KR20220118009A - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
KR20220118009A
KR20220118009A KR1020210021583A KR20210021583A KR20220118009A KR 20220118009 A KR20220118009 A KR 20220118009A KR 1020210021583 A KR1020210021583 A KR 1020210021583A KR 20210021583 A KR20210021583 A KR 20210021583A KR 20220118009 A KR20220118009 A KR 20220118009A
Authority
KR
South Korea
Prior art keywords
data
quality
model
waveform
learning
Prior art date
Application number
KR1020210021583A
Other languages
English (en)
Inventor
박상준
주기현
강태화
성호상
정종훈
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210021583A priority Critical patent/KR20220118009A/ko
Priority to EP21926890.1A priority patent/EP4207192A4/en
Priority to PCT/KR2021/012853 priority patent/WO2022177091A1/ko
Priority to CN202180093889.0A priority patent/CN116888665A/zh
Priority to US17/712,417 priority patent/US20220262377A1/en
Publication of KR20220118009A publication Critical patent/KR20220118009A/ko

Links

Images

Classifications

    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/003—Changing voice quality, e.g. pitch or formants
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/094—Adversarial 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/16—Vocoder architecture
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • 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
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/15—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being formant information
    • 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
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

본 개시는 전자 장치 및 이의 제어 방법에 관한 것이다. 본 개시의 전자 장치는 메모리 및 제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형을 추정하기 위한 제1 특징 데이터를 획득하고, 제1 특징 데이터를 디코더 모델에 입력하여 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득하는 프로세서를 포함하고, 제1 인코더 모델은, 제1 품질의 학습 음향 데이터가 입력되면, 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습될 수 있다.

