KR20220053456A

KR20220053456A - 전자 장치 및 이의 제어 방법

Info

Publication number: KR20220053456A
Application number: KR1020210059246A
Authority: KR
Inventors: 문성규; 김광윤; 김찬우; 신민규; 이도균; 한창우
Original assignee: 삼성전자주식회사
Priority date: 2020-10-22
Filing date: 2021-05-07
Publication date: 2022-04-29

Abstract

전자 장치 및 이의 제어 방법이 개시된다. 본 개시에 따른 전자 장치의 제어 방법은, 타겟 화자의 복수의 음성 데이터를 획득하는 단계; 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계; 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계; 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계; 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계; 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함한다.

Description

전자 장치 및 이의 제어 방법{ELECTRONIC APPARATUS AND CONTROL METHOD THEREOF}

본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 보다 상세하게는 신경망 모델을 학습하는 전자 장치 및 이의 제어 방법에 관한 것이다.

최근 인공지능 시스템이 다양한 분야에서 이용되고 있다. 특히, 인공지능 시스템은 오디오 데이터를 활용하는 분야에서도 널리 이용되고 있다.

그리고, 종래에는 타겟 화자의 음성 데이터가 포함된 오디오 데이터에서 타겟 화자의 음성 데이터만을 분리하기 위한 신경망 모델(예로, Target source separation filter 모델)을 이용하여 음성 데이터에서 타겟 화자의 음성을 분리하는 기술이 제안되었다.

다만, 종래에는 이러한 신경망 모델을 학습시키기 위해 타겟 화자의 음성을 포함하는 복수의 음성 데이터 중 하나의 음성 데이터 각각을 이용하여 독립적으로 학습을 수행하였다. 이에, 학습의 효율성을 위해 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 동시에 이용하여 신경망 모델을 학습하기 위한 필요성이 대두되고 있다.

본 개시는 상술한 필요성에 의해 안출된 것으로, 본 개시의 목적은 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 신경망 모델을 학습하는 전자 장치 및 이의 제어 방법에 관한 것이다.

상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은 타겟 화자의 복수의 음성 데이터를 획득하는 단계; 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계; 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계; 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계; 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계; 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함한다.

그리고, 상기 화자 식별 정보를 획득하는 단계는, 상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하는 단계; 및 상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 단계;를 포함할 수 있다.

그리고, 상기 복수의 화자 성분 정보를 획득하는 단계는, 상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 단계일 수 있다.

그리고, 상기 학습하는 단계는, 상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 단계일 수 있다.

그리고, 상기 학습하는 단계는, 상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습할 수 있다.

그리고, 상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함할 수 있다.

그리고, 상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함할 수 있다.

그리고, 상기 제1 타겟 음성 데이터를 획득하는 단계는, 상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득하는 단계일 수 있다.

그리고, 상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하는 단계; 상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하는 단계; 및 상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습하는 단계;를 더 포함할 수 있다.

한편, 본 개시의 일 실시 예 따른, 전자 장치는 적어도 하나의 명령어를 저장하는 메모리; 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써, 타겟 화자의 복수의 음성 데이터를 획득하고, 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하고, 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하고, 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하고, 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하고, 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하고, 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습한다.

그리고, 상기 프로세서는, 상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하고, 상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별할 수 있다.

그리고, 상기 프로세서는, 상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득할 수 있다.

그리고, 상기 프로세서는, 상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습할 수 있다.

그리고, 상기 프로세서는, 상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습할 수 있다.

그리고, 상기 프로세서는, 상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득할 수 있다.

그리고, 상기 프로세서는, 상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하고, 상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하고, 상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습할 수 있다.

상술한 실시 예들을 통해, 전자 장치는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 신경망 모델을 효율적으로 학습시킬 수 있다.

도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 개시에 따른 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 설명하기 위한 도면이다.
도 3은 본 개시에 따른 노이즈 데이터를 설명하기 위한 도면이다.
도 4는 종래의 제1 신경망 모델을 학습하는 방법을 설명하기 위한 도면이다.
도 5는 음성 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델에 관한 도면이다.
도 6은 본 개시에 따른 제1 신경망 모델을 학습하는 실시 예를 설명하기 위한 도면이다.
도 7은 본 개시에 따른 제1 신경망 모델을 학습하는 또 다른 실시 예를 설명하기 위한 도면이다.
도 8은 본 개시에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 9는 본 개시에 따른 전자 장치의 구체적인 구성을 설명하기 위한 블록도이다.

이하에서는, 첨부된 도면을 통해 본 개시를 상세히 설명한다.

도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.

