KR20220169242A

KR20220169242A - 전자 장치 및 전자 장치의 개인화된 음성 처리 방법

Info

Publication number: KR20220169242A
Application number: KR1020210079419A
Authority: KR
Inventors: 신호선; 이철민; 문성규; 한창우; 이영우
Original assignee: 삼성전자주식회사
Priority date: 2021-06-18
Filing date: 2021-06-18
Publication date: 2022-12-27
Also published as: WO2022265210A1

Abstract

다양한 실시예에 따른 전자 장치는 사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크; 인스터럭션들을 포함하는 메모리; 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 상기 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고, 상기 오디오 신호 및 상기 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하고, 상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리할 수 있다. 그 외에도 다양한 실시예들이 가능할 수 있다.

Description

전자 장치 및 전자 장치의 개인화된 음성 처리 방법{ELECTRONIC DEVCIE AND METHOD FOR PERSONALIZED AUDIO PROCESSING OF THE ELECTRONIC DEVICE}

본 발명의 다양한 실시예들은 전자 장치 및 전자 장치의 개인화된 음성 처리 방법에 관한 것이다.

전자 장치의 음성 비서는 다양한 형태로 실행될 수 있다. 음성 비서는 사용자가 웨이크 업 키워드(wakeup keyword)를 발화한 이후 발화한 명령을 수행할 수 있고, 소프트웨어 및 하드웨어 키(key)를 통해 웨이크 업 키워드 없이 발화한 명령을 수행할 수 있다.

음성 비서가 명령을 수신할 때 주변에 타인이 말을 하고 있거나, 음성 성분에 강한 잡음이 크게 있는 경우에 사용자의 소리(또는 음성 명령)를 잘 인식하지 못하는 경우가 발생할 수 있다.

예를 들어, 음성 비서가 실행되었을 때, 사용자와 타인의 발화가 섞인 음성 신호를 수신할 경우, 사용자의 명령과는 관계없는 신호가 추가되거나, 왜곡되어 의도하지 않은 결과가 출력될 수 있다.

최근 개인화 전처리를 하는 방법으로서, 종래의 음성 인식 방법은 정해진 음원에서 단일 스피커 임베딩을 생성하여 마스크 필터를 추정하여 단일 화자에 대한 음성만을 향상시켰다. 이 경우, 개인화 전처리를 적용한다 할지라도 사용자 발화만 있는 예처럼 완벽하게 타인의 음성이 지워진 형태로 제공되지 않을 수 있다.

다양한 실시예들은, 사용자의 목소리(또는 음성)만을 인식하여 음성 비서가 사용자가 원하는 명령만을 수행할 수 있도록 하는 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, 사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크와, 인스터럭션들을 포함하는 메모리와, 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 상기 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고, 상기 오디오 신호 및 상기 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하고, 상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리할 수 있다.

다양한 실시예에 따른 전자 장치는, 사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크와, 인스터럭션들을 포함하는 메모리와, 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 사용자 인터페이스를 통한 제1 옵션의 선택에 응답하여 상기 오디오 신호의 전처리 방식을 결정하고, 상기 사용자 인터페이스를 통한 제2 옵션의 선택에 응답하여 상기 오디오 신호의 처리를 위한 입력 데이터의 종류를 결정하고, 상기 전처리 방식 및 상기 입력 데이터의 종류에 기초하여 상기 오디오 신호에 대응하는 명령을 처리할 수 있다.

다양한 실시예에 따른 전자 장치의 동작 방법은, 사용자의 음성을 포함하는 오디오 신호를 수신하는 동작과, 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하는 동작과, 오디오 신호 및 상기 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하는 동작과, 상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리하는 동작을 포함할 수 있다.

다양한 실시예들은 전자 장치가 사용자의 목소리만을 인식하여 사용자가 수행하기를 원하는 명령을 수행하도록 할 수 있다.

다양한 실시예들은 전자 장치가 사용자의 목소리가 아닌 타인의 목소리로 인식을 시도할 경우 인식이 되지 않도록 피드백을 제공하고 동작이 되지 않도록 할 수 있다.

도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 2는 다양한 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 3a 내지 도 3d는 다양한 실시예에 따른 개인화 전처리 인터페이스의 예들을 나타낸다.
도 4a 내지 도 4c는 도 1에 도시된 전자 장치의 동작을 설명하기 위한 도면이다.
도 5는 다양한 실시예에 따른 임베딩 벡터를 생성하기 위한 네트워크의 예를 나타낸다.
도 6은 다양한 실시예에 따른 출력 결과를 생성하기 위한 네트워크의 예를 나타낸다.
도 7a 내지 도 7c는 제1 출력 결과 및 제2 출력 결과의 예를 나타낸다.
도 8a 내지 도 9b는 사용자 인터페이스의 옵션들의 선택 여부에 따른 사용자의 명령의 처리 결과의 예들을 나타낸다.
도 10은 도 1에 도시된 전자 장치의 동작의 흐름도를 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(101)(예: 도 1의 전자 장치(101)), 지능형 서버(200)(예: 도 1의 서버(108)), 및 서비스 서버(300)(예: 도 1의 서버(108))를 포함할 수 있다.

일 실시 예의 전자 장치(101)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(101)는 통신 인터페이스(예: 도 1의 인터페이스(177)), 마이크(150-1)(예: 도 1의 입력 모듈(150)), 스피커(155-1)(예: 도 1의 음향 출력 모듈(155)), 디스플레이 모듈(160)(예: 도 1의 디스플레이 모듈(160)), 메모리(130)(예: 도 1의 메모리(130)), 또는 프로세서(120)(예: 도 1의 프로세서(120))를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.

일 실시 예의 통신 인터페이스(177)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시 예의 마이크(150-1)는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 스피커(155-1)는 전기적 신호를 소리(예: 음성)로 출력할 수 있다.

일 실시 예의 디스플레이 모듈(160)은 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예의 디스플레이 모듈(160)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(160)은 터치 센서를 통해 터치 입력을 수신할 수 있다. 예를 들어, 디스플레이 모듈(160)은 디스플레이 모듈(160) 내에 표시되는 화상 키보드 영역의 터치 센서를 통해 텍스트 입력을 수신할 수 있다.

일 실시 예의 메모리(130)는 클라이언트 모듈(151), SDK(software development kit)(153), 및 복수의 앱들(146)을 저장할 수 있다. 상기 클라이언트 모듈(151), 및 SDK(153)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램)를 구성할 수 있다. 또한, 클라이언트 모듈(151) 또는 SDK(153)는 사용자 입력(예: 음성 입력, 텍스트 입력, 터치 입력)을 처리하기 위한 프레임워크를 구성할 수 있다.

일 실시 예의 메모리(130)는 상기 복수의 앱들(146)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 앱(146)은 제1 앱(146_1), 제2 앱(146_2)을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱(146) 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(146)은 프로세서(120)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.

일 실시 예의 프로세서(120)는 전자 장치(101)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(120)는 통신 인터페이스(177), 마이크(150-1), 스피커(155-1), 및 디스플레이 모듈(160)과 전기적으로 연결되어 지정된 동작을 수행할 수 있다.

일 실시 예의 프로세서(120)는 또한 상기 메모리(130)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(120)는 클라이언트 모듈(151) 또는 SDK(153) 중 적어도 하나를 실행하여, 사용자 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(120)는, 예를 들어, SDK(153)를 통해 복수의 앱(146)의 동작을 제어할 수 있다. 클라이언트 모듈(151) 또는 SDK(153)의 동작으로 설명된 이하의 동작은 프로세서(120)의 실행에 의한 동작일 수 있다.

