KR20220115453A

KR20220115453A - 음성 구간 인식의 향상을 지원하는 전자 장치

Info

Publication number: KR20220115453A
Application number: KR1020210019490A
Authority: KR
Inventors: 유승범; 박성재; 오혁; 최명용; 최준권
Original assignee: 삼성전자주식회사
Priority date: 2021-02-10
Filing date: 2021-02-10
Publication date: 2022-08-17
Also published as: WO2022173104A1

Abstract

다양한 실시예에서, 전자 장치는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다. 그 외에도, 다양한 실시예들이 가능하다.

Description

음성 구간 인식의 향상을 지원하는 전자 장치{ELECTRONIC DEVICE SUPPORTING IMPROVED VOICE ACTIVITY DETECTION}

다양한 실시예는 사용자 발화에서 음성 구간 인식(voice activity detection)(VAD)을 이용한 인공 지능(artificial intelligent)(AI) 에이전트 서비스를 사용자에게 제공하는 방법 및 장치에 관한 것이다.

인공 지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다.

인공 지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(deep learning) 기술 및 기계학습 기술을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성될 수 있다.

예컨대, 요소기술들은 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.

언어적 이해 기술은 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함할 수 있다. 언어적 이해 기술의 한 예로 전자 장치가, 기계 학습 기술로 훈련하여 생성된 ASR(automatic speech recognition) 모델을 이용하여 사용자의 발화(utterance)를 인식함으로써, 발화에 대응하는 텍스트 데이터를 생성할 수 있다.

전자 장치는 오디오 신호에서 사용자 음성(발화)이 있는 구간을 인식하고, 인식된 구간 내 사용자 발화에서 사용자의 의도를 이해하고, 사용자 의도에 대응하는 응답을 음성으로 출력하는 인공 지능(artificial intelligent)(AI) 에이전트 서비스를 사용자에게 제공할 수 있다.

사용자 발화 시 주변 소음(예: TV에서 흘러나오는 음성, 청소기 소음, 주변인 음성)은 사용자의 음성 구간을 인식하는 것을 어렵게 하는 방해 요소일 수 있다.

사용자 명령에 대한 응답은 VAD에 의존적일 수 있다. 예컨대, 사용자 음성의 시작 및/또는 끝이 잘못 인식되면, 응답이 느려 사용자를 답답하게 하거나 응답이 너무 빨라 사용자의 발화를 끊을 수 있다.

다양한 실시예는 주변 소음에 강인한 VAD를 구현하는 전자 장치를 제공할 수 있다.

본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

다양한 실시예에서, 전자 장치는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다.

다양한 실시예에서, 전자 장치를 동작하는 방법은, 마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작; 상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 전자 장치는 사용자가 발화할 때 주변이 소음이 있어도 사용자 발화에서 음성 구간을 정확하게 인식할 수 있다. 이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도 1 은, 다양한 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2 는, 다양한 실시에 따른, 오디오 모듈의 블록도이다.
도 3 은 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 4는 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
도 5는 다양한 실시 예에 따른 사용자 단말이 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
도 6은, 다양한 실시예에 따른, 소음에 강인한 음성 비서 서비스를 제공하도록 구성된 전자 장치(600)의 블록도이다.
도 7은, 일 실시예에 따른, 도 6의 음성 구간 인식 모듈의 블록도이다.
도 8은 음성 구간을 인식하기 위해 이용되는 훈련 데이터를 생성하는 동작의 일례를 나타낸다.
도 9는, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 10은, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 11은, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 12는, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.
도 13은, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.

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 인공 지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공 지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공 지능 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. 인공 지능 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. 인공 지능 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.

도 2는, 다양한 실시에 따른, 오디오 모듈(170)의 블록도(200)이다. 도 2를 참조하면, 오디오 모듈(170)은, 예를 들면, 오디오 입력 인터페이스(210), 오디오 입력 믹서(220), ADC(analog to digital converter)(230), 오디오 신호 처리기(240), DAC(digital to analog converter)(250), 오디오 출력 믹서(260), 또는 오디오 출력 인터페이스(270)를 포함할 수 있다.

오디오 입력 인터페이스(210)는 입력 모듈(150)의 일부로서 또는 전자 장치(101)와 별도로 구성된 마이크(예: 다이나믹 마이크, 콘덴서 마이크, 또는 피에조 마이크)를 통하여 전자 장치(101)의 외부로부터 획득한 소리에 대응하는 오디오 신호를 수신할 수 있다. 예를 들어, 오디오 신호가 외부의 전자 장치(102)(예: 헤드셋 또는 마이크)로부터 획득되는 경우, 오디오 입력 인터페이스(210)는 상기 외부의 전자 장치(102)와 연결 단자(178)를 통해 직접, 또는 무선 통신 모듈(192)을 통하여 무선으로(예: Bluetooth 통신) 연결되어 오디오 신호를 수신할 수 있다. 일실시예에 따르면, 오디오 입력 인터페이스(210)는 상기 외부의 전자 장치(102)로부터 획득되는 오디오 신호와 관련된 제어 신호(예: 입력 버튼을 통해 수신된 볼륨 조정 신호)를 수신할 수 있다. 오디오 입력 인터페이스(210)는 복수의 오디오 입력 채널들을 포함하고, 상기 복수의 오디오 입력 채널들 중 대응하는 오디오 입력 채널 별로 다른 오디오 신호를 수신할 수 있다. 일실시예에 따르면, 추가적으로 또는 대체적으로, 오디오 입력 인터페이스(210)는 전자 장치(101)의 다른 구성 요소(예: 프로세서(120) 또는 메모리(130))로부터 오디오 신호를 입력 받을 수 있다.

오디오 입력 믹서(220)는 입력된 복수의 오디오 신호들을 적어도 하나의 오디오 신호로 합성할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 입력 믹서(220)는, 오디오 입력 인터페이스(210)를 통해 입력된 복수의 아날로그 오디오 신호들을 적어도 하나의 아날로그 오디오 신호로 합성할 수 있다.

ADC(230)는 아날로그 오디오 신호를 디지털 오디오 신호로 변환할 수 있다. 예를 들어, 일실시예에 따르면, ADC(230)는 오디오 입력 인터페이스(210)을 통해 수신된 아날로그 오디오 신호, 또는 추가적으로 또는 대체적으로 오디오 입력 믹서(220)를 통해 합성된 아날로그 오디오 신호를 디지털 오디오 신호로 변환할 수 있다.

오디오 신호 처리기(240)는 ADC(230)를 통해 입력 받은 디지털 오디오 신호, 또는 전자 장치(101)의 다른 구성 요소로부터 수신된 디지털 오디오 신호에 대하여 다양한 처리를 수행할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 신호 처리기(240)는 하나 이상의 디지털 오디오 신호들에 대해 샘플링 비율 변경, 하나 이상의 필터 적용, 보간(interpolation) 처리, 전체 또는 일부 주파수 대역의 증폭 또는 감쇄, 노이즈 처리(예: 노이즈 또는 에코 감쇄), 채널 변경(예: 모노 및 스테레오간 전환), 합성(mixing), 또는 지정된 신호 추출을 수행할 수 있다. 일실시예에 따르면, 오디오 신호 처리기(240)의 하나 이상의 기능들은 이퀄라이저(equalizer)의 형태로 구현될 수 있다.

