성을 불통과(또는 사용하지 않음)로 판단하는 경우, 그 이유를 사용자 인터페이스의 연관된 영역(1040)에 입력할 수 있다. 도시된 바와 같이, 네번째 문장에 대한 합성 음성의 불통과 이유인 '발음이 이상함'을 사용자 인터페이스의 연관된 영역(예를 들면, '비고' 칸)(1040)에 입력할 수 있다. 프로세서는 검수자 계정의 사용자 인터페이스를 통해 입력된 불통과 이유를 복수의 합성 음성 중 적어도 하나의 합성 음성에 대한 응답으로 수신할 수 있고, 수신한 합성 음성에 대한 응답을 다른 사용자 계정(예를 들면, 작업자 계정)에 제공할 수 있다.

도 11은 본 개시의 또 다른 실시예에 따른, 합성 음성을 생성하는 작업자의 사용자 인터페이스에서의 동작을 나타내는 도면이다. 도 11에 도시된 사용자 인터페이스는 합성 음성 생성 작업자 계정(또는 제1 사용자 계정)의 단말에서 동작할 수 있다.

프로세서는 합성 음성과 연관된 적어도 하나의 문장에 대한 정보를 사용자 계정에 제공할 수 있다. 일 실시예에 따르면, 프로세서는 검수자 계정(또는 제2 사용자 계정)으로부터 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(marker)를 수신할 수 있다. 수신된 표지가 적어도 하나의 합성 음성을 사용하지 않는다고 나타내는 경우, 프로세서는 적어도 하나의 합성 음성과 연관된 적어도 하나의 문장에 대한 정보(1110)를 작업자 계정(또는 제1 사용자 계정)에 제공할 수 있다. 예를 들면, 작업자의 사용자 인터페이스를 통해, 검수자가 합성 음성을 사용하지 않는 것(또는 불통과)으로 판정한 문장에 대한 정보(1110)가 시각적 표지로 출력될 수 있다. 또한, 프로세서는 검수자 계정으로부터 수신한 불통과 이유를 작업자 계정에 제공하여, 작업자 계정의 사용자 인터페이스를 통해 출력할 수 있다.

도시된 바와 같이, 프로세서는 작업자의 사용자 인터페이스를 통해, 검수자가 불통과로 결정한 합성 음성에 대한 네번째 문장의 '통과' 칸에 사용하지 않음을 나타내는 'X' 표지(1112)를 출력할 수 있고, 네번째 문장과 연관된 영역에 다른 영역과 상이한 색 또는 음영을 출력할 수 있다.

작업자 계정은 프로세서로부터 제공받은 정보 및 합성 음성을 기초로 하여, 합성 음성을 사용하지 않는다고 나타내는 표지(예를 들면, 'X' 표지)(1112)와 연관된 문장을 변경 또는 유지하거나, 연관된 음성 스타일 특징을 변경 또는 유지할 수 있다. 도시된 바와 같이, 작업자 계정은 네번째 문장에 대한 음성 스타일 특징을 '1'에 대응하는 음성 스타일 특징에서 '6'에 대응하는 음성 스타일 특징으로 변경할 수 있다. 프로세서는 이렇게 변경된 문장 및/또는 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여, 변경된 합성 음성을 생성 또는 출력할 수 있다.

상술한 텍스트에 대한 합성 음성 생성 작업은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

210_1, 210_2, 210_3: 사용자 단말
220: 네트워크
230: 정보 처리 시스템
410: 문장 편집 모듈
420: 음성 스타일 특징 결정 모듈
430: 합성 음성 출력 모듈
510: 음성 합성 모듈
520: 검수 대상 결정 모듈
530: 음성 스타일 특징 추천 모듈
540: 합성 음성 검수 모듈

Claims (8)