도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 본 개시에 따른, 전자 장치(100)는 신경망 모델을 학습하는 서버로 구현될 수 있으나, 이에 한정되지 않고, 스마트 폰, AR 글래스, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, TV, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 스마트 워치와 같은 다양한 형태의 전자 장치로 구현될 수 있다.

메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(110)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어를 실행함으로써 전자 장치(100)의 동작을 수행할 수 있다.

메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(110)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.

본 개시에 따르면, 메모리(110)에는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델 및 오디오 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델이 저장될 수 있다.

본 개시에 따르면, 메모리(110)에는 타겟 화자의 복수의 음성 데이터 및 노이즈 데이터가 저장될 수 있다.

프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.

프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(application processor) 등과 같은 범용 프로세서, GPU(Graphics Processing Unit). VPU(Visual Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit) 와 같은 인공지능 전용 프로세서일 수 있다.

하나 또는 복수의 프로세서는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 신경망 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 신경망 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 신경망 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.

신경망 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

프로세서(120)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(120)에 연결된 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 또한, 프로세서(120)는 다른 구성요소들 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장할 수 있다.

본 개시에 따른 전자 장치(100)는 타겟 화자에 대한 복수의 음성 데이터를 바탕으로, 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델을 학습하는 학습 기능을 제공할 수 있다. 본 개시에 따른 학습 기능은 도 1에 도시된 바와 같이, 음성 데이터 획득 모듈(121), 데이터 합성 모듈(122), 음성 분리 모듈(123), 화자 식별 정보 획득 모듈(124) 및 학습 모듈(125)을 통해 구현될 수 있으며, 각각의 모듈들은 메모리(110)에 저장될 수 있다.

학습 기능이 실행되면, 복수의 모듈(121 내지 125)들이 프로세서(120)에 포함된 메모리(예로, 휘발성 메모리)에 로딩될 수 있다. 즉, 학습 기능이 실행되면, 프로세서(120)는 복수의 모듈(121 내지 125)들을 비휘발성 메모리에서 휘발성 메모리로 로딩하여 복수의 모듈(121 내지 125)의 각 기능들을 실행할 수 있다. 로딩(loading)이란, 프로세서(120)가 액세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.

본 개시에 따른 일 실시 예로, 도 1에 도시된 바와 같이 메모리(110)에 저장된 복수의 모듈(121 내지 125)을 통해 학습 기능이 구현될 수 있으나, 이에 한정되지 않고 학습 기능이 외부 서버에서 구현될 수 있다.

본 개시에 따른 복수의 모듈(121 내지 125)은 각각의 소프트웨어로 구현될 수 있으나, 이에 한정되지 않고 일부 모듈은 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또 다른 실시 예로, 복수의 모듈(121 내지 125)은 하나의 소프트웨어로 구현될 수 있다. 또한, 일부 모듈은 전자 장치(100) 내에서 구현되고, 다른 일부 모듈은 외부 서버에서 구현될 수 있다.

음성 데이터 획득 모듈(121)은 타겟 화자의 복수의 음성 데이터를 획득하기 위한 구성이다. 타겟 화자는 본 개시에 따른 제1 신경망 모델을 학습 시키기 위한 음성 데이터의 주체가 되는 화자이다. 즉, 타겟 화자의 복수의 음성 데이터를 이용하여 학습된 제1 신경망 모델은 음성 데이터를 입력 받아, 입력된 음성 데이터에서 타겟 화자의 음성을 분리할 수 있다.

타겟 화자의 복수의 음성 데이터에 대해서는 도 2를 통해 설명하도록 한다. 도 2는 본 개시에 따른 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 설명하기 위한 도면이다. 도 2를 참조하면, 타겟 화자의 복수의 음성 데이터(200)는 타겟 화자(20)의 발화에 의해 획득되는 음성 데이터를 포함할 수 있다. 일 예로, 복수의 음성 데이터(200)는 타겟 화자(20)의 제1 발화에 대응되는 제1 음성 데이터(200-1), 타겟 화자(20)의 제2 발화에 대응되는 제2 음성 데이터(200-2) 및 타겟 화자(20)의 제N 발화에 대응되는 제N 음성 데이터(200-N)를 포함할 수 있다. 여기서 복수의 음성 데이터(200) 각각은 음성 데이터의 시간에 따른 주파수의 특성을 나타내는 Spectrogram 데이터일 수 있다. 일 예로, 제1 음성 데이터(200-1)에 대응되는 제1 발화는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함할 수 있다.

