KR20240020134A - 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법 - Google Patents

전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법 Download PDF

Info

Publication number
KR20240020134A
KR20240020134A KR1020220109644A KR20220109644A KR20240020134A KR 20240020134 A KR20240020134 A KR 20240020134A KR 1020220109644 A KR1020220109644 A KR 1020220109644A KR 20220109644 A KR20220109644 A KR 20220109644A KR 20240020134 A KR20240020134 A KR 20240020134A
Authority
KR
South Korea
Prior art keywords
voice
asr model
processor
electronic device
intelligent server
Prior art date
Application number
KR1020220109644A
Other languages
English (en)
Inventor
이태우
권민석
김경태
송가진
신호선
이정인
정석영
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to PCT/KR2023/011151 priority Critical patent/WO2024029875A1/ko
Publication of KR20240020134A publication Critical patent/KR20240020134A/ko

Links

Images

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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • 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
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/06—Decision making techniques; Pattern matching strategies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

일 실시예에 따른 전자 장치는 인스트럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함할 수 있다. 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 음성 입력에 대한 화자 검증을 수행할 수 있다. 상기 프로세서는 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행할 수 있다. 그 외에도 일 실시예가 가능할 수 있다.

Description

전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법{ELECTRONIC DEVICE, INTELLIGENT SERVER, AND SPEAKER ADAPTIVE SPEECH RECOGNITION METHOD}
본 발명의 일 실시예는 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법에 관한 것이다.
사용자 발화에 기반하여 서비스를 제공하는 음성 어시스턴트(assistant) 기능이 탑재된 전자 장치가 다양하게 보급되고 있다. 전자 장치는 인공지능 서버를 통해 사용자의 발화를 인식하고, 발화의 의미와 의도를 파악할 수 있다. 인공지능 서버는 사용자의 발화를 해석하여 사용자의 의도를 추론하고, 추론된 의도에 따라서 작업들을 수행할 수 있다. 인공지능 서버는 사용자와 인공지능 서버 간의 자연 언어(natural language) 상호 작용을 통해 표현된 사용자의 의도에 따라 작업을 수행할 수 있다.
일 실시예에 따른 전자 장치는 인스트럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함할 수 있다. 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 음성 입력에 대한 화자 검증을 수행할 수 있다. 상기 프로세서는 언어 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행할 수 있다.
일 실시예에 따른 지능형 서버는 인스트럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함할 수 있다. 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 음성 입력에 대한 화자 검증을 수행할 수 있다. 상기 프로세서는 언어 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행할 수 있다.
일 실시예에 따른 지능형 서버의 동작 방법은 음성 입력에 대한 화자 검증을 수행하는 동작을 포함할 수 있다. 상기 지능형 서버의 동작 방법은 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행하는 동작을 포함할 수 있다. 상기 지능형 서버의 동작 방법은 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행하는 동작을 포함할 수 있다.
도 1은 일 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 일 실시예에 따른 통합 지능(integrated intelligence) 시스템을 나타낸 블록도이다.
도 3은 일 실시예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
도 4는 일 실시예에 따른 전자 장치가 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
도 5는 일 실시예에 따른, 지능형 서버가 음성 인식을 수행하는 동작을 설명하기 위한 도면이다.
도 6a는 일 실시예에 따른, 전자 장치의 개략적인 블록도이다.
도 6b는 일 실시예에 따른, SSN(sequence summarizing neural network)의 개략적인 블록도이다.
도 6c는 일 실시예에 따른, 적응 레이어(adapter layer)의 개략적인 블록도이다.
도 7은 일 실시예에 따른, SSN 및 적응 레이어의 학습 방법을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 전자 장치가 수행한 음성 인식 결과를 설명하기 위한 도면이다
도 9는 일 실시예에 따른, 지능형 서버의 동작 방법의 흐름도를 나타낸다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은, 일 실시예에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는2 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.
일 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.
일 실시예에 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.
도 2를 참조하면, 일 실시예의 통합 지능화 시스템(20)은 전자 장치(201)(예: 도 1의 전자 장치(101)), 지능형 서버(200)(예: 도 1의 서버(108)), 및 서비스 서버(300)(예: 도 1의 서버(108))를 포함할 수 있다.
일 실시 예의 전자 장치(201)는, 인터넷에 연결 가능한 단말 장치(또는, 전자 장치)일 수 있으며, 예를 들어, 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.
도시된 실시 예에 따르면, 전자 장치(201)는 통신 인터페이스(202)(예: 도 1의 인터페이스(177)), 마이크(206)(예: 도 1의 입력 모듈(150)), 스피커(205)(예: 도 1의 음향 출력 모듈(155)), 디스플레이 모듈(204)(예: 도 1의 디스플레이 모듈(160)), 메모리(207)(예: 도 1의 메모리(130)), 또는 프로세서(203)(예: 도 1의 프로세서(120))를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.
일 실시 예의 통신 인터페이스(202)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시 예의 마이크(206)는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 스피커(205)는 전기적 신호를 소리(예: 음성)로 출력할 수 있다.
일 실시 예의 디스플레이 모듈(204)은 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예의 디스플레이 모듈(204)은 또한 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다. 일 실시 예의 디스플레이 모듈(204)은 터치 센서를 통해 터치 입력을 수신할 수 있다. 예를 들어, 디스플레이 모듈(204)은 디스플레이 모듈(204) 내에 표시되는 화상 키보드 영역의 터치 센서를 통해 텍스트 입력을 수신할 수 있다.
일 실시 예의 메모리(207)는 클라이언트 모듈(209), SDK(software development kit)(208), 및 복수의 앱들(211)을 저장할 수 있다. 상기 클라이언트 모듈(209), 및 SDK(208)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램)를 구성할 수 있다. 또한, 클라이언트 모듈(209) 또는 SDK(208)는 사용자 입력(예: 음성 입력, 텍스트 입력, 터치 입력)을 처리하기 위한 프레임워크를 구성할 수 있다.
일 실시 예의 메모리(207)에 저장된 상기 복수의 앱들(211)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 앱(211)은 제1 앱(211_1), 제2 앱(211_2)을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱(211) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 상기 앱들은, 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱들(211)은 프로세서(203)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.
일 실시 예의 프로세서(203)는 전자 장치(201)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(203)는 통신 인터페이스(202), 마이크(206), 스피커(205), 및 디스플레이 모듈(204)과 전기적으로 연결되어 지정된 동작을 수행할 수 있다.
일 실시 예의 프로세서(203)는 또한 상기 메모리(207)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(203)는 클라이언트 모듈(209) 또는 SDK(208) 중 적어도 하나를 실행하여, 사용자 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(203)는, 예를 들어, SDK(208)를 통해 복수의 앱(211)의 동작을 제어할 수 있다. 클라이언트 모듈(209) 또는 SDK(208)의 동작으로 설명된 이하의 동작은 프로세서(203)의 실행에 의한 동작일 수 있다.