Description

전자 장치 및 이의 제어 방법{ELECTRONIC DEVICE AND METHOD FOR CONTROLLING THEREOF}
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로서, 더욱 상세하게는 인공 지능 모델을 이용하여 고 품질의 파형 데이터를 획득하는 전자 장치 및 이의 제어 방법에 관한 것이다.
기존에는 음성의 음질을 향상(enhancement)시키기 위하여 다양한 알고리즘(예를 들어, 음성 신호에 포함된 잡음을 필터링하는 알고리즘, 빔포밍(beamforming) 기반 알고리즘 등)이 개발 및 활용되었다.
최근에는 인공 지능 시스템 기반으로 음성의 음질을 향상시키는 알고리즘이 개발되고 있다. 인공 지능 시스템이란 기존의 룰(rule) 기반 시스템과 달리 신경망 모델에 기반하여 학습 및 추론을 수행하는 시스템을 의미하며, 음성 인식, 이미지 인식 및 미래 예측 등과 같은 다양한 범위에서 활용되고 있다.
특히, 최근에는 딥 러닝(deep learning)에 기반한 딥 뉴럴 네트워크(deep neural network)를 통해 주어진 문제를 해결하는 인공 지능 시스템이 개발되고 있다.
한편, 딥 뉴럴 네트워크의 경우, 연산량 즉, 모델 복잡도가 작을수록 성능이 저하되며, 복잡하거나 어려운 테스트(task)을 수행하도록 학습시킬수록 성능이 저하된다. 따라서, 제한된 모델 복잡도 상에서 성능을 향상시키기 위해 딥 뉴럴 네트워크가 수행하는 테스크의 난이도를 낮추는 접근 방식이 요구된다.
본 개시는 상술된 필요성에 따라 안출된 것으로서, 본 개시의 목적은 고 품질 파형 데이터를 출력하도록 학습된 인공 지능 모델을 이용하여 품질이 향상된 파형 데이터를 획득하는 전자 장치 및 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 전자 장치에 있어서, 메모리 및 제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형을 추정하기 위한 제1 특징 데이터를 획득하고, 상기 제1 특징 데이터를 디코더 모델에 입력하여 상기 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득하는 프로세서를 포함하고, 상기 제1 인코더 모델은, 상기 제1 품질의 학습 음향 데이터가 입력되면, 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습될 수 있다.
본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은 제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형을 추정하기 위한 제1 특징 데이터를 획득하는 단계, 상기 제1 특징 데이터를 디코더 모델에 입력하여 상기 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득하는 단계를 포함하고, 상기 제1 인코더 모델은, 상기 제1 품질의 학습 음향 데이터가 입력되면, 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습될 수 있다.
상술한 바와 같이 본 개시의 다양한 실시예에 의해, 사용자는 음질이 향상된 파형 데이터를 보다 효율적으로 제공받을 수 있다.
도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 2 및 도 3은 본 개시의 일 실시예에 따른, 전자 장치가 제2 품질의 파형 데이터를 획득하는 과정을 설명하기 위한 도면,
도 4 및 도 5는 본 개시의 일 실시예에 따른, 전자 장치가 조건 정보를 획득하는 과정을 설명하기 위한 도면,
도 6은 본 개시의 일 실시예에 따른, 전자 장치가 제1 복원 모델을 이용하여 음향 데이터를 획득하는 과정을 설명하기 위한 도면,
도 7은 본 개시의 일 실시예에 따른, 전자 장치가 제2 복원 모델을 이용하여 음향 데이터를 획득하는 과정을 설명하기 위한 도면,
도 8은 본 개시의 일 실시예에 따른, 전자 장치가 제3 복원 모델을 이용하여 음향 데이터를 획득하는 과정을 설명하기 위한 도면,
도 9 및 10은 본 개시의 일 실시예에 따른, 전자 장치가 제1 도메인과 관련된 품질이 향상된 파형 데이터를 출력하는 과정을 설명하기 위한 도면,
도 11은 본 개시의 일 실시예에 따른, 전자 장치가 복수의 클래스의 파형 데이터를 출력하는 과정을 설명하기 위한 도면,
도 12는 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 순서도,
도 13은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도이다.
본 개시는 뉴럴 보코더(Neural Vocoder)에 제1 품질의 음향 데이터(또는, 음향 특징 데이터(acoustic feature))를 입력함으로써 제1 품질보다 고 품질(high quality)인 제2 품질의 파형(waveform) 데이터(즉, 음성 파형 데이터)를 획득하는 전자 장치 및 이의 제어 방법에 관한 것이다. TTS Acoustic Model(AM) 등에서 획득된 음향 특징 데이터를 뉴럴 보코더 모델에 입력하여 음성 파형을 출력할 수 있다.
음성은 짧은 구간(예를 들어, 프레임(약 10~20 msec 길이 구간)) 내에서는 정적인 특성을 가지고 있다. 음향 데이터는 음성의 특정 프레임 상에서 추출되는 음향 특성과 관련된 데이터를 의미한다. 음향 데이터는 음성에 대해 신호 처리(예를 들어, Short-Time analysis)를 수행하여 추출될 수 있다. 예를 들어, 음향 데이터는 스펙트럼(spectrum), 멜 스펙트럼(mel-spectrum), 켑스트럼(cepstrum), 피치 래그(pitch lag) 및 피치 상관관계(pitch correlation) 중 적어도 하나를 포함할 수 있다.
제1 품질의 음향 데이터는 제1 품질을 가지는 음성 데이터에서 추출된 음향 특성과 관련된 데이터를 의미한다. 예를 들어, 제1 품질의 음향 데이터는 모바일 녹음 환경(예로, pTTS(personalized text-to-speech)) 또는 TTS Acoustic Model(AM)을 통해 획득된 음성 또는 대역이 제한(band-limited)된 음성에서 추출된 음향 특성과 관련된 데이터를 의미할 수 있다. 즉, 제1 품질의 음향 데이터는 다양한 노이즈가 포함될 수 있다.
그리고, 제1 품질보다 고 품질인 제2 품질의 음향 데이터는 예로, 스튜디오 녹음 환경에서 획득된 음성에서 추출된 음향 특성과 관련된 데이터를 의미할 수 있다. 본 개시의 전자 장치는 제1 품질의 음향 데이터를 통해 제2 품질의 파형 데이터를 획득함으로써 PTTS 또는 TTS 음질이 향상될 수 있으며 대역이 확장(Bandwidth Extension)될 수 있다.
뉴럴 보코더는 입력된 음향 데이터에 기초하여 파형을 추정하기 위한 특징 데이터를 출력하는 신경망 모델인 인코더 모델 및 특징 데이터에 기초하여 파형 데이터를 출력하는 신경망 모델인 디코더 모델이 포함될 수 있다. 여기서, 인코더 모델에서 출력된 파형 데이터를 출력하기 위한 특징 데이터는, 뉴럴 보코더 관점에서 볼 때 은닉 레이어(hidden layer)에서 출력된 데이터이므로 은닉 특징(hidden representation)으로 표현될 수 있다.
한편, 제1 품질의 음향 데이터를 이용하여 획득된 특징 데이터의 노이즈 분포는 다양할 수 있다. 디코더 모델이, 제1 품질의 음향 데이터를 이용하여 획득된 특징 데이터에 기반하여 제2 품질의 파형 데이터를 출력하도록 학습될 경우, 특징 데이터의 분포가 스무딩(smoothing)될 수 있다. 본 개시의 디코더 모델은 제2 품질의 음향 데이터를 이용하여 획득된 특징 데이터에 기초하여 제2 품질의 파형 데이터를 출력되도록 학습되어 성능을 향상시킬 수 있다. 디코더 모델의 성능이 향상된다는 것은 뉴럴 보코더 모델의 고 품질 파형 데이터의 출력 성능이 향상된다는 것을 의미할 수 있다.
이하에서는 첨부한 도면을 참조하여 본 개시의 일 실시예에 대하여, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 개시의 일 실시예에 따른, 전자 장치(100)의 구성은 간략히 도시한 블록도이다. 도 1에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)가 포함될 수 있다. 다만, 도 1에 도시된 구성은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 통상의 기술자에게 자명한 수준의 적절한 하드웨어 및 소프트웨어 구성들이 전자 장치(100)에 추가로 포함될 수 있다.
메모리(110)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 인스트럭션(instruction) 또는 데이터를 저장할 수 있다. 인스트럭션은 프로그램 작성 언어에서 프로세서(120)가 직접 실행할 수 있는 하나의 동작 문장(action statement)을 의미하며, 프로그램의 실행 또는 동작에 대한 최소 단위이다. 그리고, 메모리(10)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
메모리(110)는 뉴럴 보코더 및 뉴럴 보코더에 포함된 모델이 각종 동작을 수행하기 위해 필요한 데이터를 저장할 수 있다. 뉴럴 보코더에 포함된 모델이 각종 동작을 수행하기 위해 필요한 데이터는 메모리(110) 중 스토리지 역할을 하는 메모리(예를 들어, 비휘발성 메모리 등)에 저장될 수 있다. 스토리지 역할을 하는 메모리에 저장된 데이터는 메모리(110) 중 메인 메모리 역할을 하는 메모리로 로딩(loading)될 수 있다.
메모리(110)는 입력된 음성을 인식 및 이해하며, 음성에 대한 응답 메시지를 출력할 수 있는 인공 지능 모델인 대화 시스템(Dialogue System)이 포함될 수 있다. 대화 시스템에는 ASR(Auto Speech Recognition) 모듈, NLU(Natural Language Unit) 모듈, DM(Dialogue Manger) 모듈 및 TTS 모듈 등이 포함될 수 있다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 기능 및 동작을 제어할 수 있다. 프로세서(120)는 제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형을 추정하기 위한 제1 특징 데이터를 획득할 수 있다. 여기서, 제1 인코더 모델은, 제1 품질의 학습 음향 데이터가 입력되면, 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습되는 신경망 모델을 의미한다.
프로세서(120)는 제1 특징 데이터를 디코더 모델에 입력하여 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득할 수 있다.
일 실시예로, 프로세서(120)는 제1 품질의 학습 음향 데이터를 제1 인코더 모델에 입력하여 제2 특징 데이터를 획득할 수 있다. 프로세서(120)는 제2 특징 데이터 및 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터간의 오차에 기초하여 제1 인코더 모델을 학습시킬 수 있다. 이와 관련된 실시예는 도 2를 참조하여 구체적으로 설명하도록 한다.
또 다른 실시예로, 프로세서(120)는 제1 특징 데이터 및 디코더 모델이 출력할 파형의 조건 정보를 디코더 모델에 입력하여 조건 정보에 대응되는 파형 데이터를 획득할 수 있다. 이와 관련된 실시예는 도 3을 참조하여 구체적으로 설명하도록 한다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다. 프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(Application Processor), DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU(Graphic Processing Unit), VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit)와 같은 인공지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서(120)는, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다.
