KR20220112596A - 음성 인식을 지원하는 전자 장치 및 그 동작 방법 - Google Patents
음성 인식을 지원하는 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR20220112596A KR20220112596A KR1020210016321A KR20210016321A KR20220112596A KR 20220112596 A KR20220112596 A KR 20220112596A KR 1020210016321 A KR1020210016321 A KR 1020210016321A KR 20210016321 A KR20210016321 A KR 20210016321A KR 20220112596 A KR20220112596 A KR 20220112596A
- Authority
- KR
- South Korea
- Prior art keywords
- sentence
- hold time
- electronic device
- utterance
- time
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 64
- 230000036961 partial effect Effects 0.000 claims abstract description 181
- 230000005236 sound signal Effects 0.000 claims abstract description 74
- 230000015654 memory Effects 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims description 26
- 238000013135 deep learning Methods 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 8
- 230000008451 emotion Effects 0.000 claims description 7
- 238000011017 operating method Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 58
- 238000010586 diagram Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 34
- 238000004458 analytical method Methods 0.000 description 32
- 238000001514 detection method Methods 0.000 description 28
- 238000013136 deep learning model Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000004044 response Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 206010019133 Hangover Diseases 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 241000283973 Oryctolagus cuniculus Species 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000219112 Cucumis Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
- G10L15/05—Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/223—Execution procedure of a spoken command
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
- G10L2015/227—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of the speaker; Human-factor methodology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Machine Translation (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시의 다양한 실시예는 자연어 처리가 가능한 전자 장치에서 자동 음성 인식을 지원하는 장치 및 그 동작 방법에 관한 것이다. 이를 위한, 전자 장치는 마이크로부터 입력된 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별할 수 있다. 상기 전자 장치는 발화 유형을 기반으로 보류 시간을 적응적으로 결정하고, 상기 결정한 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출할 수 있다.
Description
본 개시의 다양한 실시예는 자연어 처리가 가능한 전자 장치에서 자동 음성 인식 (automatic speech recognition, ASR)을 지원하는 장치 및 그 동작 방법에 관한 것이다.
인공 지능 기술은 사람과 비슷한 수준으로 말하거나 텍스트를 보여주는 모델을 제공할 수 있을 정도로 발전하였다. 하나의 예는 '챗봇 (chatbot)' 또는 '챗터봇(chatterbot)'이 될 수 있다. 상기 챗봇 또는 상기 챗터봇은 음성 인식 기술을 접목시켜 음성을 통한 사람과의 대화를 기반으로 지정된 작업을 수행하도록 제작된 컴퓨터 프로그램일 수 있다.
상기 인공 지능 기술은, 예를 들어, 사람의 말을 알아들을 수 있도록 하는 음성 인식 기술로써, '자연어 처리 (natural language processing) 기술'을 기반으로 할 수 있다. 상기 자연어 처리 기술은 음성 인식을 전제로 구현될 수 있다. 상기 자연어 처리 기술은 기계인 컴퓨터가 인간의 언어를 이해할 수 있도록 하는 기술일 수 있다. 상기 '자연어'는 사람이 오랜 세월 동안 사용하며 자연적으로 만들어진 언어를 의미할 수 있다. 이에 반대되는 말로, '기계어' 또는 '프로그래밍 언어'가 존재할 수 있다. 상기 '기계어' 또는 상기 '프로그래밍 언어'는 컴퓨터가 사용하는 언어를 의미할 수 있다. 예컨대, 코딩에 사용되는 컴퓨터 언어는 자연어와 유사한 부분이 많도록 발전했으나, 여전히 컴퓨터가 이해할 수 있는 방식으로 명령어를 입력하기 위한 자연어 처리가 요구될 수 있다.
통상적으로 자연어 처리는 자연어 분석, 자연어 이해 및/또는 자연어 생성 동작에 의해 수행될 수 있다. 상기 자연어 분석은 문법에 따라 자연어를 쪼개는 동작에 해당할 수 있다. 상기 자연어 이해는 컴퓨터가 자연어로 주어진 입력에 따라 지정된 액션(action)을 수행하는 동작에 해당할 수 있다. 상기 자연어 생성은 동영상이나 표의 내용을 사람이 이해할 수 있는 자연어로 변환하는 동작에 해당할 수 있다.
전자 장치는 자동 음성 인식을 지원하여 자연어 분석 기술을 채택할 수 있다. 자연어는 형태소(morphological), 구문(syntactic), 및/또는 문장과 같이 여러 문법적 단위를 가질 수 있다. 상기 자연어 분석 기술은 형태소 분석(morphological analysis), 또는 구문 분석(syntactic analysis) 중 하나로써, 문장의 의미에 기저(基底)하여 그 문장을 해석하는 시멘틱 분석(semantic analysis) 및 문장이 실제로 무슨 의미를 내포하는지 결정하는 실용 분석(pragmatic analysis)으로 크게 구분할 수 있다.
따라서, 자동 음성 인식을 지원하는 전자 장치는 자연어 분석을 위하여 사용자의 발화로 입력되는 오디오 신호로부터 음성 구간과 묵음 구간을 획득하고, 상기 획득한 결과를 근거로 발화 종결을 검출하는 것을 지원할 수 있어야 한다.
본 개시의 다양한 실시예는 전술한 과제를 해결하고, 적어도 하기에 기술된 이점을 제공하기 위해 제공될 수 있다.
본 개시의 일 측면은, 발화 종결을 결정하는 보류 시간을 부분 텍스트를 기반으로 적응적으로 조정하는 전자 장치 및 그 동작 방법을 제공하는 것이다.
본 개시의 다른 측면은, 사용자의 발화에 응답하여 상기 사용자의 의도를 파악하여 발화 종결 시점을 검출하는 전자 장치 및 그 동작 방법을 제공하는 것이다.
본 개시의 일 측면에 따르면, 전자 장치는, 사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적인 오디오 신호로 변환하여 출력하도록 구성된 마이크와, 메모리 및 상기 마이크 및 상기 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하며, 여기서, 상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가, 상기 마이크로부터 입력된 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하고, 상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하며, 상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하도록 하는 인스트럭션들을 저장하며, 여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고, 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고, 상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며, 상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트일 수 있다.
본 개시의 다른 측면에 따르면, 전자 장치에서의 동작 방법은, 사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적 신호로 변환한 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하는 동작과, 상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하는 동작 및 상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하는 동작을 포함하며, 여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고, 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고, 상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며, 상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트일 수 있다.
또한, 본 개시에 기술된 임의의 하나의 실시예(any one embodiment) 중 선택된 하나 이상의 특징들은 본 개시에 기술된 임의의 다른 실시예 중 선택된 하나 이상의 특징들과 조합될 수 있으며, 이러한 특징들의 대안적인 조합이 본 개시에 논의된 하나 이상의 기술적 문제를 적어도 부분적으로 경감시키거나, 본 개시로부터 통상의 기술자에 의해 식별될 수 있는(discernable) 기술적 문제를 적어도 부분적으로 경감시키고, 나아가 실시예의 특징들(embodiment features)의 이렇게 형성된 특정한 조합(combination) 또는 순열(permutation)이 통상의 기술자에 의해 양립 불가능한(incompatible) 것으로 이해되지만 않는다면, 그 조합은 가능하다.
본 개시에 기술된 임의의 예시 구현(any described example implementation)에 있어서 둘 이상의 물리적으로 별개의 구성요소들은 대안적으로, 그 통합이 가능하다면 단일 구성요소로 통합될 수도 있으며, 그렇게 형성된 단일한 구성요소에 의해 동일한 기능이 수행된다면, 그 통합은 가능하다. 반대로, 본 개시에 기술된 임의의 실시예(any embodiment)의 단일한 구성요소는 대안적으로, 적절한 경우, 동일한 기능을 달성하는 둘 이상의 별개의 구성요소들로 구현될 수도 있다.
본 발명의 특정 실시예들(certain embodiments)의 목적은 종래 기술과 관련된 문제점 및/또는 단점들 중 적어도 하나를, 적어도 부분적으로, 해결, 완화 또는 제거하는 것에 있다. 특정 실시예들(certain embodiments)은 후술하는 장점들 중 적어도 하나를 제공하는 것을 목적으로 한다.
도 1은 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록 구성을 도시한 도면이다.
도 2는 다양한 실시예에 따른, 전자 장치에서 음성 인식을 위한 기본 단위로 사용될 수 있는 하나의 음성 존재 구간을 도시한 도면이다.
도 3은 일 실시예에 따른, 전자 장치에서 발화 종결 시점을 검출하는 일 예를 도시한 도면이다.
도 4는 다양한 실시예에 따른, 전자 장치에서 음성 인식을 지원하는 블록 구성을 도시한 도면이다.
도 5는 일 실시예에 따른, 전자 장치에서 음성 인식을 기반으로 동작을 수행하는 제어 흐름을 도시한 도면이다.
도 6a 내지 도 6c는 다양한 실시예에 따라, 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 7a 내지 도 7c는 다양한 실시예에 따른, 전자 장치에서 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 8은 일 실시예에 따른, 전자 장치에서 발화 유형에 의한 하나의 동작 예를 도시한 도면이다.
도 9는 일 실시예에 따른, 전자 장치에서 발화 유형에 대한 다른 하나의 동작 예를 도시한 도면이다.
도 10은 일 실시예에 따른, 전자 장치에서 음성 인식을 기반으로 동작을 수행하는 구성을 도시한 도면이다.
도 11은 일 실시예에 따른, 전자 장치에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도 12는 일 실시예에 따른, 전자 장치에서 사용자의 발화 종결을 검출하기 위한 제어 흐름을 도시한 도면이다.
도 13은 일 실시예에 따른, 전자 장치에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도 14는 일 실시예에 따른, 전자 장치에서 음성 인식을 지원하기 위한 모델 학습의 플로우를 도시한 도면이다.
도 15는 일 실시예에 따른, 전자 장치에서 음성 인식을 위한 딥-러닝 모델의 데이터 형식을 도시한 도면이다.
도 16 내지 도 18은 일 실시예에 따른, 전자 장치에서 실시간 환경에 대응하기 위하여 학습 후 추론을 진행하는 예를 도시한 도면이다.
도 2는 다양한 실시예에 따른, 전자 장치에서 음성 인식을 위한 기본 단위로 사용될 수 있는 하나의 음성 존재 구간을 도시한 도면이다.
도 3은 일 실시예에 따른, 전자 장치에서 발화 종결 시점을 검출하는 일 예를 도시한 도면이다.
도 4는 다양한 실시예에 따른, 전자 장치에서 음성 인식을 지원하는 블록 구성을 도시한 도면이다.
도 5는 일 실시예에 따른, 전자 장치에서 음성 인식을 기반으로 동작을 수행하는 제어 흐름을 도시한 도면이다.
도 6a 내지 도 6c는 다양한 실시예에 따라, 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 7a 내지 도 7c는 다양한 실시예에 따른, 전자 장치에서 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 8은 일 실시예에 따른, 전자 장치에서 발화 유형에 의한 하나의 동작 예를 도시한 도면이다.
도 9는 일 실시예에 따른, 전자 장치에서 발화 유형에 대한 다른 하나의 동작 예를 도시한 도면이다.
도 10은 일 실시예에 따른, 전자 장치에서 음성 인식을 기반으로 동작을 수행하는 구성을 도시한 도면이다.
도 11은 일 실시예에 따른, 전자 장치에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도 12는 일 실시예에 따른, 전자 장치에서 사용자의 발화 종결을 검출하기 위한 제어 흐름을 도시한 도면이다.
도 13은 일 실시예에 따른, 전자 장치에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도 14는 일 실시예에 따른, 전자 장치에서 음성 인식을 지원하기 위한 모델 학습의 플로우를 도시한 도면이다.
도 15는 일 실시예에 따른, 전자 장치에서 음성 인식을 위한 딥-러닝 모델의 데이터 형식을 도시한 도면이다.
도 16 내지 도 18은 일 실시예에 따른, 전자 장치에서 실시간 환경에 대응하기 위하여 학습 후 추론을 진행하는 예를 도시한 도면이다.
이하 첨부된 도면을 참고하여 다양한 실시예들을 상세히 설명한다. 후술될 설명에서, 상세한 구성 및 구성요소와 같은 특정 세부 사항은 단지 본 개시의 실시예들에 대한 전반적인 이해를 돕기 위해 제공될 것이다. 따라서, 본 명세서에 설명된 실시예들의 다양한 변경 및 수정이 본 개시의 범위 및 사상을 벗어나지 않고 이루어질 수 있음이 당업자에게 명백해야 할 것이다. 또한, 잘 알려진 기능 및 구성에 대한 설명은 명확성과 간결성을 위해 생략될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
통상적으로 사람은 생각이나 감정을 말과 글로 표현할 때, 완결된 내용을 나타내는 최소 단위로 문장을 사용할 수 있다. 상기 문장은 정확한 의미 전달을 위하여, 하나 또는 복수의 어절들을 포함할 수 있다. 상기 문장에 포함된 어절들은 띄어 쓰기 또는 묵음에 의해 분리될 수 있다. 즉, 글에서는 띄어 쓰기를 사용하여 어절과 어절을 구분할 수 있고, 말에서는 묵음을 사용하여 어절과 어절을 구분할 수 있다. 상기 어절은 글 또는 말의 덩어리가 될 수 있다. 하나의 어절은 하나 또는 복수의 음절들을 포함할 수 있다. 일 예로, '오늘 날씨 알려줘'라는 하나의 문장은, 세개의 어절과 일곱개의 음절들을 포함할 수 있다.
일 실시예에 따르면, 사람의 발화에 따른 하나의 문장은 복수의 어절들을 포함할 수 있다. 상기 하나의 문장을 구성하는 복수의 어절들은 묵음에 의해 분리될 수 있다. 일 예로, '오늘 날씨 알려줘'라는 하나의 문장은, '오늘'이라는 어절과 '날씨'라는 어절을 분리하는 첫 번째 묵음 구간이 존재할 수 있고, '날씨'라는 어절과 '알려줘'라는 어절을 분리하는 두 번째 묵음 구간이 존재할 수 있다.
후술될 본 개시의 다양한 실시예에서는 설명의 편의를 위하여, 사람의 발화가 시작되어 종료될 때까지의 시 구간을 '발화 영역 (utterance region)'이라 지칭할 것이다. 상기 사람의 발화 시, 전자 장치가 상기 발화의 시작을 검출한 후, 상기 발화의 종료를 검출할 때까지의 시 구간을 '활성화 영역 (active region)(또는 활성화 구간)'이라 지칭할 것이다. 상기 활성화 영역은, 예를 들어, 발화 영역과 시작 시점이 동일할 수 있으나, 종료 시점이 상이할 수 있다. 상기 활성화 영역의 종료 시점은 사람의 발화가 끝난 발화 영역의 종료 시점에서 일정 시간(hangover time)(이하 “보류 시간” 또는 잔존 시간”이라 칭함)이 경과한 시점이 될 수 있다. 상기 보류 시간 또는 상기 잔존 시간은 어절 사이에 존재할 수 있는 묵음을 고려하여 설정될 수 있다. 상기 보류 시간 또는 상기 잔존 시간은 묵음에 해당하는 시 구간을 발화가 종료된 것으로 오해하는 것을 방지할 수 있다.
일 실시예에 따르면, 활성화 영역은 전자 장치가 음성 인식을 위하여 사람의 발화에 따른 자연어를 감지하는 전체 시간 구간일 수 있다. 상기 활성화 영역은 문장에서의 어절에 상응한 음성 존재 구간 (voice activity duration, VAD), 어절과 어절을 분리하는 묵음 구간 (voice silent duration, VSD) 또는 보류 시간에 해당하는 잔존 구간을 포함할 수 있다. 상기 음성 존재 구간은 활성화 영역 내에서 사람이 청취하여 그 의미를 이해할 수 있는 가청 신호가 존재하는 시 구간일 수 있다. 상기 묵음 구간은 활성화 영역 내에서 가청 신호가 존재하지 않거나 사람이 청취하더라도 그 의미를 이해할 수 없는 비가청 신호만이 존재하는 시 구간일 수 있다. 상기 잔존 구간은 어절과 어절을 분리하는 묵음과 구분되어야 하는 발화 종결을 검출하기 위한 시 구간일 수 있다.
후술될 본 개시의 다양한 실시예에서는 전자 장치가 발화 종결을 보다 정확하고 빠르게 검출할 수 있도록, 자연어로부터 순차적으로 획득되는 하나 또는 복수의 부분 텍스트들을 사용하여 보류 시간을 적응적으로 조정하기 위한 다양한 실시예들을 제안할 것이다. 바람직한 하나의 실시예로써, 전자 장치가 사용자의 발화로 인하여 실시간으로 입력되는 자연어로부터 순차적으로 획득되는 하나 또는 복수의 부분 텍스트들에 의해 발화 유형을 결정하는 구체적인 동작을 제안할 것이다. 상기 부분 텍스트는, 예를 들어, 음성 인식을 사용하여 문장을 구성하는 각 어절에 해당하는 음성으로부터 인식된 텍스트일 수 있다.
일 실시예에 따르면, 전자 장치는 하나 또는 순차적으로 제공되는 복수의 부분 텍스트들을 기반으로 사용자의 발화에 대한 유형(이하 '발화 유형'이라 칭함)을 식별하고, 상기 식별한 발화 유형에 따라 보류 시간을 적응적으로 결정할 수 있다. 예를 들어, 하나 또는 순차적으로 제공되는 복수의 부분 텍스트들에 의한 문장에 대한 발화 유형은 완전 문장 또는 불완전 문장 중 하나로 식별될 수 있다. 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 하나 또는 복수의 부분 텍스트들의 집합에 해당하는 문장일 수 있다. 상기 불완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 하나 또는 복수의 부분 텍스트들의 집합에 해당하는 문장일 수 있다. 하나 또는 순차적으로 제공되는 복수의 부분 텍스트들에 의한 문장은 완전 문장 또는 불완전 문장으로 분류하기에 애매한 문장일 수 있다. 상기 전자 장치는 애매한 문장을 완전 문장 또는 불완전 문장 어느 것으로도 분류할 수 없을 수 있다. 상기 전자 장치가 하나 또는 순차적으로 제공되는 복수의 부분 텍스트들에 의한 문장을 완전 문장 또는 불완전 문장 중 하나로 분류하기에 애매한 경우, 해당 문장에 대한 발화 유형을 '미 분류 문장'으로 식별할 수 있다. 이하 본 개시의 다양한 실시예에서는 완전 문장 또는 불완전 문장으로 분류 또는 정의하기에 애매한 문장을 '미 분류 문장'이라 지칭하도록 한다.