일 실시 예의 클라이언트 모듈(209)은 사용자 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(209)은 마이크(206)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 수신할 수 있다. 또는, 클라이언트 모듈(209)은 디스플레이 모듈(204)을 통해 감지된 터치 입력을 수신할 수 있다. 또는, 클라이언트 모듈(209)은 키보드 또는 화상 키보드를 통해 감지된 텍스트 입력을 수신할 수 있다. 이 외에도, 전자 장치(201)에 포함된 입력 모듈 또는 전자 장치(201)에 연결된 입력 모듈을 통해 감지되는 다양한 형태의 사용자 입력을 수신할 수 있다. 상기 클라이언트 모듈(209)은 수신된 사용자 입력을 지능형 서버(200)로 송신할 수 있다. 클라이언트 모듈(209)은 수신된 사용자 입력과 함께, 전자 장치(201)의 상태 정보를 지능형 서버(200)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.
일 실시 예의 클라이언트 모듈(209)은 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(209)은 지능형 서버(200)에서 상기 수신된 사용자 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 사용자 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(209)은 상기 수신된 결과를 디스플레이 모듈(204)에 표시할 수 있다. 또한, 클라이언트 모듈(209)은 상기 수신된 결과를 스피커(205)를 통해 오디오로 출력할 수 있다.
일 실시 예의 클라이언트 모듈(209)은 수신된 사용자 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(209)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 디스플레이 모듈(204)에 표시할 수 있다. 클라이언트 모듈(209)은, 예를 들어, 복수의 동작의 실행 결과를 순차적으로 디스플레이 모듈(204)에 표시할 수 있고, 스피커(205)를 통해 오디오를 출력할 수 있다. 전자 장치(201)는, 다른 예를 들어, 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이 모듈(204)에 표시할 수 있으며, 스피커(205)를 통해 오디오로 출력할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(209)은 지능형 서버(200)로부터 사용자 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(209)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(200)로 송신할 수 있다.
일 실시 예의 클라이언트 모듈(209)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(200)로 송신할 수 있다. 지능형 서버(200)는 상기 결과 정보를 이용하여 수신된 사용자 입력이 올바르게 처리된 것을 확인할 수 있다.
일 실시 예의 클라이언트 모듈(209)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(209)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(209)은 지정된 입력(예: 웨이크 업!)을 통해 유기적인 동작을 수행하기 위한 음성 입력을 처리하기 위한 지능형 앱을 수행할 수 있다.
일 실시 예의 지능형 서버(200)는 통신 망을 통해 전자 장치(201)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(200)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(200)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 플랜(plan)을 생성할 수 있다
일 실시 예에 따르면, 플랜은 인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neural network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 순환 신경망(recurrent neural network(RNN))) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다. 일 실시 예에 따르면, 플랜은 미리 정의된 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의된 복수의 플랜 중 적어도 하나의 플랜을 선택할 수 있다.
일 실시 예의 지능형 서버(200)는 생성된 플랜에 따른 결과를 전자 장치(201)로 송신하거나, 생성된 플랜을 전자 장치(201)로 송신할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 플랜에 따른 결과를 디스플레이 모듈(204)에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 플랜에 따른 동작을 실행한 결과를 디스플레이 모듈(204)에 표시할 수 있다.
일 실시 예의 지능형 서버(200)는 프론트 엔드(front end)(210), 자연어 플랫폼(natural language platform)(220), 캡슐 데이터베이스(capsule DB)(230), 실행 엔진(execution engine)(240), 엔드 유저 인터페이스(end user interface)(250), 매니지먼트 플랫폼(management platform)(260), 빅 데이터 플랫폼(big data platform)(270), 또는 분석 플랫폼(analytic platform)(280)을 포함할 수 있다.
일 실시 예의 프론트 엔드(210)는 전자 장치(201)로부터 수신된 사용자 입력을 수신할 수 있다. 프론트 엔드(210)는 상기 사용자 입력에 대응되는 응답을 송신할 수 있다.
일 실시 예에 따르면, 자연어 플랫폼(220)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(221), 자연어 이해 모듈(natural language understanding module)(NLU module)(223), 플래너 모듈(planner module)(225), 자연어 생성 모듈(natural language generator module)(NLG module)(227) 또는 텍스트 음성 변환 모듈(text to speech module)(TTS module)(229)을 포함할 수 있다.
일 실시 예의 자동 음성 인식 모듈(221)은 전자 장치(201)로부터 수신된 음성 입력과 관련된 데이터를 텍스트 데이터로 변환할 수 있다. 일 실시 예의 자연어 이해 모듈(223)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(223)은 텍스트 데이터 형태의 사용자 입력에 대하여 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 일 실시 예의 자연어 이해 모듈(223)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다. 자연어 이해 모듈(223)은 사용자 발화에 대응되는 의도 정보(intent information)를 획득할 수 있다. 의도 정보는 텍스트 데이터를 해석하여 판단되는 사용자의 의도를 나타내는 정보일 수 있다. 의도 정보는 사용자가 디바이스를 이용하여 실행하고자 하는 동작 또는 기능을 나타내는 정보를 포함할 수 있다.
일 실시 예의 플래너 모듈(225)은 자연어 이해 모듈(223)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 일 실시 예에 따르면, 플래너 모듈(225)은 상기 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(225)은 상기 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 일 실시 예에 따르면, 플래너 모듈(225)은 상기 결정된 복수의 동작을 실행하는데 필요한 파라미터나, 상기 복수의 동작의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 상기 파라미터, 및 상기 결과 값은 지정된 형식(또는, 클래스)의 컨셉으로 정의될 수 있다. 이에 따라, 플랜은 사용자의 의도에 의해 결정된 복수의 동작, 및 복수의 컨셉을 포함할 수 있다. 상기 플래너 모듈(225)은 상기 복수의 동작, 및 상기 복수의 컨셉 사이의 관계를 단계적(또는, 계층적)으로 결정할 수 있다. 예를 들어, 플래너 모듈(225)은 복수의 컨셉에 기초하여 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(225)은 복수의 동작의 실행에 필요한 파라미터, 및 복수의 동작의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(225)은 복수의 동작, 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜을 생성할 수 있다. 상기 플래너 모듈(225)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(230)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.
일 실시 예의 자연어 생성 모듈(227)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 일 실시 예의 텍스트 음성 변환 모듈(229)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.
일 실시 예에 따르면, 자연어 플랫폼(220)의 기능의 일부 기능 또는 전체 기능은 전자 장치(201)에서도 구현가능 할 수 있다.
상기 캡슐 데이터베이스(230)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 일 실시예에 따른 캡슐은 플랜에 포함된 복수의 동작 오브젝트(action object 또는, 동작 정보) 및 컨셉 오브젝트(concept object 또는 컨셉 정보)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 CAN(concept action network)의 형태로 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 복수의 캡슐은 캡슐 데이터베이스(230)에 포함된 기능 저장소(function registry)에 저장될 수 있다.
상기 캡슐 데이터베이스(230)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 상기 전략 정보는 사용자 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 상기 후속 동작은, 예를 들어, 후속 발화를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 전자 장치(201)를 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(230)는 사용자와의 대화(dialog)(또는, 인터렉션(interaction)) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다. 상기 캡슐 데이터베이스(230)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 상기 개발자 툴은, 예를 들어, 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 상기 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 상기 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록하는 전략 에디터(strategy editor)를 포함할 수 있다. 상기 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 상기 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 상기 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다. 일 실시 예에서는 캡슐 데이터베이스(230)는 전자 장치(201) 내에도 구현이 가능할 수 있다.
