KR20240014256A - 녹음의 품질을 평가하는 방법 및 시스템 - Google Patents

녹음의 품질을 평가하는 방법 및 시스템 Download PDF

Info

Publication number
KR20240014256A
KR20240014256A KR1020220091782A KR20220091782A KR20240014256A KR 20240014256 A KR20240014256 A KR 20240014256A KR 1020220091782 A KR1020220091782 A KR 1020220091782A KR 20220091782 A KR20220091782 A KR 20220091782A KR 20240014256 A KR20240014256 A KR 20240014256A
Authority
KR
South Korea
Prior art keywords
spectrograms
speaker
score
encoder
time step
Prior art date
Application number
KR1020220091782A
Other languages
English (en)
Inventor
주동원
강진범
남용욱
Original Assignee
주식회사 자이냅스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 자이냅스 filed Critical 주식회사 자이냅스
Priority to KR1020220091782A priority Critical patent/KR20240014256A/ko
Publication of KR20240014256A publication Critical patent/KR20240014256A/ko

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/69—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for evaluating synthetic or decoded voice signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11B—INFORMATION STORAGE BASED ON RELATIVE MOVEMENT BETWEEN RECORD CARRIER AND TRANSDUCER
    • G11B20/00—Signal processing not specific to the method of recording or reproducing; Circuits therefor
    • G11B20/10—Digital recording or reproducing

Landscapes

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

Abstract

녹음의 품질을 평가하는 방법이 제공된다.
본 발명의 방법은, 특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신하고, 녹음 데이터에 기초하여 제 1 스펙트로그램들 및 화자 임베딩 벡터를 생성하고, 화자 임베딩 벡터 및 제 1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 제 2 스펙트로그램들을 생성할 수 있다. 또한, 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산하고, 스코어에 기초하여 녹음 데이터의 품질을 평가할 수 있다.