일 실시예에 따르면, 전자 장치는 하나 또는 순차적으로 제공되는 복수의 부분 텍스트들을 기반으로 발화 유형 및 사용자 특성 데이터를 식별하고, 상기 식별한 발화 유형 및 사용자 특성 데이터에 따라 보류 시간을 적응적으로 결정할 수 있다.
다양한 실시예들에서, 발화 유형은 자연어로부터 순차적으로 획득되는 하나 또는 복수의 부분 텍스트들이 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당할 수 있다.
상기 하나 또는 복수의 부분 텍스트들이 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이면, 전자 장치는 상기 하나 또는 복수의 부분 텍스트들에 대한 발화 유형을 완전 문장으로 결정할 수 있다. 상기 하나 또는 복수의 부분 텍스트들이 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이면, 전자 장치는 상기 하나 또는 복수의 부분 텍스트들에 대한 발화 유형을 불완전 문장으로 결정할 수 있다. 상기 하나 또는 복수의 부분 텍스트들이 자연어 이해를 기반으로 동작 수행을 지시할 명령어를 식별하기에 명확하지 않으면, 전자 장치는 상기 하나 또는 복수의 부분 텍스트들에 대한 발화 유형을 미 분류 문장으로 결정할 수 있다. 상기 전자 장치는, 예를 들어, 딥-러닝 기술을 사용하여 완전 문장 또는 불완전 문장을 학습할 수 있고, 상기 학습에 따른 데이터를 메모리에 축적하도록 할 수 있다.
일 실시예에 따르면, 전자 장치는 완전 문장에 대하여 보류 시간을 감소시키고, 불완전 문장에 대하여 보류 시간을 증가시키며, 미 분류 문장에 대하여 보류 시간을 기준 보류 시간으로 유지하도록 할 수 있다. 상기 기준 보류 시간은 음성 인식을 위하여 디폴트로 설정되어 있는 보류 시간일 수 있다. 이 경우, 전자 장치에서는 음성 인식에 응답한 동작을 보다 빠르고 정확하게 수행할 수 있다.
다양한 실시예들에서, 사용자 특성 데이터는 사용자의 발화에 영향을 미칠 수 있는 정보로써, 발화 속도, 발화 간 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 또는 감정 중 적어도 하나에 대한 정도를 지시하는 값일 수 있다. 전자 장치는, 예를 들어, 사용자의 발화 속도가 늦거나 묵음 시간이 평균에 비해 길면, 발화 특성을 고려하여 적응적으로 결정한 보류 시간을 조금 더 길게 조정할 수 있다. 전자 장치는, 예를 들어, 딥-러닝 기술을 사용하여 사용자 특정 데이터를 메모리에 축적하도록 할 수 있다.
일 실시예에 따르면, 전자 장치는 순환 신경망(recurrent neural network, RNN) 기반의 딥-러닝 모델을 이용하여 음성 분석에 의해 순차적으로 제공되는 하나 또는 복수의 부분 텍스트들을 분석하여 발화 유형을 식별하는 방안을 마련할 수 있다. 상기 RNN 기반 딥-러닝 모델은 이전 타임 스텝에서의 어떠한 정보(hidden state)를 다음 타임 스텝으로 계속 전달하여 연산하는 방식을 지원할 수 있다. 상기 발화 유형을 식별하기 위한 딥-러닝 시, 양방향 게이트 순환 유닛(bidirectional gated recurrent unit, GRU) 연산을 수행함에 있어서, 선행하여 연산이 이루어진 하나 또는 복수의 부분 텍스트들에 대한 연산을 생략할 수 있다. 즉, 음성 인식 기능에 의해 부분 텍스트를 생성하는 시점에서, 전자 장치는 새로운 부분 텍스트에 대한 GRU 연산을 위해, 선행하는 부분 텍스트에 대하여 계산된 값을 사용할 수 있다. 이 경우, 전자 장치는 연산 량을 줄일 수 있어, 음성 인식에 대한 결과를 보다 신속하게 획득할 수 있을 것이다.
일 실시예에 따르면, 전자 장치는 GRU 구조를 사용하여 사용자의 발화로 입력된 오디오 신호(또는 음성 신호)인 자연어로부터 실시간으로 획득되는 부분 텍스트 또는 선행하여 획득된 하나 또는 복수의 부분 텍스트들과 상기 실시간으로 획득되는 부분 텍스트의 조합이 완전 문장인지 또는 불완전 문장인지를 판단할 수 있다.
다양한 실시예들에 따르면, 전자 장치는 음성 인식 시의 상황 별로 발화 종결을 검출하기 위해 적용될 보류 시간을 적응적으로 조정함으로써, 상기 음성 인식 시의 상황에 적합한 음성 비서와 같은 서비스를 제공할 수 있게 된다.
도 2는 다양한 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 위한 기본 단위로 사용될 수 있는 하나의 음성 존재 구간(VAD)(210)을 도시한 도면이다.
도 2를 참조하면, 전자 장치가 음성 신호를 추출할 음성 존재 구간(210)은 어절이 시작하는 시점(212)과 어절이 끝나는 시점(214)에 의해 정의될 수 있다.
일 실시예에 따르면, 어절이 시작하는 시점(212)은 문장에 포함된 첫 번째 어절이 시작하는 시점 또는 두 번째 어절 및/또는 그 이후의 어절이 시작하는 시점 모두가 될 수 있다. 상기 문장에 포함된 첫 번째 어절이 시작하는 시점은 음성 검출 시작점 (voice detection start point, VDSP) 또는 발화 개시 시점이 될 수 있다. 상기 문장에 포함된 두 번째 어절과 그 이후의 어절이 시작하는 시점은 음성 속행 시점 (voice continuation time point, VCP)(212)이 될 수 있다.
일 실시예에 따르면, 어절이 끝나는 시점(214)은 문장에 포함된 하나 또는 복수의 어절들 각각이 끝나는 시점이 될 수 있다. 상기 문장에 포함된 각각의 어절이 끝나는 시점은 음성 중단 시점 (voice break time point, VBP)(214)이 될 수 있다.
상술한 도 2에 대한 설명에서는, 음성 존재 구간(210)이 하나의 어절에 해당하는 것을 가정하였다. 하지만, 음성 존재 구간(210)은 하나의 음절에 해당하는 가청 신호가 존재하는 시 구간이 될 수도 있다.
일 실시예에 따르면, 전자 장치는 음성 인식 기술을 사용하여 사람의 발화로 인한 자연어인 음성 신호 (또는 가청 신호, 오디오 신호)를 기계가 인식할 수 있는 기계어로 변환할 수 있다. 상기 기계어는, 예를 들어, 텍스트 형식을 가질 수 있다. 상기 전자 장치는 음성 존재 구간(210)에서 사람의 발화로 인한 음성 신호를 획득하고, 상기 획득한 음성 신호를 분석하여 텍스트 형식의 발화 문장을 얻을 수 있다.
일 실시예에 따르면, 전자 장치가 음성 신호를 추출할 음성 존재 구간(210)은 발화 개시 시점에 해당하는 음성 검출 시작 시점 또는 음성 속행 시점(212)에서부터 음성 중단 시점(214)까지의 시간 구간으로 정의될 수 있다. 상기 음성 존재 구간(210)에는 사람에 의해 청취가 가능한 가청 주파수 대역의 신호가 존재할 수 있다. 상기 음성 존재 구간(210)에는, 예를 들어, 하나의 어절에 해당하는 끊어짐이 없이 연속하는 오디오 신호가 존재하는 구간일 수 있다. 상기 하나의 어절은 하나 음절 또는 복수의 음절들로 이루어질 수 있다. 이하 설명에서는 하나의 음성 존재 구간(210)에서 생성된 텍스트를 부분 텍스트의 하나의 예로 사용할 것이다. 상기 부분 텍스트는, 예를 들어, 하나의 어절에 해당하는 오디오 신호를 분석하여 획득한 텍스트일 수 있다. 하지만, 본 개시에서 제안될 다양한 실시예들에 따른, 부분 텍스트는 하나의 음성 존재 구간(210) 외에 복수의 음성 존재 구간들 또는 다르게 정의된 시간 구간에서 추출한 음성 신호로부터 생성된 텍스트로 정의될 수도 있다.
도 3은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 발화 종결 시점을 검출하는 일 예를 도시한 도면이다.
도 3을 참조하면, 입력 신호(Input)(310)는 사람의 발화로 인하여 입력된 신호일 수 있다. 상기 입력 신호(310)는, 예를 들어, 사람의 발화로 인한 가청 신호가 마이크를 통해 전기적 신호로 변환된 오디오 신호일 수 있다. 출력 신호(Output)(360)는 자연어 분석 기술을 기반으로 입력 신호(310)로부터 획득한 정보일 수 있다. 상기 출력 신호(360)는, 예를 들어, 발화(發話) 개시(開始) 시점 (voice activity start time point)(320) 및/또는 발화 종결(終結) 시점 (voice activity end time point)(350)에 관한 정보를 포함할 수 있다. 상기 발화 개시 시점(320)은 사람의 발화가 시작됨으로 인하여 음성 인식을 위한 오디오 신호의 입력이 시작됨을 감지한 시점이 될 수 있다. 상기 발화 종결 시점(350)은 사람의 발화가 중단된 후 음성 인식을 위한 오디오 신호의 입력이 일정 시간(예: 보류 시간) 동안 존재하지 않음을 감지한 시점이 될 수 있다.
일 실시예에 따르면, 활성화 구간(370)은 발화 개시 시점(320)에서부터 발화 종결 시점(360)까지의 시 구간으로 정의될 수 있다. 상기 활성화 구간(370)은 전자 장치(101)에서 사람에 의한 발화가 이루어지고 있는 상태인 것으로 간주될 수 있는 시 구간일 수 있다. 상기 전자 장치(101)는 상기 활성화 구간(370)에서 음성 신호가 존재하는 음성 구간과 음성 신호가 존재하지 않는 묵음 구간을 구분하는 검출 기능을 제공할 수 있다. 상기 검출 기능은, 예를 들어, 음성 활성화 여부를 검출하는 VAD (voice activity detection) 기능이 될 수 있다. 상기 VAD 기능은 사람의 발화로 인하여 입력된 오디오 신호(310)로부터 발화 개시 시점(320), 복수의 음성 중단(中斷) 시점들(331, 333, 330), 복수의 음성 속행(續行) 시점들(321, 323) 또는 발화 종결 시점(350)을 검출할 수 있다. 상기 발화 종결 시점(350)은 음성 중단 시점(330)이 검출된 후, 보류 시간(340)이 경과하는 것에 의해 검출될 수 있다.
일 실시예에 따르면, 전자 장치(101)에서 제공될 수 있는 음성 인식 서비스는 발화의 끝 (종결점)을 확정하는 것이 성능에 중요한 요소 중 하나가 될 수 있다. 따라서 음성 인식 서비스는 음성 기반 기술 중 하나인 종결점 검출 (EPD: end point detection) 방식을 사용할 수 있다. 상기 EPD 방식에 따르면, 전자 장치(101)는 음성 감지 기능인 VAD (voice activity detection) 기술을 사용하여 음성이 존재하는지(voice active region) 또는 존재하지 않는지(noise only or silence region)를 모니터링 하고, 일정 시간 동안 음성이 존재하지 않을 때에 발화가 종결된 것으로 판단할 수 있다. 상기 전자 장치(101)는 발화가 종결된 발화 종결 시점(350)을 검출하면, ASR (automatic speech recognition)에서 발화가 시작되어 종결될 때까지 인식된 전체 텍스트를 기반으로 최종 음성 결과를 처리할 수 있다.
일 실시예에 따르면, 발화 종결 시점(350)을 검출하기 위해 고려될 수 있는 보류 시간(340)은 발화 유형을 고려하여 결정할 수 있다. 상기 발화 유형은 음성 인식을 통해 실시간으로 획득하여 순차적으로 출력되는 하나 또는 복수의 부분 텍스트들에 의해 식별될 수 있다. 상기 부분 텍스트는 발화 개시 시점(320) 또는 음성 속행 시점(321, 323)에서부터 음성 중단 시점(331, 333, 330)까지 입력된 오디오 신호로부터 음성 신호를 추출하고, 상기 추출한 음성 신호에 대한 음성 인식을 통해 실시간으로 획득한 텍스트일 수 있다.
일 실시예에 따르면, 사람이 '오늘 날씨 알려줘'라는 3개의 어절과 7개의 음절로 이루어진 하나의 완성된 문장을 발화하였다면, 전자 장치(101)는 상기 사람에 의해 입력된 하나의 완성된 문장에 해당하는 가청 신호를 도시된 바와 같이 소정의 진폭과 주기를 갖는 전기적인 신호인 오디오 신호로 변환할 수 있다. 상기 오디오 신호는 하나의 발화 개시 시점(320), 복수의 음성 중단 시점들(331, 333, 330), 복수의 음성 속행 시점들(321, 323) 및/또는 발화 종결 시점(350)을 포함할 수 있다. 상기 복수의 음성 중단 시점들(331, 333, 330)은 3개의 어절이 끝나는 시점들이 될 수 있고, 상기 복수의 음성 속행 시점들(321, 323)은 음성 중단 시점들(331, 333, 330)이 검출된 후 새로운 어절이 시작되는 시점이 될 수 있다. 이 경우, 전자 장치(101)는 '오늘'이라는 어절과 '날씨'라는 어절 사이의 묵음 구간 또는 '날씨'라는 어절과 '알려줘'라는 어절 사이의 묵음 구간이 발화 종결로 판단하기에 보류 시간(340)보다 짧음으로, 발화 종결로 판단하지 않을 수 있다. 상기 전자 장치(101)는 '알려줘'라는 어절 이후에 묵음 구간이 보류 시간(340)을 경과한 시점에서 발화 종결되었음을 검출할 수 있다.
도 4는 다양한 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 지원하는 블록 구성을 도시한 도면(400)이다.
도 4를 참조하면, 전자 장치는 프로세서(410), 통신부(420), 메모리(430) 및/또는 인터페이스(440)를 포함할 수 있다. 상기 인터페이스(440)에는 마이크(MIC)(450), 스피커(SPK)(460), 카메라(CAM)(470) 또는 디스플레이(DPY)(480) 중 적어도 하나가 연결될 수 있다. 상기 메모리(430)는 운영체제(operating system, OS) 프로그램(431), 응용 프로그램(433), 또는 인스트럭션(435)을 포함할 수 있다. 상기 전자 장치는 도 4에 도시된 구성요소 외에 추가적인 구성요소를 포함하거나, 도 4에 도시된 구성요소 중 적어도 하나를 생략할 수 있다.
일 실시예에 따르면, 통신부(420)는 다른 시스템들 또는 장치와의 통신을 위한 인터페이스를 제공할 수 있다. 상기 통신부(420)는 외부 망(예: 네트워크)을 통한 통신을 가능하게 하는 네트워크 인터페이스 카드 또는 무선 송/수신부를 포함할 수 있다. 상기 통신부(420)는 무선 망에 접속하기 위한 신호 처리를 수행할 수 있다. 상기 무선 망은, 예를 들어, 무선랜, 또는 셀룰러 망(예: LTE(long term evolution)) 중 적어도 하나를 포함할 수 있다.
일 실시예에 따르면, 인터페이스(440)는 외부(예: 사용자)로부터의 입력을 검출하고, 상기 검출한 입력에 상응한 데이터를 프로세서(410)로 제공할 수 있다. 상기 인터페이스(440)는 외부로부터의 입력을 검출하기 위한 적어도 하나의 하드웨어 모듈을 포함할 수 있다. 상기 적어도 하나의 하드웨어 모듈은, 예를 들어, 센서, 키보드, 키 패드, 터치 패드, 또는 터치 패널 중 적어도 하나를 포함할 수 있다. 상기 인터페이스(440)가 터치 패널로 구현되는 경우, 상기 인터페이스(440)는 디스플레이(480)와 결합됨으로써 터치 스크린이 제공될 수 있다. 이 경우, 상기 인터페이스(440)는 사용자의 터치 입력(예: 탭(tap), 프레스(press), 핀치(pinch), 스트레치(stretch), 슬라이드(slide), 스와이프(swipe), 또는 로테이트(rotate) 등)에 대한 데이터를 프로세서(410)로 제공할 수 있다.
일 실시예에 따르면, 디스플레이(480)는 숫자, 문자, 이미지, 및/또는 그래픽의 형태로 정보를 출력하기 위한 기능들을 수행할 수 있다. 상기 디스플레이(480)는 출력을 위한 적어도 하나의 하드웨어 모듈을 포함할 수 있다. 상기 적어도 하나의 하드웨어 모듈은, 예를 들어, LCD(liquid crystal display), LED(Light Emitting Diode), LPD(light emitting polymer display), OLED(Organic Light Emitting Diode), AMOLED(Active Matrix Organic Light Emitting Diode), 또는 FLED(Flexible LED) 중 적어도 하나를 포함할 수 있다. 상기 디스플레이(480)는 프로세서(410)로부터 수신되는 데이터에 대응하는 화면을 표시할 수 있다. 상기 디스플레이(480)는 '출력부', '표시부' 또는 이와 동등한 기술적 의미를 가지는 다른 용어로 지칭될 수 있다.
