KR20240025427A - 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치 - Google Patents

혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치 Download PDF

Info

Publication number
KR20240025427A
KR20240025427A KR1020220125096A KR20220125096A KR20240025427A KR 20240025427 A KR20240025427 A KR 20240025427A KR 1020220125096 A KR1020220125096 A KR 1020220125096A KR 20220125096 A KR20220125096 A KR 20220125096A KR 20240025427 A KR20240025427 A KR 20240025427A
Authority
KR
South Korea
Prior art keywords
sound source
vector
scene information
embedding vector
target sound
Prior art date
Application number
KR1020220125096A
Other languages
English (en)
Inventor
양재모
장준혁
김지연
문한길
방경호
김다일
김윤교
백민상
최원국
최정환
Original Assignee
삼성전자주식회사
한양대학교 산학협력단
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, 한양대학교 산학협력단 filed Critical 삼성전자주식회사
Priority to PCT/KR2023/010971 priority Critical patent/WO2024039102A1/ko
Priority to US18/235,664 priority patent/US20240062773A1/en
Publication of KR20240025427A publication Critical patent/KR20240025427A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating
    • G10L21/028—Voice signal separating using properties of sound source
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
    • G10L19/032—Quantisation or dequantisation of spectral components
    • G10L19/038—Vector quantisation, e.g. TwinVQ audio
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/04—Time compression or expansion
    • G10L21/055—Time compression or expansion for synchronising with other signals, e.g. video signals

Abstract

본 개시의 일 실시예에 따른 타겟 음원을 분리하는 방법은, 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작, 및 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작을 포함할 수 있다.