학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은 복수의 인공 신경망을 포함하며, 인공 신경망은 복수의 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
인공 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks) 등이 있으며, 본 개시에서의 인공 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치(100)가 제2 품질의 음향 데이터를 획득하는 과정을 설명하기 위한 도면이다.
학습 단계에 도시된 바와 같이, 프로세서(120)는 제1 인코더 모델(210) 및 디코더 모델(230)을 학습시킬 수 있다. 구체적으로, 프로세서(120)는 제1 인코더 모델(210)에 제1 품질의 학습 음향 데이터를 입력하여 제2 특징 데이터를 획득할 수 있다. 그리고, 프로세서(120)는 제2 품질의 학습 음향 데이터를 제2 품질의 인코더 모델(220)에 입력하여 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 획득할 수 있다.
이 때, 제1 품질의 학습 음향 데이터와 제2 품질의 학습 음향 데이터 각각은 품질만 다르고 나머지 성분은 동일한 학습 데이터이다. 즉, 제1 품질의 음향 데이터와 제2 품질의 학습 음향 데이터는 한 페어(pair)로 구성된 학습 데이터이다. 그리고, 제2 품질의 인코더 모델(220)은, 제2 품질의 음향 데이터를 이용하여, 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습된 인코더 모델을 의미한다. 제2 품질의 인코더 모델(220)은 학습 단계에서만 사용될 수도 있다.
프로세서(120)는 제2 특징 데이터 및 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터간의 오차(215)에 기초하여 제1 인코더 모델(210)을 학습시킬 수 있다. 즉, 제1 인코더 모델(210)은 제1 품질의 학습 음향 데이터를 이용하여 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습될 수 있다. 이 때, 오차(215)는 제2 특징 데이터 및 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터 간의 MSE(Mean Square Error) loss를 의미할 수 있다. 학습이 완료되면 제1 인코더 모델(210)은 제1 품질의 학습 음향 데이터를 이용하여 제1 특징 데이터를 출력할 수 있다.
그리고, 프로세서(120)는 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 디코더 모델(230)에 입력하여 파형 데이터를 획득할 수 있다. 프로세서(120)는 획득된 파형 데이터와 제2 품질을 가지는 학습 파형 데이터간의 오차(235)에 기초하여 디코더 모델(230)을 학습시킬 수 있다. 이 때, 오차(235)는 획득된 파형 데이터와 제2 품질을 가지는 학습 파형 데이터간의 CE(Cross Entropy) loss를 의미할 수 있다. 즉, 디코더 모델(230)은, 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터가 입력되면, 제2 품질을 가지는 학습 파형 데이터를 출력하도록 학습될 수 있다.
디코더 모델(230)은 제1 품질을 가지는 특징 데이터를 이용하여 제2 품질을 가지는 학습 파형 데이터를 출력하도록 학습되지 않으므로, 학습 중 입력되는 특징 데이터의 분포가 스무딩되지 않는다. 즉, 디코더 모델(230)은 제2 품질을 가지는 특징 데이터를 이용하여 제2 품질을 가지는 학습 파형 데이터를 출력하도록 학습됨으로써 음질 향상 성능이 증가할 수 있다.
도 2의 추론 단계에 도시된 바와 같이, 제1 인코더 모델(210) 및 디코더 모델(230)이 학습된 후, 제1 품질의 음향 데이터가 추출되면, 프로세서(120)는 추출된 제1 품질의 음향 데이터를 학습된 제1 인코더 모델(210)에 입력하여 제1 특징 데이터를 획득할 수 있다. 제1 인코더 모델(210)은 학습 단계에서 제1 특징 데이터를 출력하도록 학습되었으므로 제1 인코더 모델(210)의 출력은 제2 품질의 인코더 모델(220)이 제2 품질의 음향 데이터를 이용하여 출력하는 특징 데이터와 유사 또는 오차 범위 내에서 동일할 수 있다. 프로세서(120)는 제1 특징 데이터를 학습된 디코더 모델(230)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다.
도 3은 본 개시의 일 실시예에 따른, 전자 장치(100)의 제2 품질의 음향 데이터를 획득하는 과정을 설명하기 위한 도면이다. 도 3의 학습 단계에 도시된 바와 같이, 프로세서(120)는 제1 인코더 모델(310) 및 디코더 모델(360)을 학습시킬 수 있다.
학습 단계에서, 일 실시예로, 프로세서(120)는 적대적 학습(adversarial training) 방식을 통해 제1 인코더 모델(360)이 품질과 독립적인 제1 특징 데이터를 출력하도록 학습시킬 수 있다. 구체적으로, 프로세서(120)는 제1 품질 또는 제2 품질의 음향 데이터 중 하나를 제1 인코더 모델(310)에 입력하여 제1 품질의 특징 데이터 또는 제2 품질의 특징 데이터 중 하나를 획득할 수 있다.
프로세서(120)는 제1 인코더 모델(310)을 통해 획득된 특징 데이터를 Gradient Reversal 모듈(320)에 입력할 수 있다. Gradient Reversal 모듈(320)은, 제1 인코더 모델(310)이 역 전파 방식(back propagation method)을 통해 학습될 때, 기울기(Gradient)에 음수 값을 부여(즉, 기울기에 -1을 곱함)함으로써 제1 인코더 모델(310)이 특징 데이터의 품질을 분류하지 못하는 방향으로 학습되게 하는 모듈을 의미한다. 즉, Gradient Reversal 모듈(320)은 제1 인코더 모델(310)이 품질을 분류하지 못하고 품질에 독립적인 특징 데이터를 출력하도록 학습시킬 때 이용되는 모듈이다. Gradient Reversal 모듈(320)은 포워딩(forwarding) 단계에서는 입력된 데이터에 영향을 주지 않는다. 따라서, 포워딩 단계에서 특징 데이터가 입력되면, Gradient Reversal 모듈(320)에 입력된 특징 데이터와 동일한 데이터를 그대로 출력할 수 있다.
프로세서(120)는 품질 분류기 모듈(Quality Classifier)(330)에 특징 데이터를 입력하여 특징 데이터를 제1 품질 또는 제2 품질로 분류할 수 있다. 프로세서(120)는 제1 인코더 모델(310)에 입력한 음향 데이터의 품질을 나타내는 라벨(label)과 품질 분류기 모듈(330)을 통해 분류된 품질 간의 오차(예로, CE loss(adversarial loss))에 기초하여 품질 분류기 모듈(330)을 학습시킬 수 있다. 예를 들어, 프로세서(120)는 역 전파 방식을 이용하여 품질 분류기 모듈(330)이 입력된 특징 데이터의 품질을 정확하게 분류할 수 있도록 학습(즉, 오차를 감소시킬 수 있도록 학습)시킬 수 있다.
프로세서(120)는, Gradient Reversal 모듈(320)을 통해, 역 전파 방식의 학습 과정에서 기울기에 -1을 곱할 수 있다. 즉, 품질 분류기(330) 모듈은 제1 인코더 모델(310)의 출력의 품질을 잘 분류하기 위해 학습되며, 제1 인코더 모델(310)은 품질 정보가 출력에 포함되지 않도록 학습된다. 그리고, 프로세서(120)는 제1 인코더 모델(310)이 품질에 독립적인(Quality-Independent) 제1 특징 데이터(이하, QI 특징 데이터)(340)를 출력하도록 학습시킬 수 있다. 한편, 제1 인코더 모델(310)에 의해, 제1 품질의 학습 음향 데이터와 제2 품질의 학습 음향 데이터 각각은 품질만 다르고 나머지 성분은 동일한 학습 데이터일 경우, 제1 품질의 학습 음향 데이터를 이용하여 출력된 QI 특징 데이터 및 제2 품질의 학습 음향 데이터를 이용하여 출력된 QI 특징 데이터는 암시적으로 동일해질 수 있다. 즉, 제1 인코더 모델(310)은 제1 품질 또는 제2 품질의 음향 데이터가 입력되더라도 품질 외 정보가 동일한 특징 데이터를 출력하도록 학습될 수 있다.
프로세서(120)는 QI 특징 데이터(340)와 학습 조건 정보(330)를 디코더 모델(360)에 입력하여 학습 조건 정보(350)에 대응되는 파형 데이터를 획득할 수 있다. QI 특징 데이터에는 품질에 대한 특성이 포함되어 있지 않을 수 있다. 즉, QI 특징 데이터에는 품질에 대한 요소가 분리(factor disentanglement)되어 있을 수 있다. 조건 정보는 디코더 모델(360)이 출력할 파형의 정보(예를 들어, 출력할 파형의 품질 정보 등)가 포함될 수 있다.
학습 조건 정보(350)에는 제1 인코더 모델(310)에 입력된 음향 데이터의 품질에 대응되는 정보가 포함될 수 있다. 제1 인코더 모델(310)에 제1 품질의 음향 데이터가 입력된 경우, 학습 조건 정보(350)에는 디코더 모델(360)이 출력할 파형은 제1 품질을 가지는 파형이라는 정보가 포함될 수 있다. 그리고, 제1 인코더 모델(310)에 제2 품질의 음향 데이터가 입력된 경우, 학습 조건 정보(350)에는 디코더 모델(360)이 출력할 파형은 제2 품질을 가지는 파형이라는 정보가 포함될 수 있다.
예를 들어, 학습 조건 정보(350)에 디코더 모델(360)이 출력할 파형은 제2 품질을 가지는 파형이라는 정보가 포함된 경우, 디코더 모델(360)은 QI 특징 데이터를 이용하여 제2 품질을 가지는 파형 데이터를 출력할 수 있다. 프로세서(120)는 디코더 모델(360)이 출력한 파형 데이터와 제2 품질을 가지는 학습 파형 데이터간의 오차에 기초하여 디코더 모델(360)이 제2 품질의 파형 데이터를 출력하도록 학습시킬 수 있다.
예를 들어, 학습 조건 정보(350)에 디코더 모델(360)이 출력할 파형은 제1 품질을 가지는 파형이라는 정보가 포함된 경우, 디코더 모델(360)은 QI 특징 데이터를 이용하여 제1 품질을 가지는 파형 데이터를 출력할 수 있다. 프로세서(120)는 디코더 모델(360)이 출력한 파형 데이터와 제1 품질을 가지는 학습 파형 데이터간의 오차에 기초하여 디코더 모델(360)이 제1 품질의 파형 데이터를 출력하도록 학습시킬 수 있다.
즉, 디코더 모델(360)은 제1 품질의 학습 음향 데이터를 이용하여 획득된 특징 데이터를 기반으로 제1 품질을 가지는 학습 파형 데이터를 출력하도록 학습되고, 제2 품질의 학습 음향 데이터를 이용하여 획득된 특징 데이터를 기반으로 제2 품질을 가지는 학습 파형 데이터를 출력하도록 학습될 수 있다. 이에 따라, 디코더 모델(360)은 성능이 향상된 파형 데이터를 출력하도록 학습될 수 있다.
도 3의 추론 단계에 도시된 바와 같이, 프로세서(120)는 제1 품질의 음향 데이터를 학습된 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(370)를 획득할 수 있다. 프로세서(120)는 QI 특징 데이터(370) 및 디코더 모델(360)이 출력할 파형 데이터는 제2 품질이라는 정보가 포함된 제2 품질의 조건 정보(380)를 학습된 디코더 모델(360)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다. 이에 따라, 디코더 모델(360)은 성능이 향상된 파형 데이터를 출력할 수 있다