이러한, 복수의 음성 데이터(200)는 다양한 방식에 의해 획득될 수 있다. 일 실시 예로, 음성 데이터 획득 모듈(121)은 외부 서버 또는 외부 장치로부터 타겟 화자의 복수의 음성 데이터를 획득할 수 있다. 즉, 음성 데이터 획득 모듈(121)은 외부 서버 또는 외부 장치에 기 저장된 타겟 화자의 복수의 음성 데이터(200)를 수신하여 메모리(110)에 저장할 수 있다. 또한, 일 실시 예로, 전자 장치(100)가 휴대 단말 장치로 구현되는 경우, 음성 데이터 획득 모듈(121)은 휴대 단말 장치의 마이크를 통해 타겟 화자의 복수의 음성 데이터를 수신하여 메모리(110)에 저장할 수 있다. 이 경우, 타겟 화자는 휴대 단말 장치의 사용자일 수 있다.

데이터 합성 모듈(122)은 데이터 합성 모듈(122)은 음성 데이터(200)와 합성하기 위한 노이즈 데이터(300)를 획득하여 복수의 음성 데이터(200)를 노이즈 데이터와 합성하기 위한 구성이다. 노이즈 데이터(300)에 대해서는 도 3을 통해 설명하도록 한다. 도 3은 본 개시에 따른 노이즈 데이터(300)를 설명하기 위한 도면이다.

도 3을 참조하면, 노이즈 데이터(300)는 타겟 화자(20)의 음성 데이터를 제외한 다양한 오디오 데이터를 포함할 수 있다. 일 실시 예로, 노이즈 데이터(300)에는 타겟 화자(20)와 상이한 제1 화자(31)의 발화에 의해 획득되는 제1 노이즈 데이터, 타겟 화자(20)와 상이한 제2 화자(32)의 발화에 의해 획득되는 제2 노이즈 데이터, 특정 음악에 재생하기 위한 오디오를 포함하는 제3 노이즈 데이터, 외부 환경에서 획득되는 환경 노이즈를 포함하는 제N 노이즈 데이터를 포함할 수 있다. 여기서 환경 노이즈는 동력 기관에 의해 발생되는 노이즈, 건물 설비 기기에 의해 발생되는 노이즈, 특정 작업에 의해 발생되는 노이즈, 인간의 집합에 의해 발생되는 노이즈 등 다양한 노이즈를 포함할 수 있다.

다만, 노이즈 데이터(300)는 상술한 바에 한정되지 않고 타겟 화자(20)의 음성 데이터와 상이한 다양한 오디오 데이터를 포함할 수 있다.

이러한, 노이즈 데이터(300)는 다양한 방식에 의해 획득될 수 있다. 일 실시 예로, 데이터 합성 모듈(122)은 외부 서버 또는 외부 장치로부터 노이즈 데이터(300)를 획득할 수 있다. 즉, 데이터 합성 모듈(122)은 외부 서버 또는 외부 장치에 기 저장된 노이즈 데이터(300)를 수신하여 메모리(110)에 저장할 수 있다. 또한, 일 실시 예로, 전자 장치(100)가 휴대 단말 장치로 구현되는 경우, 데이터 합성 모듈(122)은 휴대 단말 장치의 마이크를 통해 노이즈 데이터(300)를 수신하여 메모리(110)에 저장할 수 있다. 이 경우, 노이즈 데이터(300)는 휴대 단말 장치 주변에서 발생되는 노이즈를 포함할 수 있다.

노이즈 데이터(300)가 획득되면, 데이터 합성 모듈(122)은 음성 데이터 획득 모듈(121)에서 획득된 복수의 음성 데이터(200) 각각을 노이즈 데이터와 합성하여 오디오 데이터를 획득할 수 있다. 오디오 데이터는 제1 신경망 모델에 입력되어 제1 신경망 모델을 학습시키기 위한 데이터이다. 오디오 데이터가 획득되면, 음성 분리 모듈(123)은 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 타겟 음성 데이터를 획득할 수 있다.

음성 분리 모듈(123)은 제1 신경망 모델(1000)을 이용하여 데이터 합성 모듈(122)에서 획득한 오디오 데이터에서 타겟 화자의 음성 데이터를 분리하기 위한 구성이다. 제1 신경망 모델은 오디오 데이터를 입력 받아 오디오 데이터에서 타겟 화자의 음성 데이터를 분리하기 위한 신경망 모델로, Target source separation filter 모델로 구현될 수 있다. 제1 신경망 모델은 타겟 화자의 복수의 음성 데이터 및 노이즈 데이터 각각이 합성된 오디오 데이터를 통해 학습될 수 있으며, 종래의 학습 방법에 대해서는 도 4를 통해 후술하도록 한다.

음성 분리 모듈(123)은 제1 신경망 모델(1000)에 타겟 화자의 복수의 음성 데이터(200) 중 하나와 노이즈 데이터(300) 중 적어도 하나가 합성된 오디오 데이터를 입력하여, 타겟 음성 데이터를 획득할 수 있다.

