KR20230018317A - 음성 학습 데이터를 생성하는 방법 및 장치 - Google Patents

Abstract

음성 학습 데이터를 생성하는 방법은, 특정 텍스트에 해당하는 녹음 대본을 생성하는 단계, 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 생성하는 단계 및 녹음 데이터를 레이블링하는 단계를 포함할 수 있다.

Description

음성 학습 데이터를 생성하는 방법 및 장치{METHOD AND APPARATUS FOR GENERATING SPEECH DATA FOR LEARNING}

음성 학습 데이터를 생성하는 방법 및 시스템에 관한다.

최근 인공 지능 기술의 발달로 음성 신호를 활용하는 인터페이스가 보편화되고 있다. 이에 따라, 주어진 상황에 따라 합성된 음성을 발화할 수 있도록 하는 음성 합성(speech synthesis) 기술에 대한 연구가 활발히 진행되고 있다.

음성 합성 기술은 인공 지능에 기반한 음성 인식 기술과 접목하여 가상 비서, 오디오북, 자동 통번역 및 가상 성우 등의 많은 분야에 적용되고 있다.

종래의 음성 합성 방법으로는 연결 합성(Unit Selection Synthesis, USS) 및 통계 기반 파라미터 합성(HMM-based Speech Synthesis, HTS) 등의 다양한 방법이 있다. USS 방법은 음성 데이터를 음소 단위로 잘라서 저장하고 음성 합성 시 발화에 적합한 음편을 찾아서 이어붙이는 방법이고, HTS 방법은 음성 특징에 해당하는 파라미터들을 추출해 통계 모델을 생성하고 통계 모델에 기반하여 텍스트를 음성으로 재구성하는 방법이다. 그러나, 상술한 종래의 음성 합성 방법은 화자의 발화 스타일 또는 감정 표현 등을 반영한 자연스러운 음성을 합성하는 데 많은 한계가 있었다.

이에 따라, 최근에는 인공 신경망(Artificial Neural Network)에 기반하여 텍스트로부터 음성을 합성하는 음성 합성 방법이 주목받고 있다.

한편, 인공 신경망에 기반하여 텍스트로부터 음성을 합성하는 음성 합성 방법에 있어서, 인공 신경망 모델은 다양한 화자들의 음성 데이터로 학습될 필요가 있어, 다량의 음성 학습 데이터가 필요하다.

종래에는 다량의 음성 학습 데이터를 생성하기 위하여 녹음 대본을 직접 작업하거나 기존에 공지된 자료를 선정하여 사용하고, 화자가 녹음 대본 전체를 읽은 전체 오디오 파일에서 문장 별로 자르는 후처리 편집을 거치고, 화자가 녹음을 잘 수행했는지 여부를 직접 듣고 판단하여 재녹음 여부를 결정하고, 감정 및 사투리 등의 연구를 위해 녹음을 수행하는 화자가 직접 레이블을 선택 후 녹음을 진행하였다.

그러나, 종래와 같은 과정은 작업자의 시간적, 비용적 소모가 크고 매우 불편할 수 있으며, 녹음 대본의 경우에는 저작권 문제가 발생할 수 있다. 이에 따라, 녹음 대본의 생성, 녹음, 품질 평가, 저장, 레이블링 등 일련의 작업 과정에서 불필요한 소모 및 작업이 최소화되고 화자의 편리성을 극대화할 수 있는 음성 학습 데이터 생성 기술이 필요하다.

인공 신경망 모델을 학습시키기 위한 음성 학습 데이터를 다량으로 생성함에 있어, 작업자의 불편함 및 시간 소모를 최소화할 수 있는 음성 생성 기술을 제공하는 데 있다.

음성 학습 데이터를 위한 녹음을 수행함에 있어, 녹음 대본과 관련한 저작권 문제를 발생시키지 않는 음성 생성 기술을 제공하는 데 있다.

해결하고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 유추될 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로 수단으로서, 본 개시의 제1 측면에 따른 방법은, 특정 텍스트에 해당하는 녹음 대본을 생성하는 단계; 상기 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 생성하는 단계; 및 상기 녹음 데이터를 레이블링 하는 단계;를 포함하는, 방법을 제공할 수 있다.

또한, 상술한 방법에 있어서 상기 녹음 대본을 생성하는 단계는, 복수의 문장 샘플들을 수신하는 단계; 및 상기 복수의 문장 샘플들에 기초하여 상기 녹음 대본을 생성하는 단계;를 포함할 수 있다.

또한, 상술한 방법에 있어서 상기 녹음 데이터를 생성하는 단계는, 상기 화자가 실제 발화한 구간에 해당하는 발화 구간을 감지하는 단계; 및 상기 발화 구간을 이용하여 상기 녹음 데이터를 생성하는 단계;를 포함할 수 있다.

또한, 상술한 방법에 있어서 상기 녹음 대본 및 상기 녹음 데이터에 기초하여 상기 녹음 데이터에 대응하는 스코어를 연산하는 단계; 상기 스코어를 기 설정된 값과 비교하는 단계; 및 상기 비교 결과 상기 화자가 상기 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 상기 녹음 데이터의 품질을 평가하는 단계;를 더 포함할 수 있다.

또한, 상술한 방법에 있어서 상기 녹음 데이터의 품질이 소정의 기준을 만족하는지 여부에 기초하여, 상기 녹음 데이터를 재생성 할지 여부를 결정하는 단계;를 더 포함할 수 있다.

또한, 상술한 방법에 있어서 상기 레이블링 하는 단계는, 상기 녹음 데이터의 감정 레이블링 및 지역 레이블링 중 하나 이상의 레이블링을 수행하는 단계;를 더 포함할 수 있다.

본 개시의 제2 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 포함한다.

본 개시의 제3 측면에 따른 시스템은, 적어도 하나의 메모리; 상기 메모리에 저장된 적어도 하나의 프로그램에 의하여 동작하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 상술한 방법을 실행한다.

상술한 실시예들에 관한 음성 학습 데이터를 생성하는 방법에 따르면, 인공 신경망 모델을 학습시키기 위한 학습 데이터를 생성하는 일련의 과정을 자동화하여 작업자의 불편과 시간 소모를 최소화하고, 효율성을 극대화시킬 수 있다.

또한, 학습 데이터를 생성하는 과정에서 저작권 문제를 발생시키지 않는 방법을 제공할 수 있다.

실시예들에 의한 효과가 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 본 발명의 기재로부터 당해 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다.
도 2는 음성 합성 시스템의 일 실시예를 나타내는 도면이다.
도 3은 음성 합성 시스템의 합성부의 일 실시예를 나타내는 도면이다.
도 4는 화자 인코더에서 임베딩 벡터를 생성하기 위한 벡터 공간의 일 실시예를 나타내는 도면이다.
도 5는 음성 학습 데이터를 생성하는 시스템의 동작을 개략적으로 나타내는 도면이다.
도 6은 점수계산부를 이용하여 녹음의 품질을 평가하는 일 실시예를 나타내는 도면이다.
도 7은 합성부가 제1 스펙트로그램들에 기초하여 제2 스펙트로그램들을 생성하는 일 실시예를 나타내는 도면이다.
도 8a 및 도 8b는 제2 스펙트로그램들에 대응하는 어텐션 얼라인먼트의 품질을 설명하기 위한 도면이다.
도 9는 점수계산부가 인코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 10는 점수계산부가 디코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 11은 점수계산부가 집중 스코어(concentration score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 12는 점수계산부가 스텝 스코어(step score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 13은 음성 학습 데이터를 생성하는 방법의 일 실시예를 도시한 흐름도이다.

본 실시예들에서 사용되는 용어는 본 실시예들에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 실시예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시예들 전반에 걸친 내용을 토대로 정의되어야 한다.

본 실시예들은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 일부 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 실시예들을 특정한 개시형태에 대해 한정하려는 것이 아니며, 본 실시예들의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 명세서에서 사용한 용어들은 단지 실시예들의 설명을 위해 사용된 것으로, 본 실시예들을 한정하려는 의도가 아니다.

본 실시예들에 사용되는 용어들은 다르게 정의되지 않는 한, 본 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 실시예들에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.

한편, 본 명세서에서 하나의 도면 내에서 개별적으로 설명되는 기술적 특징은 개별적으로 구현될 수도 있고, 동시에 구현될 수도 있다.

본 명세서에서, "~부(unit)"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다. 이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다.

음성 합성(Speech Synthesis) 시스템은 텍스트를 사람의 음성으로 변환하는 시스템이다.

예를 들어, 도 1의 음성 합성 시스템(100)는 인공 신경망(Artificial Neural Network) 기반의 음성 합성 시스 템일 수 있다. 인공 신경망은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미한다.