Description

혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치 {METHOD FOR SEPARATING TARGET SOUND SOURCE FROM MIXED SOUND SOURCE AND ELECTRONIC DEVICE THEREOF}
본 개시는, 혼합 음원의 장면 정보를 이용하여, 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치에 관한 기술이다.
휴대용 디지털 기기를 사용하여 전화 통화를 하거나 외부 음성을 녹음하거나 동영상을 취득하는 것이 일상화되면서, CE(consumer electronics) 기기 및 휴대 전화 등 다양한 디지털 기기에서 사운드를 취득하기 위한 수단으로서 마이크로폰(microphone)이 사용될 수 있다. 다만, 마이크로폰으로 획득되는 사운드에는 복수 개의 음원이 포함될 수 있다.
음원 분리 기술은 동시에 발생하는 둘 이상의 소리를 음원의 소스 별로 구분하는데 이용될 수 있다. 일례로, 스테레오 음악에서 가수의 목소리만을 추출하거나, 하나의 마이크로폰으로 녹음된 둘 이상의 오디오 신호를 각각 분리하기 위해 사용될 수 있다. 또한, 차량, 또는 휴대폰 등의 소음 제거에도 이용될 수 있다.
일반적인 음원 분리 기술은, 여러 개의 마이크로폰을 이용하여 녹음을 한 후, 각 마이크로폰에서 획득된 신호들 간의 상관 관계를 이용하여 음원을 구분할 수 있다. 한편, 음원 분리 기술에 인공 지능을 도입하는 방법들이 소개되고 있다. 대표적으로, 사전에 트레이닝 된 음성, 잡음 패턴이나 통계적인 데이터 정보를 이용하여 음성을 분리를 수행하는 방식이 있다.
본 개시의 일 실시예에 따른 타겟 음원을 분리하는 방법은, 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작, 및 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른 전자 장치는, 입력 인터페이스, 메모리, 및 상기 입력 인터페이스 및 상기 메모리와 동작적으로 연결된 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 입력 인터페이스로부터 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하고, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하고, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하고, 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 타겟 음원을 분리하도록 설정될 수 있다.
본 개시의 일 실시예에 따른 하나 이상의 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체는, 어플리케이션의 실행에 기반하여, 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작, 및 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작을 포함할 수 있다.
도 1은, 본 개시의 일 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 본 개시의 일 실시예들에 따른, 전자 장치의 블록도이다.
도 3a 및 도 3b는, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 방법의 순서도이다.
도 4는 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템의 개요도이다.
도 5는, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템의 사전 학습하는 상태의 블럭도이다.
도 6은, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템의 타겟 음원을 분리하는 상태의 블럭도이다.
도 7a는, 본 개시의 일 실시예에 따른, 제1 사전 학습을 위한 장면 추출기의 개요도이다.
도 7b는, 본 개시의 일 실시예에 따른, instance generator를 이용하는 ASC(acoustic scene classification) 시스템의 개요도이다.
도 7c는, 본 개시의 일 실시예에 따른, instance generator의 상세도이다.
도 8은, 본 개시의 일 실시예에 따른 제2 사전 학습을 위한 임베딩 레이어의 개요도이다.
도 9a는, 본 개시의 일 실시예에 따른 정제 네트워크의 상세도이다.
도 9b는, 본 개시의 일 실시예에 따른 제3 사전 학습을 위한 정제 네트워크의 개요도이다.
도 10은, 본 개시의 일 실시예에 따른, 각각의 장면 정보와 각각의 타겟 음원 사이의 대응에 관한 테이블이다.
도 1은, 본 개시의 일 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.
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.
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 일 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, 전자 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 일 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 일 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 일 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 일 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.
일 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. 일 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. 일 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, 본 개시의 일 실시예들에 따른, 전자 장치(200)의 블록도이다.
도 2를 참조하면, 일 실시예들에 따른 전자 장치(200, 예: 도 1의 전자 장치(101))는, 입력 인터페이스(220), 메모리(230) 및/또는 프로세서(210)를 포함할 수 있다. 일 실시예로, 입력 인터페이스(220)는 전자 장치의 외부(예: 사용자)로부터 음향 데이터를 수신하는 입력 모듈(예: 도 1의 입력 모듈(150))의 일부일 수 있고, 예시로 마이크일 수 있다.
일 실시예들에 따른 메모리(230, 예: 도 1의 메모리(130))는, 전자 장치(200)의 적어도 하나의 구성요소(예: 도 1의 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 명령 또는 데이터를 저장할 수 있다. 일 실시예에 따른 메모리(230)는 비휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD)를 포함할 수 있다. 메모리(230)는 프로세서(210)에 의해 액세스되며, 프로세서(210)에 의한 데이터의 독취/기록/수정/삭제/갱신이 수행될 수 있다.
일 실시예들에 따른 프로세서(210, 예: 도 1의 프로세서(120))는, 메모리(230)에 저장된 명령 또는 동작을 수행할 수 있다. 구체적인 프로세서(210)의 명령 또는 동작은 후술한다.
일 실시예들에 따른 프로세서(210)는, 메모리(230)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 예를 들어, 프로세서(210)는 입력된 음원의 획득에 기반한 사전 정의된 장면 정보 벡터를 생성하거나, 지정된 음원 그룹에 포함된 타겟 음원에 각각 대응하는 부분 임베딩 벡터를 생성하거나, 또는 특정 장면 정보과 특정 타겟 음원 사이의 임베딩 벡터에 기반한 임베딩 벡터를 생성하기 위한 신경망을 학습할 수 있다. 여기서, 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 또는 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 또는 음성/신호처리 등의 분야에 적용될 수 있다.
일 실시예에 따른 프로세서(210)는 범용 프로세서(예: CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예: GPU)일 수 있다.
일 실시예에 따른 메모리(230)는 데이터의 분류 또는 인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델을 저장할 수 있다. 예를 들어, 메모리(230)는 프로세서(210)의 학습 수행 결과 생성된 딥 러닝 모델을 저장할 수 있다.
일 실시예에 따른 프로세서(210)는 데이터 분류 또는 인식을 위한 신경망을 학습하는 데이터 학습부를 포함할 수 있다. 데이터 학습부는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다. 데이터 학습부는 적어도 하나의 하드웨어 칩 형태로 제작되어 프로세서(210)의 일부로 탑재되거나, 데이터 학습부는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
일 실시예에 따른 데이터 학습부는 학습 데이터 획득부 및 모델 학습부를 포함할 수 있다. 학습 데이터 획득부는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 모델 학습부는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는, 모델 학습부는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
일 실시예로, 모델 학습부는 신경망 모델이 학습되면, 학습된 신경망 모델을 메모리(230)에 저장할 수 있다. 모델 학습부는 학습된 신경망 모델을 전자 장치와 유선 또는 무선 네트워크로 연결된 서버의 메모리(미도시)에 저장할 수도 있다.
일 실시예로, 데이터 학습부는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 데이터 학습부는 모델 학습부가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 지정된 포맷으로 가공할 수 있다. 데이터 학습부는 획득된 학습 데이터 또는 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부에 제공될 수 있다.
일 실시예로, 데이터 학습부는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다. 모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 지정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
상기 서술한 프로세서(210) 및 메모리(230)는 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