타겟 음성 데이터는 오디오 데이터에서 타겟 화자의 오디오 성분만을 포함하는 음성 데이터이다. 제1 신경망 모델(1000)의 성능이 향상될수록 제1 신경망 모델(1000)에서 출력되는 타겟 음성 데이터는 제1 신경망 모델(1000)에 입력되는 오디오 데이터에 포함된 타겟 화자의 음성 데이터와 가까워 질 수 있다.

음성 분리 모듈(123)은 복수의 음성 데이터(200) 각각을 제1 신경망 모델(1000)에 입력하여 복수의 타겟 음성 데이터를 획득할 수 있으며, 이에 대해서는 도 4를 통해 후술하도록 한다.

화자 식별 정보 획득 모듈(124)는 제2 신경망 모델(2000)을 이용하여 복수의 음성 데이터(200)를 바탕으로 화자 식별 정보(250)를 획득하기 위한 구성이다.

제2 신경망 모델(2000)은 음성 데이터를 입력 받아, 입력된 음성 데이터에 대응되는 화자의 목소리 특성에 대한 정보인 화자 식별 정보를 출력하기 위한 구성이다. 일 예로, 제2 신경망 모델(2000)은 Speaker recognition 모델로 구현될 수 있다. 즉, 제2 신경망 모델(2000)에서 출력된 화자 식별 정보를 통해 입력된 음성 데이터가 어떠한 화자의 음성인지 식별할 수 있다. 화자 식별 정보는 복수의 화자 각각의 목소리 특성에 대한 정보를 포함하며, 일 예로, 1 x 512 vector 데이터로 구현될 수 있다.

화자 식별 정보 획득 모듈(124)는 제2 신경망 모델(2000)에 복수의 음성 데이터(200) 각각을 입력하여 획득된 복수의 화자 식별 정보를 바탕으로, 타겟 화자에 대응되는 화자 식별 정보(250)를 획득할 수 있다. 화자 식별 정보(250)를 획득하는 구체적인 방법에 대해서는 도 5를 통해 후술하도록 한다.

학습 모듈(125)은 음성 분리 모듈(123)에서 획득한 타겟 음성 데이터 및 화자 식별 정보 획득 모듈에서 획득한 타겟 화자에 대응되는 화자 식별 정보(250)를 바탕으로, 제1 신경망 모델(1000)을 학습하기 위한 구성이다.

학습 모듈(125)은 음성 분리 모듈(123)에서 획득한 타겟 음성 데이터 및 타겟 화자의 음성 데이터를 바탕으로 제1 손실 정보를 획득할 수 있다. 일 예로, 학습 모듈(125)는 제1 음성 데이터(200-1)와 노이즈 데이터(300)를 합성하여 획득한 제1 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 획득한 제1 타겟 음성 데이터를 제1 음성 데이터(200-1)와 비교하여 제1 손실 정보를 획득할 수 있다.

제1 손실 정보는 제1 신경망 모델에서 출력한 타겟 음성 데이터와 타겟 화자의 음성 데이터의 가까운 정도를 나타내는 값으로, 손실 함수(Loss Function)의 종류이다. 손실 함수(loss function)란 신경망 모델의 현재 학습 상태를 나타내는 지표를 나타낸다. 구체적으로, 손실 함수는 신경망 모델에 대한 현재 성능의 나쁨을 나타내는 지표로, 손실 함수의 값이 클수록 신경망 모델의 성능이 나쁨을 의미할 수 있으며, 신경망 모델은 손실 함수가 감소하는 방향으로 학습될 수 있다.

본 개시에 따른 제1 손실 정보는 MSE(Mean Square Error) 방식을 통해 두 개의 데이터 간의 가까운 정도가 계산될 수 있다. 다만, MSE(Mean Square Error) 방식에 한정되지 않고, 손실 함수를 획득할 수 있는 다양한 방식을 통해 제1 손실 정보가 획득될 수 있다. 즉, 제1 손실 정보는 두 개의 데이터 간의 가까운 정도를 나타내는 지표로, 제1 손실 정보가 감소되는 방향으로 제1 신경망 모델(1000)이 학습될 수 있다. 여기서,

학습 모듈(125)은 제1 손실 정보뿐만 아니라, 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 획득되는 타겟 화자 식별 정보와 화자 식별 정보(250)를 바탕으로 제2 손실 정보를 획득하고, 획득된 제2 손실 정보를 더 이용하여 제1 신경망 모델(1000)을 학습할 수 있다.