일 실시 예의 클라이언트 모듈(151)은 사용자 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(151)은 마이크(150-1)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 수신할 수 있다. 또는, 클라이언트 모듈(151)은 디스플레이 모듈(160)을 통해 감지된 터치 입력을 수신할 수 있다. 또는, 클라이언트 모듈(151)은 키보드 또는 화상 키보드를 통해 감지된 텍스트 입력을 수신할 수 있다. 이 외에도, 전자 장치(101)에 포함된 입력 모듈 또는 전자 장치(101)에 연결된 입력 모듈을 통해 감지되는 다양한 형태의 사용자 입력을 수신할 수 있다. 상기 클라이언트 모듈(151)은 수신된 사용자 입력을 지능형 서버(200)로 송신할 수 있다. 클라이언트 모듈(151)은 수신된 사용자 입력과 함께, 전자 장치(101)의 상태 정보를 지능형 서버(200)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.

일 실시 예의 클라이언트 모듈(151)은 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(151)은 지능형 서버(200)에서 상기 수신된 사용자 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(151)은 상기 수신된 결과를 디스플레이 모듈(160)에 표시할 수 있다. 또한, 클라이언트 모듈(151)은 상기 수신된 결과를 스피커(155-1)를 통해 오디오로 출력할 수 있다.

일 실시 예의 클라이언트 모듈(151)은 수신된 사용자 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(151)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 디스플레이 모듈(160)에 표시할 수 있다. 클라이언트 모듈(151)은, 예를 들어, 복수의 동작의 실행 결과를 순차적으로 디스플레이 모듈(160)에 표시할 수 있고, 스피커(155-1)를 통해 오디오를 출력할 수 있다. 전자 장치(101)는, 다른 예를 들어, 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이 모듈(160)에 표시할 수 있으며, 스피커(155-1)를 통해 오디오로 출력할 수 있다.

일 실시 예에 따르면, 클라이언트 모듈(151)은 지능형 서버(200)로부터 사용자 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(151)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(200)로 송신할 수 있다.

일 실시 예의 클라이언트 모듈(151)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(200)로 송신할 수 있다. 지능형 서버(200)는 상기 결과 정보를 이용하여 수신된 사용자 입력이 올바르게 처리된 것을 확인할 수 있다.

일 실시 예의 클라이언트 모듈(151)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(151)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(151)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(200)는 통신 망을 통해 전자 장치(101)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(200)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(200)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 정의된 복수의 플랜 중 적어도 플랜을 선택할 수 있다.

일 실시 예의 지능형 서버(200)는 생성된 플랜에 따른 결과를 전자 장치(101)로 송신하거나, 생성된 플랜을 전자 장치(101)로 송신할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 플랜에 따른 결과를 디스플레이 모듈(160)에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 플랜에 따른 동작을 실행한 결과를 디스플레이 모듈(160)에 표시할 수 있다.

일 실시 예의 지능형 서버(200)는 프론트 엔드(front end)(210), 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(210)는 전자 장치(101)로부터 수신된 사용자 입력을 수신할 수 있다. 프론트 엔드(210)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(101)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. 도 2에 도시되진 않았지만, 텍스트 음성 변환 모듈(229)은 개인화 텍스트 음성 변환(personalized text to speech, PTTS) 모듈을 포함할 수 있다. PTTS 모듈은 지정된 사용자의 음성으로 구축된(또는 지정된 사용자의 음성에 기초하여 학습된) 개인화 텍스트 음성 변환 모델을 사용하여 지정된 텍스트(예: 웨이크 업 키워드)에 대한 지정된 사용자 음성에 기초한 오디오 신호(예: PTTS 음원)를 생성할 수 있다. PTTS 음원은 메모리(130)에 저장될 수 있다.

일 실시 예에 따르면, 자연어 플랫폼(220)의 기능의 일부 기능 또는 전체 기능은 전자 장치(101)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(101)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 등록하는 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(101) 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(101)로 송신할 수 있다. 이에 따라, 전자 장치(101)는 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예의 매니지먼트 플랫폼(260)은 지능형 서버(200)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(200)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(280)은 지능형 서버(200)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.

일 실시 예의 서비스 서버(300)는 전자 장치(101)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(200)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(200)에 제공할 수 있다.

위에 기술된 통합 지능화 시스템(20)에서, 상기 전자 장치(101)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(101)는 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 전자 장치(101)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(101)는 수신된 음성 입력에 기초하여, 단독으로 또는 상기 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 전자 장치(101)는 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.

일 실시 예에서, 전자 장치(101)가 지능형 서버(200) 및/또는 서비스 서버(300)와 함께 서비스를 제공하는 경우에는, 상기 전자 장치는, 상기 마이크(150-1)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(177)를 이용하여 지능형 서버(200)로 송신할 수 있다.

일 실시 예에 따른 지능형 서버(200)는 전자 장치(101)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(101)는, 통신 인터페이스(177)를 이용하여 상기 응답을 수신할 수 있다. 전자 장치(101)는 상기 스피커(155-1)를 이용하여 전자 장치(101) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이 모듈(160)을 이용하여 전자 장치(101) 내부에서 생성된 이미지를 외부로 출력할 수 있다.

도 3a 내지 도 3d는 다양한 실시예에 따른 개인화 전처리 인터페이스의 예들을 나타낸다.

다양한 실시예에 따르면, 프로세서(예: 도 1의 프로세서(120))는 마이크(예: 도 1의 마이크(150-1))로부터 수신된 오디오 신호를 처리할 수 있다. 마이크(150-1)는 사용자의 음성을 포함하는 오디오 신호를 수신할 수 있다. 프로세서(120)는 오디오 신호를 수신하여 오디오 신호에 대응하는 명령을 처리할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 사용자 인터페이스(User Interface(UI))를 통해 오디오 신호의 처리와 관련된 옵션의 선택에 대응하는 신호를 수신할 수 있다. 프로세서(120)는 사용자의 옵션의 선택에 응답하여 디스플레이 모듈(예: 도 1의 디스플레이 모듈(160))에 포함된 터치 센서로부터 터치 신호를 수신할 수 있다.

다양한 실시예에 따르면, 도 3a 내지 도 3d는 오디오 신호의 처리를 위한 사용자 인터페이스의 예들을 나타낼 수 있다. 도 3a 내지 도 3d의 사용자 인터페이스는 음성 비서 어플리케이션에 포함되어 디스플레이 모듈(160)을 통해 제공될 수 있다.

다양한 실시예에 따르면, 사용자 인터페이스는 선택이 가능한 복수의 메뉴 및 서브 메뉴를 제공할 수 있다. 사용자 인터페이스의 메뉴는 제1 옵션(310), 개인화 옵션(331, 333, 335), 및 노이즈 억제 기능 옵션(351, 353)을 포함할 수 있다. 사용자 인터페이스의 서브 메뉴는 디폴트 옵션(311), 음성 녹음 옵션(313) 및 PTTS(Personalized Text-to-Speech) 옵션(315)을 포함할 수 있다.

다양한 실시예에 따르면, 개인화 옵션(331, 333, 335)은 로우 옵션(331), 미드 옵션(333) 및 하이 옵션(335)을 포함할 수 있다. 노이즈 억제 기능 옵션(351, 353)은 디폴트 옵션(351) 및 상향(better) 옵션(353)을 포함할 수 있다.