1. 적어도 하나의 프로세서에 의해 수행되는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법에 있어서,
   복수의 문장을 수신하는 단계;
   상기 복수의 문장에 대하여 음성 스타일 특징을 선택하는 제1 사용자의 입력에 응답하여, 상기 복수의 문장에 대한 복수의 음성 스타일 특징을 결정하는 단계;
   상기 복수의 문장 및 상기 복수의 음성 스타일 특징을 인공신경망 텍스트-음성 합성 모델에 입력하여 상기 복수의 음성 스타일 특징이 반영된 상기 복수의 문장에 대한 복수의 합성 음성을 생성하는 단계;
   상기 생성된 복수의 합성 음성 중 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 제2 사용자의 응답을 상기 제2 사용자의 사용자 단말로부터 수신하는 단계; 및
   상기 제2 사용자의 응답에 따라, 상기 제1 사용자의 사용자 단말을 통해 상기 적어도 하나의 합성 음성에 대응하는 문장을 표시하는 영역에 상기 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지(marker)를 출력하는 단계
   를 포함하고,
   상기 제1 사용자는 상기 제2 사용자와 상이한 사용자인, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
2. 제1항에 있어서,
   상기 생성된 복수의 합성 음성 중 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 제2 사용자의 응답을 상기 제2 사용자의 사용자 단말로부터 수신하는 단계는,
   상기 복수의 음성 스타일 특징 또는 상기 복수의 합성 음성 중 적어도 하나를 분석한 결과에 기초하여, 상기 복수의 문장으로부터 검수 대상인 적어도 하나의 문장을 선택하는 단계;
   상기 제2 사용자의 사용자 단말을 통해 상기 선택된 적어도 하나의 문장에 대응하는 영역에 상기 검수 대상을 나타내는 시각적 표시(visual representation)을 출력하는 단계; 및
   상기 검수 대상인 적어도 하나의 문장에 대응하는 합성 음성을 사용할지 여부를 나타내는 상기 제2 사용자의 응답을 상기 제2 사용자의 사용자 단말로부터 수신하는 단계
   를 포함하는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
3. 제1항에 있어서,
   상기 제1 사용자의 사용자 단말 및 상기 제2 사용자의 사용자 단말 중 적어도 하나로부터 상기 적어도 하나의 합성 음성에 대응하는 문장을 변경하는 요청을 수신하는 단계; 및
   상기 인공신경망 텍스트-음성 합성 모델을 이용하여, 상기 변경된 문장에 대한 합성 음성을 다시 생성하는 단계
   를 더 포함하는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
4. 제1항에 있어서,
   상기 제1 사용자의 사용자 단말 및 상기 제2 사용자의 사용자 단말 중 적어도 하나로부터 상기 적어도 하나의 합성 음성에 대한 음성 스타일 특징을 변경하는 요청을 수신하는 단계; 및
   상기 인공신경망 텍스트-음성 합성 모델을 이용하여, 상기 변경된 음성 스타일 특징이 반영된 상기 적어도 하나의 합성 음성에 대응하는 문장에 대한 합성 음성을 다시 생성하는 단계
   를 더 포함하는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
5. 제1항에 있어서,
   상기 제2 사용자의 응답에 따라, 상기 제1 사용자의 사용자 단말을 통해 상기 적어도 하나의 합성 음성에 대응하는 문장을 표시하는 영역에 상기 적어도 하나의 합성 음성을 사용할지 여부를 나타내는 표지를 출력하는 단계는,
   상기 표지가 상기 적어도 하나의 합성 음성을 사용하지 않는다고 나타내는 경우, 상기 적어도 하나의 합성 음성에 대응하는 문장에 대한 정보를 상기 제1 사용자의 사용자 단말을 통해 제공하는 단계를 포함하는,
   텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
6. 제1항에 있어서,
   상기 복수의 문장에 대하여 음성 스타일 특징을 선택하는 제1 사용자의 입력에 응답하여, 상기 복수의 문장에 대한 복수의 음성 스타일 특징을 결정하는 단계는,
   상기 제1 사용자의 사용자 단말을 통해 상기 복수의 문장의 각각에 대한 복수의 음성 스타일 특징 후보를 출력하는 단계; 및
   상기 복수의 음성 스타일 특징 후보 중 적어도 하나의 음성 스타일 특징을 선택하는 상기 제1 사용자의 입력에 응답하여, 상기 복수의 문장에 대한 복수의 음성 스타일 특징을 결정하는 단계
   를 포함하는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
7. 제6항에 있어서,
   상기 복수의 음성 스타일 특징 후보는,
   상기 복수의 문장을 분석한 결과에 기초하여 결정된 추천 음성 스타일 특징 후보를 포함하는, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법.
   
8. 제1항 내지 제7항 중 어느 한 항에 따른, 텍스트에 대한 합성 음성 생성 작업을 수행하는 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.

Images