DAC(250)는 디지털 오디오 신호를 아날로그 오디오 신호로 변환할 수 있다. 예를 들어, 일실시예에 따르면, DAC(250)는 오디오 신호 처리기(240)에 의해 처리된 디지털 오디오 신호, 또는 전자 장치(101)의 다른 구성 요소(예: 프로세서(120) 또는 메모리(130))로부터 획득한 디지털 오디오 신호를 아날로그 오디오 신호로 변환할 수 있다.

오디오 출력 믹서(260)는 출력할 복수의 오디오 신호들을 적어도 하나의 오디오 신호로 합성할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 출력 믹서(260)는 DAC(250)를 통해 아날로그로 전환된 오디오 신호 및 다른 아날로그 오디오 신호(예: 오디오 입력 인터페이스(210)을 통해 수신한 아날로그 오디오 신호)를 적어도 하나의 아날로그 오디오 신호로 합성할 수 있다.

오디오 출력 인터페이스(270)는 DAC(250)를 통해 변환된 아날로그 오디오 신호, 또는 추가적으로 또는 대체적으로 오디오 출력 믹서(260)에 의해 합성된 아날로그 오디오 신호를 음향 출력 모듈(155)을 통해 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들어, dynamic driver 또는 balanced armature driver 같은 스피커, 또는 리시버를 포함할 수 있다. 일실시예에 따르면, 음향 출력 모듈(155)은 복수의 스피커들을 포함할 수 있다. 이런 경우, 오디오 출력 인터페이스(270)는 상기 복수의 스피커들 중 적어도 일부 스피커들을 통하여 서로 다른 복수의 채널들(예: 스테레오, 또는 5.1채널)을 갖는 오디오 신호를 출력할 수 있다. 일실시예에 따르면, 오디오 출력 인터페이스(270)는 외부의 전자 장치(102)(예: 외부 스피커 또는 헤드셋)와 연결 단자(178)를 통해 직접, 또는 무선 통신 모듈(192)을 통하여 무선으로 연결되어 오디오 신호를 출력할 수 있다.

일실시예에 따르면, 오디오 모듈(170)은 오디오 입력 믹서(220) 또는 오디오 출력 믹서(260)를 별도로 구비하지 않고, 오디오 신호 처리기(240)의 적어도 하나의 기능을 이용하여 복수의 디지털 오디오 신호들을 합성하여 적어도 하나의 디지털 오디오 신호를 생성할 수 있다.

일실시예에 따르면, 오디오 모듈(170)은 오디오 입력 인터페이스(210)를 통해 입력된 아날로그 오디오 신호, 또는 오디오 출력 인터페이스(270)를 통해 출력될 오디오 신호를 증폭할 수 있는 오디오 증폭기(미도시)(예: 스피커 증폭 회로)를 포함할 수 있다. 일실시예에 따르면, 상기 오디오 증폭기는 오디오 모듈(170)과 별도의 모듈로 구성될 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. 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 스토어^TM)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.

도 3은 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.

도 3을 참조하면, 일 실시예의 통합 지능화 시스템(300)은 사용자 단말(301301), 지능형 서버(302302), 및 서비스 서버(303303)를 포함할 수 있다.

일 실시 예에 따르면, 사용자 단말(301)은, 인터넷에 연결 가능한 단말 장치(또는, 전자 장치)일 수 있으며, 예를 들어, 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.

일 실시 예에 따르면, 사용자 단말(301)(예: 도 1의 전자 장치(101))은 통신 인터페이스(311), 마이크(312), 스피커(313), 디스플레이(314), 메모리(315), 및 프로세서(316)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

일 실시 예에 따르면, 통신 인터페이스(311)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시 예에 따르면, 마이크(312)는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 스피커(313)는 전기적 신호를 소리(예: 음성)으로 출력할 수 있다. 일 실시 예에 따르면, 디스플레이(314)는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예에 따르면, 디스플레이(314)는 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다.

일 실시 예에 따르면, 메모리(315)는 클라이언트 모듈(317), SDK(software development kit)(318), 및 복수의 앱들(319_1, 319_2)을 저장할 수 있다. 상기 클라이언트 모듈(317), 및 SDK(318)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램(solution program))를 구성할 수 있다. 또한, 클라이언트 모듈(317) 또는 SDK(318)는 음성 입력을 처리하기 위한 프레임워크를 구성할 수 있다.

일 실시예에 따르면, 메모리(315)는 상기 복수의 앱들(319_1, 319_2)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 앱(319_1, 319_2)은 제1 앱(319_1), 제2 앱(319_2)을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱(155) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 복수의 앱들(319_1, 319_2)은, 알람 앱, 메시지 앱, 및 스케줄 앱 중에서 적어도 하나를 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱들(155)은 프로세서(316)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.

일 실시 예에 따르면, 프로세서(316)는 사용자 단말(301)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(316)는 통신 인터페이스(311), 마이크(312), 스피커(313), 디스플레이(314), 및 메모리(315)와 전기적으로 연결되어 지정된 동작을 수행할 수 있다.

일 실시 예에 따르면, 프로세서(316)는 또한 상기 메모리(315)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(316)는 클라이언트 모듈(317) 또는 SDK(318) 중 적어도 하나를 실행하여, 음성 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(316)는, 예를 들어, SDK(318)를 통해 복수의 앱(155)의 동작을 제어할 수 있다. 클라이언트 모듈(317) 또는 SDK(318)의 동작으로 설명된 이하의 동작은 프로세서(316)의 실행에 의한 동작일 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 음성 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(317)은 마이크(312)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 생성할 수 있다. 클라이언트 모듈(317)은 수신된 음성 입력을 지능형 서버(302)로 송신할 수 있다. 일 실시예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력과 함께, 사용자 단말(301)의 상태 정보를 지능형 서버(302)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(317)은 지능형 서버(302)로부터 음성 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(317)은 상기 수신된 결과를 디스플레이(314)에 표시할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(317)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 디스플레이(314)에 표시할 수 있다. 예를 들어, 클라이언트 모듈(317)은 복수의 동작의 실행 결과를 순차적으로 디스플레이에 표시할 수 있다. 다른 예를 들어, 사용자 단말(301)은 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이에 표시할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 지능형 서버(302)로부터 음성 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 상기 결과를 산출하기 위해 필요한 정보는 예를 들어, 전자 장치(300)의 상태 정보일 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(317)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(302)로 송신할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(302)로 송신할 수 있다. 지능형 서버(302)는 상기 결과 정보를 통해 수신된 음성 입력이 올바르게 처리된 것을 확인할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(317)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(317)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(317)은 지정된 입력(예: 웨이크 업!)을 통해 유기적인 동작을 수행하기 위한 음성 입력을 처리하기 위한 지능형 앱을 수행할 수 있다. 클라이언트 모듈(317)은 마이크(312)로부터 수신된 오디오 신호에서 호출 발화(예: 하이 빅스비)를 인식하고 호출 발화에 반응하여 AI 에이전트 서비스를 시작할 수 있다.

일 실시 예에 따르면, 지능형 서버(302)(예: 도 1의 서버(108))는 통신 망을 통해 사용자 단말(301)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(302)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(302)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 플랜(plan)을 생성할 수 있다

일 실시 예에 따르면, 플랜은 인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공 지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network)(FNN)), 순환 신경망(recurrent neural network)(RNN)) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 상이한 인공지능 시스템일 수도 있다. 일 실시 예에 따르면, 플랜은 미리 정의된 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의 된 복수의 플랜 중 적어도 하나의 플랜을 선택할 수 있다.

