KR20240038941A - 텍스트 기반 아바타 생성 방법 및 시스템 - Google Patents

텍스트 기반 아바타 생성 방법 및 시스템 Download PDF

Info

Publication number
KR20240038941A
KR20240038941A KR1020240034171A KR20240034171A KR20240038941A KR 20240038941 A KR20240038941 A KR 20240038941A KR 1020240034171 A KR1020240034171 A KR 1020240034171A KR 20240034171 A KR20240034171 A KR 20240034171A KR 20240038941 A KR20240038941 A KR 20240038941A
Authority
KR
South Korea
Prior art keywords
avatar
motion
information
input text
animation
Prior art date
Application number
KR1020240034171A
Other languages
English (en)
Inventor
김선태
이세윤
최기환
이호진
김동균
제갈수민
김병을
최성준
김재민
이수미
이주현
박소현
Original Assignee
네이버 주식회사
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 네이버 주식회사 filed Critical 네이버 주식회사
Priority to KR1020240034171A priority Critical patent/KR20240038941A/ko
Publication of KR20240038941A publication Critical patent/KR20240038941A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G06T13/20—3D [Three Dimensional] animation
    • G06T13/40—3D [Three Dimensional] animation of characters, e.g. humans, animals or virtual beings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/4302—Content synchronisation processes, e.g. decoder synchronisation
    • H04N21/4307—Synchronising the rendering of multiple content streams or additional data on devices, e.g. synchronisation of audio on a mobile phone with the video output on the TV screen
    • 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
    • G10L21/06—Transformation of speech into a non-audible representation, e.g. speech visualisation or speech processing for tactile aids
    • G10L21/10—Transforming into visible information
    • G10L2021/105—Synthesis of the lips movements from speech, e.g. for talking heads

Abstract

본 개시는 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 텍스트 기반의 아바타 생성 방법에 관한 것이다. 아바타 생성 방법은, 입력 텍스트에 기초하여 아바타의 음성을 합성하는 단계, 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성하는 단계, 입력 텍스트에 기초하여 아바타의 모션을 추정하는 단계, 및 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성하는 단계를 포함한다.