다양한 실시예에 따르면, 제1 옵션(310)은 전처리 방식을 결정할 수 있다. 개인화 옵션(331, 333, 335)은 오디오 신호의 처리를 위한 입력 데이터의 종류를 결정할 수 있다. 노이즈 억제 기능 옵션(351, 353)은 노이즈 제거를 위한 마스크 전처리(mask post processing) 방식을 결정할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제1 옵션(310)의 선택에 응답하여 오디오 신호로부터 화자 분리를 수행할지 여부를 결정할 수 있다. 프로세서(120)는 제1 옵션(310)의 선택에 응답하여 사용자가 발화한 웨이크 업(wake up) 키워드, PTTS 음원 및 사용자의 추가 음성 중에서 적어도 하나를 입력 데이터로 결정할 수 있다. 예를 들어, 웨이크 업 키워드는 "하이 빅스비(hi bixby)"를 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 전자 장치(101) 내(예: 메모리(예: 도 1의 메모리(130)))에 사용자의 목소리가 포함된 오디오 샘플이 존재할 경우 제1 옵션(310)이 선택(예: 인에이블(enable) 상태)되는 경우, 스피커 임베딩 벡터를 생성할 수 있다. 스피커(또는 화자) 임베딩 벡터는 화자 고유의 특성 정보(예: 발화 속도, 억양 또는 음의 높이(pitch)) 가 포함된 벡터를 의미할 수 있다. 전자 장치(101) 내에 사용자의 목소리가 포함된 오디오 샘플이 없는 경우, 프로세서(120)는 제1 옵션(310)의 선택에 응답하여 사용자의 음성을 녹음하기 위한 사용자 인터페이스를 디스플레이 모듈(160)을 통해 제공할 수 있다. 제1 옵션(310)이 선택되지 않은 상태(예: 디스에이블(disable))인 경우, 프로세서(120)는 오디오 신호의 처리 동작에서 개인화 전처리 동작을 제외한 형태로 출력을 제공할 수 있다. 개인화 전처리 동작은 다양한 종류의 잡음이 존재하는 실제 환경에서 타겟 화자의 음성을 강화하고 강인한 음성인식(ASR)을 위한 전처리 동작으로서, 입력된 오디오 신호로부터 타겟 화자(예: 사용자)의 음성만 보존하고 다양한 잡음을 포함한 타인의 음성은 제거하는 동작을 의미할 수 있다.다양한 실시예에 따르면, 프로세서(120)는 메모리(130)에 웨이크 업 키워드 및 PTTS음원이 포함되어 있는 경우에는 PTTS의 오디오 녹음(audio recording)을 개인화 전처리 엔진 내로 가져올 수 있다. 또는, 프로세서(120)는 스피커 임베딩(speaker embedding) 벡터를 공유할 수 있다. 프로세서(120)는 웨이크 업 키워드, 및 PTTS음원을 포함하는 모든 음원을 통해 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 웨이크 업 키워드는 "하이빅스비(hibixby)", "빅스비(bixby)", 및 커스터마이즈드 웨이크 업 키워드(customized wakeup keyword)를 포함할 수 있고, 웨이크 업 키워드를 등록할 경우, 사용자의 음원은 음성 비서 어플리케이션의 내부 저장소(또는, 웨이크 업 앱 데이터(wakeup app data)) 내에 저장될 수 있다. 프로세서(120)는 다양한 웨이크 업 키워드 중에서 하나의 키워드(예: "하이빅스비")의 음원만을 개인화 전처리 라이브러리(또는 개인화 전처리 엔진) 내로 복사하고, 복사된 키워드를 이용하여 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 사용자가 음성을 등록했는지 여부를 판단할 수 있다. 프로세서(120)는 사용자 인터페이스 상의 정보에서 제1 옵션(310)이 선택된 경우, 웨이크 업 키워드, PTTS로부터 획득한 오디오 음원이 존재하는지 여부를 판단할 수 있다. 프로세서(120)는 판단 결과에 기초하여 오디오 음원을 라이브러리의 입력으로 구성하여 스피커 임베딩 벡터를 생성할 수 있다. 이 때, 복수의 음원이 존재하는 경우, 프로세서(120)는 복수의 음원 모두를 이용하여 스피커 임베딩 벡터를 생성하거나, 복수의 음원 중에서 선택된 웨이크업 키워드만을 이용하여 스피커 임베딩 벡터를 생성할 수도 있다.

다양한 실시예에 따르면, 프로세서(120)는 개인화 옵션(331, 333, 335)의 선택에 응답하여 적응적으로 개인화 전처리를 수행할 수 있다. 예를 들어, 프로세서(120)는 로우 옵션(331)의 선택에 응답하여, 디폴트로 저장된 웨이크 업 키워드(예: 하이빅스비)만을 이용하여 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 미드 옵션(333)의 선택에 응답하여, 로우 옵션(331)에 대응하여 생성한 스피커 임베딩 벡터를 이용한 오디오 신호의 처리 결과가 사용자가 기대한 만큼 나타나지 않는다는 피드백을 사용자 인터페이스를 통해 제공할 수 있다. 프로세서(120)는 내부의 다른 오디오 및 추가 음성의 녹음 요청을 통해 획득한 오디오를 이용하여 스피커 임베딩 벡터를 새롭게 생성할 수 있다.

다앙한 실시예에 따르면, 프로세서(120)는 로우 옵션(331)의 선택에 응답하여 현재 웨이크 업 음원이 있을 경우, 웨이크 업 음원(예: 5 개의 "하이빅스비" 음원)만을 이용하여 스피커 임베딩 벡터를 생성하고, 미드 옵션(333)의 선택에 응답하여, 포네틱 밸런스드 셋(phonetic balanced set)이 포함된 PTTS 문장 녹음(예: PTTS 음원)을 추가적으로 이용하여 스피커 임베딩 벡터를 생성할 수 있다. 일 실시 예에 따르면, 포네틱 밸런스드 셋(phonetic balanced set)은 누락된 음소가 없고 음소의 빈도의 분포가 실제와 비슷하게 균형을 이루도록 선정된 문장이나 단어를 포함하는 데이터 셋을 나타낼 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 하이 옵션(335)의 선택에 응답하여 사용자에게 추가 음성의 녹음을 더 요청함으로써, 강인한 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 노이즈 억제 기능 옵션(351, 353)에서 상향 옵션(353)의 선택에 응답하여, 프로세서(120)는 사용자가 더 강한 노이즈 제거를 원한다고 판단하고, 임계값(threshold) 이하의 값은 0으로 만드는 형태로 마스크를 전처리함으로써 더 많은 노이즈 성분을 제거할 수 있다.

다양한 실시예에 따르면, 도 3a의 예시는, 아무런 옵션도 선택되지 않은 사용자 인터페이스의 예를 나타낼 수 있다. 아무런 옵션도 선택되지 않은 경우, 프로세서(120)는 제2 출력 결과를 생성하지 않고, 제1 출력 결과만을 이용하여 오디오 신호를 처리할 수 있다. 제 1 출력 결과는 후술하는 제1 음성 향상 엔진의 출력 결과이고, 제 2 출력 결과는 제 2 음성 향상 엔진의 출력 결과일 수 있다.

다양한 실시예에 따르면, 도 3b의 예시는, 제1 옵션(310), 디폴트 옵션(311), 로우 옵션(331) 및 디폴트 옵션(351)이 선택된 경우를 나타낼 수 있다. 이 경우, 프로세서(120)는 미리 저장된 웨이크 업 음원만을 이용하여 스피커 임베딩 벡터를 생성하여 오디오 신호를 처리할 수 있다.

다양한 실시예에 따르면, 도 3c의 예시는, 제1 옵션(310), 디폴트 옵션(311), PTTS 옵션(315), 미드 옵션(333) 및 디폴트 옵션(351)이 선택된 경우를 나타낼 수 있다. 이 경우, 프로세서(120)는 웨이크 업 음원 및 PTTS음원을 함께 이용하여 스피커 임베딩 벡터를 생성함으로써 오디오 신호를 처리할 수 있다.