Description

녹음의 품질을 평가하는 방법 및 시스템{METHOD AND SYSTEM FOR EVALUATING THE QUALITY OF RECORDINGAS}
본 개시는 녹음의 품질을 평가하는 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 기반한 음성 합성 시스템의 학습을 위한 녹음 데이터가 녹음 대본과 일치하게 녹음이 수행된 데이터에 해당하는지를 평가할 수 있는 기술이 요구된다.
실제 발화자가 말하는 듯한 자연스러운 음성을 구현할 수 있는 인공 지능 기반의 음성 합성 기술을 제공하는 데 있다.
음성 합성 시스템의 학습을 위한 녹음 데이터가 녹음 대본과 일치하게 녹음이 수행된 데이터에 해당하는지를 평가할 수 있는 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 수단으로서, 본 개시의 제 1 측면은, 녹음의 품질을 평가하는 방법에 있어서, 특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신하는 단계; 상기 녹음 데이터에 기초하여 제 1 스펙트로그램들 및 화자 임베딩 벡터를 생성하는 단계; 상기 화자 임베딩 벡터 및 상기 제 1 스펙트로그램들에 기초하여 상기 녹음 대본에 대응하는 제 2 스펙트로그램들을 생성하는 단계; 상기 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산하는 단계; 및 상기 스코어에 기초하여 녹음 데이터의 품질을 평가하는 단계;를 포함하고, 상기 어텐션 얼라이먼트는 제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 타임 스텝에 대응하는 제 1 축 및 합성기에 포함된 인코더(encoder)의 타임 스텝에 대응하는 제 2 축에 기초하여 표현되고, 상기 스코어를 생성하는 단계는, 상기 디코더의 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 제 1 최대값을 도출하는 단계; 상기 제 1 타임 스텝의 다음 스텝에 해당하는 제 2 타임 스텝에 대응하는 값들 중에서 제 2 최대값을 도출하는 단계; 상기 제 1 최대값에 대응하는 인코더의 타임 스텝을 나타내는 제 1 인덱스 값 및 상기 제 2 최대값에 대응하는 인코더의 타임 스텝을 나타내는 제 2 인덱스 값을 비교하는 단계; 및 상기 제 1 인덱스 값이 상기 제 2 인덱스 값보다 큰 경우, 상기 제 1 인덱스 값과 상기 제 2 인덱스 값의 차이값에 기초하여 상기 스코어를 연산하는 단계;를 포함할 수 있다.
또한, 상기 제 2 스펙트로그램들을 생성하는 단계는, 제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 각 타임 스텝에 상기 제 1 스펙트로그램들을 입력하는 단계; 및 상기 제 1 스펙트로그램들에 기초하여 상기 녹음 대본에 대응하는 각 음소들을 추론한 결과 상기 제 2 스펙트로그램들을 생성하는 단계;를 포함할 수 있다.
또한, 상기 평가하는 단계는, 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 포함할 수 있다.
또한, 상기 화자 임베딩 벡터를 생성하는 단계는,
상기 녹음 데이터에 STFT(Short-time Fourier transform)를 수행하여 상기 제 1 스펙트로그램들을 생성하는 단계; 및 학습된 인공 신경망 모델에 상기 제 1 스펙트로그램들을 입력하여 상기 화자 임베딩 벡터를 생성하는 단계;를 포함하고, 상기 학습된 인공 신경망 모델은 상기 제 1 스펙트로그램들을 입력 받아 벡터 공간에서 상기 녹음 데이터와 가장 유사한 음성 데이터의 임베딩 벡터를 상기 화자 임베딩 벡터로 출력할 수 있다.
본 발명은 화자가 녹음 대본과 일치하게 녹음을 수행하였는지를 평가하는 방법을 제공할 수 있다.
도 1은 음성 합성 시스템의 동작을 개략적으로 나타내는 도면이다.
도 2는 음성 합성 시스템의 일 실시예를 나타내는 도면이다.
도 3은 음성 합성 시스템의 합성기의 일 실시예를 나타내는 도면이다.
도 4는 화자 인코더에서 임베딩 벡터를 생성하기 위한 벡터 공간의 일 실시예를 나타내는 도면이다.
도 5는 음성 합성 시스템을 이용하여 녹음의 품질을 평가하는 일 실시예를 나타내는 도면이다.
도 6은 합성기가 제 1 스펙트로그램들에 기초하여 제 2 스펙트로그램들을 생성하는 일 실시예를 나타내는 도면이다.
도 7a 및 도 7b는 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트 의 품질을 설명하기 위한 도면이다.
도 8은 합성기가 인코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 9는 합성기가 디코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 10은 합성기가 집중 스코어(concentration score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 11은 합성기가 스텝 스코어(step score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 12는 녹음의 품질을 평가하는 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.
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 시스템일 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 신경망를 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 1이 “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 합성기의 일 실시예를 나타내는 도면이다. 도 3의 합성기(300)는 도 2의 합성기(220)와 동일할 수 있다.
