KR20230126123A

KR20230126123A - 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법

Info

Publication number: KR20230126123A
Application number: KR1020220023245A
Authority: KR
Inventors: 성준식; 강신재; 차크라다 서브호지트
Original assignee: 삼성전자주식회사
Priority date: 2022-02-22
Filing date: 2022-02-22
Publication date: 2023-08-29
Also published as: WO2023163270A1

Abstract

본 문서에 개시된 다양한 실시 예에 따른 전자 장치는, 프로세서 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고, 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장할 수 있다.

Description

개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법{ELECTRONIC DEVICE FOR GENERATING PERSONALIZED AUTOMATIC SPEECH RECOGNITION MODEL AND METHOD OF THE SAME}

본 문서에 개시된 다양한 실시예들은, 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법에 관한 것이다.

기술의 발달과 함께 전자 장치는 사용자 니즈에 따라 다양한 기능을 수행할 수 있도록 진화하고 있다.

최근에는 자동 음성 인식(automatic speech recognition, ASR) 모델을 이용하여 사용자의 발화(utterance)를 인식하고, 발화에 대응하는 텍스트 데이터에 기초하여 전자 장치의 기능 또는 동작을 제어하려는 시도가 활발하다.

자동 음성 인식 모델은 인간의 언어 및/또는 문자를 인식하고 응용 및/또는 처리하기 위해, 입력 데이터들의 특징을 스스로 분류하고 학습하는 알고리즘을 이용하는 기계 학습(deep learning) 기술을 사용하여 생성될 수 있다.

개인화 웨이크 업 워드 인식 또는 개인화 자동 음성 인식 모델 생성 시, 사용자에 대한 불편함 야기로 인해 학습을 위해 필요한 충분한 양의 학습용 사용자 발화 데이터를 확보하기가 용이하지 않을 수 있다.

본 문서에 개시된 다양한 실시예들은 개인화 텍스트 음성 변환(personalized text-to-speech, P-TTS) 모델을 사용하여 복수의 음성 데이터를 생성하고, 생성된 복수의 음성 데이터를 사용하여 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법을 제공하기 위한 것이다.

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

본 문서에 개시된 다양한 실시 예에 따른 전자 장치의 방법은, 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하는 동작 및 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하는 동작을 포함할 수 있다.

다양한 실시 예에 따르면, 개인화 텍스트 음성 변환(P-TTS) 모델을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성하고, 생성된 복수의 음성 데이터를 사용하여 개인화 자동 음성 인식 모델을 생성할 수 있다.

다양한 실시 예에 따르면, 개인화 텍스트 음성 변환(P-TTS) 모델을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성함에 따라 학습용 음성 데이터를 획득하기 위해 사용자가 반복적으로 발화하여야 하는 번거로움을 피할 수 있다.

다양한 실시예에 따르면, 개인화 텍스트 음성 변환 모델(P-TTS)을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성함에 따라 다량의 학습용 음성 데이터를 생성할 수 있어 개인화 자동 음성 인식 모델의 인식 성공률을 향상시킬 수 있다.

이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.

도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예에 따른 전자 장치와 서버의 블록도이다.
도 3은 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델 생성 방법의 일 예를 설명하기 위한 흐름도이다.
도 4는 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델을 생성하는 방법의 다른 예를 설명하기 위한 흐름도이다.
도 5는 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델을 생성하는 방법의 또다른 예를 설명하기 위한 흐름도이다.
도 6은 다양한 실시예에 따른 복수의 음원 생성 동작을 설명하기 위한 흐름도이다.
도 7은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 일 예이다.
도 8은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 다른 예이다.
도 9는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 또 다른 예이다.
도 10은 다양한 실시예에 따른 개인화 자동 음성 인식 모델에 기초한 전자 장치의 동작을 설명하기 위한 도면이다.

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 다양한 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))와 서버(예: 도 1의 서버(108))의 블록도이다.

도 2를 참조하면, 전자 장치(101)는 프로세서(예: 도 1의 프로세서(120)), 메모리(예: 도 1의 메모리(130)), 마이크(예: 도 1의 입력 모듈(150)), 스피커(예: 도 1의 음향 출력 모듈(155)), 및/또는 통신 모듈(예: 도 1의 통신 모듈(190))을 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모듈(automatic speech recognition module, ASR module)(122) 및/또는 텍스트 음성 변환(text-to-speech, TTS) 엔진(124)을 포함할 수 있다. 일 실시예에 따르면, 자동 음성 인식 모듈(122)은 마이크(150)를 통해 수신된 사용자의 발화 음성 입력을 텍스트 데이터로 변환할 수 있다. 일 실시예에 따르면, 텍스트 음성 변환 엔진(124)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다. 일 실시예에 따르면, 프로세서(120)는 변경된 음성 형태의 정보를 스피커(155)를 통해 출력할 수 있다. 도 2를 참조하면, 자동 음성 인식 모듈(122) 및 텍스트 음성 변환 엔진(124)이 프로세서(120)의 일부로 구현된 것으로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어, 자동 음성 인식 모듈(122) 및 텍스트 음성 변환 엔진(124)은 메모리(130)에 저장되어, 프로세서(120)에 의해 메모리(130)로부터 로드되는 인스트럭션(instruction)들로 구현될 수도 있다.