상술한 인공 지능 기술은 음원 분리, 음성 추출, 또는 노이즈 제거와 같은 음성 처리 분야에도 이용될 수 있다. 예를 들어, AI를 이용한 음원 분리 기술 중 하나로 오디오 신호 분석 기술과 딥러닝 기술을 결합하여 음원의 소스 별로 구성 요소를 분리하고, 이를 이용하여 원하는 타겟 음원만을 추출하거나, 분리된 음원에 기반하여 새로운 컨텐츠를 만들 수 있다.
도 3a 및 도 3b는, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 방법(300a, 300b)의 순서도이다. 도 4는 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템(400)의 개요도이다.
도 3a, 도 3b 및 도 4를 참조하면, 일 실시예에 따른 타겟 음원을 분리하는 시스템(400)은, 혼합 음원을 입력 받아 장면 정보를 출력하는 장면 추출기(410), 지정된 음원 그룹에 포함된 적어도 하나의 타겟 음원에 대응하는 임베딩 벡터를 학습하는 임베딩 레이어(420), 임베딩 레이어(420)의 학습된 임베딩 벡터를 장면 정보에 기반하여 정제하는 정제 네트워크(430), 및 정제한 임베딩 벡터에 기반하여 혼합 음원을 분리하는 분리 레이어(440)가 포함될 수 있다.
일 실시예로, 타겟 음원을 분리하는 시스템(400)에는, T 길이의 시간 영역 파형인 음원 신호 y, 및 타겟 사운드 벡터 ()를 입력으로 제공할 수 있다. 여기서 N은 지정된 사운드 그룹에 포함된 사운드(acoustic events)의 개수일 수 있다. 예를 들어, n번째 사운드를 추출하기 위하여, 타겟 사운드 벡터(o)는 one-hot 벡터이고, 여기서 타겟 사운드에 해당하는 요소(o_n)는 1로 설정되고, 다른 요소(o_j, j는 n이 아님)는 0으로 설정될 수 있다. 음원 신호 y, 및 타겟 사운드 벡터가 입력되면, 타겟 음원은 로 추정될 수 있다. 여기서 DNN(deep neural network)의 비선형 변환이 적용될 수 있다. 시간 영역의 음원 분리 및 추출 프레임 워크가 가능한 Conv-TasNet architecture이 이용될 수 있다.
일 실시예로, 음원 신호 y가 입력되면, 타겟 음원을 분리하는 시스템(400)의 혼합물의 중간 표현()을 생성할 수 있다. 여기서, h_f는 특징 공간의 차원인 D 차원의 f번째 프레임의 특징을 나타내고, F는 총 프레임 수이다.
병렬로, 타겟 사운드 벡터 ()가 입력되면, 임베딩 레이어(420)는 타겟 음원의 인코딩된 표현을 제공하는 타겟 임베딩()을 적용할 수 있다. 이러한 중간 표현(H)과 타겟 임베딩(c)은 통합 표현()으로 결합되고, 타겟 음원을 분리하는 시스템(400)은 타겟 음원만 분리하여 출력할 수 있다.
일 실시예로, 타겟 음원을 분리하는 시스템(400)은 지정된 임베딩 벡터()에 입력 받은 타겟 사운드 벡터 ()를 적용할 수 있다. 일 실시예로, 타겟 음원을 분리하는 시스템(400)은 입력되는 혼합 음원의 장면 정보를 통해 미리 설정된 임베딩 벡터()를 정제할 수 있다.
일 실시예로, 타겟 음원을 분리하는 방법(300a, 300b)은, 타겟 음원을 분리하는 시스템(400)의 사전 학습을 위한 일부 동작(300a) 및 학습된 시스템을 이용하여 타겟 음원을 분리하는 일부 동작(300b)를 포함할 수 있다.
일 실시예로, 동작 310에서 획득한 음원은 후술하는 사전 학습을 위한 음원으로, 후술하는 혼합 음원과 동일하거나 상이할 수 있으며, 적어도 하나 이상의 음원이 포함될 수 있다.
일 실시예로, 동작 320, 동작 330, 동작 340 및 동작 350에서, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(200))는 제1 사전 학습, 제2 사전 학습, 제3 사전 학습 및 제4 사전 학습을 각각 수행할 수 있다. 전자 장치는 사전 학습을 통하여 구체적인 사전 학습에 관하여는 후술한다. 전자 장치는 사전 학습에 의해 학습이 완료된 이후에, 혼합 음원을 타겟 음원으로 분리할 수 있다.
일 실시예로, 동작 360에서, 전자 장치는 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득할 수 있다. 예를 들어, 혼합 음원은 외부로부터 입력 인터페이스(예: 도 1의 통신 모듈(190))를 통해 입력 받아 생성될 수 있고, 전자 장치에 포함된 마이크로폰(예: 도 2의 입력 인터페이스(220))을 통해 생성될 수 있다. 일 실시예로, 전자 장치는 외부 장치의 마이크로폰을 통해 생성된 혼합 음원을 입력 인터페이스를 통해 수신할 수 있다. 혼합 음원은 인공적으로 생성되거나, 생성된 이후에 필터링 또는 조작이 적용될 수 있다.
일 실시예로, 혼합 음원에는 분리하고자 하는 타겟 음원이 포함되고, 그 이외의 음원이 포함될 수 있다. 여기서, y는 혼합 음원에 해당하는 입력 신호이고, 는 분리하고자 하는 n번째 타겟 음원에 해당하는 신호이며, 는 분리하고자 하는 타겟 음원이 아닌 음원에 해당하는 신호이다. 예시로, 타겟 음원을 2개로 한정하였으나, 더 많은 종류와 개수가 존재할 수 있다.
일 실시예로, 타겟 음원은 적어도 하나 이상의 음원을 포함할 수 있고, 아래와 같은 수식으로 나타낼 수 있다.
일 실시예로, 동작 370에서, 전자 장치는 획득한 혼합 음원에 기반하여, 혼합 음원과 관련한 장면 정보를 획득할 수 있다. 일 실시예로, 도 4의 장면 추출기(410)는 혼합 음원을 입력 받고, 지정된 장면 정보 그룹에서 적절한 장면 정보를 선택하여 출력할 수 있다. 장면 추출기(410)는 제1 사전 학습을 통해 학습된 인공 신경망을 통해, 입력 받은 적어도 하나 이상의 음원이 포함된 혼합 음원을 이용하여, 혼합 음원에 대응하는 장면 정보를 추출할 수 있다. 지정된 장면 정보 그룹에 포함된 장면 정보에는 각각에 대응하는 적어도 하나의 음원이 미리 설정될 수 있다.
일 실시예로, 동작 380에서, 전자 장치는 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환할 수 있다. 예를 들어, 도 4의 임베딩 레이어(420)는 제2 사전 학습을 통해 학습된 인공 신경망에서 지정된 음원 그룹 전체에 대응하는 제1 임베딩 벡터를 학습할 수 있고, 도 4의 정제 네트워크(430)는 제3 사전 학습을 통해 학습된 인공 신경망을 통해, 획득한 장면 정보에 기반하여 제1 임베딩 벡터를 제2 임베딩 벡터로 변환할 수 있다.
일 실시예로, 도 4의 임베딩 레이어(420)는 지정된 음원 그룹의 전체에 대응하는 임베딩 벡터인 제1 임베딩 벡터를 학습 및 저장할 수 있다. 지정된 음원 그룹에는 적어도 하나의 타겟 음원이 포함되고, 제1 임베딩 벡터는 각각의 타겟 음원에 각각 대응하는 부분 임베딩 벡터의 합 벡터 일 수 있다. 지정된 음원 그룹에는 장면 정보 그룹에 포함된 각각의 장면 정보에서 발생 가능한 적어도 하나 이상의 타겟 음원이 각각 대응하도록 미리 설정될 수 있다.
일 실시예로, 도 4의 정제 네트워크(430)는 사전 학습한 신경망을 이용하여, 제1 임베딩 벡터를 장면 정보에 대응하는 제2 임베딩 벡터로 변환할 수 있다. 제2 임베딩 벡터는 장면 정보마다 대응하는 타겟 음원이 분리되도록 미리 학습 또는 저장된 제1 임베딩 벡터로부터 변환된 임베딩 벡터일 수 있다.
일 실시예로, 동작 390에서, 전자 장치는 정제된 제2 임베딩 벡터에 기반하여, 획득한 혼합 음원에서 타겟 음원을 분리할 수 있다. 도 4의 분리 레이어(440)는 혼합 음원 및 제2 임베딩 벡터를 입력 받고, 미리 학습된 신경망을 이용하여 타겟 음원을 분리할 수 있다. 예시로, 분리 레이어(440)는 혼합 음원에 대한 마스크(m, mask)를 추정하고, 곱함으로써 로 나타낼 수 있다. 여기서, 혼합 음원에 대한 마스크(m)는 심화 신경망을 이용하여 추정될 수 있다.
일 실시예로, 도 4의 분리 레이어(440)는 제4 사전 학습을 통해 학습된 인공 신경망을 통해, 제2 임베딩 벡터를 이용하여 혼합 음원으로부터 타겟 음원을 분리할 수 있다.
도 5는, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템의 사전 학습하는 상태의 블럭도이다. 도 6은, 본 개시의 일 실시예에 따른, 타겟 음원을 분리하는 시스템의 타겟 음원을 분리하는 상태의 블럭도이다.
도 5 및 도 6을 더 참조하면, 일 실시예에 따른 타겟 음원을 분리하는 시스템(400)은, 음원을 입력 받아 타겟 음원을 출력하도록 사전 학습한 이후에, 하나 이상의 음원이 혼합된 혼합 음원을 입력 받아 타겟 음원을 분리할 수 있다.
예를 들어, encoder의 filter 개수 N은 512, filter의 kernel size L은 32, bottleneck layer 및 residual path의 filter 개수 B는 128, depthwise convolution에서의 filter 개수 H는 256, convolutional block의 kernel size P는 3, 1 repeat 당 dilated convolution block의 개수 X는 6, repeat의 횟수 R은 2로 설정할 수 있다.
일 실시예로, 임베딩 레이어(420)의 경우 발생가능한 타겟 음원을 4개로 가정하고 크기 m인 multi-hot vector를 입력으로 하고 128의 크기를 갖는 vector를 출력으로 하는 4 x 128 matrix를 사용할 수 있다.
일 실시예로, 타겟 음원을 분리하는 시스템(400)의 사전 학습 과정에서는, 임베딩 레이어(420)에 모든 경우의 수에 해당하는 발생가능한 타겟 음원에 대응하는 벡터가 입력될 수 있다. 반면, 타겟 음원을 분리하는 시스템(400)의 타겟 음원을 분리하는 상태에서는, 임베딩 레이어(420)에 지정된 음원 그룹에 포함된 모든 타겟 음원에 대응하는 벡터가 입력될 수 있다.
일 실시예로, 장면 추출기(410)의 경우 pointwise, frequency-side depthwise, temporal-side depthwise convolution의 조합으로 이루어진 fully-separated convolutional module(FUSE-ConvMod)를 정의하고 최종 output이 128 dimension을 갖도록 구성될 수 있다.
일 실시예로, 정제 네트워크(430)는 채널수만을 변경하는 convolution을 이용해 128 dimension을 256 dimension으로 늘리고 conditioning 기법을 통해 scene 정보로부터 생성한 weight와 bias를 이용해 representation을 변형한 후 다시 출력이 128 dimension이 되도록 변경될 수 있다.
또한, 학습시 batchsize는 16으로 설정하고 2,000,000 epoch 후에 그 크기가 절반이 되도록 exponentially decrease하는 스케쥴러를 이용하여 learning rate가 서서히 감소하도록 하여 의 learning rate 초기값을 가지고 학습을 수행할 수 있다.
도 7a는, 본 개시의 일 실시예에 따른, 제1 사전 학습을 위한 장면 추출기(410)의 개요도이다. 도 7b는, 본 개시의 일 실시예에 따른, 장면 추출기(410)에 적용된 instance generator를 이용하는 ASC(acoustic scene classification)의 상세도이다. 도 7c는, 본 개시의 일 실시예에 따른, 장면 추출기(410)에 적용된 instance generator의 상세도이다.
