KR20220147276A

KR20220147276A - 전자 장치 및 전자 장치의 프로소디 제어를 위한 tts 모델 생성 방법

Info

Publication number: KR20220147276A
Application number: KR1020210054191A
Authority: KR
Inventors: 김태훈; 엘리나스 니코스; 치아코울리스 피로스; 박형민; 성준식
Original assignee: 삼성전자주식회사
Priority date: 2021-04-27
Filing date: 2021-04-27
Publication date: 2022-11-03
Also published as: WO2022231126A1; US20230335112A1

Abstract

다양한 실시예에 따른 전자 장치는 인스터럭션들을 포함하는 메모리; 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 복수의 프로소디 군집들을 결정하고, 상기 학습 데이터에 포함된 텍스트에 대응하는 음소열을 추출하고, 상기 텍스트의 발화에 대한 프로소디의 값들이 상기 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단하여 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하고, 상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델을 생성할 수 있다. 그 외에도 다양한 실시예들이 가능할 수 있다.

Description

전자 장치 및 전자 장치의 프로소디 제어를 위한 TTS 모델 생성 방법{ELECTRONIC DEVCIE AND METHOD FOR GENERATING TEXT-TO-SPEECH MODEL FOR PROSODY CONTROL OF THE ELECTRONIC DEVCIE}

본 발명의 다양한 실시예들은 전자 장치 및 전자 장치의 프로소디 제어를 위한 TTS 모델 생성 방법에 관한 것이다.

이전의 TTS(text-to-speech) 기술은 입력된 텍스트에 적합한 글자 발음들을 검색하고, 검색된 글자 발음들을 자연스럽게 이어서 발화를 생성하는데, 이들을 부자연스럽게 이어서 사람이 발음하는 흉내를 내는 듯한 수준에 머물렀다.

최근 딥러닝 기술의 발달에 따라, TTS 기술도 딥러닝 기술을 적용하여 마치 사람이 말하는 것에 가까운 수준까지 올라왔다. 딥러닝 기반의 TTS 기술은 음성 신호의 시간적 최소 단위인 샘플(sample)이 입력된 텍스트에 따라 어떤 시간적 패턴을 가지는지 데이터로부터 학습하고, 적합한 샘플 열(sequence)을 생성함으로써, 보다 자연스러운 발화를 생성할 수 있을 뿐만 아니라 학습 데이터에 없는 텍스트 입력에도 대처할 수 있다.

딥러닝 기반의 TTS 기술도 데이터에 있는 프로소디를 가진 발화만을 생성할 수 있다. 이에, 프로소디를 변화할 수 있는 기술이 요구될 수 있다.

다양한 실시예들은 입력 텍스트의 프로소디를 음소 단위로 제어할 수 있는 기술을 제공할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

다양한 실시예에 따른 전자 장치는 인스터럭션들을 포함하는 메모리; 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 복수의 프로소디 군집들을 결정하고, 상기 학습 데이터에 포함된 텍스트에 대응하는 음소열을 추출하고, 상기 텍스트의 발화에 대한 프로소디의 값들이 상기 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단하여 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하고, 상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델을 생성할 수 있다.

다양한 실시예에 따른 전자 장치의 동작 방법은, 텍스트에 대응하는 음소열을 추출하는 동작; 상기 텍스트의 발화에 대한 프로소디의 값들을 프로소디의 정도를 대표하는 복수의 프로소디 군집들에 대응시켜 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하는 동작; 및 상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델을 생성하는 동작을 포함할 수 있다.

다양한 실시예들은 입력 텍스트를 구성하는 글자 또는 음소의 프로소디를 개별적으로 제어함으로써 사용자가 원하는 프로소디의 발화 생성 또는 가창 합성과 같은 다양한 TTS 응용에 구현될 수 있다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 2는 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 3은 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
도 4는 다양한 실시 예에 따른 전자 장치가 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
도 5는 다양한 실시예에 따른 TTS 모델을 생성하는 전자 장치를 나타낸다.
도 6은 다양한 실시예에 따른, 전자 장치의 프로소디 군집화 동작의 일 예를 설명하기 위한 도면이다.
도 7은 다양한 실시예에 따른, 전자 장치의 프로소디 군집화 동작의 다른 예를 설명하기 위한 도면이다.
도 8은 다양한 실시예에 따른, 전자 장치의 프로소디 군집 인덱스열을 추출하는 동작을 설명하기 위한 도면이다.
도 9는 다양한 실시예에 따른 전자 장치의 프로소디 모델을 학습시키는 동작을 설명하기 위한 도면이다.
도 10은 다양한 실시예에 따른 TTS 모델을 이용하는 일 예를 나타낸다.
도 11은 다양한 실시예에 따른 TTS 모델을 이용하는 다른 예를 나타낸다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

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. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.

메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.

프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.

입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.

음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 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. 일실시예에 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.

일실시예에 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. 일실시예에 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. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.

본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.

본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.

본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 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.

일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

도 2는 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.

도 2를 참조하면, 일 실시예의 통합 지능화 시스템(20)은 전자 장치(201)(예: 도 1의 전자 장치(101)), 지능형 서버(290)(예: 도 1의 서버(108)), 및 서비스 서버(300)(예: 도 1의 서버(108))를 포함할 수 있다.

일 실시 예의 전자 장치(201)는, 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.

도시된 실시 예에 따르면, 전자 장치(201)는 통신 인터페이스(202)(예: 도 1의 인터페이스(177)), 마이크(206)(예: 도 1의 입력 모듈(150)), 스피커(205)(예: 도 1의 음향 출력 모듈(155)), 디스플레이 모듈(204)(예: 도 1의 디스플레이 모듈(160)), 메모리(207)(예: 도 1의 메모리(130)), 또는 프로세서(203)(예: 도 1의 프로세서(120))를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

일 실시 예의 통신 인터페이스(202)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시 예의 마이크(206)는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 스피커(205)는 전기적 신호를 소리(예: 음성)로 출력할 수 있다.

일 실시 예의 디스플레이 모듈(204)은 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예의 디스플레이 모듈(204)은 또한 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다. 일 실시 예의 디스플레이 모듈(204)은 터치 센서를 통해 터치 입력을 수신할 수 있다. 예를 들어, 디스플레이 모듈(204)은 디스플레이 모듈(204) 내에 표시되는 화상 키보드 영역의 터치 센서를 통해 텍스트 입력을 수신할 수 있다.

일 실시 예의 메모리(207)는 클라이언트 모듈(209), SDK(software development kit)(208), 및 복수의 앱들(210)을 저장할 수 있다. 상기 클라이언트 모듈(209), 및 SDK(208)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램)를 구성할 수 있다. 또한, 클라이언트 모듈(209) 또는 SDK(208)는 사용자 입력(예: 음성 입력, 텍스트 입력, 터치 입력)을 처리하기 위한 프레임워크를 구성할 수 있다.

일 실시 예의 메모리(207)는 상기 복수의 앱들(210)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 앱(210)은 제1 앱(210_1), 제2 앱(210_2) 을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱(210) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 상기 앱들은, 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱들(210)은 프로세서(203)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.

일 실시 예의 프로세서(203)는 전자 장치(201)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(203)는 통신 인터페이스(202), 마이크(206), 스피커(205), 및 디스플레이 모듈(204)과 전기적으로 연결되어 연결되어 지정된 동작을 수행할 수 있다.