음성 합성 시스템(100)는 PC(personal computer), 서버 디바이스, 모바일 디바이스, 임베디드 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있고, 구체적인 예로서 인공 신경망을 이용하여 음성 합성을 수행하는 스마트폰, 태블릿 디바이스, AR(Augmented Reality) 디바이스, IoT(Internet of Things) 디바이스, 자율주행 자동차, 로보틱스, 의료기기, 전자책 단말기 및 네비게이션 등에 해당될 수 있으나, 이에 제한되지 않는다.

나아가서, 음성 합성 시스템(100)는 위와 같은 디바이스에 탑재되는 전용 하드웨어 가속기(HW accelerator)에 해당될 수 있다. 또는, 음성 합성 시스템(100)는 인공 신경망의 구동을 위한 전용 모듈인 NPU(neural processing unit), TPU(Tensor Processing Unit), Neural Engine 등과 같은 하드웨어 가속기일 수 있으나, 이에 제한되지 않는다.

도 1을 참고하면, 음성 합성 시스템(100)는 텍스트 입력과 특정 화자 정보를 수신할 수 있다. 예를 들어, 음성 합성 시스템(100)는 텍스트 입력으로써 도 1에 도시된 바와 같이 "Have a good day!"를 수신할 수 있고, 화자 정보 입력으로써 "화자 1"을 수신할 수 있다.

“화자 1"은 기 설정된 화자 1의 발화 특징을 나타내는 음성 신호 또는 음성 샘플에 해당할 수 있다. 예를 들어, 화자 정보는 음성 합성 시스템(100)에 포함된 통신부를 통해 외부 장치로부터 수신될 수 있다. 또는, 화자 정보는 음성 합성 시스템(100)의 사용자 인터페이스를 통해 사용자로부터 입력될 수 있고, 음성 합성 시스템 (100)의 데이터 베이스에 미리 저장된 다양한 화자 정보들 중 하나로 선택될 수도 있으나, 이에 제한되는 것은 아니다.

음성 합성 시스템(100)는 입력으로 수신한 텍스트 입력과 특정 화자 정보에 기초하여 음성(speech)를 출력할 수 있다. 예를 들어, 음성 합성 시스템(100)는 "Have a good day!" 및 "화자 1"을 입력으로 수신하여, 화자 1의 발화 특징이 반영된 "Have a good day!"에 대한 음성을 출력할 수 있다. 화자 1의 발화 특징은 화자 1의 음성, 운율, 음높이 및 감정 등 다양한 요소들 중 적어도 하나를 포함할 수 있다. 즉, 출력되는 음성은 화자 1 이 "Have a good day!"를 자연스럽게 발음하는 듯한 음성일 수 있다.

도 2는 음성 합성 시스템의 일 실시예를 나타내는 도면이다. 도 2의 음성 합성 시스템(200)는 도 1의 음성 합성 시스템(100)와 동일할 수 있다.

도 2를 참조하면, 음성 합성 시스템(200)은 화자 인코더(210), 합성기(220) 및 보코더(230)를 포함할 수 있다. 한편, 도 2에 도시된 음성 합성 시스템(200)에는 일 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 음성 합성 시스템(200)에는 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.

도 2의 음성 합성 시스템(200)은 화자 정보 및 텍스트(text)를 입력으로 수신하여 음성(speech)을 출력할 수 있다.

예를 들어, 음성 합성 시스템(200)의 화자 인코더(210)는 화자 정보를 입력으로 수신하여 화자 임베딩 벡터 (embedding vector)를 생성할 수 있다. 화자 정보는 화자의 음성 신호 또는 음성 샘플에 해당할 수 있다. 화자 인코더(210)는 화자의 음성 신호 또는 음성 샘플을 수신하여, 화자의 발화 특징을 추출할 수 있으며 이를 임베딩 벡터로 나타낼 수 있다.

화자의 발화 특징은 발화 속도, 휴지 구간, 음높이, 음색, 운율, 억양 또는 감정 등 다양한 요소들 중 적어도 하나를 포함할 수 있다. 즉, 화자 인코더(210)는 화자 정보에 포함된 불연속적인 데이터 값을 연속적인 숫자로 구성된 벡터로 나타낼 수 있다. 예를 들어, 화자 인코더(210)는 pre-net, CBHG 모듈, DNN(Deep Neural Network), CNN(convolutional neural network), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 화자 임베딩 벡터를 생성할 수 있다.

예를 들어, 음성 합성 시스템(200)의 합성기(220)는 텍스트(text) 및 화자의 발화 특징을 나타내는 임베딩 벡터를 입력으로 수신하여 스펙트로그램(spectrogram)을 출력할 수 있다.

도 3은 음성 합성 시스템의 합성부의 일 실시예를 나타내는 도면이다. 도 3의 합성부(300)는 도 2의 합성기(220)와 동일할 수 있다.

도 3을 참조하면, 음성 합성 시스템(200)의 합성부(300)는 텍스트 인코더 및 디코더를 포함할 수 있다. 한편, 합성부(300)에는 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.

화자의 발화 특징을 나타내는 임베딩 벡터는 상술한 바와 같이 화자 인코더(210)로부터 생성될 수 있으며, 합성부(300)의 인코더 또는 디코더는 화자 인코더(210)로부터 화자의 발화 특징을 나타내는 임베딩 벡터를 수신할 수 있다.

예를 들어, 화자 인코더(210)는 화자의 음성 신호 또는 음성 샘플을 학습된 인공 신경망 모델에 입력하여, 화자의 음성 신호 또는 음성 샘플과 가장 유사한 음성 데이터의 임베딩 벡터를 출력할 수 있다.

도 4는 화자 인코더에서 임베딩 벡터를 생성하기 위한 벡터 공간의 일 실시예를 나타내는 도면이다.

일 실시예에 따르면, 화자 인코더(210)는 화자의 음성 신호 또는 음성 샘플에 STFT(Short-time Fourier transform)를 수행하여 제1 스펙트로그램(spectrogram)들을 생성할 수 있다. 화자 인코더(210)는 학습된 인공 신경망 모델에 제1 스펙트로그램들을 입력하여 화자 임베딩 벡터를 생성할 수 있다.

스펙트로그램은 음성 신호의 스펙트럼을 시각화하여 그래프로 표현한 것이다. 스펙트로그램의 x축은 시간, y축은 주파수를 나타내며 각 시간당 주파수가 가지는 값을 값의 크기에 따라 색으로 표현할 수 있다. 스펙트로그램은 연속적으로 주어지는 음성 신호에 STFT(Short-time Fourier transform)를 수행한 결과물일 수 있다.

STFT는 음성 신호를 일정한 길이의 구간들로 나누고 각 구간에 대하여 푸리에 변환을 적용하는 방법이다. 이 때, 음성 신호에 STFT를 수행한 결과물은 복소수 값이기 때문에, 복소수 값에 절대값을 취해 위상(phase) 정보를 소실시키고 크기(magnitude) 정보만을 포함하는 스펙트로그램을 생성할 수 있다.

한편, 멜 스펙트로그램은 스펙트로그램의 주파수 간격을 멜 스케일(Mel Scale)로 재조정한 것이다. 사람의 청각 기관은 고주파수(high frequency) 보다 저주파수(low frequency) 대역에서 더 민감하며, 이러한 특성을 반영해 물리적인 주파수와 실제 사람이 인식하는 주파수의 관계를 표현한 것이 멜 스케일이다. 멜 스펙트로그램은 멜 스케일에 기반한 필터 뱅크(filter bank)를 스펙트로그램에 적용하여 생성될 수 있다.

화자 인코더(210)는 다양한 음성 데이터들에 해당하는 스펙트로그램들 및 이에 대응하는 임베딩 벡터들을 벡터 공간 상에 표시할 수 있다. 화자 인코더(210)는 학습된 인공 신경망 모델에 화자의 음성 신호 또는 음성 샘플로 부터 생성한 스펙트로그램들을 입력할 수 있다. 화자 인코더(210)는 학습된 인공 신경망 모델로부터 벡터 공간 상에서 화자의 음성 신호 또는 음성 샘플과 가장 유사한 음성 데이터의 임베딩 벡터를 화자 임베딩 벡터로 출력할 수 있다. 즉, 학습된 인공 신경망 모델은 스펙트로그램들을 입력 받아 벡터 공간의 특정 포인트에 매칭되는 임베딩 벡터를 생성할 수 있다.

다시 도 3으로 돌아와서, 합성부(300)의 텍스트 인코더는 텍스트를 입력으로 수신하여 텍스트 임베딩 벡터를 생성할 수 있다. 텍스트는 특정 자연 언어로 된 문자들의 시퀀스를 포함할 수 있다. 예를 들어, 문자들의 시퀀스는 알파벳 문자들, 숫자들, 문장 부호들 또는 기타 특수 문자들을 포함할 수 있다.