도 7a를 더 참조하면, 일 실시예에 따른 장면 추출기(410)는 음원을 입력 받아 장면 정보 벡터()를 출력할 수 있다. 예를 들어, 입력 y 는 마이크로폰의 입력 신호로 의 벡터이고, 은 마이크로폰의 입력 y로부터 추출한 장면 정보로 128차원의 벡터 형태를 가질 수 있다. 일 실시예에 따른 분류기(411)는 장면 추출기(410)로부터 장면 정보 벡터()을 받아 타겟 장면을 분류하고, 장면 결정 확률 벡터()를 출력할 수 있다. 은 m개의 타겟 장면을 나타내는 m차원의 one-hot 벡터일 수 있다.
일 실시예에 따른 장면 추출기(410)는, 타겟 장면을 나타내는 one-hot vector의 instance-level BCE loss와 최종 추정 one-hot vector의 weighted BCE loss의 합을 이용하여 학습을 수행할 수 있다. 일 실시예에 따른 weighted BCE 는 하기의 수식으로 산출할 수 있다.
이 때, 는 가중치, 는 정답, label 등을 의미하며 는 예측 확률 값을 의미한다. 여기서, 가중치는 예시로 =9를 사용할 수 있다.
Weighted binary cross entropy는 binary cross entropy (BCE)의 변형으로 BCE는 이진분류 문제에서 실제 label과 추정확률이 차이가 크면 페널티를 부여하고 이를 최소화하는 loss로 사용되는 것으로, weighted BCE는 positive 클래스와 negative 클래스 간의 개수 차이가 발생해 이에 대한 보정으로 가중치를 부여하여 사용하는 loss일 수 있다.
도 7b 및 도 7c를 더 참조하면, 일 실시예로 장면 추출기(410)는, 획득한 혼합 음원에 기반하여, 장면 정보에 대응하는 장면 정보 벡터인 instance vector를 생성하여 출력할 수 있다. 여기서, 입력 신호는 마이크로폰의 입력 신호로 10초 길이에 해당하는 1X160000의 벡터이고, 10초의 입력으로부터 instance vector를 생성하고 이를 이용하여 장면을 추정할 수 있다.
일 실시예로, 전자 장치(예: 프로세서)에 구현된 시스템의 장면 추출기(410)는 사전 정의된 환경을 구분하는 scene classifier 중 multi instance vector 기반의 ASC(acoustic scene classification) 시스템에서 사용하는 instance generator를 개선한 모듈일 수 있다.
ASC(acoustic scene classification) 시스템에서 음향 장면은 다양한 속성으로 구현되며 그 중 일부 고유한 속성의 조합을 식별하여 추론할 수 있다. 일 실시예로, ASC 시스템은 다중 instance 학습(MIL) 프레임워크를 사용하여 이러한 속성을 효과적으로 추출하고 클러스터링할 수 있다. Weakly Supervised learning 방법 중 하나로 알려진 MIL은 입력 데이터에서 instance를 추출하고 레이블이 지정되지 않은 instance로 입력 데이터에 해당하는 장면을 추론하는 방법이다. instance 추출 및 클러스터링에 효과적인 instance 레벨 레이블 및 instance 레벨 손실을 채택하여 ASC 시스템에 보다 적합한 MIL 프레임워크를 개발할 수 있다.
일 실시예에서, 음향 장면 분류(ASC)는 음향 사건, 분위기, 방 크기, 또는 문화 등의 큰 맥락과 조합을 고려하여 음향 환경을 인식하는 것을 목표로 하고, 점별, 주파수 측 깊이별 및 시간 측 깊이별 컨볼루션 필터가 포함된 복잡도가 낮은 신경망인 완전히 분리되도록 설계된 컨볼루션 모듈일 수 있다. 음향 장면 분류(ASC)는 일반적으로 대상 이벤트 또는 소스를 처리하는 사운드 이벤트 감지 및 사운드 분리 작업과 달리 복잡한 음향 데이터 간의 큰 컨텍스트를 고려할 수 있다. 효율적인 ASC의 달성은 심층 신경망을 사용하는 인공 지능의 DCASE(음향 장면 및 이벤트의 감지 및 분류) 커뮤니티의 주요 과제로 알려져 있다. 일 실시예에서, 특정 사운드 이벤트는 음향 장면을 나타낼 수 있지만 고유하지는 않고, 다른 장면에서도 나타날 수 있다. 예를 들어, 트램 소리 또는 소음은 일반적으로 트램 장면(예, 트램 내부)을 나타냅니다. 그러나 트램 웨이 근처의 보행자에게 나타날 수도 있다. 다른 경우에는 음향 사건, 음향 잡음, 심지어 에코의 조합이 음향 장면의 일부일 수 있다. 조용한 상황이나 환경과 같은 고유한 이벤트나 속성이 없을 수도 있다. 이것은 사람이 물 흐르는 소리와 새 지저귐으로 공원의 음향 장면을 인식할 수 있음을 의미할 수 있다. 그러나 이벤트가 없으면 여전히 공원이지만 공원인지 다른 외부 장면인지 구별하지 못할 수 있다.
일 실시예에서, CNN(Convolutional Neural Networks)은 log-mel 스펙트로그램, MFCC(mel-frequency cepstral coefficients), CQT(constant-Q transform), 감마톤 주파수 셉스트럴 계수(GFCC) 및 크로마토그램을 이용할 수 있다. ASC 시스템을 설계하기 위한 일반적인 전략은 원시 오디오 데이터에서 이벤트의 활성화 점수로 구현된 고급 기능 맵을 추출하고 지도 학습 방법을 통해 각 장면에 대한 GAP(Global Average Pooling) 또는 완전 연결 레이어(FC 레이어)로 분류할 수 있다.
MIL에는 instance vector를 생성하는 방법 및 instance를 사용하여 bag-level 클래스를 추론하는 방법을 핵심 사항으로 가질 수 있다. 효과적인 instance generator 및 instance-lever loss을 채택하도록 instance vector를 생성하는 방법에 중점을 둘 수 있다.
Instance generator는 feature map extractor와 instance vector generator의 두 단계로 나눌 수 있다. 먼저, feature map extractor는 VGG를 사용하는 대신 점별(PW) 및 깊이별(DW) 컨볼루션 레이어가 있는 공간적으로 분리 가능한 컨볼루션 레이어를 채택할 수 있다. 복잡성 측면에서 표준 컨볼루션 레이어의 매개변수 수는 와 같을 수 있다. 여기서, 복잡성은 입력 채널 및 출력 채널의 크기 (Cin 및 Cout)의 곱과 커널의 높이 및 너비(KH 및 KW)에 따라 달라질 수 있다. 깊이별 분리 가능한 컨볼루션은 수용 필드를 유지하면서 컨볼루션 필터의 효율적인 버전으으로, depthwise convolution과 pointwise convolution의 두 가지 레이어로 구현될 수 있다. 깊이별 분리 가능한 컨볼루션 레이어의 복잡성은 다음과 같이 계산됩니다.
또한, 공간 분리형 컨볼루션 레이어에는 완전히 인수분해된 컨볼루션 필터가 있을 수 있다. 3 × 3 필터를 3 × 1 및 1 × 3 필터 조합으로 대체할 수 있다. 공간 분리형 컨볼루션 레이어의 복잡성은 다음과 같다.
출력 채널의 크기(Cout)가 필터의 개수와 같을 때 공간적으로 분리 가능한 컨볼루션 레이어의 복잡도는 곱셈 대신 덧셈 연산만으로 계산될 수 있다. 예컨대, 필터 크기와 채널 수가 클수록 복잡성이 더 효율적일 수 있다.
공간적 속성을 갖는 이미지 데이터와 달리 스펙트로그램은 주파수와 시간 축에 따라 다른 의미를 보여줄 수 있다. 따라서, 공간적으로 분리 가능한 컨볼루션의 커널은 주파수 측 커널과 시간 측 커널로 바뀔 수 있다. 오디오 필드에서 공간적으로 분리 가능한 컨볼루션에 대한 이전 연구에 따르면, 키워드 스포팅 및 ASC 작업은 성능 향상뿐만 아니라, 더 적은 수의 매개 변수를 모델링하는 데에도 유익할 수 있다.
일 실시예로, feature map extractor는 PW, 주파수 측 DW(FDW) 및 시간 측 DW(TDW) 컨볼루션 레이어의 조화를 갖는 4개의 완전 분리된 컨볼루션 모듈(FUSE-ConvMods)을 포함할 수 있다. 입력 기능은 PW 컨볼루션 레이어와 여러 FULL SEperated 컨볼루션 블록(FUSE-ConvBlocks)을 전달하고, 최대 풀링 계층을 통해 풀링될 수 있다. 수학적으로 i 번째 FUSE-ConvModule이 사용하는 출력은 다음과 같다.
여기서 Xi, N, fik는 i번째 FUSE-ConvMod의 입력, i번째 FUSE-ConvMod의 FUSE-ConvBlock 및 k번째 블록의 번호를 각각 나타낼 수 있다. 예외적으로 마지막 FUSE-ConvMod는 풀링을 수행하지 않을 수 있다.
Feature map extractor의 출력은 여전히 형태(채널, 주파수, 또는 프레임)를 만드는 텐서(tensor)일 수 있다. 일 실시예로, instance vector generator는 전체 크기(예: 완전히 연결된)의 커널이 있는 FDW 컨볼루션 계층을 사용하여 주파수 축을 따라 텐서를 집계하고, feature map extractor에서 출력의 모양을 얻을 수 있다. 따라서, (32 × 1) FDW 컨볼루션 레이어를 사용하고, 그 뒤에 아핀 변환 유지 채널이 뒤따르며, 그 이후에 모양이 바뀌고 전치될 수 있다.
일 실시예로, positive 및 negative instance를 클러스터링하기 위해 instance-level 손실(loss) 및 bag-level 손실을 고려할 수 있다. 결과적으로 총 손실은 Ltotal = Lbag + Lins 으로 표현할 수 있다.
일 실시예로, bag-level 손실에서, MIL 방법의 기본 목적은 각 백이 양수인지 음수인지 결정하고, 손실은 가중 바이너리 교차 엔트로피(weighted BCE)의 평균에 의해 도입되며, 이는 포지티브 및 네거티브 클래스의 불균형을 고려하여 각 클래스에 대한 BCE의 평균을 계산하는 데 사용될 수 있다. 또한, 대부분의 분류에서 채택하는 bag-level loss에 대해 Cross-entropy(CE)를 사용하여 실험하고, wBCE와 CE loss의 평균을 사용한 결과를 비교하였다. 하기의 수식은 wBCE와 CE의 평균을 보여준다. 여기서, wBCEs, C 및 α는 각각 wBCEs의 평균, 클래스 수 및 클래스 불균형 계수인 손실 함수에 대해 채택했으며, α를 C - 1로 설정했다. α가 1이면 wBCE의 평균은 클래스 불균형을 고려하지 않은 BCE의 평균과 동일할 수 있다.
일 실시예로, instance에 레이블이 없기 때문에 각각에 bag-level ground truth를 사용하여 레이블을 할당할 수 있다. 하기의 수식은 instance 예측을 사용하여 instance-level 레이블을 정의하는 방법을 보여준다.
클래스 중 최대 예측 점수의 인덱스가 각 instance의 정답과 같으면 양수 레이블을 할당하고, 그렇지 않으면 음수 레이블을 할당할 수 있다. 클래스 중 최대 예측 점수의 인덱스가 각 instance의 정답과 같으면 양수 레이블을 할당하고, 그렇지 않으면 음수 레이블을 할당할 수 있다. 양수 레이블은 one-hot 벡터로 정의되고 음수 레이블은 0 벡터로 정의될 수 있다. bag-level loss와 같은 이유로 instance-level loss에 대해 weighted BCE의 평균을 사용하여 모델이 개별 instance와 음수를 클러스터링할 수 있다. 모든 클래스의 엔트로피를 평균하고 bag에 대해 평균을 낼 수 있다.