다양한 실시예에 따르면, 도 3d의 예시는, 제1 옵션(310), 디폴트 옵션(311), 음성 녹음 옵션(313), PTTS 옵션(315), 하이 옵션(335) 및 디폴트 옵션(351)이 선택된 경우를 나타낼 수 있다. 이 경우, 프로세서(120)는 웨이크 업 음원, PTTS 음원 및 사용자의 추가 음성을 함께 이용하여 스피커 임베딩 벡터를 생성함으로써 오디오 신호를 처리할 수 있다.

도 4a 내지 도 4c는 도 1에 도시된 전자 장치의 동작을 설명하기 위한 도면이다.

다양한 실시예에 따르면, 도 4a 내지 도 4c를 참조하면, 마이크(예: 도 2의 마이크(150-1))는 오디오 신호를 수신할 수 있다. 입력 오디오 신호 모듈(410)은 마이크(150-1)로부터 수신한 오디오 신호를 제1 음성 향상 엔진(speech enhancement engine)(420) 및 제2 음성 향상 엔진(430)으로 출력할 수 있다.

다양한 실시예에 따르면, 제1 음성 향상 엔진(420)은 향상된 제1 음성(예: 제1 출력 결과)을 생성하여 메트릭(440)으로 출력할 수 있다. 제2 음성 향상 엔진(430)은 향상된 제2 음성(예: 제2 출력 결과)을 생성하여 메트릭(440)으로 출력할 수 있다. 제2 음성 향상 엔진(430)은 향상된 제2 음성을 서버 기반 ASR(Automatic Speech Recognition)(460)(예: 도 2의 자동음성 인식 모듈(221))로 출력할 수 있다.

다양한 실시예에 따르면, 메트릭(440)은 제1 값 및 제2 값을 생성하여 리젝션 체크 모듈(450)로 출력할 수 있다. 일 실시예에 따르면, 메트릭(440)은 온 디바이스 ASR을 이용하여 제1 값 및 제2 값을 생성할 수 있다. 일 실시예에 따르면, 제1 값 및 제2 값은 입력된 향상된 제1 음성(예: 제1 출력 결과) 및 향상된 제2 음성(예: 제2 출력 결과)에 대해 온 디바이스 ASR에 의해 출력된 각각의 부분적 ASR 출력 결과일 수 있다. 리젝션 체크 모듈(450)은 제1 값 및 제2 값에 기초하여 리젝트 UI를 제공할 수 있다. 서버 기반 ASR(460)은 최종 ASR 결과를 출력할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 스피커 임베딩 벡터가 존재하는지 여부에 기초하여 전처리 방식을 결정할 수 있다. 스피커 임베딩 벡터가 존재하는 경우, 프로세서(120)는 제1 음성 향상 엔진(420) 및 제2 음성 향상 엔진(430)을 동시에 사용함으로써 전처리를 수행할 수 있다. 반대로, 스피커 임베딩 벡터가 없을 경우, 프로세서(120)는 제1 음성 향상 엔진(420)만을 이용하여 전처리를 수행할 수 있다.

다양한 실시예에 따르면, 제1 음성 향상 엔진(420)은 화자의 정보에 기반하는 노이즈 제거(예: 화자 분리) 형태가 아니라 일반적인 음성 신호 처리 형태로 구성되어 타인의 발화 역시 음성으로 간주하여 일반적인 배경 잡음을 제거할 수 있다.

다양한 실시예에 따르면, 제2 음성 향상 엔진(430)은 화자의 정보에 기초하여 개인화 전처리를 수행함으로써 타겟 화자(예: 사용자)의 음성만을 보존하고 타인의 발화 및 잡음을 제거할 수 있다.

다양한 실시예에 따르면, 제1 음성 향상 엔진(420)은 수신한 오디오 신호에 대해 음질을 향상시킬 수 있도록 처리할 수 있다. 예를 들어, 제1 음성 향상 엔진(420)은 에코를 제거하는 적응 에코 제거 모듈(adaptive echo canceller)(AEC), 노이즈 억제(noise suppression)(NS) 모듈 또는 자동 이득 제어(automatic gain control control)(AGC) 모듈 중 적어도 하나를 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(예: 도 1의 프로세서(120))는 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성할 수 있다. 프로세서(120)는 제1 음성 향상 엔진(420)을 통해 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호 및 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성할 수 있다. 프로세서(120)는 오디오 신호에 기초하여 복수의 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제2 음성 향상 엔진(430)을 통해 화자 분리를 수행함으로써 제2 출력 결과를 생성할 수 있다. 도 4a의 예시는, 제2 음성 향상 엔진(430)이 원본 오디오 신호(예: 원본 마이크 입력 신호(raw mic input signal))를 그대로 입력으로 전달받아 처리하는 경우를 나타내고, 도 4b의 예시는, 제2 음성 향상 엔진(430)이 제1 음성 향상 엔진(420)의 처리 결과(예: 제1 출력)를 입력으로 하여 마스크 추정을 수행하는 경우를 나타낼 수 있다.

다양한 실시예에 따르면, 도 4a를 참조하면, 제2 음성 향상 엔진(430)은 공간 필터링 모듈(431), 스펙트럴 마스크 추정 모듈(433), 필터링 모듈(435), 스피커 임베딩 모듈(437) 및 노이즈 임베딩 모듈(439)을 포함할 수 있다.

다양한 실시예에 따르면, 스피커 임베딩 모듈(437)은 인코딩 네트워크 및 전처리 네트워크를 이용하여 임베딩 벡터를 생성할 수 있다. 예를 들어, 스피커 임베딩 모듈(437)은 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성할 수 있다. 스피커 임베딩 모듈(437)은 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성할 수 있다. 스피커 임베딩 모듈(437)은 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 제2 임베딩 벡터를 생성할 수 있다. 스피커 임베딩 모듈(437)은 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 스피커 임베딩 모듈(437) 및 노이즈 임베딩 모듈(439)을 함께 사용하여 주변의 노이즈에 대한 영향을 고려하여 필터링을 수행함으로써 노이즈를 효과적으로 제거하고 타겟 화자의 음성만을 보존할 수 있다. 프로세서(120)는 멀티 채널 마이크(또는 복수의 마이크들)의 입력 신호에 대해 공간 필터링 모듈(431)을 이용하여 공간 정보 특징을 추가하거나, 스피커 임베딩 모듈(437)을 이용하여 전처리된 입력에 대하여 스펙트럴 마스크 추정 모듈(433)을 통해 마스크 추정을 수행할 수 있다.

다양한 실시예에 따르면, 제1 인코딩 네트워크, 제2 인코딩 네트워크, 제1 전처리 네트워크 및 제2 전처리 네트워크는 적어도 하나의 LSTM(Long Short Term Memory) 네트워크를 포함할 수 있다. 네트워크 구조는 도 5 및 도 6을 참조하여 상세하게 설명한다.

다양한 실시예에 따르면, 프로세서(120)는 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다. 프로세서(120)는 오디오 신호에 공간 필터링(spatial filtering)을 수행하고, 공간 필터링이 수행된 오디오 신호에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제2 출력 결과의 존재 여부를 판단하고, 존재 여부에 기초하여 상기 명령이 상기 사용자에 의한 것인지 여부를 판단할 수 있다. 프로세서(120)는 명령이 사용자에 의한 것인 여부의 판단 결과에 기초하여 상기 명령에 대응하는 피드백을 제공할 수 있다. 프로세서(120)는 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다. 프로세서(120)는 제1 출력 결과와 제2 출력 결과의 차이에 기초하여 명령이 사용자에 의한 것인지 여부를 판단하고, 판단 결과에 기초하여 명령에 대응하는 피드백을 제공할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 임베딩 벡터를 이용하여 사용자의 목소리만을 보존하고 다른 간섭 화자(interference speaker)의 음성을 제거한 후에 서버 기반 ASR (460)로 출력할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제1 옵션(예: 도 3a의 제1 옵션(310))이 선택된 경우, 사용자 이외의 사람의 명령을 포함한 오디오 신호를 수신할 경우, 수행할 수 없는 동작이라는 UI(또는 리젝트 UI)를 피드백으로 제공할 수 있다.