일 실시 예의 실행 엔진(240)은 상기 생성된 플랜을 이용하여 결과를 산출할 수 있다. 엔드 유저 인터페이스(250)는 산출된 결과를 전자 장치(201)로 송신할 수 있다. 이에 따라, 전자 장치(201)는 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예의 매니지먼트 플랫폼(260)은 지능형 서버(200)에서 이용되는 정보를 관리할 수 있다. 일 실시 예의 빅 데이터 플랫폼(270)은 사용자의 데이터를 수집할 수 있다. 일 실시 예의 분석 플랫폼(280)은 지능형 서버(200)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(280)은 지능형 서버(200)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.
일 실시 예의 서비스 서버(300)는 전자 장치(201)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(300)는 제3 자에 의해 운영되는 서버일 수 있다. 일 실시 예의 서비스 서버(300)는 수신된 사용자 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(200)에 제공할 수 있다. 상기 제공된 정보는 캡슐 데이터베이스(230)에 저장될 수 있다. 또한, 서비스 서버(300)는 플랜에 따른 결과 정보를 지능형 서버(200)에 제공할 수 있다.
위에 기술된 통합 지능 시스템(20)에서, 상기 전자 장치(201)는, 사용자 입력에 응답하여 사용자에게 다양한 인텔리전트 서비스를 제공할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.
일 실시 예에서, 상기 전자 장치(201)는 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 전자 장치(201)는 상기 마이크를 통해 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)을 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.
일 실시 예에서, 전자 장치(201)는 수신된 음성 입력에 기초하여, 단독으로 또는 상기 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 전자 장치(201)는 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.
일 실시 예에서, 전자 장치(201)가 지능형 서버(200) 및/또는 서비스 서버(300)와 함께 서비스를 제공하는 경우에는, 상기 전자 장치(201)는, 상기 마이크(206)를 이용하여 사용자 발화를 감지하고, 상기 감지된 사용자 발화에 대응되는 신호(또는, 음성 데이터)를 생성할 수 있다. 상기 전자 장치(201)는, 상기 음성 데이터를 통신 인터페이스(202)를 이용하여 지능형 서버(200)로 송신할 수 있다.
일 실시 예에 따른 지능형 서버(200)는 전자 장치(201)로부터 수신된 음성 입력에 대한 응답으로써, 음성 입력에 대응되는 태스크(task)를 수행하기 위한 플랜, 또는 상기 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 상기 플랜은, 예를 들어, 사용자의 음성 입력에 대응되는 태스크(task)를 수행하기 위한 복수의 동작, 및 상기 복수의 동작과 관련된 복수의 컨셉을 포함할 수 있다. 상기 컨셉은 상기 복수의 동작의 실행에 입력되는 파라미터나, 복수의 동작의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 상기 플랜은 복수의 동작, 및 복수의 컨셉 사이의 연관 정보를 포함할 수 있다.
일 실시 예의 전자 장치(201)는, 통신 인터페이스(202)를 이용하여 상기 응답을 수신할 수 있다. 전자 장치(201)는 상기 스피커(205)를 이용하여 전자 장치(201) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이 모듈(204)을 이용하여 전자 장치(201) 내부에서 생성된 이미지를 외부로 출력할 수 있다.
도 3은 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
상기 지능형 서버(예: 도 2의 지능형 서버(200))의 캡슐 데이터베이스(예: 도 2의 캡슐 데이터베이스(230))는 CAN (concept action network)(400) 형태로 캡슐을 저장할 수 있다. 상기 캡슐 데이터베이스는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작, 및 상기 동작을 위해 필요한 파라미터를 CAN(concept action network) 형태로 저장될 수 있다.
상기 캡슐 데이터베이스는 복수의 도메인(예: 어플리케이션) 각각에 대응되는 복수의 캡슐(capsule(A)(401), capsule(B)(404))을 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: capsule(A)(401))은 하나의 도메인(예: 위치(geo), 어플리케이션)에 대응될 수 있다. 또한, 하나의 캡슐에는 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(402) 또는 CP 2 (403))가 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(410) 및 적어도 하나 이상의 컨셉(420)을 포함할 수 있다.
상기, 자연어 플랫폼(예: 도 2의 자연어 플랫폼(220))은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 예를 들어, 자연어 플랫폼의 플래너 모듈(예: 도 2의 플래너 모듈(225))은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 캡슐 A (401)의 동작들(4011,4013) 과 컨셉들(4012,4014) 및 캡슐 B(404)의 동작(4041)과 컨셉(4042)을 이용하여 플랜(407)을 생성할 수 있다.
도 4는 다양한 실시 예에 따른 전자 장치가 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
전자 장치(201)는 지능형 서버(예: 도 2의 지능형 서버(200))를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.
일 실시 예에 따르면, 310 화면에서, 전자 장치(201)는 지정된 음성 입력(예: 웨이크 업!)을 인식하거나 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 전자 장치(201)는, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 지능형 앱에 대응되는 오브젝트(예: 아이콘)(311)를 디스플레이 모듈(204)(예: 도 1의 디스플레이 모듈(160), 도 2의 디스플레이 모듈(204))에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 전자 장치(201)는 "이번주 일정 알려줘!"라는 음성 입력을 수신할 수 있다. 일 실시 예에 따르면, 전자 장치(201)는 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(313)(예: 입력창)를 디스플레이 모듈(204)에 표시할 수 있다.
일 실시 예에 따르면, 320 화면에서, 전자 장치(201)는 수신된 음성 입력에 대응되는 결과를 디스플레이 모듈(204)에 표시할 수 있다. 예를 들어, 전자 장치(201)는 수신된 사용자 입력에 대응되는 플랜을 수신하고, 플랜에 따라 '이번주 일정'을 디스플레이 모듈(204)에 표시할 수 있다.
도 5는 일 실시예에 따른, 지능형 서버가 음성 인식을 수행하는 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 일 실시예에 따르면, 전자 장치(501)는 도 1을 참조하여 설명한 전자 장치(101) 및 도 2를 참조하여 설명한 전자 장치(201)의 구성 중 적어도 일부를 포함할 수 있다. 지능형 서버(601)는 도 2를 참조하여 설명한 지능형 서버(200)의 구성 중 적어도 일부를 포함할 수 있다. 전자 장치(501) 및 지능형 서버(601)와 관련하여, 도 1 내지 도 4를 참조하여 설명한 부분과 중복되는 설명은 생략한다.
전자 장치(501)(예: 도 1의 전자 장치(101), 또는 도 2의 전자 장치(201))와 지능형 서버(601)(예: 도 2의 지능형 서버(200))는 근거리 통신망(local area network; LAN), 광역 통신망(wide area network; WAN), 부가가치 통신망(value added network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망, 또는 이들의 상호 조합을 통해 연결될 수 있다. 전자 장치(501) 및 지능형 서버(601)는 유선 통신 방법 또는 무선 통신 방법(예: 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wide band), 적외선 통신(IrDA, infrared data association), NFC(near field communication))으로 서로 통신을 수행할 수 있다.
일 실시예에 따르면, 전자 장치(501)는 스마트폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 스피커(예: AI 스피커), 영상 전화기, 전자책 리더기(e-book reader), 데스크탑 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), 워크스테이션(workstation), 서버, PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device) 중 적어도 하나로 구현될 수 있다.
일 실시예에 따르면, 전자 장치(501)는 사용자의 발화에 대응되는 음성 신호를 획득하고, 음성 신호를 지능형 서버(601)로 전송할 수 있다. 지능형 서버(601)는 음성 신호에 기초하여 사용자의 발화에 대응하는 텍스트 데이터를 획득할 수 있다. 텍스트 데이터는 음성 신호에 ASR(automatic speech recognition)을 수행하여 음성 부분을 컴퓨터로 판독 가능한 텍스트로 변환한 것일 수 있다. 지능형 서버(601)는 텍스트 데이터를 이용하여 사용자의 발화를 분석할 수 있다. 지능형 서버(601)는 분석 결과(예: 의도 정보, 엔티티, 및/또는 캡슐)를 이용하여 사용자에게 제공할 응답(예: 질문, 답변)을 장치(예: 전자 장치(501))에 제공할 수 있다. 지능형 서버(601)는 소프트웨어로 구현될 수 있다. 지능형 서버(601)의 일부 또는 전부는 전자 장치(501) 및/또는 지능형 서버(601)(예: 도 2의 지능형 서버(200))에 구현될 수 있다. 지능형 서버(601)와의 통신 없이 발화를 처리할 수 있는 온 디바이스 AI(on-device artificial intelligence)가 전자 장치(501)에 탑재될 수 있다. 도 2 내지 도 4를 참조하여 설명된 자연어 플랫폼(220) 등이 전자 장치(501)에서 구현될 수 있다.
일 실시예에 따르면, 지능형 서버(601)는 화자 적응형 음성 인식을 수행할 수 있다. 지능형 서버(601)는 음성 인식 서비스에 화자를 등록할 수 있다. 지능형 서버(601)는 등록된 화자의 개인화 데이터(예: 음성)을 저장할 수 있다. 지능형 서버(601)는 화자 검증을 수행할 때, 등록된 화자의 음성 신호가 입력되는 경우, 입력된 음성 신호의 주체가 등록된 화자라고 판단할 수 있다. 지능형 서버(601)는 SSN(sequence summarizing neural network) 및 적응 레이어(adaption layer)에 기초하여 화자 적응형 음성 인식을 수행할 수 있다. SSN 및 적응 레이어는 등록된 화자의 개인화 데이터(예: 음성)에 기초하여 학습된 것일 수 있다. 지능형 서버(601)는 등록된 화자별로 학습된, SSN 및 적응 레이어를 저장할 수 있다. 지능형 서버(601)는 음성 입력의 주체가 등록된 화자인 경우, 대응되는 SSN 및 적응 레이어를 이용하여 화자 적응형 음성 인식을 수행할 수 있다.