제2 손실 정보는 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 획득된 타겟 화자 식별 정보와 타겟 화자의 복수의 음성 데이터(200)를 제2 신경망 모델(2000)에 입력하여 획득된 화자 식별 정보(250)를 비교하여 획득되는 정보이다. 즉, 제2 손실 정보는 타겟 화자 식별 정보와 화자 식별 정보(250)간의 가까운 정도를 나타내는 값으로, 손실 함수(Loss Function)의 종류이다. 일 예로, 제2 손실 정보는 MSE(Mean Square Error) 방식을 통해 두 개의 데이터 간의 가까운 정도가 계산될 수 있다. 다만, MSE(Mean Square Error) 방식에 한정되지 않고, 손실 함수를 획득할 수 있는 다양한 방식을 통해 제2 손실 정보가 획득될 수 있다. 학습 모듈(125)는 제1 손실 정보 및 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.

일 예로, 학습 모듈(125)는 제1 손실 정보에 기 설정된 가중치 및 제2 손실 정보에 기 설정된 가중치를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다. 즉, 학습 모듈(125)는 가중치가 높게 설정된 손실 정보를 가중치가 낮게 설정된 손실 정보 보다 더 비중을 두어 제1 신경망 모델(1000)을 학습할 수 있다.

일 예로, 학습 모듈(125)는 제1 손실 정보의 가중치를 제2 손실 정보의 가중치보다 더 높게 설정하여, 제1 신경망 모델(1000)을 학습할 수 있다. 이 경우, 제2 손실 정보의 값 보다 제1 손실 정보의 값이 더 감소되는 방향으로 제1 신경망 모델(1000)이 학습될 수 있다.

다만, 이에 한정되지 않고, 학습 모듈(125)는 제1 손실 정보 및 제2 손실 정보 각각에 다양한 가중치를 두어 제1 신경망 모델(1000)을 학습할 수 있다.

학습 모듈(125)을 통해 제1 신경망 모델을 학습하는 구체적인 실시 예에 대해서는 도 6 및 도 7을 통해 후술하도록 한다.

도 4는 종래의 제1 신경망 모델을 학습하는 방법을 설명하기 위한 도면이다.

종래에는 하나의 손실 정보를 바탕으로 제1 신경망 모델에 대한 학습이 수행되었다. 구체적으로, 도 4를 참조하면, 제1 음성 데이터(200-1) 및 노이즈 데이터(300)가 합성된 제1 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제1 타겟 음성 데이터가 출력될 수 있다.

그리고, 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.

그리고, 제2 음성 데이터(200-2) 및 노이즈(300)데이터가 합성된 제2 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제2 타겟 음성 데이터가 출력될 수 있다.

그리고, 제2 음성 데이터(200-2)와 제2 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제2 음성 데이터(200-2)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.

그리고, 제N 음성 데이터(200-N) 및 노이즈(300)데이터가 합성된 제2 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제N 타겟 음성 데이터가 출력될 수 있다.

그리고, 제N 음성 데이터(200-N)와 제N 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제N 음성 데이터(200-N)와 제N 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.

제1 신경망 모델(1000)은 복수의 음성 데이터(200) 각각에 대해 상술한 과정을 반복하여 획득된 복수의 손실 함수를 바탕으로 학습이 수행될 수 있다.

즉, 종래에는 제1 신경망 모델(1000)을 학습시키기 위해 한번의 학습 과정에서 하나의 타겟 화자의 음성 데이터만을 이용하였다. 즉, N 개의 타겟 화자의 음성 데이터를 통해 제1 신경망 모델(1000)을 학습시키기 위해서는 N번 학습을 수행하여야 하였다.

이에, 본 개시에 따른 제2 손실 함수를 더 이용하는 경우, 한번의 학습 과정에서 타겟 화자의 복수의 음성 데이터(200)에 대한 정보가 모두 반영되어 제1 신경망 모델(1000)의 학습이 수행될 수 있다.

도 5는 음성 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델에 관한 도면이다.

제2 신경망 모델(2000)은 음성 데이터를 입력 받아, 입력된 음성 데이터에 대응되는 화자의 목소리 특성에 대한 정보인 화자 성분 정보를 출력하기 위한 구성이다. 일 예로, 제2 신경망 모델(2000)은 Speaker recognition 모델로 구현될 수 있다. 즉, 제2 신경망 모델(2000)에서 출력된 화자 성분 정보를 통해 입력된 음성 데이터가 어떠한 화자의 음성인지 식별할 수 있다. 화자 성분 정보는 복수의 화자 각각의 목소리 특성에 대한 정보를 포함하며, 일 예로, 1 x 512 vector 데이터로 구현될 수 있다.