메트릭(440)은 사용자 이외의 사람의 목소리가 입력되었을 경우, 리젝트 UI를 제공하기 위한 판단을 수행할 수 있다. 메트릭(440)은 제1 출력 결과 및 제2 출력 결과의 차이를 이용하여 사용자 이외의 사람의 발화의 존재 여부를 판단할 수 있다.

다양한 실시예에 따르면, 서버 기반 ASR(460)은 온 디바이스 ASR로 대체될 수 있다. 온 디바이스 ASR은 리젝션 체크에 사용되고, 실제 ASR 최종 결과를 출력할 경우, 전자 장치(예: 도 1의 전자 장치(101)) 내에 서버 기반 ASR(460)과 동일 또는 유사한 구성으로 구현될 수 있다. 또는, 실제 ASR 최종 결과 출력시에 서버 기반 ASR(460)은 두 번째 온 디바이스 ASR로 대체될 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 사용자 외의 사람의 발화를 수신하는 경우, 스피커 임베딩 모듈(437)이 이용하는 제2 전처리 네트워크의 출력은 타인의 발화가 제거되기 때문에, 제2 출력 결과만을 이용하여 사용자 이외의 사람의 명령에 대하여 명령을 수행할 수 없다는 피드백을 제공할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 부분적으로, ASR 결과를 확인하고, 제1 출력 결과와 제2 출력 결과의 차이의 크기를 판단할 수 있다. 프로세서(120)는 제2 출력 결과가 엠프티(empty)에 가까운지 여부를 판단함으로써 최종 ASR 결과를 획득하기 전에는 명령을 수행할 수 없다는 피드백을 제공할 수 있다.

다양한 실시예에 따르면, 도 4a 및 도 4b의 실시예는, 제1 옵션(310)이 선택된 경우의 동작을 나타낼 수 있다. 최초로 오디오 신호를 처리하는 경우, 프로세서(120)는 웨이크 업 키워드가 존재할 경우, 메모리(130)에 하이빅스비, 빅스비, 및/또는 커스터마이즈드 웨이크 업 키워드를 포함하는지 여부를 확인하고, 임베딩 벡터를 생성할 수 있다. 웨이크 업 키워드에 오디오 음원이 없지만 PTTS 음원이 있는 경우, 프로세서(120)는 PTTS 음원을 사용할 수 있다. 프로세서(120)는 전자 장치(예: 도 1의 전자 장치(101)) 내의 사용자의 웨이크 업 키워드 및 PTTS 음원이 모두 없는 경우에 새로운 녹음을 수행하기 위한 사용자 인터페이스를 제공할 수 있다. 프로세서(120)는 임베딩 벡터를 생성한 후, 제2 음성 향상 엔진(430)을 통해 전처리된 음성 신호를 제공할 수 있다.

다양한 실시예에 따르면, 제1 옵션(310)이 선택되고, 임베딩 벡터가 기존에 존재하는(또는 메모리(130)에 저장되어 있는) 경우, 프로세서(120)는 존재하는 임베딩 벡터를 이용하여 제2 음성 향상 엔진(430)을 통해 제2 출력 결과를 생성할 수 있다. 이 경우, 프로세서(120)는 임베딩 벡터를 생성하기 위한 인코더의 입력으로 복수의 음원들을 사용할 수 있다. 첫 번째로, 프로세서(120)는 가장 최근에 메모리(130)에 저장된 음원을 불러올 수 있다. 이 때, 메모리(130) 내의 웨이크 업 키워드 및 PTTS에 등록된 음원은 사용자가 녹음한 음원일 수 있다. 음원은 개인정보보호를 위해 무작위로 ID(identification)가 할당될 수 있다. 프로세서(120)는 가장 최근에 메모리(130)에 저장된 웨이크 업 키워드에 더하여 음성 호출 정확도 향상을 위해 추가 녹음된 오디오도 사용자의 목소리로 녹음된 음원이라고 가정하고 스피커 임베딩 벡터를 생성하는데 이용할 수 있다. 또한, 프로세서(120)는 제1 옵션(310)에 따른 추가 녹음을 수행할 경우, 추가 녹음된 목소리도 사용자의 목소리로 활용할 수 있다.

다양한 실시예에 따르면, 도 4c의 예시는, 제1 옵션(310)이 선택되지 않은 경우(예: 디스에이블 된 경우)의 동작을 나타낼 수 있다. 제1 옵션(310)이 선택되지 않은 경우, 프로세서(120)는 스피커 임베딩 벡터를 활용하지 않고, 제1 음성 향상 엔진(420) 만을 이용하여 오디오를 처리하고, 서버 기반 ASR(460)로 출력할 수 있다.

도 5는 다양한 실시예에 따른 임베딩 벡터를 생성하기 위한 네트워크의 예를 나타내고, 도 6은 다양한 실시예에 따른 출력 결과를 생성하기 위한 네트워크의 예를 나타낸다.

다양한 실시예에 따르면, 도 5 및 도 6을 참조하면, 프로세서(예: 도 1의 프로세서(120))는 뉴럴 네트워크를 이용하여 오디오 신호를 처리할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성할 수 있다. 프로세서(120)는 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성할 수 있다. 프로세서(120)는 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 제2 임베딩 벡터를 생성할 수 있다. 프로세서(120)는 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 제1 인코딩 네트워크, 제1 전처리 네트워크, 제2 인코딩 네트워크, 및 제2 전처리 네트워크 중 적어도 하나는 뉴럴 네트워크를 포함할 수 있다.

다양한 실시예에 따르면, 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

다양한 실시예에 따르면, 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.

다양한 실시예에 따르면, 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 스피커 임베딩 벡터에 기반한 손실(loss)을 전처리 네트워크의 학습에 사용하여 추가적으로 학습을 수행함으로써 미세 튜닝(fine tuning)하는 방식으로 스피커 임베딩 벡터를 생성할 수 있다.

다양한 실시예에 따르면, 제1 인코딩 네트워크는 도 5의 예시에서, 스피커 인코더(510)를 포함할 수 있다. 스피커 인코더(510)는 웨이크 업 키워드를 입력받아 FFT(Fast Fourier Transform)(517)을 수행하고, FFT(517)의 결과로부터 스택된 특징(515)을 획득할 수 있다. 예를 들면, 프로세서(120)는 웨이크 업 키워드(예: 하이빅스비)를 발화한 등록 화자의 5개의 오디오 신호(예: sample1.wav, ?? , sample5.wav)가 메모리(130)에 저장된 경우, 5개의 오디오 신호를 연결하여, 무음을 제외한 등록 화자의 음성이 존재하는 구간(예: [sample1_voiceonly, sample2_voiceonly, ?? , sample5_voiceonly])만을 추출할 수 있다. 스택된 특징(515)은 상기 등록 화자의 음성만 존재하는 구간에 대해, frame 단위로 FFT 수행한 결과값들일 수 있다. 스택된 특징(515)은 LSTM(513)에 입력되고, LSTM(513)의 출력은 FC(Fully Connected) 레이어(511)에 입력되어 제1 임베딩 벡터(예: 제1 스피커 임베딩 벡터)를 생성할 수 있다. 도 5의 예시에서, LSTM(513)은 5 개의 레이어인 것으로 표현되었지만 실시예에 따라 LSTM의 수는 달라질 수 있다.