일 실시 예에 따르면, 지능형 서버(302)는 생성된 플랜에 따라 산출된 결과를 사용자 단말(301)로 송신하거나, 생성된 플랜을 사용자 단말(301)로 송신할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 플랜에 따라 산출된 결과를 디스플레이에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 플랜에 따른 동작을 실행한 결과를 디스플레이에 표시할 수 있다.

일 실시 예에 따르면, 지능형 서버(302)는 프론트 엔드(front end)(321), 자연어 플랫폼(natual language platform)(322), 캡슐 데이터베이스(capsule DB)(323), 실행 엔진(execution engine)(324), 엔드 유저 인터페이스(end user interface)(325), 매니지먼트 플랫폼(management platform)(326), 빅 데이터 플랫폼(big data platform)(327), 및 분석 플랫폼(analytic platform)(328)을 포함할 수 있다.

일 실시 예에 따르면, 프론트 엔드(321)는 사용자 단말(301)로부터 수신된 음성 입력을 수신할 수 있다. 프론트 엔드(321)는 상기 음성 입력에 대응되는 응답을 송신할 수 있다.

일 실시 예에 따르면, 자연어 플랫폼(322)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(322a), 자연어 이해 모듈(natural language understanding module)(NLU module)(322b), 플래너 모듈(planner module)(322c), 자연어 생성 모듈(natural language generator module)(NLG module)(322d), 및 텍스트 음성 변환 모듈(text to speech module)(TTS module)(322e)를 포함할 수 있다.

일 실시 예에 따르면, 자동 음성 인식 모듈(322a)은 사용자 단말(301)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다.

일 실시 예에 따르면, 자연어 이해 모듈(322b)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(322b)은 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 일 실시 예에 따르면, 자연어 이해 모듈(322b)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 음성 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다.

일 실시 예에 따르면, 플래너 모듈(322c)은 자연어 이해 모듈(322b)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 일 실시 예에 따르면, 플래너 모듈(322c)은 상기 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(322c)은 상기 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 일 실시 예에 따르면, 플래너 모듈(322c)은 상기 결정된 복수의 동작을 실행하는데 필요한 파라미터나, 상기 복수의 동작의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 상기 파라미터, 및 상기 결과 값은 지정된 형식(또는, 클래스)과 관련된 컨셉으로 정의될 수 있다. 이에 따라, 플랜은 사용자의 의도에 의해 결정된 복수의 동작, 및 복수의 컨셉을 포함할 수 있다. 상기 플래너 모듈(322c)은 상기 복수의 동작, 및 상기 복수의 컨셉 사이의 관계를 단계적(또는, 계층적)으로 결정할 수 있다. 예를 들어, 플래너 모듈(322c)은, 복수의 컨셉에 기초하여, 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(322c)은 복수의 동작의 실행에 필요한 파라미터, 및 복수의 동작의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(322c)는 복수의 동작, 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜를 생성할 수 있다. 상기 플래너 모듈(322c)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(323)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.

일 실시 예에 따르면, 자연어 생성 모듈(322d)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다.

일 실시 예에 따르면, 텍스트 음성 변환 모듈(322e)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.

일 실시 예에 따르면, 캡슐 데이터베이스(323)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 예를 들어, 캡슐 데이터베이스(323)는 플랜의 복수의 동작 오브젝트(action object 또는, 동작 정보) 및 컨셉 오브젝트(concept object 또는 컨셉 정보)를 포함하는 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 CAN(concept action network)의 형태로 상기 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 복수의 캡슐은 캡슐 데이터베이스(323)에 포함된 기능 저장소(function registry)에 저장될 수 있다.

일 실시예에 따르면, 캡슐 데이터베이스(323)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 상기 전략 정보는 음성 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 상기 후속 동작은, 예를 들어, 후속 발화를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자 단말(301)을 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자와의 대화(dialog)(또는, 인터렉션(interaction)) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다.

일 실시예에 따르면, 캡슐 데이터베이스(323)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 상기 개발자 툴은, 예를 들어, 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 상기 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 상기 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록 하는 전략 에디터(strategy editor)를 포함할 수 있다. 상기 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 상기 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 상기 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다.

일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자 단말(301) 내에도 구현될 수 있다. 다시 말해, 사용자 단말(301)은 음성 입력에 대응되는 동작을 결정하기 위한 정보를 저장하는 캡슐 데이터베이스(323)를 포함할 수 있다.

일 실시 예에 따르면, 실행 엔진(324)은 상기 생성된 플랜을 이용하여 결과를 산출할 수 있다. 일 실시예에 따르면, 엔드 유저 인터페이스(325)는 산출된 결과를 사용자 단말(301)로 송신할 수 있다. 이에 따라, 사용자 단말(301)은 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예에 따르면, 매니지먼트 플랫폼(326)은 지능형 서버(302)에서 이용되는 정보를 관리할 수 있다. 일 실시 예에 따르면, 빅 데이터 플랫폼(327)은 사용자의 데이터를 수집할 수 있다. 일 실시 예에 따르면, 분석 플랫폼(328)은 지능형 서버(302)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(328)은 지능형 서버(302)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.

일 실시 예에 따르면, 서비스 서버(303)는 사용자 단말(301)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(303)는 제3 자에 의해 운영되는 서버일 수 있다. 예를 들어, 서비스 서버(303)는 서로 다른 제3 자에 의해 운영되는 제1 서비스 서버(331), 제2 서비스 서버(332), 및 제3 서비스 서버(333)를 포함할 수 있다. 일 실시 예에 따르면, 서비스 서버(303)는 수신된 음성 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(302)에 제공할 수 있다. 상기 제공된 정보는, 예를 들어, 캡슐 데이터베이스(323)에 저장될 수 있다. 또한, 서비스 서버(303)는 플랜에 따른 결과 정보를 지능형 서버(302)에 제공할 수 있다.

상기에 기술된 통합 지능화 시스템(300)에서, 상기 사용자 단말(301)은, 사용자 입력에 응답하여 사용자에게 다양한 지능형(intelligent) 서비스를 제공할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.

일 실시 예에서, 상기 사용자 단말(301)은 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 사용자 단말(301)은 상기 마이크를 통해 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)를 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.

일 실시 예에서, 사용자 단말(301)은 수신된 음성 입력에 기초하여, 단독으로 또는 지능형 서버(332) 및/또는 서비스 서버(303)와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 사용자 단말(301)은 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.

일 실시 예에서, 사용자 단말(301)이 지능형 서버(302) 및/또는 서비스 서버(303)와 함께 서비스를 제공하는 경우에는, 사용자 단말(331)은, 상기 마이크(312)를 이용하여 사용자 발화를 감지하고, 감지된 사용자 발화에 대응되는 신호(또는, 음성 데이터)를 생성할 수 있다. 사용자 단말(331)은, 음성 데이터를 통신 인터페이스(311)를 이용하여 지능형 서버(302)로 송신할 수 있다.

일 실시 예에 따른 지능형 서버(302)는 사용자 단말(301)로부터 수신된 음성 입력에 대한 응답으로서, 음성 입력에 대응되는 태스크(task)를 수행하기 위한 플랜, 또는 상기 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 상기 플랜은, 예를 들어, 사용자의 음성 입력에 대응되는 태스크(task)를 수행하기 위한 복수의 동작, 및 상기 복수의 동작과 관련된 복수의 컨셉을 포함할 수 있다. 상기 컨셉은 상기 복수의 동작의 실행에 입력되는 파라미터나, 복수의 동작의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 상기 플랜은 복수의 동작, 및 복수의 컨셉 사이의 연관 정보를 포함할 수 있다.