도 5를 참조하면, 일 실시예에 따르면, 전자 장치(501)는 발화(예: "홍길돈 전화해줘")를 수신할 수 있다. 발화(예: "홍길돈 전화해줘")는 화자 적응이 필요한 단어(예: 홍길돈)를 포함할 수 있다. 발화에 포함된 단어(예: 홍길돈)는 대중들의 사용 빈도가 더 높은 단어(예: 홍길동)로 오인되기 쉬운 단어일 수 있다. 전자 장치(501)는 발화에 대응되는 음성 신호를 지능형 서버(601)로 전송할 수 있다. 지능형 서버(601)는 발화의 주체가 등록된 화자인지를 판단하기 위해 화자 검증을 수행할 수 있다. 지능형 서버(601)는 발화의 주체가 등록된 화자인 경우 등록된 화자에 대응되는, SSN 및 적응 레이어(예: 등록된 화자의 개인화 데이터에 기초하여 학습된, SSN 및 적응 레이어)에 기초하여 발화(예: "홍길돈 전화해줘")를 정확하게 인식할 수 있다. 지능형 서버(601)는 화자 적응형 음성 인식을 수행함으로써, 전자 장치(501) 사용자에게 올바른 응답(예: "홍길돈에게 전화를 연결합니다"라고 응답)을 제공하도록 가이드할 수 있다.
일 실시예에 따르면, 지능형 서버(601)는 자동 음성 인식 시스템(예: 도 2의 자연어 플랫폼(220) 또는 자동 음성 인식 모듈(221))의 학습 데이터와 상이한 입력 데이터가 입력된 경우에도 음성 인식을 정확하게 수행할 수 있다. 지능형 서버(601)는 화자 적응을 위한, SSN 및 적응 레이어를 선택적으로 이용함으로써 자동 음성 인식 시스템(예: 자동 음성 인식 모듈(221))을 변형하지 않고도 음성 인식을 수행할 수 있다. 지능형 서버(601)는 음성 입력의 주체가 등록된 화자인 경우 등록된 화자에 대응되는 SSN에 기초하여 SSN 적응 피쳐(SSN adaptation feature)를 획득할 수 있다. SSN는 도 6b를 통해 자세히 설명하도록 한다. 지능형 서버(601)는 자동 음성 인식 모듈(221)의 ASR 모델(예: transformer 기반 ASR 모델, conformer 기반 ASR 모델, RNN-transducer 기반 ASR 모델)을 변형하지 않으면서, 음성 입력의 주체가 등록된 화자인 경우 등록된 화자에 대응되는 적응 레이어(adapter layer)를 선택적으로 추가할 수 있다. 자동 음성 인식 모듈(221)의 ASR 모델(예: transformer 기반 ASR 모델, conformer 기반 ASR 모델, RNN-transducer 기반 ASR 모델)의 공용 파라미터는 변형되지 않고, 등록된 화자에 대응되는 적응 파라미터만 선택적으로 추가될 수 있다. 적응 파라미터는 도 6c를 통해 자세히 설명하도록 한다. 지능형 서버(601)는 등록된 화자에 대응하여 적응 파라미터가 추가된 ASR 모델에 기초하여, SSN 적응 피쳐로부터 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 지능형 서버(601)에서 수행되는 동작의 일부 또는 전부는 전자 장치(501) 및/또는 지능형 서버(601)에서 수행될 수 있다. 이하에서는 전자 장치(501)의 수행을 전제로 설명을 이어가도록 한다.
도 6a는 일 실시예에 따른, 전자 장치의 개략적인 블록도이고, 도 6b는 일 실시예에 따른, SSN(sequence summarizing neural network)의 개략적인 블록도이고, 도 6c는 일 실시예에 따른, 적응 레이어(adapter layer)의 개략적인 블록도이다.
도 6a를 참조하면, 일 실시예에 따르면, 전자 장치(501)는 도 1을 참조하여 설명한 전자 장치(101) 및 도 2를 참조하여 설명한 전자 장치(201)의 구성 중 적어도 일부를 포함할 수 있다. 전술한 바와 같이, 지능형 서버(예: 도 2의 지능형 서버(200), 도 5의 지능형 서버(601))와의 통신 없이 발화를 처리할 수 있는 온 디바이스 AI(on-device artificial intelligence)가 전자 장치(501)에 탑재될 수 있다. 도 2 내지 도 4를 참조하여 설명한 자연어 플랫폼(220)이 전자 장치(501)에서 구현될 수 있다. 전자 장치(501)와 관련하여, 도 1 내지 도 4를 참조하여 설명한 부분과 중복되는 설명은 생략한다. 전자 장치(501)는 프로세서(520)(예: 도 1의 프로세서(120), 도 2의 프로세서(203)), 프로세서(520)와 전기적으로 연결된 메모리(530)(예: 도 1의 메모리(130), 도 2의 메모리(207))를 포함할 수 있다. 프로세서(520)(예: 어플리케이션 프로세서)는 메모리(530)에 억세스하여 인스트럭션들을 실행할 수 있다. 프로세서(520)는 사용자에게 응답을 제공하기 위한 동작을 수행할 수 있다. 메모리(530)는 전자 장치(501)의 적어도 하나의 구성요소(예: 프로세서(520))에 의해 사용되는 다양한 데이터를 저장할 수 있다.
일 실시예에 따르면, 동작 521 내지 527는 전자 장치(501)의 프로세서(520)에서 수행되는 것으로 이해될 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.
일 실시예에 따르면, 동작 521에서, 프로세서(520)는 부분(partial) 음성 인식을 수행할 수 있다. 부분 음성 인식은 실시간 음성 인식을 위해 수행되는 것일 수 있다. 예를 들어, 약 1200ms의 음성 입력에 대하여, 프로세서(520)는 누적된 음성 입력(예: 약 400ms 동안 누적된 음성 입력)에 대한 음성 인식 결과를 순차적으로 출력할 수 있다.
일 실시예에 따르면, 동작 522에서, 프로세서(520)는 화자 검증을 수행할 수 있다. 화자 검증은 음성 입력 전체(예: "홍길돈에게 전화해줘")에 대하여 수행되는 것일 수 있다. 프로세서(520)는 화자 검증을 수행함으로써, 음성 입력(예: "홍길돈에게 전화해줘")의 주체가 등록된 화자인지를 판단할 수 있다.
일 실시예에 따르면, 동작 523에서, 프로세서(520)는 음성 입력(예: "홍길돈에게 전화해줘")의 주체가 등록되지 않은 화자인 경우, 제1 ASR을 위한 음성 피쳐()를 획득할 수 있다. 음성 입력은 약 25ms 크기의 타임 윈도우로 분할되고, log mel filterbank로 변환될 수 있다. 타임 윈도우는 약 10ms씩 오버랩된 것일 수 있다. 음성 피쳐()는, 음성 입력 전체가 변환된 log mel filterbank들의 집합을 의미하는 것일 수 있다. 또한, 음성 피쳐()는 정규화(예: cepstral mean and variance normalization(CMVN))된 피쳐일 수 있다.
일 실시예에 따르면, 동작 524에서, 프로세서(520)는 제1 ASR 모델에 기초하여 음성 피쳐()로부터 음성 인식을 수행할 수 있다. 제1 ASR 모델은 transformer 기반 ASR 모델, conformer 기반 ASR 모델, 및/또는 RNN-transducer 기반 ASR 모델일 수 있다. RNN-transducer의 transcription network은 transformer, conformer, 또는 LSTM(long-short term memory) encoder로 구성된 것일 수 있다. 제1 ASR 모델은 종단간 모델(end to end model)일 수 있다. 프로세서(520)는 제1 ASR 모델에 기초하여 음성 피쳐()로부터 음성 입력(예: 발화에 대응되는 음성 신호)에 대응되는 텍스트 데이터를 생성할 수 있다.
일 실시예에 따르면, 동작 525에서, 프로세서(520)는 음성 입력(예: "홍길돈에게 전화해줘")의 주체가 등록된 화자인 경우, 제2 ASR을 위한 음성 피쳐()를 획득할 수 있다. 동작 523에서 획득된 음성 피쳐()와 동작 525에서 획득된 음성 피쳐()는 실질적으로 동일한 타입의 데이터일 수 있다.
일 실시예에 따르면, 동작 526에서, 프로세서(520)는 SSN 적응 피쳐(sequence summarizing neural network adaptation feature)()를 획득할 수 있다. SSN 적응 피쳐()는 등록된 화자의 데이터(예: 음성)에 기초하여 학습된 SSN(예: 도 6b의 SSN(601))으로부터 획득된 것일 수 있다. 도 6b를 참조하면, SSN(601)의 개략적인 블록도를 확인할 수 있다. SSN(601)은 i-vector를 대신하기 위해 고안된, 단순한 신경망일 수 있다. SSN(601)은 음성 피쳐()를 입력 받아 feed-forward layer(예: fully connected layer, FC)을 통과시킨 값들을 누적할 수 있다. SSN(601)은 누적된 값의 평균을 계산하여 보조 피쳐()를 획득할 수 있다. SSN(601)은 보조 피쳐()를 음성 피쳐()의 차원으로 투영할 수 있다. SSN(601)은 투영된 피쳐()와 음성 피쳐()를 합침으로써, SSN 적응 피쳐()를 출력할 수 있다. 적응 피쳐()를 획득하는 동작은 수학식 1을 통해 표현될 수 있다.
[수학식 1]
위 수학식 1은 단지 이해를 돕기 위한 예시일 뿐, 이에 제한되지 않으며, 다양한 방식으로 변형, 응용 또는 확장될 수 있다.
수학식 1에서, g(·)는 fully connected(FC) layer를 나타내는 것일 수 있다. g(·)는 파라미터 수를 줄이기 위해 적응 레이어(adapter layer)로 대체될 수도 있다. 보조 피쳐()는 음성 입력의 문맥을 나타내는 것일 수 있다. 보조 피쳐()는 화자의 정보를 포함하는 것일 수 있다. 프로세서(520)는 등록된 화자에 대응되는 SSN(예: SSN(601))을 선택적으로 이용함으로써, 화자 적응형 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 동작 527에서, 프로세서(520)는 제2 ASR 모델에 기초하여, SSN 적응 피쳐()로부터 음성 인식을 수행할 수 있다. 제2 ASR 모델은 제1 ASR 모델(예: transformer 기반 ASR 모델, conformer 기반 ASR 모델, 및/또는 RNN-transducer 기반 ASR 모델)에, 등록된 화자의 개인화를 위해 구성된 적응 레이어(adapter layer)(602)를 선택적으로 추가한 것일 수 있다. 도 6c를 참조하면, 적응 레이어(602)는 매개변수의 수를 제한하기 위해 병목 구조로 구성된 것일 수 있다. 적응 레이어(602)는 d차원의 피쳐를 더 작은 차원인 m차원으로 투영할 수 있다. 적응 레이어(602)는 m차원의 피쳐에 비선형성을 적용한 후 다시 d차원으로 투영할 수 있다. 하나의 적응 레이어(예: 적응 레이어(602))마다 추가되는 총 매개변수 수는 2md + d + m일 수 있다. 적응 레이어는 인코더(예: transformer의 인코더, conformer의 인코더, LSTM 인코더)에 추가될 수 있다. 예를 들어, transformer의 인코더의 feed forward layer와 nonlinearity layer(ReLU) 사이에 적응 레이어가 추가될 수 있다. 프로세서(520)는 음성 입력의 주체가 등록된 화자인 경우, 등록된 화자에 대응되는 적응 레이어를 선택적으로 추가하여 화자 적응형 음성 인식을 수행할 수 있다.
도 7은 일 실시예에 따른, SSN 및 적응 레이어의 학습 방법을 설명하기 위한 도면이다.
일 실시예에 따르면, 동작 701 내지 713은 지능형 서버(601)(예: 도 2의 지능형 서버(601)) 또는 전자 장치(501)(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201))의 프로세서(520)(예: 도 1의 프로세서(120), 도 2의 프로세서(203))에서 수행되는 것으로 이해될 수 있다. 이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.
일 실시예에 따르면, 동작 701 및 동작 703에서, 지능형 서버(601)는 음성 신호를 수집할 수 있다. 음성 신호는 신호 대 잡음 비가 약 10dB를 초과하는 음성 신호일 수 있다(동작 701). 음성 신호는 화자 검증을 통해 등록된 화자의 음성 신호일 수 있다(동작 703). 프로세서(520)는 음성 수집에 동의한 사용자가 전화 통화를 수행하는 경우에 음성 신호를 수집할 수 있다. 프로세서(520)는 사용자가 전자 장치(501)를 초기화한 경우에, 미리 준비된 대본을 읽는 사용자의 음성 신호를 수집할 수 있다.