다양한 실시예에 따르면, 제1 임베딩 벡터는 제1 전처리 네트워크에 입력될 수 있다. 제1 전처리 네트워크는 PSE(Personalized Speech Enhancement)(530)을 포함할 수 있다. 프로세서(120)는 그라운드 트루스 클린 스펙트로그램(ground truth clean spectrogram)과 추정된 클린 스펙트로그램(ground truth clean spectrogram)(예: PSE(530)의 출력) 사이의 유클리디안 거리(Euclidian distance)를 손실로 사용하여 이를 줄이는 방향으로 제1 인코딩 네트워크 및 제1 전처리 네트워크의 가중치를 업데이트할 수 있다. 프로세서(120)는 PSE(530)의 가중치뿐만 아니라, 스피커 인코더(510)의 LSTM(513) 및 FC 레이어(511)의 가중치도 함께 업데이트할 수 있다. 이를 통해, 프로세서(120)는 화자 인식 작업(speaker recognition task)에 미리 학습된 스피커 인코더(510)를 PSE(530)에 적합하게 추가적으로 튜닝할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 웨이크 업 키워드의 파형 샘플(wave sample)들에 대해서 제1 임베딩 벡터를 추출하고, 제1 임베딩 벡터를 제1 전처리 네트워크로 처리한 후에 다시 제2 임베딩 벡터를 추출함으로써 등록된 음원에 포함되어 있는 노이즈를 제거할 수 있다. 이를 통해, 제2 임베딩 벡터는 제1 임베딩 벡터보다 노이즈의 영향을 적게 받고, 등록 화자의 발화 정보를 보다 명확하게 반영할 수 있다. 웨이크 업 키워드 이외에 추가적으로 성능 향상에 더 적합한 오디오 음원(예: PTTS 음원)이 등록될 경우, 프로세서(120)는 임베딩 벡터를 추가된 오디오 음원에서 추출한 값을 이용하여 대체하여 사용할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 웨이크 업 키워드로부터 스펙트럴 정보(spectral information)를 추출하여 스피커 인코더(510)의 입력으로 사용할 수 있다. 도 5의 예시에서 FFT(517)는 실시예에 따라, FFT(517) 이후에 스펙트럼 대신 로그멜 특징(logMel feature)을 스피커 인코더(510)의 입력으로 사용할 수 있다.

다양한 실시예에 따르면, LSTM(513)의 개수는 5 개보다 많거나 적을 수 있다. 예를 들어, LSTM(513)의 개수는 3 개일 수 있다. 이 때, LSTM 레이어는 매니-투-원(many-to-one)의 형태로, 모든 입력 프레임에 대한 출력을 사용하지 않고, 가장 마지막 프레임까지 입력 받은 후 최종 프레임의 출력 노드만을 사용할 수 있다. 이를 통해, 프로세서(120)는 등록 발화의 길이를 제한하지 않고, 매니-투-매니(many-to-many) 출력 형태에서 모든 프레임 출력의 평균을 취하는 방식을 사용할 수도 있다.

다양한 실시예에 따르면, 프로세서(120)는 제2 임베딩 벡터(예: 제2 스피커 임베딩 벡터)에 기초하여 제2 출력 결과를 생성할 수 있다. 프로세서(120)는 제2 임베딩 벡터를 제2 전처리 네트워크(610)에 입력함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 제2 전처리 네트워크(610)는 오디오 신호(예: 노이즈가 포함된 음성)를 수신하여 FFT(611)를 수행할 수 있다. 프로세서(120)는 FFT(611) 결과와 제2 임베딩 벡터를 연결(concatenate)(613)할 수 있다. 프로세서(120)는 연결 결과를 LSTM(615)에 입력할 수 있다. LSTM(615)는 3 개의 단방향 LSTM 레이어를 포함할 수 있다. 프로세서(120)는 LSTM(615)의 출력을 FC 레이어(617)에 입력하여 추정된 마스크를 획득할 수 있다. 일 실시예에 따르면, FC 레이어(617)는 2개의 레이어를 포함할 수 있다. 프로세서(120)는 추정된 마스크를 필터링(619)함으로써 제2 출력 결과(예: 향상된 타겟 음성)를 획득할 수 있다.

도 7a 내지 도 7c는 제1 출력 결과 및 제2 출력 결과의 예를 나타낸다.

다양한 실시예에 따르면, 도 7a 및 도 7b를 참조하면, 다양한 실시예에 따르면, 프로세서(예: 도 1의 프로세서(120))는 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과(710)를 생성할 수 있다. 제1 출력 결과는 제1 향상된 음성을 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호 및 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과(730)를 생성할 수 있다. 제2 출력 결과는 제2 향상된 음성을 포함할 수 있다. 프로세서(120)는 오디오 신호에 기초하여 복수의 임베딩 벡터를 생성하고, 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성하고, 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성할 수 있다. 프로세서(120)는 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 제2 임베딩 벡터를 생성할 수 있다. 프로세서(120)는 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다. 프로세서(120)는 제1 출력 결과와 제2 출력 결과의 차이에 기초하여 명령이 사용자에 의한 것인지 여부를 판단하고, 판단 결과에 기초하여 명령에 대응하는 피드백(750)을 제공할 수 있다.

다양한 실시예에 따르면, 제1출력 결과(710)와 제2출력 결과(730)의 차이는 사용자의 발화가 존재하는 경우는 제2 출력 결과(730)가 도 7a의 예시와 같이 존재하게 되고, 타인의 발화가 존재하는 경우는 도 7b의 예시와 같을 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제2 출력 결과(730)의 존재 여부를 판단하고, 존재 여부에 기초하여 명령이 사용자에 의한 것인지 여부를 판단할 수 있다. 프로세서(120)는 명령이 사용자에 의한 것인지 여부의 판단 결과에 기초하여 명령에 대응하는 피드백을 제공할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제1 옵션이 선택되어 있는 경우, 제2 출력 결과(730)를 입력으로 서버 기반 ASR을 이용하여 부분적인 ASR 출력을 디스플레이 모듈을 통해 제공할 수 있다. 프로세서(120)는 제2 출력 결과(730)를 확인하면서, 미리 설정된 값 이하의 값만 출력되는지를 지속적으로 확인할 수 있다. 예를 들어, 프로세서(120)는 일정 시간 동안의 제2 출력 결과(730)의 평균 출력 크기 및/또는 제2 출력 결과(730)의 실시간 출력 크기에 대해 지속적으로 확인할 수 있다. 프로세서(120)는 제2 출력 결과(730)의 값이 미리 설정된 값 이상으로 출력될 경우, 온 디바이스 ASR 결과를 확인하여 ASR 출력을 확인할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제2 출력 결과(730)를 입력 받을 수 있다(771). 리젝션(rejection)이 필요한 상황에서는, 프로세서(120)는 제2 출력 결과(730)를 확인하여 미리 설정된 값(예: 임계값) 이하의 값이 지속적으로 출력되는지 확인할 수 있다(772). 프로세서(120)는 제2 출력 결과(730)의 값이 미리 설정된 값 이상으로 출력될 경우, 제2 출력 결과(730)로 계산된 ASR 값이 존재하는지 여부를 확인할 수 있다(773). 예를 들어, 프로세서(120)는 제2 출력 결과(730)의 지정된 개수(예: N 개, N은 자연수) 이상의 프레임들에 텍스트 값이 존재하는 경우, 제 2 출력 결과(730)로 계산된 ASR 값이 존재하는 것으로 확인할 수 있다. 이 때, 제2 출력 결과(730)로 계산된 ASR 값이 존재하지 않을 경우, 리젝션 UI를 제공할 수 있다(774). 예를 들어, 리젝션 UI는 "명령을 수행할 수 없습니다"와 같은 텍스트 메시지를 포함할 수 있다. 제2 출력 결과(730)에 기초하여 계산된 ASR 결과 값이 존재하는 경우, 프로세서(120)는 발화의 엔드 포인트(end point)가 검출되었는지 확인할 수 있다(775).