텍스트 인코더는 입력된 텍스트를 자모 단위, 글자 단위 또는 음소 단위로 분리할 수 있고, 분리된 텍스트를 인공 신경망 모델에 입력할 수 있다. 예를 들어, 텍스트 인코더는 pre-net, CBHG 모듈, DNN, CNN, RNN, LSTM, BRDNN 등 다양한 인공 신경망 모델 중 적어도 하나 또는 둘 이상의 조합에 기반하여 텍스트 임베딩 벡터를 생성할 수 있다.

또는, 텍스트 인코더는 입력된 텍스트를 복수의 짧은 텍스트들로 분리하고, 짧은 텍스트들 각각에 대하여 복수의 텍스트 임베딩 벡터들을 생성할 수도 있다.

합성부(300)의 디코더는 화자 인코더(210)로부터 화자 임베딩 벡터 및 텍스트 임베딩 벡터를 입력으로 수신할 수 있다. 또는, 합성부(300)의 디코더는 화자 인코더(210)로부터 화자 임베딩 벡터를 입력으로 수신하고, 텍스트 인코더로부터 텍스트 임베딩 벡터를 입력으로 수신할 수 있다.

디코더는 화자 임베딩 벡터와 텍스트 임베딩 벡터를 인공 신경망 모델에 입력하여, 입력된 텍스트에 대응되는 스펙트로그램을 생성할 수 있다. 즉, 디코더는 화자의 발화 특징이 반영된 입력 텍스트에 대한 스펙트로그램을 생성할 수 있다. 예를 들면, 스펙트로그램은 멜 스펙트로그램(mel-spectrogram)에 해당할 수 있으나, 이에 제한되는 것은 아니다.

한편, 도 3에는 도시되어 있지 않으나, 합성부(300)는 어텐션 얼라이먼트를 생성하기 위한 어텐션 모듈을 더 포함할 수 있다. 어텐션 모듈은 디코더의 특정 타임 스텝(time-step)의 출력이 인코더의 모든 타임 스텝의 출력 중 어떤 출력과 가장 연관이 있는가를 학습하는 모듈이다. 어텐션 모듈을 이용하여 더 고품질의 스펙트로그램 또는 멜 스펙트로그램을 출력할 수 있다.

다시 도 2로 돌아와서, 음성 합성 시스템(200)의 보코더(230)는 합성기(220)에서 출력된 스펙트로그램을 실제 음성(speech)으로 생성할 수 있다. 상술한 바와 같이 출력된 스펙트로그램은 멜 스펙트로그램일 수 있다.

일 실시예에서, 보코더(230)는 ISFT(Inverse Short-Time Fourier Transform)를 이용하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다. 스펙트로그램 또는 멜 스펙트로그램은 위상 정보를 포함하고 있지 않으므로, ISFT를 이용하여 음성 신호를 생성하는 경우 스펙트로그램 또는 멜 스펙트로그램의 위상 정보는 고려되지 않는다.

다른 실시예에서, 보코더(230)는 그리핀-림 알고리즘(Griffin-Lim algorithm)을 사용하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다. 그리핀-림 알고리즘은 스펙트로그램 또는 멜 스펙트로그램의 크기 정보에서 위상 정보 추정하는 알고리즘이다.

또는, 보코더(230)는 예를 들어 뉴럴 보코더(neural vocoder)에 기초하여 합성기(220)에서 출력된 스펙트로그램을 실제 음성 신호로 생성할 수 있다.

뉴럴 보코더는 스펙트로그램 또는 멜 스펙트로그램을 입력으로 받아 음성 신호를 생성하는 인공 신경망 모델이다. 뉴럴 보코더는 스펙트로그램 또는 멜 스펙트로그램과 음성 신호 사이의 관계를 다량의 데이터를 통해 학습할 수 있고, 이를 통해 고품질의 실제 음성 신호를 생성할 수 있다.

뉴럴 보코더는 WaveNet, Parallel WaveNet, WaveRNN, WaveGlow 또는 MelGAN 등과 같은 인공 신경망 모델에 기반한 보코더에 해당할 수 있으나, 이에 제한되는 것은 아니다.

예를 들어, WaveNet 보코더는 여러 층의 dilated causal convolution layer들로 구성되며, 음성 샘플들 간의 순차적 특징을 이용하는 자기회귀(Autoregressive) 모델이다. WaveRNN 보코더는 WaveNet의 여러 층의 dilated causal convolution layer를 GRU(Gated Recurrent Unit)로 대체한 자기회귀 모델이다. WaveGlow 보코더는 가역성(invertible)을 지닌 변환 함수를 이용하여 스펙트로그램 데이터셋(x)으로부터 가우시안 분포와 같이 단순한 분포가 나오도록 학습할 수 있다. WaveGlow 보코더는 학습이 끝난 후 변환 함수의 역함수를 이용하여 가우시안 분포의 샘플로부터 음성 신호를 출력할 수 있다.

한편, 음성 합성 시스템(200)에 어떤 화자의 음성 샘플이 입력되더라도, 상기 화자의 발화 특징이 반영된 입력 텍스트에 대한 음성을 생성할 수 있는 것이 중요하다. 학습되지 않은 화자의 음성 샘플이 입력되더라도 화자의 음성 샘플과 가장 유사한 음성 데이터의 임베딩 벡터를 화자 임베딩 벡터로 출력하기 위해서, 화자 인코더(210)의 인공 신경망 모델은 다양한 화자들의 음성 데이터로 학습될 필요가 있다.

예를 들어, 화자 인코더(210)의 인공 신경망 모델을 학습시키기 위한 학습 데이터는 화자가 특정 텍스트에 해당하는 녹음 대본에 기초하여 녹음을 수행한 녹음 데이터에 해당할 수 있다. 화자 인코더(210)의 인공 신경망 모델을 학습시키기 위한 녹음 데이터를 생성하는 음성 생성 시스템의 구체적인 동작은 이하 후술한다.

도 5는 음성 학습 데이터를 생성하는 시스템의 동작을 개략적으로 나타내는 도면이다.

도 5를 참조하면, 음성 학습 데이터를 생성하는 시스템(이하 '음성 생성 시스템' 이라 한다)(500)은 대본생성부(510), 녹음부(520), 점수계산부(530) 및 판단부(540)를 포함할 수 있다. 한편, 도 5에 도시된 음성 생성 시스템(500)에는 일 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서 음성 생성 시스템(500)에는 도 5에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다.

도 5의 음성 생성 시스템(500)은 화자의 발화에 의한 음성을 입력으로 수신하여 녹음 데이터(560)를 출력할 수 있다. 예를 들어, 음성 생성 시스템(500)은 녹음 대본을 읽는 화자의 음성을 입력으로 수신하여 녹음 데이터(560)를 출력할 수 있다. 출력된 녹음 데이터(560)는 인공 신경망 모델을 학습시키기 위한 학습 데이터로 사용될 수 있다.

한편, 녹음 대본은 기존에 공지된 자료를 선정하여 사용할 경우 저작권 문제가 발생할 가능성이 있고, 직접 작업하여 사용할 경우 시간적, 비용적 소모가 크다. 따라서 딥러닝 학습을 통해 녹음 대본을 자동적으로 생성할 필요가 있다.

도 5를 참고하면, 대본생성부(510)는 특정 텍스트에 해당하는 녹음 대본을 생성할 수 있다. 예를 들어, 대본생성부(510)는 딥러닝 학습을 통해 텍스트를 자동 생성하는 알고리즘을 통해 녹음 대본을 생성할 수 있다.

대본생성부(510)에서 텍스트를 자동 생성하는 알고리즘은 다대일(many-to-one) 구조의 RNN(Recurrent Neural Nets)을 통해 데이터를 재구성하고 문맥을 반영해서 텍스트를 생성하는 모델일 수 있다. 또는 텍스트를 자동 생성하는 알고리즘은 LSTM(Long short-term memory) 또는 GRU(Gated Recurrent Unit)을 통해 텍스트를 생성하는 모델일 수 있다.

일 실시예에서, 대본생성부(510)는 복수의 문장 샘플들을 수신할 수 있다. 또한, 대본생성부(510)는 수신한 복수의 문장 샘플들에 기초하여 녹음 대본을 생성할 수 있다.

예를 들어, 대본생성부(510)는 '사공이 많으면 배가 산으로 간다', '제철 배가 맛있다' 및 '임신부의 배가 눈에 띄게 불러 왔다'라는 세 개의 문장 샘플들을 수신할 수 있다. 또한, 세 개의 문장 샘플들에 기초하여 녹음 대본을 생성하는 경우 대본생성부(510)는 모델이 문맥을 학습할 수 있도록 데이터를 {X, y} 쌍으로 재구성하여 아래와 같이 11개의 학습 샘플들을 생성할 수 있다. 이 때, y는 레이블에 해당할 수 있다.