일 실시예에 따르면, 동작 705 내지 동작 707에서, 지능형 서버(601)는 충분한 양(예: 약 10분)이 수집될 때까지 음성 신호를 수집할 수 있다.
일 실시예에 따르면, 동작 709에서, 지능형 서버(601)는 수집된 음성 신호에 기초하여 전사 데이터를 생성할 수 있다.
일 실시예에 따르면, 동작 711에서, 지능형 서버(601)는 전사 데이터에 기초하여 SSN 및 적응 레이어를 학습시킬 수 있다. 학습된 SSN은 약 0.75 MiB (예: single precision, FC1{80 x 512}, FC2{512 x 256}, Projection{256 x 80})의 크기를 가질 수 있다. SSN이 adapter 구조로 변경된 경우, SSN의 크기는 약 144 KiB (single precision, projection1{80 x 128}, FC1{128 x 64}, FC2 {64 x 128}, projection2{128 x 80} 구조 adapter 1 개)까지 감소할 수 있다. SSN을 제외한 학습된 적응 레이어들의 총 크기는 약 1728KiB 이다(예: 적응 레이어 하나당 약 144KiB, self-attention layer마다 2개의 적응 레이어 추가, transformer 인코더에서 총 6개의 self-attention layer 포함됨). 지능형 서버(601)는 학습된 SSN 및 학습된 적응 레이어(또는 학습된 적응 파라미터)를 획득할 수 있다.
일 실시예에 따르면, 동작 713에서, 지능형 서버(601)는 등록된 화자에 각각 대응되는, 학습된 SSN 및 학습된 적응 레이어를 사용자 database에 저장할 수 있다.
도 8은 일 실시예에 따른 전자 장치가 수행한 음성 인식 결과를 설명하기 위한 도면이다
도 8을 참조하면, 상황(801)에서, 전자 장치(800)는 화자 적응이 필요한 단어(예: 홍길돈)를 포함하는 발화(예: "홍길돈 전화해줘")를 수신할 수 있다. 전자 장치(800)는 화자 적응이 수행되지 않은 장치일 수 있다. 전자 장치(800)는 발화에 포함된 단어(예: 홍길돈)를 대중들의 사용 빈도가 더 높은 단어(예: 홍길동)로 오인하여 사용자에게 적절하지 않은 응답(예: 홍길동에게 전화함)을 제공할 수 있다.
일 실시예에 따르면, 상황(802)에서 전자 장치(501)(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201))는 발화(예: "홍길돈 전화해줘")를 수신할 수 있다. 발화(예: "홍길돈 전화해줘")는 화자 적응이 필요한 단어(예: 홍길돈)를 포함할 수 있다. 발화에 포함된 단어(예: 홍길돈)는 대중들의 사용 빈도가 더 높은 단어(예: 홍길동)로 오인되기 쉬운 단어일 수 있다. 전자 장치(501)는 발화의 주체가 등록된 화자인지를 판단하기 위해 화자 검증을 수행할 수 있다. 전자 장치(501)는 발화의 주체가 등록된 화자인 경우 등록된 화자에 대응되는, SSN 및 적응 레이어(예: 등록된 화자의 개인화 데이터에 기초하여 학습된, SSN 및 적응 레이어)에 기초하여 발화(예: "홍길돈 전화해줘")를 정확하게 인식할 수 있다. 전자 장치(501)는 화자 적응형 음성 인식을 수행함으로써, 사용자에게 올바른 응답(예: 홍길돈에게 전화함)을 제공할 수 있다.
도 9는 일 실시예에 따른, 지능형 서버의 동작 방법의 흐름도를 나타낸다.
동작 910 내지 동작 930은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작(910~930)의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.
동작 910에서, 지능형 서버(예: 도 2의 지능형 서버(200), 도 5의 지능형 서버(601))는 음성 입력에 대한 화자 검증을 수행할 수 있다.
동작 920에서, 지능형 서버(601)는 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 음성 입력에 대한 제1 음성 인식을 수행할 수 있다.
동작 930에서, 지능형 서버(601)는 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 음성 입력에 대한 제2 음성 인식을 수행할 수 있다.
일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101), 도 2의 전자 장치(201), 도 5 및 도 6의 전자 장치(501))는 인스트럭션들을 포함하는 메모리(예: 도 1의 메모리(130), 도 2의 메모리(207), 도 6의 프로세서(530))와 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서(예: 도 1의 프로세서(120), 도 2의 프로세서(203), 도 6의 프로세서(520))를 포함할 수 있다. 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 음성 입력에 대한 화자 검증을 수행할 수 있다. 상기 프로세서는 언어 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 제2 ASR 모델은, 상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어를 선택적으로 추가한 것일 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 음성 입력에 기초하여 음성 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 음성 입력에 기초하여 음성 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 SSN에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 제1 ASR 모델은, transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델 중 어느 하나를 포함하는 것일 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 제1 ASR 모델에 기초하여, 순차적으로 입력되는 상기 음성 입력에 대한 부분 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 모두 입력된 경우에 화자 검증을 수행할 수 있다.
일 실시예에 따르면, 상기 SSN 및 상기 적응 레이어는, 화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것일 수 있다
일 실시예에 따른 지능형 서버(예: 도 2의 지능형 서버(200), 도 5의 지능형 서버(601))는 인스트럭션들을 포함하는 메모리 및 상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함할 수 있다. 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는 음성 입력에 대한 화자 검증을 수행할 수 있다. 상기 프로세서는 언어 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 제2 ASR 모델은, 상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어를 선택적으로 추가한 것일 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 음성 입력에 기초하여 음성 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 음성 입력에 기초하여 음성 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 SSN에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득할 수 있다. 상기 프로세서는, 상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행할 수 있다.
일 실시예에 따르면, 상기 제1 ASR 모델은, transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델 중 어느 하나를 포함하는 것일 수 있다.
일 실시예에 따르면, 상기 프로세서는, 상기 제1 ASR 모델에 기초하여, 순차적으로 입력되는 상기 음성 입력에 대한 부분 음성 인식을 수행할 수 있다. 상기 프로세서는, 상기 음성 입력이 모두 입력된 경우에 화자 검증을 수행할 수 있다.
일 실시예에 따르면, 상기 SSN 및 상기 적응 레이어는, 화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것일 수 있다
일 실시예에 따른 지능형 서버(예: 도 2의 지능형 서버(200), 도 5의 지능형 서버(601))의 동작 방법은 음성 입력에 대한 화자 검증을 수행하는 동작을 포함할 수 있다. 상기 지능형 서버의 동작 방법은 상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행하는 동작을 포함할 수 있다. 상기 지능형 서버의 동작 방법은 상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 제2 ASR 모델은, 상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어를 선택적으로 추가한 것일 수 있다.
일 실시예에 따르면, 상기 제1 음성 인식을 수행하는 동작은, 상기 음성 입력에 기초하여 음성 피쳐를 획득하는 동작을 포함할 수 있다. 상기 제1 음성 인식을 수행하는 동작은 상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 제2 음성 인식을 수행하는 동작은 상기 음성 입력에 기초하여 음성 피쳐를 획득하는 동작을 포함할 수 있다. 상기 제2 음성 인식을 수행하는 동작은, 상기 SSN에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득하는 동작을 포함할 수 있다. 상기 제2 음성 인식을 수행하는 동작은, 상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 제1 ASR 모델은, transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델 중 어느 하나를 포함하는 것일 수 있다.
일 실시예에 따르면, 상기 SSN 및 상기 적응 레이어는, 화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것일 수 있다
본 문서에 개시된 일 실시예에 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 일 실시예 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 일 실시예에서 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 일 실시예는 기기(machine)(예: 전자 장치(1701)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(1736) 또는 외장 메모리(1738))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(1740))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(1701))의 프로세서(예: 프로세서(1720))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 일 실시예에 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.
일 실시예에 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. 일 실시예에 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. 일 실시예에 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.
501: 전자 장치
601: 지능형 서버