도 3을 참조하면, 음성 합성 시스템(200)의 합성기(300)는 텍스트 인코더 및 디코더를 포함할 수 있다. 한편, 합성기(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, 합성기(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 제 1 스펙트로그램(spectrogram)들을 생성할 수 있다. 화자 인코더(210)는 학습된 인공 신경망 모델에 제 1 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. 스펙토그램은 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 청각기관은 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 샘플로부터 생성한 스펙트로그램들을 입력할 수 있다. 화자 인코더(510)는 학습된 인공 신경망 모델로부터 벡터 공간 상에서 화자의 음성 신호 또는 음성 샘플와 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, 합성기(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.
합성기(300)의 디코더는 화자 인코더(210)로부터 화자 임베딩 벡터 및 텍스트 임베딩 벡터를 입력으로 수신할 수 있다. 또는, 합성기(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, 합성기(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 샘플을 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.
이에 따라, 화자 인코더(210)의 인공 신경망 모델을 학습시키기 위한 녹음 데이터의 품질을 평가할 필요성이 있다. 예를 들어, 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부와 관련하여 녹음 데이터의 품질이 평가될 수 있다. 음성 합성 시스템(200)을 이용하여 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 평가할 수 있다.
도 5는 음성 합성 시스템을 이용하여 녹음의 품질을 평가하는 일 실시예를 나타내는 도면이다.
도 5의 음성 합성 시스템(500)는 도 1의 음성 합성 시스템(100) 또는 도 2의 음성 합성 시스템(200)와 동일할 수 있다. 도 5의 화자 인코더(510)는 도 2의 화자 인코더(210)와 동일하며, 도 5의 합성기(520)는 도 2의 합성기(220) 또는 도 3의 합성기(300)와 동일할 수 있다.
일 실시예에 따르면, 음성 합성 시스템(500)은 특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신할 수 있다. 또한, 음성 합성 시스템(500)은 녹음 데이터에 기초하여 제 1 스펙트로그램들 및 화자 임베딩 벡터를 생성할 수 있다. 음성 합성 시스템(500)은 화자 임베딩 벡터 및 제 1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 제 2 스펙트로그램들을 생성하고, 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산할 수 있다. 최종적으로, 음성 합성 시스템(500)은 스코어에 기초하여 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 녹음 데이터의 품질을 평가할 수 있다.
도 5를 참고하면, 음성 합성 시스템(500)의 화자 인코더(510)는 특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신할 수 있다. 화자 인코더(510)는 녹음 데이터에 STFT를 수행하여 제 1 스펙트로그램들을 생성할 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.
화자 인코더(510)는 학습된 인공 신경망 모델에 제 1 스펙트로그램들을 입력받아 녹음 데이터와 가장 유사한 음성 데이터의 임베딩 벡터에 가까운 수치의 화자 임베딩 벡터를 출력할 수 있다.
음성 합성 시스템(500)의 합성기(520)는 녹음 대본에 해당하는 텍스트를 수신할 수 있다. 예를 들어, 합성기(520)는 '세톱박스를 켜고 다시 말씀해보세요'라는 텍스트를 수신할 수 있다. 또한, 합성기(520)는 화자 인코더(510)로부터 제 1 스펙트로그램들 및 화자 임베딩 벡터를 수신할 수 있다. 합성기(520)는 제 1 스펙트로그램들 및 화자 임베딩 벡터에 수신한 텍스트에 대응하는 제 2 스펙트로그램들을 생성할 수 있다. 최종적으로, 합성기(520)는 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트를 생성할 수 있으며, 어텐션 얼라인먼트의 스코어를 연산하여 화자가 녹음 대본과 일치하게 녹음을 수행하였는지를 평가할 수 있다.
도 6은 합성기가 제 1 스펙트로그램들에 기초하여 제 2 스펙트로그램들을 생성하는 일 실시예를 나타내는 도면이다.
구체적으로, 도 6은 합성기(520)에 포함된 디코더가 제 1 스펙트로그램들에 기초하여 제 2 스펙트로그램들을 생성하는 일 실시예를 나타낸다.
일 실시예에 따르면, 합성기(520)는 화자 인코더(510)로부터 생성된 제 1 스펙트로그램들을 제 2 스펙트로그램들을 생성하는 합성기(520)에 포함된 디코더(decoder)의 각 타임 스텝에 입력할 수 있다. 합성기(520)는 제 1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 각 음소들을 추론한 결과 제 2 스펙트로그램들을 생성할 수 있다.
예를 들어, 합성기(520)의 디코더가 입력된 녹음 대본에 대응하는 각 음소들을 추론하는 과정에서, 각 타임 스텝에 대응하는 제 1 스펙트로그램이 타겟 스펙트로그램 또는 정답 스펙트로그램으로 입력될 수 있다. 즉, 합성기(520)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 7a 및 도 7b는 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트 의 품질을 설명하기 위한 도면이다.
도 7a 및 도 7b에는 합성기(520)가 제 2 스펙트로그램들에 대응하여 생성한 어텐션 얼라인먼트가 예시적으로 도시되어 있다.
*예를 들어, 어텐션 얼라인먼트는 2차원 좌표상에 표시될 수 잇으며, 2차원 좌표의 가로 축은 합성기(520)에 포함된 디코더의 타임 스텝(decoder timestep)들, 세로 축은 합성기(520)에 포함된 인코더의 타임 스텝(encoder timestep)을 의미한다. 즉, 어텐션 얼라인먼트가 표현되는 2차원 좌표는, 합성기(520)가 스펙트로그램을 생성할 때 어떤 부분에 집중해야 하는지를 의미한다.