훈련 시작 시 모든 매개변수는 무작위로 설정되고 instance-level 레이블은 instance가 고유한지 여부에 관계없이 임의의 레이블로 설정될 수 있다. Bag-level loss는 ground truth로 계산되기 때문에 훈련 단계가 진행됨에 따라 instance-level 레이블을 올바른 방향으로 올바르게 안내하고, 그렇지 않으면 instance-level 레이블이 잘못된 레이블 공간에 놓이게 될 수 있다.
도 8은, 본 개시의 일 실시예에 따른 제2 사전 학습을 위한 임베딩 레이어(420)의 개요도이다.
도 8을 더 참조하면, 일 실시예에 따른 음원 입력 y는 벡터 형상의 입력 신호 벡터이고, e는 타겟 음원에 대한 임베딩 벡터로, 예를 들어 4차원의 입력을 받아 128차원의 벡터 형태로 인코딩된 것이며, 4차원의 입력(v)은 [0, 0, 0, 0]T ~ [1, 1, 1, 1]T 사이의 모든 경우의 벡터일 수 있다. 타겟 음원()은 혼합 음원인 y로부터 타겟 음원을 분리한 것으로 벡터 형상의 출력이다.
일 실시예로, 4차원의 입력(v)은 지정된 음원 그룹에 포함된 각각의 음원에 대응되는 것으로, 해당 음원를 포함하는 경우에 해당 구성요소를 1로 갖고, 해당 음원을 포함하지 않는 경우에 해당 구성요소를 0으로 가질 수 있다.
일 실시예로, 임베딩 레이어(420)는 제2 사전 학습에서, 지정된 음원 그룹에 포함된 4개의 음원을 각각 대표하도록 각각의 부분 임베딩 벡터를 학습할 수 있다. 예를 들어, 임베딩 레이어(420)는 각각의 음원에 대응하는 입력 [1, 0, 0, 0]T, [0, 1, 0, 0]T, [0, 0, 1, 0]T , [0, 0, 0, 1]T 에 대응하는 부분 임베딩 벡터를 학습할 수 있다.
일 실시예로, 임베딩 레이어(420)에 4차원의 입력(v)이 [1, 1, 1, 1]T 가 입력되는 경우에 출력되는 지정된 제1 임베딩 벡터(e_all)는 부분 임베딩 벡터의 합 벡터일 수 있다.
일 실시예로, 임베딩 레이어(420)는 출력되는 타겟 음원과의 negative SI-SDR을 loss로 학습을 수행할 수 있다. Negative SI-SDR은 하기의 수식으로 산출될 수 있다.
여기서, s는 타겟 신호(예: 정답)를 의미하며 는 신경망의 출력을 의미할 수 있다. SI-SDR은 SDR의 변형으로 SDR은 신호와 왜곡의 비율을 log scale로 나타내는 것이며 크기가 클수록 왜곡이 적다. 그러나 신호의 크기 변화에 민감하게 반응하므로, 이를 보정한 metric이 SI-SDR이고, 임베딩 레이어(420)는 SI-SDR에 음의 부호를 붙여 최소화하도록 학습하여 SI-SDR이 최대가 되도록 학습할 수 있다.
도 9a는, 본 개시의 일 실시예에 따른 정제 네트워크(430)의 상세도이다. 도 9b는, 본 개시의 일 실시예에 따른 제3 사전 학습을 위한 정제 네트워크(430)의 개요도이다.
도 9a를 참조하면, 일 실시예로 정제 네트워크(430)는 지정된 음원 그룹의 전체를 나타내는 제1 임베딩 벡터를 장면 정보에 기반하여 타겟 음원을 나타내는 제2 임베딩 벡터로 정제할 수 있다.
일 실시예로, 정제 네트워크(430)는 딥러닝 모델을 학습시킬 때 필요한 정보를 담고 있는 다른 feature의 정보를 딥러닝 모델에 결합하기 위해 쓰이는 Feature-wise Linear Modulation (FiLM)을 이용할 수 있다. 이러한 결합 기법을 conditioning이라고 하며, 딥러닝 모델을 원하는 방향으로 학습시키기 위해 사용될 수 있다. 일 실시예로, 하기의 수식과 같이 정제 네트워크(430)는 FiLM generator(431)에서 출력한 scaling vector() 및 shift vector()를 사용하여 임베딩 벡터를 정제할 수 있다.
일 실시예로, FiLM는 conditioning하고자하는 feature를 각각의 레이어에 통과시킨 후, 하나는 scaling vector()로써 conditioning하고자 하는 부분의 feature에 곱해주고, 다른 하나는 shift vector()로써 더해줌으로써 모델의 학습방향을 잡아줄 수 있다. 일 실시예로, FiLM generator(431)는 정제 네트워크(430)를 위한 scaling vector 및 shift vector를 생성해주는 레이어로, fully connected layer, convolutional layer 등 다양한 레이어를 사용할 수 있다.
일 실시예로, 정제 네트워크(430)는 FiLM generator(431)에 장면 정보를 입력하여 출력되는 scaling vector() 및 shift vector()를 각각 사용하여 제1 임베딩 벡터를 제2 임베딩 벡터로 정제할 수 있다.
도 9b를 참조하면, 일 실시예로 제2 사전 학습에 의해 학습된 임베딩 레이어(420)는 실제의 타겟 음원이 입력되는 경우, 분리 레이어(440)에 입력되는 혼합 음원 중에서 타겟 음원을 분리하도록 타겟 음원에 대응하는 임베딩 벡터()를 출력할 수 있다.
일 실시예로, 제2 사전 학습에 의해 학습된 임베딩 레이어(420)는 지정된 음원 그룹에 포함된 전체를 포함하는 타겟 음원이 입력되는 경우, 분리 레이어(440)에서 입력되는 혼합 음원 중 지정된 음원 그룹의 전체에 대응하는 제1 임베딩 벡터()를 출력할 수 있다.
일 실시예로, 정제 네트워크(430)는 제1 임베딩 벡터() 및 장면 정보()의 입력에 의해, 제2 임베딩 벡터()를 출력하도록 제3 사전 학습을 수행할 수 있다. 제1 임베딩 벡터()는 지정된 음원 그룹에 포함된 타겟 음원의 전체에 대한 임베딩으로, 예시로 128차원의 벡터 형태를 가질 수 있다. 장면 정보()는 제1 사전 학습에 의해 학습된 장면 추출기의 출력으로, 예시로 128차원의 벡터 형태를 가질 수 있다. 제2 임베딩 벡터()는 특정한 장면 정보()에 대응하는 타겟 음원에 대한 임베딩을 나타내며, 예시로 128차원의 벡터 형태를 가질 수 있다.
일 실시예에 따른 제3 사전 학습에 따르면, 제2 사전 학습에 의해 학습된 임베딩 레이어(420)에 타겟 음원이 입력되어 출력되는 타겟 임베딩 벡터(예: 타겟 음원의 임베딩 벡터())와, 장면 정보()에 기반하여 제1 임베딩 벡터로부터 변환된 제2 임베딩 벡터()를 이용하여 정제 네트워크(430)를 학습할 수 있다.
일 실시예에 따른 제3 사전 학습에서, 정제 네트워크(430)는 장면 정보에 기반하여 제1 임베딩 벡터로부터 정제된 제2 임베딩 벡터()와 실제의 타겟 음원에 대한 타겟 임베딩 벡터(예: 타겟 음원의 임베딩 벡터()) 사이의 MSE를 사용하여 학습을 수행할 수 있다. MSE는 에러의 제곱 평균으로 전반적인 에러를 줄이는 역할을 하는 것으로, 하기의 수식으로 산출될 수 있다.
여기서, s는 target signal을 의미하며 는 신경망의 출력을 의미할 수 있다.
도 10은, 본 개시의 일 실시예에 따른, 각각의 장면 정보와 각각의 타겟 음원 사이의 대응에 관한 테이블이다.
도 10을 참조하면, 세로 축은 다양한 장면 정보를 표시한 것이고, 가로 축은 지정된 음원 그룹에 포함된 다양한 타겟 음원을 표시한 것이다. 가로 축 중에서 4개(vehicle_horn_and_car_horn_and_honking, fire alarm, police car 및 speech- child, female, male)는 분리하고자 하는 타겟 음원에 포함된 것일 수 있고, 그 이외(bark, bicycle_bell, bus, car_passing_by, machine gun, motorcyle, subway_and_metro_and_underground, wind 및 walk, footstep은 타겟 음원 이외의 음원일 수 있다.
본 개시의 시스템을 검증하기 위한 실험을 위해 scene background에 해당하는 ASC dataset인 TAU-urban acoustic 2020 mobile(TAU 2020)에 target sound event에 해당하는 FSD50k dataset을 혼합하여 사용하였다. 이 때, 음향 장면 정보는 TAU2020에서 device A로 녹음된 data를 사용하였으며, 그 중에서 Bus, Metro, Metro station, Park, 또는 Street traffic을 사용하였다. 또한, sound event data가 noisy하여 분리 성능 저하에 기여할 것을 고려하여, 이를 사전에 정제하여 타겟 음원만 남기어 혼합하였다. Scaper tool을 이용하여 음향 장면과 음원을 혼합하였고, 각 음향 장면에서 음원의 개수는 1~4개 (타겟 음원 1~2개 포함) 포함되고, SNR은 -3 ~ 3 dB이며, Sampling rate는 16kHz로 설정하였다. 각각의 장면별로 train set 10,000개, validation set 2,000개, test set 1,000개를 생성하여 총 train set 50,000개, validation set 10,000 개, test set 5,000 개를 생성하여 학습 및 평가를 수행하였다.
예를 들어, bus의 장면 정보인 경우에, 분리하고자 하는 타겟 음원은 vehicle_horn_and_car_horn_and_honking, police car 및 speech- child, female, male일 수 있다. 예를 들어, metro의 장면 정보인 경우에, 분리하고자 하는 타겟 음원은 fire alarm 및 speech- child, female, male일 수 있다. 예를 들어, metro station의 장면 정보인 경우에, 분리하고자 하는 타겟 음원은 fire alarm 및 speech- child, female, male일 수 있다. 예를 들어, park의 장면 정보인 경우에, 분리하고자 하는 타겟 음원은 speech- child, female, male일 수 있다. 예를 들어, street traffic의 장면 정보인 경우에, 분리하고자 하는 타겟 음원은 vehicle_horn_and_car_horn_and_honking 및 police car일 수 있다.
일 실시예에 따른 분리 레이어는, 입력된 음원 및 제2 임베딩 벡터에 기반하여 타겟 음원을 분리하도록 학습하는 제4 사전 학습을 수행할 수 있다. 예를 들어, 분리 레이어는, 사전 학습한 임베딩 레이어, 장면 추출기 및 정제 네트워크를 통해 지정된 특정 장면에서 발생 가능한 것으로 지정된 음원에 대한 정제된 임베딩을 이용하여 혼합 음원으로부터 타겟 음원을 분리할 수 있다. 제4 사전 학습에서 분리 레이어는 다른 시스템 구성들과 함께 joint training을 통해 학습할 수 있다. 여기서, 분리 레이어의 제4 사전 학습을 위한 입력으로는 혼합 음원 입력을 사용하였고 타겟 음원과의 negative SI-SDR을 loss로 학습을 수행할 수 있다.
일 실시예에 따른 음향 분리 시스템은 실제 타겟 음원 존재구간에서의 SI-SDR 향상치에 해당하는 segmental SI-SDRi를 이용하여 측정할 수 있다. 비교 평가에 사용한 방법은 제안하는 방법에서 장면에 따른 정제를 배제한 알고리즘이며 기존 기법인 Sound selector의 멀티 sound 추출 방법과 유사한 형태를 나타낼 수 있다. 하기의 [표 1]은 본 개시의 제안하는 방법과 대조군의 음향학적 장면별 분리성능 비교 결과를 나타낸다. [표 1]을 참조하면, 각 장면별로 약간씩 차이는 있으나 전체 평균에서 약간 높은 성능을 보인다.