다양한 실시예에 따르면, 프로세서(120)는 개인화 자동 음성 인식(personalized automatic speech recognition) 모델(133)을 사용하여 지정된 사용자의 발화 음성을 인식할 수 있다. 일 실시예에 따르면 프로세서(120)는 개인화 자동 음성 인식 모델(133)을 사용하여 지정된 사용자의 발화 음성을 인식하기 위해 자동 음성 인식 모듈(122)을 포함할 수 있다.

일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 음향 모델(acoustic model) 및/또는 언어 모델(language model)을 포함할 수 있으며, 지정된 사용자의 음성 데이터를 인식하고 텍스트 데이터로 변환할 수 있도록 학습될 수 있다. 예를 들면 음향 모델은 발성에 관련된 정보를 포함할 수 있고, 언어 모델은 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 포함할 수 있다.

다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 발화 음성을 인식하도록 학습 또는 업데이트됨으로써 개인화된 모델로서 생성될 수 있다.

다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 발화 음성을 인식하도록 학습 또는 업데이트됨으로써 개인화된 모델로서 생성될 수 있다.

다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지능형 음성 인식 서비스를 활성화하기 위한 웨이크 업(wake up) 명령을 위한 웨이크업 워드로 지정된, “하이! 빅스비”와 같은 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 지정된 사용자의 발화 음성을 인식하도록 학습될 수 있다. 이 경우 개인화 자동 음성 인식 모델(133)은 개인화 웨이크업 음성 인식 모델로 칭할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 개인화 자동 음성 인식 모델(133)을 사용하여 자동 음성 인식 모듈(122)을 통해 웨이크업 명령을 인식하도록 할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 프로세서(120)의 자동 음성 인식 모듈(122)은 지정된 사용자의 웨이크업 음성을 인식하는 웨이크업 음성 인식 모듈(미도시)을 포함할 수 있다.

일 실시 예에 따르면, 웨이크업 음성 인식 모듈은 오디오 코덱에 포함된 프로세서와 같은 저전력 프로세서(예: 도 1의 보조프로세서(123))에 구현될 수 있다. 일 실시 예에 따르면, 웨이크업 음성 인식 모듈은, 웨이크 업 워드에 대한 발화 입력 및/또는 하드웨어 키를 통한 사용자 입력에 의해 활성화될 수 있다.

다양한 실시예에 따르면, 웨이크업 음성 인식 모듈을 포함하는 자동 음성 인식 모듈(122)은 자동 음성 인식 알고리즘을 이용하여 사용자 음성 입력을 인식할 수 있다. 상기 음성을 인식하기 위해 사용되는 알고리즘은, 예를 들어, HMM(hidden markov model), ANN(artificial neural network) 또는 DTW(dynamic time warping) 중 적어도 하나일 수 있다.

다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 음성에 기초한 적어도 하나의 단어를 포함하는 각각의 지정된 텍스트에 대하여 생성된 복수의 음성을 사용하여 기계학습을 수행하여 업데이트함으로써 생성할 수 있다.

일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지정된 사용자 음성에 기초한 적어도 하나의 단어를 포함하는 각각의 지정된 텍스트에 대하여 생성된 복수의 음성 및 지정된 사용자의 발화 음성을 함께 사용하여 학습될 수 있다.

다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 음성에 기초하여, 각각의 지정된 텍스트에 대해 생성된 복수의 음성을 사용하여 학습을 수행함으로써 생성할 수 있다. 일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지정된 사용자 음성에 기초하여, 각각의 지정된 텍스트에 대해 생성된 복수의 음성 및 지정된 텍스트에 대한 사용자의 발화 음성을 함께 사용하여 학습될 수 있다.

다양한 실시예에 따르면, 자동 음성 인식 방법(또는 자동 음석 인식 알고리즘)은 HMM(Hidden Markov Model) 기반 방법, ANN(Artificial Neural Network) 기반 방법, SVM(Support Vector Machine) 기반 방법, 또는 DTW(Dynamic Time Warping) 기반 방법 중 적어도 하나의 방법이 사용될 수 있으나 이에 한정하는 것은 아니다. 자동 음성 인식 방법에 따라 참조하는 자동 음성 인식 모델은 서로 상이할 수 있다.

일 실시예에 따르면, 자동 음성 인식 방법으로 DNN-HMM (Deep Neural Network - Hidden Markov Model)이 사용될 수 있다[참조 1: G. E. Dahl, D. Yu, L. Deng, and A. Acero, “pretrained deep neural networks for large-vocabulary speech recognition,”Audio, Speech, and Language Processing, IEEE Transactions on, vol. 20, no. 1, pp. 30-42, 2012]. DNN-HMM에 기반한 자동 음성 인식 방법은, 음향 모델(acoustic model; AM)을 DNN을 이용하여 모델링하고, 언어 모델(language model; LM)을 HMM을 이용하여 모델링하는 것일 수 있다.

일 실시예에 따르면, DNN-HMM을 음성 인식 알고리즘으로 사용할 경우, 자동 음성 인식 모델을 개인화(업데이트)하기 위해 AM 또는 LM이 수정될 수 있다. AM을 수정하는 방법은 AM 모델에 사용한 뉴럴 네트워크(neural network)의 마지막 레이어(layer) 이후에 adaptation layer을 추가함으로써 구현될 수 있다[참조 2: S. Mirsamadi, and J. Hansen, “study on deep neural network acoustic model adaptation for robust far-field speech recognition,”INTERSPEECH, page 2430-2434. ISCA, (2015)].