일 실시 예의 프로세서(203)는 또한 상기 메모리(207)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(203)는 클라이언트 모듈(209) 또는 SDK(208) 중 적어도 하나를 실행하여, 사용자 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(203)는, 예를 들어, SDK(208)를 통해 복수의 앱(210)의 동작을 제어할 수 있다. 클라이언트 모듈(209) 또는 SDK(208)의 동작으로 설명된 이하의 동작은 프로세서(203)의 실행에 의한 동작일 수 있다.

일 실시 예의 클라이언트 모듈(209)은 사용자 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(209)은 마이크(206)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 수신할 수 있다. 또는, 클라이언트 모듈(209)은 디스플레이 모듈(204)을 통해 감지된 터치 입력을 수신할 수 있다. 또는, 클라이언트 모듈(209)은 키보드 또는 화상 키보드를 통해 감지된 텍스트 입력을 수신할 수 있다. 이 외에도, 전자 장치(201)에 포함된 입력 모듈 또는 전자 장치(201)에 연결된 입력 모듈을 통해 감지되는 다양한 형태의 사용자 입력을 수신할 수 있다. 상기 클라이언트 모듈(209)은 수신된 사용자 입력을 지능형 서버(290)로 송신할 수 있다. 클라이언트 모듈(209)은 수신된 사용자 입력과 함께, 전자 장치(201)의 상태 정보를 지능형 서버(290)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.

일 실시 예의 클라이언트 모듈(209)은 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(209)은 지능형 서버(290)에서 상기 수신된 사용자 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(209)은 상기 수신된 결과를 디스플레이 모듈(204)에 표시할 수 있다. 또한, 클라이언트 모듈(209)은 상기 수신된 결과를 스피커(205)를 통해 오디오로 출력할 수 있다.

일 실시 예의 클라이언트 모듈(209)은 수신된 사용자 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(209)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 디스플레이 모듈(204)에 표시할 수 있다. 클라이언트 모듈(209)은, 예를 들어, 복수의 동작의 실행 결과를 순차적으로 디스플레이 모듈(204)에 표시할 수 있고, 스피커(205)를 통해 오디오를 출력할 수 있다. 전자 장치(201)는, 다른 예를 들어, 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이 모듈(204)에 표시할 수 있으며, 스피커(205)를 통해 오디오로 출력할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(209)은 지능형 서버(290)로부터 사용자 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(209)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(290)로 송신할 수 있다.

일 실시 예의 클라이언트 모듈(209)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(290)로 송신할 수 있다. 지능형 서버(290)는 상기 결과 정보를 이용하여 수신된 사용자 입력이 올바르게 처리된 것을 확인할 수 있다.

일 실시 예의 클라이언트 모듈(209)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(209)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(209)은 지정된 입력(예: 웨이크 업!)을 통해 유기적인 동작을 수행하기 위한 음성 입력을 처리하기 위한 지능형 앱을 수행할 수 있다.

일 실시 예의 지능형 서버(290)는 통신 망을 통해 전자 장치(201)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(290)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(290)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. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neural 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 다른 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 플랜을 선택할 수 있다.

일 실시 예의 지능형 서버(290)는 생성된 플랜에 따른 결과를 전자 장치(201)로 송신하거나, 생성된 플랜을 전자 장치(201)로 송신할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 플랜에 따른 결과를 디스플레이 모듈(204)에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 플랜에 따른 동작을 실행한 결과를 디스플레이 모듈(204)에 표시할 수 있다.

일 실시 예의 지능형 서버(290)는 프론트 엔드(front end)(215), 자연어 플랫폼(natural language platform)(220), 캡슐 데이터베이스(capsule DB)(230), 실행 엔진(execution engine)(240), 엔드 유저 인터페이스(end user interface)(250), 매니지먼트 플랫폼(management platform)(260), 빅 데이터 플랫폼(big data platform)(270), 또는 분석 플랫폼(analytic platform)(280)을 포함할 수 있다.

일 실시 예의 프론트 엔드(215)는 전자 장치(201)로부터 수신된 사용자 입력을 수신할 수 있다. 프론트 엔드(215)는 상기 사용자 입력에 대응되는 응답을 송신할 수 있다.

일 실시 예에 따르면, 자연어 플랫폼(220)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(221), 자연어 이해 모듈(natural language understanding module)(NLU module)(223), 플래너 모듈(planner module)(225), 자연어 생성 모듈(natural language generator module)(NLG module)(227) 또는 텍스트 음성 변환 모듈(text to speech module)(TTS module)(229)을 포함할 수 있다.

일 실시 예의 자동 음성 인식 모듈(221)은 전자 장치(201)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다. 일 실시 예의 자연어 이해 모듈(223)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(223)은 텍스트 데이터 형태의 사용자 입력에 대하여 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 일 실시 예의 자연어 이해 모듈(223)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다.

일 실시 예의 플래너 모듈(225)은 자연어 이해 모듈(223)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 일 실시 예에 따르면, 플래너 모듈(225)은 상기 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(225)은 상기 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 일 실시 예에 따르면, 플래너 모듈(225)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)의 컨셉으로 정의될 수 있다. 이에 따라, 플랜은 사용자의 의도에 의해 결정된 복수의 동작, 및 복수의 컨셉을 포함할 수 있다. 상기 플래너 모듈(225)은 상기 복수의 동작, 및 상기 복수의 컨셉 사이의 관계를 단계적(또는, 계층적)으로 결정할 수 있다. 예를 들어, 플래너 모듈(225)은 복수의 컨셉에 기초하여 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(225)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(225)은 복수의 동작, 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜을 생성할 수 있다. 상기 플래너 모듈(225)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(230)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.

일 실시 예의 자연어 생성 모듈(227)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 일 실시 예의 텍스트 음성 변환 모듈(229)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.

일 실시 예에 따르면, 자연어 플랫폼(220)의 기능의 일부 기능 또는 전체 기능은 전자 장치(201)에서도 구현가능 할 수 있다.

상기 캡슐 데이터베이스(230)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 일 실시예에 따른 캡슐은 플랜에 포함된 복수의 동작 오브젝트(action object 또는, 동작 정보) 및 컨셉 오브젝트(concept object 또는 컨셉 정보)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 CAN(concept action network)의 형태로 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 복수의 캡슐은 캡슐 데이터베이스(230)에 포함된 기능 저장소(function registry)에 저장될 수 있다.

상기 캡슐 데이터베이스(230)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 상기 전략 정보는 사용자 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)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(230)는 전자 장치(201)를 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 사용자와의 대화(dialog)(또는, 인터렉션(interaction)) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다. 상기 캡슐 데이터베이스(230)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 예에서는 캡슐 데이터베이스(230)는 전자 장치(201) 내에도 구현이 가능할 수 있다.

일 실시 예의 실행 엔진(240)은 상기 생성된 플랜을 이용하여 결과를 산출할 수 있다. 엔드 유저 인터페이스(250)는 산출된 결과를 전자 장치(201)로 송신할 수 있다. 이에 따라, 전자 장치(201)는 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예의 매니지먼트 플랫폼(260)은 지능형 서버(290)에서 이용되는 정보를 관리할 수 있다. 일 실시 예의 빅 데이터 플랫폼(270)은 사용자의 데이터를 수집할 수 있다. 일 실시 예의 분석 플랫폼(280)은 지능형 서버(290)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(280)은 지능형 서버(290)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.