Segmental SI-SDRi (dB)
Bus Metro Metro
station		 Park Street traffic Average
제안하는 방법 15.33 13.75 12.21 11.83 9.6 12.54
대조군 15.34 15.55 11.87 11.16 10.09 12.40
또한, [표 2]에서는 분리 레이어를 joint training하는 과정에서 해당 레이어를 랜덤으로 초기화한 파라미터로 학습하는 것이 아닌, 제2 사전 학습에 의한 임베딩 레이어를 사용하여 joint training(제4 사전 학습) 하였을 때의 결과를 비교하였다. 모든 장면에서 사전 학습된 분리 레이어를 사용하는 것이 성능의 향상을 가져올 수 있다.
Segmental SI-SDRi (dB)
Bus Metro Metro
station		 Park Street traffic Average
Baseline 15.33 13.75 12.21 11.83 9.6 12.54
사전학습된 분리 레이어 15.39 14.45 12.82 12.04 10.22 12.98
[표 3]은, 학습단계에서 모델에 condition을 주는 형태에 따른 성능을 비교한 것이다. Baseline은 제2 사전 학습과 제4 사전 학습에서 모든 분리 레이어에 condition을 준 모델(12회/12회)이고, Method 1과 Method 2는 종래기술에서 단일 지점에 condition을 주는 것에 기반하여 수정한 모델이며, 예를 들어, Method 1은 제2 사전 학습에서는 모든 레이어에 condition을 주고 제4 사전 학습에서는 단일 지점에서 condition을 준 모델(12회/1회)이고, Method 2는 제2 사전 학습과 제4 사전 학습에서 모두 단일 지점에 condition을 주고 학습한 모델(1회/1회)이다.
Segmental SI-SDRi (dB)
Bus Metro Metro
station		 Park Street traffic Average
Baseline 15.33 13.75 12.21 11.83 9.6 12.54
Method 1 16.16 15.13 13.44 11.81 10.34 13.38
Method 2 15.55 14.27 13.01 11.36 9.83 12.81
상기 결과로 제4 사전 학습에서 단일 지점 conditioning은 성능에 유의미한 상승을 가져오며, 제2 사전 학습에서의 단일 지점 conditioning은 다소 성능의 저하를 가져오나 baseline보다는 좋은 성능을 보이는 것을 확인할 수 있다.따라서, 본 개시의 일 실시예에 따른 타겟 음원을 분리하는 방법에 따르면, 장면의 전환에 따라 분리하는 소리를 선택하여 특정 장면에서 청자가 원하는 소리를 분리하여 들을 수 있다.
본 개시의 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작(360)을 포함할 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작(370)을 포함할 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380)을 포함할 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작(390)을 포함할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 입력된 음원의 획득에 기반한 장면 정보 벡터를 학습하는 제1 사전 학습을 수행하는 동작(320)을 더 포함할 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 장면 정보를 획득하는 동작(370)은, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보 벡터를 출력할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 제1 사전 학습을 수행하는 동작(320)은, 상기 음원의 입력에 기반하여 상기 장면 정보 벡터를 출력하고, 상기 출력한 장면 정보 벡터를 기반으로 지정된 장면을 분류하도록 학습할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 장면 정보를 획득하는 동작(370)은, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보에 대응하는 instance vector를 생성할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 제1 임베딩 벡터는, 상기 지정된 음원 그룹의 전체에 대응하는 임베딩 벡터일 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380)은, 상기 획득한 장면 정보에 기반하여 제1 임베딩 벡터를 상기 지정된 음원 그룹의 적어도 일부에 대응하는 상기 제2 임베딩 벡터로 변환할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 상기 지정된 음원 그룹에 포함된 음원에 각각 대응하는 부분 임베딩 벡터를 학습하는 제2 사전 학습을 수행하는 동작(330)을 더 포함할 수 있다. 일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 제1 임베딩 벡터는, 상기 부분 임베딩 벡터의 합 벡터일 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380)은, 상기 장면 정보에 대응하는 상기 지정된 음원 그룹에 포함된 상기 타겟 음원을 확인하고, 상기 제1 임베딩 벡터를 상기 타겟 음원에 대응하도록 상기 제2 임베딩 벡터로 변환할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 지정된 음원 그룹에는, 상기 장면 정보에 대응하도록 지정된 상기 타겟 음원이 적어도 하나 이상 포함될 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)은, 특정 장면 정보 및 상기 특정 장면 정보에 대응하는 특정 타겟 음원 사이의 임베딩 벡터를 기반으로, 상기 제1 임베딩 벡터로부터 상기 제2 임베딩 벡터로의 변환을 학습하는 제3 사전 학습을 수행하는 동작(340)을 더 포함할 수 있다.
일 실시예에 따른 타겟 음원을 분리하는 방법(300a, 300b)에서, 상기 타겟 음원을 분리하는 동작(390)은, 상기 획득한 혼합 음원에 상기 제2 임베딩 벡터를 적용하여, 상기 혼합 음원과 동일한 크기의 벡터 형태를 갖는 상기 타겟 음원을 생성할 수 있다.
본 개시의 일 실시예에 따른 전자 장치(101; 200)는, 입력 인터페이스(220), 메모리(230), 및 상기 입력 인터페이스(220) 및 상기 메모리(230)와 동작적으로 연결된 적어도 하나의 프로세서(210)를 포함할 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 입력 인터페이스(220)로부터 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하도록 설정될 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 타겟 음원을 분리하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 입력된 음원의 획득에 기반한 장면 정보 벡터를 학습하는 제1 사전 학습을 수행하도록 더 설정될 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 장면 정보를 획득하는 동작의 적어도 일부는, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보 벡터를 출력하도록 더 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 상기 제1 사전 학습을 수행하는 동작의 적어도 일부로, 상기 음원의 입력에 기반하여 상기 장면 정보 벡터를 출력하고, 상기 출력한 장면 정보 벡터를 기반으로 지정된 장면을 분류하도록 학습하도록 더 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 상기 장면 정보를 획득하는 동작의 적어도 일부로, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보에 대응하는 instance vector를 생성하도록 더 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 제1 임베딩 벡터는, 상기 지정된 음원 그룹의 전체에 대응하는 임베딩 벡터일 수 있다. 상기 적어도 하나의 프로세서(210)는, 상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작의 적어도 일부로, 상기 획득한 장면 정보에 기반하여 제1 임베딩 벡터를 상기 지정된 음원 그룹의 적어도 일부에 대응하는 상기 제2 임베딩 벡터로 변환하도록 더 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 상기 지정된 음원 그룹에 포함된 음원에 각각 대응하는 부분 임베딩 벡터를 학습하는 제2 사전 학습을 수행하도록 더 설정될 수 있다. 상기 제1 임베딩 벡터는, 상기 부분 임베딩 벡터의 합 벡터일 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작의 적어도 일부로, 상기 장면 정보에 대응하는 상기 지정된 음원 그룹에 포함된 상기 타겟 음원을 확인하고, 상기 제1 임베딩 벡터를 상기 타겟 음원에 대응하도록 상기 제2 임베딩 벡터로 변환하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 지정된 음원 그룹에는, 상기 장면 정보에 대응하도록 지정된 상기 타겟 음원이 적어도 하나 이상 포함될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 특정 장면 정보 및 상기 특정 장면 정보에 대응하는 특정 타겟 음원 사이의 임베딩 벡터를 기반으로, 상기 제1 임베딩 벡터로부터 상기 제2 임베딩 벡터로의 변환을 학습하는 제3 사전 학습을 수행하도록 더 설정될 수 있다.
일 실시예에 따른 전자 장치(101; 200)에서, 상기 적어도 하나의 프로세서(210)는, 상기 타겟 음원을 분리하는 동작의 적어도 일부로, 상기 획득한 혼합 음원에 상기 제2 임베딩 벡터를 적용하여, 상기 혼합 음원과 동일한 크기의 벡터 형태를 갖는 상기 타겟 음원을 생성하도록 더 설정될 수 있다.
본 개시의 일 실시예에 따른 하나 이상의 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체는, 어플리케이션의 실행에 기반하여, 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작을 포함할 수 있다. 저장 매체는, 상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작을 포함할 수 있다. 저장 매체는, 상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작을 포함할 수 있다. 저장 매체는, 상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작을 포함할 수 있다.