다양한 실시예에 따르면, 자동 음성 인식 모델의 개인화를 위해 LM을 수정하는 방법이 있을 수 있다. LM에서도 단어들을 음소열(또는 senone sequence)로 표현하는 pronunciation model(PM)이 수정됨으로써 자동 음성 인식 모델의 개인화가 가능할 수 있다. 상술한 바와 같이, DNN-HMM에서 언어적 표현은 wFST(weighted FST(finite state transducer))로 구현될 수 있다. 전체 LM을 구성하는 FST 중 pronunciation을 표현하는 FST(또는 finite state acceptor(FSA)) 정보가 업데이트됨으로써 지정된 단어에 대한 발음이 개인화될 수 있다. 예를 들어, PM의 지정된 단어의 FST가 수정되거나 상기 FST의 arc에 가중치가 적용될 수 있다 [참조 3: Takaaki Hori, Chiori Hori, Yasuhiro Minami, and Atsushi Nakamura, "Efficient WFST-based one-pass decoding with on-the-fly hypothesis rescoring in extremely large vocabulary continuous speech recognition," IEEE Trans. on Audio, Speech and Lang. Process., vol. 15, no. 4, pp. 1352-1365, 2007.].

다양한 실시예에 따르면 개인화 자동 음성 인식 모델(133)은, 전자 장치(101)의 프로세서(120)에 의해 기계 학습을 수행하여 생성되거나 서버(108)에 의해 기계 학습이 수행된 모델을 전자 장치(101)에서 통신 모듈(190)을 통해 수신하여 메모리(130)에 저장될 수 있다.

다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 음성으로 구축된(또는 지정된 사용자의 음성에 기초하여 학습된) 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델(131)을 사용하여 생성될 수 있다.

다양한 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)은 지정된 사용자의 음성을 생성하는 음성 합성 모델(미도시)을 포함할 수 있다. 일 실시예에 따르면 개인화 텍스트 음성 변환 모델(131)은 지정된 사용자로부터 {텍스트, 음원} 쌍의 일정량 이상의 발화 음성을 획득하고, 획득된 발화로부터 추출된 음성 특징과 동일한 텍스트에 대해 음성 합성 모델이 생성하는 음성 특징이 유사해지도록 음성 합성 모델을 추가적으로 학습하는 동작을 수행하여 생성될 수 있다. 충분한 횟수의 추가적 학습을 수행하여 구축된 개인화 텍스트 음성 변환 모델(131)은, 지정된 사용자의 음성과 유사한 음색의 음원을 생성할 수 있다.

일 실시예에 따르면, 개인화 텍스트 음성 변환 모델(131)은 서버(108)에 의해구축될 수 있다. 예를 들면 서버(108)는 전자 장치(101)로부터 지정된 사용자의 {텍스트, 음원} 쌍의 발화 음성을 수신하고 이를 사용하여 학습을 수행함으로써 개인화 텍스트 음성 변환 모델(131)을 생성할 수 있다.

일 실시예에 따르면, 전자 장치(101)는 필요한 경우 서버(108)로부터 개인화 텍스트 음성 변환 모델(131)을 통신 모듈(190)을 통해 수신하여 메모리(130)에 저장할 수 있다.

다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여 생성될 수 있다.

다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 전자 장치(101)의 프로세서(120)에 의해 생성되거나 서버(108)에서 생성될 수 있다.

다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 발화 음성을 포함할 수 있으며, 예를 들면 마이크(150)를 통해 수신할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 사용자의 발화 음성 데이터에 대해 음성 전처리 동작을 수행할 수 있다. 예를 들어, 프로세서(120)는 적응 반향 제거(adaptive echo canceller)(AEC) 모듈(미도시), 노이즈 억제(noise suppression)(NS) 모듈(미도시), 종점 검출(end-point detection)(EPD) 모듈(미도시) 또는 자동 이득 제어(automatic gain control)(AGC) 모듈(미도시)을 포함할 수 있다. 상기 적응 반향 제거 모듈은 상기 사용자 발화 음성에 포함된 에코(echo)를 제거할 수 있다. 상기 노이즈 억제 모듈은 상기 사용자 발화 음성에 포함된 배경 잡음을 억제할 수 있다. 상기 종점 검출 모듈은 상기 사용자 발화 음성에 포함된 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾을 수 있다. 상기 자동 이득 제어 모듈은 상기 사용자 발화 음성을 인식하여 처리하기 적합하도록 상기 사용자 발화 음성의 음량을 조절할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 예를 들어 메모리(130)에 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)이 저장되어 있는 경우, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자의 음성에 기초한 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여, 예를 들면 지정된 스크립트에 대한 복수의 음원을 생성할 수 있다. 예를 들어 지정된 스크립트는 임의의 문장 세트를 포함할 수 있으며, 발음 밸런스(phonetic balance)를 맞추어 준비되거나 뉴스 문장들 또는 지정된 사용자가 평소 통화 앱과 같은 앱을 통해 입력한 음성으로부터 추출된 텍스트 문장들을 포함할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자의 음성에 기초한 지정된 텍스트에 대한 복수의 음원을 생성하기 위한 텍스트 음성 변환(text-to-speech) 엔진(124)을 포함할 수 있다.