일 실시 예의 서비스 서버(300)는 전자 장치(201)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(300)는 제3 자에 의해 운영되는 서버일 수 있다. 일 실시 예의 서비스 서버(300)는 수신된 사용자 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(290)에 제공할 수 있다. 상기 제공된 정보는 캡슐 데이터베이스(230)에 저장될 수 있다. 또한, 서비스 서버(300)는 플랜에 따른 결과 정보를 지능형 서버(290)에 제공할 수 있다.

위에 기술된 통합 지능 시스템(20)에서, 상기 전자 장치(201)는, 사용자 입력에 응답하여 사용자에게 다양한 인텔리전트 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 전자 장치(201)는 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 전자 장치(201)는 상기 마이크를 통해 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)을 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.

일 실시 예에서, 전자 장치(201)는 수신된 음성 입력에 기초하여, 단독으로 또는 상기 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 전자 장치(201)는 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.

일 실시 예에서, 전자 장치(201)가 지능형 서버(290) 및/또는 서비스 서버(300)와 함께 서비스를 제공하는 경우에는, 상기 전자 장치는, 상기 마이크(206)를 이용하여 사용자 발화를 감지하고, 상기 감지된 사용자 발화에 대응되는 신호(또는, 음성 데이터)를 생성할 수 있다. 상기 전자 장치는, 상기 음성 데이터를 통신 인터페이스(202)를 이용하여 지능형 서버(290)로 송신할 수 있다.

일 실시 예에 따른 지능형 서버(290)는 전자 장치(201)로부터 수신된 음성 입력에 대한 응답으로써, 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 예의 전자 장치(201)는, 통신 인터페이스(202)를 이용하여 상기 응답을 수신할 수 있다. 전자 장치(201)는 상기 스피커(205)를 이용하여 전자 장치(201) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이 모듈(204)을 이용하여 전자 장치(201) 내부에서 생성된 이미지를 외부로 출력할 수 있다.

도 3은 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.

상기 지능형 서버(290)의 캡슐 데이터베이스(예: 캡슐 데이터베이스(230))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 캡슐 데이터베이스는 복수의 도메인(예: 어플리케이션) 각각에 대응되는 복수의 캡슐(capsule(A)(401), capsule(B)(404))을 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: capsule(A)(401))은 하나의 도메인(예: 위치(geo), 어플리케이션)에 대응될 수 있다. 또한, 하나의 캡슐에는 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(402) 또는 CP 2 (403))가 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.

상기, 자연어 플랫폼(220)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 예를 들어, 자연어 플랫폼의 플래너 모듈(225)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어 , 캡슐 A (401) 의 동작들(4011,4013)과 컨셉들(4012,4014) 및 캡슐 B(404)의 동작(4041)과 컨셉(4042)을 이용하여 플랜(470)을 생성할 수 있다.

도 4는 다양한 실시 예에 따른 전자 장치가 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.

전자 장치(201)는 지능형 서버(290)를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.

일 실시 예에 따르면, 310 화면에서, 전자 장치(201)는 지정된 음성 입력(예: 웨이크 업!)을 인식하거나 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 전자 장치(201)는, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 지능형 앱에 대응되는 오브젝트(예: 아이콘)(311)를 디스플레이 모듈(204)에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 전자 장치(201)는 "이번주 일정 알려줘!"라는 음성 입력을 수신할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(313)(예: 입력창)를 디스플레이 모듈(204)에 표시할 수 있다.

일 실시 예에 따르면, 320 화면에서, 전자 장치(201)는 수신된 음성 입력에 대응되는 결과를 디스플레이 모듈(204)에 표시할 수 있다. 예를 들어, 전자 장치(201)는 수신된 사용자 입력에 대응되는 플랜을 수신하고, 플랜에 따라 '이번주 일정'을 디스플레이 모듈(204)에 표시할 수 있다.

도 5는 다양한 실시예에 따른 TTS 모델을 생성하는 전자 장치를 나타낸다.

도 5를 참조하면, 다양한 실시예에 따르면, 전자 장치(501)(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201), 또는 도 2의 지능형 서버(290))는 하나 이상의 프로세서(520)(예: 도 1의 프로세서(120), 도 2의 프로세서(203)) 및 프로세서(520)와 전기적으로 연결된 메모리(530)(예: 도 1의 메모리(130), 도 2의 메모리(207))를 포함할 수 있다. 메모리(530)는 프로세서(520)에 의해 실행 가능하며, 프로세서(520)가 프로소디(예: 발화의 길이, 음고(높낮이), 크기, 속도, 강세(accent), 억양(pitch) 등)를 음소 단위로 제어 가능한 TTS 모델(540)을 생성(예: 학습)하도록 하는 인스트럭션들을 저장할 수 있다. 또한, 메모리(530)는 TTS 모델(540)을 저장할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 음소열 및 프로소디 군집 인덱스열(예: 프로소디 군집의 인덱스의 열(sequence))에 기초하여 TTS 모델(540)을 생성할 수 있다. 프로세서(520)는 음소열 및 프로소디 군집 인덱스열을 TTS 모델(540)에 입력하여 TTS 모델(540)을 학습시킴으로써 텍스트의 프로소디를 음소 단위로 제어 가능한 TTS 모델(540)을 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 하나 이상의 텍스트(예: 문장, 글자 열)와 텍스트의 발화(예: 발화 데이터) 쌍(pair)을 포함하는 학습 데이터를 획득할 수 있다. TTS 모델(540)을 충분히 학습시키기 위해 다수의 텍스트와 발화 쌍이 수집될 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 텍스트에 대응하는 음소열을 추출할 수 있다. 프로세서(520)는 텍스트에 해당하는 알맞은 음소열로 변환할 때 텍스트가 어떤 언어로 구성되어 있는지, 텍스트가 어떤 글자로 이루어져 있는지를 고려할 수 있다. 프로세서(520)는 텍스트의 언어적 특성과 텍스트를 구성하는 글자들의 관계에 기초하여 적합한 음소열로 바꿀 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 텍스트의 발화에 대응하는 프로소디 군집 인덱스열을 추출할 수 있다. TTS 모델(540)에 포함된 프로소디 모델(560)의 학습을 위해서 프로소디 군집 인덱스열이 이용될 수 있다. 프로세서(520)는 미리 결정된 복수의 프로소디 군집들(예: 각 군집은 비슷한 수준의 프로소디들로 구성되어 있는 형태로, 프로소디의 정도(degree)를 대표함)을 이용하여 프로소디 군집 인덱스열을 추출할 수 있다. 예를 들어, 프로세서(520)는 텍스트의 발화에 대한 프로소디 값들이 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단하여 발화에 대응하는 프로소디 군집 인덱스를 추출할 수 있다.