Claims (20)

  1. 타겟 음원을 분리하는 방법(300a, 300b)에 있어서,
    적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하는 동작(360);
    상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하는 동작(370);
    상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380); 및
    상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 상기 타겟 음원을 분리하는 동작(390)을 포함하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  2. 제 1 항에 있어서,
    입력된 음원의 획득에 기반한 장면 정보 벡터를 학습하는 제1 사전 학습을 수행하는 동작(320)을 더 포함하고,
    상기 장면 정보를 획득하는 동작(370)은, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보 벡터를 출력하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  3. 제 2 항에 있어서,
    상기 제1 사전 학습을 수행하는 동작(320)은, 상기 음원의 입력에 기반하여 상기 장면 정보 벡터를 출력하고, 상기 출력한 장면 정보 벡터를 기반으로 지정된 장면을 분류하도록 학습하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  4. 제 1 항 내지 제 3 항 중 어느 하나의 항에 있어서,
    상기 장면 정보를 획득하는 동작(370)은, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보에 대응하는 instance vector를 생성하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  5. 제 1 항 내지 제 4 항 중 어느 하나의 항에 있어서,
    상기 제1 임베딩 벡터는, 상기 지정된 음원 그룹의 전체에 대응하는 임베딩 벡터이고,
    상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380)은, 상기 획득한 장면 정보에 기반하여 제1 임베딩 벡터를 상기 지정된 음원 그룹의 적어도 일부에 대응하는 상기 제2 임베딩 벡터로 변환하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  6. 제 1 항 내지 제 5 항 중 어느 하나의 항에 있어서,
    상기 지정된 음원 그룹에 포함된 음원에 각각 대응하는 부분 임베딩 벡터를 학습하는 제2 사전 학습을 수행하는 동작(330)을 더 포함하고,
    상기 제1 임베딩 벡터는, 상기 부분 임베딩 벡터의 합 벡터인,
    타겟 음원을 분리하는 방법(300a, 300b).
  7. 제 6 항에 있어서,
    상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작(380)은, 상기 장면 정보에 대응하는 상기 지정된 음원 그룹에 포함된 상기 타겟 음원을 확인하고, 상기 제1 임베딩 벡터를 상기 타겟 음원에 대응하도록 상기 제2 임베딩 벡터로 변환하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  8. 제 1 항 내지 제 7 항 중 어느 하나의 항에 있어서,
    상기 지정된 음원 그룹에는, 상기 장면 정보에 대응하도록 지정된 상기 타겟 음원이 적어도 하나 이상 포함된,
    타겟 음원을 분리하는 방법(300a, 300b).
  9. 제 1 항 내지 제 8 항 중 어느 하나의 항에 있어서,
    특정 장면 정보 및 상기 특정 장면 정보에 대응하는 특정 타겟 음원 사이의 임베딩 벡터를 기반으로, 상기 제1 임베딩 벡터로부터 상기 제2 임베딩 벡터로의 변환을 학습하는 제3 사전 학습을 수행하는 동작(340)을 더 포함하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  10. 제 1 항 내지 제 10 항 중 어느 하나의 항에 있어서,
    상기 타겟 음원을 분리하는 동작(390)은, 상기 획득한 혼합 음원에 상기 제2 임베딩 벡터를 적용하여, 상기 혼합 음원과 동일한 크기의 벡터 형태를 갖는 상기 타겟 음원을 생성하는,
    타겟 음원을 분리하는 방법(300a, 300b).
  11. 전자 장치(101; 200)에 있어서,
    입력 인터페이스(220);
    메모리(230); 및
    상기 입력 인터페이스(220) 및 상기 메모리(230)와 동작적으로 연결된 적어도 하나의 프로세서(210)를 포함하고, 상기 적어도 하나의 프로세서(210)는:
    상기 입력 인터페이스(220)로부터 적어도 하나 이상의 음원이 포함된 혼합 음원을 획득하고,
    상기 획득한 혼합 음원에 기반하여, 상기 혼합 음원과 관련한 장면 정보를 획득하고,
    상기 획득한 장면 정보에 기반하여, 지정된 음원 그룹에 대응하는 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하고,
    상기 획득한 혼합 음원 및 상기 제2 임베딩 벡터에 기반하여, 타겟 음원을 분리하도록 설정된,
    전자 장치(101; 200).
  12. 제 11 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    입력된 음원의 획득에 기반한 장면 정보 벡터를 학습하는 제1 사전 학습을 수행하고,
    상기 장면 정보를 획득하는 동작의 적어도 일부는, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보 벡터를 출력하도록 더 설정된,
    전자 장치(101; 200).
  13. 제 12 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    상기 제1 사전 학습을 수행하는 동작의 적어도 일부로, 상기 음원의 입력에 기반하여 상기 장면 정보 벡터를 출력하고, 상기 출력한 장면 정보 벡터를 기반으로 지정된 장면을 분류하도록 학습하도록 더 설정된,
    전자 장치(101; 200).
  14. 제 11 항 내지 제 13 항 중 어느 하나의 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    상기 장면 정보를 획득하는 동작의 적어도 일부로, 상기 획득한 혼합 음원에 기반하여 상기 장면 정보에 대응하는 instance vector를 생성하도록 더 설정된,
    전자 장치(101; 200).
  15. 제 11 항 내지 제 14 항 중 어느 하나의 항에 있어서,
    상기 제1 임베딩 벡터는, 상기 지정된 음원 그룹의 전체에 대응하는 임베딩 벡터이고,
    상기 적어도 하나의 프로세서(210)는:
    상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작의 적어도 일부로, 상기 획득한 장면 정보에 기반하여 제1 임베딩 벡터를 상기 지정된 음원 그룹의 적어도 일부에 대응하는 상기 제2 임베딩 벡터로 변환하도록 더 설정된,
    전자 장치(101; 200).
  16. 제 11 항 내지 제 15 항 중 어느 하나의 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    상기 지정된 음원 그룹에 포함된 음원에 각각 대응하는 부분 임베딩 벡터를 학습하는 제2 사전 학습을 수행하도록 더 설정되고,
    상기 제1 임베딩 벡터는, 상기 부분 임베딩 벡터의 합 벡터인,
    전자 장치(101; 200).
  17. 제 16 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    상기 제1 임베딩 벡터를 제2 임베딩 벡터로 변환하는 동작의 적어도 일부로, 상기 장면 정보에 대응하는 상기 지정된 음원 그룹에 포함된 상기 타겟 음원을 확인하고, 상기 제1 임베딩 벡터를 상기 타겟 음원에 대응하도록 상기 제2 임베딩 벡터로 변환하도록 설정된,
    전자 장치(101; 200).
  18. 제 11 항 내지 제 17 항 중 어느 하나의 항에 있어서,
    상기 지정된 음원 그룹에는, 상기 장면 정보에 대응하도록 지정된 상기 타겟 음원이 적어도 하나 이상 포함된,
    전자 장치(101; 200).
  19. 제 11 항 내지 제 18 항 중 어느 하나의 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    특정 장면 정보 및 상기 특정 장면 정보에 대응하는 특정 타겟 음원 사이의 임베딩 벡터를 기반으로, 상기 제1 임베딩 벡터로부터 상기 제2 임베딩 벡터로의 변환을 학습하는 제3 사전 학습을 수행하도록 더 설정된,
    전자 장치(101; 200).
  20. 제 11 항 내지 제 19 항 중 어느 하나의 항에 있어서,
    상기 적어도 하나의 프로세서(210)는:
    상기 타겟 음원을 분리하는 동작의 적어도 일부로, 상기 획득한 혼합 음원에 상기 제2 임베딩 벡터를 적용하여, 상기 혼합 음원과 동일한 크기의 벡터 형태를 갖는 상기 타겟 음원을 생성하도록 더 설정된,
    전자 장치(101; 200).
KR1020220125096A 2022-08-18 2022-09-30 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치 KR20240025427A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/KR2023/010971 WO2024039102A1 (ko) 2022-08-18 2023-07-27 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치
US18/235,664 US20240062773A1 (en) 2022-08-18 2023-08-18 Method for separating target sound source from mixed sound source and electronic device thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220103538 2022-08-18
KR1020220103538 2022-08-18