구체적으로 도 5를 참조하면, 전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제2 신경망 모델(2000)에 입력하여 제1 음성 데이터(200-1)에 대응되는 화자 성분 정보(210-1)를 획득할 수 있다. 그리고, 전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200) 중 제2 음성 데이터(200-2)를 제2 신경망 모델(2000)에 입력하여 제2 음성 데이터(200-2)에 대응되는 화자 성분 정보(210-2)를 획득할 수 있다.

전자 장치(100)는 이러한 과정을 복수의 음성 데이터(200) 각각에 수행하여 복수의 음성 데이터(200) 각각 대응되는 화자 성분 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 복수의 음성 데이터(200) 각각 대응되는 화자 성분 정보의 평균 값을 계산하여 타겟 화자에 대응되는 화자 식별 정보(250)를 획득할 수 있다. 즉, 화자 식별 정보(250)는 타겟 화자의 복수의 음성 데이터(200)를 종합하여 획득된 타겟 화자의 목소리 특성에 대한 정보일 수 있다.

도 6은 본 개시에 따른 제1 신경망 모델을 학습하는 실시 예를 설명하기 위한 도면이다.

도 6을 참조하면, 전자 장치(100)는 제1 음성 데이터(200-1)를 노이즈 데이터(300)와 합성하여 제1 오디오 데이터를 획득할 수 있다. 일 실시 예로, 전자 장치(100)는 노이즈 데이터(300) 중 하나를 제1 음성 데이터(200-1)와 합성하여 제1 오디오 데이터를 획득할 수 있으나, 이에 한정되지 않는다. 즉, 전자 장치(100)는 노이즈 데이터(300) 중 적어도 하나를 제1 음성 데이터(200-1)와 합성하여 제1 오디오 데이터를 획득할 수 있다.

그리고, 전자 장치(100)는 제1 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 제1 타겟 음성 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 제1 손실 정보를 획득할 수 있다.

그리고, 전자 장치(100)는 제1 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 제1 타겟 화자 식별 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 타겟 화자 식별 정보를 도 5를 통해 획득한 화자 식별 정보(250)와 비교하여 제2 손실 정보를 획득할 수 있다.

화자 식별 정보(250)는 도 5에서 설명한 바와 같이, 타겟 화자의 복수의 음성 데이터(200)를 바탕으로 획득된 화자 식별 정보일 수 있으나, 이에 한정되지 않고, 화자 식별 정보(250)는 타겟 화자의 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제외한 음성 데이터를 바탕으로 획득된 화자 식별 정보일 수 있다.

제1 손실 정보 및 제2 손실 정보가 획득되면, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다. 구체적으로, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 제1 손실 정보 및 제2 손실 정보의 값이 감소되는 방향으로 제1 신경망 모델(1000)을 학습할 수 있다.

도 6에는 전자 장치(100)가 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 이용하여 제1 신경망 모델(1000)을 학습하는 과정을 도시한 것으로, 본 개시에 따른 전자 장치(100)는 도 6의 과정을 복수의 음성 데이터(200) 각각에 대해 수행하여 획득되는 제1 손실 정보 및 제3 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다.

일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제N 음성 데이터(200-N)를 노이즈 데이터(300) 중 적어도 하나와 합성하여, 제N 오디오 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 신경망 모델(1000)에 제N 오디오 데이터를 입력하여, 제N 타겟 음성 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제N 타겟 음성 데이터를 제N 음성 데이터(200-N)와 비교하여 제N 음성 데이터(200-N)에 대응되는 제1 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제2 신경망 모델(2000)에 제N 타겟 음성 데이터를 입력하여 제N 타겟 화자 식별 정보를 획득하고, 도 6의 과정을 통해 획득한 화자 식별 정보(250)와 제N 타겟 화자 식별 정보를 비교하여 제N 음성 데이터(200-N)에 대응되는 제2 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제N 음성 데이터(200-N)에 대응되는 제1 손실 정보와 제N 음성 데이터(200-N)에 대응되는 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.

도 7은 본 개시에 따른 제1 신경망 모델을 학습하는 또 다른 실시 예를 설명하기 위한 도면이다.

본 개시에 따르면, 전자 장치(100)는 도 5 및 도 6과 같이 타겟 화자의 복수의 음성 데이터(200)를 제2 신경망 모델(2000)에 입력하여 획득할 수 있는 화자 식별 정보(250)를 이용하여 제2 손실 정보를 획득하고, 획득한 제2 손실 정보를 제1 손실 정보와 함께 이용하여 제1 신경망 모델(1000)을 학습할 수 있으나, 본 개시는 이에 한정되지 않는다.

즉, 도 7을 참조하면, 전자 장치(100)는 노이즈 식별 정보(700)를 이용하여 제3 손실 정보를 획득하고, 획득한 제3 손실 정보를 더 이용하여 제1 신경망 모델(1000)을 학습할 수 있다.