Description

텍스트 기반 아바타 생성 방법 및 시스템{METHOD AND SYSTEM FOR GENERATING AVATAR BASED ON TEXT}
본 개시는 텍스트 기반의 아바타 생성 방법 및 시스템에 관한 것으로, 구체적으로, 텍스트에 기초하여 아바타의 립 싱크 애니메이션과 동작을 추정하여 합성함으로써 아바타의 전신 애니메이션을 생성하는 방법 및 시스템에 관한 것이다.
가상 공간에 대한 관심이 증가함에 따라, 가상 공간에서 사용자의 역할을 대신하는 캐릭터인 아바타에 대한 관심 역시 증가하고 있다. 많은 아바타 서비스 제공자들은 실제 세계에서의 사람과 유사하게 동작하는 가상의 3차원 공간 상의 아바타를 구현하기 위해 많은 노력을 기울이고 있지만, 아바타의 동작이 부자연스러운 경우가 많다.
예를 들어, 텍스트를 기반으로 생성된 아바타 또는 아바타 애니메이션의 경우, 아바타의 동작 자체가 부자연스럽거나, 아바타의 동작의 연결이 부자연스러운 문제점이 있다. 또한, 아바타의 전신 애니메이션을 재생하는 경우, 아바타의 얼굴 부분과 바디 부분이 따로 동작하는 것과 같은 느낌을 주는 등 아바타 동작의 사실감이 떨어지는 문제점이 있다.
또한, 텍스트를 기반으로 아바타 또는 아바타 애니메이션을 생성하는 과정에 있어서, 텍스트로부터 아바타 애니메이션 구현에 필요한 정보 또는 파라미터를 추출하는데 다수의 복잡한 연산 과정을 거치는 경우가 많아 비효율적이며, 아바타의 전신 애니메이션 결과에도 오차가 많이 발생한다는 문제점이 있다.
본 개시는 상기와 같은 문제점을 해결하기 위한 텍스트 기반의 아바타 생성 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.
본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.
본 개시의 일 실시예에 따르면, 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 텍스트 기반의 아바타 생성 방법은, 입력 텍스트에 기초하여 아바타의 음성을 합성하는 단계, 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성하는 단계, 입력 텍스트에 기초하여 아바타의 모션을 추정하는 단계 및 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성하는 단계를 포함한다.
본 개시의 일 실시예에 따른 텍스트 기반의 아바타 생성 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.
본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리와 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 입력 텍스트에 기초하여 아바타의 음성을 합성하고, 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성하고, 입력 텍스트에 기초하여 아바타의 모션을 추정하고, 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성하기 위한 명령어들을 포함한다.
본 개시의 일부 실시예에 따르면, 아바타의 동작을 나타내는 모션 또는 모션 유닛에 얼굴 표정 및 바디 제스쳐·동작을 모두 포함시킴으로써, 얼굴과 바디가 분리되지 않은 자연스러운 모션을 구현할 수 있다.
본 개시의 일부 실시예에 따르면, 아바타의 전신 애니메이션을 생성하는데 있어서 대근육 뿐만 아니라 소근육의 움직임까지 반영하여, 디테일하게 동작하는 애니메이션을 생성할 수 있다.
본 개시의 일부 실시예에 따르면, 아바타 또는 캐릭터의 모션 그 자체가 아닌 각 모션 유닛에 부여되는 모션 유닛 ID를 추정함에 따라, 모델을 다시 학습시키지 않고, 리소스만 변경하여 다양한 아바타 또는 캐릭터에 대한 모션을 추정하거나 합성할 수 있다.
본 개시의 일부 실시예에 따르면, 모션을 추정함에 있어서, 감정 별로 학습된 별개의 머신러닝 모델을 사용함으로써, 각 감정 별로 보다 적합한 모션을 추정할 수 있다.
본 개시의 일부 실시예에 따르면, 모션(모션 유닛 ID) 뿐만 아니라 각 모션의 재생 시간 정보(및 연결 관계)까지 추정함에 따라, 끊어짐 없이 자연스럽게 동작하는 아바타 애니메이션을 생성할 수 있다.
본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.
본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 텍스트 기반의 아바타 생성 시스템의 구성을 나타낸다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서의 내부 구성을 나타내는 도면이다.
도 4는 본 개시의 다른 실시예에 따른 텍스트 기반의 아바타 생성 시스템의 구성을 나타낸다.
도 5는 본 개시의 일 실시예에 따른 모션 추정부의 내부 구성을 나타내는 도면이다.
도 6은 본 개시의 다른 실시예에 따른 모션 추정부의 내부 구성을 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 모션 추정부가 모션 유닛ID와 함께 모션 재생 시간을 출력하도록 학습하는 데이터 형식을 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따라 립 생성부가 립 싱크 애니메이션을 생성할 때 사용하는 블랜드쉐이프 정보를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 텍스트 기반의 아바타 생성 방법의 예시를 나타내는 흐름도이다.
이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.
첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.
본 개시에서, '아바타'는 임의의 서비스 또는 애플리케이션의 사용자가 스스로의 모습을 부여한 가상의 2차원 또는 3차원 객체를 지칭할 수 있다. 예를 들어, 아바타는 사용자의 얼굴 또는 전신 모습을 모사하거나 사용자가 설정한 얼굴 또는 전신 모습을 구현한 2차원 또는 3차원의 객체 또는 캐릭터를 지칭할 수 있다. 본 개시에서 아바타는, 사용자가 애플리케이션을 통해 입력하거나 서비스 플랫폼에 의해 자동 생성된 텍스트(예를 들어, 사용자가 입력하거나 자동 생성된 대화체 텍스트)로부터 추출된 합성 음성, 합성 음성과 연관된 메타 정보, 감성 정보 등에 기초하여 생성된 립 싱크 애니메이션, 얼굴 및 전신의 동작 애니메이션 등을 통해 표현될 수 있다.
본 개시에서, '머신러닝 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 머신러닝 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 본 개시에서, 별도의 모델로서 설명한 복수 개의 머신러닝 모델의 일부 또는 전체는 하나의 모델로 구현될 수 있으며, 본 개시에서 하나의 모델로서 설명한 머신러닝 모델은 복수 개의 머신러닝 모델로 구현될 수 있다.
본 개시에서, '모션(motion)'은 아바타의 얼굴 표정 및 바디 제스쳐·동작을 나타내는 애니메이션을 포함할 수 있으며, 일 실시예에서, 모션은 아바타가 특정 텍스트를 발화하면서 취하는 표정, 제스처 및/또는 동작으로 적합한 것을 나타낸 애니메이션일 수 있다. 일 실시예에 따르면, 모션은 하나 이상의 모션 유닛의 결합 또는 연결로 구성될 수 있다. 본 개시에서 '모션'은 각 모션 유닛 또는 각 모션 유닛에 부여되는 모션 유닛 ID를 지칭할 수도 있다. 일 실시예에서, 모션은 아바타가 아무런 표정, 동작 또는 제스쳐를 취하지 않고 기본 표정, 동작 또는 제스쳐를 취하는 것(no motion)을 포함할 수 있다.
본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.
도 1은 본 개시의 일 실시예에 따른 텍스트 기반의 아바타 생성 시스템(100)의 구성을 나타낸다. 텍스트 기반의 아바타 생성 시스템(100)은 입력 텍스트(110)를 기초로 음성 합성(120), 립 싱크 애니메이션 생성(130), 모션 추정(140), 영상 합성(150)의 과정을 수행하여 아바타의 전신 애니메이션(160)을 생성할 수 있다.
텍스트 기반의 아바타 생성 시스템(100)은 입력 텍스트(110)(예를 들어, "안녕하세요. 반갑습니다")를 수신하고, 입력 텍스트(110)를 기초로 음성 합성(120)(TTS: Text-to-Speech)을 수행하여, 합성음을 생성할 수 있다. 여기서, 합성음은 아바타가 입력 텍스트(110)를 발화한 결과로서 생성된 음성(예를 들어, 아바타가 "안녕하세요. 반갑습니다"를 발화한 음성)일 수 있으며, 자연스러운 대화체의 음성일 수 있으나 이에 한정되지 않는다. 음성 합성(120) 과정에는 통계 기반 모델(예: HMM 모델), 딥 러닝 기반 모델(예: End to End 모델) 등을 포함하는 다양한 음성 합성 모델 중 하나가 사용될 수 있다.
일 실시예에 따르면, 텍스트 기반의 아바타 생성 시스템(100)은 사용자의 음성 특성 정보(예를 들어, 사용자의 음성 샘플, 사용자의 발성 정보 등)를 수신하여, 사용자의 음성을 모방하는 합성음을 생성하거나, 아바타의 음성 특성 정보(예를 들어, 아바타의 음성 샘플 또는 아바타의 발성 정보 등)를 이용하여, 아바타의 음성 특성을 반영한 합성음을 생성할 수 있으나, 이에 한정되지 않는다. 예를 들어, 텍스트 기반의 아바타 생성 시스템(100)은 사용자 또는 화자에 종속되지 않은 합성음을 생성할 수도 있다.