일 실시 예에 따르면, 사용자 단말(301)은, 통신 인터페이스(311)를 이용하여 상기 응답을 수신할 수 있다. 사용자 단말(301)은 상기 스피커(313)를 이용하여 사용자 단말(301) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이(314)를 이용하여 사용자 단말(301) 내부에서 생성된 이미지를 외부로 출력할 수 있다.

도 4는 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.

지능형 서버(302)의 캡슐 데이터베이스(예: 캡슐 데이터베이스(323))는 CAN (concept action network)(400) 형태로 캡슐을 저장할 수 있다. 상기 캡슐 데이터베이스는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작, 및 상기 동작을 위해 필요한 파라미터를 CAN(concept action network) 형태로 저장될 수 있다. 상기 CAN은 동작(action)과 상기 동작을 수행하는데 필요한 파라미터(parameter)를 정의한 컨셉(concept) 사이의 유기적인 관계를 나타낸 것일 수 있다.

상기 캡슐 데이터베이스는 복수의 도메인(예: 어플리케이션) 각각에 대응되는 복수의 캡슐(예: capsule A(401), capsule B(402))을 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: capsule A(401))은 하나의 도메인(예: 어플리케이션)에 대응될 수 있다. 또한, 하나의 캡슐은 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(403), CP 2 (404), CP 3(405), CP 4(406))에 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(410) 및 적어도 하나 이상의 컨셉(420)을 포함할 수 있다.

일 실시예에 따르면, 자연어 플랫폼(322)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 예를 들어, 자연어 플랫폼(322)의 플래너 모듈(322c)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 플래너 모듈(322c)은 Capsule A (401)의 동작들(4011, 4013)과 컨셉들(4012,4014) 및 Capsule B(402)의 동작(4041)과 컨셉(4042)을 이용하여 플랜(407)을 생성할 수 있다.

도 5는 다양한 실시 예에 따른 사용자 단말이 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.

사용자 단말(301)은 지능형 서버(302)를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.

일 실시 예에 따르면, 510 화면에서, 사용자 단말(301)은 지정된 음성 입력(예: 웨이크 업!)를 인식하거나 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 사용자 단말(301)은, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 지능형 앱에 대응되는 오브젝트(예: 아이콘)(511)를 디스플레이(314)에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 사용자 단말(301)은 “이번주 일정 알려줘!”라는 음성 입력을 수신할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(513)(예: 입력창)를 디스플레이에 표시할 수 있다.

일 실시 예에 따르면, 520 화면에서, 사용자 단말(301)은 수신된 음성 입력에 대응되는 결과를 디스플레이에 표시할 수 있다. 예를 들어, 사용자 단말(301)은 수신된 사용자 입력에 대응되는 플랜을 수신하고, 플랜에 따라 ‘이번주 일정’을 디스플레이에 표시할 수 있다.

도 6은, 다양한 실시예에 따른, 소음에 강인한 음성 비서 서비스를 제공하도록 구성된 전자 장치(600)의 블록도이다. 도 7은, 일 실시예에 따른, 도 6의 음성 구간 인식 모듈(605)의 블록도이다. 도 8은 음성 구간을 인식하기 위해 이용되는 훈련 데이터를 생성하는 동작의 일례를 나타낸다. 도 6을 참조하면, 전자 장치(600)(예: 도 1의 전자 장치(101))는, 오디오 입력 모듈(601), 웨이크 업 모듈(602), 오디오 변환 모듈(603), 특징 추출 모듈(604), 음성 구간 인식 모듈(605), 훈련 데이터 생성 모듈(606), ASR(607), NLU(608), 실행 모듈(609), NLG(610), TTS(611), 오디오 출력 모듈(612), 메모리(688), 또는 프로세서(699)를 포함할 수 있다. 전자 장치(500)의 상기 구성 요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

오디오 입력 모듈(601)은 오디오 신호를 수신할 수 있다. 예컨대, 오디오 입력 모듈(601)은 도 1의 입력 모듈(150)에 구성된 마이크로부터 오디오 신호를 수신할 수 있다. 오디오 입력 모듈(601)은 도 1의 연결 단자(178)에 구성된 오디오 커넥터를 통해 유선으로 연결된 외부 장치(예: 헤드셋, 마이크)로부터 오디오 신호를 수신할 수도 있다. 오디오 입력 모듈(601)은 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 전자 장치(500)에 무선으로(예: Bluetooth 통신) 연결된 외부 장치로부터 오디오 신호를 수신할 수도 있다.

웨이크 업 모듈(602)은 사용자가 AI 에이전트(또는, 음성 비서)를 호출하는 것을 인식할 수 있다. 일 실시예에서, 웨이크 업 모듈(602)은 오디오 입력 모듈(601)로부터 오디오 신호를 수신하고, 수신된 오디오 신호에서 AI 에이전트를 호출(또는, AI 에이전트를 구동)하도록 지정된 발화(utterance)(예: 하이 빅스비)를 인식할 수 있다. 예를 들어, 웨이크업 모듈(602)은 오디오 신호에서 사용자 발화의 시작점(starting point)과 종점(endpoint)을 검출함으로써 오디오 신호에서 사용자 발화가 존재하는 부분(예: ‘하이’에 해당하는 제 1 부분과 ‘빅스비’에 해당하는 제 2부분)을 획득할 수 있다. 웨이크업 모듈(602)은 획득된 발화 부분을 미리 저장된 음성 데이터와 비교함으로써 오디오 신호에 호출 발화(또는, 구동 발화)가 포함되어 있는지 여부를 판단할 수 있다. 다른 실시예에서, 웨이크업 모듈(602)은 사용자가 음성이 아닌 다른 방법으로 AI 에이전트를 호출할 수 있도록 지원할 수 있다. 예를 들어, 웨이크업 모듈(602)은 입력 모듈(150)의 전원 키에 대한 두 번 연속 누름을 호출로 인식할 수 있다. 다른 예로, 웨이크업 모듈(602)은 디스플레이 모듈(160)의 터치 회로로부터 수신된 터치 입력을 호출로 인식할 수도 있다.

오디오 변환 모듈(603)은 오디오 신호를 구성하는 포맷을 음성 구간 인식이 용이하도록 변환할 수 있다. 예를 들어, 오디오 변환 모듈(603) 은 오디오 입력 모듈(601)로부터 수신된 시간 도메인의 오디오 신호를 매 프레임(예: 약 20ms)마다 푸리에 변환(예: DFT(discrete fourier transform), FFT(fast fourier transform)) 함수를 이용하여, 주파수 도메인의 스펙트럼 신호로 변환할 수 있다. 오디오 변환 모듈(603)은 주파수 도메인의 스펙트럼 신호를 멜 스케일(mel scale)의 스펙토그렘(spectrogram) 신호로 변환할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 스펙트럼(spectrum) 신호에서 지정된 주파수 이상(예: 상대적으로 사람의 청력에 덜 민감한 약 1kHz 이상)의 성분을 “mel filter bank”라는 필터를 이용하여 로그 스케일(log scale)로 변환함으로써, 각 프레임의 스펙트럼 신호를 스펙토그렘 신호(예: log-mel 신호)로 변환할 수 있다.

특징 추출 모듈(604)은 오디오 신호에서 오디오의 특징을 나타내는 정보를 추출할 수 있다.