일 실시예에 따르면, 인터페이스(440)를 통해 프로세서(410)에 전기적으로 결합될 수 있는 마이크(450)는 사용자 발화로 인하여 외부로부터 입력되는 가청 신호를 전기적인 오디오 신호로 변환할 수 있다. 상기 마이크(450)에 의해 변환된 오디오 신호는 상기 인터페이스(440)를 통해 상기 프로세서(410)로 제공될 수 있다. 상기 마이크(450) 외에 상기 인터페이스(440)를 통해 상기 프로세서(410)에 전기적으로 결합될 수 있는 구성 요소는 스피커(460) 또는 카메라(470) 중 적어도 하나일 수 있다. 상기 스피커(460)는 상기 인터페이스(440)를 통해 상기 프로세서(410)로부터 제공되는 전기적인 오디오 신호를 사람이 들을 수 있는 가청 신호로 변환하여 출력할 수 있다. 상기 카메라(470)는 상기 프로세서(410)로부터의 제어에 응답하여 피사체를 촬영하고, 상기 촬영에 따른 이미지를 전기적인 신호로 변환하여 상기 인터페이스(440)를 통해 상기 프로세서(410)로 제공할 수 있다.
일 실시예에 따르면, 메모리(430)는 전자 장치의 동작을 위한 기본 프로그램에 해당하는 운용 체제(431), 다양한 기능을 지원하는 응용 프로그램(433), 프로세서(410)가 다양한 실시예들에 따른 동작을 수행하도록 하는 인스트럭션들(435) 또는 설정 정보와 같은 데이터를 저장할 수 있다. 상기 메모리(430)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 상기 메모리(430)는 프로세서(410)의 요청에 따라 저장된 데이터를 제공할 수 있다.
일 실시예에 따르면, 프로세서(410)는 메모리(430)에 저장된 인스트럭션들(435)을 이용하여 전자 장치의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 상기 프로세서(410)는 중앙처리장치(CPU), 그래픽처리장치(GPU), MCU(micro controller unit), 센서 허브, 보조 프로세서(supplementary processor), 통신 프로세서(communication processor), 애플리케이션 프로세서(application processor), ASIC(application specific integrated circuit), 또는 FPGA(field programmable gate arrays) 중 적어도 하나를 포함할 수 있으며, 복수의 코어를 가질 수 있다.
일 실시예에 따르면, 프로세서(410)는 인터페이스(440)를 통해 획득되는 데이터를 처리하거나, 상기 인터페이스(440)를 통해 다양한 입력 및/또는 출력 수단의 동작 상태를 제어할 수 있다. 상기 다양한 입력 및/또는 출력 수단은, 예를 들어, 마이크(MIC)(450), 스피커(SPK)(460), 카메라(CAM)(470) 또는 디스플레이(DPY)(480) 중 적어도 하나가 될 수 있다. 상기 프로세서(410)는 통신부(420)를 통해 신호를 송신 및/또는 수신할 수 있다.
일 실시예에 따르면, 프로세서(410)는 사용자 발화 시에 음성 기반 모델을 사용하여 마이크(450)로부터 제공된 음성 신호를 분석하여 발화 유형을 식별하고, 상기 식별한 발화 유형을 근거로 발화 종결을 결정할 보류 시간을 적응적으로 조정할 수 있다. 상기 프로세서(410)는 상기 보류 시간을 적용하여 발화 종결을 인지한 시점에서 자동 음성 인식을 통한 최후 텍스트를 생성하며, 상기 최후 텍스트를 사용하여 사용자가 원하는 동작을 수행하기 위한 전반적인 제어를 수행할 수 있다.
예를 들면, 프로세서(410)는 사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적 신호로 변환한 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별할 수 있다. 상기 프로세서(410)는 상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하며, 상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출할 수 있다. 여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장 (complete sentence), 불완전 문장 (incomplete sentence) 또는 미 분류 문장 (ambiguous sentence) 중 하나에 해당할 수 있다. 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트일 수 있다. 상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트일 수 있다. 상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트일 수 있다.
다양한 실시예들에 있어서, 자동 음성 인식을 통해 검출된 하나의 부분 텍스트 또는 순차적으로 검출된 적어도 두 개의 부분 텍스트들에 의한 문장이 전달하고자 하는 의미가 명확하면, 해당 문장을 완전 문장으로 식별할 수 있다.
다양한 실시예들에 있어서, 자동 음성 인식을 통해 검출된 하나의 부분 텍스트 또는 순차적으로 검출된 적어도 두 개의 분할 텍스트들에 의한 문장이 전달하고자 하는 의미가 명확하지 않으면, 해당 문장을 불완전 문장으로 식별할 수 있다.
다양한 실시예들에 있어서, 자동 음성 인식을 통해 검출된 하나의 부분 텍스트 또는 순차적으로 검출된 적어도 두 개의 분할 텍스트들에 의한 문장이 전달하고자 하는 의미를 판단하기에 애매하면, 해당 문장을 미 분류 문장으로 식별할 수 있다.
하기 <표 1>은 앞에서 제안된 기준을 기반으로 전자 장치(101)에서 발화 유형 별 문장 타입을 식별할 수 있는 예제들을 정리한 것이다.
| 문장 타입 (sentence type) | 상세 내용 (detailed content) |
문장 예제 (sentence example) |
| 완전 문장 (complete sentence) | Voice secretary type sentences capable of identifying and executing right intention (assuming that, at corresponding utterance, a voice secretary instruction is driven actually) |
Show me latest photos taken Create a reminder to buy milk ※ Create a reminder - incomplete sentence (intention unclear) Call mom Set alarm for 6:00 am Open Pandora Set a timer for 10 minutes What time is it now Change my name What's the value of pi Turn on Bluetooth Turn on flashlight Turn off do not disturb Turn off flashlight Lock phone Turn off phone Read today's schedule Read next message Turn off all alarms What is my nickname Close all apps Show what was shot in New York yesterday When is Thanksgiving next year Delete reminders Delete my alarms |
| Sentences besides a voice secretary type having a grammatically complete meaning ※ ~ having a complete meaning: meaning an English grammatically complete sentence (example: subject + verb + object) |
Who is the President of United States Last Sunday I went to my friend's house Riding on a roller coaster is very exciting The picture on the shirt is very cute |
|
| Sentences capable of corresponding with voice secretary Chatbot, Question Answering (Q&A) systems ※ Chatbot - a system for understanding content a user has said and sending this as a query and answering ※ Q&A system - a system for automatically responding to a query a user has raised |
Do you know who I am How can I get to T-Express from Everland I want to eat noodle at Everland |
|
| 불완전 문장 (incomplete sentence) |
Voice secretary type sentences not capable of determining an object intention (it finally says a complete sentence, but it is classified as an incomplete sentence in course of taking a rest intentionally during utterance) |
Show me latest ※ Show me latest photos taken - complete sentence (intention clear) Set alarm for Set a timer for What time is Change my What's the value of Turn on Turn off do not Turn off Read today's Read next What is my Close all Show what was shot in When is Thanksgiving next Delete my |
| Sentences besides a grammatically incomplete voice secretary type | Who is the Last Sunday I went to my friend's Riding on a The picture on the shirt is |
|
| Sentences not capable of answering with voice secretary Chatbot, Q&A systems | Do you know How can I get to I want to eat |
|
| 미 분류 문장 (ambiguous sentence) |
When it is not complete and incomplete sentences, it is regarded as an ambiguous sentence. When it is one word utterance, it is basically an ambiguous sentence. When it is a grammatically abnormal sentence at partial ASR processing |
Show, Call, Open, Men, Women (one-word sentences) Show Christmas photos which were taking at(mistyping) |
상기 <표 1>에서는 영어를 기준으로 문장 유형을 판단한 예들을 정리한 것이다. 상기 문장 유형을 판단하는 기준은 언어 별로 차이가 있을 수 있다. 따라서, 문장 유형을 판단하는 기준은 전자 장치에서 지원하는 언어 별로 마련될 수 있어야 할 것이다.
일 실시예로써, 한국어의 경우에 문장 구성이 완전한 경우에 완전 문장으로 처리하지만 일부 명사형 비종결어 문장인 경우 또한 완전 문장으로 처리될 수 있다. 문장 구성이 불완전한 경우에 불완전 문장으로 처리가 되고 일부 사용자 의도가 불완전한 경우에 문법적으로 완전 문장이라도 불완전 문장으로 처리될 수 있다. 한국어의 경우, 조사 기반으로 완전/불완전 문장 분류가 가능하고 지정된 조사 기반으로 문장 분류가 가능한 특성이 존재할 수 있다.
상기 문자 유형은, 예를 들어, 완전 문장, 불완전 문장 및 미 분류 문장으로 분류될 수 있다. 한 단어 혹은 두 단어 경우에 발화가 짧아서 완전/불완전을 판단하기에 애매한 문장으로 분류될 수 있다. 이러한 애매한 문장은 완전 문장 또는 불완전 문장으로 분류할 수 없으므로, 미 분류 문장을 식별할 수 있다. 예외적인 경우에는 완전/불완전으로 처리할 수 있다. 추가적으로 음성 비서인 경우에 짧고 간결한 발화 표현을 선호하는 경향성이 많고, 실제 해당 유형으로 발화 시 정상적으로 동작이 수행되기 때문에 문법적으로는 완전 문장이 아니지만, 음성 비서형 명사형 표현의 경우에 완전 문장으로 취급할 수도 있다. 기본적인 분류 방법은 상기 <표1>과 같지만 각 표에 나와 있는 경우라도 예외로 취급될 수 있다.
하기 <표 2>는 전자 장치(101)에서 발화 유형 별 문장 타입에 대한 예외적인 발화 예들을 정리한 것이다.
| 문장 타입 (sentence type) |
예외 발화들 (exception utterances) |
| 완전 문장(complete sentence) | YouTube, Melon, Calculator, Weather, Naver, KakaoTalk, Song, News, Next, Calendar, Music, Bucks, Briefing, Bluetooth, Settings, Screenshot, Humidity, Time, Clock, Wifi, Internet, Reboot, Capture, Timer, Pace Book, Google, Tmap |
| 불완전 문장(incomplete sentence) | Tomorrow, Bixby, yesterday, now, present, world |
상기 <표 2>에 정리된 바와 같이, 한 단어로 사용하면, 실제 사용성 있는 발화 처리가 불가하기 때문에 예외적인 단어인 경우에 완전/불완전 문장으로 취급할 수 있다. 사용성 위주로 해서 앱 이름 및 챗봇성 발화인 경우, 한 단어에 대해서도 완전 문장으로 취급할 수 있으며, 사용성 있는 날짜 및 특수 목적 단어들 경우에 불완전 문장으로 취급할 수도 있다.
일 실시예에 따르면, 문자 유형을 판단하는 기준은 언어 별로 그 특성을 고려하여 다르게 정의할 수 있다. 즉, 문장 유형을 판단하는 기준은 언어 별로 차이가 있을 수 있으므로, 예외 처리 부분 또는 전자 장치에서 지원하는 언어 별로 문장 유형을 판단하는 기준을 정의할 수 있다.
도 5는 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 기반으로 동작을 수행하는 제어 흐름을 도시한 도면(500)이다.
도 5를 참조하면, 일 실시예에 따른 동작 510에서, 전자 장치(101)는 부분 텍스트에 기반한 발화 유형을 식별할 수 있다. 이를 위해, 상기 전자 장치(101)는 사용자의 발화로 인한 가청 신호를 외부로부터 수신하고, 상기 수신한 가청 신호를 전기적인 오디오 신호로 변환할 수 있다. 상기 전자 장치(101)는 상기 오디오 신호에 대한 전처리를 수행하고, 상기 전처리가 이루어진 오디오 신호, 즉 음성 신호로부터 실시간으로 부분 텍스트를 획득할 수 있다. 상기 전자 장치(101)는 순차적으로 획득되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 오디오 신호에 대한 발화 유형을 식별할 수 있다. 상기 발화 유형을 식별하기 위해 고려되는 하나 또는 복수의 부분 텍스트들은 실시간으로 새롭게 획득된 부분 텍스트 또는 선행하여 획득한 하나 또는 복수의 부분 텍스트들과 상기 새롭게 획득된 부분 텍스트의 조합일 수 있다.
일 실시예에 따른 동작 520에서, 전자 장치(101)는 부분 텍스트를 사용하여 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하고, 상기 결정된 보류 시간을 적용하여 상기 오디오 신호의 발화 종결 시점을 검출할 수 있다. 상기 발화 유형이 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나임을 가정하면, 상기 전자 장치(101)는 완전 문장에 대해 기준 보류 시간(예: 900ms)보다 짧은 보류 시간(예: 600ms)을 결정할 수 있고, 불완전 문장에 대해 상기 기준 보류 시간(예: 900ms)보다 긴 보류 시간(예: 1800ms)을 결정할 수 있으며, 미 분류 문장에 대해 상기 기준 보류 시간(예: 900ms)을 유지하도록 결정할 수 있다.
일 실시예에 따른 동작 530에서, 전자 장치(101)는 오디오 신호에서 발화 유형을 근거로 결정한 보류 시간(예: 600ms, 900ms 또는 1800ms 중 하나) 이상의 묵음 구간이 발생하는지를 감시할 수 있다. 상기 전자 장치(101)는 보류 시간 이상의 묵음 구간이 발생하면, 그 시점에서 사용자의 발화가 종결되었음을 검출할 수 있다. 상기 전자 장치(101)는 발화 종결을 검출하면, 음성 인식을 위한 동작을 중단하고, 그 시점까지 분석된 텍스트를 기반으로 자연어 분석을 통해 사용자가 요구하는 동작을 수행하며, 그 결과물을 사용자에게 제공할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 실시간으로 실행된 음성 인식에 의한 부분 텍스트를 근거로 발화 유형을 식별하지 못하면, 음성 인식을 통해 새롭게 제공될 부분 텍스트를 추가로 고려하여 발화 유형을 식별할 수 있다. 이에 대한 일 예로, RNN 기반 딥-러닝 모델이 사용될 수 있다. 상기 RNN 기반 딥-러닝 모델에는 GRU 연산이 적용될 수 있다. 상기 GRU 연산을 적용한 RNN 기반 딥-러닝 모델을 사용하면, 전자 장치(101)는 선행하여 분석이 이루어진 부분 텍스트가 음성 인식을 통해 다시 제공되더라도 연산을 수행하지 않고, 선행하여 이루어진 연산의 결과를 사용할 수 있다. 이 경우, 전자 장치(101)는 발화 유형을 식별하기 위하여 부분 텍스트에 대하여 수행하는 연산을 줄일 수 있어, 처리 속도를 개선할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 동작 520에서 보류 시간을 결정함에 있어서, 발화 유형과 함께 개인별 발화 속도, 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 또는 감정과 같은 개인 데이터를 더 고려할 수 있다.
도 6a 내지 도 6c는 다양한 실시예에 따라, 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 6a를 참조하면, 발화 유형이 완전 문장(complete sentence)인 경우, 보류 시간(adaptive EPD hangover)(620a)은 기준 보류 시간(reference hangover time)에 해당하는 레거시 보류 시간(legacy EPD hangover time)(예: 900ms)(610a)에 비해 상대적으로 짧은 시간(예: 900ms 미만)으로 결정될 수 있다. 예컨대, 완전 문장인 발화 유형에 대하여 결정된 보류 시간(620a)은 600ms일 수 있다.
일 실시예에 따르면, 보류 시간(620a)은 발화 유형에 해당하는 완전 문장과 함께 발화 속도 또는 묵음 (pause) 시간과 같은 사용자 특성 정보를 더 고려하여 적응적으로 조정될 수 있다. 일 예로, 발화 유형이 완전 문장이고, 발화 속도가 정상(normal)이면, 보류 시간(620a)은 '600ms + α1'로 결정될 수 있다. 상기 600ms는 완전 문장의 발화 유형 및 정상 상태(normal state)에 대하여 부여될 수 있는 보류 시간일 수 있다. 다른 예로, 발화 유형이 완전 문장이고, 발화 속도가 고속(fast)이면, 보류 시간(620a)은 '400ms + α1'로 결정될 수 있다. 상기 400ms는 완전 문장의 발화 유형 및 고속 상태(fast state)에 대하여 부여될 수 있는 보류 시간일 수 있다. 또 다른 예로, 발화 유형이 완전 문장이고, 발화 속도가 저속(slow)이면, 보류 시간(620a)은 '800ms + α1'로 결정될 수 있다. 상기 800ms는 완전 문장의 발화 유형 및 저속 상태(slow state)에 대하여 부여될 수 있는 보류 시간일 수 있다. 상기 예들에 있어서, α는 화자 별 발화 속도, 묵음 시간 또는 묵음 횟수와 같은 사용자 특성 정보의 조합에 대하여 부여될 수 있는 가중치일 수 있다. 이 경우, α1은 발화 유형이 완전 문장인 경우에 대하여 부여될 수 있는 가중치일 수 있다.
상술한 도 6a에 따라 보류 시간을 결정하면, 기준 보류 시간인 레거시 보류 시간을 적용하는 것에 비해, 약 1/3 이상 빠르게 EPD를 발생하게 됨에 따라, 최종 텍스트 생성 후 동작이 보다 신속하게 이루어질 수 있다.
도 6b를 참조하면, 발화 유형이 불완전 문장(incomplete sentence)인 경우, 보류 시간(620b)은 기준 보류 시간에 해당하는 레거시 보류 시간(예: 900ms)(610b)에 비해 상대적으로 긴 시간(예: 900ms 초과)으로 결정될 수 있다. 예컨대, 불완전 문장인 발화 유형에 대하여 결정된 보류 시간(620b)은 1800ms일 수 있다.