다양한 실시예에 따르면, 서버(108)는 통신 인터페이스(210), 자동 음성 인식 학습 엔진(221), 텍스트 음성 변환 학습 엔진(223), 개인화 텍스트 음성 변환 모델 저장소(231), 개인화 자동 음성 인식 모델 저장소(233), 텍스트 음성 변환 모델 저장소(235), 자동 음성 인식 모델 저장소(237), 및/또는 발화 데이터 저장소(239)를 포함할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 저장된 개인화 텍스트 음성 변환 모델(131) 또는 개인화 텍스트 음성 변환 모델 저장소(231)에 저장된 지정된 사용자의 개인화 텍스트 음성 변환 모델(131)에 기초하여, 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 서버(108)는 텍스트 음성 변환 학습 엔진(223)을 통해 후술하는 음원 생성 동작을 수행할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다. 일반적으로 하나의 음소를 발음하는데 수개 내지 수십개의 운율(prosody) 프레임이 필요할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 각 음소에 대해 할당된 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 대응하는 군집화한 운율 정보를 수신하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보에 더해 추가적으로, 전환된 음소열에 대응하는 군집화한 운율 정보에 또한 기초하여, 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임 값들을 결정할 수 있다. 예를 들면 군집화한 운율 정보의 길이는 전환된 음소열의 길이와 동일할 수 있다. 일 실시예에 따르면 군집화한 운율 정보는 메모리(130)에 저장되거나 서버(108)로부터 수신할 수 있다.

일 실시예에 따르면 군집화한 운율 정보는, 생성되는 음원이 연속적인 음고 및/또는 발화 길이를 갖도록 하기 위해, 음길이의 경우 예를 들어, 0.05초부터 0.50초까지 0.01초 단위로 세분하여, 각각의 0.01초 단위 길이에 대한 충분한 운율 정보를 포함할 수 있도록 할 수 있으며 음고의 경우에도 최저 음고와 최고 음고까지 단위를 세분하여 각 단위 높이에 대해 충분한 운율 정보를 포함할 수 있도록 할 수 있다. 이에 따라 군집화한 운율 정보에 대해, 지정된 음길이 및/또는 음고에 대한 예시 데이터가 부족하지 않도록 구성될 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 생성된 음원에 대해 다양한 환경에서 발생할 수 있는 다양한 잡음 데이터를 추가하여 학습에 사용하도록 할 수 있다. 예를 들어, 잡음 데이터는 적응 반향(adaptive echo) 추가 및/또는 노이즈(noise) 추가에 의해 생성될 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)에 의해 생성된 음원은 실제 사람의 발화 음성과는 상당히 차이가 있는 음원 데이터를 포함할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 복수의 음원들을 필터링하고, 필터링된 음원들을 사용하여 저장된 개인화 자동 음성 인식 모델(133) 또는 개인화 자동 음성 인식 모델 저장소(233)에 저장된 지정된 사용자의 개인화 자동 음성 인식 모델을 기계 학습하도록 할 수 있다.

다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 복수의 음원들에 대해 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행하도록 할 수 있다. 일 실시예에 따른 개인화 텍스트 음성 변환 모델은 지정된 사용자의 발화 음성에 기초하여 생성되며, 이에 따라 생성된 음원은 지정된 사용자 발화 음성에 포함된 다양한 노이즈의 영향으로 다양한 노이즈를 포함할 수 있다.

일 실시예에 따르면 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 개인화 텍스트 음성 변환 모델에 의해 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 대해 PESQ와 같은 음질 측정 방식에 따라 음질을 측정하고, 측정 값이 타 음원들과 문턱값 이상 차이가 나는 음원은, 학습 목적에 맞도록 생성되지 않은 음원으로 간주하여, 학습 데이터에서 배제하도록 할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 각각의 지정된 텍스트와 비교하여 필터링을 수행하도록 할 수 있다.

일 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 대해 예를 들면 자동 음성 인식을 수행하여 텍스트로 변환할 수 있다. 생성되는 복수의 음원들은 개인화된 자동 음성 인식 모델을 학습하기 위한 것으로서, 자동 음성 인식을 통해 인식된 텍스트가 원 텍스트와 상이하면, 실제 음성 인식율을 향상시키기 위해 자동 음성 인식 모델 학습에 사용할 수 있는 적절한 음원이 아닌 것으로 판단할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 일반적으로 여성의 음역대는 약 80 Hz 내지 약 400 Hz이고 남성의 음역대는 약 60 Hz 내지 약 350 Hz 로 알려져 있어, 이에 기초하여 지정된 피치 범위를 설정함으로써, 실제 사용자에 의한 발화 음성과 차이가 날 것으로 판단되는, 지정된 피치 범위를 벗어나는 음원을 배제하도록 할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 일반적으로 사람들의 발화에 따른 음소의 길이는, 언어의 특성 또는 화자의 발성 속도에 따라 차이가 있을 수 있으나, 대체로 30 ms 내지 300 ms 범위 내에 포함되는 것으로 알려져 있어, 이에 기초하여 음길이 범위를 설정하고, 설정된 범위에서 벗어나는 음원들을 배제하도록 할 수 있다.

다양한 실시예에 따르면 전자 장치(101)의 프로세서(120) 또는 서버(108)의 자동 음성 인식 학습 엔진(221)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원을 사용하여 개인화 자동 음성 인식 모델(133) 또는 개인화 자동 음성 인식 모델 저장소(233)에 저장된 지정된 사용자의 개인화 자동 음성 인식 모델을 기계 학습(deep learning)할 수 있다.