일 실시예에서, 특징 추출 모듈(604)은 오디오 신호에서 화자의 음성이 갖는 특징을 나타내는 정보와 오디오 신호에서 화자 주변의 소음이 갖는 특징을 나타내는 정보를 포함하는 오디오 특징 정보(예: 음성&소음 특징 벡터)를 추출할 수 있다. 예를 들어, 일 실시예에서, 특징 추출 모듈(604)은 웨이크 업 모듈(602)에 의해 호출 발화(예: 하이 빅스비)가 인식됨에 따라 추출 동작을 수행할 수 있다. 특징 추출 모듈(604)은 오디오 변환 모듈(603)로부터 스펙토그렘 신호를 수신하고, 스펙토그렘 신호에서 음성&소음 특징 벡터를 추출할 수 있다.

일 실시예에서, 특징 추출 모듈(604)은 오디오 신호에서 화자 주변의 소음이 갖는 특징을 나타내는 정보를 포함하는 오디오 특징 정보(예: 소음 특징 벡터)를 추출할 수 있다. 예를 들어, 화자(사용자)는 호출 발화가 아닌 키 입력(예: 전원 키 입력, 터치 입력)을 이용하여 AI 에이전트를 호출할 수도 있다. 이러한 호출에 반응하여, 특징 추출 모듈(604)은 추출 동작을 수행할 수 있다. 특징 추출 모듈(604)은 오디오 변환 모듈(603)로부터 수신된 스펙토그렘 신호에서 소음 특징 벡터를 추출할 수 있다.

일 실시예에서, 특징 추출 모듈(604)은 미리 준비된 훈련 데이터를 이용하여 오디오 신호에서 오디오의 특징을 나타내는 정보(예: 화자의 음성과 화자 주변의 소음의 특징을 나타내는 음성&소음 특징 벡터 또는 화자 주변의 소음의 특징을 나타내는 소음 특징 벡터)를 추출할 수 있다. 훈련 데이터는 화자(사용자)의 발화와 소음이 합성된 것으로 메모리(688)에 저장될 수 있다.

일 실시예에서, 특징 추출 모듈(604)은 인공 지능 알고리즘을 이용하여 학습된 모델을 이용하여, 오디오 신호에서 특징 벡터와 소음 상태 정보를 포함하는 오디오 특징 정보를 추출할 수 있다. 예를 들어, 특징 추출 모듈(604)은 훈련 데이터를 이용하여 학습되어 메모리(688)에 저장된 CNN 모델을 이용하여, 프레임 단위로 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신되는 오디오 신호(예: log-mel 신호)(이하, 오디오 프레임)에서 특징 벡터(예: 음성&소음 특징 벡터 또는 소음 특징 벡터)를 추출할 수 있다. CNN 모델에 입력 값으로 오디오 프레임을 넣어주면, CNN 모델은 특징 벡터를 출력할 수 있다. 특징이 추출되어야 할 오디오 신호의 전체 구간이 1.6초이고 하나의 오디오 프레임이 20ms인 경우, 특징 추출 모듈(604)로 입력되는 오디오 프레임의 개수는 총 80(1/6초/20ms)이고 이에 따라 특징 추출 모듈(604)에서 총 80개의 특징 벡터가 출력될 수 있다. 특징 추출 모듈(604)은 훈련 데이터를 이용하여 학습되어 메모리(688)에 저장된 RNN 모델을 이용하여, 오디오 신호의 전체 구간에서 화자 주변 소음의 시간적인 변화를 나타내는 소음 상태 정보를 추출할 수 있다. RNN 모델에 입력 값으로 오디오 신호의 전체 구간을 넣어주면, RNN 모델은 소음 상태 정보를 출력할 수 있다. 오디오 특징 정보를 추출하기 위해 이용되는 인공 지능 모델은 상기의 CNN 모델 및 RNN 모델로 한정되지 않고 다양할 수 있다.

음성 구간 인식 모듈(605)은, 특징 추출 모듈(604)에 의해 추출된 제1 오디오 신호의 오디오 특징 정보에 기반하여, 제2오디오 신호에서 음성 구간을 인식할 수 있다. 제2오디오 신호는 제1오디오 신호가 오디오 입력 모듈(601)로 수신된 이후에 오디오 입력 모듈(601)로 수신된 오디오 신호를 포함할 수 있다.

일 실시예에 따르면, 특징 추출 모듈(604)은 화자의 제1발화(예: 호출 발화)를 포함하는 제1오디오 신호를 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신하고, 제1오디오 신호에서 오디오 특징 정보를 추출할 수 있다. 음성 구간 인식 모듈(605)은 화자의 제2발화(예: 호출 발화 이후 후속 발화)를 포함하는 제2오디오 신호를 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신하고, 제1오디오 신호의 오디오 특징 정보를 이용하여, 제2오디오 신호에서 화자의 발화는 없고 주변 소음만 존재하는 소음 구간과 화자의 발화가 있는 음성 구간을 구별할 수 있다. 제2 발화가 예컨대, “오늘 날씨 알려줘”라고 할 때, 음성 구간 인식 모듈(605)은 제2오디오 신호에서 “오늘”의 시작점과 종점을 포함하는 음성 구간, “날씨”의 시작점과 종점을 포함하는 음성 구간, 및 “알려줘”의 시작점과 종점을 포함하는 음성 구간을 제1오디오 신호의 오디오 특징 정보를 이용하여 인식할 수 있다.

일 실시예에 따르면, 음성 구간 인식 모듈(605)은 기계 학습을 통해 생성된 인공 지능 모델(예: 도 7의 CNN 모델(710), RNN 모델(740))과 제1오디오 신호의 오디오 특징 정보를 이용하여, 제2오디오 신호의 오디오 프레임들을 음성 신호를 포함하는 음성 프레임과 음성 신호를 포함하고 있지 않은 소음 프레임으로 구별함으로써 제2오디오 신호에서 음성 구간(들)을 인식할 수 있다.