도 4 및 도 5는 본 개시의 일 실시예에 따른, 전자 장치(100)가 조건 정보를 획득하는 과정을 설명하기 위한 도면이다. 즉, 도 4 및 도 5는 도 3을 참조하여 설명한 조건 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 4는 전자 장치(100)가 지도 학습(Supervised training) 방식으로 조건 정보를 획득하는 과정을 설명하기 위한 도면이다. 학습 단계에서, 프로세서(120)는 제1 품질의 학습 음향 데이터 또는 제2 품질의 학습 음향 데이터를 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(410)를 획득할 수 있다. QI 특징 데이터(410)를 출력하도록 제1 인코더 모델(310)을 학습시키는 과정은 전술하였으므로 중복되는 설명은 생략하도록 한다.
이 때, 프로세서(120)는 제1 인코더 모델(310)에 입력하는 학습 음향 데이터의 품질에 대응되는 클래스 라벨을 임베딩 모델(400)에 입력하여 조건 정보(400)를 출력할 수 있다. 임베딩 모델(400)은 입력된 클래스 라벨에 대응되는 조건 정보를 출력하도록 학습되는 인공 지능 모델을 의미한다. 즉, 임베딩 모델(400)은 클래스 라벨에 대응되는 조건 정보의 임베딩 데이터를 출력하도록 학습될 수 있다. 여기서, 임베딩 데이터는 벡터 형태로 구현될 수 있으나, 이에 국한되는 것은 아니며, 행렬, 그래프 등의 형태로 구현될 수 있다.
예를 들어, 제1 인코더 모델(310)에 입력된 학습 음향 데이터의 품질은 제1 품질이라는 정보가 포함된 클래스 라벨이 임베딩 모델(400)에 입력되면, 임베딩 모델(400)은 디코더 모델이 출력할 파형은 제1 품질이라는 정보가 포함된 조건 정보(420)를 출력하도록 학습될 수 있다.
또 다른 예로, 제1 인코더 모델(310)에 입력된 학습 음향 데이터의 품질이 제2 품질이라는 정보가 포함된 클래스 라벨이 임베딩 모델(400)에 입력되면, 임베딩 모델(400)은 디코더 모델이 출력할 파형은 제2 품질이라는 정보가 포함된 조건 정보(420)를 출력하도록 학습될 수 있다.
도 4의 추론 단계에 도시된 바와 같이, 프로세서(120)는 제1 품질의 음향 데이터를 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(430)를 획득할 수 있다. 프로세서(120)는 제2 품질에 대응되는 클래스 라벨(즉, 제2 품질의 라벨)을 학습된 임베딩 모델(400)에 입력하여 제2 품질의 조건 정보(즉, 디코더 모델이 출력할 파형은 제2 품질의 파형이라는 정보)(440)를 획득할 수 있다. 그리고, 프로세서(120)는 QI 특징 데이터(430) 및 제2 품질의 조건 정보(440)를 디코더 모델에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다.
도 5는 전자 장치(100)가 비지도 학습(Unsupervised training) 방식으로 조건 학습을 획득하는 과정을 설명하기 위한 도면이다. 도 5의 학습 단계에서, 프로세서(120)는 제1 품질의 학습 음향 데이터 또는 제2 품질의 학습 음향 데이터를 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(510)를 획득할 수 있다. QI 특징 데이터(510)를 출력하도록 제1 인코더 모델(310)을 학습시키는 과정은 전술하였으므로 중복되는 설명은 생략하도록 한다.
이 때, 프로세서(120)는 제1 인코더 모델(310)에 입력하는 학습 음향 데이터를 품질 인코더(Quality Encoder) 모델(500)에 입력하여 제1 품질의 조건 정보(520)를 출력할 수 있다. 품질 인코더 모델(500)은 입력된 학습 음향 데이터에 포함된 특성 등을 이용하여 학습 음향 데이터의 품질에 대응되는 조건 정보를 출력하도록 학습되는 인공 지능 모델을 의미한다. 품질 인코더 모델(500)은 Reference Encoder 구조, GST(Global Style Token) 구조, VAE(Variational Auto Encoder) 구조 중 적어도 하나가 포함될 수 있다.
학습 음향 데이터가 입력되면, 품질 인코더 모델(500)은 학습 음향 데이터의 특성(예로, 학습 음향 데이터의 품질을 나타낼 수 있는 특성 등)이 포함된 적어도 하나의 특징 벡터를 검출하고, 검출된 특징 벡터에 기초하여 학습 음향 데이터의 품질에 대응되는 조건 정보를 출력하도록 학습될 수 있다.
예를 들어, 제1 품질의 학습 음향 데이터가 입력되면, 품질 인코더 모델(500)은 입력된 데이터에 포함된 적어도 하나의 특징 벡터에 기초하여 제1 품질의 조건 정보(즉, 디코더 모델이 출력할 파형은 제1 품질의 파형이라는 정보)를 출력하도록 학습될 수 있다.
또 다른 예로, 제2 품질의 학습 음향 데이터가 입력되면, 품질 인코더 모델(500)은 입력된 데이터에 포함된 적어도 하나의 특징 벡터에 기초하여 제2 품질의 조건 정보(즉, 디코더 모델이 출력할 파형은 제2 품질의 파형이라는 정보)를 출력하도록 학습될 수 있다.
추론 단계에서, 프로세서(120)는 제1 품질의 음향 데이터를 학습된 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(530)를 획득할 수 있다. 프로세서(120)는 제2 품질의 음향 데이터를 품질 인코더 모델(500)에 입력하여 제2 품질의 조건 정보(540)를 획득할 수 있다. 프로세서(120)는 획득된 QI 특징 데이터(530) 및 제2 품질의 조건 정보(540)를 디코더 모델에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다.
도 4의 임베딩 모델(400)과 다르게 도 5의 품질 인코더 모델(500)은 이산적인 조건 정보를 출력하지 않고, 연속적인 품질 조건 정보를 출력한다. 제1 품질의 음향 데이터는 다양한 잡음이 포함되어 있으므로 제1 품질 학습 음향데이터를 입력하더라도, 품질 인코더 모델(500)의 출력은 다양할 수 있다.
한편, 도 4 및 도 5를 참조하여 설명한 임베딩 모델(400) 및 품질 인코더 모델(500)은 조건 정보를 출력하도록 학습된 조건 모델이라고 표현될 수 있다. 즉, 프로세서(120)는 학습된 조건 모델에 제2 품질을 나타내는 라벨 또는 제2 품질의 음향 데이터를 입력하여 디코더 모델이 출력할 파형은 제2 품질을 가지는 파형이라는 조건 정보를 획득할 수 있다. 그리고, 프로세서(120)는 조건 모델을 통해 획득된 제 2 품질의 조건 정보 및 QI 특징 데이터를 디코더 모델에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다.
도 6은 본 개시의 일 실시예에 따른, 전자 장치가 제1 복원 모델을 이용하여 음향 데이터를 획득하는 과정을 설명하기 위한 도면이다. 도 6은, 전자 장치(100)가 도 2를 참조하여 설명한 방식으로 제2 품질의 파형 데이터를 획득할 때 제1 복원 모델(240)을 이용하여 특징 데이터를 음향 데이터로 복원하는 방식을 설명하기 위한 도면이다.
복원된 음향 데이터는 다양한 신호 처리 모델 등에 활용될 수 있다. 본 실시예에서는 디코더 모델(230)이 여기 신호를 추정하고, 추정된 여기 신호와 복원된 음향데이터를 입력받아 신호 처리 모델(650)이 선형 예측을 통해 제2 품질의 파형 데이터를 출력하는 방식을 설명한다.
학습 단계에서, 프로세서(120)는 제1 품질의 학습 음향 데이터를 제1 인코더 모델(210)에 입력하여 제2 특징 데이터를 획득할 수 있다. 프로세서(120)는 제2 특징 데이터를 제1 복원 모델(240)에 입력하여 품질이 향상된 음향 데이터를 획득(또는, 복원)할 수 있다.
제1 복원 모델(240)은 인코더 모델에서 출력된 파형을 추정하기 위한 특징 데이터를 음향 데이터로 복원하는 인공 지능 모델을 의미한다.
프로세서(120)는 제1 복원 모델(240)에서 출력된 품질이 향상된 음향 데이터와 제2 품질의 학습 음향 데이터간의 오차(245)에 기초하여 제1 복원 모델(240)를 학습시킬 수 있다. 즉, 제1 복원 모델(240)은 오차(245)에 기초하여 제2 특징 데이터에 기초하여 제2 품질의 학습 음향 데이터를 출력하도록 학습될 수 있다. 한편, 도 6의 학습 단계에 도시된 동작은 도 2를 참조하여 설명하였으므로 중복되는 설명은 생략하도록 한다.
추론 단계에서, 프로세서(120)는 학습된 제1 인코더 모델(210)에 제1 품질의 음향 데이터를 입력하여 제1 특징 데이터를 획득할 수 있다. 프로세서(120)는 제1 특징 데이터를 디코더 모델(230)에 입력하여 여기(excitation) 신호를 획득할 수 있다. 여기 신호와 관련된 설명은 후술하도록 한다. 한편, 프로세서(120)는 제1 특징 데이터를 학습된 제1 복원 모델(240)에 입력하여 제2 품질을 가지는 음향 데이터를 획득할 수 있다.
프로세서(120)는 여기 신호와 제2 품질을 가지는 음향 데이터를 신호 처리 모델(650)에 입력하여 제2 품질을 가지는 파형 데이터를 획득할 수 있다. 여기서, 신호 처리 모델(650)은 선형 예측 모듈이 될 수 있다.
구체적으로, 음성 신호는 선형 예측 기법을 이용하여 하기 수학식 1과 같이 예측(prediction) 신호와 여기 신호로 분리될 수 있다. 수학식 1에서 pt는 시간 t에서 예측 신호를 의미하고, st는 시간 t에서 음성 신호, ak는 선형 예측 계수를 의미한다.
Figure pat00001
그리고, 여기 신호는 음성 신호와 예측 신호 간의 차이를 의미하며 수학식 2와 같이 표현될 수 있다. 수학식 2에서 et는 여기 신호를 의미한다.
Figure pat00002
신호 처리 모델(650)는 음향 데이터를 통해 선형 예측 계수를 산출할 수 있다. 예를 들어, 신호 처리 모델(650)는 levinson-dubin 알고리즘 등을 이용하여 음향 데이터를 통해 선형 예측 계수를 산출할 수 있다. 선형 예측 계수를 산출할 때 저 품질의 음향 데이터를 이용할 경우, 최종적으로 출력되는 파형 데이터의 음질이 저하될 수 있다. 따라서, 프로세서(120)는 제1 복원 모델(240)를 이용하여 제2 품질을 가지는 음향 데이터를 신호 처리 모델(650)에 입력하여 선형 예측 계수를 획득할 수 있다.
그리고, 프로세서(120)는 신호 처리 모델(650)을 통해 산출된 선형 예측 계수 및 여기 신호를 이용하여 제2 품질의 파형 데이터를 획득할 수 있다.
신호 처리 모델(650)이 출력한 제2 품질의 파형 데이터는 하기 수학식 3과 같이 표현될 수 있다. 수학식 3에서
Figure pat00003
는 디코더 모델(230)이 출력한 여기 신호,
Figure pat00004
는 제2 품질의 파형 데이터, ak는 선형 예측 계수를 의미한다.
Figure pat00005
도 7은 본 개시의 일 실시예에 따른, 전자 장치가 제2 복원 모델을 이용하여 음향 데이터를 획득하는 과정을 설명하기 위한 도면이다. 도 7은, 전자 장치(100)가 도 3을 참조하여 설명한 방식으로 제2 품질의 파형 데이터를 획득할 때 제2 복원 모델을 이용하여 특징 데이터를 음향 데이터로 복원하는 방식을 설명하기 위한 도면이다.
복원된 음향 데이터는 다양한 신호 처리 모델 등에 활용될 수 있다. 도 6과 마찬가지로 도 7에서는 디코더 모델(360)이 여기 신호를 추정하고, 추정된 여기 신호와 복원된 음향데이터를 입력받아 신호 처리 모델(650)이 선형 예측을 통해 제2 품질의 파형 데이터를 출력하는 방식을 설명한다.학습 단계에서, 프로세서(120)는 제1 품질 또는 제2 품질의 학습 음향 데이터에 기초하여 제1 인코더 모델(310)가 QI 특징 데이터를 출력하도록 제1 인코더 모델(210)을 학습시킬 수 있다. 제1 인코더 모델(310)을 학습시키는 과정은 도 3을 참조하여 구체적으로 설명하였으므로 중복되는 설명은 생략하도록 한다.