예를 들어, 프로세서(120)는 음성 감지 기능인 VAD(voice activity detection) 기술을 사용하여 일정 시간 동안 음성이 존재하지 않으면, 발화가 종결되어 발화의 엔드 포인트가 검출된 것으로 확인할 수 있다. 발화의 엔드 포인트가 검출되지 않은 경우, 프로세서(120)는 부분 ASR 결과를 제공할 수 있다(776). 발화 엔드 포인트가 검출된 경우, 프로세서(120)는 제2 출력 결과의 ASR 결과를, 최종 ASR로 정정하여 출력할 수 있다(777).

다양한 실시예에 따르면, 프로세서(120)는 온 디바이스 ASR이 없는 경우, 제2 출력 결과(730)의 값이 미리 설정된 값 이상으로 출력될 경우, 서버 기반 ASR 결과를 확인하여 ASR 출력을 확인할 수 있다.

도 8a 내지 도 9b는 사용자 인터페이스의 옵션들의 선택 여부에 따른 사용자의 명령의 처리 결과의 예들을 나타낸다.

다양한 실시예에 따르면, 도 8a는 제1 옵션(예: 도 3a의 제1 옵션(310))이 선택된 경우에 오디오 신호를 처리한 결과를 나타내고, 도 8b는 제1 옵션(310)이 선택되지 않은 경우에 오디오 신호를 처리한 결과를 나타낼 수 있다.

다양한 실시예에 따르면, 제1 화자가 전자 장치(예: 도 1의 전자 장치(101))의 사용자인 경우, 마이크(도 2의 마이크(150-1))가 제1 화자로부터 "근처 맛집 찾아줘"라는 음성 신호를 수신하고, 제2 화자로부터 "아이유 노래 틀어줘"라는 음성 신호를 수신한 경우, 제1 옵션(310)이 선택된 경우라면, 프로세서(예: 도 1의 프로세서(120))는 위에서 설명한 임베딩 벡터를 이용한 제2 출력 결과의 생성을 통해, 피드백(810)을 제공하면서, 제1 화자의 명령인 "근처 맛집 찾아줘"를 명확하게 인식하여 명령을 처리할 수 있다.

다양한 실시예에 따르면, 도 8b의 예시와 같이, 제1 옵션(310)이 선택되지 않은 경우, 프로세서(120)는 제1 화자와 제2 화자의 음성 신호를 구분하지 못하고, 피드백(830)을 제공하면서 "근처 노래 맛집 찾아줘"와 같이 왜곡된 결과를 출력할 수 있다.

다양한 실시예에 따르면, 도 9a의 예시에서, 제1 화자가 전자 장치(101)의 사용자인 경우, 마이크(150-1)가 제1 화자로부터 아무런 음성 신호를 수신하지 않고, 제2 화자로부터 “아이유 노래 틀어줘”라는 음성 신호를 수신한 경우, 제1 옵션(310)이 선택된 경우라면, 프로세서(120)는 위에서 설명한 임베딩 벡터를 이용한 제2 출력 결과의 생성을 통해, 피드백(910)을 제공하면서, "명령을 수행할 수 없습니다"라는 피드백을 제공할 수 있다.

다양한 실시예에 따르면, 도 9b의 예시와 같이, 제1 옵션(310)이 선택되지 않은 경우, 프로세서(120)는 제1 화자와 제2 화자의 음성 신호를 구분하지 못하고, 피드백(930)을 제공하면서 제2 화자의 명령을 수행할 수 있다.

도 10은 도 1에 도시된 전자 장치의 동작의 흐름도를 나타낸다.

다양한 실시예에 따르면, 도 10을 참조하면, 마이크(예: 도 2의 마이크(150-1))는 사용자의 음성을 포함하는 오디오 신호를 수신할 수 있다(1010).

다양한 실시예에 따르면, 프로세서(예: 도 1의 프로세서(120))는 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성할 수 있다(1030).

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호 및 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성할 수 있다(1050). 프로세서(120)는 오디오 신호에 기초하여 복수의 임베딩 벡터를 생성하고, 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 제1 인코딩 네트워크, 제2 인코딩 네트워크, 제1 전처리 네트워크 및 제2 전처리 네트워크는, 적어도 하나의 LSTM(Long Short Term Memory) 네트워크를 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 오디오 신호에 공간 필터링(spatial filtering)을 수행하고, 공간 필터링이 수행된 오디오 신호에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다(1070). 프로세서(120)는 제1 출력 결과와 제2 출력 결과의 차이에 기초하여 명령이 사용자에 의한 것인지 여부를 판단하고, 판단 결과에 기초하여 명령에 대응하는 피드백을 제공할 수 있다.

다양한 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는 사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크(예: 도 2의 마이크(150-1))와 인스터럭션들을 포함하는 메모리(예: 도 1의 메모리(130))와, 메모리(130)와 전기적으로 연결되고, 인스트럭션들 실행하기 위한 프로세서(예: 도 1의 프로세서(120))를 포함할 수 있다.

프로세서(120)에 의해 인스트럭션들이 실행될 때, 프로세서(120)는 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고, 오디오 신호 및 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하고, 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다.

프로세서(120)는 오디오 신호에 기초하여 복수의 임베딩 벡터를 생성하고, 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

프로세서(120)는 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성하고, 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성할 수 있다.

프로세서(120)는 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 제2 임베딩 벡터를 생성할 수 있다.

프로세서(120)는 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 제2 출력 결과를 생성할 수 있다.

제1 인코딩 네트워크, 제2 인코딩 네트워크, 제1 전처리 네트워크 및 제2 전처리 네트워크는, 적어도 하나의 LSTM(Long Short Term Memory) 네트워크를 포함할 수 있다.

프로세서(120)는 오디오 신호에 공간 필터링(spatial filtering)을 수행하고, 공간 필터링이 수행된 오디오 신호에 기초하여 마스크 추정을 수행함으로써 제2 출력 결과를 생성할 수 있다.

프로세서(120)는 제2 출력 결과의 존재 여부를 판단하고, 존재 여부에 기초하여 명령이 사용자에 의한 것인지 여부를 판단하고, 사용자에 의한 것인지 여부의 판단 결과에 기초하여 명령에 대응하는 피드백을 제공할 수 있다.

프로세서(120)는 제1 출력 결과와 제2 출력 결과의 차이에 기초하여 명령이 사용자에 의한 것인지 여부를 판단하고, 판단 결과에 기초하여 명령에 대응하는 피드백을 제공할 수 있다.

다양한 실시예에 따른 전자 장치(101)는 사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크와, 인스터럭션들을 포함하는 메모리(130)와, 메모리(130)와 전기적으로 연결되고, 인스트럭션들을 실행하기 위한 프로세서(120)를 포함할 수 있다.

프로세서(120)에 의해 인스트럭션들이 실행될 때, 프로세서(120)는, 사용자 인터페이스를 통한 제1 옵션의 선택에 응답하여 오디오 신호의 전처리 방식을 결정하고, 사용자 인터페이스를 통한 제2 옵션의 선택에 응답하여 오디오 신호의 처리를 위한 입력 데이터의 종류를 결정하고, 전처리 방식 및 입력 데이터의 종류에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다.