일 실시예에 따르면, 보류 시간(620b)은 발화 유형에 해당하는 불완전 문장과 함께 발화 속도 또는 묵음 시간과 같은 사용자 특성 정보를 더 고려하여 적응적으로 조정될 수 있다. 일 예로, 발화 유형이 불완전 문장이고, 발화 속도가 정상이면, 보류 시간(620b)은 '1800ms + α2'로 결정될 수 있다. 상기 1800ms는 불완전 문장의 발화 유형 및 정상 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 다른 예로, 발화 유형이 불완전 문장이고, 발화 속도가 고속이면, 보류 시간(620b)은 '1300ms + α2'로 결정될 수 있다. 상기 1300ms는 불완전 문장의 발화 유형 및 고속 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 또 다른 예로, 발화 유형이 불완전 문장이고, 발화 속도가 저속이면, 보류 시간(620b)은 '2500ms + α2'로 결정될 수 있다. 상기 2500ms는 불완전 문장의 발화 유형 및 저속 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 상기 예들에 있어서, α는 화자 별 발화 속도, 묵음 시간 또는 묵음 횟수와 같은 사용자 특성 정보의 조합에 대하여 부여될 수 있는 가중치일 수 있다. 이 경우, α2는 발화 유형이 불완전 문장인 경우에 대하여 부여될 수 있는 가중치일 수 있다.
상술한 도 6b에 따라 보류 시간을 결정하면, 불완전 문장 처리 시, 기준 보류 시간인 레거시 보류 시간을 적용하는 것에 비해, 2배 이상 긴 묵음을 기다려 주기 때문에 사용자가 의도하고자 하는 말을 충분히 전달할 수 있도록 할 수 있다. 이는 전자 장치(101)가 사용자의 의도를 보다 정확하게 반영한 텍스트를 생성한 후, 정상적인 NLU 동작을 수행하는 것에 도움을 줄 수 있다.
도 6c를 참조하면, 발화 유형이 미 분류 문장(ambiguous sentence)인 경우, 보류 시간(620c)은 기준 보류 시간에 해당하는 레거시 보류 시간(예: 900ms)(610c)과 동일한 시간으로 결정될 수 있다. 예컨대, 미 분류 문장인 발화 유형에 대하여 결정된 보류 시간(620c)은 900ms일 수 있다. 이러한 결정은 사용자의 의도가 불분명할 경우, 기준 보류 시간인 레거시 보류 시간을 유지함으로써, 통상의 특성을 반영할 수 있다.
일 실시예에 따르면, 보류 시간(620c)은 발화 유형에 해당하는 미 분류 문장과 함께 발화 속도 또는 묵음 시간과 같은 사용자 특성 정보를 더 고려하여 적응적으로 조정될 수 있다. 일 예로, 발화 유형이 미 분류 문장이고, 발화 속도가 정상이면, 보류 시간(620c)은 '900ms + α3'로 결정될 수 있다. 상기 900ms는 미 분류 문장의 발화 유형 및 정상 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 다른 예로, 발화 유형이 미 분류 문장이고, 발화 속도가 고속이면, 보류 시간(620c)은 '700ms + α3'로 결정될 수 있다. 상기 700ms는 미 분류 문장의 발화 유형 및 고속 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 또 다른 예로, 발화 유형이 미 분류 문장이고, 발화 속도가 저속이면, 보류 시간(620c)은 '1100ms + α3'로 결정될 수 있다. 상기 1100ms는 미 분류 문장의 발화 유형 및 저속 상태에 대하여 부여될 수 있는 보류 시간일 수 있다. 상기 예들에 있어서, α는 화자 별 발화 속도, 묵음 시간 또는 묵음 횟수와 같은 사용자 특성 정보의 조합에 대하여 부여될 수 있는 가중치일 수 있다. 이 경우, α3은 발화 유형이 미 분류 문장인 경우에 대하여 부여될 수 있는 가중치일 수 있다.
다양한 연구 결과를 통해서 확인해 본 결과로 발화 속도 또는 묵음 사용 빈도 수는 나이에 대한 의존성이 큰 것으로 확인되었으므로, 내부적으로도 나이 부분에 좀더 가중치를 둘 수 있다. 기본적인 모드는 고속(fast), 정상(normal), 및 저속(slow)으로 설정되고, 각 설정 별 EPD 설정 시간이 차이가 발생하도록 결정할 수 있다. 나이, 성별 외에 개인별 발화 속도 및/또는 발화 간 묵음 시간과 횟수(불완전 문장에서 얼마 정도 기다려 줄 건지 개인별 편차를 계산하는데 사용함)를 측정하고자 ASR상에 전달되는 부분 텍스트 또는 전체 텍스트를 이용하여 각 개인에 대한 발화 유형 별 알파(α1, α2, α3) 값을 세팅하여 최종적을 개인화된 EPD 시간을 발화 의도에 맞게 적용할 수 있다.
도 7a 내지 도 7c는 다양한 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 발화 유형 별 보류 시간을 결정하는 예들을 도시한 도면이다.
도 7a를 참조하면, 전자 장치(101)는 자동 음성 인식 기능에 의해 인식된 하나 또는 복수의 부분 텍스트들인 “call Mom (711a)” 또는 “엄마에게 전화 (731a)”에 대한 발화 유형이 완전 문장인 것으로 식별할 수 있다. 이 경우, 상기 전자 장치(101)는 적용 보류 시간(722a 또는 742a)을 기준 보류 시간(721a 또는 741a)인 900ms보다 짧은 600ms로 결정할 수 있다. 상기 전자 장치(101)는 “call Mom (711a)”또는 “엄마에게 전화 (731a)”의 음성 중단 시점을 검출한 후, 적용 보류 시간(722a 또는 742a)인 600ms을 초과하는 묵음 구간(712a 또는 732a)이 감지되면, 발화가 종결하였음을 확정할 수 있다. 상기 전자 장치(101)는 발화 종결이 확정되면, 상기 완전 문장으로 식별한 하나 또는 복수의 부분 텍스트들을 포함하는 전체 텍스트에 대한 자연어 분석을 수행한 후, 그 결과를 기반으로 사용자의 의도에 따라 엄마에게 전화를 거는 동작을 제공할 수 있다.
도 7b를 참조하면, 전자 장치(101)는 자동 음성 인식 기능에 의해 인식된 첫 번째 부분 텍스트인 “What is the (711b)”또는 “오늘 날씨를 (731b)”에 대한 발화 유형이 불완전 문장인 것으로 식별할 수 있다. 이 경우, 상기 전자 장치(101)는 적용 보류 시간(722b 또는 742b)을 기준 보류 시간(721b 또는 741b)인 900ms보다 긴 1800ms로 결정할 수 있다. 상기 전자 장치(101)는 “What is the (711b)”또는 “오늘 날씨를 (731b)”의 음성 중단 시점을 검출한 후, 묵음 구간(712b 또는 732b)이 적용 보류 시간인 1800ms을 초과하기 전에 발화가 속행되어 두 번째 부분 텍스트인 “weather (713b)”또는 “알려줘 (733b)”를 인지할 수 있다. 상기 전자 장치(101)는 앞서 연산이 이루어진 첫 번째 부분 텍스트를 제외한 새롭게 인식된 두 번째 부분 텍스트에 대한 연산을 수행하여 두 개의 부분 텍스트들이 결합된 “What is the weather”또는 “오늘 날씨를 알려줘”에 대한 발화 유형이 완전 문장인 것으로 식별할 수 있다. 이 경우, 상기 전자 장치(101)는 적용 보류 시간(724b 또는 744b)을 기준 보류 시간(723b 또는 743b)인 900ms보다 짧은 600ms로 결정할 수 있다. 상기 전자 장치(101)는 “What is the weather”또는 “오늘 날씨를 알려줘”의 음성 중단 시점을 검출한 후, 적용 보류 시간(724b 또는 744b)인 600ms을 초과하는 묵음 구간(714b 또는 734b)이 감지되면, 발화가 종결하였음을 확정할 수 있다. 상기 전자 장치(101)는 발화 종결이 확정되면, 상기 완전 문장으로 식별한 하나 또는 복수의 부분 텍스트들을 포함하는 전체 텍스트에 대한 자연어 분석을 수행한 후, 그 결과를 기반으로 사용자의 의도에 따라 오늘의 날씨를 음성 또는 화면을 통해 안내하는 동작을 제공할 수 있다.
도 7c를 참조하면, 전자 장치(101)는 자동 음성 인식 기능에 의해 인식된 첫 번째 부분 텍스트인 “Add an alarm (711c)”또는 “홍대 토끼 정식 사야 해 (731c)”에 대한 발화 유형이 미 분류 문장인 것으로 식별할 수 있다. 이 경우, 상기 전자 장치(101)는 적용 보류 시간(722c 또는 742c)을 기준 보류 시간(721c 또는 741c)인 900ms으로 결정할 수 있다. 상기 전자 장치(101)는 “Add an alarm (711c)”또는 “홍대 토끼 정식 사야 해 (731c)”의 음성 중단 시점을 검출한 후, 묵음 구간(712c 또는 732c)이 적용 보류 시간(722c 또는 742c)인 900ms을 초과하기 전에 발화가 속행되는지를 모니터링할 수 있다. 상기 전자 장치(101)는 첫 번째 부분 텍스트인 “Add an alarm (711c)”이 인식된 후 적용 보류 시간(722c)인 900ms가 경과되기 전에 두 번째 부분 텍스트인 “for 7:45 am (713c)”를 인지할 수 있다. 상기 전자 장치(101)는 앞서 연산이 이루어진 첫 번째 부분 텍스트를 제외한 새롭게 인식된 두 번째 부분 텍스트에 대한 연산을 수행하여 두 개의 부분 텍스트들이 결합된 “Add an alarm for 7:45 am”에 대한 발화 유형이 완전 문장인 것으로 식별할 수 있다. 이 경우, 상기 전자 장치(101)는 적용 보류 시간(724c)을 기준 보류 시간(723c)인 900ms보다 짧은 600ms로 결정할 수 있다. 상기 전자 장치(101)는 “Add an alarm for 7:45 am”의 음성 중단 시점을 검출한 후, 적용 보류 시간(724c)인 600ms을 초과하는 묵음 구간(714c)이 감지되면, 발화가 종결하였음을 확정할 수 있다. 상기 전자 장치(101)는 발화 종결이 확정되면, 상기 완전 문장으로 식별한 하나 또는 복수의 부분 텍스트들을 포함하는 전체 텍스트에 대한 자연어 분석을 수행한 후, 그 결과를 기반으로 사용자의 의도에 따라 일정이 추가되었음을 음성 또는 화면을 통해 안내하는 동작을 제공할 수 있다. 하지만 상기 전자 장치(101)는 첫 번째 부분 텍스트인 “홍대 토끼 정식 사야 해 (731c)”가 인식된 후 적용 보류 시간(742c)인 900ms가 경과할 때까지 두 번째 부분 텍스트가 인지되지 않으면, 음성 인식 기능을 중단할 수 있다.
도 8은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 발화 유형에 의한 하나의 동작 예를 도시한 도면이다.
도 8에서는 사용자가 “Hi Bixby 블핑 노래 틀어줘”라는 4개의 어절들(811, 813, 815, 817)을 포함하는 완전 문장을 발화한 경우를 가정하고 있다. 상기 4개의 어절들(811, 813, 815, 817) 각각은 부분 텍스트로 인지될 수 있다. 상기 4개의 어절들(811, 813, 815, 817) 사이, 부분 텍스트 간에는 제1 내지 제3 묵은 구간들(821, 823, 825)이 존재할 수 있고, 마지막 어절 (또는 마지막 부분 텍스트) 이후에 제4 묵은 구간(827)이 존재할 수 있다.
전자 장치(101)는 순차적으로 인식된 첫 번째 어절(Hi Bixby)(811)에 의한 첫 번째 부분 텍스트 및 두 번째 어절(블핑)(813)에 의한 두 번째 부분 텍스트 각각을 분석하여 발화 유형을 불완전 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 첫 번째 부분 텍스트 이후에 보류 시간(841) 또는 두 번째 부분 텍스트 이후에 보류 시간(843)을 기준 보류 시간(831, 833)인 900ms보다 긴 1800ms로 결정할 수 있다.
상기 전자 장치(101)는 순차적으로 인식된 세 번째 어절(노래)(815)에 의해 인식된 세 번째 부분 텍스트를 분석한 후 이전 분석된 첫 번째 및 두 번째 부분 텍스트를 더 고려하여 발화 유형을 미 분류 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 세 번째 부분 텍스트 이후에 보류 시간(845)을 기준 보류 시간(835)인 900ms로 결정할 수 있다.
상기 전자 장치(101)는 순차적으로 추출된 네 번째 어절(틀어줘)(817)에 의해 인식된 네 번째 부분 텍스트를 분석한 후 이전 분석된 첫 번째, 두 번째 및 세 번째 부분 텍스트를 더 고려하여 발화 유형을 완전 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 네 번째 부분 텍스트 이후에 보류 시간(847)을 기준 보류 시간(837)인 900ms 보다 짧은 600ms로 결정할 수 있다. 상기 전자 장치(101)는 네 번째 부분 텍스트 이후에 보류 시간(847)인 600ms가 경과하면, 사용자 발화 의도(context)를 파악하여 발화 종결을 확정할 수 있다. 그 후 상기 전자 장치(101)는 빠른 발화 종결 처리를 수행함으로써, 사용자 요구에 대응되는 빠른 응답 처리(860) 및 그 결과가 사용자에게 제공(870)될 수 있도록 할 수 있다. 만약 발화 유형을 기반으로 보류 시간을 적응적으로 결정하지 않았다면, 발화 종결이 기준 보류 시간인 900ms가 경과한 시점에서 확정됨에 따라, 사용자 요구에 따른 응답 처리가 지연되었을 것이다 (850).
도 9는 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 발화 유형에 대한 다른 하나의 동작 예를 도시한 도면이다.
도 9에서는 사용자가 “Hi Bixby 오늘 날씨를 알려줘”라는 4개의 어절들(911, 913, 915, 917)을 포함하는 완전 문장을 발화한 경우를 가정하고 있다. 상기 4개의 어절들(911, 913, 915, 917) 각각은 부분 텍스트로 인지될 수 있다. 상기 4개의 어절들(911, 913, 915, 917) 사이, 부분 텍스트 간에는 제1 내지 제3 묵은 구간들(921, 923, 925)이 존재할 수 있고, 마지막 어절 (또는 마지막 부분 텍스트) 이후에 제4 묵은 구간(927)이 존재할 수 있다.
전자 장치(101)는 순차적으로 인식된 첫 번째 어절(Hi Bixby)(911)에 의한 첫 번째 부분 텍스트, 두 번째 어절(오늘)(913)에 의한 두 번째 부분 텍스트 각각을 분석하여 발화 유형을 미 분류 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 첫 번째 및 두 번째 부분 텍스트 이후에 보류 시간(941, 943)을 기준 보류 시간(931, 933)인 900ms로 결정할 수 있다.
상기 전자 장치(101)는 순차적으로 인식된 세 번째 어절(날씨를)(915)에 의해 인식된 세 번째 부분 텍스트를 분석한 후 이전 분석된 첫 번째 및 두 번째 부분 텍스트를 더 고려하여 발화 유형을 불완전 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 세 번째 부분 텍스트 이후에 보류 시간(945)을 기준 보류 시간(935)인 900ms 보다 긴 1800ms로 결정할 수 있다. 만약, 발화 유형을 기반으로 보류 시간을 적응적으로 결정하지 않았다면, 세 번째 부분 텍스트 이후에 기준 보류 시간인 900ms가 경과한 시점에서 네 번째 어절(알려줘)(917)에 해당하는 음성 신호가 검출되지 않음에 따라, 상기 전자 장치(101)는 음성 인식을 종료 처리(950)할 것이다. 이는 사용자에게 불만족스러운 결과(970)를 제공할 것이다.
상기 전자 장치(101)는 세 번째 부분 텍스트 이후에 조절된 보류 시간(945)이 경과하기 전에 네 번째 어절(알려줘)(917)에 의해 인식된 네 번째 부분 텍스트를 분석한 후 이전 분석된 첫 번째, 두 번째 및 세 번째 부분 텍스트를 더 고려하여 발화 유형을 완전 문장으로 식별할 수 있다. 그 결과로, 상기 전자 장치(101)는 네 번째 부분 텍스트 이후에 보류 시간(947)을 기준 보류 시간(937)인 900ms 보다 짧은 600ms로 결정할 수 있다. 상기 전자 장치(101)는 네 번째 부분 텍스트 이후에 보류 시간(947)인 600ms가 경과하면, 사용자 발화 의도(context)를 파악하여 발화 종결을 확정할 수 있다. 그 후 상기 전자 장치(101)는 빠른 발화 종결 처리를 수행함으로써, 사용자 요구에 대응되는 빠른 응답 처리(960) 및 그 결과가 사용자에게 제공(980)될 수 있도록 할 수 있다. 만약 발화 유형을 기반으로 보류 시간을 적응적으로 결정하지 않았다면, 발화 종결이 기준 보류 시간인 900ms가 경과한 시점에서 확정됨에 따라, 사용자 요구에 따른 응답 처리가 지연되었을 것이다.
상술한 도 8과 도 9를 참조한 활용 예에 따르면, 사용자에 의한 발화가 종결되면, EPD를 신속하게 종료함으로써, 음성 인식에 있어서 빠른 응답성을 보장할 수 있다. 만약 사용자의 발화 의도를 고려하여 좀더 기다려 줄 필요가 있는 경우, 사용자의 후속 발화를 대기함으로써, 발화 문장을 끝까지 청취하여 사용자의 만족도를 높일 수 있다.
도 10은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 기반으로 동작을 수행하는 구성을 도시한 도면이다.
도 10을 참조하면, 전자 장치(101)에서 음성 인식을 기반으로 동작을 수행하는 구성(이하 '음성 처리 장치(1030)'라 칭함)은 전처리부(1031), 음성 추출부(1033), 자동 음성 인식부(automatic speech recognition, ASR)(1035), 종결 시점 검출부(adaptive end point detection, AEPD)(1037) 및/또는 자연어 분석부(natural language understanding, NLU)(1039)를 포함할 수 있다.