한편, 프로세서(120)는, QI 특징 데이터(340) 및 학습 조건 정보(350)에 기초하여, 제2 복원 모델(370)이 학습 조건 정보(350)에 대응되는 품질의 음향 데이터를 출력(또는, 복원)하도록 제2 복원 모델(370)을 학습시킬 수 있다.
예를 들어, 학습 조건 정보(350)에 제1 품질의 학습 음향 데이터를 통해 QI 특징 데이터(340)를 획득하였다는 정보가 포함된 경우, 제2 복원 모델(370)은 QI 특징 데이터(340)를 이용하여 제1 품질의 음향 데이터를 출력(또는, 복원)할 수 있다. 프로세서(120)는 제2 복원 모델(370)이 출력한 제1 품질의 음향 데이터와 제1 인코더 모델(310)에 입력된 제1 품질의 학습 음향 데이터 간의 오차에 기초하여 제2 복원 모델(370)을 학습시킬 수 있다. 즉, 제2 복원 모델(370)은 QI 특징 데이터(340) 및 학습 조건 정보(350)를 이용하여 학습 조건 정보(350)에 대응되는 품질의 음향 데이터를 복원하도록 학습될 수 있다.
추론 단계에서, 프로세서(120)는 제1 품질의 음향 데이터를 학습된 제1 인코더 모델(310)에 입력하여 QI 특징 데이터(370)를 획득할 수 있다. 그리고, 프로세서(120)는 QI 특징 데이터(370) 및 제2 품질의 조건 정보(380)를 디코더 모델(360)에 입력하여 여기(excitation) 신호를 획득할 수 있다.
한편, 프로세서(120)는 QI 특징 데이터(370) 및 제2 품질의 조건 정보(380)를 학습된 제2 복원 모델(370)에 입력하여 제2 품질의 음향 데이터를 획득할 수 있다. 프로세서(120)는 여기 신호 및 제2 품질의 음향 데이터를 신호 처리 모델(650)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다. 프로세서(120)가 신호 처리 모델(650)을 이용하여 제2 품질의 파형 데이터를 획득하는 과정은 도 6을 참조하여 구체적으로 설명하였으므로 중복되는 설명은 생략하도록 한다.
도 8은 본 개시의 일 실시예에 따른, 전자 장치(100)가 제3 복원 모델을 이용하여 음향 데이터를 획득하는 과정은 설명하기 위한 도면이다. 도 8은 전자 장치(100)가 도 2를 참조하여 설명한 방식으로 제2 품질의 파형 데이터를 획득할 때 제3 복원 모델을 이용하여 특징 데이터를 음향 데이터로 복원하는 방식을 설명하기 위한 도면이다.
학습 단계에서, 프로세서(120)는 제1 품질의 학습 음향 데이터를 제3 복원 모델(250)에 입력하여 품질이 향상된 음향 데이터를 획득할 수 있다. 프로세서(120)는 제3 복원 모델(250)에서 출력된 음향 데이터와 제2 품질의 학습 음향 데이터 간의 오차(260)에 기초하여 제3 복원 모델(250)을 학습시킬 수 있다. 즉, 제3 복원 모델(250)은, 제1 품질의 음향 데이터가 입력되면, 제2 품질의 음향 데이터를 출력(또는, 복원)하도록 학습될 수 있다.
프로세서(120)는 제3 복원 모델(250)을 통해 획득되는 제2 품질의 음향 데이터를 제1 인코더 모델(210)에 입력하여 파형을 추정하기 위한 특징 데이터를 획득할 수 있다. 이 때, 제1 인코더 모델(210)에서 출력된 특징 데이터는 도 2를 참조하여 설명한 제2 특징 데이터보다 품질이 향상된 데이터일 수 있다.
그리고, 프로세서(120)는 품질이 향상된 특징 데이터와 제2 품질의 인코더 모델(220)이 출력한 제2 품질을 가지는 학습 파형 데이 데이터를 추정하기 위한 특징 데이터 간의 오차(255)에 기초하여 제1 인코더 모델(210)을 학습시킬 수 있다. 이와 관련된 실시예는 도 2를 참조하여 구체적으로 설명하였으므로 중복되는 설명은 생략하도록 한다.
추론 단계에서, 프로세서(120)는 제1 품질의 음향 데이터를 제3 복원 모델(250)에 입력하여 제2 품질의 음향 데이터를 획득할 수 있다. 프로세서(120)는 제2 품질의 음향 데이터를 학습된 제1 인코더 모델(210)에 입력하여 제1 특징 데이터보다 품질이 향상된 특징 데이터를 획득할 수 있다. 프로세서(120)는 품질이 향상된 특징 데이터를 디코더 모델(230)에 입력하여 여기 신호를 획득할 수 있다.
프로세서(120)는 제2 품질의 음향 데이터 및 여기 신호를 신호 처리 모델(650)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다. 신호 처리 모델(650)을 통해 제2 품질의 파형 데이터를 획득하는 과정은 전술하였으므로 중복되는 설명은 생략하도록 한다.
도 9는 본 개시의 일 실시예에 따른, 전자 장치(100)가 제1 도메인과 관련된 품질이 향상된 파형 데이터를 출력하는 과정을 설명하기 위한 도면이다. 즉, 도 9는 전자 장치(100)가 전체 음향 데이터 중 특정 음향 데이터 유형에 대해서만 강화(enhancement)하는 방식을 설명하기 위한 도면이다.
한편, 음향 데이터의 도메인은 음향 데이터의 유형을 의미하며, 예로, 스펙트럼(spectrum), 멜 스펙트럼, 켑스트럼, 피치 데이터(예를 들어, 피치 래그(lag) 및 피치 상관관계(correlation)) 등이 포함될 수 있다.
예를 들어, 음성 신호의 대역을 확장(bandwidth extension)하고자 할 때, 음향 데이터의 피치 데이터는 변경하지 않는 것이 음질 향상 면에서 바람직할 수 있다. 또 다른 예로, PTTS 용 음질을 향상하고자 할 때, 피치 상관관계는 변경하지 않는 것이 음질 향상 면에서 바람직할 수 있다. 따라서, 전자 장치(100)는 후술할 방식을 통해 음향 데이터 중 제1 도메인과 관련된 품질만을 향상시킬 수 있다.
학습 단계에서, 프로세서(120)는 제1 품질의 학습 음향 데이터 중 제1 도메인과 관련된 제1 음향 데이터를 제2 인코더 모델(900)에 입력하여 제1 품질의 제1 도메인과 관련된 특징 데이터를 획득할 수 있다. 제1 도메인과 관련된 특징 데이터는 파형 데이터를 추정하기 위한 제1 도메인과 관련된 데이터를 의미한다. 예를 들어, 도 9에 도시된 바와 같이, 프로세서(120)는 제1 품질의 학습 음향 데이터 중 제1 품질의 켑스트럼 데이터를 제2 인코더 모델(900)에 입력하여 제1 품질의 켑스트럼 특징 데이터를 획득할 수 있다.
한편, 프로세서(120)는 제2 품질의 학습 음향 데이터 중 제1 도메인과 관련된 데이터를 제2 품질의 인코더 모델(910)에 입력하여 제2 품질의 제1 도메인과 관련된 특징 데이터를 획득할 수 있다. 예를 들어, 프로세서(120)는 제2 품질의 학습 음향 데이터 중 제2 품질의 켑스트럼 데이터를 제2 품질의 인코더 모델(910)에 입력하여 제2 품질의 켑스트럼 특징 데이터를 획득할 수 있다.
프로세서(120)는 제1 품질의 제1 도메인과 관련된 특징 데이터 및 제2 품질의 제1 도메인과 관련된 특징 데이터 간의 오차(905)에 기초하여 제2 인코더 모델(900)을 학습시킬 수 있다. 즉, 제2 인코더 모델(900)은 제1 품질의 제1 도메인과 관련된 데이터를 이용하여 제2 품질의 제1 도메인과 관련된 특징 데이터를 출력하도록 학습될 수 있다.
한편, 프로세서(120)는 제2 품질의 학습 음향 데이터 중 제2 품질의 제2 도메인과 관련된 데이터를 제3 인코더 모델(920)에 입력하여 제2 품질의 제2 도메인과 관련된 특징 데이터를 획득할 수 있다. 그리고, 프로세서(120)는 제2 품질의 제1 도메인과 관련된 특징 데이터(예를 들어, 제2 품질의 켑스트럼 특징 데이터) 및 제2 품질의 제2 도메인과 관련된 특징 데이터(예를 들어, 제2 품질의 피치 특징 데이터)를 디코더 모델(930)에 입력하여 파형 데이터를 획득할 수 있다.
그리고, 프로세서(120)는 획득된 파형 데이터와 제2 품질을 가지는 학습 파형 데이터간의 오차(935)에 기초하여 디코더 모델(930)을 학습시킬 수 있다. 즉, 디코더 모델(930)은 제2 품질의 제1 도메인 및 제2 도메인과 관련된 특징 데이터를 이용하여 제2 품질을 가지는 학습 파형 데이터를 출력하도록 학습될 수 있다.
도 9의 추론 단계에서 도시된 바와 같이, 일 실시예로, 제1 품질의 음향 데이터는 켑스트럼 데이터 및 피치 데이터가 포함될 수 있다. 켑스트럼 데이터는 스펙트럼 포락선(spectral envelop) 정보(예로, 발음, 채널, 잡음 정보 등)를 가질 수 있다. 피치 데이터는 잡음에 영향을 받지 않으므로 그대로 활용하는 것이 바람직할 수 있다. 따라서, 전자 장치(100)는 음향 데이터 중 특정 도메인의 데이터(켑스트럼 데이터)에 대해서만 향상시키고, 나머지 도메인의 데이터(피치 데이터)에 대해서는 그대로 활용할 수 있다.
프로세서(120)는 제1 품질의 음향 데이터 중 제1 도메인과 관련된 데이터(예를 들어, 켑스트럼 데이터)를 학습된 제2 인코더 모델(900)에 입력하여 제3 특징 데이터(예를 들어, 셉스트럽 특징 데이터)를 획득할 수 있다. 그리고, 프로세서(120)는 제2 품질의 음향 데이터 중 제2 도메인과 관련된 데이터(예를 들어, 피치 데이터)를 제3 인코더 모델(920)에 입력하여 제4 특징 데이터(예를 들어, 피치 특징 데이터)를 획득할 수 있다. 프로세서(120)는 제3 특징 데이터 및 제4 특징 데이터를 디코더 모델(930)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다.
도 10는 본 개시의 일 실시예에 따른, 전자 장치(100)가 제1 도메인과 관련된 품질이 향상된 파형 데이터를 출력하는 과정을 설명하기 위한 도면이다. 도 10은 도 9에서 설명한 바와 같이, 음향 데이터 중 특정 도메인과 관련된 품질만을 향상시키는 방식을 설명하는 도면이다.
프로세서(120)는 제1 품질 또는 제2 품질의 학습 음향 데이터 중 제1 품질 또는 제2 품질의 제1 도메인과 관련된 데이터(예를 들어, 켑스트럼 데이터)를 제2 인코더 모델(1010)에 입력하여 QI 특징 데이터(1040)를 획득할 수 있다. 제2 인코더 모델(1010)이 적대적 학습 방식을 통해 QI 특징 데이터를 출력하도록 학습되는 과정은 도 3의 제1 인코더 모델(310)이 적대적 학습 방식을 통해 QI 특징 데이터를 출력하도록 학습되는 과정과 동일하다.
프로세서(120)는 제1 품질 또는 제2 품질의 음향 데이터 중 피치 데이터를 제3 인코더 모델(1020)에 입력하여 제2 도메인과 관련된 조건 정보(예를 들어, 피치 조건 정보)(1060)를 획득할 수 있다. 제2 도메인과 관련된 정보는 파형 데이터를 추정할 때 필요한 제2 도메인과 관련된 정보가 포함될 수 있다.
프로세서(120)는 QI 특징 데이터(1040), 제2 인코더 모델에 입력된 제1 도메인과 관련된 데이터의 품질에 대응되는 학습 조건 정보(1050) 및 제2 도메인과 관련된 조건 정보(1060)를 디코더 모델(1030)에 입력하여 학습 조건 정보(1050)에 대응되는 품질을 가지는 파형 데이터를 획득할 수 있다. 프로세서(120)는 획득된 학습 조건 정보(1050)에 대응되는 품질을 가지는 파형 데이터 및 학습 조건 정보(1050)에 대응되는 파형을 가지는 학습 파형 데이터 간의 오차(1065)에 기초하여 디코더 모델(1030)을 학습시킬 수 있다. 즉, 디코더 모델(1030)은 제1 도메인과 관련된 품질이 향상된 파형 데이터를 출력하도록 학습될 수 있다.
추론 단계에서, 프로세서(120)는 제1 품질의 음향 데이터 중 제1 도메인과 관련된 데이터(예로, 켑스트럼 데이터)를 학습된 제2 인코더 모델(1010)에 입력하여 QI 특징 데이터(1070)를 획득할 수 있다. 프로세서(120)는 제1 품질의 음향 데이터 중 제2 도메인과 관련된 데이터(예로, 피치 데이터)를 제3 인코더 모델(1020)에 입력하여 제2 도메인과 관련된 조건 정보(예로, 피치 조건 정보)(1090)를 획득할 수 있다.
프로세서(120)는 QI 특징 데이터(1070), 제2 도메인과 관련된 조건 정보(1090) 및 제2 품질의 조건 정보(1080)를 디코더 모델(1030)에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다. 즉, 프로세서(120)는 디코더 모델(1030)을 통해 제1 도메인과 관련된 품질이 향상된 파형 데이터를 획득할 수 있다.