도 7 을 참조하면, 음성 구간 인식 모듈(605)은 제1오디오 신호의 특징 벡터들(FV(feature vector) 1_1, FV1_2, …, FV1_N)(701)과 제1오디오 신호의 소음 상태 정보(702)를 수신할 수 있다. 여기서, FV1은 제1오디오 신호의 프레임에서 추출된 특징 벡터를 의미하고, “1, 2, …, 및 N”은 각 프레임 번호를 의미한다. 음성 구간 인식 모듈(605)은 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 제2오디오 신호의 오디오 프레임들 “F(frame)2_1, F2_2, …, 및 F2_M”을 수신할 수 있다. 여기서, F2는 제2오디오 신호의 프레임이라는 의미이고 “1, 2, …, M”은 각 프레임 번호를 의미한다. 음성 구간 인식 모듈(605)은 복수의 인공 신경망 레이어들로 이루어진 CNN 모델(710)을 이용하여, F2_m(703)에서 특징 벡터 FV2_m((여기서, m은 1, 2, …, 또는 M임)(704)를 추출할 수 있다. 여기서, FV2_m은 제2오디오 신호의 m번째 프레임에서 추출된 특징 벡터를 의미한다. 입력 값으로 CNN 모델(710)에 F2-m(703)이 입력되면, CNN 모델(710)은 특징 벡터 FV2_m(704)를 출력할 수 있다. 음성 구간 인식 모듈(605)은 어텐션 메커니즘(attention mechanism)(720)(예: dot product attention)을 이용하여, 특징 벡터 FV2_m가 제1오디오 신호의 특징 벡터들(701)과 얼마나 유사한지를 나타내는 어텐션 값(AV(attention value)_m)(705)을 계산할 수 있다. 음성 구간 인식 모듈(605)은 결합(concatenation) 매커니즘(730)를 이용하여 F2_m(703), FV2_m(704), 및 AV_m(705)을 하나의 데이터(C(concatenation)_m)(706)로 결합할 수 있다. 음성 구간 인식 모듈(605)은, 복수의 인공 신경망 레이어들로 이루어진 RNN 모델(740)을 이용하여, C_m(706) 및 소음 상태 정보(702)로부터 F2_m(703)에 음성이 존재하는지 여부를 인식할 수 있다. 예를 들어, RNN 모델(740)에 소음 상태 정보(702)가 입력됨으로써 RNN 모델(740)이 출력 값을 내보내도록 동작 가능한 초기 상태(initial state)로 설정될 수 있다. 초기 상태로 설정된 RNN 모델(740)에 입력 값으로 결합 데이터(706)를 넣어주면, RNN 모델(740)은 2오디오 신호의 m번째 오디오 프레임인 “F2_m(703)”에 음성이 존재하는지 여부를 나타내는 예측 값(PV(predict value)_m)(707)을 출력할 수 있다. 음성 구간 인식 모듈(605)은 PV_m(707)에 기반하여, F2_m(703)이 음성 프레임인지 여부를 판단할 수 있다. 또한, 음성 구간 인식 모듈(605)은 F2_m(703)이 사용자 발화의 시작점인지, 종점인지, 또는 사용자 발화 중간인지를 RNN 모델(740)에서 출력된 예측 값들에 기반하여 인식할 수 있다. 예를 들어, PV_m-1이 소음 프레임으로 판정되고 PV_m이 음성 프레임으로 판정된 경우, 음성 구간 인식 모듈(605)은 PV_m(707)을 음성 구간의 시작점으로 인식할 수 있다.

일 실시예에 따르면, 특징 추출 모듈(604)은 제2오디오 신호에서 오디오 특징 정보를 추출하고, 음성 구간 인식 모듈(605)은 제2오디오 신호로부터 추출된 오디오 특징 정보를 제3오디오 신호에서 음성 구간을 인식하기 위해 이용할 수 있다.

훈련 데이터 생성 모듈(606)은 사용자(화자)의 발화 데이터와 소음 데이터를 합성함으로써, 오디오 특징 정보를 추출하기 위해 이용되는 인공 지능 모델(예: CNN 모델, RNN 모델)을 학습하기 위한 훈련 데이터를 생성할 수 있다. 예를 들어, 도 8을 참조하면, 훈련 데이터 생성 모듈(606)은 발화 리스트(810) 중에서 랜덤하게 하나 이상의 발화 데이터를 선택할 수 있다. 예를 들어, 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811)와 후속 발화 데이터(812)를 발화 리스트(810)에서 선택할 수 있다. 훈련 데이터 생성 모듈(606)은 소음 리스트(예: TV 소음 리스트)(820)에서 랜덤하게 하나의 소음 데이터(821)를 선택할 수 있다. 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811)와 후속 발화 데이터(812)를 시간 순으로 소음 데이터(821)에 결합하여 훈련 데이터(830)를 생성할 수 있다. 도시하지는 않지만, 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811) 없이 후속 발화 데이터(812) 만을 소음 데이터(821)와 결합하여 훈련 데이터를 생성할 수도 있다. 실제 구동 발화(예: 하이 빅스비)에 대응하는 발화 데이터가 선행 발화 데이터(811)로 선택될 수도 있다.

ASR(607)(예: 도 3의 자동 음성 인식 모듈(322a))은 제2오디오 신호에서 음성 구간 인식 모듈(605)에 의해 인식된 음성 구간 내 음성 신호를 텍스트 데이터로 변환할 수 있다. NLU(608)(예: 도 3의 자연어 이해 모듈(322b))은 텍스트 데이터를 이용하여 사용자의 의도(예: 실행 명령)를 파악할 수 있다. 실행 모듈(609)(예: 도 3의 실행 엔진(324))은 사용자 의도에 대응하는 기능을 실행할 수 있다. NLG(610)(예: 도 3의 자연어 생성 모듈(322d))은 지정된 정보(예: 실행 결과)를 텍스트 형태로 변경할 수 있다. TTS(611)(예: 도 3의 텍스트 음성 변환 모듈(322e))은 텍스트 형태의 정보를 음성 신호로 변경할 수 있다.

오디오 출력 모듈(612)은 TTS(611)로부터 수신된 음성 신호를 출력할 수 있다. 예를 들어, 오디오 출력 모듈(612)은 도 1의 음향 출력 모듈(155)에 구성된 스피커로 음성 신호를 출력할 수 있다. 오디오 출력 모듈(612)은 도 1의 연결 단자(178)에 구성된 오디오 커넥터를 통해 유선으로 연결된 외부 장치(예: 헤드셋, 스피커)로 음성 신호를 출력할 수도 있다. 오디오 출력 모듈(612)은 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 전자 장치(500)에 무선으로(예: Bluetooth 통신) 연결된 외부 장치로 음성 신호를 출력할 수도 있다.

모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 메모리(588)(예: 도 1의 메모리(130))에 인스트럭션들(instructions)로 저장되고, 프로세서(599)(예: 도 1의 프로세서(120))에 의해 실행될 수 있다. 모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 인공 지능 모델의 처리에 특화된 프로세서(예: 보조 프로세서(123))에 의해 실행될 수도 있다. 모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 전자 장치(600)에서 생략될 수 있다. 예를 들어, 오디오 변환 모듈(603), 오디오 분석 모듈(604), 음성 구간 인식 모듈(605), 훈련 데이터 생성 모듈(606), ASR(607), NLU(608), 실행 모듈(609), NLG(610), 및 TTS(611) 중에서 적어도 하나는 외부 장치(예: 도 1의 서버(108))에 구현될 수 있다.

도 9는, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다. 앞서 설명된 도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 9를 참조하면, 오디오 변환 모듈(603)은 호출 발화를 포함하는 제1오디오 신호(901)를 매 프레임마다 지정된 포맷으로 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제1오디오 신호(901)에서 음성&소음 특징 벡터(911)와 소음 특성 정보(912)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제1오디오 신호(901) 이후의 제2오디오 신호(902)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 웨이크 업 모듈(602)을 통해 호출 발화의 종점을 인식하고 그 이후 수신된 제2오디오 신호(902)를 받을 수신처를 특징 추출 모듈(604)에서 음성 구간 인식 모듈(605)로 변경할 수 있다. 음성 구간 인식 모듈(605)은 음성&소음 특징 벡터(911)와 소음 특성 정보(912)에 기반하여, 포맷 변환된 제2오디오 신호(902)에서 음성 구간을 인식하고 음성 구간을 나타내는 정보 VAD(920)를 출력할 수 있다.

도 10은, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다. 앞서 설명된 도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 10을 참조하면, 오디오 변환 모듈(603)은 호출 키 입력(1010)을 웨이크 업 모듈(602)을 통해 인식할 수 있고 이에 따라 호출 키 입력(1010)이 인식된 시점으로부터 지정된 시간 내 제1오디오 신호(1001)를 매 프레임마다 지정된 포맷으로 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제1오디오 신호(1001)에서 소음 특징 벡터(1021)와 소음 특성 정보(1022)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제1오디오 신호(1001) 이후의 제2오디오 신호(1002)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 상기 지정된 시간의 만료를 인식하고 그 이후 수신된 제2오디오 신호(1002)를 음성 구간 인식 모듈(605)로 전달할 수 있다. 음성 구간 인식 모듈(605)은 소음 특징 벡터(1021)와 소음 특성 정보(1022)에 기반하여, 포맷 변환된 제2오디오 신호(1002)에서 음성 구간(들)을 인식하고 음성 구간을 나타내는 정보 VAD(1030)를 출력할 수 있다.