Claims (20)

  1. 전자 장치(101; 201; 501)에 있어서,
    인스트럭션들을 포함하는 메모리(130; 207; 530);
    상기 메모리(130; 207; 530)와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서(120; 203; 520)를 포함하고,
    상기 프로세서(120; 203; 520)에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서(120; 203; 520)는,
    음성 입력에 대한 화자 검증을 수행하고,
    상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행하고,
    상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, Sequence summarizing neural network(SSN)(601) 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행하는,
    전자 장치(101; 201; 501).
  2. 제1항에 있어서,
    상기 제2 ASR 모델은,
    상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어(602)를 선택적으로 추가한 것인,
    전자 장치(101; 201; 501).
  3. 제1항에 있어서,
    상기 프로세서(120; 203; 520)는,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하고,
    상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행하는,
    전자 장치(101; 201; 501).
  4. 제1항에 있어서,
    상기 프로세서(120; 203; 520)는,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하고,
    상기 SSN(601)에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득하고,
    상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행하는,
    전자 장치(101; 201; 501).
  5. 제1항에 있어서,
    상기 제1 ASR 모델은,
    transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델
    중 어느 하나를 포함하는 것인,
    전자 장치(101; 201; 501).
  6. 제1항에 있어서,
    상기 프로세서(120; 203; 520)는,
    상기 제1 ASR 모델에 기초하여, 순차적으로 입력되는 상기 음성 입력에 대한 부분 음성 인식을 수행하고,
    상기 음성 입력이 모두 입력된 경우에 화자 검증을 수행하는,
    전자 장치(101; 201; 501).
  7. 제2항에 있어서,
    상기 SSN(601) 및 상기 적응 레이어(602)는,
    화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것인,
    전자 장치(101; 201; 501).