프로세서(120)는 제1 옵션의 선택에 응답하여 오디오 신호로부터 화자 분리를 수행할지 여부를 결정할 수 있다.

프로세서(120)는 제2 옵션의 선택에 응답하여 사용자가 발화한 웨이크 업 키워드, PTTS(Personalized Text-to-Speech) 음원, 사용자의 추가 음성 중에서 적어도 하나를 입력 데이터로 결정할 수 있다.

프로세서(120)는 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고, 전처리 방식 및 입력 데이터의 종류에 기초하여 오디오 신호로부터 화자 분리를 수행함으로써 제2 출력 결과를 생성하고, 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리할 수 있다.

다양한 실시예에 따른 전자 장치(101)의 동작 방법은, 사용자의 음성을 포함하는 오디오 신호를 수신하는 동작과, 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하는 동작과, 오디오 신호 및 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하는 동작과, 제1 출력 결과 및 제2 출력 결과에 기초하여 오디오 신호에 대응하는 명령을 처리하는 동작을 포함할 수 있다.

420: 제1 음성 향상 엔진
430: 제2 음성 향상 엔진
440: 메트릭
460: 서버 기반 ASR

Claims

전자 장치에 있어서,
사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크;
인스터럭션들을 포함하는 메모리; 및
상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들 실행하기 위한 프로세서
를 포함하고,
상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
상기 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고,
상기 오디오 신호 및 상기 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하고,
상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리하는,
전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 오디오 신호에 기초하여 복수의 임베딩 벡터를 생성하고,
상기 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 상기 제2 출력 결과를 생성하는,
전자 장치.
제2항에 있어서,
상기 프로세서는,
상기 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 상기 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성하고,
상기 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 상기 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성하는
전자 장치.
제3항에 있어서,
상기 프로세서는,
상기 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 상기 제2 임베딩 벡터를 생성하는
전자 장치.
제4항에 있어서,
상기 프로세서는,
상기 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 상기 제2 출력 결과를 생성하는,
전자 장치.
제5항에 있어서,
상기 제1 인코딩 네트워크, 상기 제2 인코딩 네트워크, 상기 제1 전처리 네트워크 및 상기 제2 전처리 네트워크는,
적어도 하나의 LSTM(Long Short Term Memory) 네트워크를 포함하는
전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 오디오 신호에 공간 필터링(spatial filtering)을 수행하고,
공간 필터링이 수행된 오디오 신호에 기초하여 마스크 추정을 수행함으로써 상기 제2 출력 결과를 생성하는
전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 제2 출력 결과의 존재 여부를 판단하고,
상기 존재 여부에 기초하여 상기 명령이 상기 사용자에 의한 것인지 여부를 판단하고,
상기 사용자에 의한 것인지 여부의 판단 결과에 기초하여 상기 명령에 대응하는 피드백을 제공하는,
전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 제1 출력 결과와 상기 제2 출력 결과의 차이에 기초하여 상기 명령이 상기 사용자에 의한 것인지 여부를 판단하고,
판단 결과에 기초하여 상기 명령에 대응하는 피드백을 제공하는,
전자 장치.
전자 장치에 있어서,
사용자의 음성을 포함하는 오디오 신호를 수신하는 마이크;
인스터럭션들을 포함하는 메모리; 및
상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서
를 포함하고,
상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
사용자 인터페이스를 통한 제1 옵션의 선택에 응답하여 상기 오디오 신호의 전처리 방식을 결정하고,
상기 사용자 인터페이스를 통한 제2 옵션의 선택에 응답하여 상기 오디오 신호의 처리를 위한 입력 데이터의 종류를 결정하고,
상기 전처리 방식 및 상기 입력 데이터의 종류에 기초하여 상기 오디오 신호에 대응하는 명령을 처리하는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제1 옵션의 선택에 응답하여 상기 오디오 신호로부터 화자 분리를 수행할지 여부를 결정하는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 제2 옵션의 선택에 응답하여 상기 사용자가 발화한 웨이크 업 키워드, PTTS(Personalized Text-to-Speech) 음원 및 상기 사용자의 추가 음성 중에서 적어도 하나를 입력 데이터로 결정하는,
전자 장치.
제10항에 있어서,
상기 프로세서는,
상기 오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하고,
상기 전처리 방식 및 상기 입력 데이터의 종류에 기초하여 상기 오디오 신호로부터 화자 분리를 수행함으로써 제2 출력 결과를 생성하고,
상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리하는,
전자 장치.
제13항에 있어서,
상기 프로세서는,
상기 오디오 신호에 기초하여 복수의 임베딩 벡터를 생성하고,
상기 복수의 임베딩 벡터에 기초하여 마스크 추정을 수행함으로써 상기 제2 출력 결과를 생성하는,
전자 장치.
제14항에 있어서,
상기 프로세서는,
상기 오디오 신호에 기초하여 제1 인코딩 네트워크에 입력함으로써 상기 복수의 임베딩 벡터에 포함된 제1 임베딩 벡터를 생성하고,
상기 제1 임베딩 벡터를 제1 전처리 네트워크에 입력함으로써 상기 복수의 임베딩 벡터에 포함된 제2 임베딩 벡터를 생성하는
전자 장치.
제15항에 있어서,
상기 프로세서는,
상기 제1 전처리 네트워크의 출력을 제2 인코딩 네트워크에 입력함으로써 상기 제2 임베딩 벡터를 생성하는
전자 장치.
제16항에 있어서,
상기 프로세서는,
상기 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 상기 제2 출력 결과를 생성하는,
전자 장치.
제17항에 있어서,
상기 제1 인코딩 네트워크, 상기 제2 인코딩 네트워크, 상기 제1 전처리 네트워크 및 상기 제2 전처리 네트워크는,
적어도 하나의 LSTM(Long Short Term Memory) 네트워크를 포함하는
전자 장치.
제18항에 있어서,
상기 프로세서는,
상기 제2 임베딩 벡터를 제2 전처리 네트워크에 입력함으로써 상기 제2 출력 결과를 생성하는,
전자 장치.
제13항에 있어서,
상기 프로세서는,
상기 오디오 신호에 공간 필터링(spatial filtering)을 수행하고,
공간 필터링이 수행된 오디오 신호에 기초하여 마스크 추정을 수행함으로써 상기 제2 출력 결과를 생성하는
전자 장치.
제13항에 있어서,
상기 프로세서는,
상기 제2 출력 결과의 존재 여부를 판단하고,
상기 존재 여부에 기초하여 상기 명령이 상기 사용자에 의한 것인지 여부를 판단하고,
상기 사용자에 의한 것인지 여부의 판단 결과에 기초하여 상기 명령에 대응하는 피드백을 제공하는,
전자 장치.
제13항에 있어서,
상기 프로세서는,
상기 제1 출력 결과와 상기 제2 출력 결과의 차이에 기초하여 상기 명령이 상기 사용자에 의한 것인지 여부를 판단하고,
판단 결과에 기초하여 상기 명령에 대응하는 피드백을 제공하는,
전자 장치.
전자 장치의 동작 방법에 있어서,
사용자의 음성을 포함하는 오디오 신호를 수신하는 동작;
오디오 신호로부터 노이즈를 제거함으로써 제1 출력 결과를 생성하는 동작;
오디오 신호 및 상기 제1 출력 결과에 기초하여 화자 분리를 수행함으로써 제2 출력 결과를 생성하는 동작; 및
상기 제1 출력 결과 및 상기 제2 출력 결과에 기초하여 상기 오디오 신호에 대응하는 명령을 처리하는 동작
을 포함하는, 전자 장치의 동작 방법.
하드웨어와 결합되어 제20항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.