상기 음성 처리 장치(1030)는 사용자(1010)의 발화로 인하여 발생된 음성 신호(1020)를 입력 받을 수 있다. 도면에서는 사용자(1010)의 발화로 '하이 빅스비 블핑 노래 틀어줘'라는 자연어인 음성 신호가 전자 장치에 포함된 마이크로 입력되는 것을 가정하였다. 이 경우, 마이크는 입력된 음성 신호를 전기적인 신호인 오디오 신호로 변환하여 상기 전처리부(1031)의 입력으로 전달할 수 있다.
상기 전처리부(1031)는 전기적인 신호인 오디오 신호를 음성 인식을 위한 전처리 동작을 수행할 수 있다. 상기 전처리부(1031)는, 예를 들어, 오디오 신호에 포함된 사용자의 음성이 아닌 주변 소음과 같은 노이즈를 제거할 수 있다.
상기 음성 추출부(1033)는 상기 전처리부(1031)에 의해 전처리가 이루어진 오디오 신호를 입력으로 제공받을 수 있다. 상기 음성 추출부(1033)는 전처리가 이루어진 오디오 신호로부터 사용자에 의해 발화된 음성 신호를 추출하고, 상기 추출한 음성 신호를 출력할 수 있다. 상기 음성 추출부(1033)에 의해 출력된 음성 신호가 음성 인식을 위해 사용될 순수한 자연어일 수 있다. 상기 음성 추출부(1033)에 의해 추출된 음성 신호는 상기 ASR(1035) 또는 상기 AEPD(1037) 중 적어도 하나로 전달될 수 있다.
상기 ASR(1035)는 상기 음성 추출부(1033)로부터 전달된 음성 신호를 분석하여 부분 텍스트를 인식할 수 있다. 상기 ASR(1035)는, 예를 들어, 상기 음성 추출부(1033)로부터 전달된 음성 신호를 어절과 같은 소정 단위를 기반으로 실시간 분석하고, 상기 실시간으로 분석된 결과로 얻은 부분 텍스트들을 순차적으로 출력할 수 있다. 상기 ASR(1035)이 분석에 의해 인식한 부분 텍스트는 상기 AEPD(1037)로 전달될 수 있다.
상기 AEPD(1037)는 상기 ASR(1035)로부터 전달된 부분 텍스트를 기반으로 상기 ASR(1035)에 의해 현재까지 분석된 텍스트에 대한 발화 유형을 식별할 수 있다. 상기 AEPD(1037)에 의해 식별 가능한 발화 유형은 앞에서 정의된 바와 같이 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나일 수 있다. 상기 AEPD(1037)는 상기 식별한 발화 유형을 고려하여 적응적으로 보류 시간을 결정할 수 있다.
상기 AEPD(1037)는 상기 음성 추출부(1033)로부터 전달된 음성 신호를 모니터링하여 음성이 존재하는지 또는 음성이 존재하지 않는지를 판단할 수 있다. 상기 AEPD(1037)는 상기 결정한 보류 시간을 적용하여 상기 음성 추출부(1033)로부터 전달된 음성 신호에서 사용자에 의한 발화가 종결되었는지를 검출할 수 있다. 상기 AEPD(1037)는, 예를 들어, 상기 음성 추출부(1033)에 의해 추출된 음성 신호에 음성이 존재하지 않은 묵음 상태가 상기 보류 시간동안 유지되면, 사용자에 의한 발화가 종결된 것으로 판단할 수 있다. 상기 AEPD(1037)는 사용자에 의한 발화가 종결된 것으로 판단하면, 발화 종결을 상기 ASR(1035)에게 알릴 수 있다.
일 실시예에 따르면, AEPD(1037)는 ASR(1035)로부터 선행하여 전달된 부분 텍스트 및/또는 새롭게 전달된 부분 텍스트에 의해 문장이 완성되면, 기준 보류 시간보다 짧게 보류 시간을 조정하여 발화 종결이 보다 신속하게 ASR(1035)에게 통보될 수 있도록 할 수 있다.
일 실시예에 따르면, AEPD(1037)는 ASR(1035)로부터 선행하여 전달된 부분 텍스트 및/또는 새롭게 전달된 부분 텍스트에 의해 문장이 완성되지 않으면, 기준 보류 시간보다 길게 보류 시간을 조정하여 발화 종결이 좀더 보수적으로(또는 늦춰지게) ASR(1035)에게 통보될 수 있도록 할 수 있다.
일 실시예에 따르면, AEPD(1037)는 ASR(1035)로부터 선행하여 전달된 부분 텍스트 및/또는 새롭게 전달된 부분 텍스트에 의해 문장이 완성되거나 완성되지 않음을 판단할 수 없으면, 기준 보류 시간을 유지할 수 있다.
상술한 다양한 실시예들에 있어서, AEPD(1037)는 ASR(1035)에 의해 분석된 음성 신호에 대한 발화 유형을 분석하기 위해, ASR(1035)로부터 새롭게 전달된 부분 텍스트에 대한 연산 결과와 함께 상기 ASR(1035)로부터 선행하여 전달되었던 하나 또는 복수의 부분 텍스트들에 대한 연산 결과를 참조할 수 있다. 상기 AEPD(1037)는, 예를 들어, 텍스트를 기반으로 순차적인 데이터 처리가 가능한 RNN 기반 딥-러닝 모델을 이용할 수 있다. 상기 RNN 기반 딥-러닝 모델은 GRU 연산을 기반으로 마련될 수 있다.
일 실시예에 따르면, AEPD(1037)는 딥-러닝 시, ASR(1035)로부터 제공된 부분 텍스트의 생성 시점에서 GRU 연산을 시작하고, 앞서 계산된 값을 사용하여 이전 부분 텍스트에 대한 연산 부분을 처리하며, 상기 ASR(1035)로부터 새롭게 제공된 부분 텍스트에 대해서만 계산을 수행할 수 있다.
상기 ASR(1035)는 상기 AEPD(1037)로부터 사용자에 의한 발화가 종결되었음을 접수하면, 상기 음성 추출부(1033)로부터 제공되는 음성 신호에 대한 분석을 중단할 수 있다. 상기 ASR(1035)는 발화가 시작된 후 발화 종결을 접수할 때까지 분석된 전체 텍스트를 상기 NLU(1039)로 제공할 수 있다.
상기 NLU(1039)는 상기 ASR(1035)로부터 제공된 전체 텍스트에 대한 자연어 분석을 수행하고, 상기 분석 결과를 기반으로 사용자의 의도를 반영한 동작이 수행되도록 하는 최종 음성 결과(1040)를 출력할 수 있다.
상술한 바와 같이, 다양한 실시예들에 따른 전자 장치(101)는 사용자 발화 시에 기본적으로 음성 기반 모델을 통해서 음성 구간 및/또는 묵음 구간을 감지하고, 사용자의 발화 의도를 파악하여 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하는 발화 유형을 근거로 발화 종결을 결정할 보류 시간을 적응적으로 조정할 수 있다. 상기 전자 장치(101)는 발화 종결을 인지한 시점에서 오디오 기록을 멈추고, 자동 음성 인식을 통해 최후 텍스트를 생성하며, 상기 최후 텍스트를 사용하여 NLP 태스크(task)를 통해 사용자가 원하는 동작을 수행할 수 있다. 이 경우, 전자 장치(101)는 사용자에게 챗봇과 같은 음성 비서 서비스를 보다 신속하고 정확하게 제공할 수 있다.
도 11은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도11을 참조하면, 전자 장치(101)에서 음성을 인식하는 장치(이하 '음성 인식 장치'라 칭함)는 음성 분석 모듈(1150) 및/또는 음성 중단 검출 모듈(1160)을 포함할 수 있다. 상기 음성 분석 모듈(1150)은 퍼스널 로직(1151), AEPD 로직(AEPD Decision)(1152), 자연어 모델(NL-EPD: natural language model)(1153), 임베딩(embedding)(1154), 모델 웨이트(model weight)(1155) 및/또는 ASR(1156)을 포함할 수 있다. 상기 음성 중단 검출 모듈(1160)은 음향 모델 판정 로직(acoustic model (AM) decision logic)(1161), 음향 모델 종결 판단 로직(AM-EPD logic)(1162) 및/또는 모델 웨이트(model weight)(1163)를 포함할 수 있다.
일 실시예에 따르면, 사용자의 발화로 인하여 발생된 음성 신호(1110)가 음성 비서 서비스와 같은 지정된 기능을 위해 사용되기 위해서는, 화자 인증(speaker verification)(1120) 동작이 수행될 수 있다. 상기 화자 인증 동작은, 예를 들어, 화자 인식 기능을 기반으로 수행되거나, 또는 웨이크-업 수행 시 전달되는 음원 데이터를 사용하여 수행될 수 있다. 상기 화자에 대한 나이 및/또는 성별 분류는 화자 인증 동작에서 수행될 수 있다. 예컨대, 음성 비서 서비스와 같은 지정된 기능이 활성화(1130)된 후, 상기 발화로 인하여 발생된 음성 신호(1110)는 화자의 나이 또는 성별과 같은 특성을 결정(1140)하기 위해 사용될 수 있다.
상기 음성 분석 모듈(1150)은 사용자의 발화로 인하여 발생된 음성 신호(1110)로부터 순차적으로 부분 텍스트를 인식하고, 상기 인식된 부분 텍스트를 기반으로 발화 유형을 식별할 수 있다. 상기 음성 분석 모듈(1150)은 상기 식별한 발화 유형 및 화자의 나이, 성별, 화자의 발화 속도, 또는 묵음 시간과 같은 화자 특성 정보를 참조하여 발화 종결 여부를 판정할 수 있다. 상기 음성 분석 모듈(1150)은 상기 발화 종결이 검출되면, 상기 음성 신호(1110)에 대한 자동 인식 결과인 최종 텍스트를 출력할 수 있다.
일 실시예에 따르면, 퍼스널 로직(1151)은 화자의 나이 및 성별 또는 화자의 발화 속도 및 묵음 시간 중 적어도 하나를 제공받고, 이를 기반으로 부분 텍스트에 대한 보류 시간을 결정하기 위해 참조할 사용자 특성 정보를 AEPD 로직(1152)으로 제공할 수 있다. 상기 AEPD 로직(1152)은 ASR(1156)로부터 제공되는 부분 텍스트를 NL-EPD(1153)로 전달할 수 있다. 상기 NL-EPD(1153)는 상기 AEPD 로직(1152)로부터 전달된 부분 텍스트를 분석하고, 그 분석 결과를 기반으로 발화 유형을 완전 문장, 불완전 문장 또는 미 분류 문장 중 무엇에 해당하는지를 결정하며, 그 결정된 결과를 상기 AEPD 로직(1152)로 제공할 수 있다. 상기 NL-EPD(1153)에 의한 분석 결과는 임베딩(1154) 또는 모델 웨이트(1155)에 의해 딥-러닝 또는 기록될 수 있다. 상기 AEPD 로직(1152)은 음성 중단 검출 모듈(1160)로부터 검출된 음성 신호 존재 여부(EPD: 0 또는 1)(1170)를 제공받을 수 있다.
상기 음성 중단 검출 모듈(1160)에서의 동작을 구체적으로 설명하면, 음향 모델 판정 로직(1161)은 사용자의 발화로 인한 오디오 신호를 음향 모델 종결 판단 로직(1162)으로 전달할 수 있다. 상기 음향 모델 종결 판단 로직(1162)은 모델 웨이트(1163)에 접근하여 상기 오디오 신호에 음향 신호가 존재하는지 여부를 판단하고, 그 판정 결과 (VAD: 0 또는 1)를 상기 음향 모델 판정 로직(1161)으로 제공할 수 있다. 상기 음향 모델 판정 로직(1161)은 상기 음향 모델 종결 판단 로직(1162)에 의해 제공된 소정 구간(예: 20ms) 별 음향 존재 여부 식별 정보(VAD)를 기반으로 시간 주기 동안의 음향 상태를 지시하는 정보(EPD)를 결정할 수 있다. 상기 음향 모델 판정 로직(1161)은 상기 결정된 시간 주기 동안의 음향 상태를 지시하는 정보(EPD)를 상기 AEPD 로직(1152)에 제공할 수 있다.
상기 AEPD 로직(1152)은 상기 퍼스널 로직(1151)으로부터 제공된 사용자 특성 정보 및 상기 NL-EPD(1153)로부터 제공된 발화 유형을 기반으로 발화 종결 시점을 판단하기 위해 적용될 보류 시간을 결정할 수 있다. 상기 AEPD 로직(1152)은 상기 음성 중단 검출 모듈(1160)로부터 음성 신호가 존재하지 않는 묵음 구간이 검출되었음을 지시하는 식별자가 제공된 후, 상기 보류 시간이 경과할 때까지 상기 음성 중단 검출 모듈(1160)로부터 음성 신호가 존재함이 식별되지 않으면, 발화 종결을 확정할 수 있다. 상기 AEPD 로직(1152)은 발화 종결을 상기 ASR(1156)로 알려줄 수 있다. 상기 ASR(1156)는 상기 AEPD 로직(1152)으로부터 발화 종결이 보고되면, 상기 발화 종결이 보고되기 전까지 분석된 부분 텍스트들에 의한 전체 텍스트를 생성하고, 상기 전체 텍스트를 자연어 분석을 위한 입력(1180)으로 전달할 수 있다.
도 12는 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 사용자의 발화 종결을 검출하기 위한 제어 흐름을 도시한 도면이다.
도 12를 참조하면, 일 실시예에 따른 동작 1210에서, 전자 장치(101)는 외부로부터 입력되는 가청 신호에 의해 사용자의 발화가 개시되었음을 인지할 수 있다. 상기 전자 장치(101)는 사용자 발화를 인지하면, 상기 사용자의 발화로 입력되는 가청 신호를 전기적인 오디오 신호로 변환하고, 상기 오디오 신호에 대한 전처리를 수행한 후 음성 신호를 추출하며, 상기 추출된 음성 신호에 대한 음성 인식을 실시간으로 수행하여 순차적으로 부분 텍스트들을 획득할 수 있다.
일 실시예에 따른 동작 1220에서, 전자 장치(101)는 상기 추출한 음성 신호에서 묵음이 발생하는지를 모니터링할 수 있다. 상기 음성 신호에서의 묵음은 어절과 어절 사이, 사용자의 발화 특성 또는 사용자의 발화 종료로 인하여 발생될 수 있다.
일 실시예에 따른 동작 1230에서, 전자 장치(101)는 묵음이 발생하기 전까지 획득된 하나 또는 복수의 부분 텍스트들에 의한 문장이 완전 문장인지를 판단할 수 있다. 상기 전자 장치(101)는, 예를 들어, 더 이상 음성 인식을 통한 텍스트 입력이 없이 현재까지 획득한 하나 또는 복수의 부분 텍스트들의 분석으로 사용자의 의도를 확인 가능하다고 판단하면, 발화 유형이 완전 문장이라고 판단할 수 있다. 이 경우, 전자 장치(101)는 동작 1250에서 보류 시간을 완전 모드에 대응한 보류 시간으로 조정할 수 있다. 상기 완전 모드에 대응한 보류 시간(예: 600ms)은 전자 장치(101)에 설정된 디폴트 보류 시간(예: 900ms)에 비해 짧을 수 있다. 상기 전자 장치(101)는 완전 모드에 대응한 보류 시간(예: 600ms)을 결정함에 있어, 사용자 특성 정보를 더 고려할 수 있다. 예컨대, 사용자의 발화 속도가 빠르면, 완전 모드에 대응한 보류 시간(예: 600ms)보다 짧게 예를 들어, 400ms로 결정할 수 있고, 상기 사용자의 발화 속도가 느리면, 완전 모드에 대응한 보류 시간(예: 600ms)보다 길게 예를 들어, 800ms로 결정할 수 있으며, 사용자의 발화 속도가 정상적이면, 완전 모드에 대응한 보류 시간(예: 600ms)과 동일하게 결정할 수 있다.
일 실시예에 따른 동작 1240에서, 전자 장치(101)는 묵음이 발생하기 전까지 획득된 하나 또는 복수의 부분 텍스트들에 의한 문장이 불완전 문장인지를 판단할 수 있다. 상기 전자 장치(101)는, 예를 들어, 현재까지 획득한 하나 또는 복수의 부분 텍스트들의 분석으로 사용자의 의도를 확인할 수가 없어, 음성 인식을 통한 추가 부분 텍스트의 획득이 필요하다고 판단하면, 발화 유형이 불완전 문장이라고 판단할 수 있다. 이 경우, 전자 장치(101)는 동작 1260에서 보류 시간을 불완전 모드에 대응한 보류 시간으로 조정할 수 있다. 상기 불완전 모드에 대응한 보류 시간(예: 1800ms)은 전자 장치(101)에 설정된 디폴트 보류 시간(예: 900ms)에 비해 길 수 있다. 상기 전자 장치(101)는 불완전 모드에 대응한 보류 시간(예: 1800ms)을 결정함에 있어, 사용자 특성 정보를 더 고려할 수 있다. 예컨대, 사용자의 발화 속도가 빠르면, 불완전 모드에 대응한 보류 시간(예: 1800ms)보다 짧게 예를 들어, 1300ms로 결정할 수 있고, 상기 사용자의 발화 속도가 느리면, 불완전 모드에 대응한 보류 시간(예: 1800ms)보다 길게 예를 들어, 2500ms로 결정할 수 있으며, 사용자의 발화 속도가 정상적이면, 불완전 모드에 대응한 보류 시간(예: 1800ms)과 동일하게 결정할 수 있다.