디코더 타임 스텝은 합성기(520)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, 합성기(520)가 스펙트로그램을 생성하는 매 순간에서 자신감 있게 추론을 수행한 것으로 해석될 수 있다. 즉, 상술한 예의 경우, 합성기(520)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 합성기(520)의 추론 품질을 추측하는데 있어서, 매우 중요한 지표로 활용될 수 있다.
도 7a를 참고하면, 어텐션 얼라인먼트(700)는 선이 진하고 노이즈가 적으므로, 합성기(520)가 스펙트로그램을 생성하는 매 순간에서 자신감 있게 추론을 수행했다고 해석될 수 있다. 예를 들어, 도 7a의 어텐션 얼라인먼트(700)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 7b를 참고하면, 어텐션 얼라인먼트(710)는 중간 부분에서 선이 명확하지 않으며, 중간 부분(720)에 명확하지 않은 부분이 포함되어 있는바, 멜 스펙트로그램의 품질이 매우 높지 않은 것으로 해석될 수 있다. 예를 들어, 도 7a의 어텐션 얼라인먼트(700)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 그려지나, 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 합성기(520)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 합성기(520)는 어텐션 얼라인먼트의 인코더 스코어(encoder score), 디코더 스코어(decoder score), 집중 스코어(concentration score) 또는 스텝 스코어(step score)를 연산할 수 있다.
합성기(520)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 합성기(520)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 8은 합성기가 인코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 8을 참고하면, 어텐션 얼라인먼트에서 디코더 타임 스텝 '50'에 대응하는 값들(810)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 8의 값들(810)을 모두 더하면 1이 된다.
한편, 도 8의 값들(810) 중 상위 a 개의 값들(820)을 참조하면, 합성기(520)가 디코더 타임 스텝의 '50'에 대응하는 시점에 어느 음소에 집중하여 스펙트로그램을 생성하고 있는지를 판단할 수 있다. 따라서, 합성기(520)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, 합성기(520)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, 합성기(520)는 디코더 타입 스텝의 제s 스텝에서의 값들 중에서 n 개의 값들을 추출한다(n은 2 이상의 자연수). 여기에서, n개의 값들은 제 s 스텝에서의 상위 n개의 값들을 의미할 수 있다.
그리고, 합성기(520)는 추출된 n 개의 값들을 이용하여 제 s 스텝에서의 제 s 스코어()를 연산한다. 예를 들어, 합성기(520)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 9는 합성기가 디코더 스코어를 연산하는 일 실시예를 설명하기 위한 도면이다.
도 9를 참고하면, 어텐션 얼라인먼트에서 인코더 타임 스텝 '40'에 대응하는 값들(910)이 표시되어 있다. 또한, 값들(910) 중에서 상위 b개의 값들(920)이 표시되어 있다.
도 8을 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 매 시간마다 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, 합성기(520)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, 합성기(520)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, 합성기(520)는 추출된 m 개의 값들을 이용하여 제 s 스텝에서의 제 s 스코어()를 연산한다. 예를 들어, 합성기(520)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, 은 집합 x를 구성하는 값들 중에서 y번째로 작은 값(즉, 하위 y 번째 값)을 의미하고, 은 인코더 타임 스텝을 의미한다. 은 디코더 스코어의 길이를 의미하여, 하위 번째의 값까지 모두 더한 값이 된다.
도 10은 합성기가 집중 스코어(concentration score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
일 실시예에 따르면, 합성기(520)는 디코더의 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 첫번째로 큰 제 1 값 및 두번째로 큰 제 2 값을 도출할 수 있다. 합성기(520)는 제 1 값에 대응하는 인코더 타임 스텝을 나타내는 제 1 인덱스 값 및 제 2 값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값의 차이 값을 이용하여 집중 스코어를 연산할 수 있다.
어텐션 얼라인먼트의 품질을 판단할 때, 합성기(520)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 얼라인먼트에서 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, 합성기(520)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 제 1 값에 대응하는 인코더 타임 스텝을 나타내는 제 1 인덱스 값과 두번째로 큰 제 2 값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값의 차이값에 해당할 수 있다. 예를 들어, 제 1 인덱스와 제 2 인덱스의 차이가 1이면, 집중 스코어의 값은 0이 된다. 그러나, 제 1 인덱스와 제 2 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 10을 참고하면, 디코더 타임 스텝의 '50'에 대응하는 값들(1010)이 표시되어 있다. 디코더 타임 스텝의 '50'에 대응하는 값들(1010) 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(1020) 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 11은 합성기가 스텝 스코어(step score)를 연산하는 일 실시예를 설명하기 위한 도면이다.