{사공이, 많으면}, {사공이 많으면, 배가}, {사공이 많으면 배가, 산으로}, {사공이 많으면 배가 산으로, 간다}, {제철, 배가}, {제철 배가, 맛있다}, {임신부의, 배가}, {임신부의 배가, 눈에}, {임신부의 배가 눈에, 띄게}, {임신부의 배가 눈에 띄게, 불러}, {임신부의 배가 눈에 띄게 불러, 왔다}

일 실시예에서, 대본생성부(510)는 학습 샘플들을 RNN을 사용하여 전결합층(Fully Connected Layer)을 출력층으로 단어 집합 크기만큼의 뉴런을 배치하여 모델을 설계할 수 있다. 이와 같은 모델은 다중 클래스 분류 문제를 수행하는 모델로, 활성화 함수로는 소프트맥스 함수를 사용하고, 손실 함수로는 크로스 엔트로피 함수를 사용하는 것일 수 있다.

대본생성부(510)는 입력된 단어로부터 다음 단어를 예측하여 문장을 생성하는 함수를 통해 녹음 대본을 자동으로 생성할 수 있다. 이 때, 대본생성부(510)는 '간다', '맛있다', 및 '왔다' 다음에 등장하는 단어에 관하여 학습하지 못했으므로 '간다', '맛있다' 또는 '왔다'가 입력된 경우에는 임의 예측을 수행할 수 있다.

대본생성부(510)가 생성한 녹음 대본은 화자에게 전달되거나, 후술할 점수계산부(530)의 입력으로 전송되어 녹음 데이터의 품질을 평가하는 데에 사용될 수 있다.

한편, 화자가 전달받은 녹음 대본에 기초하여 녹음을 수행함에 있어, 기존에는 화자가 직접 녹음 장치에 녹음 시작 전 '녹음'등의 입력을, 녹음 종료 후 '녹음종료'등의 입력을 수행하여 녹음 데이터를 생성하거나, 화자가 녹음 대본의 복수의 문장을 읽고, 복수의 문장에 대한 녹음 데이터를 생성한 뒤 후처리 작업으로 문장 별 편집하여 최종 녹음 데이터를 생성하였다. 전자의 경우 녹음 작업이 번거롭고 후자의 경우 후처리 편집 과정에 시간 소모가 크다는 문제가 있다.

따라서, 화자의 녹음 작업의 불편함을 최소화하고 시간을 단축하기 위하여, 음성 생성 시스템(500)은 화자의 발화 구간을 감지하여 녹음 데이터를 자동 생성할 필요가 있다.

녹음부(520)는 녹음 대본에 기초하여 화자가 녹음을 수행한 음성을 입력으로 수신하여 녹음 데이터를 출력할 수 있다. 또는, 녹음부(520)는 녹음 대본에 기초하여 화자가 녹음을 수행한 음성을 입력으로 수신하여 스펙트로그램을 출력할 수 있다. 도 5에 도시되어 있지 않으나, 녹음부(520)는 음성감지부(미도시) 및/또는 합성부(미도시)를 포함할 수 있다.

예를 들어, 녹음 대본은 '세톱박스를 켜고 다시 말씀해보세요'에 해당할 수 있으며, 화자는 녹음 대본에 해당하는 특정 텍스트를 발화한 녹음 데이터를 생성할 수 있다. 이 때, 녹음 데이터는 녹음 대본과 일치하게 '세톱박스를 켜고 다시 말씀해보세요'를 정확히 발화한 음성 데이터일 수 있으나, 녹음 대본과 일치하지 않는 '세톱박스를 켜거나 말거나 다시 말씀해보세요'를 발화한 음성 데이터에 해당할 수도 있다.

일 실시예에서, 녹음부(520)의 음성감지부(미도시)는 화자가 실제 발화한 구간에 해당하는 발화 구간을 감지할 수 있다. 예를 들어, 음성감지부(미도시)는 화자 음성의 진폭이 기 설정된 기준 이상으로 증가하는 지점을 시작 지점으로 하고, 진폭이 기 설정된 기준 이하로 감소하여 소정의 시간동안 지속되는 지점을 종료 지점으로 하여 이를 발화 구간으로 판단할 수 있다.

구체적으로, 녹음부(520)의 합성부(미도시)는 화자가 실제 발화한 구간 및 무음 구간을 포함하는 원본 음성 데이터에 대응되는 원본 스펙트로그램을 생성할 수 있다. 여기서 합성부(미도시)는 도 2의 합성기(220) 또는 도 3의 합성부(300)와 동일한 기능을 수행하는 것일 수 있다. 따라서 상술한 설명과 중복되는 설명은 생략한다.

이후, 합성부(미도시)는 원본 스펙트로그램이 포함하는 프레임의 평균 에너지를 계산하여 볼륨 그래프를 생성할 수 있다.

합성부(미도시)는 복수의 프레임 중에서 볼륨 값이 기 설정된 제1 임계값 이상으로 증가하는 지점을 발화 시작 지점으로 판단할 수 있다. 또한, 합성부(미도시)는 복수의 프레임 중에서 볼륨 값이 기 설정된 제2 임계값 이하인 구간이 소정의 시간동안 지속되는 경우 해당 구간을 무음 구간으로 판단하고, 무음 구간의 시작 지점을 발화 종료 지점으로 판단할 수 있다. 또한, 합성부(미도시)는 발화 시작 지점 및 발화 종료 지점 사이의 구간을 발화 구간으로 판단할 수 있다.

녹음부(520)는 합성부(미도시) 및 음성감지부(미도시)로부터 감지된 발화 구간만을 자동으로 저장하여 녹음 데이터를 생성할 수 있다. 녹음부(520)가 생성한 녹음 데이터는 오디오 파일 형식, 예를 들어 AAC, AIFF, DSD, FLAC, MP3, MQA, OGG, WAV, WMA Lossless 등의 오디오 파일 형식으로 저장되는 것일 수 있다.

이후, 녹음부(520)는 생성된 녹음 데이터(560)를 출력할 수 있다. 또는, 녹음부(520)는 합성부(미도시)로부터 출력된 원본 스펙트로그램을 점수계산부(530) 및/또는 판단부(540)로 전달할 수 있다.

녹음부(520)로부터 생성된 녹음 데이터(560)는 인공 신경망 모델을 학습시키기 위한 학습 데이터이므로, 녹음 데이터(560)의 품질을 평가할 필요성이 있다. 예를 들어, 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부와 관련하여 녹음 데이터의 품질이 평가될 수 있다. 후술할 점수계산부를 이용하여 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 평가할 수 있다.

도 6은 점수계산부를 이용하여 녹음의 품질을 평가하는 일 실시예를 나타내는 도면이다.

점수계산부(600)는 화자 인코더(610) 및 합성부(620)를 포함할 수 있다.

도 6의 점수계산부(600)는 도 1의 음성 합성 시스템(100) 또는 도 2의 음성 합성 시스템(200)과 동일할 수 있다. 또는 점수계산부(600)은 도 5의 점수계산부(530)와 동일할 수 있다. 도 6의 화자 인코더(610)는 도 2의 화자 인코더(210)와 동일한 기능을 수행하는 것일 수 있고, 도 6의 합성부(620)는 도 2의 합성기(220) 또는 도 3의 합성부(300)와 동일한 기능을 수행하는 것일 수 있다.

도 6을 참고하면, 점수계산부(600)는 대본생성부(510)가 생성한 녹음 대본 및 녹음부(520)가 생성한 녹음 데이터에 기초하여 녹음 데이터에 대응하는 스코어를 연산할 수 있다.

일 실시예에서, 점수계산부(600)는 녹음 데이터를 수신할 수 있다. 또한, 점수계산부(600)는 녹음 데이터에 기초하여 제1 스펙트로그램들 및 화자 임베딩 벡터를 생성할 수 있다. 점수계산부(600)는 화자 임베딩 벡터 및 제1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 제2 스펙트로그램들을 생성하고, 제2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산할 수 있다. 최종적으로, 점수계산부(600)는 스코어에 기초하여 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 녹음 데이터의 품질을 평가할 수 있다.

도 6을 참고하면, 점수계산부(600)의 화자 인코더(610)는 녹음 데이터를 수신할 수 있다. 화자 인코더(610)는 녹음 데이터에 STFT를 수행하여 제1 스펙트로그램들을 생성할 수 있다.

화자 인코더(610)는 학습된 인공 신경망 모델에 제1 스펙트로그램들을 입력받아 녹음 데이터와 가장 유사한 음성 데이터의 임베딩 벡터에 가까운 수치의 화자 임베딩 벡터를 출력할 수 있다.