도 11은 본 개시의 일 실시예에 따른, 전자 장치(100)가 복수의 클래스의 파형 데이터를 출력하는 과정을 설명하기 위한 도면이다.
학습 단계에서, 프로세서(120)는 음향 데이터를 제4 인코더 모델(1110)에 입력하여 특징 데이터를 획득할 수 있다. 프로세서(120)는 특징 데이터를 클래스 분류기 모듈(1140)에 입력하여 특징 데이터에 대응되는 클래스를 획득할 수 있다. 도 11에 도시된 바와 같이, 프로세서(120)는 특징 데이터를 클래스 분류기 모듈(1140)에 입력하기 전에 Gradient Reversal 모듈(1135)에 입력하나, 포워딩 단계에서 Gradient Reversal 모듈(1135)는 특징 데이터를 그대로 출력한다.
프로세서(120)는 특징 데이터에 대응되는 클래스와 제4 인코더 모델(1110)에 입력한 음향 데이터에 대응되는 클래스의 라벨 간의 오차(1115)에 기초하여 클래스 분류기 모듈(1140)을 역 전파 방식 등으로 학습시킬 수 있다.
프로세서(120)는 Gradient Reversal 모듈(1135)을 통해, 기울기(gradient)에 음수(예로, -1 등) 값을 곱함으로써 제4 인코더 모델(1110)가 클래스에 독립적인 특징 데이터(이하, CI(Class-Independent) 특징 데이터)(1130)를 출력하도록 제4 인코더 모델(1110)을 학습시킬 수 있다. CI 특징 데이터에는 클래스에 대한 특성이 포함되어 있지 않을 수 있다. CI 특징 데이터에는 클래스에 대한 요소가 분리(factor disentanglement)되어 있을 수 있다. 클래스 조건 정보는 디코더 모델(1120)이 출력할 파형의 정보(예를 들어, 출력할 파형의 클래스 정보 등)가 포함될 수 있다.
프로세서(120)는 제4 인코더 모델(1110)에 입력된 음향 데이터의 클래스에 대응되는 학습 클래스 조건 정보(1110) 및 CI 특징 데이터(1130)를 디코더 모델(1120)에 입력하여 학습 클래스 조건 정보(1145)에 대응되는 클래스를 가지는 파형 데이터를 획득할 수 있다. 즉, 학습 클래스 조건 정보(1145)는 디코더 모델(1120)이 출력할 파형의 클래스에 대한 정보가 포함될 수 있다.
프로세서(120)는 획득된 파형 데이터와 학습 클래스 조건 정보(1145)에 대응되는 클래스를 가지는 학습 파형 데이터 간의 오차(1125)에 기초하여 디코더 모델(1120)을 학습시킬 수 있다. 즉, 디코더 모델(1120)은 학습 클래스 조건 정보에 대응되는 클래스를 가지는 파형 데이터를 출력하도록 학습될 수 있다.
추론 단계에서, 프로세서(120)는 제1 클래스의 음향 데이터를 제4 인코더 모델(1110)에 입력하여 CI 특징 데이터(예로, 제1 클래스에 독립적인 제4 특징 데이터)를 획득할 수 있다. 프로세서(120)는 CI 특징 데이터(1150) 및 제2 클래스 조건 정보(1160)을 디코더 모델(1120)에 입력하여 제2 클래스의 파형 데이터를 획득할 수 있다. 제2 클래스 조건 정보(1160)는 디코더 모델(1120)이 출력할 파형의 클래스에 대한 정보가 포함될 수 있다.
예를 들어, 제1 클래스가 피아노 소리이고 제2 클래스가 바이올린 소리인 경우를 가정한다. 프로세서(120)는 피아노 소리의 음향 데이터를 학습된 제4 인코더 모델(1110)을 이용하여 피아노 소리를 바이올린 소리로 변환(또는, 합성)할 수 있다. 또 다른 예로, 제1 클래스가 남자의 음성이고 제2 클래스가 여자의 음성인 경우를 가정한다. 프로세서(120)는 남자의 음성의 음향 데이터를 학습된 제4 인코더 모델(1110)을 이용하여 남자의 음성을 여자의 음성으로 변환(또는, 합성)할 수 있다.
즉, 프로세서(120)는 제4 인코더 모델(1110)에 입력하는 음향 데이터의 클래스와 디코더 모델(1120)에 입력하는 클래스의 조건 정보를 변경하여 다양한 파형 데이터를 획득할 수 있다.
한편, 도 2 내지 도 11을 참조하여 설명한 학습 단계는 전자 장치(100)의 외부에서 진행될 수 있다. 예를 들어, 각 인코더 모델 및 디코더 모델은 학습 데이터를 저장한 외부 장치(예를 들어, 서버 등)에서 학습될 수 있다.
그리고, 일 실시예로, 전자 장치(100)는 외부 장치로부터 학습된 인코더 모델 및 디코더 모델을 통신 모듈을 이용하여 수신할 수 있다. 또 다른 예로, 전자 장치(100)는 외부 장치로부터 학습된 인코더 모델 및 디코더 모델이 포함된 하드웨어 모듈이 장착될 수 있다. 전자 장치(100)는 학습된 인코더 모델 및 디코더 모델을 이용하여 각 도면의 추론 단계에서 설명한 동작을 수행할 수 있다.
도 12는 본 개시의 일 실시예에 따른, 전자 장치(100)의 제어 방법을 설명하기 위한 도면이다.
전자 장치(100)는 제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형을 추정하기 위한 제1 특징 데이터를 획득할 수 있다(S1210). 이 때, 제1 인코더 모델은, 제1 품질의 학습 음향 데이터가 입력되면, 제1 품질보다 고 품질인 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습된 인공 지능 모델일 수 있다.
일 실시예로, 전자 장치(100)는 제1 품질의 학습 음향 데이터를 제1 인코더 모델에 입력하여 획득된 제2 특징 데이터 및 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터간의 오차에 기초하여 제1 인코더 모델을 학습시킬 수 있다. 또 다른 실시예로, 전자 장치(100)는 적대적 학습 방식을 통해 품질과 독립적인 제1 특징 데이터를 출력하도록 제1 인코더 모델을 학습시킬 수 있다.
전자 장치(100)는 제1 특징 데이터를 디코더 모델에 입력하여 제2 품질의 파형 데이터를 획득할 수 있다(S1210).
일 실시예로, 전자 장치(100)는 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터에 기초하여 제2 품질을 가지는 학습 파형 데이터를 출력하도록 디코더 모델을 학습시킬 수 있다. 또 다른 실시예로, 전자 장치(100)는 디코더 모델이 출력할 파형의 조건 정보 및 제1 특징 데이터에 기초하여 조건 정보에 대응되는 품질의 파형 데이터를 출력하도록 디코더 모델을 학습시킬 수 있다.
도 13은 본 개시의 일 실시예에 따른, 전자 장치(100)의 구성을 상세히 도시한 블록도이다. 도 13에 도시된 바와 같이, 전자 장치(100)는 메모리(110), 프로세서(120), 스피커(130), 통신부(140), 마이크(150), 사용자 인터페이스(160), 입출력 인터페이스(170), 디스플레이(180) 및 카메라(190)가 포함될 수 있다. 메모리(110) 및 프로세서(120)는 도 1 내지 도 11을 참조하여 구체적으로 설명하였으므로 중복되는 설명은 생략하도록 한다.
스피커(130)는 프로세서(120)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 예로, 프로세서(120) 학습된 디코더 모델에서 출력된 파형 데이터에 다양한 처리 작업을 수행할 수 있다. 스피커(130)는 처리 작업이 수행된 파형 데이터를 출력할 수 있다.
한편, 오디오를 출력하기 위한 구성은 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.
통신부(140)는 회로를 포함하며, 복수의 그룹의 서버, 복수의 그룹의 외부 장치 또는 다른 장치와의 통신을 수행할 수 있다. 통신부(140)는 외부 장치와 통신을 수행하기 위해 다양한 통신 모듈을 포함할 수 있다.
일 예로, 통신부(140)는 무선 통신 모듈을 포함할 수 있으며, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 5G(5th generation) 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신 모듈을 포함할 수 있다. 또 다른 예로, 무선 통신 모듈은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), 중 적어도 하나를 포함할 수 있다.
통신부(140)는 외부 장치로부터 각 인코더 모델 및 디코더 모델을 학습시키기 위한 학습 데이터를 수신할 수 있다. 또 다른 예로, 통신부(140)는 외부 장치로부터 학습된 인코더 모델 및 디코더 모델을 수신할 수 있다. 또 다른 예로, 통신부(140)는 외부 장치로부터 인코더 모델에 입력할 음향 데이터를 수신할 수 있다.
마이크(150)는 사용자 음성을 입력받을 수 있다. 예로, 마이크(150)는 대화 시스템을 통한 음성 인식의 개시를 나타내는 트리거 음성(또는 웨이크업 음성)을 수신할 수 있으며, 특정 정보를 요청하는 사용자 질의를 수신할 수 있다. 예로, 마이크(150)로부터 수신된 음성은 프로세서(140)에 의해 대화 시스템에 입력될 수 있다.
한편, 마이크(150)는 전자 장치(100) 내부에 구비될 수 있으나, 외부에 구비되어 전자 장치(100)와 전기적으로 연결될 수 있다. 또 다른 예로, 마이크(150)는 외부에 구비되어 전자 장치(100)와 통신 연결될 수 있다.
사용자 인터페이스(160)는 전자 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 특히, 사용자 인터페이스(160)는 사용자 손 또는 스타일러스 펜 등을 이용한 사용자 터치를 입력받기 위한 터치 패널, 사용자 조작을 입력받기 위한 버튼 등이 포함될 수 있다. 그 밖에, 사용자 인터페이스(160)는 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다.
디스플레이(170)는 프로세서(120)의 제어에 따라 다양한 정보를 표시할 수 있다. 예로, 디스플레이(170)는 디코더 모델을 통해 파형 데이터가 출력되었다는 인디케이터를 표시할 수 있다. 또 다른 예로, 디스플레이(170)는 각 인코더 및 디코더 모델에 입력된 음향 데이터 또는 특징 데이터에 대응되는 클래스(예를 들어, 품질의 유형 등)를 표시할 수 있다.
디스플레이(170)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes), AM-OLED(Active-Matrix Organic Light-Emitting Diode), LcoS(Liquid Crystal on Silicon) 또는 DLP(Digital Light Processing) 등과 같은 다양한 디스플레이 기술로 구현될 수 있다.
또한, 디스플레이(170)는 플렉서블 디스플레이(flexible display)의 형태로 전자 장치(100)의 전면 영역 및, 측면 영역 및 후면 영역 중 적어도 하나에 결합될 수도 있다. 또한, 디스플레이(170)는 터치 센서를 구비한 터치 스크린으로 구현될 수도 있다.
카메라(180)는 전자 장치(100)의 주변을 촬영하여 하나 이상의 이미지를 획득할 수 있는 구성이다. 예를 들어, 카메라(180)는 전자 장치(100)의 주변을 촬영한 복수의 이미지 프레임(frame)으로 구성된 동영상을 획득할 수 있다. 예로, 카메라(180)을 통해 획득된 동영상에 포함된 사운드에 대한 음향 데이터는 프로세서(120)에 의해 인코더 모델에 입력될 수 있다.
한편, 본 개시에서 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적 저장매체'는 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다. 예로, '비일시적 저장매체'는 버퍼(buffer)가 포함될 수 있다.
일시예에 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, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
메모리: 110 프로세서: 120