일 실시예에 따르면, 합성기(520)는 디코더 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 제 1 최대값을 도출하고, 제 1 타임 스텝의 다음 스텝에 해당하는 제 2 타임 스텝에 대응하는 값들 중에서 제 2 최대값을 도출할 수 있다. 합성기(520)는 제 1 최대값에 대응하는 인코더 타임 스텝을 나타내는 제 1 인덱스 값 및 제 2 최대값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값을 비교할 수 있다. 제 1 인덱스 값이 제 2 인덱스 값보다 큰 경우, 합성기(520)는 제 1 인덱스 값과 상기 제 2 인덱스 값의 차이값에 기초하여 스텝 스코어를 연산할 수 있다.
예를 들어, 합성기(520)가 특정 스펙트로그램을 정답이 아닌 다른 음소로 착각더라도, teacher-forcing 방식에 의해 정답 스펙트로그램이 입력되므로 합성기(520)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, 합성기(520)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 제 1 인덱스 값과 s 번째 스텝에 해당하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값을 비교한 결과, 제 1 인덱스 값이 제 2 인덱스 값보다 큰 경우 제 1 인덱스 갑과 제 2 인덱스 값의 차이값에 해당할 수 있다. 제 1 인덱스 값이 제 2 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 11을 참고하면, 어텐션 얼라인먼트에서 디코더 타임 스텝들 각각에 대응하는 값들 중 최대값에 대응하는 인코더 타임 스텝을 나타내는 인덱스들(1110)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(1120)이 존재함을 알 수 있다. 역주행 구간(1120)이 아닌 구간에서는 스텝 스코어의 값이 0이지만, 역주행 구간(1120)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 6을 구성하는 다른 변수들은 수학식 5에서 설명한 바와 동일하다.
정리하면, 합성기(520)는 도 8 내지 도 11에서 상술한 인코더 스코어, 디코더 스코어, 집중 스코어 및 스텝 스코어 중 어느 하나의 스코어를 어텐션 얼라인먼트의 품질을 평가하기 위한 최종 스코어로 출력할 수 있다. 합성기(520)는 최종 스코어를 기 설정된 값(임계값)과 비교하여, 최종 스코어가 임계값보다 작은 경우에는 화자가 녹음 대본에 해당하는 텍스트와 일치하지 않게 녹음을 수행하였다고 평가할 수 있다.
또는, 합성기(520)는 도 8 내지 도 11에서 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.
마찬가지로, 합성기(520)는 최종 스코어를 기 설정된 값(임계값)과 비교하여, 최종 스코어가 임계값보다 작은 경우에는 화자가 녹음 대본과 일치하지 않게 녹음을 수행하였다고 평가할 수 있다.
도 12는 녹음의 품질을 평가하는 방법의 일 실시예를 도시한 흐름도이다.
도 12를 참조하면, 단계 1210에서 합성부는 특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신할 수 있다.
단계 1220에서, 합성부는 녹음 데이터에 기초하여 제 1 스펙트로그램들 및 화자 임베딩 벡터를 생성할 수 있다.
일 실시예에 따르면, 합성부는 제 1 스펙트로그램들을 제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 각 타임 스텝에 입력하고, 제 1 스펙트로그램들에 기초하여 녹음 대본에 대응하는 각 음소들을 추론한 결과 제 2 스펙트로그램들을 생성할 수 있다.
단계 1230에서, 합성부는 화자 임베딩 벡터 및 제 1 스펙트로그램들에 기초하여 특정 텍스트에 대응하는 제 2 스펙트로그램들을 생성할 수 있다.
단게 1240에서, 합성부는 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산할 수 있다.
일 실시예에 따르면, 어텐션 얼라이먼트는 제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 타임 스텝들에 대응하는 제 1 축 및 합성기에 포함된 인코더(encoder)의 타임 스텝들에 대응하는 제 2 축에 기초하여 표현될 수 있다.
또한, 일 실시예에 따르면 합성부는 디코더의 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 첫번째로 큰 제 1 값 및 두번째로 큰 제 2 값을 도출하고, 제 1 값에 대응하는 인코더 타임 스텝을 나타내는 제 1 인덱스 값 및 제 2 값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값의 차이값을 이용하여 스코어를 연산할 수 있다.
또한, 일 실시예에 따르면 합성부는 디코더 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 제 1 최대값을 도출하고, 제 1 타임 스텝의 다음 스텝에 해당하는 제 2 타임 스텝에 대응하는 값들 중에서 제 2 최대값을 도출할 수 있다. 합성부는 제 1 최대값에 대응하는 인코더 타임 스텝을 나타내는 제 1 인덱스 값 및 제 2 최대값에 대응하는 인코더 타임 스텝을 나타내는 제 2 인덱스 값을 비교하고, 제 1 인덱스 값이 제 2 인덱스 값보다 큰 경우 제 1 인덱스 값과 제 2 인덱스 값의 차이 값에 기초하여 스코어를 연산할 수 있다.
단계 1250에서, 합성부는 스코어에 기초하여 녹음 데이터의 품질을 평가할 수 있다.
일 실시예에 따르면, 합성부는 스코어를 기 설정된 값과 비교하고, 비교 결과 화자가 녹음 대본에 일치하게 녹음을 수행하였는지 여부를 나타내는 녹음 데이터의 품질을 평가할 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.
본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
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 (4)