노이즈 식별 정보(700)는 노이즈 데이터(300) 각각을 제2 신경망 모델(2000)에 입력하여 획득할 수 있는 정보로, 구체적으로, 전자 장치(100)는 노이즈 데이터(300) 각각을 제2 신경망 모델(2000)에 입력하여 출력되는 정보들의 평균 값을 노이즈 식별 정보(700)로 획득할 수 있다.

구체적으로, 도 7을 참조하면, 일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300) 중 적어도 하나와 합성하여, 제1 오디오 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 신경망 모델(1000)에 제1 오디오 데이터를 입력하여, 제1 타겟 음성 데이터 및 제1 타겟 노이즈 데이터를 획득할 수 있다.

타겟 노이즈 데이터란 제1 오디오 데이터에서 제1 타겟 음성 데이터에 대응되는 성분이 제거된 데이터일 수 있다. 즉, 타겟 노이즈 데이터는 제1 오디오 데이터에서 타겟 화자의 발화 음성이 제거된 데이터일 수 있다.

그리고, 전자 장치(100)는 제1 타겟 음성 데이터를 제1 음성 데이터(200-1)와 비교하여 제1 음성 데이터(200-1)에 대응되는 제1 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제2 신경망 모델(2000)에 제1 노이즈 음성 데이터를 입력하여 제1 타겟 노이즈 식별 정보를 획득할 수 있다.

그리고, 전자 장치(100)는 제1 타겟 노이즈 식별 정보와 노이즈 식별 정보(700)를 비교하여 제1 음성 데이터(200-1에 대응되는 제3 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 음성 데이터(200-1)에 대응되는 제1 손실 정보와 제1 음성 데이터(200-1)에 대응되는 제3 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.

도 6에는 전자 장치(100)가 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 이용하여 제1 신경망 모델(1000)을 학습하는 과정을 도시한 것으로, 본 개시에 따른 전자 장치(100)는 도 7의 과정을 복수의 음성 데이터(200) 각각에 대해 수행하여 획득되는 제1 손실 정보 및 제3 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다.

도 8은 본 개시에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200)를 획득할 수 있다(S810). 일 실시 예로, 전자 장치(100)는 전자 장치(100)에 부착된 마이크를 통해 타겟 화자의 복수의 음성 데이터(200)를 획득하거나, 외부 서버 또는 외부 장치로부터 타겟 화자의 복수의 음성 데이터(200)를 획득할 수 있다.

그리고, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300)와 합성하여 제1 오디오 데이터를 획득할 수 있다(S820). 일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300) 중 적어도 하나와 합성하여 제1 오디오 데이터를 획득할 수 있다. 노이즈 데이터는 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함할 수 있다.

그리고, 전자 장치(100)는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델(1000)에 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득할 수 있다(S830).

그리고, 전자 장치(100)는 제1 타겟 음성 데이터와 제1 음성 데이터를 비교하여 제1 손실 정보를 획득할 수 있다(S840).

그리고, 전자 장치(100)는 화자를 식별하기 위한 제2 신경망 모델(2000)에 복수의 음성 데이터(200)를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보(250)를 획득하고, 제2 신경망 모델(2000)에 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득할 수 있다(S850). 일 실시 예로, 전자 장치(100)는 제2 신경망 모델(2000)에 복수의 음성 데이터(200)를 각각 입력하여 복수의 화자 성분 정보를 획득하고, 복수의 화자 성분 정보의 평균 값을 화자 식별 정보(250)로 식별할 수 있다. 또한, 일 실시 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제외한 나머지 음성 데이터를 제2 신경망 모델(2000)에 입력하여 복수의 화자 성분 정보를 획득하고, 획득한 복수의 화자 성분 정보의 평균 값을 화자 식별 정보(250)로 식별할 수 있다.

그리고, 전자 장치(100)는 화자 식별 정보(250)와 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득할 수 있다(S860).

그리고, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다(S870). 일 실시 예로, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다. 일 실시 예로, 전자 장치(100)는 제1 손실 정보의 값과 제2 손실 정보의 값이 감소하는 방향으로 제1 신경망 모델(1000)을 학습할 수 있다.

도 9는 본 개시에 따른 전자 장치의 구체적인 구성을 설명하기 위한 블록도이다.

도 9에 도시된 바와 같이, 전자 장치(900)는 메모리(910), 프로세서(920), 통신 인터페이스(930), 디스플레이(940), 입력 인터페이스(950) 및 마이크(960)를 포함할 수 있다. 한편, 도 9에 도시된 전자 장치(900)의 구성은 전자 장치(900)의 유형에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다. 메모리(910) 및 프로세서(920)에 대해서는 도 1의 메모리(110) 및 프로세서(120)에서 설명하였으므로, 자세한 내용은 생략하도록 한다.