Claims (20)

  1. 전자 장치에 있어서,
    메모리; 및
    제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형(waveform)을 추정하기 위한 제1 특징 데이터를 획득하고,
    상기 제1 특징 데이터를 디코더 모델에 입력하여 상기 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득하는 프로세서;를 포함하고,
    상기 제1 인코더 모델은, 상기 제1 품질의 학습 음향 데이터가 입력되면, 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습되는 전자 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 품질의 학습 음향 데이터를 상기 제1 인코더 모델에 입력하여 획득된 제2 특징 데이터 및 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터간의 오차에 기초하여 상기 제1 인코더 모델을 학습시키고,
    상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터에 기초하여 상기 제2 품질을 가지는 학습 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키는 전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    파형을 추정하기 위한 특징 데이터를 음향 데이터로 복원하는 제1 복원 모델에 상기 제1 특징 데이터를 입력하여 상기 제2 품질을 가지는 음향 데이터를 획득하고,
    상기 제1 복원 모델은, 상기 제1 품질의 학습 특징 데이터가 입력되면, 상기 제2 품질을 가지는 학습 음향 데이터를 출력하도록 학습되는 전자 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 품질의 음향 데이터 중 제1 도메인(domain)과 관련된 제1 음향 데이터를 제2 인코더 모델에 입력하여 제3 특징 데이터를 획득하고,
    상기 제1 품질의 음향 데이터 중 제2 도메인과 관련된 제2 음향 데이터를 제3 인코더 모델에 입력하여 제4 특징 데이터를 획득하고,
    상기 제3 특징 데이터 및 상기 제4 특징 데이터를 디코더 모델에 입력하여 상기 제1 도메인에 대응되는 품질이 향상된 파형 데이터를 획득하고,
    상기 제2 인코더 모델은, 상기 제1 품질의 학습 음향 데이터 중 제1 도메인과 관련된 제1 학습 음향 데이터가 입력되면, 상기 제1 도메인에 대응되는 품질이 향상된 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습되는 전자 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 특징 데이터 및 상기 디코더 모델이 출력할 파형의 조건 정보를 상기 디코더 모델에 입력하여 상기 조건 정보에 대응되는 파형 데이터를 획득하고,
    상기 제1 인코더 모델은 적대적 학습(adversarial training) 방식을 통해 품질과 독립적인 제1 특징 데이터를 출력하도록 학습되는 것을 특징으로 하는 전자 장치.
  6. 제5항에 있어서,
    상기 프로세서는,
    학습 조건 정보에 상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 정보가 포함된 경우, 상기 제1 특징 데이터를 이용하여 상기 제2 품질의 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키고,
    상기 학습 조건 정보에 상기 디코더 모델을 통해 출력할 파형은 상기 제1 품질을 가지는 파형이라는 정보가 포함된 경우, 상기 제1 특징 데이터를 이용하여 상기 제1 품질의 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키는 전자 장치.
  7. 제6항에 있어서,
    상기 프로세서는,
    파형을 추정하기 위해 필요한 특징 데이터를 음향 데이터로 복원하는 제2 복원 모델에 상기 제1 특징 데이터 및 상기 조건 정보를 입력하여 상기 조건 정보에 대응되는 음향 데이터를 획득하고,
    상기 제2 복원 모델은, 상기 제1 품질의 학습 특징 데이터 및 상기 학습 조건 정보가 입력되면, 상기 학습 조건 정보에 대응되는 음향 데이터를 출력하도록 학습되는 전자 장치.
  8. 제6항에 있어서,
    상기 프로세서는,
    상기 조건 정보를 출력하도록 학습된 조건 모델에 상기 제2 품질을 나타내는 라벨(label) 또는 상기 제2 품질의 음향 데이터를 입력하여 상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 조건 정보를 획득하고,
    상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 조건 정보 및 상기 제1 특징 데이터를 상기 디코더 모델에 입력하여 상기 제2 품질을 가지는 파형 데이터를 획득하는 전자 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    상기 제1 품질의 음향 데이터를 품질을 향상시키도록 학습된 향상 모델에 입력하여 상기 제2 품질의 음향 데이터를 획득하고,
    상기 제2 품질의 음향 데이터를 상기 제1 인코더 모델에 입력하여 상기 제1 특징 데이터보다 품질이 향상된 특징 데이터를 획득하고,
    상기 제1 특징 데이터보다 품질이 향상된 특징 데이터를 상기 디코더 모델에 입력하여 여기(excitation) 신호를 획득하고,
    상기 여기 신호 및 상기 제2 품질의 음향 데이터를 신호 처리 모델에 입력하여 상기 제2 품질을 가지는 파형 데이터를 획득하는 전자 장치.
  10. 제1항에 있어서,
    상기 프로세서는,
    적대적 학습 방식을 통해 복수의 클래스(class)와 독립적인 특징 데이터를 출력하도록 학습된 제4 인코더 모델에 상기 복수의 클래스 중 제1 클래스의 음향 데이터를 입력하여 제1 클래스와 독립적인 제5 특징 데이터를 획득하고,
    상기 제5 특징 데이터 및 상기 디코더 모델이 출력할 파형은 상기 복수의 클래스 중 제2 클래스의 파형이라는 정보가 포함된 조건 정보를 상기 디코더 모델에 입력하여 상기 제2 클래스의 파형 데이터를 획득하는 전자 장치.
  11. 전자 장치의 제어 방법에 있어서,
    제1 품질의 음향 데이터를 제1 인코더 모델에 입력하여 파형(waveform)을 추정하기 위한 제1 특징 데이터를 획득하는 단계; 및
    상기 제1 특징 데이터를 디코더 모델에 입력하여 상기 제1 품질보다 고 품질인 제2 품질의 파형 데이터를 획득하는 단계;를 포함하고,
    상기 제1 인코더 모델은, 상기 제1 품질의 학습 음향 데이터가 입력되면, 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습되는 제어 방법.
  12. 제11항에 있어서,
    상기 제1 품질의 학습 음향 데이터를 상기 제1 인코더 모델에 입력하여 획득된 제2 특징 데이터 및 상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터간의 오차에 기초하여 상기 제1 인코더 모델을 학습시키고,
    상기 제2 품질을 가지는 학습 파형 데이터를 추정하기 위한 특징 데이터에 기초하여 상기 제2 품질을 가지는 학습 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키는 단계;를 더 포함하는 제어 방법.
  13. 제11항에 있어서,
    파형을 추정하기 위한 특징 데이터를 음향 데이터로 복원하는 제1 복원 모델에 상기 제1 특징 데이터를 입력하여 상기 제2 품질을 가지는 음향 데이터를 획득하는 단계;를 더 포함하고,
    상기 제1 복원 모델은, 상기 제1 품질의 학습 특징 데이터가 입력되면, 상기 제2 품질을 가지는 학습 음향 데이터를 출력하도록 학습되는 제어 방법.
  14. 제11항에 있어서,
    상기 제1 품질의 음향 데이터 중 제1 도메인(domain)과 관련된 제1 음향 데이터를 제2 인코더 모델에 입력하여 제3 특징 데이터를 획득하고,
    상기 제1 품질의 음향 데이터 중 제2 도메인과 관련된 제2 음향 데이터를 제3 인코더 모델에 입력하여 제4 특징 데이터를 획득하는 단계; 및
    상기 제3 특징 데이터 및 상기 제4 특징 데이터를 디코더 모델에 입력하여 상기 제1 도메인에 대응되는 품질이 향상된 파형 데이터를 획득하는 단계;를 더 포함하고,
    상기 제2 인코더 모델은, 상기 제1 품질의 학습 음향 데이터 중 제1 도메인과 관련된 제1 학습 음향 데이터가 입력되면, 상기 제1 도메인에 대응되는 품질이 향상된 학습 파형 데이터를 추정하기 위한 특징 데이터를 출력하도록 학습되는 제어 방법.
  15. 제11항에 있어서,
    상기 제1 특징 데이터 및 상기 디코더 모델이 출력할 파형의 조건 정보를 상기 디코더 모델에 입력하여 상기 조건 정보에 대응되는 파형 데이터를 획득하는 단계;를 더 포함하고,
    상기 제1 인코더 모델은 적대적 학습(adversarial training) 방식을 통해 품질과 독립적인 제1 특징 데이터를 출력하도록 학습되는 것을 특징으로 제어 방법.
  16. 제15항에 있어서,
    학습 조건 정보에 상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 정보가 포함된 경우, 상기 제1 특징 데이터를 이용하여 상기 제2 품질의 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키고,
    상기 학습 조건 정보에 상기 디코더 모델을 통해 출력할 파형은 상기 제1 품질을 가지는 파형이라는 정보가 포함된 경우, 상기 제1 특징 데이터를 이용하여 상기 제1 품질의 파형 데이터를 출력하도록 상기 디코더 모델을 학습시키는 단계;를 더 포함하는 제어 방법.
  17. 제16항에 있어서,
    파형을 추정하기 위해 필요한 특징 데이터를 음향 데이터로 복원하는 제2 복원 모델에 상기 제1 특징 데이터 및 상기 조건 정보를 입력하여 상기 조건 정보에 대응되는 음향 데이터를 획득하는 단계;를 더 포함하고,
    상기 제2 복원 모델은, 상기 제1 품질의 학습 특징 데이터 및 상기 학습 조건 정보가 입력되면, 상기 학습 조건 정보에 대응되는 음향 데이터를 출력하도록 학습되는 제어 방법.
  18. 제16항에 있어서,
    상기 조건 정보를 출력하도록 학습된 조건 모델에 상기 제2 품질을 나타내는 라벨(label) 또는 상기 제2 품질의 음향 데이터를 입력하여 상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 조건 정보를 획득하는 단계; 및
    상기 디코더 모델이 출력할 파형은 상기 제2 품질을 가지는 파형이라는 조건 정보 및 상기 제1 특징 데이터를 상기 디코더 모델에 입력하여 상기 제2 품질을 가지는 파형 데이터를 획득하는 단계;를 더 포함하는 제어 방법.
  19. 제11항에 있어서,
    상기 제1 품질의 음향 데이터를 품질을 향상시키도록 학습된 향상 모델에 입력하여 상기 제2 품질의 음향 데이터를 획득하고,
    상기 제2 품질의 음향 데이터를 상기 제1 인코더 모델에 입력하여 상기 제1 특징 데이터보다 품질이 향상된 특징 데이터를 획득하는 단계;
    상기 제1 특징 데이터보다 품질이 향상된 특징 데이터를 상기 디코더 모델에 입력하여 여기(excitation) 신호를 획득하는 단계; 및
    상기 여기 신호 및 상기 제2 품질의 음향 데이터를 신호 처리 모델에 입력하여 상기 제2 품질을 가지는 파형 데이터를 획득하는 단계;를 포함하는 제어 방법.
  20. 제11항에 있어서,
    적대적 학습 방식을 통해 복수의 클래스(class)와 독립적인 특징 데이터를 출력하도록 학습된 제4 인코더 모델에 상기 복수의 클래스 중 제1 클래스의 음향 데이터를 입력하여 제1 클래스와 독립적인 제5 특징 데이터를 획득하는 단계; 및
    상기 제5 특징 데이터 및 상기 디코더 모델이 출력할 파형은 상기 복수의 클래스 중 제2 클래스의 파형이라는 정보가 포함된 조건 정보를 상기 디코더 모델에 입력하여 상기 제2 클래스의 파형 데이터를 획득하는 단계;를 더 포함하는 제어 방법.
KR1020210021583A 2021-02-18 2021-02-18 전자 장치 및 이의 제어 방법 KR20220118009A (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210021583A KR20220118009A (ko) 2021-02-18 2021-02-18 전자 장치 및 이의 제어 방법
EP21926890.1A EP4207192A4 (en) 2021-02-18 2021-09-17 ELECTRONIC DEVICE AND ITS CONTROL METHOD
PCT/KR2021/012853 WO2022177091A1 (ko) 2021-02-18 2021-09-17 전자 장치 및 이의 제어 방법
CN202180093889.0A CN116888665A (zh) 2021-02-18 2021-09-17 电子设备及其控制方法
US17/712,417 US20220262377A1 (en) 2021-02-18 2022-04-04 Electronic device and control method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210021583A KR20220118009A (ko) 2021-02-18 2021-02-18 전자 장치 및 이의 제어 방법