다양한 실시예에 따르면 전자 장치(101)의 프로세서(120) 또는 서버(108)의 자동 음성 인식 학습 엔진(221)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 더해 지정된 사용자의 발화 음성을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)할 수 있다.

다양한 실시예에 따르면, 생성된 개인화 자동 음성 인식 모델은 전자 장치(101)의 메모리(130) 또는 서버(108)의 개인화 자동 음성 인식 모델 저장소(233)에 저장될 수 있다.

다양한 실시예에 따르면, 전자 장치(예: 도 1 또는 도 2의 전자 장치(101))은 프로세서(예: 도 1 또는 도 2의 프로세서(120)); 및 상기 프로세서와 작동적으로 연결된 메모리(예: 도 1 또는 도 2의 메모리(130));를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가: 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고, 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원을 필터링하고, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원에 대한 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 상기 필터링을 수행하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 개인화 텍스트 음성 변환 모델에 기초하여, 상기 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 상기 복수의 음원을 생성하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 텍스트를 상기 음소열로 전환하고 상기 음소열에 포함된 음소들의 순서 및 관계에 기초하여 상기 복수의 음원 생성에 필요한 정보를 추출하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는, 상기 음소열에 포함된 각 음소에 대해 적어도 하나의 운율 프레임을 할당하고, 상기 추출된 정보에 기초하여 상기 운율 프레임의 값을 결정하고, 상기 결정된 운율 프레임의 값을 스펙트로그램 값으로 변환하여 상기 각 음소에 대한 음원을 생성하도록 할 수 있다.

다양한 실시예에 따르면, 상기 프로세서는 상기 음소열에 대응하는 군집화한 운율 정보를 수신하고, 상기 군집화한 운율 정보에 기초하여 상기 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하도록 하는 전자 장치.

도 3은 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법의 일 예를 설명하기 위한 흐름도이다.

도 3을 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.

다양한 실시예에 따르면, 동작 301에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.

일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 프로세서(120)에 의해 생성되거나 서버(108)로부터 수신될 수 있다.

일 실시예에 따르면, 프로세서(120)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출하고, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정하고, 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 대응하는 군집화한 운율 정보를 상술한 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보와 함께 이용하여, 전환된 음소열에 포함된 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임 값들을 결정할 수 있다.

다양한 실시예에 따르면, 동작 303에서, 프로세서(120)는 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.

일 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모델에 포함된 음향 모델(acoustic model) 및/또는 언어 모델(language model)에 대해, 상술한 지정된 사용자 음성에 기초하여 생성된 복수의 음원을 입력하여, 입력된 복수의 음원 데이터에 대해 예를 들면 발성에 관련된 정보를 추출하고, 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 분석하여 텍스트 데이터로 변환할 수 있도록 학습시킴으로써, 지정된 사용자의 발화 음성을 인식할 수 있는 개인화 자동 음성 인식 모델로 업데이트할 수 있다.

도 4는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하는 방법의 다른 예를 설명하기 위한 흐름도이다.

도 4를 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.

다양한 실시예에 따르면, 동작 401에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.

일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 프로세서(120)에 의해 생성되거나 서버(108)로부터 수신할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 403에서, 생성된 음원을 필터링할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 PESQ를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행하도록 할 수 있다. 일 실시예에 따른 개인화 텍스트 음성 변환 모델은 지정된 사용자의 발화 음성에 기초하여 생성되며, 이에 따라 생성된 음원은 지정된 사용자 발화 음성에 포함된 다양한 노이즈의 영향으로 다양한 노이즈를 포함할 수 있어, PESQ와 같은 음질 측정 방식에 따라 측정된 음질 값이 타 음원들과 문턱값 이상 차이가 나는 음원을 필터링할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행하도록 할 수 있다. 생성된 복수의 음원들은 개인화된 자동 음성 인식 모델을 학습하기 위한 것으로서, 자동 음성 인식을 통해 인식된 텍스트가 원 텍스트와 상이하면, 실제 음성 인식율을 향상시키기 위해 개인화된 자동 음성 인식 모델 학습에 사용할 수 있는 적절한 음원이 아닌 것으로 판단할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 프로세서(120)는 여성의 음역대는 약 80 Hz 내지 400 Hz 로, 남성의 음역대는 약 60 Hz 내지 350 Hz 의 피치 범위로 설정하여, 지정된 피치 범위를 벗어나는 음원을 배제하도록 할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 프로세서(120)는, 약 30 ms 내지 300 ms 와 같은 설정된 음길이 범위에서 벗어나는 음원들을 배제하도록 할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 405에서, 필터링된 음원 데이터가 학습에 필요한 충분한 양인지 확인할 수 있다. 일 실시예에 따르면 프로세서(120)는, 필터링된 음원 데이터가 부족한 경우 동작 401로 회귀하여 복수의 음원을 추가적으로 생성하도록 할 수 있다.

다양한 실시예에 따르면, 동작 407에서, 프로세서(120)는 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.