다양한 실시예에 따르면, TTS 모델(540)은 음소 모델(550), 프로소디 모델(560), 및 복호화 모듈(570)을 포함할 수 있다. 프로세서(520)는 음소 모델(550), 프로소디 모델(560), 및 복호화 모듈(570)을 학습시킬 수 있다. 프로세서(520)는 텍스트에 대응하는 음소열을 음소 모델(550)로 입력하여 음소에 대해 음소 모델(550)을 학습시키고, 프로소디 군집 인덱스열을 프로소디 모델(560)에 입력하여 프로소디에 대해 프로소디 모델(560)을 병렬적으로(또는 독립적으로) 학습시킬 수 있다. 음소열은 음소 모델(550)이 음소열의 계층 구조 및/또는 순차적 구조를 학습하도록 음소 모델(550)의 입력으로 사용되는 것이고, 프로소디 군집 인덱스열은 프로소디 모델(560)이 프로소디 간의 계층 구조 및/또는 결과(예: 프로소디 모델(560)의 출력)와의 관계를 학습하도록 프로소디 모델(560)의 입력으로 사용되는 것일 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 텍스트에 대응하는 음소열을 음소 모델(550)로 입력하여 음소에 대해 음소 모델(550)을 학습시킬 수 있다. 음소 모델(550)은 음소 부호화 모듈(553) 및 발화 길이 예측 모듈(555)을 포함할 수 있다. 음소 부호화 모듈(553)은 입력받은 음소열로부터 음소 특성(예: 언어학적 정보)을 추출하고, 음소 특성을 발화 길이 예측 모듈(555)로 출력할 수 있다. 음소 특성은 음소 간의 관계 및 순서로부터 추출되는 음소의 발음을 생성하는데 유의미한 특성일 수 있다. 발화 길이 예측 모듈(555)은 각 음소 특성이 영향을 미치는 스펙트로그램 프레임의 길이를 예측하고, 예측 결과에 기초하여 음소 특성을 보정(예: 길이 보정)할 수 있다. 발화 길이 예측 모듈(555)은 길이 보정된 음소 특성을 복호화 모듈(570)로 출력할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 프로소디 군집 인덱스열을 프로소디 모델(560)에 입력하여 프로소디에 대해 프로소디 모델(560)을 학습시킬 수 있다. 프로소디 모델(560)은 프로소디 부호화 모듈(563) 및 발화 길이 예측 모듈(565)을 포함할 수 있다. 프로소디 부호화 모듈(563)은 입력받은 프로소디 군집 인덱스열로부터 유용한 프로소디 정보를 포함하는 프로소디 특성을 추출하고, 프로소디 특성을 발화 길이 예측 모듈(565)로 출력할 수 있다. 발화 길이 예측 모듈(565)은 각 프로소디 특성이 영향을 미치는 스펙트로그램 프레임의 길이를 예측하고, 예측 결과에 기초하여 프로소디 특성을 보정(예: 길이 보정)할 수 있다. 발화 길이 예측 모듈(565)은 길이 보정된 프로소디 특성을 복호화 모듈(570)로 출력할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 음소 모델(550)로부터 출력되는 값(예: 길이 보정된 음소 특성) 및 프로소디 모델(560)로부터 출력되는 값(예: 길이 보정된 프로소디 특성)을 복호화 모듈(570)에 입력하여 복호화 모듈(570)을 학습시킬 수 있다. 복호화 모듈(570)은 길이 보정된 음소 특성 및 길이 보정된 프로소디 특성을 스펙트로그램 프레임들로 변환시키고, 스펙트로그램 프레임들을 합쳐서 스펙트로그램을 생성할 수 있다. 복호화 모듈(570)로부터 생성되는 스펙트로그램은 길이 보정된 음소 특성 및 길이 보정된 프로소디 특성이 모두 이용되어 생성되는 것으로, 원하는 프로소디가 적용된 음소에 해당하는 발화의 정보를 포함할 수 있다.

다양한 실시예에 따르면, 각 스펙트로그램 프레임의 길이를 예측하는 동작에서 음소 특성과 프로소디 특성이 독립적인 모델(예: 음소 모델(550), 프로소디 모델(560))을 통해 따로 계산되어 보정된 후에 복호화 모듈(570)에서 합쳐져서 TTS 모델(540)의 학습에 이용될 수 있다. 이에, TTS 모델(540)에서는 음소와 프로소디 간의 의존성이 최소화되고, TTS 모델(540)은 원하는 프로소디의 특성이 반영된 발화를 생성할 수 있다.

다양한 실시예에 따르면, 음소 모델(550)로부터 출력되는 값 및 프로소디 모델(560)로부터 출력되는 값은 모두 복호화 모듈(570)로 입력되어 최종 발화 결과인 스펙트로그램이 복호화 모듈(570)로부터 출력될 수 있다. 프로세서(520)는 최종 발화 결과와 실제 정답지와의 오류(error) 값에 기초하여 TTS 모델(540)의 학습에 적합한 역전파 알고리즘을 이용하여 TTS 모델(540)의 각 구성(550~570)의 가중치(예: 학습 가중치)를 조절하여 상술한 동작들을 통해 학습 데이터 전체를 여러 번 학습할 수 있도록 충분히 반복함으로써 TTS 모델(540)의 성능을 증가시킬 수 있다.

다양한 실시예에 따르면, 생성된 TTS 모델(540)(예: 학습이 완료된 TTS 모델(540))은 텍스트(예: 입력 텍스트)의 프로소디(prosody)를 음소 단위로 세세하게 제어할 수 있다. TTS 모델(540)은 텍스트의 전체 뿐만 아니라, 텍스트를 구성하는 글자, 또는 단어, 또는 음소의 프로소디를 개별적으로(또는 독립적으로) 제어함으로써, 사용자가 원하는 프로소디의 발화(예: 텍스트의 발화)를 생성할 수 있다. TTS 모델(540)은 세세한 프로소디의 제어를 통해 표현력이 풍부한(expressive) 발화 생성(에: 텍스트의 특정 부분을 강조하는 발화 생성, 또는 자연스러운 발화) 또는 가창 합성과 같은 다양한 TTS 응용에 구현되거나 사용될 수 있다.

도 6은 다양한 실시예에 따른, 전자 장치의 프로소디 군집화 동작의 일 예를 설명하기 위한 도면이다.

도 6을 참조하면, 다양한 실시예에 따르면, TTS 모델(540)(예: 도 5의 TTS 모델(540))은 음소를 학습하는 음소 모델(550)(예: 도 5의 음소 모델(550)) 외에 독립적으로 프로소디를 학습하는 프로소디 모델(560)(예: 도 5의 프로소디 모델(560))을 통해서 음소와 프로소디 간에 발생할 수 있는 의존성 문제를 완화할 수 있다. 프로소디 모델(560)의 학습을 위해서는 프로소디의 값이 바로 이용되는 것이 아니라, 프로소디 군집 인덱스열이 이용되는 것일 수 있다.

다양한 실시예에 따르면, 프로세서(520)(예: 도 5의 프로세서(520))는 학습 데이터의 모든 발화로부터 모든 음소에 대한 프로소디의 값들을 추출할 수 있다. 프로소디의 값들은 프로소디 별로 모든 음소에 대해 추출되는 프로소디의 값들을 포함할 수 있다. 예를 들어, 프로세서(520)는 학습 데이터로부터 각 음소의 발화 길이의 값을 계산하고, 해당 발화 길이 동안의 각 음소의 발화 음고의 값을 계산할 수 있다. 발화 음고의 값은 해당 발화 길이 동안의 평균 발화 음고의 값일 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 모든 음소에 대한 프로소디의 값들의 분포로부터 모든 음소에 대한 군집화를 수행하여 프로소디의 정도(degree)를 대표하는 복수의 프로소디 군집들을 결정할 수 있다. 프로세서(520)는 프로소디 별로 추출된 모든 음소에 대한 프로소디의 값들을 비감독 기계 학습 방법(예: K-평균 군집화(K-means clustering) 알고리즘)을 이용하여 군집화 시킬 수 있다. 예를 들어, 복수의 프로소디 군집들은 프로소디 별로 마련될 수 있다.