  8. 지능형 서버(200; 601)에 있어서,
    인스트럭션들을 포함하는 메모리;
    상기 메모리와 전기적으로 연결되고, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고,
    상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
    음성 입력에 대한 화자 검증을 수행하고,
    상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행하고,
    상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, Sequence summarizing neural network(SSN)(601) 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행하는,
    지능형 서버(200; 601)
  9. 제8항에 있어서,
    상기 제2 ASR 모델은,
    상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어(602)를 선택적으로 추가한 것인,
    지능형 서버(200; 601).
  10. 제8항에 있어서,
    상기 프로세서는,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하고,
    상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행하는,
    지능형 서버(200; 601).
  11. 제8항에 있어서,
    상기 프로세서는,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하고,
    상기 SSN(601)에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득하고,
    상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행하는,
    지능형 서버(200; 601).
  12. 제8항에 있어서,
    상기 제1 ASR 모델은,
    transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델
    중 어느 하나를 포함하는 것인,
    지능형 서버(200; 601).
  13. 제8항에 있어서,
    상기 프로세서는,
    상기 제1 ASR 모델에 기초하여, 순차적으로 입력되는 상기 음성 입력에 대한 부분 음성 인식을 수행하고,
    상기 음성 입력이 모두 입력된 경우에 화자 검증을 수행하는,
    지능형 서버(200; 601).
  14. 제9항에 있어서,
    상기 SSN(601) 및 상기 적응 레이어(602)는,
    화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것인,
    지능형 서버(200; 601).
  15. 지능형 서버(200; 601)의 동작 방법에 있어서,
    음성 입력에 대한 화자 검증을 수행하는 동작;
    상기 음성 입력이 등록된 화자의 음성과 매칭되지 않는 경우, 제1 ASR 모델에 기초하여 상기 음성 입력에 대한 제1 음성 인식을 수행하는 동작; 및
    상기 음성 입력이 등록된 화자의 음성과 매칭되는 경우, SSN(601) 및 제2 ASR 모델에 기초하여 상기 음성 입력에 대한 제2 음성 인식을 수행 동작
    을 포함하는, 지능형 서버(200; 601)의 동작 방법.
  16. 제15항에 있어서,
    상기 제2 ASR 모델은,
    상기 제1 ASR 모델에, 상기 등록된 화자의 개인화를 위해 구성된 적응 레이어(602)를 선택적으로 추가한 것인,
    지능형 서버(200; 601)의 동작 방법.
  17. 제15항에 있어서,
    상기 제1 음성 인식을 수행하는 동작은,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하는 동작; 및
    상기 제1 ASR 모델에 기초하여 상기 음성 피쳐로부터 상기 제1 음성 인식을 수행하는 동작
    을 포함하는, 지능형 서버(200; 601)의 동작 방법.
  18. 제15항에 있어서,
    상기 제2 음성 인식을 수행하는 동작은,
    상기 음성 입력에 기초하여 음성 피쳐를 획득하는 동작;
    상기 SSN(601)에 기초하여 상기 음성 피쳐로부터 SSN 적응 피쳐를 획득하는 동작; 및
    상기 제2 ASR 모델에 기초하여 상기 SSN 적응 피쳐로부터 상기 제2 음성 인식을 수행하는 동작
    을 포함하는, 지능형 서버(200; 601)의 동작 방법.
  19. 제15항에 있어서,
    상기 제1 ASR 모델은,
    transformer 기반 ASR 모델, conformer 기반 ASR 모델, 또는 RNN-transducer 기반 ASR 모델
    중 어느 하나를 포함하는 것인,
    지능형 서버(200; 601)의 동작 방법.
  20. 제16항에 있어서,
    상기 SSN(601) 및 상기 적응 레이어(602)는,
    화자 검증을 통과한 사용자 음성을 디코딩하여 획득된 전사 데이터를 기반으로 훈련된 것인,
    지능형 서버(200; 601)의 동작 방법.
KR1020220109644A 2022-08-05 2022-08-31 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법 KR20240020134A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/011151 WO2024029875A1 (ko) 2022-08-05 2023-07-31 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220098112 2022-08-05
KR20220098112 2022-08-05