점수계산부(600)의 합성부(620)는 녹음 대본에 해당하는 텍스트를 수신할 수 있다. 예를 들어, 합성부(620)는 대본생성부로부터 '세톱박스를 켜고 다시 말씀해보세요'라는 텍스트를 수신할 수 있다. 또한, 합성부(620)는 화자 인코더(610)로부터 제1 스펙트로그램들 및 화자 임베딩 벡터를 수신할 수 있다. 합성부(620)는 제1 스펙트로그램들 및 화자 임베딩 벡터에 수신한 텍스트에 대응하는 제2 스펙트로그램들을 생성할 수 있다. 최종적으로, 합성부(620)는 제2 스펙트로그램들에 대응하는 어텐션 얼라인먼트를 생성할 수 있으며, 어텐션 얼라인먼트의 스코어를 연산하여 화자가 녹음 대본과 일치하게 녹음을 수행하였는지를 평가할 수 있다.

도 7은 합성부가 제1 스펙트로그램들에 기초하여 제2 스펙트로그램들을 생성하는 일 실시예를 나타내는 도면이다.

구체적으로, 도 7은 합성부(620)에 포함된 디코더가 제1 스펙트로그램들에 기초하여 제2 스펙트로그램들을 성하는 일 실시예를 나타낸다.

일 실시예에 따르면, 합성부(620)는 화자 인코더(610)로부터 생성된 제1 스펙트로그램들을 제2 스펙트로그램들을 생성하는 합성부(620)에 포함된 디코더(decoder)의 각 타임 스텝에 입력할 수 있다. 합성부(620)는 제1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 각 음소들을 추론한 결과 제2 스펙트로그램들을 생성할 수 있다.

예를 들어, 합성부(620)의 디코더가 입력된 녹음 대본에 대응하는 각 음소들을 추론하는 과정에서, 각 타임 스텝에 대응하는 제1 스펙트로그램이 타겟 스펙트로그램 또는 정답 스펙트로그램으로 입력될 수 있다. 즉, 합성부(620)는 t-1 번째의 디코더 셀이 예측한 값을 t번째 디코더 셀의 입력으로 넣어주는 방식이 아니라, 각 디코더 스텝마다 타겟 스펙트로그램 또는 정답 스펙트로그램을 입력하는 teacher-forcing 방식으로 입력된 녹음 대본에 대응하는 각 음소들을 추론할 수 있다.

이와 같이, teacher-forcing 방식을 활용하는 경우에는 t-1 번째의 디코더 셀에서 잘못된 결과를 예측했더라도, 타겟 스펙트로그램 또는 정답 스펙트로그램이 존재하므로 t번째 디코더 셀에서 정확한 예측이 가능할 수 있다.

도 8a 및 도 8b는 제2 스펙트로그램들에 대응하는 어텐션 얼라인먼트의 품질을 설명하기 위한 도면이다. 도 8a 및 도 8b에는 점수계산부(600)의 합성부(620)가 제2 스펙트로그램들에 대응하여 생성한 어텐션 얼라인먼트가 예시적으로 도시되어 있다.

예를 들어, 어텐션 얼라인먼트는 2차원 좌표상에 표시될 수 있으며, 2차원 좌표의 가로 축은 합성부(620)에 포함된 디코더의 타임 스텝(decoder timestep)들, 세로 축은 합성부(620)에 포함된 인코더의 타임 스텝(encoder timestep)을 의미한다. 즉, 어텐션 얼라인먼트가 표현되는 2차원 좌표는, 합성부(620)가 스펙트로그램을 생성할 때 어떤 부분에 집중해야 하는지를 의미한다.

디코더 타임 스텝은 합성부(620)가 녹음 대본에 해당하는 음소들 각각을 발화하기 위하여 투자한 시간을 의미한다. 디코더 타임 스텝은 단일 홉 사이즈에 대응하는 시간 간격으로 배열되어 있고, 단일 홉 사이즈는 예를 들어 1/80초에 해당할 수 있으나 이에 제한되는 것은 아니다.

인코더 타임 스텝은 녹음 대본에 포함된 음소들에 대응한다. 예를 들어, 입력 텍스트가 '세톱박스를 켜고 다시 말씀해보세요'인 경우, 인코더 타임 스텝은 'ㅅ', 'ㅔ', 'ㅌ', 'ㅗ', 'ㅂ', 'ㅂ', 'ㅏ', 'ㄱ', 'ㅅ', 'ㅡ', 'ㄹ', 'ㅡ', 'ㄹ', ' ', 'ㅋ', 'ㅕ'??(이하 중략)으로 구성될 수 있다.

또한, 어텐션 얼라인먼트를 구성하는 포인트들 각각은 특정 컬러로 표현되어 있다. 여기에서, 컬러는 그에 대응하는 특정 값으로 매칭될 수 있다. 예를 들어, 어텐션 얼라인먼트를 구성하는 컬러들 각각은 확률 분포를 나타내는 값으로서, 0 ~ 1 사이의 값일 수 있다.

예를 들어, 어텐션 얼라인먼트를 나타내는 선이 진하고 노이즈가 적다면, 합성부(620)가 스펙트로그램을 생성하는 매 순간에서 자신감 있게 추론을 수행한 것으로 해석될 수 있다. 즉, 상술한 예의 경우, 합성부(620)가 고품질의 멜 스펙트로그램을 생성했다고 판단될 수 있다. 따라서, 어텐션 얼라인먼트의 품질(예를 들어, 어텐션 얼라인먼트의 색이 진한 정도, 어텐션 얼라인먼트의 윤곽이 명확한 정도 등)은 합성부(620)의 추론 품질을 추측하는데 있어서, 매우 중요한 지표로 활용될 수 있다.

도 8a를 참고하면, 어텐션 얼라인먼트(800)는 선이 진하고 노이즈가 적으므로, 합성부(620)가 스펙트로그램을 생성하는 매 순간에서 자신감 있게 추론을 수행했다고 해석될 수 있다. 예를 들어, 도 8a의 어텐션 얼라인먼트 (800)는 화자가 '세톱박스를 켜고 다시 말씀해보세요'라는 녹음 대본에 기초하여 녹음 대본과 일치하게 '세톱박스를 켜고 다시 말씀해보세요'를 비교적 정확히 발화한 녹음 데이터가 입력된 경우에, '세톱박스를 켜고 다시 말씀해보세요'라는 녹음 대본으로부터 생성된 어텐션 얼라인먼트에 해당할 수 있다.

반면, 도 8b를 참고하면, 어텐션 얼라인먼트(810)는 중간 부분에서 선이 명확하지 않으며, 중간 부분(820)에 명확하지 않은 부분이 포함되어 있는바, 멜 스펙트로그램의 품질이 매우 높지 않은 것으로 해석될 수 있다. 예를 들어, 도 8a의 어텐션 얼라인먼트(800)는 화자가 '세톱박스를 켜고 다시 말씀해보세요'라는 녹음 대본에 기초하여 녹음 대본과 일치하지 않게 '세톱박스를 켜거나 말거나 다시 말씀해보세요'를 발화한 녹음 데이터가 입력된 경우에, '세톱박스를 켜고 다시 말씀해보세요'라는 녹음 대본으로부터 생성된 어텐션 얼라인먼트에 해당할 수 있다.

즉, '세톱박스를 켜'까지는 녹음 데이터와 입력된 텍스트 간의 공통 텍스트이기 때문에 얼라인먼트가 잘 그려 지나, 그 이후에 녹음 데이터와 입력된 녹음 대본 간 서로 일치하지 않는'거나 말거나'부분은 얼라인먼트가 잘 그려지지 않을 수 있다. 이는, '켜'다음에는'고'에 해당되는 스펙트로그램이 디코더 셀에 입력되어야 하나, '거'를 발음한 스펙트로그램이 입력됨에 따라 합성부(620)가 잘못된 부분에 집중하기 때문이다.

상술한 바와 같이, 화자가 녹음 대본과 일치하지 않게 녹음을 수행한 녹음 데이터가 입력되는 경우에는, 출력되는 어텐션 얼라인먼트의 품질이 좋지 않을 수 있다. 어텐션 얼라인먼트의 품질은 어텐션 얼라인먼트에 스코어에 기초하여 평가될 수 있다. 어텐션 얼라인먼트의 품질이 좋지 않다고 판단되는 경우에는 녹음 대본과 일치하지 않게 녹음이 수행되었다고 판단할 수 있다.

예를 들어, 어텐션 얼라인먼트의 품질을 평가하기 위해 점수계산부(600)는 어텐션 얼라인먼트의 인코더 스코어 (encoder score), 디코더 스코어(decoder score), 집중 스코어(concentration score) 또는 스텝 스코어(step score)를 연산할 수 있다.