일 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모델에 포함된 음향 모델(acoustic model) 및/또는 언어 모델(language model)에 대해, 상술한 지정된 사용자 음성에 기초하여 생성된 복수의 음원을 입력하여, 입력된 음원 데이터에 대해 예를 들면 발성에 관련된 정보를 추출하고, 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 분석하여 텍스트 데이터로 변환할 수 있도록 학습시킴으로써, 지정된 사용자의 발화 음성을 인식할 수 있는 개인화 자동 음성 인식 모델로 업데이트할 수 있다.

도 5는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하는 방법의 또다른 예를 설명하기 위한 흐름도이다.

도 5를 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.

다양한 실시예에 따르면, 동작 501에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 503에서, 생성된 음원을 필터링할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 음질 테스트, 자동 음성 인식에 의한 텍스트 비교, 피치 범위 비교 및/또는 음길이 비교 방식으로 필터링을 수행할 수 있다. 예를 들면 프로세서(120)는 PESQ를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 수행하여 필터링하거나, 생성된 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행하거나, 생성된 복수의 음원에 대해 피치 트레킹을 수행하고, 지정된 피치 범위에 기초하여 필터링을 수행하거나, 생성된 복수의 음원들에 포함된 각 음소의 음길이 범위를 비교하여 필터링을 수행할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 505에서, 사용자 발화 음원을 수신할 수 있다.

다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 발화 음성을 포함할 수 있으며, 예를 들면 마이크(예: 도 2의 마이크(150))를 통해 수신할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 사용자의 발화 음성 데이터에 대해 음성 전처리 동작을 수행할 수 있다. 예를 들어, 프로세서(120)는 사용자 발화 음성에 포함된 에코(echo) 및/또는 배경 잡음을 억제할 수 있다. 예를 들어, 프로세서(120)는 사용자 발화 음성에 포함된 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾거나 사용자 발화 음성의 음량을 조절할 수 있다.

다양한 실시예에 따르면, 동작 507에서, 프로세서(120)는 생성된 복수의 음원과 수신된 사용자 발화 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.

도 6은 다양한 실시예에 따른 복수의 음원 생성 동작을 설명하기 위한 흐름도이다.

도 6을 참조하면, 다양한 실시예에 따른 복수의 음원 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다. 도 6에 도시된 복수의 음원 생성 동작 흐름도는 예를 들면 도 3, 도 4 또는 도 5의 복수의 음원 생성 동작(예: 동작 301, 동작 401 또는 동작 501)을 보다 상세히 설명하는 동작들을 포함할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 601에서, 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환할 수 있다.

일 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출할 수 있다.

일 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다. 일반적으로 하나의 음소를 발음하는데 수개 내지 수십개의 운율(prosody) 프레임이 필요할 수 있어, 프로세서(120)는 각 음소를 발음하는데 필요한 개수의 운율 프레임을 할당할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 603에서, 전환된 음소열에 대응하는 군집화한 운율 정보를 수신할 수 있다. 예를 들면 군집화한 운율 정보의 길이는 전환된 음소열의 길이와 동일할 수 있다.

일 실시예에 따르면 군집화한 운율 정보는, 생성되는 음원이 연속적인 음고 및/또는 발화 길이를 갖도록 하기 위해, 음길이의 경우 예를 들면, 0.05초부터 0.50초까지 0.01초 단위로 세분하여, 각각의 0.01초 단위 길이에 대한 충분한 운율 정보를 포함할 수 있도록 할 수 있으며 음고의 경우에도 최저 음고와 최고 음고까지 단위를 세분하여 각 단위 높이에 대해 충분한 운율 정보를 포함할 수 있도록 할 수 있다. 이에 따라 군집화한 운율 정보에 대해, 지정된 음길이 및/또는 음고에 대한 예시 데이터가 부족하지 않도록 구성될 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 605에서, 전환된 음소열의 각음소에 대응하는 운율 프레임들의 각각의 운율 프레임 값을 결정할 수 있다.

일 실시예에 따르면, 프로세서(120)는 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보 및 전환된 음소열에 대응하는 군집화한 운율 정보에 기초하여, 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임의 값들을 결정할 수 있다.

다양한 실시예에 따르면, 프로세서(120)는 동작 607에서, 전환된 음소열에 포함된 각 음소에 대해 할당된 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 복호화함으로써, 각 음소에 대한 음원을 생성할 수 있다.

도 7은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 일 예이다.

도 7의 실시예에서, 서버(108)는 지정된 사용자에 대한 개인화 텍스트 음성 변환 모델을 개인화 텍스트 음성 변환 모델 저장소(예: 도 2의 개인화 텍스트 음성 변환 모델 저장소(231))에 저장할 수 있으며, 이에 기초하여 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로부터 생성된 복수의 음원을 수신하고, 수신된 복수의 음원을 사용하여 자동 음성 인식 모델을 학습하여 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하도록 할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)는 동작 701에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하기 위해, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 음원을 서버(108)에 요청할 수 있다.

일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트를 서버(108)로 전송할 수 있다.

일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다.

일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.

일 실시예에 따르면, 서버(108)는 동작 703에서, 지정된 사용자의 개인화 텍스트 음성 변환 모델에 기초하여 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 생성할 수 있다.

일 실시예에 따르면, 서버(108)는 개인화 텍스트 음성 변환 모델 저장소(예: 도 2의 개인화 텍스트 음성 변환 모델 저장소(231))에서 상기 지정된 사용자의 음성에 기초하여 구축된 개인화 텍스트 음성 변환 모델을 획득할 수 있다.