  1. 녹음의 품질을 평가하는 방법에 있어서,
    특정 텍스트에 해당하는 녹음 대본에 기초하여 화자가 녹음을 수행한 녹음 데이터를 수신하는 단계;
    상기 녹음 데이터에 기초하여 제 1 스펙트로그램들 및 화자 임베딩 벡터를 생성하는 단계;
    상기 화자 임베딩 벡터 및 상기 제 1 스펙트로그램들에 기초하여 상기 녹음 대본에 대응하는 제 2 스펙트로그램들을 생성하는 단계;
    상기 제 2 스펙트로그램들에 대응하는 어텐션 얼라인먼트(attention alignment)의 스코어를 연산하는 단계; 및
    상기 스코어에 기초하여 녹음 데이터의 품질을 평가하는 단계;
    를 포함하고,
    상기 어텐션 얼라이먼트는 제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 타임 스텝에 대응하는 제 1 축 및 합성기에 포함된 인코더(encoder)의 타임 스텝에 대응하는 제 2 축에 기초하여 표현되고,
    상기 스코어를 생성하는 단계는,
    상기 디코더의 타임 스텝들 중 제 1 타임 스텝에 대응하는 값들 중에서 제 1 최대값을 도출하는 단계;
    상기 제 1 타임 스텝의 다음 스텝에 해당하는 제 2 타임 스텝에 대응하는 값들 중에서 제 2 최대값을 도출하는 단계;
    상기 제 1 최대값에 대응하는 인코더의 타임 스텝을 나타내는 제 1 인덱스 값 및 상기 제 2 최대값에 대응하는 인코더의 타임 스텝을 나타내는 제 2 인덱스 값을 비교하는 단계; 및
    상기 제 1 인덱스 값이 상기 제 2 인덱스 값보다 큰 경우, 상기 제 1 인덱스 값과 상기 제 2 인덱스 값의 차이값에 기초하여 상기 스코어를 연산하는 단계;
    를 포함하는 방법.
  2. 제 1 항에 있어서,
    상기 제 2 스펙트로그램들을 생성하는 단계는,
    제 2 스펙트로그램들을 생성하는 합성기에 포함된 디코더(decoder)의 각 타임 스텝에 상기 제 1 스펙트로그램들을 입력하는 단계; 및
    상기 제 1 스펙트로그램들에 기초하여 상기 녹음 대본에 대응하는 각 음소들을 추론한 결과 상기 제 2 스펙트로그램들을 생성하는 단계;
    를 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 평가하는 단계는,
    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 포함하는, 방법.
  4. 제 1 항에 있어서,
    상기 화자 임베딩 벡터를 생성하는 단계는,
    상기 녹음 데이터에 STFT(Short-time Fourier transform)를 수행하여 상기 제 1 스펙트로그램들을 생성하는 단계; 및
    학습된 인공 신경망 모델에 상기 제 1 스펙트로그램들을 입력하여 상기 화자 임베딩 벡터를 생성하는 단계;를 포함하고,
    상기 학습된 인공 신경망 모델은 상기 제 1 스펙트로그램들을 입력 받아 벡터 공간에서 상기 녹음 데이터와 가장 유사한 음성 데이터의 임베딩 벡터를 상기 화자 임베딩 벡터로 출력하는, 방법.
KR1020220091782A 2022-07-25 2022-07-25 녹음의 품질을 평가하는 방법 및 시스템 KR20240014256A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220091782A KR20240014256A (ko) 2022-07-25 2022-07-25 녹음의 품질을 평가하는 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220091782A KR20240014256A (ko) 2022-07-25 2022-07-25 녹음의 품질을 평가하는 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20240014256A true KR20240014256A (ko) 2024-02-01