점수계산부(600)는 인코더 스코어, 디코더 스코어, 집중 스코어 및 스텝 스코어 중 어느 하나의 스코어를 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어로 출력할 수 있다.

또는 점수계산부(600)는 인코더 스코어, 디코더 스코어, 집중 스코어 및 스텝 스코어 중 적어도 하나의 스코어를 조합한 값을 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어로 출력할 수 있다.

도 9는 점수계산부가 인코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.

도 9를 참고하면, 어텐션 얼라인먼트에서 디코더 타임 스텝 '50'에 대응하는 값들(910)이 표시되어 있다. 어텐션 얼라인먼트는 각각의 소프트맥스(softmax) 결과 값을 기록하여 트랜스포즈(transpose)하였기 때문에, 디코더 타임 스텝을 구성하는 단일 스텝에 해당하는 값들을 모두 더하면 1이다. 즉, 도 9의 값들(910)을 모두 더하면 1 이 된다.

한편, 도 9의 값들(910) 중 상위 a 개의 값들(920)을 참조하면, 점수계산부(600)의 합성부(620)가 디코더 타임 스텝의 '50'에 대응하는 시점에 어느 음소에 집중하여 스펙트로그램을 생성하고 있는지를 판단할 수 있다. 따라서, 점수계산부(600)는 디코더 타임 스텝을 구성하는 각각의 스텝들에 대하여 인코더 스코어를 연산함으로써, 스펙트로그램이 입력된 텍스트를 적절하게 표현하였는지 여부(즉, 스펙트로그램의 품질)를 확인할 수 있다.

예를 들어, 점수계산부(600)는 아래의 수학식 1에 기초하여 디코더 타임 스텝을 기준으로 s 번째 스텝에서의 인코더 스코어를 연산할 수 있다.

수학식 1에서,

는 어텐션 얼라인먼트에서 디코더 타임 스텝을 기준으로 s 번째 스텝의 i번째 상위 값을 나타낸다(s 및 i는 1 이상의 자연수).

즉, 점수계산부(600)는 디코더 타입 스텝의 제s 스텝에서의 값들 중에서 n 개의 값들을 추출한다(n은 2 이상의 자연 수). 여기에서, n개의 값들은 제 s 스텝에서의 상위 n개의 값들을 의미할 수 있다.

그리고, 점수계산부(600)는 추출된 n 개의 값들을 이용하여 제 s 스텝에서의 제 s 스코어(

)를 연산한다. 예를 들어, 점수계산부(600)는 추출된 n 개의 값들을 더하여 제 s 스코어(

)를 연산할 수 있다.

최종 인코더 스코어(

)는 어텐션 얼라인먼트의 모든 디코더 타임 스텝 각각에 대하여 연산한 인코더 스코어들에 기초하여 하기 수학식 2와 같이 연산될 수 있다.

상기 수학식 2에서,

은 스펙트로그램의 x축 길이(frame length)에 당하고, s는 디코더 타임 스텝의 인덱스에 해당한다. 수학식 2를 구성하는 다른 변수들은 수학식 1에서 설명한 바와 동일하다.

도 10은 점수계산부가 디코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.

도 10을 참고하면, 어텐션 얼라인먼트에서 인코더 타임 스텝 '40'에 대응하는 값들(1010)이 표시되어 있다. 또한, 값들(1010) 중에서 상위 b개의 값들(1020)이 표시되어 있다.

도 9를 참고하여 상술한 바와 같이, 인코더 스코어는 디코더 타임 스텝을 구성하는 각각의 스텝에서의 값들로 연산된다. 반면에, 디코더 스코어는 인코더 타임 스텝을 구성하는 각각의 스텝에서의 값들로 연산된다. 인코더 스코어와 디코더 스코어의 목적은 서로 다르다. 구체적으로, 인코더 스코어는 어텐션 모듈이 매시간마다 집중해야 할 음소를 잘 결정하였는가를 판단하는 지표이다. 반면에, 디코더 스코어는 어텐션 모듈이 입력 텍스트를 구성하는 특정 음소에 대해서 시간 할당을 누락하지 않고 잘 집중하였는가를 판단하는 지표이다.

예를 들어, 점수계산부(600)는 아래의 수학식 3에 기초하여 인코더 타임 스텝을 기준으로 s 번째 스텝에서의 디코더 스코어를 연산할 수 있다.

상기 수학식 3에서,

는 어텐션 얼라인먼트에서 인코더 타임 스텝을 기준으로 s번째 스텝의 i번째 상위 값을 나타낸다(s 및 i는 1 이상의 자연수).

즉, 점수계산부(600)는 인코더 타입 스텝의 제 s 스텝에서의 값들 중에서 m 개의 값들을 추출한다(m은 2 이상의 자연수). 여기에서, m 개의 값들은 제s 스텝에서의 상위 m개의 값들을 의미할 수 있다.

그리고, 점수계산부(600)는 추출된 m 개의 값들을 이용하여 제 s 스텝에서의 제 s 스코어(

)를 연산한다. 예를 들어, 점수계산부(600)는 추출된 m 개의 값들을 더하여 제 s 스코어(

)를 연산할 수 있다.

최종 디코더 스코어(

)는 어텐션 얼라인먼트의 모든 인코더 타임 스텝 각각에 대하여 연산한 디코더 스코어들에 기초하여 하기 수학식 4와 같이 연산될 수 있다.

상기 수학식 4에서,

는 집합 x를 구성하는 값들 중에서 y번째로 작은 값(즉, 하위 y번째 값)을 의미하고,

은 인코더 타임 스텝을 의미한다.

은 디코더 스코어의 길이를 의미하며, 하위

번째의 값까지 모두 더한 값이 된다.

도 11은 점수계산부가 집중 스코어(concentration score)를 연산하는 일 실시예를 설명하기 위한 도면이다.

일 실시예에 따르면, 점수계산부(600)는 디코더의 타임 스텝들 중 제1 타임 스텝에 대응하는 값들 중에서 첫번째로 큰 제1 값 및 두번째로 큰 제2 값을 도출할 수 있다. 점수계산부(600)는 제1 값에 대응하는 인코더 타임 스텝을 나타내는 제1 인덱스 값 및 제2 값에 대응하는 인코더 타임 스텝을 나타내는 제2 인덱스 값의 차이 값을 이용하여 집중 스코어를 연산할 수 있다.

어텐션 얼라인먼트의 품질을 판단할 때, 합성부(620)가 어느 음소에 잘못 집중하는 경우, 다시 정확한 음소에 집중하기 위해 되돌아갈 때 잘못 집중한 부분과 되돌아간 부분의 차이가 생길 수 있다. 이에 따라, 어텐션 얼라 인먼트에서 특정 디코더 타임 스텝에 대응하는 값들 중 첫번째로 큰 값에 대응하는 인코더 타임 스텝을 나타내는 인덱스와 두번째로 큰 값에 대응하는 인코더 타임 스텝을 나타내는 인덱스 간의 차이가 클수록 화자가 녹음 대본에 해당하는 텍스트와 일치하지 않게 녹음을 수행하였을 가능성이 크다.

예를 들어, 점수계산부(600)는 아래의 수학식 5에 기초하여 디코더 타임 스텝을 기준으로 s 번째 스텝에서의 집중 스코어를 연산할 수 있다.

상기 수학식 5에서 s는 디코더 타임 스텝의 인덱스에 해당하고,

는 디코더 타임 스텝을 기준으로 s 번째 스텝에 해당하는 값들 중 첫번째로 큰 제1 값에 대응하는 인코더 타임 스텝을 나타내는 제1 인덱스 값과 두번째로 큰 제2 값에 대응하는 인코더 타임 스텝을 나타내는 제2 인덱스 값의 차이값에 해당할 수 있다. 예를 들어, 제1 인덱스와 제2 인덱스의 차이가 1이면, 집중 스코어의 값은 0이 된다. 그러나, 제1 인덱스와 제2 인덱스의 차이가 2 이상이면 집중 스코어의 값은 음의 값을 가지게 된다. 따라서, 집중 스코어의 값이 클수록 화자가 녹음 대본에 해당하는 텍스트와 일치하게 녹음을 수행하였다고 볼 수 있다.

예를 들어 도 11을 참고하면, 디코더 타임 스텝의 '50'에 대응하는 값들(1110)이 표시되어 있다. 디코더 타임 스텝의 '50'에 대응하는 값들(1110) 중 첫번째로 큰 값에 대응하는 인코더 타임 스텝의 인덱스는 4이고, 두번째로 큰 값에 대응하는 인코더 타임 스텝의 인덱스는 5이다. 따라서, 디코더 타임 스텝의 '50'에서의 집중 스코어는 0이다. 반면, 디코더 타임 스텝의 '110'에 대응하는 값들(1120) 중 첫번째로 큰 값에 대응하는 인코더 타임 스텝의 인덱스는 0이고, 두번째로 큰 값에 대응하는 인코더 타임 스텝의 인덱스는 6이다. 따라서, 디코더 타임 스텝의 '110'에서의 집중 스코어는 -25이다. 디코더 타임 스텝의 '50'에서와 달리, 디코더 타임 스텝의 '110'에서의 어텐션 얼라인먼트는 명확하지 않은 부분이 포함되어 있음을 알 수 있다.