도 6에서는 하나의 발화를 구성하는 음소들의 발화 길이의 값들에 대한 군집화의 일 예를 나타낸다. 발화(600)는 5개의 음소(611~615)와 2개의 띄어쓰기(621, 623)를 포함할 수 있다. 프로세서(520)는 음소(611~615)의 발화 길의 값의 분포에 기초하여, 음소(611) 및 음소(613)를 프로소디 군집(631)(예: 느린 속도를 대표함)에 군집화하고, 음소(612) 및 음소(614)를 프로소디 군집(633)(예: 중간 속도를 대표함)에 군집화하고, 음소(615)를 프로소디 군집(635)(예: 빠른 속도를 대표함)에 군집화할 수 있다. 프로소디 별로 몇 개의 양자화된 프로소디 군집을 만들어서 군집 프로소디 인덱스로 프로소디의 정도를 대체할 수 있다.

추출된 프로소디의 값들을 유한 개의 프로소디 군집으로 분류하여 프로소디 군집 인덱스를 학습에 활용할 수 있도록 함으로써, 프로소디 모델(560)이 모든 프로소디의 값과 결과의 관계를 학습하는 것이 아닌 제한된 개수의 프로소디 군집과 결과의 관계성만을 학습할 수 있도록 유도하며, 또한 쉽고 비교적 정확한 결과를 생성할 수 있도록 할 수 있다.

도 7은 다양한 실시예에 따른, 전자 장치의 프로소디 군집화 동작의 다른 예를 설명하기 위한 도면이다.

도 7을 참조하면, 다양한 실시예에 따르면, 프로세서(520)는 프로소디의 성격에 기초하여 모든 음소에 대한 군집화를 다르게 수행할 수 있다. 프로소디는 음소에 따라서 분포(예: 프로소디의 값의 분포)가 비슷한 것과 크게 달라지는 것으로 구분할 수 있다. 예를 들어, 한국어를 발화할 때 발화 길이의 경우에는 음소 별로 주로 길게 발음하는 것과 주로 짧게 발음하는 것이 존재할 수 있다. 음고의 경우에는 음소에 따라 달라지지 않는 프로소디의 하나일 수 있지만, 발화 길이의 경우에는 음소 별로 분포가 크게 달라지는 프로소디의 하나일 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 제1 프로소디가 음소에 따라서 분포가 비슷한 경우 모든 음소에 대한 프로소디의 값들 중에서 제1 프로소디에 대한 값들에 대해서는 음소에 관계없이 군집화를 수행할 수 있다. 도 7의 (a)에서는 음소에 따라서 값의 분포가 비슷한 음고와 같은 프로소디에 대한 군집화를 나타낸다. 프로세서(520)는 음소로부터 추출된 모든 음고의 값들을 이용하여 군집화를 수행할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 제2 프로소디가 음소에 따라서 분포가 크게 달라지는 경우 모든 음소에 대한 프로소디의 값들 중에서 제2 프로소디에 대한 값들에 대해서는 음소 별로 구분하여 군집화를 수행할 수 있다. 도 7의 (b)에서는 음소에 따라서 값의 분포가 크게 달라지는 발화 길이와 같은 프로소디에 대한 군집화를 나타낸다. 프로세서(520)는 음소 'aa'에 대한 발화 길이의 값들에 대해서만 군집화를 하여 음소 'aa'에 해당하는 프로소디 군집들을 결정할 수 있다. 프로세서(520)는 음소 'nn'에 대한 발화 길이의 값들에 대해서만 군집화를 하여 음소 'nn'에 해당하는 프로소디 군집들을 결정할 수 있다. 또한, 프로세서(520)는 음소 'ww'에 대한 발화 길이의 값들에 대해서만 군집화를 하여 음소 'ww'에 해당하는 프로소디 군집들을 결정할 수 있다. 프로소디 모델(560)을 학습하거나 TTS 모델(540)을 이용하여 발화를 생성할 때, 대상이 되는 음소에 해당하는 프로소디 군집만이 이용될 수 있다.

도 8은 다양한 실시예에 따른, 전자 장치의 프로소디 군집 인덱스열을 추출하는 동작을 설명하기 위한 도면이다.

도 8을 참조하면, 다양한 실시예에 따르면, 프로소디 별로 군집화가 완료된 후, 프로세서(520)는 복수의 프로소디 군집들을 이용하여 학습 데이터에 포함된 텍스트의 발화에 대응하는 프로소디 군집 인덱스열을 추출할 수 있다. 프로세서(520)는 군집화 동작을 수행한 후에 프로소디 군집 인덱스열을 추출하기 위해 해당 텍스트의 발화에 대한 프로소디 값들을 다시 추출할 수 있다.

다양한 실시예에 따르면, 프로세서(520)는 텍스트의 발화에 대한 프로소디의 값들에 기초하여 복수의 프로소디 군집들 중 발화에 대한 프로소디의 값들 각각에 가장 가까운 프로소디 군집을 선택할 수 있다. 이때, 프로세서(520)는 K-평균 군집화 알고리즘을 이용하여 발화에 대한 프로소디의 값들 각각이 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단할 수 있다. 예를 들어, 프로세서(520)는 프로소디의 값을 프로소디의 값에 가장 가까운 K개의 프로소디의 값들이 가장 많이 속해있는 프로소디 군집으로 대응시킬 수 있다. 학습 데이터 내 모든 음소들은 자신의 프로소디의 값(예: 프로소디 정보)에 가장 가까운 프로소디 군집의 인덱스(예: 프로소디 군집 인덱스)를 가질 수 있다. 이에, 프로세서(520)는 학습 데이터에 포함된 모든 텍스트의 발화에 대응하는 프로소디 군집 인덱스열을 추출할 수 있다.

도 8에서는 하나의 발화로부터 추출된 프로소디 군집 인덱스열의 일 예를 나타낸다. 설명의 편의를 위해 발화(800)는 9개의 음소(811~819)를 포함하고, 프로소디 군집(831), 프로소디 군집(833), 및 프로소디 군집(835)의 인덱스가 각각 1, 2, 3인 것으로 가정한다. 음소(811, 813, 815)의 프로소디의 값은 프로소디 군집(831)에 대응되고, 음소(814, 819)의 프로소디의 값은 프로소디 군집(833)에 대응되고, 음소(812, 816, 817, 818)의 프로시디의 값은 프로소디 군집(835)에 대응될 수 있다. 발화(800)에 대응하는 프로소디 군집 인덱스열(840)은 {1, 3, 1, 2, 1, 3, 3, 3, 2}로 추출될 수 있다.

도 9는 다양한 실시예에 따른 전자 장치의 프로소디 모델을 학습시키는 동작을 설명하기 위한 도면이다.