일 실시예에 따른 동작 1230과 동작 1240에서, 전자 장치(101)는 발화 유형이 완전 문장 및 불완전 문장 모두에 해당하지 않으면, 발화 유형이 미 분류 문장이라고 판단할 수 있다. 이 경우, 전자 장치(101)는 동작 1270에서 보류 시간을 미 분류 모드에 대응한 보류 시간으로 조정할 수 있다. 상기 미 분류 모드에 대응한 보류 시간(예: 900ms)은 전자 장치(101)에 설정된 디폴트 보류 시간(예: 900ms)과 동일할 수 있다. 상기 전자 장치(101)는 미 분류 모드에 대응한 보류 시간(예: 900ms)을 결정함에 있어, 사용자 특성 정보를 더 고려할 수 있다. 예컨대, 사용자의 발화 속도가 빠르면, 미 분류 모드에 대응한 보류 시간(예: 900ms)보다 짧게 예를 들어, 700ms로 결정할 수 있고, 상기 사용자의 발화 속도가 느리면, 미 분류 모드에 대응한 보류 시간(예: 900ms)보다 길게 예를 들어, 1100ms로 결정할 수 있으며, 사용자의 발화 속도가 정상적이면, 미 분류 모드에 대응한 보류 시간(예: 900ms)과 동일하게 결정할 수 있다.
일 실시예에 따른 동작 1280에서, 전자 장치(101)는 상기 추출한 음성 신호에서 상기 결정된 보류 시간 이상의 묵음이 유지되는지를 모니터링할 수 있다. 상기 전자 장치(101)는 보류 시간이 경과하기 전에 묵음 상태가 해제되면, 동작 1230으로 리턴하여 새롭게 획득한 부분 텍스트를 반영하여 발화 유형을 다시 식별할 수 있다. 상기 전자 장치(101)는 보류 시간이 경과할 때까지 묵음 상태가 유지되면, 동작 1290으로 진행하여 사용자의 발화가 종결된 것으로 결정할 수 있다.
도 13은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 수행하는 구성을 도시한 도면이다.
도13을 참조하면, 전자 장치(101)에서 음성을 인식하는 장치(이하 '음성 인식 장치'라 칭함)는 사용자 상태 검출 모듈(1350), 음성 인식 모듈(1360) 및/또는 음성 중단 검출 모듈(1370)(예: 도 11의 음성 중단 검출 모듈(1160))을 포함할 수 있다. 상기 사용자 상태 검출 모듈(1350)과 상기 음성 인식 모듈(1360)은 도 11에서의 음성 분석 모듈(1150)을 구성할 수 있다. 상기 사용자 상태 검출 모듈(1350)은 퍼스널 로직(1351), 제1 데이터 베이스(1353) 및/또는 제2 데이터 베이스(1355)를 포함할 수 있다. 상기 음성 인식 모듈(1360)은 ASR(1361), AEPD 로직(1363), NL-EPD(1365), 임베딩(embedding)(1367) 및/또는 모델 웨이트(model weight)(1369)를 포함할 수 있다. 상기 음성 중단 검출 모듈(1370)은 음향 모델 판정 로직(acoustic model (AM) decision logic)(1371), 음향 모델 종결 판단 로직(AM-EPD logic)(1373) 및/또는 모델 웨이트(model weight)(1375)를 포함할 수 있다.
일 실시예에 따르면, 사용자의 발화로 인하여 발생된 음성 신호(1310)가 음성 비서 서비스와 같은 지정된 기능을 위해 사용되기 위해서는, 화자 인증(speaker verification)(1320) 동작이 수행될 수 있다. 상기 화자 인증 동작은, 예를 들어, 화자 인식 기능을 기반으로 수행되거나, 또는 웨이크-업 수행 시 전달되는 음원 데이터를 사용하여 수행될 수 있다. 상기 화자에 대한 나이 및/또는 성별 분류는 화자 인증 동작에서 수행될 수 있다. 예컨대, 음성 비서 서비스와 같은 지정된 기능이 활성화(1330)된 후, 상기 발화로 인하여 발생된 음성 신호(1310)는 화자의 나이 또는 성별과 같은 특성을 결정(1340)하기 위해 사용될 수 있다.
상기 사용자 상태 검출 모듈(1350)은 사용자의 발화로 인하여 발생된 음성 신호(1310)로부터 순차적으로 인식된 부분 텍스트를 상기 음성 인식 모듈(1360)로부터 제공받을 수 있다. 상기 사용자 상태 검출 모듈(1350)은 화자의 나이 및 성별 또는 화자의 발화 속도 및 묵음 시간 중 적어도 하나를 제공받고, 이를 기반으로 부분 텍스트에 대한 보류 시간을 결정하기 위해 참조할 사용자 특성 정보를 상기 음성 인식 모듈(1360)로 제공할 수 있다.
일 실시예에 따르면, 퍼스널 로직(1351)에는 나이, 및/또는 성별을 분류하는 딥러닝 기반의 검출 모듈(미도시)과 사용자들의 발화 속도를 체크하는 루틴(미도시)이 존재할 수 있다. 상기 퍼스널 로직(1351)은, 예를 들어, ASR(1361)을 통해 전달되는 부분 텍스트 또는 전체 텍스트 중 적어도 하나를 기반으로 사용자 별 발화 속도 및/또는 발화 별 묵음 시간과 횟수를 체크할 수 있다. 예컨대, 상기 퍼스널 로직(1351)은 소정 횟수(예: 처음 10회 정도)의 평균을 취하고, 상기 취해진 평균 값을 기반으로 발화 속도 및 발화 간 묵음 시간과 횟수를 체크할 수 있다. 상기 퍼스널 로직(1351)은 사용자 특성 정보가 체크되기 전까지 사용자 특성 값에 해당하는 적용 값(α 값)을 0으로 설정할 수 있다. 상기 퍼스널 로직(1351)은 내부적으로 결정된 화자의 나이 및 성별을 기반으로 부분 텍스트에 대한 보류 시간을 결정하기 위해 참조할 사용자 특성 값을 관리하는 제1 데이터 베이스(1353)를 가질 수 있다. 상기 퍼스널 로직(1351)은 내부적으로 결정된 화자의 발화 속도 및 묵음 시간을 기반으로 부분 텍스트에 대한 보류 시간을 결정하기 위해 참조할 사용자 특성 값을 관리하는 제2 데이터 베이스(1355)를 가질 수 있다. 상기 퍼스널 로직(1351)은 상기 제1 데이터 베이스(1353) 및 제2 데이터 베이스(1355)에서 관리되는 데이터를 기반으로 사용자 특성을 구분하고, 상기 구분된 결과를 반영한 최종 적용 값(α 값)을 결정할 수 있다. 상기 사용자 특성은, 예를 들어, 고속, 정상 및 저속 모드로 구분할 수 있다. 상기 퍼스널 로직(1351)은 최종 적용 값(α 값)을 계산할 때, 사용자 특성에 상응한 모드가 동일하더라도 상이한 적용 값(α 값)을 결정할 수도 있다. 즉, 최종 적용 값(α 값)은 동일 모드라도 조금씩 값이 차이가 발생할 수 있다. 상기 퍼스널 로직(1351)은 발화 속도가 체크된 이후, 해당 모드에 대하여 더이상 동작하지 않고, 설정된 알파 값(α1, α2, α3)을 계속적으로 사용할 수 있다.
하기 <표 3>은 화자의 연령대 및 성별을 기반으로 미리 설정된 사용자 특성 값(예: 적용 값(value))을 정의하는 제1 데이터 베이스(1353)의 일 예를 보이고 있다.
| 세대 | 모드 | 적용 값 | |
| 청년층 | 남성 | 고속 | + 50ms |
| 여성 | 고속 | - 50ms | |
| 장년층 | 남성 | 저속 | + 50ms |
| 여성 | 저속 | - 50ms | |
| UK | 정상 | + 0ms | |
상기 <표 3>에서는, 장년층의 발화는 청년층의 발화에 비해 상대적으로 느리고, 조음에 상대적으로 긴 시간이 걸리며, 상대적으로 자주 및/또는 상대적으로 더 길게 휴지를 실현하는 경향이 있음을 고려하였다. 또한, 남성의 발화 속도는 여성의 발화 속도와 유의미한 차이가 존재하지 않지만, 남성의 발화가 여성의 발화에 비해 조음 자체가 빠르지만 상대적으로 자주 그리고 상대적으로 더 길게 휴지를 실현하는 차이가 있음을 고려하였다.
상기 <표 3>에서 UK(unknown) 부분은 나이 설정 시, 애매하게 분류된 상태로 해당 경우에는 정상 모드로 세팅할 수 있다. 8세 미만 또는 나이가 분류되는 확률이 낮은 경우에 UK로 분류될 수 있다. 상기 <표 3>에서는 고려되지 않았으나, 필요 시에 개인의 감정, 지역 정보 또한 추가로 고려될 수 있다. 예컨대, 우울한 상태에 대하여 정상 또는 저속 모드를 적용할 수 있고, 사투리 또는 지역 언어의 경우에 말의 속도 및 휴지 속도와 횟수가 차이가 있을 수 있으므로 이 또한 적용될 수 있다.
하기 <표 4>는 화자의 발화 속도 및 묵음 시간을 기반으로 미리 설정된 사용자 특성 값(예: 적용 값(value))을 정의하는 제2 데이터 베이스(1355)의 일 예를 보이고 있다.
| 발화 모드 (speech mode) |
개인별 발화 속도 | 휴지 시간 및 횟수 | 적용 값 |
| 고속 | 완전/애매 감소 값 | 불완전 감소 값 | 문장 별 모드 별 감소 값 적용 |
| 정상 | 완전/애매 0값 | 불완전 0값 | 문장 별 모드 별 0 적용 |
| 저속 | 완전/애매 증가 값 | 불완전 증가 값 | 문장 별 모드 별 증가 값 적용 |
상기 <표 4>에서의 정의는, 다양한 모 집단 실험을 통해서 발화 유형 별로 고속/정상/저속 범위 값을 정한 것이다. 휴지 시간 및 횟수는 새로 획득되는 부분 텍스트 기간 및 긴 휴지 횟수를 체크하며, 개인 별 발화 후 휴지 특성을 체크하여 불완전 문장 분류 시에 개인화 값으로 사용될 수 있도록 정의할 수 있다.
상기 퍼스널 로직(1351)은 부분 텍스트에 대한 보류 시간을 결정하기 위해 참조할 사용자 특성 정보를 AEPD 로직(1363)으로 제공할 수 있다. 상기 AEPD 로직(1363)은 ASR(1361)로부터 제공되는 부분 텍스트를 NL-EPD(1365)로 전달할 수 있다. 상기 NL-EPD(1365)는 상기 AEPD 로직(1363)으로부터 전달된 부분 텍스트를 분석하고, 그 분석 결과를 기반으로 발화 유형을 완전 문장, 불완전 문정 또는 미 분류 문장 중 무엇에 해당하는지를 결정하며, 그 결정된 결과를 상기 AEPD 로직(1363)으로 제공할 수 있다. 상기 NL-EPD(1365)에 의한 분석 결과는 임베딩(1367) 또는 모델 웨이트(1369)에 의해 딥-러닝 또는 기록될 수 있다. 상기 AEPD 로직(1363)은 음성 중단 검출 모듈(1370)로부터 검출된 음성 신호 존재 여부(EPD: 0 또는 1)를 제공받을 수 있다.
상기 음성 인식 모듈(1360)은 상기 식별한 발화 유형 및 화자의 나이, 성별, 화자의 발화 속도, 또는 묵음 시간과 같은 화자 특성 정보를 참조하여 발화 종결 여부를 판정할 수 있다. 상기 음성 인식 모듈(1360)은 상기 발화 종결이 검출되면, 상기 음성 신호에 대한 자동 인식 결과인 최종 텍스트를 출력할 수 있다.
상기 음성 중단 검출 모듈(1370)에서의 동작을 구체적으로 설명하면, 음향 모델 판정 로직(1371)은 사용자의 발화로 인한 오디오 신호를 음향 모델 종결 판단 로직(1373)으로 전달할 수 있다. 상기 음향 모델 종결 판단 로직(1373)은 모델 웨이트(1375)에 접근하여 상기 오디오 신호에 음향 신호가 존재하는지 여부를 판단하고, 그 판정 결과 (VAD: 0 또는 1)를 상기 음향 모델 판정 로직(1371)으로 제공할 수 있다. 상기 음향 모델 판정 로직(1371)은 상기 음향 모델 종결 판단 로직(1373)에 의해 제공된 소정 구간(예: 20ms) 별 음향 존재 여부 식별 정보(VAD)를 기반으로 시간 주기 동안의 음향 상태를 지시하는 정보(EPD)를 결정할 수 있다. 상기 음향 모델 판정 로직(1371)은 상기 결정된 시간 주기 동안의 음향 상태를 지시하는 정보(EPD)를 상기 AEPD 로직(1363)에 제공할 수 있다.
상기 AEPD 로직(1363)은 상기 퍼스널 로직(1351)으로부터 제공된 사용자 특성 정보 및 상기 NL-EPD(1365)로부터 제공된 발화 유형을 기반으로 발화 종결 시점을 판단하기 위해 적용될 보류 시간을 결정할 수 있다. 상기 AEPD 로직(1363)은 상기 음성 중단 검출 모듈(1370)로부터 음성 신호가 존재하지 않는 묵음 구간이 검출되었음을 지시하는 식별자가 제공된 후, 상기 보류 시간이 경과할 때까지 상기 음성 중단 검출 모듈(1370)로부터 음성 신호가 존재함이 식별되지 않으면, 발화 종결을 확정할 수 있다. 상기 AEPD 로직(1363)은 발화 종결을 상기 ASR(1361)로 알려줄 수 있다. 상기 ASR(1361)는 상기 AEPD 로직(1363)으로부터 발화 종결이 보고되면, 상기 발화 종결이 보고되기 전까지 분석된 부분 텍스트들에 의한 전체 텍스트를 생성하고, 상기 전체 텍스트를 자연어 분석을 위한 입력(1387)으로 전달할 수 있다.
도 14는 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 지원하기 위한 모델 학습의 플로우를 도시한 도면이다.
도 14를 참조하면, 동작 1410에서 발화 이슈가 감지되면, 전자 장치(101)는 동작 1430에서 사용자 별 발화 속도 및 발화 별 묵음 시간과 횟수와 같은 말뭉치(corpus)에 해당하는 사용자 특성을 수집할 수 있다. 상기 말뭉치는 언어 현실을 총체적으로 보여줄 수 있는 언어 자료의 집합일 수 있다. 상기 전자 장치(101)는 상기 수집한 사용자 별 특성 정보를 음성 비서 데이터(1411), ASR 관련 데이터(1413) 또는 일반 데이터 (general data)(1415)로 분류할 수 있고, 상기 분류된 음성 비서 데이터(1411), ASR 관련 데이터(1413) 또는 일반 데이터(1415)를 딥-러닝에 따른 트레이닝을 위해 사용될 수 있다. 상기 일반 데이터(1415)는, 예를 들어, 음성 비서 데이터 및, ASR 관련 데이터 외의 데이터를 통칭하는 기술적 의미로 사용될 수 있다.
동작 1420에서 정답지 (ground truth, GT) 이슈가 감지되면, 전자 장치(101)는 동작 1430에서 사용자 별 발화 속도 및 발화 별 묵음 시간과 횟수와 같은 말뭉치에 해당하는 사용자 특성을 수집할 수 있다. 상기 전자 장치(101)는 수집한 사용자 특성을 고려하여 음성 비서 또는 사용자 테스트 (user test) 데이터를 수정하는 작업을 수행할 수 있다. 상기 수정하는 작업은 음성 비서 또는 사용자 테스트 (user test) 데이터에 대한 잘못된 정답지가 모델 성능을 검증하기 위해 사용되는 것을 방지할 수 있다. 상기 전자 장치(101)는 음성 비서 TC(1421) 또는 사용자 테스트 데이터(1423)를 기반으로 모델 성능을 검증하고, 모델에서 부족한 부분이 무엇인지를 체크하여 모델 성능을 향상시키는데 도움을 줄 수 있다.
동작 1440에서 전자 장치(101)는 앞서 수집 및 분류된 사용자 특성 정보들을 기반으로 딥-러닝에 따른 트레이닝을 수행할 수 있다. 상기 트레이닝을 수행할 시, 상기 전자 장치(101)는 검증 데이터 (validation data)를 추출할 수 있다. 상기 전자 장치(101)는 검증 데이터를 사용하여 모델 성능을 검증하게 되고, 상기 검증 데이터에 대하여 성능이 좋은 베스트 모델을 선택할 수 있다.
동작 1450에서 전자 장치(101)는 상기 트레이닝을 통해 획득한 베스트 모델을 적용하여 사용자의 발화 종결 시점을 예측할 수 있다. 동작 1460에서 전자 장치(101)는 다양한 테스트 매트릭 지표를 통하여 모델 성능을 평가하고, 상기 평가된 결과를 기반으로 잘못된 학습 및 테스트 데이터를 수정 보완 작업을 수행할 수 있다.
도 15는 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 음성 인식을 위한 딥-러닝 모델의 데이터 형식을 도시한 도면이다.
도 15를 참조하면, 동작 1510에서 전자 장치(101)는 발화 분류(utterance labeling)를 통해 부분 텍스트 별로 발화 유형을 불완전 문장(0: incomplete), 완전 문장(1: complete) 또는 미 분류 문장(2: ambiguous) 중 하나로 분류할 수 있다. 참조번호 1520은 발화된 부분 텍스트(예: Let, me, know, about Trump) 별로 발화 유형이 불완전 문장(0: incomplete), 완전 문장(1: complete) 또는 미 분류 문장(2: ambiguous) 중 어디에 해당하는지를 분류한 예를 보이고 있다. 상기 전자 장치(101)는 옵션으로 모호한 예제들에 대해서도 학습을 통해 DB화 할 수 있다 (1540).
상술한 바와 같이, 전자 장치는 EPD 특성상 실시간으로 오디오 프레임을 처리한 후, 동작이 되어야 되는 구조를 가질 수 있다. Text 기반 NL-EPD 개발을 위해서는 순차적으로 데이터를 처리할 수 있는 RNN 기반 딥러닝 모델이 사용될 수 있다. 예컨대, 음성 비서 서비스에 연동 되기 위해서 해당 트레이닝(training), 검증(Validation), 및/또는 테스트 데이터를 사용하여 모델 학습을 진행할 수 있다. 기본 문장 유형을 분류하기 위해서는 기본적으로 완전 문장인지 또는 아닌지 체크를 위해서 일반적인 코퍼스 데이터를 활용할 수도 있다.