최종 집중 스코어(

)는 어텐션 얼라인먼트의 모든 디코더 타임 스텝 각각에 대하여 연산한 집중 스코어들에 기초하여 하기 수학식 6과 같이 연산될 수 있다.

상기 수학식 6에서,

은 스펙트로그램의 x축 길이(frame length)에 당하고, 수학식 6을 구성하는 다른 변수들은 수학식 5에서 설명한 바와 동일하다.

도 12는 점수계산부가 스텝 스코어(step score)를 연산하는 일 실시예를 설명하기 위한 도면이다.

일 실시예에 따르면, 점수계산부(600)는 디코더 타임 스텝들 중 제1 타임 스텝에 대응하는 값들 중에서 제1 최대 값을 도출하고, 제1 타임 스텝의 다음 스텝에 해당하는 제2 타임 스텝에 대응하는 값들 중에서 제2 최대값을 도출할 수 있다. 점수계산부(600)는 제1 최대값에 대응하는 인코더 타임 스텝을 나타내는 제1 인덱스 값 및 제2 최대값에 대응하는 인코더 타임 스텝을 나타내는 제2 인덱스 값을 비교할 수 있다. 제1 인덱스 값이 제2 인덱스 값보다 큰 경우, 점수계산부(600)는 제1 인덱스 값과 상기 제2 인덱스 값의 차이값에 기초하여 스텝 스코어를 연산할 수 있다.

예를 들어, 합성부(620)가 특정 스펙트로그램을 정답이 아닌 다른 음소로 착각하더라도, teacher-forcing 방식에 의해 정답 스펙트로그램이 입력되므로 합성부(620)는 정답인 음소로 다시 집중할 수 있다. 이러한 경우, 어텐션 얼라인먼트에서 특정 디코더 타임 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스 값이, 특정 디코더 타임 스텝의 다음 타임 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스 값보다 커지는 역주행의 모습을 보일 수 있다.

이에 따라, 어텐션 얼라인먼트에서 특정 디코더 타임 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스와 특정 디코더 타임 스텝의 다음 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스 간의 차이가 클수록 화자가 녹음 대본에 해당하는 텍스트와 일치하지 않게 녹음을 수행하였을 가능성이 크다.

예를 들어, 점수계산부(600)는 아래의 수학식 7에 기초하여 디코더 타임 스텝을 기준으로 s 번째 스텝에서의 스텝 스코어를 연산할 수 있다.

상기 수학식 7에서 s는 디코더 타임 스텝의 인덱스에 해당하고,

는 디코더 타임 스텝을 기준으로 s-1 번째 스텝에 해당하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 제1 인덱스 값과 s 번째 스텝에 해당하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 제2 인덱스 값을 비교한 결과, 제1 인덱스 값이 제2 인덱스 값보다 큰 경우 제1 인덱스 값과 제2 인덱스 값의 차이값에 해당할 수 있다. 제1 인덱스 값이 제2 인덱스 값 이하인 경우에는,

는 0에 해당할 수 있다. 따라서, 스텝 스코어의 값이 클수록 화자가 녹음 대본과 일치하게 녹음을 수행하였다고 볼 수 있다.

예를 들어 도 12를 참고하면, 어텐션 얼라인먼트에서 디코더 타임 스텝들 각각에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스들(1210)이 표시되어 있다. 디코더 타임 스텝의 인덱스가 증가할수록 최대값에 대응하는 인코더 타임 스텝의 인덱스의 값도 대체적으로 증가한다. 그러나, 특정 디코더 타임 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스 값이 다음 타임 스텝에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝의 인덱스 값보다 커지는 역주행 구간(1220)이 존재함을 알 수 있다. 역주행 구간(1220)이 아닌 구간에서는 스텝 스코어의 값이 0이지만, 역주행 구간(1220)에서 스텝 스코어의 값은 음의 값을 가지게 된다.

최종 스텝 스코어(

)는 어텐션 얼라인먼트의 모든 디코더 타임 스텝 각각에 대하여 연산한 스텝 스코어들에 기초하여 하기 수학식 8과 같이 연산될 수 있다.

상기 수학식 8에서,

은 스펙트로그램의 x축 길이(frame length)에 당하고, 수학식 8을 구성하는 다른 변수들은 수학식 7에서 설명한 바와 동일하다.

정리하면, 점수계산부(600)는 도 9 내지 도 12에서 상술한 인코더 스코어, 디코더 스코어, 집중 스코어 및 스텝 스코어 중 어느 하나의 스코어를 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어로 출력할 수 있다.

또는, 점수계산부(600)는 도 9 내지 도 12에서 상술한 인코더 스코어, 디코더 스코어, 집중 스코어 및 스텝 스코어 중 적어도 하나의 스코어를 조합한 값을 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어로 출력할 수 있다. 예를 들어, 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어인

는 하기 수학식 9와 같이 연산될 수 있다.

수학식 9에서, 인코더 스코어(

)는 상술한 수학식 2에 따라 연산될 수 있고, 디코더 스코어(

)는 상술한 수학식 4에 따라 연산될 수 있다. 또한, 집중 스코어(

)는 상술한 수학식 6에 따라 연산될 수 있고, 스텝 스코어(

)는 상술한 수학식 8에 따라 연산될 수 있다. 또한,

및

은 각각 임의의 양의 실수에 해당할 수 있다.

다시 도 5로 돌아와서, 점수계산부(530)는 합성부(미도시)가 출력한 스코어를 기 설정된 값(임계값)과 비교할 수 있다. 또는, 점수계산부(530)는 합성부(미도시)가 출력한 스코어를 음성 생성 시스템(500)의 결과값(550)으로 출력할 수 있다.

또한, 점수계산부(530)는 비교 결과 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 녹음 데이터의 품질을 평가할 수 있다. 예를 들어, 스코어가 임계값보다 작은 경우에는 화자가 녹음 대본에 해당하는 텍스트와 일치하지 않게 녹음을 수행하였다고 평가할 수 있다.

마찬가지로, 점수계산부(530)는 최종 스코어를 기 설정된 값(임계값)과 비교하여, 최종 스코어가 임계값보다 작은 경우에는 화자가 녹음 대본과 일치하지 않게 녹음을 수행하였다고 평가할 수 있다.

녹음부(520)는 점수계산부(530)가 출력한 스코어를 입력으로 수신하여, 녹음 데이터를 재생성 할지 여부를 결정할 수 있다. 구체적으로, 녹음부(520)는 녹음 데이터의 품질이 소정의 기준을 만족하는지 여부에 기초하여, 녹음 데이터를 재생성 할지 여부를 결정할 수 있다.

예를 들어, 상술한 바와 같이 녹음부(520)는 합성부(미도시) 및 음성감지부(미도시)로부터 감지된 발화 구간만을 자동으로 저장하여 녹음 데이터를 생성할 수 있다. 이 때, 생성한 녹음 데이터의 품질이 소정의 기준을 만족하지 않는 경우 녹음 데이터를 재생성 하는 것으로 결정하여, 해당 발화 구간에 해당하는 녹음 데이터를 저장하지 않고 동일한 녹음 대본에 기초한 화자의 음성을 다시 입력으로 수신할 수 있다. 반대로, 생성한 녹음 데이터의 품질이 소정의 기준을 만족하는 경우 녹음 데이터를 재생성하지 않는 것으로 결정하여, 발화 구간에 해당하는 녹음 데이터를 그대로 저장하여 출력할 수 있다.

이와 같이, 점수계산부(530)가 녹음 데이터의 품질을 평가한 결과를 녹음부(520)로 전달하여 녹음 데이터를 재생성 할지 여부를 결정함에 따라, 화자가 녹음을 잘 수행하였는지 직접 듣고 판단하지 않더라도 음성 생성 시스템(500)이 재녹음 여부를 결정하게 되어 녹음 작업의 편리성을 극대화할 수 있다.

음성 생성 시스템(500)은 녹음 대본에 기초한 화자의 음성을 입력으로 수신하여 녹음 데이터에 대응하는 레이블링 결과값(550)을 출력할 수 있다. 또는, 판단부(540)는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 입력으로 수신하여 녹음 데이터에 대한 레이블링 결과값(550)을 출력할 수 있다.