도 9를 참조하면, 다양한 실시예에 따르면, 프로소디 모델(560)을 학습하기 전에, TTS 모델(540)을 통해 발화를 생성할 때 바꾸고 싶은 음소의 프로소디는 프로소디 모델(560)을 통해 조작(예: 제어) 및/또는 학습하고자 하는 프로소디로 정의(또는 설정)할 수 있다. 정의할 수 있는 프로소디는 하나 이상일 수 있다. 프로소디 모델(560)은 프로소디 별로 대응하는 복수 개의 프로소디 모델들(560_1~560_n)(예: n은 1이상의 자연수)을 포함하고, 각 프로소디 모델(560_1~560_n)은 해당 프로소디에 대해서 병렬적으로(또는 독립적으로) 학습할 수 있다.

예를 들어, 발화를 생성할 때 음소의 음고나 발화 길이를 바꾸고 싶다면, 음고 및 발화 길이를 프로소디 모델(560)을 통해 조작 및/또는 학습하고자 하는 제1 프로소디 및 제2 프로소디로 설정할 수 있다. 프로세서(520)는 설정된 제1 프로소디 및 제2 프로소디에 대한 프로소디 값들을 학습 데이터에 포함된 모든 발화로부터 추출할 수 있다. 프로세서(520)는 제1 프로소디의 값들에 기초하여 군집화를 수행하고, 제1 프로소디에 대한 군집 인덱스열을 추출할 수 있다. 또한, 프로세서(520)는 제2 프로소디의 값들에 기초하여 군집화를 수행하고, 제2 프로소디에 대한 군집 인덱스열을 추출할 수 있다. 프로세서(520)는 제1 프로소디에 대한 군집 인덱스열을 제1 프로소디에 대응하는 프로소디 모델(560_1)에 입력하여 제1 프로소디에 대해서 프로소디 모델(560_1)을 학습시키고, 제2 프로소디에 대한 군집 인덱스열을 제2 프로소디에 대응하는 프로소디 모델(560_2)에 입력하여 제2 프로소디에 대해서 프로소디 모델(560_2)을 학습시킬 수 있다.

도 10은 다양한 실시예에 따른 TTS 모델을 이용하는 일 예를 나타낸다.

도10을 참조하면, 다양한 실시예에 따르면, 전자 장치(1001)(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201), 도 2의 지능형 서버(290), 또는 도 5의 전자 장치(501))는 하나 이상의 프로세서(1020)(예: 도 1의 프로세서(120), 도 2의 프로세서(203), 또는 도 5의 프로세서(520)) 및 프로세서(1020)와 전기적으로 연결된 메모리(1030)(예: 도 1의 메모리(130), 도 2의 메모리(207), 또는 도 5의 메모리(530))를 포함할 수 있다. 메모리(1030)는 프로세서(1020)에 의해 실행 가능하며, 프로세서(1020)가 프로소디를 음소 단위로 제어 가능한 TTS(text-to-speech) 모델(1040)(예: 도 5의 TTS 모델(540))을 실행하도록 하는 인스트럭션들을 저장할 수 있다. 또한, 메모리(1030)는 TTS 모델(1040)을 저장할 수 있다.

다양한 실시예에 따르면, 프로세서(1020)는 TTS 모델(1040)을 이용하여 가창 음성 합성을 수행할 수 있다. TTS 모델(1040)은 도 5 내지 도 9를 참조하여 설명한 동작에 의해서 학습이 완료된 것일 수 있다. 가창 합성을 위해서 지정된 글자나 음소가 어떤 길이, 또는 어떤 음고로 노래될지에 대한 정보가 필요하므로, TTS 모델(1040)의 프로소디 모델(1060)은 음고에 대해 학습된 제1 프로소디 모델(1060_1) 및 발화 길이(예: 가창 길이)에 대해 학습된 제2 프로소디 모델(1060_2)을 포함할 수 있다. 이하에서는, 프로세서(1020)가 TTS 모델(1040)을 이용하여 가창 음성 합성을 수행하는 동작을 설명하도록 한다. 각 동작(1091~1098)은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작(1091~1098)의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.

동작 1091에서, 프로세서(1020)는 악보에 포함된 가사로부터 가사에 대응하는 음소열을 추출할 수 있다.

동작 1092에서, 프로세서(1020)는 악보에 포함된 각 가사에 대응되는 음표로부터 각 가사가 불러져야 할 음고(예: 제1 프로소디)의 값들과 가창 길이(예: 제2 프로소디)의 값들을 추출할 수 있다. 동작 1093에서, 프로세서(1020)는 추출된 음고의 값들이 어느 프로소디 군집에 해당하는지 판단하여 음고에 대한 프로소디 군집 인덱스열을 추출할 수 있다. 동작 1094에서, 프로세서(1020)는 추출된 가창 길이의 값들이 어느 프로소디 군집에 해당하는지 판단하여 가창 길이에 대한 프로소디 군집 인덱스열을 추출할 수 있다.

동작 1095에서, 프로세서(1020)는 음소열을 음소 모델(1050)에 입력하고, 음소 모델(1050)은 입력된 음소열에 대한 결과(예: 길이 보정된 음소 특성)를 복호화 모듈(1070)로 출력할 수 있다. 동작 1095와 동작 1096 내지 동작 1097은 병렬적으로(또는 독립적으로) 수행될 수 있다.

동작 1096에서, 프로세서(1020)는 음고에 대한 프로소디 군집 인덱스열을 제1 프로소디 모델(1060_1)에 입력하고, 제1 프로소디 모델(1060_1)은 입력된 프로소디 군집 인덱스열에 대한 결과(예: 길이 보정된 음고 특성)를 복호화 모듈(1070)로 출력할 수 있다.

동작 1097에서, 프로세서(1020)는 가창 길이에 대한 프로소디 군집 인덱스열을 제2 프로소디 모델(1060_2)에 입력하고, 제2 프로소디 모델(1060_2)은 입력된 프로소디 군집 인덱스열에 대한 결과(예: 길이 보정된 가창 길이 특성)를 복호화 모듈(1070)로 출력할 수 있다.

동작 1098에서, 복호화 모듈(1070)은 각 모델(1050, 1060_1, 1060_2)로부터 출력된 결과를 모아서 한 번에 복호화를 수행하고, 복호화 결과로 악보의 가창 음성이 포함된 스펙트로그램을 생성할 수 있다.

도 11은 다양한 실시예에 따른 TTS 모델을 이용하는 다른 예를 나타낸다.

다양한 실시예에 따르면, 프로세서(1020)는 TTS 모델(1040)을 이용하여 표현력이 풍부한 발화를 생성할 수 있다. TTS 모델(1040)에 의해서 생성되는 표현력이 풍부한 발화는 지정된 텍스트에 대해 평균적인 프로소디로 발화를 생성해주는 것과 달리, 텍스트의 지정된 단어, 글자, 또는 음소를 강조하거나 전체적인 문장의 발화 방식을 원하는 대로 변경하여, 텍스트에 포함된 기본적인 정보 이외에 텍스트에 포함할 수 없는 다양한 정보(예: 다양한 프로소디 정보)를 발화에 실어줄 수 있다. TTS 모델(1040)은 도 5 내지 도 9를 참조하여 설명한 동작에 의해서 학습이 완료된 것일 수 있다. TTS 모델(1040)은 발화를 생성할 때 바꾸고 싶은 음소의 프로소디 별로 학습된 프로시디 모델을 포함할 수 있다. 이하에서는, 프로세서(1020)가 TTS 모델(1040)을 이용하여 발화 생성을 수행하는 동작을 설명하도록 한다. 각 동작(1111~1115)은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작(1111~1115)의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.