통신 인터페이스(930), 통신 인터페이스(930)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스(930)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩을 포함할 수 있다. 전자 장치(900)는 통신 인터페이스(930)를 이용하여 각종 외부 장치와 통신을 수행할 수 있다. 구체적으로 본 개시에 따르면, 통신 인터페이스(930)를 통해 전자 장치(100)는 외부 장치로부터 복수의 음성 데이터(200) 및 노이즈 데이터(300)를 수신할 수 있다. 또한, 전자 장치(100)는 통신 인터페이스(930)를 통해 외부 장치로부터 제1 신경망 모델(1000) 및 제2 신경망 모델(2000)을 수신할 수 있다.

디스플레이(940)는 프로세서(920)의 제어에 따라 다양한 정보를 표시할 수 있다. 디스플레이(940)는 전자 장치(900)에서 포 그라운드로 실행되는 화면을 표시할 수 있다.

그리고, 이와 같은, 디스플레이(940)는 LCD(Liquid Crystal Display Panel), LED(light emitting diode), OLED(Organic Light Emitting Diodes), LCoS(Liquid Crystal on Silicon), DLP(Digital Light Processing) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 또한, 디스플레이(940) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 또한, 디스플레이(940)는 폴더블 디스플레이, 롤러블 디스플레이 등 다양한 디스플레이로 구현될 수 있다. 또한, 디스플레이(940)는 터치 감지부와 결합되어 터치 스크린으로 구현될 수도 있다.

입력 인터페이스(950)는 전자 장치(100)를 제어하기 위한 사용자 명령을 입력 받기 위한 구성이다. 입력 인터페이스(950)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(900)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.

마이크(960)는 오디오 신호를 입력 받을 수 있다. 이때, 마이크(960)는 타겟 화자의 복수의 음성 데이터를 입력 받을 수 있다. 그리고, 전자 장치(100)는 입력 받은 음성 데이터를 저장하여 타겟 화자에 대응되는 복수의 음성 데이터(200)를 획득할 수 있다.

또한, 전자 장치(100)는 마이크(960)를 통해 전자 장치(900) 주변에서 발생되는 노이즈 오디오를 수신하여 노이즈 데이터를 획득할 수 있다.

마이크(960)는 전자 장치(900)의 본체에 복수 개 구비될 수 있으나, 이는 일 실시 예에 불과할 뿐, 외부에 위치하여 전자 장치(900)와 전기적으로 연결될 수 있다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하였다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 상술한 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '' 혹은 '부'를 제외하고는 적어도 하나의 로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 들로 구현될 수 있다. 상기 소프트웨어 들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법은 비일시적 판독 가능 매체(non-transitory readable medium)에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

100: 전자 장치
110: 메모리
120: 프로세서

Claims

전자 장치의 제어 방법에 있어서,
타겟 화자의 복수의 음성 데이터를 획득하는 단계;
상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계;
오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계;
상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계;
화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계;
상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및
상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함하는 제어 방법.
제1항에 있어서,
상기 화자 식별 정보를 획득하는 단계는,
상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하는 단계; 및
상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 단계;를 포함하는 제어방법.
제2항에 있어서,
상기 복수의 화자 성분 정보를 획득하는 단계는,
상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 단계인 제어 방법.
제1항에 있어서,
상기 학습하는 단계는,
상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 단계인 제어 방법.
제1항에 있어서,
상기 학습하는 단계는,
상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습하는 제어 방법.
제1항에 있어서,
상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함하는 제어 방법.
제1항에 있어서,
상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함하는 제어 방법.
제1항에 있어서,
상기 제1 타겟 음성 데이터를 획득하는 단계는,
상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득하는 단계인 제어 방법.
제8항에 있어서,
상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하는 단계;
상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하는 단계;및
상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습하는 단계;를 더 포함하는 제어 방법.
전자 장치에 있어서,
적어도 하나의 명령어를 저장하는 메모리;
상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,
상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
타겟 화자의 복수의 음성 데이터를 획득하고,
상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하고,
오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하고,
상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하고,
화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하고,
상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하고,
상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하고,
상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 전자 장치.
제11항에 있어서,
상기 프로세서는,
상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습하는 전자 장치.
제10항에 있어서,
상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함하는 전자 장치.
제10항에 있어서,
상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함하는 전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득하는 전자 장치.
제17항에 있어서,
상기 프로세서는,
상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하고,
상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하고,
상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습하는 전자 장치.