일 실시예에 따르면, 서버(108)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성에 기초하여, 텍스트 음성 변환 학습 엔진(예: 도 2의 텍스트 음성 변환 학습 엔진(223))을 통해 개인화 텍스트 음성 변환 모델을 생성하고, 생성된 개인화 텍스트 음성 변환 모델을 개인화 텍스트 음성 변환 모델 저장소(231)에 저장할 수 있다.

일 실시예에 따르면, 서버(108)는 지정된 사용자의 개인화 텍스트 음성 변환 모델에 기초하여 생성된 복수의 음원에 대해 필터링을 수행할 수 있다.

다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원들에 대해 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는, 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는, 생성된 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행할 수 있다. 일 실시예에 따르면 서버(108)는 상술한 바와 같이 필터링을 수행하여 부적절한 음원들을 배제하고 생성된 복수의 음원을 전자 장치(101)로 전송할 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원이 학습에 충분할 정도의 개수로 생성되었는지 확인하고, 추가적으로 복수의 음원을 생성하고 필터링을 수행할 수 있다.

다양한 실시예에 따르면, 동작 705에서 전자 장치(101)는, 서버(108)로부터 복수의 음원을 수신할 수 있다.

다양한 실시예에 따르면, 동작 707에서 전자 장치(101)는 수신된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.

일 실시예에 따르면, 전자 장치(101)는 지정된 사용자의 발화 음성을 수신할 수 있으며, 수신된 복수의 음원과 지정된 사용자의 발화 음성을 함께 사용하여 개인화 자동 음성 인식 모델을 학습하도록 할 수 있다.

도 8은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 다른 예이다.

도 8의 실시예에서, 서버(108)는 자동 음성 인식 학습 엔진(예: 도 2의 자동 음성 인식 학습 엔진(221))을 통해 개인화 자동 음성 인식 모델을 학습할 수 있으며, 전자 장치(101)는 이를 위해 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하여 서버(108)로 전송할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로 생성된 복수의 음원을 전송하고, 서버(108)로부터 학습된 개인화 자동 음성 인식 모델을 획득할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)는 동작 801에서, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 획득할 수 있다.

일 실시예에 따르면, 전자 장치(101)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.

일 실시예에 따르면, 전자 장치(101)는 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 지정된 사용자의 발화 음성을 음원으로 획득할 수 있다.

일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 전자 장치(101)에 의해 생성되거나 서버(108)로부터 수신할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)는 동작 803에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하기 위해, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 서버(108)에 전송할 수 있다. 예를 들면, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원은 상술한 바와 같이 전자 장치(101)에 의해 생성 또는 획득될 수 있다.

일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.

일 실시예에 따르면, 서버(108)는 동작 805에서, 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 생성할 수 있다.

일 실시예에 따르면, 서버(108)는 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 음성 인식 모델을 학습하여, 지정된 사용자에 대한 개인화 자동 음성 인식 모델을 생성할 수 있다.

일 실시예에 따르면, 서버(108)는 개인화 자동 음성 인식 모델 저장소(예: 도 2의 개인화 자동 음성 인식 모델 저장소(233))에 상기 지정된 사용자의 음성에 기초하여 학습된 개인화 자동 음성 인식 모델을 저장할 수 있다.

일 실시예에 따르면, 전자 장치(101)는 동작 807에서, 서버(108)로부터 생성된 개인화 자동 음성 인식 모델을 수신할 수 있다.

도 9는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 또 다른 예이다.

도 9의 실시예에서, 서버(108)는 자동 음성 인식 학습 엔진(예: 도 2의 자동 음성 인식 학습 엔진(221))을 통해 개인화 자동 음성 인식 모델을 학습할 수 있으며, 이를 위해 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로부터 학습된 개인화 자동 음성 인식 모델을 획득할 수 있다.

다양한 실시예에 따르면, 전자 장치(101)는 동작 901에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 서버(108)에 요청할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 정보를 서버(108)로 전송할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.

다양한 실시예에 따르면, 서버(108)는 동작 903에서, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.

일 실시예에 따르면, 서버(108)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.

일 실시예에 따르면, 서버(108)는 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 지정된 사용자의 발화 음성을 음원으로 획득할 수 있다.

다양한 실시예에 따르면, 서버(108)는 동작 905에서, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 지정된 사용자의 개인화 자동 음성 인식 모델을 학습시킬 수 있다.

일 실시예에 따르면, 전자 장치(101)는 동작 907에서, 서버(108)로부터 생성된 개인화 자동 음성 인식 모델을 수신할 수 있다.

도 10은 다양한 실시예에 따른 개인화 자동 음성 인식 모델에 기초한 전자 장치(예: 도 2의 전자 장치(101))의 동작을 설명하기 위한 도면(1000)이다.

다양한 실시예에 따르면 개인화 자동 음성 인식 모델은 지정된 사용자의 발화 음성을 인식하기 위한 개인화 자동 음성 인식 모델 및/또는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성(예: 웨이크 업 워드)을 인식하기 위한 웨이크 업 음성 인식 모델을 포함할 수 있다.

일 실시예에 따르면 전자 장치(101)는 지능형 서버(예: 도 1의 서버(108))를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.

일 실시 예에 따르면, 1010 화면에서, 전자 장치(101)는 지정된 음성 입력(예: 웨이크 업!)을 웨이크 업 음성 인식 모델을 포함하는 개인화 자동 음성 인식 모델을 사용하여 인식하거나, 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 전자 장치(101)는, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다.