Publications (1)

Publication Number Publication Date
KR20220118009A true KR20220118009A (ko) 2022-08-25

Family

ID=82930888

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210021583A KR20220118009A (ko) 2021-02-18 2021-02-18 전자 장치 및 이의 제어 방법

Country Status (2)

Country Link
KR (1) KR20220118009A (ko)
WO (1) WO2022177091A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102612572B1 (ko) * 2023-07-20 2023-12-11 주식회사 포자랩스 인공 지능을 이용한 오디오 데이터 생성

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10403269B2 (en) * 2015-03-27 2019-09-03 Google Llc Processing audio waveforms
JP7432199B2 (ja) * 2019-07-05 2024-02-16 国立研究開発法人情報通信研究機構 音声合成処理装置、音声合成処理方法、および、プログラム
JP2020204755A (ja) * 2019-08-01 2020-12-24 株式会社テクノスピーチ 音声処理装置、および音声処理方法
KR102645589B1 (ko) * 2019-08-30 2024-03-07 엘지전자 주식회사 음향 제어 시스템, 장치 및 방법
JP2020134920A (ja) * 2019-09-05 2020-08-31 株式会社テクノスピーチ 音声処理装置、および音声処理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102612572B1 (ko) * 2023-07-20 2023-12-11 주식회사 포자랩스 인공 지능을 이용한 오디오 데이터 생성

Also Published As

Publication number Publication date
WO2022177091A1 (ko) 2022-08-25

Similar Documents

Publication Publication Date Title
US11798535B2 (en) On-device custom wake word detection
US10388284B2 (en) Speech recognition apparatus and method
US11538463B2 (en) Customizable speech recognition system
US10580432B2 (en) Speech recognition using connectionist temporal classification
CN111081230B (zh) 语音识别方法和设备
CN113886643A (zh) 数字人视频生成方法、装置、电子设备和存储介质
JP2019109306A (ja) 音声変換装置、音声変換方法及びプログラム
CN112955862A (zh) 电子装置及其控制方法
US11942077B2 (en) Electronic device and operating method thereof
KR20220130565A (ko) 키워드 검출 방법 및 장치
US11881211B2 (en) Electronic device and controlling method of electronic device for augmenting learning data for a recognition model
KR20220028128A (ko) 화자 종속 음성 모델(들)을 사용한 화자 인식
CN113987269A (zh) 数字人视频生成方法、装置、电子设备和存储介质
CN116090474A (zh) 对话情绪分析方法、装置和计算机可读存储介质
CN113886644A (zh) 数字人视频生成方法、装置、电子设备和存储介质
CN118591823A (zh) 提供交互式化身服务的方法和设备
CN115240633A (zh) 用于文本到语音转换的方法、装置、设备和存储介质
US20220262377A1 (en) Electronic device and control method thereof
KR20220118009A (ko) 전자 장치 및 이의 제어 방법
CN113707127A (zh) 一种基于线性自注意力的语音合成方法及系统
KR20200132673A (ko) 전자 장치 및 이의 제어 방법
JP2023169230A (ja) コンピュータプログラム、サーバ装置、端末装置、学習済みモデル、プログラム生成方法、及び方法
KR102663654B1 (ko) 적응형 시각적 스피치 인식
KR20210011844A (ko) 전자 장치 및 그 제어 방법
KR20210019920A (ko) 사용자의 음성을 인식하는 시스템 및 방법