Family

ID=89859404

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220091782A KR20240014256A (ko) 2022-07-25 2022-07-25 녹음의 품질을 평가하는 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR20240014256A (ko)

Similar Documents

Publication Publication Date Title
US10559225B1 (en) Computer-implemented systems and methods for automatically generating an assessment of oral recitations of assessment items
US11929059B2 (en) Method, device, and computer readable storage medium for text-to-speech synthesis using machine learning on basis of sequential prosody feature
KR102265972B1 (ko) 다중 언어 텍스트-음성 합성 모델을 이용한 음성 번역 방법 및 시스템
KR20190125154A (ko) 심리 상담 데이터를 기계 학습한 자동 대화 장치 및 그 방법
US20120221339A1 (en) Method, apparatus for synthesizing speech and acoustic model training method for speech synthesis
Aryal et al. Data driven articulatory synthesis with deep neural networks
CN107871496B (zh) 语音识别方法和装置
KR102528019B1 (ko) 인공지능 기술에 기반한 음성 합성 시스템
KR102449209B1 (ko) 무음 부분을 자연스럽게 처리하는 음성 합성 시스템
KR20210059586A (ko) 텍스트 음성 변환과 함께 멀티태스크 학습을 사용한 감정적 음성 변환 방법 및 장치
US10283142B1 (en) Processor-implemented systems and methods for determining sound quality
Airaksinen et al. Data augmentation strategies for neural network F0 estimation
US20220165247A1 (en) Method for generating synthetic speech and speech synthesis system
KR102408638B1 (ko) 녹음의 품질을 평가하는 방법 및 시스템
KR20240014256A (ko) 녹음의 품질을 평가하는 방법 및 시스템
KR20240014255A (ko) 녹음의 품질을 평가하는 방법 및 시스템
KR102532253B1 (ko) 스펙트로그램에 대응하는 어텐션 얼라인먼트의 디코더 스코어를 연산하는 방법 및 음성 합성 시스템
KR102503066B1 (ko) 어텐션 얼라인먼트의 스코어를 이용하여 스펙트로그램의 품질을 평가하는 방법 및 음성 합성 시스템
KR20220071522A (ko) 합성 음성을 생성하는 방법 및 음성 합성 시스템
KR20220071523A (ko) 문자들의 시퀀스를 분할하는 방법 및 음성 합성 시스템
CN115116443A (zh) 语音识别模型的训练方法、装置、电子设备及存储介质
KR20240014250A (ko) 스펙트로그램에 대응하는 어텐션 얼라인먼트의 인코더 스코어를 연산하는 방법 및 음성 합성 시스템
US20230037892A1 (en) Method and apparatus for generating speech training data
CN113555006B (zh) 一种语音信息识别方法、装置、电子设备及存储介质
KR20230018317A (ko) 음성 학습 데이터를 생성하는 방법 및 장치