Publications (1)

Publication Number Publication Date
KR20240025427A true KR20240025427A (ko) 2024-02-27

Family

ID=90058657

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220125096A KR20240025427A (ko) 2022-08-18 2022-09-30 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치

Country Status (1)

Country Link
KR (1) KR20240025427A (ko)

Similar Documents

Publication Publication Date Title
KR102137151B1 (ko) 노이즈 캔슬링 장치 및 그 방법
US11277702B2 (en) Method and apparatus for sound object following
CN111179961B (zh) 音频信号处理方法、装置、电子设备及存储介质
US11257493B2 (en) Vision-assisted speech processing
US20220172737A1 (en) Speech signal processing method and speech separation method
CN108701453A (zh) 模块化深度学习模型
US11423884B2 (en) Device with convolutional neural network for acquiring multiple intent words, and method thereof
US20190259384A1 (en) Systems and methods for universal always-on multimodal identification of people and things
WO2022033556A1 (zh) 电子设备及其语音识别方法和介质
KR20190106922A (ko) 지능형 음원 분리 방법 및 장치
CN116368501A (zh) 个性化神经网络修剪
CN114242066A (zh) 语音处理方法、语音处理模型的训练方法、设备及介质
CN113870863A (zh) 声纹识别方法及装置、存储介质及电子设备
KR102221963B1 (ko) 화상 정보를 제공하는 인공 지능 장치 및 그 방법
KR20240025427A (ko) 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치
CN113470653A (zh) 声纹识别的方法、电子设备和系统
US20240062773A1 (en) Method for separating target sound source from mixed sound source and electronic device thereof
CN116312512A (zh) 面向多人场景的视听融合唤醒词识别方法及装置
WO2024039102A1 (ko) 혼합 음원으로부터 타겟 음원을 분리하는 방법 및 그 전자 장치
US20230156317A1 (en) Electronic device for obtaining image at user-intended moment and method for controlling the same
US20230298592A1 (en) Multi-task learning for personalized keyword spotting
US20240104311A1 (en) Hybrid language translation on mobile devices
Oo et al. Acoustic Scene Classification using Attention based Deep Learning Model
KR20240020141A (ko) 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치
CN116580725A (zh) 一种语音端点检测方法、装置、设备及存储介质