일 실시 예에 따르면, 전자 장치(101)는 지능형 앱에 대응되는 오브젝트(예: 아이콘)(1011)를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 전자 장치(101)는 “이번주 일정 알려줘!”라는 음성 입력을 수신할 수 있다. 일 실시예에 따르면 전자 장치(101)는 개인화 자동 음성 인식 모델을 사용하여 수신된 음성 입력을 인식하고 수신된 음성 입력을 텍스트로 변환할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(1013)(예: 입력창)를 디스플레이에 표시할 수 있다.

일 실시 예에 따르면, 1020 화면에서, 전자 장치(101)는 수신된 음성 입력에 대응되는 결과를 디스플레이에 표시할 수 있다. 예를 들어, 전자 장치(101)는 수신된 사용자 입력에 대응되는 동작 처리 결과를 서버(108)로부터 수신하거나, 전자 장치(101)에서 결정하고, 수신 또는 결정된 동작 처리 결과에 따라 '이번주 일정'을 디스플레이에 표시할 수 있다.

본 문서에 개시된 실시 예들은 기술 내용을 쉽게 설명하고 이해를 돕기 위한 예로서 제시한 것일 뿐이며, 본 문서에 개시된 기술의 범위를 한정하고자 하는 것은 아니다. 따라서 본 문서에 개시된 기술의 범위는 여기에 개시된 실시 예들 이외에도 본 문서에 개시된 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태를 포함되는 것으로 해석되어야 한다.

Claims

전자 장치에 있어서,
프로세서; 및
상기 프로세서와 작동적으로 연결된 메모리;를 포함하고,
상기 메모리는, 실행 시, 상기 프로세서가:
지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고,
생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장하는,
전자 장치.
제1항에 있어서,
상기 프로세서는, 상기 생성된 복수의 음원을 필터링하고, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하도록 하는 전자 장치.
제2항에 있어서,
상기 프로세서는, 상기 생성된 복수의 음원에 대한 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 상기 필터링을 수행하도록 하는 전자 장치.
제2항에 있어서,
상기 프로세서는, 상기 생성된 복수의 음원에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하도록 하는 전자 장치.
제2항에 있어서,
상기 프로세서는 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 하는 전자 장치.
제2항에 있어서,
상기 프로세서는 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 하는 전자 장치.
제1항에 있어서,
상기 프로세서는, 상기 개인화 텍스트 음성 변환 모델에 기초하여, 상기 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 상기 복수의 음원을 생성하도록 하는 전자 장치.
제7항에 있어서,
상기 프로세서는, 상기 텍스트를 상기 음소열로 전환하고 상기 음소열에 포함된 음소들의 순서 및 관계에 기초하여 상기 복수의 음원 생성에 필요한 정보를 추출하도록 하는 전자 장치.
제8항에 있어서,
상기 프로세서는, 상기 음소열에 포함된 각 음소에 대해 적어도 하나의 운율 프레임을 할당하고, 상기 추출된 정보에 기초하여 상기 운율 프레임의 값을 결정하고, 상기 결정된 운율 프레임의 값을 스펙트로그램 값으로 변환하여 상기 각 음소에 대한 음원을 생성하도록 하는 전자 장치.
제9항에 있어서,
상기 프로세서는 상기 음소열에 대응하는 군집화한 운율 정보를 수신하고, 상기 군집화한 운율 정보에 기초하여 상기 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하도록 하는 전자 장치.
전자 장치의 방법에 있어서,
지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하는 동작; 및
생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하는 동작;을 포함하는, 방법.
제11항에 있어서,
상기 생성된 복수의 음원을 필터링하는 동작을 더 포함하고,
상기 기계 학습 동작은, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하는 방법.
제12항에 있어서,
상기 필터링 동작은, 상기 생성된 복수의 음원에 대한 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 상기 필터링을 수행하는 방법.
제12항에 있어서,
상기 필터링 동작은, 상기 생성된 복수의 음원에 대해 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하는 방법.
제12항에 있어서,
상기 필터링 동작은, 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하는 방법.
제12항에 있어서,
상기 필터링 동작은, 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하는 방법.
제11항에 있어서,
상기 복수의 음원 생성 동작은, 상기 개인화 텍스트 음성 변환 모델에 기초하여, 상기 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 상기 복수의 음원을 생성하는 방법.
제17항에 있어서,
상기 복수의 음원 생성 동작은, 상기 텍스트를 상기 음소열로 전환하고 상기 음소열에 포함된 음소들의 순서 및 관계에 기초하여 상기 복수의 음원 생성에 필요한 정보를 추출하는 방법.
제18항에 있어서,
상기 복수의 음원 생성 동작은, 상기 음소열에 포함된 각 음소에 대해 적어도 하나의 운율 프레임을 할당하고, 상기 추출된 정보에 기초하여 상기 운율 프레임의 값을 결정하고, 상기 결정된 운율 프레임의 값을 스펙트로그램 값으로 변환하여 상기 각 음소에 대한 음원을 생성하는 방법.
제19항에 있어서,
상기 복수의 음원 생성 동작은, 상기 음소열에 대응하는 군집화한 운율 정보를 수신하고, 상기 군집화한 운율 정보에 기초하여 상기 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하는 방법.