도 11은, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다. 도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 11을 참조하면, 오디오 변환 모듈(603)은 화자의 발화(예: 호출 발화 이후 제1본 발화(예: “알람 설정해 줘”))를 포함하는 제2오디오 신호(1102)(예: 도 9의 제2오디오 신호(902) 또는 도 10의 제2오디오 신호(1002))를 매 프레임마다 지정된 포맷을 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제2오디오 신호(1102)에서 음성&소음 특징 벡터(1111)와 소음 특성 정보(1112)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제2오디오 신호(1102) 이후의 제3오디오 신호(1103)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 오디오 출력 모듈(612)을 통해 사용자 발화에 대한 응답으로 AI 에이전트 음성(1120)(예: “언제로 설정할까요?”)이 출력된 것을 인식하고 그 이후 수신된 제3오디오 신호(1103)을 음성 구간 인식 모듈(605)로 전달할 수 있다. 음성 구간 인식 모듈(605)은 음성&소음 특징 벡터(1111)와 소음 특성 정보(1112)에 기반하여, 포맷 변환된 제3오디오 신호(1103)에서 음성 구간(들)(예: “내일”에 해당하는 음성 구간, “오전”에 해당하는 음성 구간, “7시”에 해당하는 음성 구간)을 인식하고 음성 구간을 나타내는 정보 VAD(1130)를 출력할 수 있다.

도 12는, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.

동작 1210에서 프로세서(699)는 AI 에이전트를 호출하는 사용자 입력을 입력 장치를 통해 인식할 수 있다. 예를 들어, 프로세서(699)는 마이크로부터 수신된 제1오디오 신호에서 지정된 호출 발화(예: 하이 빅스비)를 인식할 수 있다. 다른 예로, 프로세서(699)는 물리적인 버튼 또는 디스플레이에 표시된 소프트 버튼으로부터 수신된 키 입력을 AI 에이전트를 호출하는 키 입력으로 인식할 수 있다.

동작 1220에서 프로세서(699)는 AI 에이전트 호출에 반응하여 마이크로부터 수신된 제1오디오 신호에서 특징 정보를 추출할 수 있다. 일 실시예에서, 프로세서(699)는 제1오디오 신호를 지정된 포맷을 갖도록 변환할 수 있다. 예를 들어, 프로세서(699)는 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 CNN 모델에 입력 값으로 멜 스케일의 오디오 프레임을 넣어주고, CNN 모델에서 출력된 결과 값에서 오디오 프레임(입력 값)의 특징을 나타내는 특징 벡터(예: 음성&소음 특징 벡터, 소음 특징 벡터)를 확인할 수 있다. 프로세서(699)는 RNN 모델에 입력 값으로 제1오디오 신호의 전체 구간에 해당하는 멜 스케일의 오디오 프레임들을 넣어 주고, RNN 모델에서 출력된 결과 값에서 제1오디오 신호의 전체 구간(입력 값)에서 화자 주변 소음의 시간적인 변화를 나타내는 소음 상태 정보를 확인할 수 있다.

동작 1230에서 프로세서(699)는 제1오디오 신호의 특징 정보를 이용하여 제2오디오 신호에서 음성 구간을 인식할 수 있다. 일 실시예에서, 프로세서(699)는 제2오디오 신호를 상기 포맷 변환된 제1오디오 신호와 동일한 포맷을 갖도록 변환할 수 있다. 예를 들어, 프로세서(699)는 제2오디오 신호를 매 프레임마다 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 제2오디오 신호의 오디오 프레임 “F2_m”을 CNN 모델에 입력 값으로 넣어주고, CNN 모델에서 출력된 결과 값에서 F2_m의 특징을 나타내는 특징 벡터 “FV2_m”을 확인할 수 있다. 프로세서(699)는 FV2_m이 제1오디오 신호의 특징 벡터들과 어느 정도 유사한지를 나타내는 “AV_m”을 계산할 수 있다. 프로세서(699)는 F2_m, FV2_m, 및 AV_m을 하나의 데이터 “C_m”으로 결합할 수 있다. 프로세서(699)는 RNN 모델에 제1오디오 신호의 소음 상태 정보를 입력 값으로 넣어주어 RNN 모델을 출력 값을 내보내도록 동작 가능한 초기 상태로 설정할 수 있다. 프로세서(699)는 RNN 모델에 C_m을 입력 값으로 넣어주고, RNN 모델에서 출력된 결과 값에서 F2_m에 음성이 존재하는지 여부를 나타내는 예측 값 “PV_m”을 확인할 수 있다. 프로세서(699)는 PV_m에 기반하여 F2_m을 음성 프레임 또는 소음 프레임으로 결정할 수 있다. F2_m이 음성 프레임인 경우 프로세서(699)는 F2_m이 음성 구간의 시점인지, 종점인지, 또는 음성 구간 내 음성 프레임인지 여부를 RNN 모델에서 출력된 결과 값들에 기반하여 판단할 수 있다. 예를 들어, F2_m-1이 소음 프레임으로 판정되고 F2_m이 음성 프레임으로 판정된 경우, 프로세서(699)은 F2_m을 음성 구간의 시작점으로 인식할 수 있다. F2_m이 음성 프레임으로 판정되고 F2_m+1이 소음 프레임으로 판정된 경우 프로세서(699)은 F2_m을 음성 구간의 종점으로 인식할 수 있다. F2_m-1, F2_m, 및 F2_m+1이 모두 음성 프레임으로 판정된 경우 프로세서(699)은 F2_m을 음성 구간 내 음성 프레임으로 판정할 수 있다. 프로세서(699)는 제2오디오 신호의 모든 프레임들(F2_1, F2_2, …, F2_M)에 대해 음성 프레임인지 여부를 판정함으로써 제2오디오 신호에서 음성 구간(들)을 인식할 수 있다.

도 13은, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.

동작 1310에서 프로세서(699)는 AI 에이전트를 호출하는 사용자 입력을 입력 장치를 통해 인식할 수 있다. 예를 들어, 프로세서(699)는 마이크로부터 수신된 제1오디오 신호에서 지정된 호출 발화(예: 하이 빅스비)를 인식할 수 있다. 다른 예로, 프로세서(699)는 물리적인 버튼 또는 디스플레이에 표시된 소프트 버튼으로부터 수신된 키 입력을 AI 에이전트를 호출하는 키 입력으로 인식할 수 있다.

동작 1320에서 프로세서(699)는 AI 에이전트 호출에 반응하여 마이크로부터 수신된 제1오디오 신호에서 특징 정보를 추출할 수 있다. 예컨대, 프로세서(699)는 상기 동작 1220에서와 동일한 방식으로 특징 정보를 추출할 수 있다.

동작 1330에서 프로세서(699)는 제1오디오 신호의 특징 정보를 이용하여 제2오디오 신호에서 음성 구간을 인식하고, 제2오디오 신호에서 특징 정보를 추출할 수 있다. 예컨대, 프로세서(699)는 상기 동작 1230에서와 동일한 방식으로 제2오디오 신호에서 음성 구간(들)(예: “알람”에 해당하는 음성 구간, “설정”에 해당하는 음성 구간, “해줘”에 해당하는 음성 구간)을 인식할 수 있다. 프로세서(699)는 동작 1320과 동일한 방식으로 제2오디오 신호에서 특징 정보를 추출할 수 있다.