녹음 데이터는 인공 신경망 모델을 학습시키기 위한 학습 데이터이므로, 레이블링 결과값에 해당하는 각 레이블은 음성에 담긴 감정, 사투리 등에 관한 연구를 진행할 때 유용할 수 있다.

판단부(540)는 감정판단부(541) 및 지역판단부(542)를 포함할 수 있다.

감정판단부(541)는 녹음 데이터를 입력으로 수신하여 복수의 감정 중 어느 하나를 판단하여 감정 레이블링 결과값(550)을 출력할 수 있다. 예를 들어, 복수의 감정은 중립(normal), 기쁨(happy), 슬픔(sad), 분노(angry), 놀람(surprise), 혐오(disgust), 공포(fear) 등을 포함할 수 있다.

지역판단부(542)는 녹음 데이터를 입력으로 수신하여 복수의 지역 중 어느 하나를 판단하여 지역 레이블링 결과값(550)을 출력할 수 있다. 즉, 지역판단부(542)는 녹음 데이터가 특정 지역의 사투리를 사용한 것으로 판단하고 해당 지역을 레이블링 결과값으로 출력할 수 있다. 예를 들어, 복수의 지역은 서울, 경상도, 충청도, 강원도, 전라도, 제주도, 북한 등을 포함할 수 있다.

일 실시예에서, 판단부(540)는 딥러닝 학습을 통해 감정 또는 지역을 판단할 수 있다. 예를 들어, 판단부(540)는 DNN, CNN, LSTM, RNN, CRNN(Convolutional Repeative Neural Network) 등의 모델 또는 둘 이상의 조합을 통해 감정 또는 지역을 판단할 수 있다.

판단부(540)의 합성부(미도시)는 녹음 데이터를 입력으로 수신하여 녹음 데이터에 대응하는 스펙트로그램, 구체적으로는 멜 스펙트로그램을 생성할 수 있다.

일 실시예에서, 스펙트로그램은 일정 프레임 구간마다 감정의 포화도가 균일하지 않은 특징을 가지고 있으므로, 감정판단부(541)는 일정 프레임 구간 단위로 감정을 판단하기 위하여 LSTM 및 어텐션 메커니즘을 이용하여 감정을 레이블링 할 수 있다. 예를 들어, 감정판단부(541)는 어텐션 메커니즘에 의해 각 프레임의 감정의 기여도에 대한 가중치를 계산할 수 있다. 구체적으로, 감정판단부(541)는 LSTM의 출력값들을 어텐션을 사용하여 통과시키고, 이 값들을 가중치를 가진 DNN 및 소프트맥스를 통과시켜 녹음 데이터의 감정의 분포를 구하고 감정을 예측할 수 있다. 이에 따라, 감정판단부(541)는 감정을 판단하여 레이블링 할 수 있다.

일 실시예에서, 지역판단부(542)는 스펙트로그램으로부터 분석용 데이터를 생성하여 특징값을 벡터화할 수 있다. 또한, 지역판단부(542)는 딥러닝을 포함한 인공지능 알고리즘을 적용하여 특징값을 벡터화한 특징 벡터로부터 상태확률을 계산하고, 학습된 억양, 단어, 발화 속도, 음높이 등을 통해 지역을 판단하여 레이블링 할 수 있다.

상술한 실시예들에서 감정판단부(541)가 녹음 데이터의 감정을 판단하는 과정 및 지역판단부(542)가 녹음 데이터의 지역을 판단하는 과정은 녹음 데이터의 다양한 레이블링 과정에 적용될 수 있으며, 이에 제한되지 않는다.

도 13은 음성 학습 데이터를 생성하는 방법의 일 실시예를 도시한 흐름도이다.

도 13을 참조하면, 단계 1310에서 시스템은 특정 텍스트에 해당하는 녹음 대본을 생성할 수 있다.

일 실시예에서, 시스템은 복수의 문장 샘플들을 수신할 수 있다. 또한, 시스템은 복수의 문장 샘플들에 기초하여 녹음 대본을 생성할 수 있다.

단계 1320에서, 시스템은 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 생성할 수 있다.

일 실시예에서, 시스템은 화자가 실제 발화한 구간에 해당하는 발화 구간을 감지할 수 있다. 또한, 시스템은 발화 구간을 이용하여 녹음 데이터를 생성할 수 있다.

일 실시예에서, 시스템은 녹음 대본 및 녹음 데이터에 기초하여 녹음 데이터에 대응하는 스코어를 연산할 수 있다. 또한, 시스템은 스코어를 기 설정된 값과 비교할 수 있다. 또한, 시스템은 비교 결과 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 녹음 데이터의 품질을 평가할 수 있다.

일 실시예에서, 시스템은 녹음 데이터의 품질이 소정의 기준을 만족하는지 여부에 기초하여, 녹음 데이터를 재생성 할지 여부를 결정할 수 있다.

단계 1330에서, 시스템은 녹음 데이터를 레이블링 할 수 있다.

일 실시예에서, 시스템은 녹음 데이터의 감정 레이블링 및 지역 레이블링 중 하나 이상의 레이블링을 수행할 수 있다.

본 개시의 다양한 실시예들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예:　프로그램))로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

전술한 본 명세서의 설명은 예시를 위한 것이며, 본 명세서의 내용이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 실시예의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.

Claims (13)

1. 음성 생성 방법에 있어서,
   특정 텍스트에 해당하는 녹음 대본을 생성하는 단계;
   상기 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 생성하는 단계; 및
   상기 녹음 데이터를 레이블링 하는 단계;를 포함하는, 방법.
2. 제 1 항에 있어서,
   상기 녹음 대본을 생성하는 단계는,
   복수의 문장 샘플들을 수신하는 단계; 및
   상기 복수의 문장 샘플들에 기초하여 상기 녹음 대본을 생성하는 단계;를 포함하는, 방법.
3. 제 1 항에 있어서,
   상기 녹음 데이터를 생성하는 단계는,
   상기 화자가 실제 발화한 구간에 해당하는 발화 구간을 감지하는 단계; 및
   상기 발화 구간을 이용하여 상기 녹음 데이터를 생성하는 단계;를 포함하는, 방법.
4. 제 1 항에 있어서,
   상기 방법은,
   상기 녹음 대본 및 상기 녹음 데이터에 기초하여 상기 녹음 데이터에 대응하는 스코어를 연산하는 단계;
   상기 스코어를 기 설정된 값과 비교하는 단계; 및
   상기 비교 결과 상기 화자가 상기 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 상기 녹음 데이터의 품질을 평가하는 단계;를 더 포함하는, 방법.
5. 제 4 항에 있어서,
   상기 방법은,
   상기 녹음 데이터의 품질이 소정의 기준을 만족하는지 여부에 기초하여, 상기 녹음 데이터를 재생성 할지 여부를 결정하는 단계;를 더 포함하는, 방법.
6. 제 1 항에 있어서,
   상기 레이블링 하는 단계는,
   상기 녹음 데이터의 감정 레이블링 및 지역 레이블링 중 하나 이상의 레이블링을 수행하는 단계;를 더 포함하는, 방법.
7. 제 1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
8. 적어도 하나의 메모리;
   상기 메모리에 저장된 적어도 하나의 프로그램에 의하여 동작하는 적어도 하나의 프로세서;를 포함하고,
   상기 적어도 하나의 프로세서는,
   특정 텍스트에 해당하는 녹음 대본을 생성하고,
   상기 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 생성하고,
   상기 녹음 데이터를 레이블링 하는, 시스템.
9. 제 8 항에 있어서,
   상기 녹음 대본을 생성하는 것은,
   복수의 문장 샘플들을 수신하고,
   상기 복수의 문장 샘플들에 기초하여 상기 녹음 대본을 생성하는 것인, 시스템.
10. 제 8 항에 있어서,
    상기 녹음 데이터를 생성하는 것은,
    상기 화자가 실제 발화한 구간에 해당하는 발화 구간을 감지하고,
    상기 발화 구간을 이용하여 상기 녹음 데이터를 생성하는 것인, 시스템.
11. 제 8 항에 있어서,
    상기 녹음 대본 및 상기 녹음 데이터에 기초하여 상기 녹음 데이터에 대응하는 스코어를 연산하고,
    상기 스코어를 기 설정된 값과 비교하고,
    상기 비교 결과 상기 화자가 상기 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 상기 녹음 데이터의 품질을 평가하는 것인, 시스템.
12. 제 11 항에 있어서,
    상기 녹음 데이터의 품질이 소정의 기준을 만족하는지 여부에 기초하여, 상기 녹음 데이터를 재생성 할지 여부를 결정하는 것인, 시스템.
13. 제 8 항에 있어서,
    상기 녹음 데이터의 감정 레이블링 및 지역 레이블링 중 하나 이상의 레이블링을 수행하는 것인, 시스템.

Images