동작 1111에서, 프로세서(1020)는 텍스트(예: 입력 텍스트)로부터 텍스트에 대응하는 음소열을 추출할 수 있다.

동작 1112에서, 프로세서(1020)는 텍스트를 구성하는 음소의 프로소디 인덱스열(예: 프로소디 군집 인덱스열)을 획득할 수 있다.

동작 1113에서, 프로세서(1020)는 음소열을 음소 모델(1050)에 입력하고, 음소 모델(1050)은 입력된 음소열에 대한 결과(예: 길이 보정된 음소 특성)를 복호화 모듈(1070)로 출력할 수 있다.

동작 1114에서, 프로세서(1020)는 텍스트를 구성하는 음소의 프로소디 인덱스열을 프로소디 모델(1060)에 입력하고, 프로소디 모델(1060)은 입력된 프로소디 인덱스열에 대한 결과(예: 길이 보정된 프로소디 특성)를 복호화 모듈(1070)로 출력할 수 있다.

동작 1115에서, 복호화 모듈(1070)은 각 모델(1050, 1060)로부터 출력된 결과를 모아서 한 번에 복호화를 수행하고, 복호화 결과로 텍스트의 발화에 대한 스펙트로그램(예: 표현력이 풍부한 발화 스펙트로그램)을 생성할 수 있다.

다양한 실시예에 따르면, 동작 1112에서, 텍스트를 구성하는 음소의 프로소디 인덱스열은 음소의 프로소디 정보를 포함하는 것으로서, 프로소디 예측 모듈(1080)을 통해 예측된 텍스트에 어울리는 프로소디 인덱스열(예: 가장 잘 어울리는 평균적인 프로소디 정보)이거나 임의로 음소의 프로소디가 조정된(또는 설정된) 프로소디 인덱스열일 수 있다. 프로소디 예측 모듈(1080)을 이용하는 경우에는 음소 별 프로소디 정보(예: 프로소디 인덱스열, 프로소디 군집 인덱스열)를 입력으로 넣어주지 않아도 프로소디 예측 모듈(1080)이 각 음소에 가장 잘 어울리는 프로소디를 예측하여 자연스러운 발화를 생성하도록 유도할 수 있다. 임의로 음소의 프로소디가 조정된(또는 설정된) 프로소디 인덱스열을 이용하는 경우에는 사용자가 원하는 대로 프로소디가 조정된 발화를 생성할 수 있다.

다양한 실시예에 따르면, 동작 1112에서, 텍스트를 구성하는 음소의 프로소디 인덱스열은 프로소디 예측 모듈(1080)을 통해 예측된 프로소디 인덱스열과 임의로 지정된 음소의 프로소디가 조정된 프로소디 인덱스열의 조합일 수 있다. 지정된 음소에 대해서만 프로소디를 조정하고 싶을 때, 지정된 음소의 프로소디가 임의로 조정된 프로소디 인덱스열이 입력될 수 있다. 이때, 프로세서(1020)는 프로소디 예측 모듈(1080)에서 예측된 프로소디 인덱스열에서의 지정된 음소에 대한 프로소디 인덱스를 무시하고 임의로 조정된 프로소디 인덱스열로 대체하여 변경할 수 있다. 즉, 지정된 음소에 대해서는 원하는 대로 조정된 프로소디를 이용하고, 나머지 음소에 대해서는 프로소디 예측 모듈(1080)을 통해 예측된 프로소디를 이용하여 발화가 생성될 수 있다. 이에, 지정된 음소의 프로소디를 조정하여 표현력이 풍부한 발화가 생성되면서도 전체적으로 자연스러운 발화가 완성될 수 있다.

다양한 실시예에 따른 전자 장치(예: 도 5의 전자 장치(501))는 인스트럭션들을 포함하는 메모리(예: 도 5의 메모리(530)); 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서(예: 도 5의 프로세서(520))를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 복수의 프로소디 군집들을 결정하고, 상기 학습 데이터에 포함된 텍스트에 대응하는 음소열을 추출하고, 상기 텍스트의 발화에 대한 프로소디의 값들이 상기 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단하여 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하고, 상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델(예: 도 5의 TTS 모델(540))을 생성할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 음소열을 상기 TTS 모델에 포함된 음소 모델(예: 도 5의 음소 모델(550))에 입력하여 상기 음소 모델을 학습시키고, 상기 프로소디 군집 인덱스열을 상기 TTS 모델에 포함된 프로소디 모델(예: 도 5의 프로소디 모델(560))에 입력하여 상기 프로소디 모델을 병렬적으로 학습시킬 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 프로소디 군집 인덱스열이 프로소디 별로 추출된 프로소디 군집 인덱스열을 포함하는 경우, 상기 프로소디별로 추출된 프로소디 군집 인덱스열을 이용하여 상기 프로소디 별로 대응하는 프로소디 모델 각각을 학습시킬 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 음소 모델로부터 출력되는 값과 상기 프로소디 모델로부터 출력되는 값을 상기 TTS 모델에 포함된 복호화 모듈(예: 도 5의 복호화 모듈(570))에 입력하여 상기 복호화 모듈을 학습시킬 수 있다.

다양한 실시예에 따르면, 상기 복수의 프로소디 군집들 각각은 프로소디의 정도를 대표할 수 있다.

다양한 실시예에 따르면, 상기 모든 음소에 대한 프로소디의 값들은 프로소디 별로 상기 모든 음소에 대해 추출되는 프로소디의 값들을 포함할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 모든 음소에 대한 프로소디의 값들의 분포로부터 상기 모든 음소에 대해 군집화를 수행하여 상기 복수의 프로소디 군집들을 결정할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 프로소디의 성격에 기초하여 상기 모든 음소에 대한 군집화를 다르게 수행할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 모든 음소에 대한 프로소디의 값들 중에서 제1 프로소디에 대한 값들 대해서는 음소에 관계없이 군집화를 수행하고, 상기 모든 음소에 대한 프로소디의 값들 중에서 제2 프로소디에 대한 값들에 대해서는 음소 별로 구분하여 군집화를 수행할 수 있다.

다양한 실시예에 따르면, 상기 제1 프로소디는 음고를 포함하고, 상기 제2 프로소디는 발화 길이를 포함할 수 있다..

다양한 실시예에 따른 전자 장치(예: 도 5의 전자 장치(501))의 동작 방법은, 텍스트에 대응하는 음소열을 추출하는 동작; 상기 텍스트의 발화에 대한 프로소디의 값들을 프로소디의 정도를 대표하는 복수의 프로소디 군집들에 대응시켜 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하는 동작; 및 상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델(예: 도 5의 TTS 모델(540))을 생성하는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 상기 생성하는 동작은, 상기 음소열을 상기 TTS 모델에 포함된 음소 모델(예: 도 5의 음소 모델(550))에 입력하여 상기 음소 모델을 학습시키는 동작; 및 상기 프로소디 군집 인덱스열을 상기 TTS 모델에 포함된 프로소디 모델(예: 도 5의 프로소디 모델(560))에 입력하여 상기 프로소디 모델을 병렬적으로 학습시키는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 상기 프로소디도 모델을 병렬적으로 학습시키는 동작은, 상기 프로소디 군집 인덱스열이 프로소디 별로 추출된 프로소디 군집 인덱스열을 포함하는 경우, 상기 프로소디별로 추출된 프로소디 군집 인덱스열을 이용하여 상기 프로소디 별로 대응하는 프로소디 모델 각각을 학습시키는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 상기 생성하는 동작은, 상기 음소 모델로부터 출력되는 값과 상기 프로소디 모델로부터 출력되는 값을 상기 TTS 모델에 포함된 복호화 모듈(예: 도 5의 복호화 모듈(570))에 입력하여 상기 복호화 모듈을 학습시키는 동작을 더 포함할 수 있다.