Publications (1)

Publication Number Publication Date
KR20240020134A true KR20240020134A (ko) 2024-02-14

Family

ID=89896850

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220109644A KR20240020134A (ko) 2022-08-05 2022-08-31 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법

Country Status (1)

Country Link
KR (1) KR20240020134A (ko)

Similar Documents

Publication Publication Date Title
US20220254369A1 (en) Electronic device supporting improved voice activity detection
KR20220011979A (ko) 언어 모델 및 이를 포함하는 전자 장치
KR20220005348A (ko) 인공지능 가상 비서 서비스에서의 화면 제공 방법 및 이를 지원하는 사용자 단말 장치 및 서버
KR20220086265A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20220126544A (ko) 사용자 명령을 처리하는 장치 및 그 동작 방법
KR20240020134A (ko) 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법
KR20240026049A (ko) 전자 장치 및 사용자 발화 처리 방법
US20220328043A1 (en) Electronic device for processing user utterance and control method thereof
KR20240038525A (ko) 전자 장치 및 사용자 발화 처리 방법
US20220028381A1 (en) Electronic device and operation method thereof
US20230297786A1 (en) Method and electronic device for processing user utterance based on augmented sentence candidates
US20230245647A1 (en) Electronic device and method for creating customized language model
US20230298586A1 (en) Server and electronic device for processing user's utterance based on synthetic vector, and operation method thereof
KR20240020137A (ko) 전자 장치 및 음성 인식 방법
KR20230136494A (ko) 증강된 문장 후보에 기반하여 사용자 발화를 처리하는 방법 및 전자 장치
KR20240026811A (ko) 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
KR20240020141A (ko) 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치
KR20240020140A (ko) 전자 장치 및 이의 음성 인식 방법
KR20230136493A (ko) 합성 벡터에 기반하여 사용자 발화를 처리하는 서버, 전자 장치, 및 이의 동작 방법
KR20220013799A (ko) 전자 장치 및 전자 장치의 동작 방법
KR20240050203A (ko) 발화 캐시에 기반하여 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
KR20240029481A (ko) 전자 장치 및 전자 장치의 사용자에 대한 응답 처리 방법
KR20230118006A (ko) 전자 장치 및 사용자 언어 모델 생성 방법
KR20240045927A (ko) 음성인식 장치 및 음성인식 장치의 동작방법
KR20220129312A (ko) 전자 장치 및 전자 장치의 개인화 음성 모델 생성 방법