일 실시예에 따르면, 텍스트 기반의 아바타 생성 시스템(100)은 합성된 음성에 대한 메타 정보를 이용할 수 있다. 여기서, 메타 정보는 합성된 음성의 음소 정보, 재생 시간 정보, 발화 세기 정보 등을 포함할 수 있으나 이에 한정되지 않으며, 메타 정보는 감정 정보 등 합성된 음성으로부터 추출할 수 있는 임의의 정보를 더 포함할 수 있다. 메타 정보의 예로, 합성된 음성에 포함된 복수의 음소에 대한 정보, 각 음소의 재생 시작 시간 및 재생 길이에 대한 정보, 합성된 음성이 재생되는 총 시간에 대한 정보, 억양, 강세 등 인토네이션(intonation)에 대한 정보, 발화 세기에 대한 정보 등이 포함될 수 있다.
텍스트 기반의 아바타 생성 시스템(100)은 합성된 음성의 메타 정보에 기초하여 립싱크 애니메이션을 생성(130)할 수 있다. 립 싱크 애니메이션은 합성음 발화에 따른 아바타의 입 모양 변화를 나타내는 애니메이션을 지칭할 수 있다. 일 실시예에 따르면, 립 싱크 애니메이션의 생성(130)에는 블렌드쉐이프(blendshape) 기반의 애니메이션 기법이 이용될 수 있으나, 이에 한정되지 않는다. 블렌드쉐이프 기반의 애니메이션 기법을 이용한 립 싱크 애니메이션의 생성(130)에 대해서는 도 8을 참조하여 상세히 후술된다.
텍스트 기반의 아바타 생성 시스템(100)은 입력 텍스트(110)에 기초하여, 아바타의 모션을 추정(140)할 수 있다. 여기서, 모션은 아바타가 입력 텍스트(110)를 발화하면서 취하는 표정, 제스처 및/또는 동작으로 적합한 것을 나타낸 애니메이션일 수 있다. 일 실시예에 따르면, 모션은 하나 이상의 모션 유닛의 결합 또는 연결로 구성될 수 있으며, 각 모션 또는 각 모션 유닛은 아바타의 얼굴 표정 및 바디 제스쳐·동작을 나타내는 애니메이션을 포함할 수 있다. 얼굴과 바디의 동작을 따로 구현하는 것이 아니라, 모션 또는 모션 유닛에 얼굴 표정 및 바디 제스쳐·동작을 모두 포함시킴으로써, 더욱 자연스러운 모션을 구현할 수 있다. 일 실시예에 따르면, 각 모션 유닛에는 모션 유닛 ID가 부여될 수 있으며, 텍스트 기반의 아바타 생성 시스템(100)은 입력 텍스트(110)에 기초하여, 하나 이상의 모션 유닛 ID를 추정할 수 있다. 아바타 또는 캐릭터의 모션 그 자체가 아닌 각 모션 유닛에 부여되는 모션 유닛 ID를 추정하는 경우, 모션 추정(140)에 사용되는 모션 추정 모델을 다시 학습시키지 않고, 리소스만 변경하여 다양한 아바타 또는 캐릭터에 대한 모션 생성이 가능할 수 있다.
일 실시예에 따르면, 모션 또는 모션 유닛 중 얼굴 부분은 블렌드쉐이프 기반 애니메이션 기법을 이용하여 생성된 것일 수 있다. 예를 들어, 복수의 블렌드쉐이프(또는 모핑 타겟)를 모핑 방식으로 조합하는 방법에 의해 얼굴 부분의 모션이 생성될 수 있다. 구체적 예로, 왼쪽 눈을 감은 제1 블렌드쉐이프, 오른쪽 눈을 감은 제2 블렌드쉐이프, 왼쪽 입술이 올라가 웃는 제3 블렌드쉐이프, 오른쪽 입술이 올라가 웃는 제4 블렌드쉐이프 등을 포함하는 복수의 블렌드쉐이프를 정의하고, 각 블렌드쉐이프에 가중치 값(예를 들어, 0 이상, 1 이하)을 부여하여 블렌딩함으로써 얼굴 표정이 생성될 수 있다. 이러한 얼굴 표정 복수 개를 모핑 방식으로 조합함에 따라 모션의 얼굴 부분이 생성될 수 있다.
일부 실시예에 따르면, 텍스트 기반의 아바타 생성 시스템(100)은 입력 텍스트(110) 외에 추가적인 정보를 더 고려하여 모션 추정(140)을 수행할 수 있으며, 모션 추정(140)에 머신러닝 모델이 이용될 수 있다. 이와 관련하여서는 도 3 내지 도 7을 참조하여 상세히 후술된다.
텍스트 기반의 아바타 생성 시스템(100)은 립 싱크 애니메이션 및 추정된 모션에 대해 영상 합성(150)을 수행하여, 아바타의 전신 애니메이션을 생성할 수 있다. 예를 들어, 아바타의 모션 중 얼굴 부분의 표현을 위한 블렌드쉐이프 포맷에 립 싱크 애니메이션의 블렌드쉐이프를 추가하는 것과 같은 과정을 통해, 아바타의 전신 애니메이션을 생성할 수 있다. 일 실시예에서, 생성된 전신 애니메이션은 대근육 뿐만 아니라 소근육까지 반영하여, 아바타가 디테일하게 동작하는 애니메이션일 수 있다.
일 실시예에 따르면, 전신 애니메이션은 특정 아바타에 대해 생성된 애니메이션의 형태가 아닌 다양한 아바타에 적용가능한 데이터 형태로 생성될 수 있다. 이에 따라, 생성된 전신 애니메이션 데이터를 이용하여 다양한 아바타, 캐릭터(사람, 동물 등) 등에 적용할 수 있다.
일 실시예에 따르면, 전신 애니메이션에는 합성음이 포함될 수 있다. 다른 실시예에 따르면, 전신 애니메이션이 디스플레이(예를 들어, 사용자 단말의 디스플레이) 상에 출력될 때 합성음과 함께 출력될 수 있다. 일 실시예에서, 전신 애니메이션의 재생 길이는 합성음의 재생 길이와 연관될 수 있다. 예를 들어, 전신 애니메이션의 재생 길이는 합성음의 재생 길이와 같을 수 있으며, 보다 더 자연스러운 연출을 위해 전신 애니메이션의 재생 길이는 합성음의 재생 길이보다 길 수 있다. 구체적 예로, 아바타가 발화를 마친 후, 매듭 짓는 모션을 소정 시간(예를 들어, 1~2초)동안 수행할 수 있다.
상술한 바와 같이 입력 텍스트(110)를 발화하는 것과 같은 립 싱크 애니메이션을 생성(130)하고, 입력 텍스트(110)에 기초한 모션을 추정(140)하고, 립 싱크 애니메이션과 모션을 합성하여 아바타의 전신 애니메이션(160)을 생성함으로써, 아바타가 실제로 입력 텍스트(110)를 발화하며 동작하는 것 같은 자연스러운 애니메이션을 생성할 수 있다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(200)의 내부 구성을 나타내는 블록도이다. 정보 처리 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 정보 처리 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.
메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(200)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(200)에 설치되어 구동되는 음성 합성 및 아바타의 전신 애니메이션 생성을 위한 코드 등)가 저장될 수 있다.
이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(200)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 음성 합성 및 아바타의 전신 애니메이션 생성 등을 위한 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 입력 텍스트에 기초하여 아바타의 음성을 합성하고, 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성하고, 입력 텍스트에 기초하여 아바타의 모션을 추정하고, 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성할 수 있다.
통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(200)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(200)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(200)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 사용자 단말은 생성된 아바타의 전신 애니메이션(및 합성음)을 수신할 수 있다.
또한, 정보 처리 시스템(200)의 입출력 인터페이스(240)는 정보 처리 시스템(200)과 연결되거나 정보 처리 시스템(200)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(200)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.
정보 처리 시스템(200)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 일 실시예에 따르면, 프로세서(220)는 사용자 단말로부터 입력 텍스트를 수신할 수 있다. 그런 다음, 입력 텍스트에 기초하여 아바타의 음성을 합성하고, 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성하고, 입력 텍스트에 기초하여 아바타의 모션을 추정하고, 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성할 수 있다.
도 3은 본 개시의 일 실시예에 따른 정보 처리 시스템의 프로세서(220)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 프로세서(220)는 음성 합성부(310), 감정 분석부(320), 립 생성부(330), 모션 추정부(340), 영상 합성부(350)를 포함할 수 있다. 도 3에서 도시한 정보 처리 시스템의 프로세서(220)의 내부 구성은 일 예시일 뿐이며, 이와 다르게 구현될 수 있다. 예를 들어, 프로세서(220)의 적어도 일부의 구성이 생략되거나, 다른 구성이 추가될 수 있으며, 프로세서(220)가 수행하는 적어도 일부의 과정이 사용자 단말의 프로세서에 의해 수행될 수 있다.
일 실시예에 따르면, 프로세서(220)는 입력 텍스트를 수신할 수 있으며, 입력 텍스트는 음성 합성부(310), 감정 분석부(320) 및 모션 추정부(340) 중 적어도 하나로 제공될 수 있다. 일 실시예에 따르면, 입력 텍스트는 사용자 단말, 외부 시스템 또는 다른 애플리케이션(예를 들어, 대화 생성 애플리케이션)으로부터 수신되거나, 프로세서(220)의 대화 생성부(미도시)에 의해 생성될 수 있다.
음성 합성부(310)는 입력 텍스트에 기초하여, 아바타의 음성을 합성하여, 합성음을 생성할 수 있다. 여기서, 합성음은 아바타가 입력 텍스트를 발화한 음성을 지칭할 수 있다. 일 실시예에 따르면, 합성음은 자연스러운 대화체의 음성일 수 있으나 이에 한정되지 않는다. 예를 들어, 다른 실시예에서, 합성음은 안내를 위한 안내 음성일 수 있다. 음성 합성부(310)는 통계 기반 모델(예: HMM 모델), 딥 러닝 기반 모델(예: End to End 모델) 등 임의의 음성 합성 모델을 이용하여, 합성음을 생성할 수 있다.
일 실시예에 따르면, 음성 합성부(310)는 사용자의 음성 특성 정보를 수신하여 사용자의 음성을 모방하는 합성음을 생성하거나, 아바타의 음성 특성 정보를 수신하여 아바타의 음성 특성을 반영한 합성음을 생성할 수 있으나, 이에 한정되지 않는다. 예를 들어, 음성 합성부(310)는 사용자 또는 화자에 종속되지 않은 합성음을 생성할 수도 있다.
추가적으로, 음성 합성부(310)는 감정 분석부(320)에 의해 추출된 감정 정보를 더 이용하여, 아바타의 음성을 합성할 수 있다. 예를 들어, 감정 분석부(320)에 의해 입력 텍스트로부터 '기쁨'의 감정이 추출된 경우, '기쁨'의 감정 정보가 반영된 합성음을 생성할 수 있다.
일 실시예에 따르면, 음성 합성부(310)는 합성된 음성에 대한 메타 정보를 립 생성부(330) 및 모션 추정부(340) 중 적어도 하나로 제공될 수 있다. 여기서, 메타 정보는 합성된 음성의 음소 정보, 재생 시간 정보, 발화 세기 정보를 포함할 수 있으나 이에 한정되지 않으며, 메타 정보는 감정 정보 등 합성된 음성으로부터 추출할 수 있는 임의의 정보를 더 포함할 수 있다. 메타 정보의 예로, 합성된 음성에 포함된 복수의 음소에 대한 정보, 각 음소의 재생 시작 시간 및 재생 길이에 대한 정보, 합성된 음성이 재생되는 총 시간에 대한 정보, 억양, 강세 등 인토네이션에 대한 정보, 발화 세기에 대한 정보 등이 포함될 수 있다.
감정 분석부(320)는 입력 텍스트로부터 감정 정보를 추출할 수 있다. 예를 들어, 감정 분석부(320)는 입력 텍스트를 발화하는 사람이 느낄 것으로 추정되는 감정 정보(예를 들어, 기쁨, 중립, 슬픔, 분노 등)를 추론할 수 있다. 일 실시예에 따르면, 감정 분석부(320)는 입력되는 입력 텍스트로부터 감정 정보를 추론하도록 학습된 머신러닝 모델을 이용하여 감정 정보를 추출할 수 있다. 또한 일 실시예에서, 감정 분석부(320)는 입력 텍스트 뿐만 아니라, 입력 텍스트 전·후의 대화 내용을 추가적으로 수신하고, 입력 텍스트가 포함된 전체적인 대화 내용 또는 문맥을 고려하여 입력 텍스트에 대한 감정 정보를 추출할 수 있다. 감정 분석부(320)에 의해 추출된 감정 정보는 음성 합성부(310) 및 모션 추정부(340) 중 적어도 하나로 제공될 수 있다.
립 생성부(330)는 음성 합성부(310)에 의해 추출된 합성음의 메타 정보에 기초하여, 립 싱크 애니메이션을 생성할 수 있다. 립 싱크 애니메이션은 합성음 발화에 따른 아바타의 입 모양 변화를 나타내는 애니메이션을 지칭할 수 있다. 일 실시예에 따르면, 립 싱크 애니메이션의 생성에는 블렌드쉐이프(blendshape) 기반의 애니메이션 기법이 이용될 수 있으나, 이에 한정되지 않는다. 블렌드쉐이프 기반의 애니메이션 기법을 이용한 립 싱크 애니메이션의 생성에 대해서는 도 8을 참조하여 상세히 후술된다.
모션 추정부(340)는 입력 텍스트에 기초하여, 아바타의 모션을 추정할 수 있다. 아바타의 모션은 아바타가 입력 텍스트를 발화하면서 취하는 표정, 제스처 및/또는 동작으로 적합한 것을 나타낸 애니메이션일 수 있다. 일 실시예에 따르면, 모션은 하나 이상의 모션 유닛의 결합 또는 연결로 구성될 수 있으며, 각 모션 또는 각 모션 유닛은 아바타의 얼굴 표정 및 바디 제스쳐·동작을 나타내는 애니메이션을 포함할 수 있다. 일 실시예에 따르면, 각 모션 유닛에는 모션 유닛 ID가 부여될 수 있으며, 모션 추정부(340)는 입력 텍스트에 기초하여, 하나 이상의 모션 유닛 ID를 추정할 수 있다.
일 실시예에 따르면, 모션 추정부(340)는 입력 텍스트 뿐만 아니라, 감정 정보 및/또는 합성음의 메타 정보를 더 수신하고, 수신한 정보들에 기초하여 아바타의 모션을 추정할 수 있다. 여기서, 감정 정보는 입력 텍스트로부터 감정 분석부(320)에 의해 추출된 감정 정보이거나, 합성음의 메타 정보에 포함된 감정 정보일 수 있다. 또한, 일 실시예에 따르면, 모션 추정부(340)는 모션(모션 유닛 ID)뿐만 아니라, 각 모션의 재생 시간 정보를 더 추정할 수 있다.
일 실시예에서, 모션 추정부(340)는 입력 텍스트(및 감정 정보)에 기초하여 모션(및 모션의 재생 시간 정보)을 추정하기 위해, 머신러닝 모델을 이용할 수 있다. 머신러닝 모델을 이용한 모션의 추정에 관하여서는, 도 5 내지 도 7을 참조하여 상세히 후술된다.
영상 합성부(350)는 모션 유닛 DB(360)로부터 모션 추정부(340)에 의해 추정된 모션 유닛 ID 각각에 대응되는 모션 유닛 파일을 추출하여, 추출된 모션 유닛 파일을 적절히 결합, 연결 또는 합성함으로써 모션을 완성할 수 있다.
또한, 영상 합성부(350)는 생성된 립 싱크 애니메이션과 아바타의 모션을 합성함으로써, 아바타의 전신 애니메이션을 생성할 수 있다. 예를 들어, 영상 합성부(350)는 아바타의 모션 중 얼굴 부분의 표현을 위한 블렌드쉐이프 포맷에 립 싱크 애니메이션의 블렌드쉐이프를 추가하는 방식, 립 싱크 애니메이션과 모션을 동기화하는 방식 등을 통해 립싱크 애니메이션과 아바타의 모션을 적절히 혼합함으로써 아바타의 전신 애니메이션을 생성할 수 있다. 영상 합성부(350)가 각 모션 유닛 파일을 연결 또는 결합하거나 립 싱크 애니메이션과 모션을 합성함에 있어서는 블렌드쉐이프(Blendshape), 모핑(Morphing), 블렌딩(Blending), 인터폴레이션(interpolation) 등 임의의 3D 그래픽 기법이 사용될 수 있다.
도 4는 본 개시의 다른 실시예에 따른 텍스트 기반의 아바타 생성 시스템(400)의 구성을 나타낸다. 일 실시예에 따르면, 텍스트 기반의 아바타 생성 시스템(400)은 대화 생성부(410), 음성 합성부(310), 감정 분석부(320), 립 생성부(330), 모션 추정부(340), 영상 합성부(350)를 포함할 수 있다. 도 4에서는 도 3과 중복되는 구성에 대하여는, 도 4에 도시된 실시예를 기준으로 간략히 서술한다.
일 실시예에 따르면, 대화 생성부(410)는 임의의 언어 생성 모델을 이용하여, 입력 텍스트를 생성할 수 있다. 여기서, 대화 생성부(410)에 의해 생성된 입력 텍스트가 전신 애니메이션을 생성하기 위한 입력 텍스트가 될 수 있다. 일 실시예에서, 대화 생성부(410)는 임의의 언어 생성 모델을 이용하여, 제1 텍스트를 기초로 제2 텍스트를 생성할 수 있다. 예를 들어, 사용자 단말로부터 사용자에 의해 입력된 제1 텍스트를 수신하여, 이를 기초로 제2 텍스트(예를 들어, 제1 텍스트에 대한 응답)를 생성할 수 있다. 여기서, 대화 생성부(410)에 의해 생성된 제2 텍스트가 전신 애니메이션을 생성하기 위한 입력 텍스트가 될 수 있다.
추가적으로, 대화 생성부(410)는 입력 텍스트 뿐만 아니라, 입력 텍스트와 연관된 부가정보를 더 생성할 수 있다. 예를 들어, 대화 생성부(410)는 "오늘은 기분이 너무 좋아(안나는 양팔을 들어 올리며 기뻐한다)"와 같이, 입력 텍스트 "오늘은 기분이 너무 좋아"와 함께, 지시 문구 "(안나는 양팔을 들어 올리며 기뻐한다)"를 생성할 수 있다. 일 실시예에 따르면, 생성된 부가정보는 음성 합성부(310), 감정 분석부(320) 및/또는 모션 추정부(340)로 제공되어, 부가정보를 반영한 합성음을 생성하거나, 감정 정보를 추출하거나, 모션을 추정하는데 사용될 수 있다.
일 실시예에 따르면, 대화 생성부(410)는 생략될 수 있다. 예를 들어, 다른 애플리케이션(예를 들어, 언어 생성 애플리케이션)에 의해 생성된 텍스트를 입력 텍스트로 수신하거나, 사용자에 의해 직접 입력된 텍스트를 입력 텍스트로 수신할 수 있다.
감정 분석부(320)는 입력 텍스트로부터 감정 정보를 추출할 수 있다. 예를 들어, 감정 분석부(320)는 입력 텍스트를 발화하는 사람이 느낄 것으로 추정되는 감정 정보(예를 들어, 기쁨, 중립, 슬픔, 분노 등)를 추론할 수 있다. 감정 분석부(320)에 의해 추출된 감정 정보는 음성 합성부(310) 및 모션 추정부(340)로 제공될 수 있다.
음성 합성부(310)는 입력 텍스트 및 감정 정보를 기초로, 아바타의 음성을 합성할 수 있다. 예를 들어, 음성 합성부(310)는, 아바타가 추출된 감정으로 입력 텍스트를 발화하는 것과 같은 음성을 합성할 수 있다. 음성 합성부(310)에 의해 합성된 음성으로부터 TTS(Text-to-Speech) 메타정보가 추출될 수 있으며, 추출된 TTS 메타정보는 립 생성부(330) 및 모션 추정부(340)로 제공될 수 있다.
립 생성부(330)는 TTS 메타정보를 기초로, 립 싱크 애니메이션을 생성할 수 있다. 예를 들어, 립 생성부(330)는 TTS 메타정보를 기초로, 아바타가 합성음을 발화함에 따른 입 모양 변화(또는 입술 움직임 변화 등)를 나타내는 립 싱크 애니메이션을 생성할 수 있다. 일 실시예에서, 립 싱크 애니메이션은 블렌드쉐이프 기반 애니메이션 기법을 이용하여 생성될 수 있다.
모션 추정부(340)는 입력 텍스트, TTS 메타정보 및 감정 정보를 기초로, 아바타의 모션을 추정할 수 있다. 예를 들어, 모션 추정부(340)는 머신러닝 모델을 이용하여, 입력 텍스트, 감정 정보 및 TTS 메타정보를 기초로, 모션을 구성하는 모션 유닛 ID 및 모션 재생 시간 정보를 추정할 수 있다. 모션 추정부(340)가 머신러닝 모델을 이용하여 입력 텍스트, 감정 정보 및/또는 TTS 메타정보를 기초로, 모션을 구성하는 모션 유닛 ID(및 모션 재생 시간 정보)를 추정하는 실시예에 관하여서는 도 5 내지 도 7을 참조하여 상세히 후술된다.
영상 합성부(350)는 모션 유닛 DB(360)로부터 모션 추정부(340)에 의해 추정된 모션 유닛 ID 각각에 대응되는 모션 유닛 파일을 추출하여, 추출된 모션 유닛 파일을 적절히 결합, 연결 또는 합성함으로써 모션을 완성할 수 있다. 또한, 영상 합성부(350)는 생성된 립 싱크 애니메이션과 아바타의 모션을 합성함으로써, 아바타의 전신 애니메이션을 생성할 수 있다.
텍스트 기반의 아바타 생성 시스템(400)에 의해 생성된 합성음 및 전신 애니메이션은 사용자 단말로 전송될 수 있으며, 사용자 단말은 수신한 합성음 및 전신 애니메이션을 출력 장치를 통해 출력할 수 있다. 예를 들어, 사용자 단말은 합성음을 스피커로 출력하는 동시에, 전신 애니메이션을 디스플레이 상에 표시할 수 있다. 이를 통해, 사용자는 아바타가 합성음을 발화하면서 전신 애니메이션에 포함된 표정, 입 모양 및 동작을 취하는 것처럼 인식할 수 있다.
도 5는 본 개시의 일 실시예에 따른 모션 추정부(340)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 모션 추정부(340)는 입력 텍스트 및 감정 정보를 기초로, 아바타의 모션 유닛 ID를 추정할 수 있으며, 모션 추정부(340)는 감정 분기부(510) 및 감정별 머신러닝 모델(520, 530, 540, 550)을 포함할 수 있다. 여기서, 모션 추정부(340)에서 수신되는 감정 정보는 입력 텍스트에 기초하여 감정 분석부(320)에 의해 추출된 감정 정보이거나, 합성음의 메타 정보에 포함된 감정 정보이거나, 사용자에 의해 입력된 감정 정보일 수 있다.
감정별 머신러닝 모델(520, 530, 540, 550)은 감정별로 학습된 하나 이상의 머신러닝 모델을 포함할 수 있다. 예를 들어, 머신러닝 모델(기쁨)(520)은 '기쁨'의 감정과 연관된 입력 텍스트를 입력으로 받아 '기쁨'의 감정과 연관된 모션 유닛 ID를 추론하도록 학습된 모델일 수 있으며, 머신러닝 모델(슬픔)(540)은 '슬픔'의 감정과 연관된 입력 텍스트를 입력으로 받아 '슬픔'의 감정과 연관된 모션 유닛 ID를 추론하도록 학습된 모델일 수 있다.
일 실시예에 따르면, 감정 분기부(510)는 수신된 감정 정보에 따라, 사용할 머신러닝 모델(520, 530, 540, 550)을 결정할 수 있다. 예를 들어, 수신된 감정 정보가 '기쁨'인 경우, 머신러닝 모델(기쁨)(520)을 사용하도록 결정할 수 있다. 그런 다음, 감정 분기부(510)에 의해 사용이 결정된 머신러닝 모델(520, 530, 540, 550)에 의해, 입력 텍스트를 기초로, 감정 정보가 반영된 모션 유닛 ID가 추정될 수 있다.
각 감정별 머신러닝 모델(520, 530, 540, 550)에 의해 추론된 모션 유닛 ID는 각 감정을 나타내는 모션에 대응되는 모션 유닛 ID일 수 있다. 일 실시예에 따르면, 동일하거나 유사한 동작을 수행하는 모션이라 하더라도, 감정별로 다양한 모션이 구현될 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 한쪽 손을 가슴에 올리는 동일하거나 유사한 동작들에 대해, 감정별로 다양한 모션이 구현될 수 있다.
도 5에서 모션 추정부(340)는 입력 텍스트 및 감정 정보를 수신하여, 모션 유닛 ID를 추정하는 것으로 도시하였지만, 이에 한정되지 않는다. 예를 들어, 모션 추정부(340)는 감정 정보 없이 입력 텍스트만 수신할 수 있다. 이 경우, 감정 분기부(510)는 감정 분석부(320)와 유사하게, 입력 텍스트로부터 감정 정보를 추출할 수 있다. 예를 들어, 감정 분기부(510)는 입력되는 입력 텍스트로부터 감정 정보를 추론하도록 학습된 머신러닝 모델을 이용하여 감정 정보를 추출할 수 있다. 이후, 감정 분기부(510)는 추출된 감정 정보에 따라, 사용할 머신러닝 모델(520, 530, 540, 550)을 결정할 수 있으며, 이후 과정은 상술한 바와 같이 수행될 수 있다.
일 실시예에 따르면, 모션 추정부(340)는 입력 텍스트(및 감정 정보)뿐만 아니라 이전 대화 또는 대화 맥락(context) 정보 등을 입력으로 더 수신할 수 있다. 이 경우, 감정 분기부(510)는 추가적인 정보를 더 고려하여 감정 정보를 추출하거나, 사용할 머신러닝 모델(520, 530, 540, 550)을 결정할 수 있으며, 수신된 추가적인 정보는 입력 텍스트(및 감정 정보)와 함께 머신러닝 모델(520, 530, 540, 550)에 입력되어, 모션 유닛 ID를 추정하는데 사용될 수 있다.
도 6은 본 개시의 다른 실시예에 따른 모션 추정부(340)의 내부 구성을 나타내는 도면이다. 일 실시예에 따르면, 모션 추정부(340)는 단일 머신러닝 모델(610)을 이용하여, 입력 텍스트 및 감정 정보를 기초로, 아바타의 모션 유닛 ID를 추정할 수 있다. 여기서, 모션 추정부(340)에서 수신되는 감정 정보는 입력 텍스트에 기초하여 감정 분석부(320)에 의해 추출된 감정 정보이거나, 합성음의 메타 정보에 포함된 감정 정보이거나, 사용자에 의해 입력된 감정 정보일 수 있다.
단일 머신러닝 모델(610)은 입력 텍스트 및 감정 정보를 입력으로 받아, 모션 유닛 ID를 추정하도록 학습된 모델일 수 있다. 즉, 단일 머신러닝 모델(610)은 입력 텍스트에 적합한 모션이면서, 감정 정보가 반영된 모션을 추정할 수 있다. 따라서, 입력 텍스트 및 감정 정보를 기초로, 모션 유닛 ID를 추정하는 단일 머신러닝 모델(610)에 의하면, 입력 텍스트가 동일하더라도 수신되는 감정 정보에 따라 다른 모션 유닛 ID(또는 모션)가 추정될 수 있다.
도 6에서 모션 추정부(340)는 입력 텍스트 및 감정 정보를 수신하여, 모션 유닛 ID를 추정하는 것으로 도시하였지만, 이에 한정되지 않는다. 예를 들어, 모션 추정부(340)는 감정 정보 없이 입력 텍스트만 수신할 수 있다. 이 경우, 단일 머신러닝 모델(610)은 입력 텍스트만을 기초로 모션 유닛 ID를 추정할 수 있다. 이 경우에도, 단일 머신러닝 모델(610)은 입력 텍스트에 의해 파악되는 감정 정보를 반영하여 모션 유닛 ID를 추정할 수 있다. 입력 텍스트만을 입력으로 받아 모션 유닛 ID를 추정하는 단일 머신러닝 모델(610)에 의하면, 입력 텍스트가 동일한 경우, 동일한 모션 유닛 ID(또는 모션)가 추정될 수 있다.
일 실시예에 따르면, 모션 추정부(340)는 입력 텍스트(및 감정 정보)뿐만 아니라 이전 대화 또는 대화 맥락(context) 정보 등을 입력으로 더 수신할 수 있으며, 수신된 추가적인 정보는 입력 텍스트(및 감정 정보)와 함께 단일 머신러닝 모델(610)에 입력되어, 모션 유닛 ID를 추정하는데 사용될 수 있다.
도 5 내지 도 6과 같이, 모션 추정부(340)가 아바타 또는 캐릭터의 모션 그 자체가 아닌 각 모션 유닛에 부여되는 모션 유닛 ID를 추정하는 경우, 머신러닝 모델을 다시 학습시키지 않고, 리소스만 변경하여 다양한 아바타 또는 캐릭터에 대한 모션 추정이 가능하다.
도 7은 본 개시의 일 실시예에 따라 모션 추정부가 모션 유닛 ID와 함께 모션 재생 시간을 출력하도록 학습하는 데이터 형식을 나타내는 도면이다. 일 실시예에 따르면, 모션 추정부는 머신러닝 모델을 이용하여, 모션 유닛 ID뿐만 아니라 모션 재생 시간을 함께 출력할 수 있다. 머신러닝 모델이 모션 유닛 ID 뿐만 아니라 모션 재생 시간을 함께 출력하도록 학습시키기 위해, 텍스트 및 TTS 메타정보(710, 730), 재생 시간 정보 및 모션 유닛 ID(720, 730)를 모두 학습 데이터에 포함시킬 수 있다. 즉, 머신러닝 모델은 텍스트 및 TTS 메타정보(710, 730)이 입력되었을 때 재생 시간 정보 및 모션 유닛 ID(720, 730)를 출력하도록 학습될 수 있다. 여기서, 텍스트는 단일 문장 뿐만 아니라, 복수의 문장을 포함할 수 있다.
예를 들어, 도 7에 학습 데이터 형식의 예시가 도시되어 있다. 학습 데이터 1(710)은 텍스트 1 "안녕하세요. 반갑습니다. 따봉이에요." 및 텍스트 1에 대한 합성음의 메타 정보(예를 들어, 음절 또는 음소 정보, 음절 또는 음소 별 재생시간 정보)를 포함한다. 학습 데이터 1(710)에 포함된 감정 정보는 합성음의 메타 정보에 포함된 감정 정보이거나, 감정 분석부로부터 텍스트에 기초하여 추출된 감정 정보일 수 있다. 학습 데이터 2(720)는 모션 유닛 ID 1 "Unit 1(인사 모션), Unit 45(중립 모션), Unit 78(따봉 모션), Unit 90(아이들(idle) 모션)"과 모션 유닛 ID에 대응되는 모션의 재생 시간 정보 1를 포함한다. 모션의 재생 시간 정보는 각 모션의 재생이 시작되는 시간 정보 및 재생 길이 정보를 포함할 수 있다. 각 모션의 사이에는 모션의 연결을 자연스럽게 하기 위한 연결 작업이 수행될 수 있으며, 텍스트에 대한 모든 모션이 끝나는 부분에는 모션을 매듭짓기 위한 아이들(idle) 모션이 추가될 수 있다. 모션 추정부에 의해 추정되는 모션의 재생 시간 정보는 다음 모션과의 연결이 자연스럽게 이어질 수 있도록 모션 동작의 연결 관계를 고려하여 추정될 수 있다. 이러한 연결 관계를 고려한 추정을 위해, 학습 데이터에는 모션의 연결 관계를 포함한 데이터가 포함될 수 있다. 예를 들어, "1-연결-45-연결-78-연결-90"과 같은 각 모션의 연결관계를 포함한 형태의 데이터가 학습 데이터에 포함될 수 있다.
또 다른 학습 데이터인 학습 데이터 3(730)은 학습 데이터 1(710)과 유사하게, 텍스트 2 및 텍스트 2에 대한 합성음의 메타 정보(예를 들어, 음소 또는 음절 정보, 음소 또는 음절 별 재생시간 정보)를 포함하며, 학습 데이터 4(740)는 학습 데이터 2(720)와 유사하게, 모션 유닛 ID 2 및 모션의 재생 시간 정보 2를 포함한다.
머신러닝 모델은 학습 데이터 1(710) 및 학습 데이터 2(720)의 쌍, 학습 데이터 3(730) 및 학습 데이터 4(740)의 쌍과 같은 형태의 학습 데이터를 통해 학습될 수 있으며, 모션 추정부는 이와 같은 방식으로 학습된 머신러닝 모델을 이용하여, 입력 텍스트 및 합성음의 메타정보를 기초로, 모션 유닛 ID 및 각 모션의 재생 시간 정보(및 연결 관계)를 추정할 수 있다.
상술한 바와 같이, 모션 추정부가 모션 유닛 ID 및 각 모션의 재생 시간 정보(및 연결 관계)를 추정하고, 이를 기초로 모션을 합성하고 애니메이션을 생성함에 따라, 끊어짐 없이 자연스럽게 동작하는 아바타 애니메이션을 생성할 수 있다.
도 8은 본 개시의 일 실시예에 따라 립 생성부가 립 싱크 애니메이션을 생성할 때 사용하는 블랜드쉐이프 정보를 나타내는 도면이다. 일 실시예에 따르면, 모션 또는 모션 유닛 중 얼굴 부분의 애니메이션 및/또는 립 싱크 애니메이션은 블렌드쉐이프 기반 애니메이션 기법을 이용하여 생성될 수 있다. 예를 들어, 복수의 블렌드쉐이프(또는 모핑 타겟)를 모핑 방식으로 조합하는 방법에 의해 얼굴 부분의 모션 및/또는 립 싱크 애니메이션이 생성될 수 있다.
블렌드쉐이프 기반 애니메이션 기법을 이용하여 얼굴 부분의 모션을 생성하는 구체적 예로, 왼쪽 눈을 감은 제1 블렌드쉐이프, 오른쪽 눈을 감은 제2 블렌드쉐이프, 왼쪽 입술이 올라가 웃는 제3 블렌드쉐이프, 오른쪽 입술이 올라가 웃는 제4 블렌드쉐이프 등을 포함하는 복수의 블렌드쉐이프가 지정될 수 있으며, 각 블렌드쉐이프에 가중치 값(예를 들어, 0 이상, 1 이하)을 부여하여 블렌딩함으로써 얼굴 표정이 생성될 수 있다. 이러한 얼굴 표정 복수 개를 모핑 방식으로 조합함에 따라 모션의 얼굴 부분이 생성될 수 있다.
일 실시예에 따르면, 립 싱크 애니메이션은 얼굴 부분의 모션과는 일부 다른 방식으로 생성될 수 있다. 예를 들어, 복수의 음소(810, 840)에 대해 각 음소(810, 840)를 발음할 때의 입모양(830)을 나타내는 복수의 입모양 이미지(Viseme)(820)가 지정될 수 있다. 립 생성부는 합성음에 대한 메타 정보에 포함된 음소 정보에 대응되는 입모양을 나타내는 입모양 이미지(820)들을 추출하고, 특정 음소(810, 840)를 발음하는 시간에 해당 음소(810, 840)에 대응되는 입모양(830)을 나타내는 입모양 이미지(820)가 재생되도록 복수의 입모양이미지(820)를 조합하여 애니메이션을 생성할 수 있다. 일 실시예에 따르면, 립 생성부는 립 싱크 애니메이션을 생성함에 있어서, 인터폴레이션 또는 모핑 기법 등 임의의 3D 그래픽 기법을 이용하여 자연스러운 립 싱크 애니메이션을 생성할 수 있다.
일 실시예에 따르면, 범용성 있는 모션 또는 애니메이션을 생성하기 위해, 미리 정의된 블렌드쉐이프 포맷 또는 블렌드쉐이프 API(application programming interface) 등을 사용할 수 있다.
도 9는 본 개시의 일 실시예에 따른 텍스트 기반의 아바타 생성 방법(900)의 예시를 나타내는 흐름도이다. 일 실시예에 따르면, 방법(900)은 정보 처리 시스템의 프로세서가 입력 텍스트에 기초하여 아바타의 음성을 합성함으로써 개시될 수 있다(S910). 일 실시예에서, 합성된 음성으로부터 메타 정보가 추출될 수 있으며, 메타 정보는 합성된 음성의 재생 시간 정보, 음소 정보 및 발화 세기 정보 중 적어도 하나를 포함할 수 있다.
그런 다음, 프로세서는 합성된 음성의 메타 정보에 기초하여 립 싱크 애니메이션을 생성할 수 있다(S920). 예를 들어, 프로세서는 메타 정보에 포함된 음소 정보에 대응하는, 립 싱크 애니메이션을 위한 하나 이상의 입모양 이미지를 추출하고, 추출된 하나 이상의 입모양 이미지를 합성하여 립 싱크 애니메이션을 생성할 수 있다. 일 실시예에 따르면, 립 싱크 애니메이션은 합성된 음성의 메타 정보에 기초하여 변화하는 아바타의 입 모양을 포함하는 애니메이션일 수 있다.
프로세서는 입력 텍스트에 기초하여 아바타의 모션을 추정할 수 있다(S930). 예를 들어, 프로세서는 입력 텍스트에 대응하는 하나 이상의 모션 유닛 ID를 추출할 수 있으며, 각 모션 유닛 ID에 대응하는 하나 이상의 모션 유닛을 추출할 수 있다. 추가적으로, 프로세서는 입력 텍스트 뿐만 아니라 메타 정보를 추가로 고려하여, 입력 텍스트 및 메타 정보에 기초하여 아바타의 모션을 추정할 수 있다. 또한, 프로세서는 입력 텍스트에 대응하는 모션 유닛 ID 뿐만 아니라 모션 유닛 ID에 대응하는 모션 유닛의 재생 시간 또한 추정할 수 있다. 일 실시예에서 모션 유닛의 재생시간은, 다음 모션 유닛과의 연결이 자연스럽도록 하기 위한 지점까지의 재생시간이 될 수 있으며, 모션 애니메이션 생성시에 모션 유닛의 해당 시간만큼만 재생하고 다음 유닛과 연결함으로써 보다 자연스러운 애니메이션을 생성할 수 있게 한다.
일 실시예에 따르면, 프로세서는 입력 텍스트로부터 감정 정보를 추출하고, 입력 텍스트 및 감정 정보 중 적어도 하나에 기초하여 아바타의 모션을 추정할 수 있다. 일 실시예에서, 프로세서는 입력 텍스트(및/또는 감정 정보)를 기초로 아바타의 모션을 추정하기 위해, 입력 텍스트(및/또는 감정 정보)를 입력으로 입력 텍스트와 연관된 모션을 추정하도록 학습된 머신러닝 모델을 이용할 수 있다.
일 실시예에 따르면, 단계 S910 내지 단계 S930에서 이용되는 입력 텍스트는 언어 생성 모델에 의해 생성된 것일 수 있다. 예를 들어, 언어 생성 모델이 특정 텍스트에 대한 대답으로서 생성한 텍스트가 입력 텍스트가 될 수 있다.
그 후, 프로세서는 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성할 수 있다(S940). 립 싱크 애니메이션 및 추정된 모션을 합성하여 아바타의 전신 애니메이션을 생성하는 과정에는 립 싱크 애니메이션의 재생 시간과 추정된 모션의 재생 시간을 동기화하는 과정이 포함될 수 있다.
도 9에서 도시한 흐름도 및 상술한 설명은 일 예시일 뿐이며, 일부 실시예에서는 다르게 구현될 수 있다. 예를 들어, 일부 실시예에서는 각 단계의 순서가 바뀌거나, 일부 단계가 반복 수행되거나, 일부 단계가 생략되거나, 일부 단계가 추가될 수 있다.
상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.
하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.
따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.
펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.
소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.
예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.
소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.
이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.
본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.
100: 텍스트 기반의 아바타 생성 시스템
110: 입력 텍스트
120: 음성 합성
130: 립 싱크 애니메이션 생성
140: 모션 추정
150: 영상 합성
160: 전신 애니메이션

Claims (11)

  1. 정보 처리 시스템의 적어도 하나의 프로세서에 의해 수행되는, 텍스트 기반의 아바타 생성 방법에 있어서,
    음성 합성(Text-to-Speech; TTS) 모델을 이용하여, 입력 텍스트를 기초로 아바타의 음성을 합성하고, 상기 합성된 음성의 TTS 메타 정보를 추출하는 단계 - 상기 TTS 메타 정보는 상기 합성된 음성의 재생 시간 정보를 포함함 -;
    상기 TTS 메타 정보에 기초하여 상기 합성된 음성과 동기화된 립 싱크 애니메이션을 생성하는 단계;
    상기 TTS 메타 정보 및 상기 입력 텍스트에 기초하여 상기 합성된 음성과 동기화된 상기 아바타의 모션을 추정하는 단계; 및
    상기 립 싱크 애니메이션 및 상기 아바타의 모션을 합성하여 상기 아바타의 애니메이션을 생성하는 단계
    를 포함하는, 아바타 생성 방법.
  2. 제1항에 있어서,
    상기 아바타의 모션을 추정하는 단계는,
    상기 입력 텍스트로부터 감정 정보를 추출하는 단계; 및
    상기 TTS 메타 정보, 상기 입력 텍스트 및 상기 감정 정보에 기초하여 상기 합성된 음성과 동기화된 상기 아바타의 모션을 추정하는 단계
    를 포함하는, 아바타 생성 방법.
  3. 제1항에 있어서,
    상기 아바타의 모션을 추정하는 단계는,
    상기 TTS 메타 정보 및 상기 입력 텍스트를 기초로 모션 유닛 ID를 추출하는 단계; 및
    상기 모션 유닛 ID에 대응하는 모션 유닛을 추출하는 단계를 포함하는, 아바타 생성 방법.
  4. 제1항에 있어서,
    상기 아바타의 모션을 추정하는 단계는,
    상기 입력 텍스트에 대응하는 모션 유닛 ID를 추출하는 단계; 및
    상기 TTS 메타 정보에 기초하여, 상기 모션 유닛 ID에 대응하는 모션 유닛의 재생 시간을 추정하는 단계
    를 포함하는, 아바타 생성 방법.
  5. 제1항에 있어서,
    상기 아바타의 모션을 추정하는 단계는,
    상기 입력 텍스트를 기초로 상기 입력 텍스트와 연관된 모션을 추정하도록 학습된 머신러닝 모델에 의해 상기 입력 텍스트에 대응하는 상기 아바타의 모션을 출력하는 단계를 포함하는, 아바타 생성 방법.
  6. 제1항에 있어서,
    상기 아바타의 모션을 추정하는 단계는,
    상기 입력 텍스트에 기초하여 감정 정보를 추출하는 단계; 및
    상기 감정 정보를 기초로 상기 감정 정보와 연관된 모션을 추정하도록 학습된 하나 이상의 머신러닝 모델에 의해 상기 감정 정보에 대응하는 상기 아바타의 모션을 출력하는 단계를 포함하는, 아바타 생성 방법.
  7. 제1항에 있어서,
    상기 립 싱크 애니메이션을 생성하는 단계는,
    상기 TTS 메타 정보에 포함된 음소 정보에 대응하는 립 싱크 애니메이션을 위한 하나 이상의 입모양 이미지를 추출하는 단계; 및
    상기 추출된 하나 이상의 입모양 이미지를 합성하여 상기 립 싱크 애니메이션을 생성하는 단계를 포함하는, 아바타 생성 방법.
  8. 제1항에 있어서,
    상기 TTS 메타 정보는, 상기 합성된 음성의 음소 정보 및 발화 세기 정보 중 적어도 하나를 더 포함하고,
    상기 TTS 메타 정보에 기초하여 립 싱크 애니메이션을 생성하는 단계는,
    상기 TTS 메타 정보에 기초하여 변화하는 입 모양을 포함하는 립 싱크 애니메이션을 생성하는 단계를 포함하는, 아바타 생성 방법.
  9. 제1항에 있어서,
    언어 생성 모델에 의해 상기 입력 텍스트를 생성하는 단계를 더 포함하는,
    아바타 생성 방법.
  10. 제1항 내지 제9항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  11. 정보 처리 시스템으로서,
    메모리; 및
    상기 메모리와 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
    를 포함하고,
    상기 적어도 하나의 프로그램은,
    음성 합성(Text-to-Speech; TTS) 모델을 이용하여, 입력 텍스트를 기초로 아바타의 음성을 합성하고, 상기 합성된 음성의 TTS 메타 정보를 추출하고 - 상기 TTS 메타 정보는 상기 합성된 음성의 재생 시간 정보를 포함함 -, 상기 TTS 메타 정보에 기초하여 상기 합성된 음성과 동기화된 립 싱크 애니메이션을 생성하고, 상기 TTS 메타 정보 및 상기 입력 텍스트에 기초하여 상기 합성된 음성과 동기화된 상기 아바타의 모션을 추정하고, 상기 립 싱크 애니메이션 및 상기 아바타의 모션을 합성하여 상기 아바타의 애니메이션을 생성하기 위한 명령어들을 포함하는, 정보 처리 시스템.
KR1020240034171A 2021-11-23 2024-03-11 텍스트 기반 아바타 생성 방법 및 시스템 KR20240038941A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020240034171A KR20240038941A (ko) 2021-11-23 2024-03-11 텍스트 기반 아바타 생성 방법 및 시스템

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210162774A KR20230075998A (ko) 2021-11-23 2021-11-23 텍스트 기반 아바타 생성 방법 및 시스템
KR1020240034171A KR20240038941A (ko) 2021-11-23 2024-03-11 텍스트 기반 아바타 생성 방법 및 시스템

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020210162774A Division KR20230075998A (ko) 2021-11-23 2021-11-23 텍스트 기반 아바타 생성 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR20240038941A true KR20240038941A (ko) 2024-03-26

Family

ID=86539942

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020210162774A KR20230075998A (ko) 2021-11-23 2021-11-23 텍스트 기반 아바타 생성 방법 및 시스템
KR1020240034171A KR20240038941A (ko) 2021-11-23 2024-03-11 텍스트 기반 아바타 생성 방법 및 시스템

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020210162774A KR20230075998A (ko) 2021-11-23 2021-11-23 텍스트 기반 아바타 생성 방법 및 시스템

Country Status (2)

Country Link
KR (2) KR20230075998A (ko)
WO (1) WO2023096275A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102593760B1 (ko) * 2023-05-23 2023-10-26 주식회사 스푼라디오 디지털 서비스 기반의 dj 별 맞춤형 가상 아바타 생성 서버, 방법 및 프로그램
CN117095672A (zh) * 2023-07-12 2023-11-21 支付宝(杭州)信息技术有限公司 一种数字人唇形生成方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7178028B2 (ja) * 2018-01-11 2022-11-25 ネオサピエンス株式会社 多言語テキスト音声合成モデルを利用した音声翻訳方法およびシステム
KR20190111642A (ko) * 2018-03-23 2019-10-02 펄스나인 주식회사 실제 사진의 픽셀 기반의 토킹 헤드 애니메이션을 이용한 영상 처리 시스템 및 방법
KR102116309B1 (ko) * 2018-12-17 2020-05-28 주식회사 인공지능연구원 가상 캐릭터와 텍스트의 동기화 애니메이션 출력 시스템
KR102116315B1 (ko) * 2018-12-17 2020-05-28 주식회사 인공지능연구원 캐릭터의 음성과 모션 동기화 시스템
KR20210060196A (ko) * 2019-11-18 2021-05-26 주식회사 케이티 아바타 메시지 서비스를 제공하는 서버, 방법 및 사용자 단말

Also Published As

Publication number Publication date
KR20230075998A (ko) 2023-05-31
WO2023096275A1 (ko) 2023-06-01

Similar Documents

Publication Publication Date Title
WO2022048403A1 (zh) 基于虚拟角色的多模态交互方法、装置及系统、存储介质、终端
Edwards et al. Jali: an animator-centric viseme model for expressive lip synchronization
US20180336716A1 (en) Voice effects based on facial expressions
US20190196666A1 (en) Systems and Methods Document Narration
US20200251089A1 (en) Contextually generated computer speech
US6661418B1 (en) Character animation system
US8793133B2 (en) Systems and methods document narration
US8364488B2 (en) Voice models for document narration
KR20240038941A (ko) 텍스트 기반 아바타 생성 방법 및 시스템
JP2001209820A (ja) 感情表出装置及びプログラムを記録した機械読み取り可能な記録媒体
KR102116309B1 (ko) 가상 캐릭터와 텍스트의 동기화 애니메이션 출력 시스템
GB2516965A (en) Synthetic audiovisual storyteller
CN111145777A (zh) 一种虚拟形象展示方法、装置、电子设备及存储介质
WO2015112376A1 (en) Animated delivery of electronic messages
US11005796B2 (en) Animated delivery of electronic messages
US20160071302A1 (en) Systems and methods for cinematic direction and dynamic character control via natural language output
JP2022531072A (ja) インタラクティブ対象の駆動方法、装置、デバイス、及び記憶媒体
KR101089184B1 (ko) 캐릭터의 발화와 감정표현 제공 시스템 및 방법
JP2022530935A (ja) インタラクティブ対象の駆動方法、装置、デバイス、及び記録媒体
WO2019168834A1 (en) Voice effects based on facial expressions
CN115497448A (zh) 语音动画的合成方法、装置、电子设备及存储介质
CN110189404B (zh) 基于真实人脸图像的虚拟面部建模方法
Altarawneh et al. Leveraging Cloud-based Tools to Talk with Robots.
CN110166844B (zh) 一种数据处理方法和装置、一种用于数据处理的装置
Leandro Parreira Duarte et al. Coarticulation and speech synchronization in MPEG-4 based facial animation

Legal Events

Date Code Title Description
A107 Divisional application of patent