도 14와 도 15에서는 모델 학습을 위한 데이터 및 라벨(label) 규칙을 보여주고 있다. 해당 기술은 다양한 디바이스에 적용이 가능하기 때문에 폰, 태블릿(tablet), 또는 AI 스피커 관련 데이터를 수집하여 학습 및 테스트를 진행할 수 있다. 기본적으로 텍스트 라벨은 완전/불완전 문장에 대한 라벨을 사용하고, 미 분류 문장 값은 내부 학습 모델에서 완전/불완전에 대한 확률 값이 일정 범위가 안되는 경우 미 분류 문장으로 처리하는 구조를 기본으로 제공할 수 있다. 성능 이슈로 문제가 되는 경우라면, 미 분류 문장 또한 학습 라벨에 포함하여 학습할 수 있는 구조 또한 지원할 수 있다. 발화 시, 장치 컨텍스트(device context) 정보 또한 중요한 요소가 될 수 있다. 따라서, 필요시 장치 상에 컨텍스트 정보(context information)(예: Root 발화, Follow-up 발화, 또는 User confirm 발화) 또한 발화(utterance)와 함께 학습하여 처리할 수 있다.
도 16 내지 도 18은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 실시간 환경에 대응하기 위하여 학습 후 추론을 진행하는 예를 도시한 도면이다.
일 실시예에 따른, 딥-러닝 모델은 RNN을 기반으로 제안될 수 있다. 상기 RNN은 시퀀스 데이터 처리에 강점을 가진 모델로서, 시계열, 또는 자연어와 같은 분야에서 많이 사용되고 있다. 상기 RNN은 이전 타임 스텝(hidden state)에서의 정보를 다음 타임 스텝으로 계속 전달하여 연산하는 방식의 일 예일 수 있다. 상기 RNN은 시퀀스가 너무 길 경우에 앞 쪽 타임 스텝의 정보가 뒤에 있는 타입 스텝까지 충분히 전달되지 못할 수 있다. 이를 장기 의존성 문제(long-term dependencies)라고 할 수 있다.
도 16은 일 실시예에 따른, 전자 장치(예: 도 1의 전자 장치(101))에서 자동 음성 인식을 사용하여 오디오 신호(예: 음성 신호)로부터 순차적으로 인식된 부분 텍스트를 실시간으로 처리하는 연산 구조를 도시한 도면이다.
도 16을 참조하면, 일 실시예에 따른 연산 구조는 입력 계층 (input layer)(1670), 임베딩 계층 (embedding layer)(1660), 포워드 계층 (forward layer)(1650), 백-워드 계층 (backward layer)(1640), 드롭-아웃 계층 (dropout layer)(1630), 완전 연결 계층 (fully connect layer)(1620) 및/또는 예측 계층 (prediction layer)(1610)이 적층된 구조를 가질 수 있다. 상기 연산 구조는, 예를 들어, 양방향 게이트 순환 유닛 (bidirectional gated recurrent unit, GRU) 구조일 수 있다.
일 실시예에 따르면, 도 16에 도시된 연산 구조는 오디오 신호로부터 실시간으로 획득된 부분 텍스트 (예: 는) 또는 앞서 순차적으로 획득된 하나 또는 복수의 부분 텍스트들(예: 오, 늘, 날, 씨)과 상기 실시간으로 획득된 부분 텍스트(예: 는)의 조합에 대한 연산을 수행하고, 상기 연산에 따른 결과를 근거로 하나 또는 복수의 부분 텍스트들이 완전 문장인지 또는 불완전 문장인지를 판단할 수 있다. 상기 연산에 따른 결과를 근거로 하나 또는 복수의 부분 텍스트들이 완전 문장인지 또는 불완전 문장인지를 판단하기에 애매한 경우, 미 분류 문장으로 예측할 수 있다.
일 실시예에 따르면, 도 16에서 음영으로 처리된 연산은 해당 부분 텍스트들(예: 오, 늘, 날, 씨)에 대한 연산이 이미 이루어졌으므로, 그 연산에 따른 결과를 활용함으로써, 생략될 수 있다. 즉, 포워드 계층(1650)에서는 초기 값 (value of ht-1은 0)을 사용하여 모든 부분 텍스트들 (예: 오, 늘, 날, 씨, 는) 각각에 대한 GRU 연산을 순차적으로 수행할 수 있다. 백-워드 계층(1640)에서는 초기 값 (value of ht-1은 0)(1680)을 사용하여 모든 부분 텍스트들 (예: 오, 늘, 날, 씨, 는)에 대해, 역순으로 GRU 연산을 순차적으로 수행하여야 하나, 마지막 부분 텍스트 (예: 는)에 대한 GRU 연산만을 수행하고, 이미 GRU 연산에 의한 결과를 알고 있는 나머지 부분 텍스트들 (예: 오, 늘, 날, 씨)에 대한 GRU 연산을 생략할 수 있다. 상기 포워드 계층(1650)에서의 최종 연산 결과 값과 상기 백-워드 계층(1640)에서의 마지막 부분 텍스트 (예: 는)에 대한 GRU 연산 결과 값은, 드롭-아웃 계층(1630) 및 완전 연결 계층(1620)을 거쳐 예측 계층(1610)에 의해 전체 부분 텍스트들 (예: 오, 늘, 날, 씨, 는)에 대한 최종 연산 결과 값이 예측될 수 있다.
본 개시에서 일 실시예로 제안될 GRU는 RNN에서의 장기 의존성 문제를 개선하고자 제안된 모델일 수 있다. 상기 GRU는 LSTM의 구조를 조금 더 간단하게 개선한 모델일 수 있다.
도 17은 일 실시예에 따른, GRU 모델의 대략적인 구조 및 수식을 도시한 도면이다.
도 17을 참조하면, GRU 모델은 두 개의 게이트, 즉 리셋 게이트(reset gate)(rt), 업-데이트 게이트(update gate)(Zt)가 사용될 수 있다. 또한 셀 상태(cell state), 히든 상태(hidden state)가 합쳐져 하나의 히든 상태로 표현될 수 있다. 상기 리셋 게이트 및 상기 업-데이트 게이트를 구하는 수식은 도 17에 도시되고 있는 바와 같을 수 있다. 상기 리셋 게이트를 구하는 수식은 이전 시점의 히든 상태 (h t-1 )와 현 시점의 x t 를 활성화 함수 시그모이드를 적용하여 현 시점의 히든 상태 (h t )를 구하는 방식일 수 있다. 상기 현 시점의 히든 상태 (h t )에 대한 결과 값은 0~1 사이의 값을 가질 수 있다. 상기 리셋 게이트(rt)로 출력된 값은 그대로 사용되는 것이 아니라 세 번째 수식에 다시 적용될 수 있으며, 해당 수식에서는 이전 시점의 히든 상태(h t-1 )에 리셋 게이트(rt)를 곱하여 계산할 수 있다. 상기 업-데이트 게이트(Zt)는 LSTM의 입력(input), 포겟 게이트(forget gate)와 유사한 역할을 하며, 과거와 현재의 정보를 각각 얼마나 반영할지에 대한 비율을 구할 수 있다. 상기 업-데이트 게이트는 도시된 첫 번째 및 네 번째 수식을 활용하여 획득할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 실시간 자연어 발화 종결 검출 (NL (natural language)-EPD) 처리를 위해서 내부적으로 양방향 GRU (bidirectional gated recurrent unit) 구조, 즉 이전 문맥 정보 뿐만 아니라, 이후 문맥 정보까지 이용한 양방향 구조를 사용하여 설계된 딥-러닝 모델(예: 도 16에 도시된 구조)을 포함할 수 있다.
일 실시예에 따르면, 전자 장치(101)에서 사용된 양방향 GRU 구조는 최대한 다양한 학습 데이터를 사용하여 문맥 정보를 잘 파악할 수 있도록 설계되었다. 또한 상기 양방향 GRU 구조는 다양한 테스트 매트릭스 (test metric)(Accuracy-정확도, F1 Score-조화 평균, ROC curve-전체 성능 지표)를 가지고 강건하고 일반화 성능이 우수한 NL EPD 모델을 만드는 방향으로 설계되었다. RNN 구조에서 LSTM (long short-term memory) 구조와, GRU 구조 중에서 GRU가 LSTM 대비 약 0.25% 작은 학습 파라미터 크기를 가지고 있다. 해당 NL-EPD 학습 시 성능 또한 별 차이가 없는 것으로 보여 기본적으로 GRU 구조를 사용할 수 있다. 적응적 (adaptive) EPD에서 가장 중요한 부분이 실시간 처리라 할 수 있다. 따라서, GRU 구조로도 처리 속도를 만족시키기 못할 경우에 자체 추론 (inference) 엔진을 구축하여 도시된 바와 같이 3가지 추가 개선점을 적용하여 속도를 향상시키는 방향으로 딥-러닝 구조를 설계할 수 있다.
일 실시예에 따르면, 부분 텍스트 구조상 주기적으로 텍스트를 보내고, 처리하는 구조일 수 있다. 이 경우, 텍스트 처리 모듈을 독립적으로 설계하여 중복 연산 및 불필요한 연산을 제한함으로써, 추론 속도를 개선할 수 있다. 학습 시 공용 딥-러닝 프레임워크(Tensorflow, PyTorch)를 사용하고, 추론 (inference) 시, 자체 C++ 기반 추론 엔진을 구축하여 실시간 처리가 가능한 솔루션이 될 수 있다. 상기 C++ 추론 엔진 구축은 플랫폼 의존성을 없애서 다양한 프레임워크에 사용 가능한 구조를 가질 수 있다 (Android java - JNI C++ interface library 작업, Window C++ - Window intel x64 build library, Tizen C++ - ARM 기반 C++ library).
일 실시예에 따르면, 전자 장치(101)는 딥-러닝을 위한 모델로 실시간 처리와 함께 크기의 경량화가 필요할 수 있다. 이를 위하여, 딥러닝 모델 내에서 가장 큰 비중이 차지하는 단어 임베딩(사람이 사용하는 자연어를 기계가 이해할 수 있는 숫자 형태인 Vector로 바꾼 결과) 레이어를 최적화시켜 설계함이 바람직할 수 있다 (Optimizer Char Embedding (한국어, 중국어, 일본어) - 문자로 임베딩 구성, Quantization Hybrid Embedding(영어, 스페인어, 독일어, 이태리어) - Word 혹은 BPE 임베딩 방식의 양자화 기법을 통해서 32 비트 부동 소수점 (floating-point) 임베딩 값을 8 비트 고정 소수점 (fixed-point) 값으로 변환을 통해서 경량화된 임베딩을 구성할 수 있다. 또한, 양자화 시 성능 저하를 최소화시키는 방향으로 학습 및 추론 작업을 수행할 수도 있다.
도 18을 참조하면, 최초로 입력된 부분 텍스트들(1811, 1812, 1813, 1814, 1815, 1816)은 임베딩 계층(1660), GRU 포워드 계층(1650), GRU 백워드 계층(1640)에서의 연산이 수행될 수 있다. 하지만 한번의 연산이 수행된 부분 텍스트들(1821, 1822, 1823, 1824, 1825)은 임베딩 계층(1660), GRU 포워드 계층(1650), GRU 백워드 계층(1640)에서의 연산을 수행하지 않을 수 있다.
예컨대, 사용자가 '오늘 날씨가 덥다고 엄마에게 문자를 보내줘'라고 발화를 하는 경우, ASR의 부분 텍스트 생성 시점 마다 부분 텍스트들을 순차적으로 입력을 받게 되는데, 최초로 입력된 부분 텍스트들(1811, 1812, 1813, 1814, 1815, 1816)에 대해서는 GRU 연산이 수행될 수 있다. 그 후, 한번의 GRU 연산이 수행되었던 부분 텍스트들(1811, 1812, 1813, 1814, 1815, 1816)이 ASR로부터 입력되더라도, GRU 연상을 수행하지 않고, 선행하여 수행된 연산 값을 참조하는 구조로 설계됨에 따라, 처리 속도를 개선시킬 수 있다. 한편, 동일한 부분 텍스트가 연속하여 들어오는 경우, 새로 전달되는 부분 텍스트에 대해서만 GRU 연산을 수행하고, 나머지 부분 텍스트에 대해서는 앞서 획득한 연산 값이 사용될 수 있다. 중간에 부분 텍스트가 보정되어서 변경되는 경우, 이전 값을 사용할 수 없으므로, 이 경우에 한하여 신규 부분 텍스트를 포함한 전체 텍스트에 대하여 GRU 연산을 수행할 수 있다.
본 개시 내용이 특정 실시 양태를 참조하여 특히 도시되고 설명되었지만, 첨부된 청구범위 및 그 균등물에 의해 정의된 바와 같이 개시 내용의 사상 및 범위를 벗어나지 않고 형태 및 세부 사항에 있어서 다양한 변형이 이루어질 수 있다는 것이 당업자에 의해 이해될 것이다.
본 개시의 일 실시예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는, 사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적인 오디오 신호로 변환하여 출력하도록 구성된 마이크(예: 도 4의 마이크(MIC)(450)); 메모리(예: 도 4의 메모리(430)); 및 상기 마이크(450) 및 상기 메모리(430)와 전기적으로 연결되는 적어도 하나의 프로세서(예: 도 4의 프로세서(410))를 포함하며, 여기서, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 마이크(450)로부터 입력된 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하고, 상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하며, 상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하도록 하는 인스트럭션들(예: 도 4의 인스트럭션(435))을 저장하며, 여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고, 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고, 상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며, 상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트일 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 보류 시간 동안 묵음(默音)이 유지되면, 상기 발화 종결이 검출된 것으로 판단하도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 음성 인식 기술을 사용하여 상기 발화 유형이 상기 완전 문장임을 식별하면, 상기 보류 시간을 감소시키도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 불완전 문장임을 식별하면, 상기 보류 시간을 증가시키도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 미 분류 문장으로 식별되면, 상기 보류 시간을 유지하도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 보류 시간이 경과할 때까지 묵음(默音)이 유지되면, 상기 입력된 오디오 신호로부터 인식된 전체 텍스트를 처리하여 기계어로 출력하도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 상기 보류 시간을 적응적으로 설정하기 위해, 사용자 특성 데이터를 상기 식별한 발화 유형과 함께 고려하도록 하는 인스트럭션들(435)을 저장하며, 여기서, 상기 사용자 특정 데이터는 발화 속도, 발화 간 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 감정 중 적어도 하나에 대한 정도를 지시하는 값일 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 딥-러닝 기술을 사용하여 상기 사용자 특정 데이터를 상기 메모리에 축적하도록 하는, 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 양방향 게이트 순환 유닛 (bidirectional gated recurrent unit) 구조를 사용하여 상기 입력된 오디오 신호로부터 실시간으로 획득되는 부분 텍스트 또는 선행하여 획득된 하나 또는 복수의 부분 텍스트들과 상기 실시간으로 획득되는 부분 텍스트의 조합이 상기 완전 문장인지 또는 상기 불완전 문장인지를 판단하고, 상기 완전 문장이면, 상기 보류 시간을 기준 보류 시간보다 작게 설정하고, 상기 불완전 문장이면, 상기 보류 시간을 상기 기준 보류 시간보다 크게 설정하며, 상기 미 분류 문장이면, 상기 보류 시간을 상기 기준 보류 시간으로 설정하도록 하는 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 상기 메모리(430)는, 실행 시에 상기 적어도 하나의 프로세서(410)가, 딥-러닝 기술을 사용하여 상기 완전 문장 또는 상기 불완전 문장을 학습하고, 상기 학습에 따른 데이터를 상기 메모리에 축적하도록 하는, 인스트럭션들(435)을 저장할 수 있다.
본 개시의 일 실시예에 따르면, 전자 장치 (예: 도 1의 전자 장치(101))에서의 동작 방법은, 사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적 신호로 변환한 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하는 동작(예: 도 5의 동작 510)); 상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하는 동작(예: 도 5의 동작 520)); 및 상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하는 동작(예: 도 5의 동작 530))을 포함하며, 여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고, 상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고, 상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며, 상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트일 수 있다.
본 개시의 일 실시예에 따르면, 상기 발화 종결을 검출하는 동작(530)은, 상기 보류 시간 동안 묵음(默音)이 유지되면, 상기 발화 종결이 검출된 것으로 판단하는 동작일 수 있다.
본 개시의 일 실시예에 따르면, 상기 보류 시간을 적응적으로 설정하는 동작(520)은, 음성 인식 기술을 사용하여 상기 발화 유형이 완전 문장임을 식별하면, 상기 보류 시간을 감소시키는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 상기 보류 시간을 적응적으로 설정하는 동작(520)은, 상기 음성 인식 기술을 사용하여 상기 발화 유형이 불완전 문장임을 식별하면, 상기 보류 시간을 증가시키는 동작을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 상기 보류 시간을 적응적으로 설정하는 동작(520)은, 상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 미 분류 문장으로 식별되면, 상기 보류 시간을 유지하는 동작을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 상기 보류 시간이 경과할 때까지 묵음(默音)이 유지되면, 상기 입력된 오디오 신호로부터 인식된 전체 텍스트를 처리하여 기계어로 출력하는 동작을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 사용자 특성 데이터를 상기 식별한 발화 유형과 함께 고려하여 상기 보류 시간을 적응적으로 설정하며, 여기서, 상기 사용자 특정 데이터는 발화 속도, 발화 간 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 감정 중 적어도 하나에 대한 정도를 지시하는 값일 수 있다.
본 개시의 일 실시예에 따르면, 딥-러닝 기술을 사용하여 상기 사용자 특정 데이터를 메모리에 축적하는 동작을 더 포함할 수 있다.