동작 1340에서 프로세서(699)는 제2오디오 신호의 특징 정보를 이용하여 제3오디오 신호에서 음성 구간(들)(예: “내일”에 해당하는 음성 구간, “오전”에 해당하는 음성 구간, “7시”에 해당하는 음성 구간)을 인식할 수 있다. 예컨대, 프로세서(699)는 프로세서(699)는 제3오디오 신호를 매 프레임마다 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 제3오디오 신호의 오디오 프레임 “F3_i”을 CNN 모델에 입력 값으로 넣어주고, CNN 모델에서 출력된 결과 값에서 F3_i의 특징을 나타내는 특징 벡터 “FV3_i”를 확인할 수 있다. 여기서, F3_i는 제3오디오 신호의 i번째 프레임이라는 의미이고, “FV3_i”는 F3_i에서 추출된 특징 벡터를 의미한다. 프로세서(699)는 FV3_i이 제2오디오 신호의 특징 벡터들과 어느 정도 유사한지를 나타내는 “AV_i”를 계산할 수 있다. 프로세서(699)는 F3_i, FV3_i, 및 AV_i를 하나의 데이터 “C_i” 로 결합할 수 있다. 프로세서(699)는 RNN 모델에 제2오디오 신호의 소음 상태 정보를 입력 값으로 넣어주어 RNN 모델을 출력 값을 내보내도록 동작 가능한 초기 상태로 설정할 수 있다. 프로세서(699)는 RNN 모델에 C_i를 입력 값으로 넣어주고, RNN 모델에서 출력된 결과 값에서 F3_i에 음성이 존재하는지 여부를 나타내는 예측 값 “PV_i”를 확인할 수 있다. 프로세서(699)는 PV_i에 기반하여 F3_i를 음성 프레임 또는 소음 프레임으로 결정할 수 있다. F3_i가 음성 프레임인 경우 프로세서(699)는 F3_i가 음성 구간의 시점인지, 종점인지, 또는 음성 구간 내 음성 프레임인지 여부를 RNN 모델에서 출력된 결과 값들에 기반하여 판단할 수 있다. 예를 들어, F3_i-1이 소음 프레임으로 판정되고 F3_i가 음성 프레임으로 판정된 경우, 프로세서(699)은 F3_i를 음성 구간의 시작점으로 인식할 수 있다. F3_i가 음성 프레임으로 판정되고 F3_i+1이 소음 프레임으로 판정된 경우 프로세서(699)은 F3_i를 음성 구간의 종점으로 인식할 수 있다. F3_i-1, F3_i, 및 F3_i+1가 모두 음성 프레임으로 판정된 경우 프로세서(699)는 F3_i를 음성 구간 내 음성 프레임으로 판정할 수 있다. 프로세서(699)는 제3오디오 신호의 모든 프레임들(F3_1, F3_2, …, F3_I)에 대해 음성 프레임인지 여부를 판정함으로써 제3오디오 신호에서 음성 구간(들)을 인식할 수 있다.

다양한 실시예에서, 전자 장치(예: 도 6의 전자 장치(600))는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하고, 상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하고, 상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하고, 상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하고, 상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하고, 상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하고, 상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하고, 상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하고, 상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하고, 상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하도록 할 수 있다.

상기 인스트럭션들은 상기 프로세서가: 상기 제2오디오 신호에서 오디오 특징 정보를 추출하고, 상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하도록 할 수 있다.

다양한 실시예에서, 전자 장치(예: 도 6의 전자 장치(600))를 동작하는 방법은, 마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작; 상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 추출하는 동작은, 인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 획득하는 동작은, 상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하여, 상기 오디오 특징 정보를 획득하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 획득하는 동작은, 상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하는 동작; 및 상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하는 동작을 포함할 수 있다. 상기 음성 구간을 인식하는 동작은, 상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.

상기 음성 구간을 인식하는 동작은, 제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하는 동작; 상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하는 동작; 상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하는 동작; 및 상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 획득하는 동작은, 상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하는 동작; 및 상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 획득하는 동작은, 상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하는 동작; 및 상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 추출하는 동작은, 소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하는 동작을 포함할 수 있다.

상기 오디오 특징 정보를 추출하는 동작은, 상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하는 동작; 상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하는 동작; 및 상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하는 동작을 포함할 수 있다.

상기 방법은, 상기 제2오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하는 동작을 더 포함할 수 있다.

본 명세서와 도면에 개시된 본 발명의 실시예들은 본 발명의 실시예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시예의 범위는 여기에 개시된 실시예들 이외에도 본 발명의 다양한 실시예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예의 범위에 포함되는 것으로 해석되어야 한다.

101: 전자 장치
170: 오디오 모듈
300: 통합 지능화 시스템
301: 사용자 단말
302: 지능형 서버
303: 서비스 서버
400: 컨셉 액션 네트워크
600: 전자 장치
601: 오디 입력 모듈
602: 웨이크 업 모듈
603: 오디오 변환 모듈
604: 특징 추출 모듈
605: 음성 구간 인식 모듈
606: 훈련 데이터 생성 모듈
607: ASR
608: NLU
609: 실행 모듈
610: NLG
611: TTS
612: 오디오 출력 모듈
688: 메모리
699: 프로세서

Claims

전자 장치에 있어서,
마이크;
오디오 커넥터;
무선 통신 회로;
상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및
상기 프로세서에 작동적으로 연결됨 메모리를 포함하고,
상기 메모리는, 실행될 때, 상기 프로세서가:
상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고,
상기 제1오디오 신호에서 오디오 특징 정보를 추출하고,
상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하도록 하는 전자 장치.
제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하도록 하는 전자 장치.
제3항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하고,
상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하고,
상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하도록 하는 전자 장치.
제4항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하고,
상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하고,
상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하고,
상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하도록 하는 전자 장치.
제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하고,
상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 하는 전자 장치.
제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하고,
상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하고,
상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하고,
상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하도록 하는 전자 장치.
제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
상기 제2오디오 신호에서 오디오 특징 정보를 추출하고,
상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하도록 하는 전자 장치.
전자 장치를 동작하는 방법에 있어서,
마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작;
상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및
상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함하는 방법.
제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하는 동작을 포함하는 방법.
제12항에 있어서, 상기 오디오 특징 정보를 획득하는 동작은,
상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하여, 상기 오디오 특징 정보를 획득하는 동작을 포함하는 방법.
제13항에 있어서,
상기 오디오 특징 정보를 획득하는 동작은,
상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하는 동작; 및
상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하는 동작을 포함하고,
상기 음성 구간을 인식하는 동작은,
상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함하는 방법.
제14항에 있어서, 상기 음성 구간을 인식하는 동작은,
제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하는 동작;
상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하는 동작;
상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하는 동작; 및
상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하는 동작을 포함하는 방법.
제12항에 있어서, 상기 오디오 특징 정보를 획득하는 동작은,
상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하는 동작; 및
상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함하는 방법.
제12항에 있어서, 상기 오디오 특징 정보를 획득하는 동작은,
상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하는 동작; 및
상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함하는 방법.
제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하는 동작을 포함하는 방법.
제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하는 동작;
상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하는 동작; 및
상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하는 동작을 포함하는 방법.
제11항에 있어서,
상기 제2오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및
상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하는 동작을 더 포함하는 방법.