다양한 실시예에 따르면, 상기 방법은 학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 상기 복수의 프로소디 군집들을 결정하는 동작을 더 포함할 수 있다.

다양한 실시예에 따르면, 상기 복수의 프로소디 군집들을 결정하는 동작은, 프로소디의 성격에 기초하여 상기 모든 음소에 대한 군집화를 다르게 수행하는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 상기 군집화를 다르게 수행하는 동작은, 상기 모든 음소에 대한 프로소디의 값들 중에서 제1 프로소디에 대한 값들 대해서는 음소에 관계없이 군집화를 수행하는 동작; 및 상기 모든 음소에 대한 프로소디의 값들 중에서 제2 프로소디에 대한 값들에 대해서는 음소 별로 구분하여 군집화를 수행하는 동작을 포함할 수 있다.

다양한 실시예에 따르면, 상기 제1 프로소디는 음고를 포함하고, 상기 제2 프로소디는 발화 길이를 포함할 수 있다.

501: 전자 장치
520: 프로세서
530: 메모리
540: TTS 모델
550: 음소 모델
560: 프로소디 모델

Claims

전자 장치에 있어서,
인스터럭션들을 포함하는 메모리; 및
상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서
를 포함하고,
상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 복수의 프로소디 군집들을 결정하고,
상기 학습 데이터에 포함된 텍스트에 대응하는 음소열을 추출하고,
상기 텍스트의 발화에 대한 프로소디의 값들이 상기 복수의 프로소디 군집들 중 어느 군집에 속하는지 판단하여 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하고,
상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델을 생성하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 음소열을 상기 TTS 모델에 포함된 음소 모델에 입력하여 상기 음소 모델을 학습시키고,
상기 프로소디 군집 인덱스열을 상기 TTS 모델에 포함된 프로소디 모델에 입력하여 상기 프로소디 모델을 병렬적으로 학습시키는, 전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 프로소디 군집 인덱스열이 프로소디 별로 추출된 프로소디 군집 인덱스열을 포함하는 경우, 상기 프로소디별로 추출된 프로소디 군집 인덱스열을 이용하여 상기 프로소디 별로 대응하는 프로소디 모델 각각을 학습시키는, 전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 음소 모델로부터 출력되는 값과 상기 프로소디 모델로부터 출력되는 값을 상기 TTS 모델에 포함된 복호화 모듈에 입력하여 상기 복호화 모듈을 학습시키는, 전자 장치.
제1항에 있어서,
상기 복수의 프로소디 군집들 각각은 프로소디의 정도를 대표하는, 전자 장치.
제1항에 있어서,
상기 모든 음소에 대한 프로소디의 값들은 프로소디 별로 상기 모든 음소에 대해 추출되는 프로소디의 값들을 포함하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 모든 음소에 대한 프로소디의 값들의 분포로부터 상기 모든 음소에 대해 군집화를 수행하여 상기 복수의 프로소디 군집들을 결정하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
프로소디의 성격에 기초하여 상기 모든 음소에 대한 군집화를 다르게 수행하는, 전자 장치.
제8항에 있어서,
상기 프로세서는,
상기 모든 음소에 대한 프로소디의 값들 중에서 제1 프로소디에 대한 값들 대해서는 음소에 관계없이 군집화를 수행하고,
상기 모든 음소에 대한 프로소디의 값들 중에서 제2 프로소디에 대한 값들에 대해서는 음소 별로 구분하여 군집화를 수행하는, 전자 장치.
제9항에 있어서,
상기 제1 프로소디는 음고를 포함하고, 상기 제2 프로소디는 발화 길이를 포함하는, 전자 장치.
전자 장치의 동작 방법에 있어서,
텍스트에 대응하는 음소열을 추출하는 동작;
상기 텍스트의 발화에 대한 프로소디의 값들을 프로소디의 정도를 대표하는 복수의 프로소디 군집들에 대응시켜 상기 발화에 대응하는 프로소디 군집 인덱스열을 추출하는 동작; 및
상기 음소열 및 상기 프로소디 군집 인덱스열에 기초하여 TTS(text-to-speech) 모델을 생성하는 동작
을 포함하는, 전자 장치의 동작 방법.
제11항에 있어서,
상기 생성하는 동작은,
상기 음소열을 상기 TTS 모델에 포함된 음소 모델에 입력하여 상기 음소 모델을 학습시키는 동작; 및
상기 프로소디 군집 인덱스열을 상기 TTS 모델에 포함된 프로소디 모델에 입력하여 상기 프로소디 모델을 병렬적으로 학습시키는 동작
을 포함하는, 전자 장치의 동작 방법.
제12항에 있어서,
상기 프로소디도 모델을 병렬적으로 학습시키는 동작은,
상기 프로소디 군집 인덱스열이 프로소디 별로 추출된 프로소디 군집 인덱스열을 포함하는 경우, 상기 프로소디별로 추출된 프로소디 군집 인덱스열을 이용하여 상기 프로소디 별로 대응하는 프로소디 모델 각각을 학습시키는 동작
을 포함하는, 전자 장치의 동작 방법.
제12항에 있어서,
상기 생성하는 동작은,
상기 음소 모델로부터 출력되는 값과 상기 프로소디 모델로부터 출력되는 값을 상기 TTS 모델에 포함된 복호화 모듈에 입력하여 상기 복호화 모듈을 학습시키는 동작
을 더 포함하는, 전자 장치의 동작 방법.
제11항에 있어서,
상기 모든 음소에 대한 프로소디의 값들은 프로소디 별로 상기 모든 음소에 대해 추출되는 프로소디의 값들을 포함하는, 전자 장치의 동작 방법.
제11항에 있어서,
학습 데이터의 모든 음소에 대한 프로소디의 값들에 기초하여 상기 모든 음소에 대한 군집화를 수행하여 상기 복수의 프로소디 군집들을 결정하는 동작
을 더 포함하는, 전자 장치의 동작 방법.
제16항에 있어서,
상기 복수의 프로소디 군집들을 결정하는 동작은,
프로소디의 성격에 기초하여 상기 모든 음소에 대한 군집화를 다르게 수행하는 동작
을 포함하는, 전자 장치의 동작 방법.
제17항에 있어서,
상기 군집화를 다르게 수행하는 동작은,
상기 모든 음소에 대한 프로소디의 값들 중에서 제1 프로소디에 대한 값들 대해서는 음소에 관계없이 군집화를 수행하는 동작; 및
상기 모든 음소에 대한 프로소디의 값들 중에서 제2 프로소디에 대한 값들에 대해서는 음소 별로 구분하여 군집화를 수행하는 동작
을 포함하는, 전자 장치의 동작 방법.
제18항에 있어서,
상기 제1 프로소디는 음고를 포함하고, 상기 제2 프로소디는 발화 길이를 포함하는, 전자 장치의 동작 방법.
하드웨어와 결합되어 제11항 내지 제19항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.