본 개시의 일 실시예에 따르면, 상기 발화 유형을 식별하는 동작(510)은, 양방향 게이트 순환 유닛 (bidirectional gated recurrent unit) 구조를 사용하여 상기 입력된 오디오 신호로부터 실시간으로 획득되는 부분 텍스트 또는 선행하여 획득된 하나 또는 복수의 부분 텍스트들과 상기 실시간으로 획득되는 부분 텍스트의 조합이 상기 완전 문장 또는 불완전 문장인지를 판단하는 동작이며, 상기 보류 시간을 적응적으로 설정하는 동작은, 상기 완전 문장으로 판단하면, 상기 보류 시간을 기준 보류 시간보다 작게 설정하는 동작; 상기 불완전 문장으로 판단하면, 상기 보류 시간을 상기 기준 보류 시간보다 크게 설정하는 동작; 및 상기 미 분류 문장으로 판단하면, 상기 보류 시간을 상기 기준 보류 시간으로 설정하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 딥-러닝 기술을 사용하여 상기 완전 문장 또는 상기 불완전 문장을 학습하고, 상기 학습에 따른 데이터를 메모리에 축적하는 동작을 더 포함할 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성될 수 있다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함할 수 있다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(ROM: read only memory), 전기적 삭제가능 프로그램가능 롬(EEPROM: electrically erasable programmable read only memory), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(CD-ROM: compact disc-ROM), 디지털 다목적 디스크(DVDs: digital versatile discs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 상기 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WLAN(wide LAN), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시예를 수행하는 장치에 접속할 수도 있다.
보호 범위는 첨부되는 독립 청구항에 의해 정의될 수 있다. 추가적인 특징들은 첨부되는 종속 청구항에 의하여 특정될 수 있다. 예시 구현들(Example implementations)은 임의의 청구항으로부터, 임의의 그리고 모든 순열(permutation)들로, 공동으로 그리고 개별적으로 취해진(taken) 하나 이상의 특징들을 포함함으로써 실현될 수 있다.
본 개시에서 기술된 예시들(examples)은, 첨부되는 독립 청구항들에 의해 특정된 하나 이상의 특징들에 대응하는 구성요소들의 비제한적인 예시 구현들(example implementations)을 포함하며, 이들 특징들(또는 이들의 대응하는 구성요소들)은, 개별적으로 또는 조합하여, 본 개시로부터 통상의 기술자에 의해 추론될 수 있는 하나 이상의 기술적 문제를 개선하는데 기여할 수 있다.
또한, 본 개시에서 기술되는 임의의 하나의 예시(example) 중 하나 이상의 선택된 구성요소는, 본 개시에서 기술되는 다른 하나 이상의 예시(example)의 하나 이상의 선택된 구성요소들과 조합될 수 있고, 또는 대안적으로 첨부되는 독립항의 특징들과 조합되어 추가적인 대체 예(example)를 형성할 수 있다.
추가적인 예시 구현들(example implementations)은, 본 개시에서 기술된 임의의 구현으로부터(of any herein described implementation), 임의의 그리고 모든 순열들로, 공동으로 그리고 개별적으로 취해진(taken) 하나 이상의 구성요소들을 포함함으로써 실현될 수 있다. 또 다른 예시 구현들(example implementations)은, 첨부되는 청구항들의 하나 이상의 특징들을 본 개시에서 기술되는 임의의 예시 구현(example implementation) 중 선택된 하나 이상의 구성요소들과 조합함으로써, 역시 실현될 수 있다.
그러한 추가적인 예시 구현들(example implementations)을 형성함에 있어서, 본 개시에서 기술되는 임의의 예시 구현(any example implementation) 중 일부 구성요소들(some components)은 생략될 수 있다. 생략될 수 있는 하나 이상의 구성요소들은, 통상의 기술자가 본 개시로부터 식별 가능한(discernible) 기술적 문제에 비추어 본 기술의 기능에 그렇게 필수적이지 않은 것이라고 직접적이고 명백하게 이해할 수 있는(would recognize) 구성요소다. 통상의 기술자는, 이러한 생략된 구성요소들을 교체 또는 제거하더라도, 그 변경(change)을 보상하기 위하여 추가적인 대체 예(the further alternative example)의 다른 구성요소들 또는 특징들을 수정(modification)할 필요가 없다는 점을 이해할 것이다(would recognize). 따라서, 추가적인 예시 구현들은(further example implementations), 본 기술에 따라서, 비록 그 특징들 및/또는 구성요소들의 선택된 조합이 구체적으로 언급되지 않더라도, 본 개시 내에 포함될 수 있다.
본 개시에 기술된 임의의 예시 구현(any described example implementation)의 둘 이상의 물리적으로 별개의 구성요소들은 대안적으로, 그 통합이 가능하다면 단일 구성요소로 통합될 수도 있으며, 그렇게 형성된 단일한 구성요소에 의해 동일한 기능이 수행된다면, 그 통합은 가능하다. 반대로, 본 개시에 기술된 임의의 예시 구현(any example implementation)의 단일한 구성요소는, 대안적으로, 적절한 경우, 동일한 기능을 달성하는 둘 이상의 별개의 구성요소들로 구현될 수도 있다.
상술한 본 개시의 구체적인 실시예들에서, 개시에 포함되는 구성요소는 제시된 구체적인 실시예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성요소에 제한되는 것은 아니며, 복수로 표현된 구성요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성요소라 하더라도 복수로 구성될 수 있다.
한편 본 개시의 상세한 설명에서는 구체적인 실시예에 관해 설명하였으나, 본 개시의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 개시의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며 후술하는 특허청구의 범위뿐만 아니라 이 특허청구의 범위와 균등한 것들에 의해 정해져야 한다.
Claims (20)
- 전자 장치에 있어서,
사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적인 오디오 신호로 변환하여 출력하도록 구성된 마이크;
메모리; 및
상기 마이크 및 상기 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하며,
여기서, 상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 마이크로부터 입력된 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하고,
상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하며,
상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하도록 하는 인스트럭션들을 저장하며,
여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고,
상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고,
상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며,
상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트인, 전자 장치. - 제1항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 보류 시간 동안 묵음(默音)이 유지되면, 상기 발화 종결이 검출된 것으로 판단하도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제1항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
음성 인식 기술을 사용하여 상기 발화 유형이 상기 완전 문장임을 식별하면, 상기 보류 시간을 감소시키도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제3항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 불완전 문장임을 식별하면, 상기 보류 시간을 증가시키도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제4항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 미 분류 문장으로 식별되면, 상기 보류 시간을 유지하도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제1항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 보류 시간이 경과할 때까지 묵음(默音)이 유지되면, 상기 입력된 오디오 신호로부터 인식된 전체 텍스트를 처리하여 기계어로 출력하도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제1항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
상기 보류 시간을 적응적으로 설정하기 위해, 사용자 특성 데이터를 상기 식별한 발화 유형과 함께 고려하도록 하는 인스트럭션들을 저장하며,
여기서, 상기 사용자 특정 데이터는 발화 속도, 발화 간 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 감정 중 적어도 하나에 대한 정도를 지시하는 값인, 전자 장치. - 제7항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
딥-러닝 기술을 사용하여 상기 사용자 특정 데이터를 상기 메모리에 축적하도록 하는, 인스트럭션들을 저장하는, 전자 장치. - 제1항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
양방향 게이트 순환 유닛 (bidirectional gated recurrent unit) 구조를 사용하여 상기 입력된 오디오 신호로부터 실시간으로 획득되는 부분 텍스트 또는 선행하여 획득된 하나 또는 복수의 부분 텍스트들과 상기 실시간으로 획득되는 부분 텍스트의 조합이 상기 완전 문장인지 또는 상기 불완전 문장인지를 판단하고,
상기 완전 문장이면, 상기 보류 시간을 기준 보류 시간보다 작게 설정하고,
상기 불완전 문장이면, 상기 보류 시간을 상기 기준 보류 시간보다 크게 설정하며,
상기 미 분류 문장이면, 상기 보류 시간을 상기 기준 보류 시간으로 설정하도록 하는 인스트럭션들을 저장하는, 전자 장치. - 제9항에 있어서,
상기 메모리는, 실행 시에 상기 적어도 하나의 프로세서가,
딥-러닝 기술을 사용하여 상기 완전 문장 또는 상기 불완전 문장을 학습하고, 상기 학습에 따른 데이터를 상기 메모리에 축적하도록 하는, 인스트럭션들을 저장하는, 전자 장치. - 전자 장치에서의 동작 방법에 있어서,
사용자의 발화에 의해 외부로부터 인가되는 신호를 전기적 신호로 변환한 오디오 신호로부터 순차적으로 인식되는 하나 또는 복수의 부분 텍스트들을 기반으로 상기 입력된 오디오 신호에 대한 발화 유형을 식별하는 동작;
상기 식별한 발화 유형을 기반으로 보류 시간을 적응적으로 결정하는 동작; 및
상기 보류 시간을 적용하여 상기 오디오 신호의 발화 종결을 검출하는 동작을 포함하며,
여기서, 상기 입력된 오디오 신호에 대한 발화 유형은, 완전 문장, 불완전 문장 또는 미 분류 문장 중 하나에 해당하고,
상기 완전 문장은 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 가능한 텍스트이고,
상기 불완전 문장은 상기 자연어 이해를 기반으로 동작 수행을 지시할 명령어의 식별이 불가능한 텍스트이며,
상기 미 분류 문장은 상기 완전 문장 또는 상기 불완전 문장으로 분류되지 않은 텍스트인, 방법. - 제11항에 있어서,
상기 발화 종결을 검출하는 동작은,
상기 보류 시간 동안 묵음(默音)이 유지되면, 상기 발화 종결이 검출된 것으로 판단하는 동작인, 방법. - 제11항에 있어서,
상기 보류 시간을 적응적으로 설정하는 동작은,
음성 인식 기술을 사용하여 상기 발화 유형이 완전 문장임을 식별하면, 상기 보류 시간을 감소시키는 동작을 포함하는, 방법. - 제13항에 있어서,
상기 보류 시간을 적응적으로 설정하는 동작은,
상기 음성 인식 기술을 사용하여 상기 발화 유형이 불완전 문장임을 식별하면, 상기 보류 시간을 증가시키는 동작을 더 포함하는, 방법. - 제14항에 있어서,
상기 보류 시간을 적응적으로 설정하는 동작은,
상기 음성 인식 기술을 사용하여 상기 발화 유형이 상기 미 분류 문장으로 식별되면, 상기 보류 시간을 유지하는 동작을 더 포함하는, 방법. - 제11항에 있어서,
상기 보류 시간이 경과할 때까지 묵음(默音)이 유지되면, 상기 입력된 오디오 신호로부터 인식된 전체 텍스트를 처리하여 기계어로 출력하는 동작을 더 포함하는, 방법. - 제11항에 있어서,
사용자 특성 데이터를 상기 식별한 발화 유형과 함께 고려하여 상기 보류 시간을 적응적으로 설정하며,
여기서, 상기 사용자 특정 데이터는 발화 속도, 발화 간 묵음 시간, 묵음 횟수, 사용자 성별, 나이, 지역, 감정 중 적어도 하나에 대한 정도를 지시하는 값인, 방법. - 제17항에 있어서,
딥-러닝 기술을 사용하여 상기 사용자 특정 데이터를 메모리에 축적하는 동작을 더 포함하는, 방법. - 제11항에 있어서,
상기 발화 유형을 식별하는 동작은,
양방향 게이트 순환 유닛 (bidirectional gated recurrent unit) 구조를 사용하여 상기 입력된 오디오 신호로부터 실시간으로 획득되는 부분 텍스트 또는 선행하여 획득된 하나 또는 복수의 부분 텍스트들과 상기 실시간으로 획득되는 부분 텍스트의 조합이 상기 완전 문장 또는 불완전 문장인지를 판단하는 동작이며,
상기 보류 시간을 적응적으로 설정하는 동작은,
상기 완전 문장으로 판단하면, 상기 보류 시간을 기준 보류 시간보다 작게 설정하는 동작;
상기 불완전 문장으로 판단하면, 상기 보류 시간을 상기 기준 보류 시간보다 크게 설정하는 동작; 및
상기 미 분류 문장으로 판단하면, 상기 보류 시간을 상기 기준 보류 시간으로 설정하는 동작을 포함하는, 방법. - 제19항에 있어서,
딥-러닝 기술을 사용하여 상기 완전 문장 또는 상기 불완전 문장을 학습하고, 상기 학습에 따른 데이터를 메모리에 축적하는 동작을 더 포함하는, 방법.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210016321A KR20220112596A (ko) | 2021-02-04 | 2021-02-04 | 음성 인식을 지원하는 전자 장치 및 그 동작 방법 |
| PCT/KR2022/001762 WO2022169301A1 (ko) | 2021-02-04 | 2022-02-04 | 음성 인식을 지원하는 전자 장치 및 그 동작 방법 |
| EP22750050.1A EP4273856A4 (en) | 2021-02-04 | 2022-02-04 | ELECTRONIC DEVICE SUPPORTING SPEECH RECOGNITION AND METHOD OF OPERATING THE SAME |
| CN202280013646.6A CN116868266A (zh) | 2021-02-04 | 2022-02-04 | 支持语音识别的电子设备及其操作方法 |
| US18/357,594 US20230368781A1 (en) | 2021-02-04 | 2023-07-24 | Electronic device supporting speech recognition and operating method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210016321A KR20220112596A (ko) | 2021-02-04 | 2021-02-04 | 음성 인식을 지원하는 전자 장치 및 그 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220112596A true KR20220112596A (ko) | 2022-08-11 |
Family
ID=82742420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210016321A KR20220112596A (ko) | 2021-02-04 | 2021-02-04 | 음성 인식을 지원하는 전자 장치 및 그 동작 방법 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20230368781A1 (ko) |
| EP (1) | EP4273856A4 (ko) |
| KR (1) | KR20220112596A (ko) |
| CN (1) | CN116868266A (ko) |
| WO (1) | WO2022169301A1 (ko) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9666192B2 (en) * | 2015-05-26 | 2017-05-30 | Nuance Communications, Inc. | Methods and apparatus for reducing latency in speech recognition applications |
| KR20180084394A (ko) * | 2017-01-17 | 2018-07-25 | 삼성전자주식회사 | 발화 완료 감지 방법 및 이를 구현한 전자 장치 |
| US10636421B2 (en) * | 2017-12-27 | 2020-04-28 | Soundhound, Inc. | Parse prefix-detection in a human-machine interface |
| US10943606B2 (en) * | 2018-04-12 | 2021-03-09 | Qualcomm Incorporated | Context-based detection of end-point of utterance |
| US10490207B1 (en) * | 2018-05-11 | 2019-11-26 | GM Global Technology Operations LLC | Automated speech recognition using a dynamically adjustable listening timeout |
| KR102086601B1 (ko) * | 2018-08-10 | 2020-03-09 | 서울대학교산학협력단 | 담화 성분과 화행을 고려한 한국어 대화체 코퍼스 분류 방법 및 시스템 |
| KR20200041199A (ko) * | 2018-10-11 | 2020-04-21 | 삼성생명보험주식회사 | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 |
| KR20200109843A (ko) * | 2019-03-14 | 2020-09-23 | 주식회사 포지큐브 | 스피치 인식 방법 |
-
2021
- 2021-02-04 KR KR1020210016321A patent/KR20220112596A/ko active Search and Examination
-
2022
- 2022-02-04 EP EP22750050.1A patent/EP4273856A4/en active Pending
- 2022-02-04 WO PCT/KR2022/001762 patent/WO2022169301A1/ko active Application Filing
- 2022-02-04 CN CN202280013646.6A patent/CN116868266A/zh active Pending
-
2023
- 2023-07-24 US US18/357,594 patent/US20230368781A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022169301A1 (ko) | 2022-08-11 |
| CN116868266A (zh) | 2023-10-10 |
| EP4273856A1 (en) | 2023-11-08 |
| EP4273856A4 (en) | 2024-05-29 |
| US20230368781A1 (en) | 2023-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10832674B2 (en) | Voice data processing method and electronic device supporting the same | |
| KR102298947B1 (ko) | 음성 데이터 처리 방법 및 이를 지원하는 전자 장치 | |
| US20220172707A1 (en) | Speech recognition method and apparatus, device, and storage medium | |
| KR102371313B1 (ko) | 사용자 발화를 처리하는 전자 장치 및 그 전자 장치의 제어 방법 | |
| US20190019509A1 (en) | Voice data processing method and electronic device for supporting the same | |
| KR102628211B1 (ko) | 전자 장치 및 그 제어 방법 | |
| KR20200059054A (ko) | 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법 | |
| KR102369083B1 (ko) | 음성 데이터 처리 방법 및 이를 지원하는 전자 장치 | |
| KR20190109916A (ko) | 전자 장치 및 상기 전자 장치로부터 수신된 데이터를 처리하는 서버 | |
| CN114762038A (zh) | 在多轮对话中的自动轮次描述 | |
| KR20210047709A (ko) | 음성 인식 방법 및 음성 인식 장치 | |
| KR20210042523A (ko) | 전자 장치 및 이의 제어 방법 | |
| KR20220112596A (ko) | 음성 인식을 지원하는 전자 장치 및 그 동작 방법 | |
| CN118280343A (zh) | 时长预测、语音合成和模型训练方法、装置、介质及设备 | |
| KR20220086265A (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
| KR20220118818A (ko) | 전자 장치 및 전자 장치의 동작 방법 | |
| KR20220136750A (ko) | 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법 | |
| KR20220055937A (ko) | 전자 장치 및 전자 장치의 음성 인식 수행 방법 | |
| KR20190094310A (ko) | 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체 | |
| EP4428854A1 (en) | Method for providing voice synthesis service and system therefor | |
| US20240071363A1 (en) | Electronic device and method of controlling text-to-speech (tts) rate | |
| EP4394762A1 (en) | Electronic device, and voice recognition method of electronic device | |
| US20230335112A1 (en) | Electronic device and method of generating text-to-speech model for prosody control of the electronic device | |
| KR20230126123A (ko) | 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법 | |
| US20220328043A1 (en) | Electronic device for processing user utterance and control method thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination |