KR20240090286A - 의도 추정을 갖는 음성 인식 - Google Patents
의도 추정을 갖는 음성 인식 Download PDFInfo
- Publication number
- KR20240090286A KR20240090286A KR1020247014501A KR20247014501A KR20240090286A KR 20240090286 A KR20240090286 A KR 20240090286A KR 1020247014501 A KR1020247014501 A KR 1020247014501A KR 20247014501 A KR20247014501 A KR 20247014501A KR 20240090286 A KR20240090286 A KR 20240090286A
- Authority
- KR
- South Korea
- Prior art keywords
- speech input
- intent
- speech
- speech recognition
- recognition engine
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 55
- 238000013518 transcription Methods 0.000 claims description 52
- 230000035897 transcription Effects 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 description 50
- 230000004048 modification Effects 0.000 description 32
- 238000012986 modification Methods 0.000 description 32
- 238000004891 communication Methods 0.000 description 31
- 230000015654 memory Effects 0.000 description 31
- 230000003416 augmentation Effects 0.000 description 25
- 230000004044 response Effects 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000006855 networking Effects 0.000 description 12
- 230000009466 transformation Effects 0.000 description 12
- 230000000007 visual effect Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 210000000887 face Anatomy 0.000 description 7
- 230000001815 facial effect Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000001755 vocal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000844 transformation Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000010079 rubber tapping Methods 0.000 description 3
- 230000001131 transforming effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013488 ordinary least square regression Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000008261 resistance mechanism Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Information Transfer Between Computers (AREA)
Abstract
음성 대 의도 분류를 수행하기 위한 시스템들 및 방법들이 제공된다. 시스템들 및 방법들은: 음성 입력을 포함하는 오디오 파일을 수신하는 동작; 음성 인식 엔진에 의해, 음성 입력을 포함하는 오디오 파일을 처리하여 음성 입력의 초기 캐릭터 기반 표현을 생성하는 동작; 의도 분류기에 의해, 음성 입력의 초기 캐릭터 기반 표현을 처리하여 음성 입력의 추정된 의도를 생성하는 동작; 및 음성 인식 엔진에 의해, 음성 입력의 추정된 의도에 기초하여 음성 입력의 텍스트 표현을 생성하는 동작을 포함하는 동작들을 수행한다.
Description
[우선권 주장]
본 특허 출원은 2021년 10월 6일자로 출원된 미국 출원 일련 번호 제17/495,402호에 대한 우선권의 이익을 주장하며, 이 미국 출원의 내용은 참조에 의해 그 전체가 본 명세서에 포함된다.
[기술 분야]
본 개시내용은 일반적으로 소셜 네트워크 기술 분야에 관한 것이다. 특히, 본 예들은 일반적으로 음성 인식을 수행하는 것에 관한 것이다.
소셜 네트워킹의 인기가 증가함에 따라, 소셜 네트워크들은 그들의 능력을 확장하고 있다. 사용의 용이성을 개선하기 위해, 소셜 네트워크들은 사용자가 소셜 네트워크 자체 내에서 그들의 컴퓨터 기반 작업들 중 다수 또는 심지어 대부분을 완수할 수 있도록 점점 더 많은 기능들을 통합하고 있다. 일부 소셜 네트워크들은 사용자들이 음성 명령들을 사용하여 작업들을 수행하도록 허용한다.
반드시 축척에 맞추어 그려진 것은 아닌 도면들에서, 비슷한 숫자들은 상이한 뷰들에서의 유사한 컴포넌트들을 기술할 수 있다. 임의의 특정 요소 또는 액트의 논의를 쉽게 식별하기 위해, 참조 번호에서 최상위 숫자 또는 숫자들은 해당 요소가 처음 도입되는 도면 번호를 지칭한다. 몇몇 비제한적 예들이 첨부 도면들의 그림들에서 예시된다.
도 1은, 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹된 환경의 도식화된 표현이다.
도 2는 클라이언트-측 및 서버-측 기능성 둘 다를 갖는, 일부 예들에 따른, 메시징 시스템의 도식화된 표현이다.
도 3은, 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식화된 표현이다.
도 4는, 일부 예들에 따른, 메시지의 도식화된 표현이다.
도 5는 일부 예들에 따른, 음성 대 의도(speech to intent) 시스템을 예시한다.
도 6은 일부 예들에 따른, 음성 대 의도 시스템의 프로세스 흐름들의 도식화된 표현이다.
도 7은 일부 예들에 따른, 음성 대 의도 시스템의 캐릭터 기반 행렬(character-based matrix)의 도식화된 표현이다.
도 8은 예시적인 예들에 따른, 음성 대 의도 시스템의 예시적인 동작들을 예시하는 흐름도이다.
도 9는 일부 예들에 따른, 머신으로 하여금 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하도록 야기하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템 형태로 된 머신의 도식화된 표현이다.
도 10은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
도 1은, 일부 예들에 따른, 본 개시내용이 배치될 수 있는 네트워킹된 환경의 도식화된 표현이다.
도 2는 클라이언트-측 및 서버-측 기능성 둘 다를 갖는, 일부 예들에 따른, 메시징 시스템의 도식화된 표현이다.
도 3은, 일부 예들에 따른, 데이터베이스에 유지되는 바와 같은 데이터 구조의 도식화된 표현이다.
도 4는, 일부 예들에 따른, 메시지의 도식화된 표현이다.
도 5는 일부 예들에 따른, 음성 대 의도(speech to intent) 시스템을 예시한다.
도 6은 일부 예들에 따른, 음성 대 의도 시스템의 프로세스 흐름들의 도식화된 표현이다.
도 7은 일부 예들에 따른, 음성 대 의도 시스템의 캐릭터 기반 행렬(character-based matrix)의 도식화된 표현이다.
도 8은 예시적인 예들에 따른, 음성 대 의도 시스템의 예시적인 동작들을 예시하는 흐름도이다.
도 9는 일부 예들에 따른, 머신으로 하여금 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하도록 야기하기 위해 명령어들의 세트가 실행될 수 있는 컴퓨터 시스템 형태로 된 머신의 도식화된 표현이다.
도 10은 예들이 구현될 수 있는 소프트웨어 아키텍처를 도시하는 블록도이다.
이하의 설명은 본 개시내용의 예시적인 예들을 구체화하는 시스템들, 방법들, 기법들, 명령어 시퀀스들, 및 컴퓨팅 머신 프로그램 제품들을 포함한다. 이하의 설명에서, 설명의 목적상, 다양한 예들의 이해를 제공하기 위해 다수의 특정 상세 사항들이 제시된다. 그러나, 본 기술분야의 통상의 기술자들에게는 이러한 특정 상세 사항들 없이도 예들이 실시될 수 있다는 것이 명백할 것이다. 일반적으로, 잘 알려진 명령어 인스턴스들, 프로토콜들, 구조들, 및 기법들이 반드시 상세히 보여지는 것은 아니다.
특정 소셜 네트워킹 시스템들은 사용자들이 캡처, 작성, 전송, 삭제, 컬러 설정, 및 등등과 같은 여러 미리 결정된 명령들을 구두로 제공함으로써 소셜 네트워킹 시스템들의 동작들을 제어하도록 허용한다. 그러나, 이러한 시스템들에서, 사용자들은 어떤 명령들이 정확히 구두로 제공될 수 있는지를 미리 학습해야 한다. 즉, 사용자들은 그들이 구두로 발행할 수 있는 명령들의 정확한 포맷 및 타입을 학습하는 데 시간을 소비해야 하며, 이는 시간과 노력을 필요로 하고 소셜 네트워킹 시스템들을 구두로 제어하는 매력을 없애 버린다.
대화 시스템의 주요 작업 중 하나는 사용자로부터 수신된 음성 입력의 목적을 이해하는 것이다. 대부분의 사용 사례들에서, 대화들은 좁은 사업상 영역(business focus)을 가지므로, 이는 종종, 감독되고 태깅된 의도들 및 슬롯들의 큰 코퍼스(corpus) 상에서 훈련하는 변환기 기반 신경망들에 의해 구현된다. 전형적인 시스템에서, 음성 입력은 음성 인식 모델에 의해 먼저 처리되어 수신된 음성 입력의 텍스트 전사(textual transcription)를 생성하게 된다. 이러한 텍스트 전사는 그 후 의도 분류기에 의해 처리되어 사용자의 의도를 결정함으로써 몇 개의 소셜 네트워킹 기능 중 하나를 수행하게 된다. 이러한 시스템들이 일반적으로 잘 작동하지만, 의도 분류기가 음성 인식 모듈에 의해 처리된 미가공 음성 입력으로부터 분리되기 때문에, 의도 분류기의 출력의 품질은 음성 인식 모듈의 출력의 품질에 의해 제한된다. 즉, 음성 인식 모듈이 수신된 음성 입력의 전사를 정확하게 생성하는데 실패한다면, 의도 분류기도 정확한 의도 분류를 제공하는데 실패할 것이고, 이는 음성 인식(예를 들어, 의도 분류기)이 잘못된 또는 의도하지 않은 동작을 실행하도록 야기한다. 이는 사용자들에게 매우 실망스런 일이 될 수 있으며, 구두 입력을 사용하여 소셜 네트워킹 시스템을 동작시키는 전반적인 매력을 떨어뜨릴 수 있다.
개시된 기법들은 미가공 음성 입력의 부분적 전사로부터 사용자의 의도를 추정하는 음성 인식 시스템을 제공함으로써 전자장치 디바이스를 사용하는 효율을 개선한다. 개시된 기법들에 따르면, 음성 인식 엔진은 의도 분류기(intent classifier)를 이용하여 엔드-투-엔드 패션(end-to-end fashion) 또는 방식으로 훈련된다. 이러한 방식으로, 음성 인식 엔진에 의해 생성된 음성 전사는 의도 분류기(예를 들어, 캐릭터 기반 의도 분류기)에 의해 결정된 바와 같은 주어진 음성 입력의 실제 의도를 고려한다. 이는 음성 인식 엔진에 의해 전사를 생성하는데 있어서의 전반적인 능력 및 정확도를 개선하고 의도 분류기에 의해 생성된 의도 분류의 품질을 개선한다.
예에서, 의도 분류기는 음성 인식 엔진이 미가공 음성 입력을 텍스트 전사가 되도록 완전히 디코딩하기 전에 음성 인식 엔진으로부터 미가공 음성 입력의 표현을 수신한다. 표현은 텍스트 전사를 생성할 시에 음성 인식 엔진에 의해 처리되는 은닉 계층들(음성 입력의 초기 캐릭터 기반 표현)을 표현하는 로짓 격자(logit lattice)를 포함할 수 있다. 의도 분류기는 은닉 계층들(로짓 격자) 또는 음성 입력의 초기 캐릭터 기반 표현에 대해 동작하여 의도 분류를 생성할 수 있다. 의도 분류가 음성 입력의 완성된 전사가 아니라 음성 입력의 초기 캐릭터 기반 표현을 처리함으로써 생성되기 때문에, 의도 분류기에 의해 생성된 의도의 정확도는 음성 인식 엔진에 의해 생성된 전사의 품질에 의해 무력화되지 않는다. 의도 분류기의 출력은, 최종 음성 입력 전사를 생성하기 위해 음성 인식 엔진에 의해 수행되는 임의의 전사 또는 디코딩을 더 정교화하도록 음성 인식 엔진에 피드백될 수 있다. 이는 음성 인식 엔진에 의해 생성된 임의의 전사가 음성 입력의 의도 분류를 고려하는 것을 보장함으로써 소셜 네트워크 시스템이 자동화된 음성 인식 및 의도 분류를 수행하는 전반적 능력을 상당히 개선한다.
구체적으로, 개시된 기법들은 음성 입력을 포함하는 오디오 파일을 수신한다. 개시된 기법들은, 음성 인식 엔진에 의해, 음성 입력을 포함하는 오디오 파일을 처리하여 음성 입력의 초기 캐릭터 기반 표현을 생성한다. 개시된 기법들은, 의도 분류기에 의해, 음성 입력의 초기 캐릭터 기반 표현을 처리하여 음성 입력의 추정된 의도를 생성한다. 그 후 개시된 기법들은, 음성 인식 엔진에 의해, 음성 입력의 추정된 의도에 기초하여 음성 입력의 텍스트 표현을 선택적으로 생성할 수 있다.
이러한 방식으로, 개시된 기법들은 훨씬 더 직관적이고, 강건하고, 매력적인 대화 및 음성 인식 시스템을 제공하고, 사용자가 소셜 네트워킹 시스템 또는 음성 인식 시스템이 수락할 수 있는 특정 타입의 명령들을 미리 학습해야 하는 것을 회피하게 해 준다. 이는 소셜 네트워킹 시스템들이 액세스되고 상호작용될 수 있는 효율성을 증가시키며, 이는 일상적인 소셜 네트워킹 작업들 및 동작들을 수행하는 데 필요한 자원들의 양을 줄인다.
개시된 기법들은 소셜 네트워킹 동작을 수행하는 것에 중점을 둔 효과적인 기계/인간 대화를 자동으로 쉽게 생성하는 방식을 제공한다.
네트워킹된 컴퓨팅 환경
도 1은 네트워크를 통해 데이터(예를 들어, 메시지들 및 연관된 콘텐츠)를 교환하기 위한 예시적인 메시징 시스템(100)을 도시하는 블록도이다. 메시징 시스템(100)은 클라이언트 디바이스(102)의 다수의 인스턴스를 포함하고, 이들 각각은 메시징 클라이언트(104) 및 다른 외부 애플리케이션들(109)(예를 들어, 제3자 애플리케이션들)을 포함하는 소정 수의 애플리케이션을 호스팅한다. 각각의 메시징 클라이언트(104)는 네트워크(112)(예를 들어, 인터넷)를 통해 메시징 클라이언트(104)의 다른 인스턴스들(예를 들어, 각자의 다른 클라이언트 디바이스들(102) 상에서 호스팅됨), 메시징 서버 시스템(108), 및 외부 앱(들) 서버들(110)에 통신가능하게 결합된다. 메시징 클라이언트(104)는 API들(Applications Program Interfaces)을 사용하여 국소적으로 호스팅된 제3자 애플리케이션들(109)과 또한 통신할 수 있다.
메시징 클라이언트(104)는 네트워크(112)를 통해 다른 메시징 클라이언트들(104)과 그리고 메시징 서버 시스템(108)과 통신하고 데이터를 교환할 수 있다. 메시징 클라이언트들(104) 사이에서 그리고 메시징 클라이언트(104)와 메시징 서버 시스템(108) 사이에서 교환되는 데이터는, 기능들(예를 들어, 기능들을 기동하는 명령들)뿐만 아니라, 페이로드 데이터(예를 들어, 텍스트, 오디오, 비디오 또는 다른 멀티미디어 데이터)를 포함한다.
메시징 서버 시스템(108)은 네트워크(112)를 통해 특정 메시징 클라이언트(104)에 서버-측 기능성을 제공한다. 메시징 시스템(100)의 특정 기능들이 메시징 클라이언트(104)에 의해 또는 메시징 서버 시스템(108)에 의해 수행되는 것으로서 본 명세서에 설명되지만, 메시징 클라이언트(104) 또는 메시징 서버 시스템(108) 내에서의 특정 기능성의 로케이션은 설계 선택사항일 수 있다. 예를 들어, 메시징 서버 시스템(108) 내에 특정 기술 및 기능성을 초기에 배치하지만, 클라이언트 디바이스(102)가 충분한 처리 용량을 갖는 경우 메시징 클라이언트(104)에게 이러한 기술 및 기능성을 나중에 이주시키는 것이 기술적으로 바람직할 수 있다.
메시징 서버 시스템(108)은 메시징 클라이언트(104)에 제공되는 다양한 서비스들 및 동작들을 지원한다. 이러한 동작들은 메시징 클라이언트(104)에 데이터를 송신하는 동작, 그로부터 데이터를 수신하는 동작, 그에 의해 생성되는 데이터를 처리하는 동작을 포함한다. 이 데이터는, 예들로서, 메시지 콘텐츠, 클라이언트 디바이스 정보, 지오로케이션 정보, 미디어 증강 및 오버레이, 메시지 콘텐츠 지속 조건, 소셜 네트워크 정보, 워터마크(메시지 및 반응이 판독되거나 클라이언트 디바이스(102)의 사용자에게 제시되는 조합된 표시), 및 라이브 이벤트 정보를 포함할 수 있다. 메시징 시스템(100) 내에서의 데이터 교환들은 메시징 클라이언트(104)의 UI들(user interfaces)을 통해 이용가능한 기능들을 통해 기동되고 제어된다.
이제 구체적으로 메시징 서버 시스템(108)을 참조하면, API 서버(116)가 애플리케이션 서버들(114)에 결합되어 이들에게 프로그램 방식의 인터페이스를 제공한다. 애플리케이션 서버들(114)은 데이터베이스 서버(120)에 통신가능하게 결합되며, 이는 애플리케이션 서버들(114)에 의해 처리되는 메시지들 및 반응들과 연관된 데이터를 저장하는 데이터베이스(126)에 대한 액세스를 용이하게 한다. 유사하게, 웹 서버(128)가 애플리케이션 서버들(114)에 결합되고, 웹 기반 인터페이스들을 애플리케이션 서버들(114)에 제공한다. 이를 위해, 웹 서버(128)는 HTTP(Hypertext Transfer Protocol) 및 여러 다른 관련 프로토콜을 통해 착신 네트워크 요청들을 처리한다.
API 서버(116)는 클라이언트 디바이스(102)와 애플리케이션 서버들(114) 사이에서 메시지 데이터(예를 들어, 워터마크들, 명령들 및 메시지 페이로드들)를 수신하고 송신한다. 구체적으로는, API 서버(116)는, 애플리케이션 서버(114)의 기능성을 기동하기 위해서 메시징 클라이언트(104)에 의해 호출되거나 질의될 수 있는 한 세트의 인터페이스들(예를 들어, 루틴들 및 프로토콜들)을 제공한다. API 서버(116)는, 계정 등록, 로그인 기능성, 애플리케이션 서버들(114)을 통한 특정한 메시징 클라이언트(104)로부터 또 다른 메시징 클라이언트(104)로의 메시지들의 전송, 메시징 클라이언트(104)로부터 메시징 서버(118)로의 미디어 파일(예를 들어, 이미지 또는 비디오)의 전송, 및 또 다른 메시징 클라이언트(104)에 의한 가능한 액세스를 위한, 미디어 데이터의 컬렉션(예를 들어, 스토리)의 설정, 클라이언트 디바이스(102)의 사용자의 친구들의 리스트 검색, 이러한 컬렉션의 검색, 메시지 및 콘텐츠의 검색, 엔티티 그래프(예를 들어, 소셜 그래프)로의 엔티티(예를 들어, 친구)의 추가 및 삭제, 소셜 그래프 내엣의 친구의 로케이션, 및(예를 들어, 메시징 클라이언트(104)에 관련된) 애플리케이션 이벤트를 오픈하는 것을 포함한, 애플리케이션 서버(114)에 의해 지원되는 다양한 기능을 노출시킨다.
애플리케이션 서버들(114)은 예를 들어, 메시징 서버(118), 이미지 처리 서버(122), 및 소셜 네트워크 서버(124)를 포함하는 다수의 서버 애플리케이션 및 서브시스템을 호스팅한다. 메시징 서버(118)는, 메시징 클라이언트(104)의 다중의 인스턴스로부터 수신되는 메시지들에 포함되는 콘텐츠(예를 들어, 텍스트 및 멀티미디어 콘텐츠)의 집계(aggregation) 및 다른 처리에 특히 관련되는, 소정 수의 메시지 처리 기술들 및 기능성들을 구현한다. 추가로 상세히 설명되는 바와 같이, 다중 소스로부터의 텍스트 및 미디어 콘텐츠는 콘텐츠의 컬렉션들(예를 들어, 스토리들 또는 갤러리들이라고 불림)이 되도록 집계될 수 있다. 다음으로, 이러한 컬렉션들은 메시징 클라이언트(104)에 이용가능하게 된다. 데이터의 다른 프로세서- 및 메모리-집약적인 처리가 또한, 이러한 처리를 위한 하드웨어 요건들을 고려하여, 메시징 서버(118)에 의해 서버-측에서 수행될 수 있다.
애플리케이션 서버들(114)은, 통상적으로 메시징 서버(118)로부터 전송되는 또는 이것에서 수신되는 메시지의 페이로드 내에서의 이미지들 또는 비디오에 관하여, 다양한 이미지 처리 동작들을 수행하기 위해 전용되는 이미지 처리 서버(122)를 또한 포함한다.
소셜 네트워크 서버(124)는 다양한 소셜 네트워킹 기능들 및 서비스들을 지원하고 이러한 기능들 및 서비스들을 메시징 서버(118)에 이용가능하게 만든다. 이를 위해, 소셜 네트워크 서버(124)는 데이터베이스(126) 내에 엔티티 그래프(308)(도 3에 도시된 바와 같음)를 유지하고 이에 액세스한다. 소셜 네트워크 서버(124)에 의해 지원되는 기능들 및 서비스들의 예들은, 특정 사용자가 관계를 가지거나 "팔로우하는" 메시징 시스템(100)의 다른 사용자들의 식별, 및 또한 특정 사용자의 다른 엔티티들 및 관심사항들의 식별을 포함한다.
메시징 클라이언트(104)로 돌아가서, 외부 자원(예를 들어, 외부 애플리케이션(109) 또는 애플릿)의 특징들 및 기능들은 메시징 클라이언트(104)의 인터페이스를 통해 사용자에게 이용가능하게 된다. 메시징 클라이언트(104)는 외부 앱들(109)과 같은 외부 자원(예를 들어, 제3자 자원)의 특징들을 론칭하거나 액세스하기 위한 옵션의 사용자 선택을 수신한다. 외부 자원은 클라이언트 디바이스(102) 상에 설치된 제3자 애플리케이션(외부 앱들(109))(예를 들어, "네이티브 앱"), 또는 클라이언트 디바이스(102) 상에서 또는 클라이언트 디바이스(102)로부터 원격에서(예를 들어, 외부 앱(들) 서버들(110) 상에서) 호스팅되는 제3자 애플리케이션의 소규모 버전(예를 들어, "애플릿")일 수 있다. 제3자 애플리케이션의 소규모 버전은 제3자 애플리케이션(예를 들어, 제3자 독립형 애플리케이션의 대규모, 네이티브 버전)의 특징들 및 기능들의 서브세트를 포함하고, 마크업-언어 문서를 사용하여 구현된다. 일 예에서, 제3자 애플리케이션의 소규모 버전(예를 들어, "애플릿")은 제3자 애플리케이션의 웹 기반, 마크업-언어 버전이고 메시징 클라이언트(104)에 내장된다. 마크업-언어 문서들(예를 들어, .*ml 파일)을 사용하는 것 외에, 애플릿은 스크립팅 언어(예를 들어, .*js 파일 또는 .json 파일) 및 스타일 시트(예를 들어, .*ss 파일)를 포함할 수 있다.
외부 자원(외부 앱(109))을 론칭하거나 또는 그 특징들에 액세스하는 옵션의 사용자 선택을 수신한 것에 응답하여, 메시징 클라이언트(104)는 선택된 외부 자원이 웹 기반 외부 자원인지 또는 국소적으로 설치된 외부 애플리케이션인지를 결정한다. 일부 경우들에서, 클라이언트 디바이스(102) 상에 국소적으로 설치되는 외부 애플리케이션들(109)은, 클라이언트 디바이스(102)의 홈 스크린 상의, 외부 애플리케이션(109)에 대응하는 아이콘을 선택함으로써 그런 것 같이, 메시징 클라이언트(104)와 독립적으로 그리고 그와 별도로 론칭될 수 있다. 이러한 외부 애플리케이션들의 소규모 버전들은 메시징 클라이언트(104)를 통해 론칭되거나 또는 액세스될 수 있고, 일부 예들에서, 소규모 외부 애플리케이션의 어떠한 부분들도 메시징 클라이언트(104)의 외부에서 액세스될 수 없거나 또는 제한된 부분들이 액세스될 수 있다. 소규모 외부 애플리케이션은 외부 앱(들) 서버(110)로부터 소규모 외부 애플리케이션과 연관된 마크업-언어 문서를 수신하고 그러한 문서를 처리하는 메시징 클라이언트(104)에 의해 론칭될 수 있다.
외부 자원이 국소적으로 설치된 외부 애플리케이션(109)이라고 결정한 것에 응답하여, 메시징 클라이언트(104)는 외부 애플리케이션(109)에 대응하는 국소적으로 저장된 코드를 실행함으로써 외부 애플리케이션(109)을 론칭하라고 클라이언트 디바이스(102)에 지시한다. 외부 자원이 웹 기반 자원이라고 결정한 것에 응답하여, 메시징 클라이언트(104)는 선택된 자원에 대응하는 마크업-언어 문서를 획득하기 위해 외부 앱(들) 서버들(110)과 통신한다. 다음으로, 메시징 클라이언트(104)는 획득된 마크업-언어 문서를 처리하여 메시징 클라이언트(104)의 사용자 인터페이스 내에 웹 기반 외부 자원을 제시한다.
메시징 클라이언트(104)는 클라이언트 디바이스(102)의 사용자, 또는 이러한 사용자에 관련된 다른 사용자들(예를 들어, "친구들")에게 하나 이상의 외부 자원에서 일어나는 활동을 통지할 수 있다. 예를 들어, 메시징 클라이언트(104)는 메시징 클라이언트(104)에서의 대화(예를 들어, 채팅 세션)의 참가자들에게 사용자들의 그룹의 하나 이상의 멤버에 의한 외부 자원의 현재 또는 최근 사용에 관련된 통지들을 제공할 수 있다. 하나 이상의 사용자는 활성 외부 자원에 참여하도록 또는 최근에 사용되었지만 (친구들의 그룹에서의) 현재 비활성인 외부 자원을 론칭하도록 초청받을 수 있다. 외부 자원은, 각각이 각자의 메시징 클라이언트(104)를 사용하는 대화 내의 참가자들에게, 외부 자원에서의 아이템, 상태(status), 상태(state), 또는 로케이션을 채팅 세션에 들어가는 사용자들의 그룹 중 하나 이상의 멤버와 공유하는 능력을 제공할 수 있다. 공유된 아이템은 대화형 채팅 카드일 수 있고, 이 대화형 채팅 카드와 채팅의 멤버들은, 예를 들어, 대응하는 외부 자원을 론칭시키거나, 외부 자원 내에서의 특정 정보를 시청하거나, 또는 채팅의 멤버를 외부 자원 내에서의 특정 로케이션 또는 상태로 가져가기 위해 상호작용할 수 있다. 주어진 외부 자원 내에서, 응답 메시지들이 메시징 클라이언트(104) 상의 사용자들에게 전송될 수 있다. 외부 자원은, 외부 자원의 현재 컨텍스트에 기초하여, 응답들 내에 상이한 미디어 아이템들을 선택적으로 포함시킬 수 있다.
메시징 클라이언트(104)는 주어진 외부 자원을 론칭하거나 또는 그에 액세스하기 위해 이용가능한 외부 자원들(예를 들어, 제3자 또는 외부 애플리케이션들(109) 또는 애플릿들)의 리스트를 사용자에게 제시할 수 있다. 이러한 리스트는 컨텍스트-감지 메뉴에서 제시될 수 있다. 예를 들어, 외부 애플리케이션(109)(또는 애플릿들) 중 상이한 것들을 표현하는 아이콘들이 (예를 들어, 대화 인터페이스로부터 또는 비-대화 인터페이스로부터) 사용자에 의해 어떻게 메뉴가 론칭되는지에 기초하여 변할 수 있다.
일부 예들에서, 메시징 클라이언트(104)는 음성 또는 대화 기반 상호작용들을 제공할 수 있는 증강 현실 경험을 제시할 수 있다. 예를 들어, 메시징 클라이언트(104)는, 예컨대 클라이언트 디바이스(102)의 전면 카메라를 이용하여, 사용자(또는 2D 또는 3D 환경)의 이미지 또는 비디오를 캡처할 수 있다. 메시징 클라이언트(104)는 증강 현실 경험을 구성하는 하나 이상의 증강 현실 그래픽 요소를 사용자를 묘사하는 이미지 또는 비디오 상에 오버레이 또는 디스플레이할 수 있다. 예로서, 메시징 클라이언트(104)는 메이크업, 의류, 보석, 모자, 또는 안경과 같은 증강 현실 방식 아이템들을 디스플레이할 수 있다. 또 다른 예로서, 메시징 클라이언트(104)는 사용자를 표현하는 증강 현실 그래픽 요소들로서 아바타를 제시할 수 있다. 또 다른 예로서, 메시징 클라이언트(104)는 차량을 묘사하는 환경의 이미지 또는 비디오를 캡처할 수 있다. 이러한 경우에, 메시징 클라이언트(104)는 차량의 컬러를 변경하도록 요청하는 사용자로부터의 음성 상호작용(입력)을 수신할 수 있다. 이에 응답하여, 메시징 클라이언트(104)는 음성 상호작용에 의해 요청된 증강 현실 컬러를 갖는 차량을 디스플레이할 수 있다.
증강 현실 경험이 사용자에게 제시되고 있는 동안(예컨대, 증강 현실 그래픽 요소들이 사용자를 묘사하는 이미지 상에 디스플레이되고 있는 동안) 메시징 클라이언트(104)는 사용자로부터 음성 입력을 수신할 수 있다(예컨대, "부디 프레임을 청색으로 변경하십시오"). 예로서, 음성 입력은, 증강 현실 그래픽 요소들 중 하나 이상의 것의 컬러를 변경하는 것, 스타일을 변경하는 것, 크기 또는 형상을 변경하는 것, 재료를 변경하는 것, 가상 속성을 변경하는 것(예를 들어, 조금씩 이미지 밝기를 증가시키라고 요구하거나 건물을 더 선명하게 페인팅하는 것), 및/또는 증강 현실 경험의 오디오 속성을 변경하는 것과 같이, 증강 현실 그래픽 요소들에 대한 변경을 행하기 위한 요청을 포함할 수 있다. 음성 입력을 수신한 것에 응답하여, 메시징 클라이언트(104)는 음성 인식 엔진을 음성 입력에 적용하여 음성 입력의 의도를 결정하고, 및/또는 음성 입력의 전사를 생성할 수 있다. 그 다음, 의도는, 렌즈 타입의 변경, 프레임 형상의 변경, 프레임 컬러의 변경, 및 등등과 같은, 음성 입력에 의해 요청된 대응하는 기능을 수행하는데 이용될 수 있다. 의도는 또한 "긍정적 의도", "부정적 의도", "확인", "망설임", 및 등등을 결정하기 위해 사용될 수 있다. 각각의 의도는 증강 현실 그래픽 요소들의 외관을 제어하고 또한 대화의 다음 단계들 또는 흐름을 제어하기 위한 기능에 의해 검출될 수 있다.
음성 인식 모델은 음성 인식 엔진 및 캐릭터-기반 의도 분류기 둘 다를 사용하여 미가공 음성 입력("부디 프레임을 청색으로 변경하십시오")을 처리한다. 구체적으로, 음성 인식 엔진은 미가공 음성 입력의 초기 캐릭터-기반 표현을 생성한다. 이것은 시간에 따른 캐릭터들의 확률들의 행렬로서 제공될 수 있다. 이 행렬은 캐릭터-기반 의도 분류기에 제공되고, 음성 인식 엔진이 미가공 음성 입력을 계속 처리하여 미가공 음성 입력의 전사(텍스트 표현)를 디코딩 및 생성하는 동안 처리될 수 있다.
캐릭터-기반 의도 분류기는, 예컨대, 시간에 따른 캐릭터 확률들의 어느 조합들이 음성 입력의 가장 가능성 있는 의도를 나타내는지를 결정함으로써 미가공 음성 입력의 추정된 의도를 생성한다. 이러한 추정된 의도(및 캐릭터 확률들의 조합들)는 일부 경우들에서 음성 인식 엔진에 피드백되어 음성 인식 엔진에 의해 생성된 미가공 음성 입력의 전사(텍스트 표현)를 정교화하거나 개선할 수 있도록 한다.
일부 예들에서, 음성 인식 엔진 및 의도 분류기는 동일한 음성 입력 훈련 데이터 세트에 대해 동작하는 2개의 손실 함수에 기초하여 엔드-투-엔드 방식으로 훈련되는 신경망들이다. 그 결과, 의도 분류기가 (음성 인식 엔진이 음성 입력을 완전히 디코딩하기 전에) 미가공 음성 데이터에 대해 동작하기 때문에, 의도 분류기는, 의도 분류기가 음성 인식 엔진의 완전한 전사 및 디코딩된 출력에 대해 동작하는 전통적인 시스템들보다 음성 입력의 의도의 더 정확한 예측을 생성할 수 있다. 또한, 음성 인식 엔진이 의도 분류기에 의해 제공되는 추정된 의도에 기초하여 음성 입력의 전사로의 디코딩을 수행하기 때문에, 음성 인식 엔진의 출력의 정확도가 개선된다.
메시징 클라이언트(104)는 음성 입력의 의도 및 전사를 처리하여 이미지에서 사용자의 묘사 위에 현재 제시 중인 증강 현실 그래픽 요소들을 수정한다. 예를 들어, 메시징 클라이언트(104)는 (예를 들어, 음성 입력이 안경의 컬러 또는 밝기에 대한 변경을 요청할 때) 증강 현실 안경 객체의 컬러 값을 제1 컬러로부터 업데이트된 제2 컬러로 변경한다. 메시징 클라이언트(104)는 또한 (사용자에의 피드백으로서) 음성 입력의 전사를 디스플레이하고 음성 입력에 대한 오디오 응답을 생성한다.
시스템 아키텍처
도 2는, 일부 예들에 따른, 메시징 시스템(100)에 관한 추가 상세사항들을 예시하는 블록도이다. 구체적으로, 메시징 시스템(100)은 메시징 클라이언트(104) 및 애플리케이션 서버들(114)을 포함하는 것으로 도시된다. 메시징 시스템(100)은, 메시징 클라이언트(104)에 의해 클라이언트 측에서 그리고 애플리케이션 서버들(114)에 의해 서버 측에서 지원되는 소정 수의 서브시스템들을 구체화한다. 이러한 서브시스템들은, 예를 들어, 단기적 타이머 시스템(202), 컬렉션 관리 시스템(204), 증강 시스템(208), 맵 시스템(210), 게임 시스템(212), 외부 자원 시스템(220), 및 음성 대 의도 시스템(230)을 포함한다.
단기적 타이머 시스템(202)은 메시징 클라이언트(104) 및 메시징 서버(118)에 의해 콘텐츠에 대한 일시적인 또는 시간-제한된 액세스를 시행하는 것을 담당한다. 단기적 타이머 시스템(202)은, 메시지 또는 메시지들의 컬렉션(예를 들어, 스토리)과 연관된 지속기간 및 디스플레이 파라미터들에 기초하여, 메시징 클라이언트(104)를 통해 메시지들 및 연관된 콘텐츠에 대한(예를 들어, 프레젠테이션 및 디스플레이를 위한) 액세스를 선택적으로 가능하게 하는 소정 수의 타이머들을 포함한다. 단기적 타이머 시스템(202)의 동작에 관한 추가 상세사항들이 아래에 제공된다.
컬렉션 관리 시스템(204)은 미디어의 세트들 또는 컬렉션들(예를 들어, 텍스트, 이미지 비디오, 및 오디오 데이터의 컬렉션들)을 관리하는 것을 담당한다. 콘텐츠의 컬렉션(예를 들어, 이미지들, 비디오, 텍스트, 및 오디오를 포함하는, 메시지들)은 "이벤트 갤러리(event gallery)" 또는 "이벤트 스토리(event story)"가 되도록 조직될 수 있다. 이러한 컬렉션은, 콘텐츠가 관련되는 이벤트의 지속기간과 같은, 특정된 시간 기간 동안 이용가능하게 될 수 있다. 예를 들어, 음악 콘서트와 관련된 콘텐츠는 해당 음악 콘서트의 지속기간 동안 "스토리(story)"로서 이용가능하게 될 수 있다. 컬렉션 관리 시스템(204)은 메시징 클라이언트(104)의 사용자 인터페이스에게 특정 컬렉션의 존재의 통지를 제공하는 아이콘을 공개하는 것을 또한 담당할 수 있다.
컬렉션 관리 시스템(204)은 컬렉션 관리자가 콘텐츠의 특정 컬렉션을 관리 및 큐레이션하는 것을 허용하는 큐레이션 인터페이스(206)를 더욱이 포함한다. 예를 들어, 큐레이션 인터페이스(206)는 이벤트 조직자가 특정 이벤트에 관련된 콘텐츠의 컬렉션을 큐레이션(예를 들어, 부적절한 콘텐츠 또는 중복 메시지들을 삭제)하는 것을 가능하게 한다. 추가적으로, 컬렉션 관리 시스템(204)은 머신 비전(또는 이미지 인식 기술) 및 콘텐츠 규칙들을 이용하여 콘텐츠 컬렉션을 자동으로 큐레이션한다. 어떤 예들에서, 사용자-생성 콘텐츠를 컬렉션에 포함시키는 것에 대한 보상이 사용자에게 지불될 수 있다. 이러한 경우들에서, 컬렉션 관리 시스템(204)은 이러한 사용자들에게 그들의 콘텐츠의 사용에 대해 자동으로 지불하도록 동작한다.
증강 시스템(208)은 사용자가 메시지와 연관된 미디어 콘텐츠를 증강(예를 들어, 주석하거나 또는 다른 방식으로 수정 또는 편집)하는 것을 가능하게 하는 다양한 기능들을 제공한다. 예를 들어, 증강 시스템(208)은 메시징 시스템(100)에 의해 처리되는 메시지들에 대한 미디어 오버레이들의 생성 및 공개에 관련되는 기능들을 제공한다. 증강 시스템(208)은 클라이언트 디바이스(102)의 지오로케이션에 기초하여 메시징 클라이언트(104)에 미디어 오버레이 또는 증강(예를 들어, 이미지 필터 또는 증강 현실 아이템)을 동작적으로 공급한다. 또 다른 예에서, 증강 시스템(208)은, 클라이언트 디바이스(102)의 사용자의 소셜 네트워크 정보와 같은, 다른 정보에 기초하여 메시징 클라이언트(104)에 미디어 오버레이를 동작적으로 공급한다. 미디어 오버레이는 청각적 및 시각적 콘텐츠 및 시각적 효과들을 포함할 수 있다. 청각적 및 시각적 콘텐츠의 예들은 사진들, 텍스트들, 로고들, 애니메이션들, 및 사운드 효과들을 포함한다. 미디어 오버레이는 일부 경우들에서 증강 현실 아이템이라고 지칭된다. 시각적 효과의 예는 컬러 오버레이를 포함한다. 청각적 및 시각적 콘텐츠 또는 시각적 효과들은 클라이언트 디바이스(102)에 있는 미디어 콘텐츠 아이템(예를 들어, 사진)에 적용될 수 있다. 예를 들어, 미디어 오버레이는 클라이언트 디바이스(102)에 의해 촬영되는 사진 위에 오버레이될 수 있는 텍스트, 그래픽 요소, 또는 이미지를 포함할 수 있다. 다른 예에서, 미디어 오버레이는, 로케이션 식별 오버레이(예를 들어, Venice beach), 라이브 이벤트의 명칭, 또는 상인의 명칭 오버레이(예를 들어, Beach Coffee House)를 포함한다. 또 다른 예에서, 증강 시스템(208)은, 클라이언트 디바이스(102)의 지오로케이션을 사용하여, 클라이언트 디바이스(102)의 지오로케이션에 있는 상인의 명칭을 포함하는 미디어 오버레이를 식별한다. 미디어 오버레이는 상인과 연관된 다른 표시를 포함할 수 있다. 미디어 오버레이들은 데이터베이스(126)에 저장되고 데이터베이스 서버(120)를 통해 액세스될 수 있다.
일부 예들에서, 증강 시스템(208)은 사용자들이 맵 상의 지오로케이션을 선택하고, 선택된 지오로케이션과 연관된 콘텐츠를 업로드하는 것을 가능하게 하는 사용자-기반 공개 플랫폼을 제공한다. 사용자는 특정 미디어 오버레이가 다른 사용자들에게 제공되어야 하는 상황들을 또한 특정할 수 있다. 증강 시스템(208)은, 업로딩된 콘텐츠를 포함하는 그리고 업로딩된 콘텐츠를 선택된 지오로케이션과 연관시키는 미디어 오버레이를 생성한다.
다른 예들에서, 증강 시스템(208)은 상인들이 입찰 프로세스를 통해 지오로케이션과 연관된 특정 미디어 오버레이를 선택하는 것을 가능하게 하는 상인-기반 공개 플랫폼을 제공한다. 예를 들어, 증강 시스템(208)은 최고 입찰 상인의 미디어 오버레이를 미리 정의된 시간량 동안 대응하는 지오로케이션과 연관시킨다. 증강 시스템(208)은 클라이언트 디바이스(102)에 의해 캡처된 이미지와 관련된 증강 현실 경험을 자동으로 선택하고 활성화하기 위해 이미지 처리 서버(122)와 통신한다. 일단 증강 현실 경험이 선택되면, 사용자가 사용자의 환경에서 카메라를 사용하여 이미지들을 스캐닝함에 따라, 하나 이상의 이미지, 비디오, 또는 증강 현실 그래픽 요소가 검색되고 스캐닝된 이미지들 위에 오버레이로서 제시된다. 일부 경우들에서, 카메라는 전방 뷰로 스위칭되고(예를 들어, 클라이언트 디바이스(102)의 전방 카메라는 특정 증강 현실 경험의 활성화에 응답하여 활성화됨), 클라이언트 디바이스(102)의 전방 카메라로부터의 이미지들은 클라이언트 디바이스(102)의 후방 카메라 대신에 클라이언트 디바이스(102) 상에 디스플레이되기 시작한다. 하나 이상의 이미지, 비디오, 또는 증강 현실 그래픽 요소가 검색되고, 클라이언트 디바이스(102)의 전방 카메라에 의해 캡처되고 디스플레이되는 이미지들의 위에 오버레이로서 제시된다.
증강 시스템(208)은 사용자가 맞춤형 미디어 오버레이 또는 증강 현실 아이템을 생성하는 것을 허용한다. 이러한 미디어 오버레이는 하나 이상의 상이한 특징 타입을 포함할 수 있다. 예를 들어, 미디어 오버레이는, 수신된 또는 캡처된 이미지 또는 비디오에서 검출된 얼굴 특징들의 움직임에 기초하여 하나 이상의 증강 현실 아이템이 수정되는 얼굴 추적 기반 특징을 포함할 수 있다. 또 다른 예로서, 미디어 오버레이는, 사운드 클립 또는 오디오 클립이, 수신된 또는 캡처된 이미지 또는 비디오에서 제시되는 하나 이상의 증강 현실 아이템과 연관되는 오디오 클립-기반 특징들을 포함할 수 있다. 또 다른 예를 들어, 미디어 오버레이는, 수신된 또는 캡처된 이미지 또는 비디오가 디스플레이되는 클라이언트 디바이스(102)의 움직임에 기초하여 하나 이상의 증강 현실 아이템이 수정되는 자이로스코프 또는 가속도계 기반 특징들을 포함할 수 있다. 맞춤형 미디어 오버레이는 메시징 애플리케이션의 다른 사용자들과 공유될 수 있다. 다른 사용자들은 맞춤형 미디어 오버레이를 론칭하거나 이것에 액세스하기로 선택할 수 있다. 응답하여, 맞춤형 미디어 오버레이의 특징들이 검색되고 이용되어 다른 사용자들의 클라이언트 디바이스 상에 제시되는 하나 이상의 이미지 또는 비디오를 증강 또는 수정하게 된다.
맵 시스템(210)은 다양한 지리적 로케이션 기능들을 제공하고, 메시징 클라이언트(104)에 의한 맵-기반 미디어 콘텐츠 및 메시지들의 프레젠테이션을 지원한다. 예를 들어, 맵 시스템(210)은, 맵의 컨텍스트 내에서, 사용자의 "친구들(friends)"의 현재 또는 과거 로케이션 뿐만 아니라 이러한 친구들에 의해 생성되는 미디어 콘텐츠(예를 들어, 사진들 및 비디오들을 포함하는 메시지들의 컬렉션들)를 표시하기 위해 맵 상에 사용자 아이콘들 또는 아바타들(예를 들어, 프로필 데이터(316)에 저장됨)의 디스플레이를 가능하게 한다. 예를 들어, 특정 지리적 로케이션으로부터 메시징 시스템(100)에게 사용자에 의해 게시되는 메시지가 해당 특정 로케이션에서의 맵의 컨텍스트 내에서 메시징 클라이언트(104)의 맵 인터페이스 상의 구체적 사용자의 "친구들(friends)"에게 디스플레이될 수 있다. 사용자는 그의 또는 그녀의 로케이션 및 상태 정보를 메시징 클라이언트(104)를 통해 메시징 시스템(100)의 다른 사용자들과(예를 들어, 적절한 상태 아바타를 사용하여) 더욱이 공유할 수 있으며, 이러한 로케이션 및 상태 정보는 선택된 사용자들에게 메시징 클라이언트(104)의 맵 인터페이스의 컨텍스트 내에서 유사하게 디스플레이된다.
일부 예들에서, 메시징 클라이언트(104)는 맵 시스템(210)과의 상호작용을 요청하는 사용자로부터 대화 또는 음성 입력을 수신할 수 있다. 음성 입력의 의도 분류 및 음성 입력의 정확한 전사에 기초하여, 메시징 클라이언트(104)는 맵 상에 묘사되는 친구에게 메시지를 전송하거나 또는 다른 맵-기반 기능들을 수행할 수 있다.
게임 시스템(212)은 메시징 클라이언트(104)의 컨텍스트 내에서 다양한 게임 기능들을 제공한다. 메시징 클라이언트(104)는 메시징 클라이언트(104)의 컨텍스트 내에서 사용자에 의해 론칭되고 메시징 시스템(100)의 다른 사용자들과 플레이될 수 있는 이용가능한 게임들(예를 들어, 웹 기반 게임들 또는 웹 기반 애플리케이션들)의 리스트를 제공하는 게임 인터페이스를 제공한다. 메시징 시스템(100)은 또한 메시징 클라이언트(104)로부터 다른 사용자들에게 초청들을 발행함으로써, 특정 사용자가 특정 게임의 플레이에 참여하도록 이러한 다른 사용자들을 초청할 수 있게 한다. 메시징 클라이언트(104)는 게임플레이의 컨텍스트 내에서 음성 및 텍스트 메시징(예를 들어, 채팅들) 둘 다를 또한 지원하고, 게임들에 대한 리더보드(leaderboard)를 제공하며, 또한 게임-내 보상들(예를 들어, 코인들 및 아이템들)의 제공을 또한 지원한다. 음성 입력의 의도 분류 및 음성 입력의 정확한 전사에 기초하여, 메시징 클라이언트(104)는 게임 기반 기능들을 수행할 수 있다.
외부 자원 시스템(220)은 메시징 클라이언트(104)가 외부 자원들을 론칭하거나 액세스하기 위해 외부 앱(들) 서버들(110)과 통신하기 위한 인터페이스를 제공한다. 각각의 외부 자원(앱들) 서버(110)는, 예를 들어, 마크업 언어(예를 들어, HTML5)-기반 애플리케이션 또는 외부 애플리케이션(예를 들어, 메시징 클라이언트(104)의 외부에 있는 게임, 유틸리티, 지불, 또는 탑승 공유 애플리케이션)의 소규모 버전을 호스팅한다. 메시징 클라이언트(104)는 웹-기반 자원과 연관된 외부 자원(앱들) 서버들(110)로부터 HTML5 파일에 액세스함으로써 웹-기반 자원(예를 들어, 애플리케이션)을 론칭할 수 있다. 특정 예들에서, 외부 자원 서버들(110)에 의해 호스팅되는 애플리케이션들은 메시징 서버(118)에 의해 제공되는 SDK(Software Development Kit)를 활용하는 자바스크립트로 프로그래밍된다. SDK는 웹-기반 애플리케이션에 의해 호출되거나 기동될 수 있는 기능들을 갖는 API들(Application Programming Interfaces)을 포함한다. 특정 예들에서, 메시징 서버(118)는 주어진 제3자 자원 액세스를 메시징 클라이언트(104)의 특정 사용자 데이터에 제공하는 자바스크립트 라이브러리를 포함한다. HTML5는 게임들을 프로그래밍하기 위한 예시적인 기술로서 사용되지만, 다른 기술들에 기초하여 프로그래밍되는 애플리케이션들 및 자원들이 사용될 수 있다. 음성 입력의 의도 분류 및 음성 입력의 정확한 전사에 기초하여, 메시징 클라이언트(104)는 외부 자원-기반 기능들을 수행할 수 있다.
SDK의 기능들을 웹 기반 자원 내에 통합하기 위해서, SDK는 메시징 서버(118)로부터 외부 자원(앱들) 서버(110)에 의해 다운로드되거나 또는 외부 자원(앱들) 서버(110)에 의해 다른 방식으로 수신된다. 일단 다운로드되거나 수신되면, SDK는 웹 기반 외부 자원의 애플리케이션 코드의 일부로서 포함된다. 웹 기반 자원의 코드는 그 후 SDK의 어떤 기능들을 호출하거나 기동시켜서 메시징 클라이언트(104)의 특징들을 웹 기반 자원 내에 통합시킬 수 있다.
메시징 서버(118) 상에 저장된 SDK는 외부 자원(예를 들어, 제3자 또는 외부 애플리케이션들(109) 또는 애플릿들 및 메시징 클라이언트(104)) 사이의 브리지를 효과적으로 제공한다. 이것은 사용자에게 메시징 클라이언트(104)의 룩 앤드 필(look and feel)을 보존하면서 메시징 클라이언트(104) 상의 다른 사용자들과 통신하는 원활한 경험을 또한 제공한다. 외부 자원과 메시징 클라이언트(104) 사이의 통신을 브리지하기 위해, 어떤 예들에서, SDK는 외부 자원 서버들(110)과 메시징 클라이언트(104) 사이의 통신을 용이하게 한다. 어떤 예들에서, 클라이언트 디바이스(102) 상에서 실행되는 WebViewJavaScriptBridge는 외부 자원과 메시징 클라이언트(104) 사이에 2개의 단방향 통신 채널을 확립한다. 메시지들은 이들 통신 채널들을 통해 외부 자원과 메시징 클라이언트(104) 사이에서 비동기적으로 전송된다. 각각의 SDK 기능 기동은 메시지 및 콜백으로서 전송된다. 각각의 SDK 기능은 고유 콜백 식별자를 구성하는 것 및 해당 콜백 식별자를 갖는 메시지를 전송하는 것에 의해 구현된다.
SDK를 이용함으로써, 메시징 클라이언트(104)로부터의 모든 정보가 외부 자원 서버들(110)과 공유되는 것은 아니다. SDK는 외부 자원의 필요에 기초하여 어느 정보가 공유되는지를 제한한다. 특정 예들에서, 각각의 외부 자원 서버(110)는 웹 기반 외부 자원에 대응하는 HTML5 파일을 메시징 서버(118)에 제공한다. 메시징 서버(118)는 메시징 클라이언트(104) 내에 웹 기반 외부 자원의 시각적 표현(박스 아트 또는 다른 그래픽과 같은 것)을 추가할 수 있다. 일단 사용자가 시각적 표현을 선택하거나 메시징 클라이언트(104)의 GUI를 통해 메시징 클라이언트(104)에게 웹 기반 외부 자원의 특징들에 액세스하도록 지시하면, 메시징 클라이언트(104)는 HTML5 파일을 획득하고, 웹 기반 외부 자원의 특징들에 액세스하는 데 필요한 자원들을 인스턴스화한다.
메시징 클라이언트(104)는 외부 자원을 위한 그래픽 사용자 인터페이스(예를 들어, 랜딩(landing) 페이지 또는 타이틀 스크린)를 제시한다. 랜딩 페이지 또는 타이틀 스크린을 제시하는 동안에, 그 전에, 또는 그 후에, 메시징 클라이언트(104)는 론칭된 외부 자원이 메시징 클라이언트(104)의 사용자 데이터에 액세스하도록 이전에 인가되었는지를 결정한다. 론칭된 외부 자원이 메시징 클라이언트(104)의 사용자 데이터에 액세스하도록 이전에 인가되었다고 결정한 것에 응답하여, 메시징 클라이언트(104)는 외부 자원의 기능들 및 특징들을 포함하는 외부 자원의 또 다른 그래픽 사용자 인터페이스를 제시한다. 론칭된 외부 자원이 메시징 클라이언트(104)의 사용자 데이터에 액세스하도록 이전에 인가되지 않았다고 결정한 것에 응답하여, 외부 자원의 랜딩 페이지 또는 타이틀 스크린을 디스플레이하는 임계 기간(예를 들어, 3초) 후에, 메시징 클라이언트(104)는 외부 자원이 사용자 데이터에 액세스하는 것을 인가하기 위해 메뉴를 슬라이드 업한다(예를 들어, 스크린의 하부로부터 스크린의 중간 또는 다른 부분으로 표면화하는 것으로서 메뉴를 애니메이션한다). 이러한 메뉴는 외부 자원이 사용하는 것이 인가될 사용자 데이터의 타입을 식별한다. 수락 옵션의 사용자 선택을 수신한 것에 응답하여, 메시징 클라이언트(104)는 외부 자원을 인가된 외부 자원들의 리스트에 추가하고 외부 자원이 메시징 클라이언트(104)로부터의 사용자 데이터에 액세스하는 것을 허용한다. 일부 예들에서, 외부 자원은 OAuth 2 프레임워크에 따라 사용자 데이터에 액세스하도록 메시징 클라이언트(104)에 의해 인가된다.
메시징 클라이언트(104)는 인가되고 있는 외부 자원의 타입에 기초하여 외부 자원들과 공유되는 사용자 데이터의 타입을 제어한다. 예를 들어, 풀스케일 외부 애플리케이션들(예를 들어, 제3자 또는 외부 애플리케이션(109))을 포함하는 외부 자원들에는 제1 타입의 사용자 데이터(예를 들어, 상이한 아바타 특성들을 갖거나 갖지 않는 사용자들의 2차원 아바타들만)에 대한 액세스가 제공된다. 또 다른 예로서, 소규모 버전의 외부 애플리케이션들(예컨대, 제3자 애플리케이션들의 웹 기반 버전들)을 포함하는 외부 자원들에는 제2 타입의 사용자 데이터(예컨대, 지불 정보, 사용자들의 2차원 아바타들, 사용자들의 3차원 아바타들, 및 다양한 아바타 특성들을 갖는 아바타들)에의 액세스가 제공된다. 아바타 특성들은, 상이한 자세들, 얼굴 특징들, 복장, 및 등등과 같은, 아바타의 룩 앤드 필을 맞춤화하는 상이한 방식들을 포함한다.
음성 대 의도 시스템(230)은 최종 사용자와 메시징 클라이언트(104) 사이의 대화 상호작용을 관리한다. 구체적으로, 음성 대 의도 시스템(230)은 사용자의 음성 입력의 의도를 고려하는 방식으로 사용자로부터 수신된 음성 입력에 대한 음성 인식을 수행하도록 훈련된다. 음성 대 의도 시스템(230)은 음성 인식 엔진이 음성 입력을 전사하는 것과 (전사하는 동안과) 병행적으로 음성 입력에 대한 의도 분류를 수행한다. 음성 대 의도 시스템(230)은 행렬에 포함된 음성 입력의 캐릭터 확률들을 처리하여 음성 입력의 의도를 결정 또는 추정한다. 음성 대 의도 시스템(230)의 의도 분류기는 음성 인식 엔진이 음성 입력의 디코딩을 완료하기 전에 음성 인식 엔진에 의해 제공되는 캐릭터들의 스트림 또는 벡터에 대해 동작한다. 이러한 방식으로, 의도 분류기는 음성 인식 엔진에 의해 제공된 전사 또는 디코딩에 의존하지 않는 방식으로 음성 입력의 의도를 추정할 수 있다.
그 후, 음성 인식 엔진은 의도 분류기에 의해 생성된 의도 분류에 기초하여 음성 입력의 디코딩을 완료 또는 정교화할 수 있다. 일부 경우들에 있어서, 음성 대 의도 시스템(230)은 2개 이상의 비용 함수를 고려하는 손실 함수에 기초하여 엔드-투-엔드 방식으로 의도 분류기 및 음성 인식 엔진을 훈련한다. 2개 이상의 비용 함수는 의도 분류에 기초하여 손실을 계산하는 비용 함수 및 음성 입력의 전사에 기초하여 손실을 계산하는 또 다른 비용 함수를 포함한다. 의도 분류기 및 음성 인식 엔진은 훈련 데이터의 복수의 배치(batch)에 걸쳐 역 전파(back propagation)를 이용하여 훈련된다.
예에서, 음성 대 의도 시스템(230)은, 예컨대 클라이언트 디바이스(102)의 마이크로폰으로부터의 클라이언트 디바이스(102)를 통한 사용자로부터의 음성 입력을 수신한다. 훈련 동안, 음성 대 의도 시스템(230)은 데이터베이스에 저장된 복수의 훈련 데이터로부터 음성 입력을 수신한다. 음성 대 의도 시스템(230)의 추가 상세사항은 도 5와 관련하여 제공된다.
데이터 아키텍처
도 3은, 어떤 예들에 따른, 메시징 서버 시스템(108)의 데이터베이스(126)에 저장될 수 있는 데이터 구조들(300)을 예시하는 개략도이다. 데이터베이스(126)의 콘텐츠가 소정 수의 테이블들을 포함하는 것으로 도시되지만, 데이터는 다른 타입들의 데이터 구조들에 (예를 들어, 객체 지향형 데이터베이스로서) 저장될 수 있다는 점을 알 것이다.
데이터베이스(126)는 메시지 테이블(302) 내에 저장되는 메시지 데이터를 포함한다. 이러한 메시지 데이터는, 임의의 특정한 하나의 메시지에 대해, 적어도 메시지 전송자 데이터, 메시지 수신자(또는 수신기) 데이터, 및 페이로드를 포함한다. 메시지에 포함되고 그리고 메시지 테이블(302)에 저장되는 메시지 데이터 내에 포함될 수 있는 정보에 관한 추가 상세사항들은 도 4를 참조하여 아래에 설명된다.
엔티티 테이블(306)은 엔티티 데이터를 저장하고, 엔티티 그래프(308) 및 프로필 데이터(316)에(예를 들어, 참조용으로) 링크된다. 그에 대해 레코드들이 엔티티 테이블(306) 내에 유지되는 엔티티들은 개인들, 법인 엔티티들, 조직들, 객체들, 장소들, 이벤트들 및 등등을 포함할 수 있다. 엔티티 타입에 관계없이, 그에 관해 메시징 서버 시스템(108)이 데이터를 저장하는 임의의 엔티티는 인식된 엔티티일 수 있다. 각각의 엔티티에는 고유 식별자 뿐만 아니라 엔티티 타입 식별자(도시되지 않음)가 제공된다.
엔티티 그래프(308)는 엔티티들 사이의 관계들 및 연관들에 관한 정보를 저장한다. 이러한 관계는, 단지 예를 들어, 사회적, 전문적(예를 들어, 일반 법인 또는 조직에서의 일) 관심 기반 또는 활동 기반일 수 있다.
프로필 데이터(316)는 특정 엔티티에 관한 다수 타입들의 프로필 데이터를 저장한다. 프로필 데이터(316)는, 특정 엔티티에 의해 지정되는 프라이버시 설정들에 기초하여, 선택적으로 사용되고 메시징 시스템(100)의 다른 사용자들에게 제시될 수 있다. 엔티티가 개인인 경우, 프로필 데이터(316)는, 예를 들어, 사용자 이름, 전화번호, 주소, 설정들(예컨대, 통지 및 프라이버시 설정들)은 물론이고, 사용자 선택된 아바타 표현(또는 이러한 아바타 표현들의 컬렉션)을 포함한다. 그 후 특정 사용자는 메시징 시스템(100)을 통해 통신된 메시지들의 콘텐츠 내에 그리고 메시징 클라이언트들(104)에 의해 다른 사용자들에게 디스플레이된 맵 인터페이스들 상에 이들 아바타 표현들 중 하나 이상을 선택적으로 포함시킬 수 있다. 아바타 표현들의 컬렉션은, 사용자가 특정 시간에 통신하기 위해 선택할 수 있는 상태 또는 활동의 그래픽 표현을 제시하는, "상태 아바타들(status avatars)"을 포함할 수 있다.
엔티티가 그룹인 경우, 그룹에 대한 프로필 데이터(316)는, 관련 그룹에 대한 그룹 이름, 멤버들, 및 다양한 설정들(예를 들어, 통지들) 외에도, 그룹과 연관된 하나 이상의 아바타 표현을 유사하게 포함할 수 있다.
데이터베이스(126)는, 오버레이들 또는 필터들과 같은, 증강 데이터를 증강 테이블(310)에 또한 저장한다. 증강 데이터는 (그에 대해 데이터가 비디오 테이블(304)에 저장되는) 비디오들 및 (그에 대해 데이터가 이미지 테이블(312)에 저장되는) 이미지들과 연관되고 이들에 적용된다.
일 예에서, 필터들은 수신 측 사용자에 대한 프레젠테이션 동안 이미지 또는 비디오 상에 오버레이되는 것으로서 디스플레이되는 오버레이들이다. 필터들은, 전송 측 사용자가 메시지를 작성하고 있을 때 메시징 클라이언트(104)에 의해 전송 측 사용자에게 제시되는 필터들의 세트로부터의 사용자 선택 필터들을 포함하는, 다양한 타입들의 것일 수 있다. 다른 타입들의 필터들은 지리적 로케이션에 기초하여 전송 측 사용자에게 제시될 수 있는 지오로케이션 필터들(지오-필터들이라고 또한 알려짐)을 포함한다. 예를 들어, 이웃 또는 특수한 로케이션에 특정적인 지오로케이션 필터들이, 클라이언트 디바이스(102)의 GPS(Global Positioning System) 유닛에 의해 결정되는 지오로케이션 정보에 기초하여, 메시징 클라이언트(104)에 의해 사용자 인터페이스 내에 제시될 수 있다.
또 다른 타입의 필터는, 메시지 생성 프로세스 동안 클라이언트 디바이스(102)에 의해 수집된 정보 또는 다른 입력들에 기초하여, 메시징 클라이언트(104)에 의해 전송 측 사용자에게 선택적으로 제시될 수 있는 데이터 필터이다. 데이터 필터들의 예들은, 특정 로케이션에서의 현재 온도, 전송 측 사용자가 이동하고 있는 현재 속도, 클라이언트 디바이스(102)에 대한 배터리 수명, 또는 현재 시간을 포함한다.
이미지 테이블(312) 내에 저장될 수 있는 다른 증강 데이터는 (예를 들어, 렌즈들 또는 증강 현실 경험들을 적용하는 것에 대응하는) 증강 현실 콘텐츠 아이템들을 포함한다. 증강 현실 콘텐츠 아이템은 이미지 또는 비디오에 추가될 수 있는 실시간 특수 효과 및 사운드일 수 있다.
위에서 설명된 바와 같이, 증강 데이터는 증강 현실 콘텐츠 아이템들, 오버레이들, 이미지 변환들, AR 이미지들, 및 이미지 데이터(예컨대, 비디오들 또는 이미지들)에 적용될 수 있는 수정들을 지칭하는 유사한 용어들을 포함한다. 이것은 이미지가 클라이언트 디바이스(102)의 디바이스 센서들(예컨대, 하나 또는 다중의 카메라)을 사용하여 캡처됨에 따라 이미지를 수정하고 이어서 수정들과 함께 클라이언트 디바이스(102)의 스크린 상에 디스플레이하는 실시간 수정들을 포함한다. 이것은 또한 수정될 수 있는 갤러리 내의 비디오 클립들과 같은, 저장된 콘텐츠에 대한 수정들을 포함한다. 예를 들어, 다중의 증강 현실 콘텐츠 아이템에 액세스하는 클라이언트 디바이스(102)에서, 사용자는 상이한 증강 현실 콘텐츠 아이템들이 어떻게 저장된 클립을 수정할 것인지를 알아보기 위해 다중의 증강 현실 콘텐츠 아이템을 갖는 단일 비디오 클립을 사용할 수 있다. 예를 들어, 상이한 의사랜덤 움직임 모델들을 적용하는 다중의 증강 현실 콘텐츠 아이템이 콘텐츠에 대한 상이한 증강 현실 콘텐츠 아이템들을 선택함으로써 동일한 콘텐츠에 적용될 수 있다. 유사하게, 실시간 비디오 캡처는 클라이언트 디바이스(102)의 센서들에 의해 현재 캡처되고 있는 비디오 이미지들이 어떻게 캡처된 데이터를 수정할 것인지를 보여주기 위해 예시된 수정과 함께 사용될 수 있다. 이러한 데이터는 스크린 상에 단순히 디스플레이될 수 있고 및 메모리에 저장되지 않을 수 있거나, 또는 디바이스 센서들에 의해 캡처된 콘텐츠는 수정들과 함께 또는 수정들 없이(또는 둘 다로) 메모리에 기록 및 저장될 수 있다. 일부 시스템들에서, 미리보기 특징이 상이한 증강 현실 콘텐츠 아이템들이 동시에 디스플레이에서의 상이한 윈도우들 내에서 어떻게 보일 것인지를 보여줄 수 있다. 이것은, 예를 들어, 상이한 의사랜덤 애니메이션들을 갖는 다중의 윈도우가 동시에 디스플레이 상에서 보여질 수 있게 할 수 있다.
따라서, 이러한 데이터를 이용하여 콘텐츠를 수정하기 위해 증강 현실 콘텐츠 아이템들 또는 다른 그러한 변환 시스템들을 이용하는 데이터 및 다양한 시스템들은 객체들(예를 들어, 얼굴들, 손들, 몸들, 고양이들, 개들, 표면들, 객체들 등)의 검출, 객체들이 비디오 프레임들에서 시야를 떠나고, 들어가고, 그 주위를 이동할 때 그러한 객체들의 추적, 및 객체들이 추적될 때 그러한 객체들의 수정 또는 변환을 수반할 수 있다. 다양한 예들에서, 그러한 변환들을 달성하기 위한 상이한 방법들이 이용될 수 있다. 일부 예들은 객체 또는 객체들의 3차원 메시 모델을 생성하고, 비디오 내에서의 모델의 변환들 및 애니메이션된 텍스처들을 이용하여 변환을 달성하는 것을 수반할 수 있다. 다른 예들에서, 객체 상에서의 포인트들의 추적은 이미지 또는 텍스처(2차원 또는 3차원일 수 있음)를 추적된 위치에 배치하기 위해 이용될 수 있다. 또 다른 예들에서, 비디오 프레임들의 신경망 분석은 콘텐츠(예를 들어, 비디오의 이미지들 또는 프레임들)에 이미지들, 모델들, 또는 텍스처들을 배치하기 위해 사용될 수 있다. 따라서, 증강 현실 콘텐츠 아이템들은 콘텐츠에서 변환들을 생성하기 위해 사용되는 이미지들, 모델들, 및 텍스처들뿐만 아니라, 객체 검출, 추적, 및 배치로 그러한 변환들을 달성하는 데 필요한 추가적인 모델링 및 분석 정보 둘 다를 지칭한다.
실시간 비디오 처리가 임의의 종류의 컴퓨터화된 시스템의 메모리에 저장된 임의의 종류의 비디오 데이터(예를 들어, 비디오 스트림들, 비디오 파일들 등)로 수행될 수 있다. 예를 들어, 사용자는 비디오 파일들을 로딩하고 이들을 디바이스의 메모리에 저장할 수 있거나, 또는 디바이스의 센서들을 사용하여 비디오 스트림을 생성할 수 있다. 부가적으로, 임의의 객체들은 컴퓨터 애니메이션 모델, 예컨대 인간의 얼굴 및 인체의 부분들, 동물들, 또는 의자들, 자동차들, 또는 다른 객체들과 같은 무생물들을 사용하여 처리될 수 있다.
일부 예들에서, 변환될 콘텐츠와 함께 특정 수정이 선택될 때, 변환될 요소들이 컴퓨팅 디바이스에 의해 식별되고, 그 후 그것들이 비디오의 프레임들에 존재하는 경우 검출 및 추적된다. 객체의 요소들은 수정을 위한 요청에 따라 수정되고, 따라서 비디오 스트림의 프레임들을 변환한다. 비디오 스트림의 프레임들의 변환은 상이한 종류의 변환을 위한 상이한 방법들에 의해 수행될 수 있다. 예를 들어, 객체의 요소들의 형태들을 변경하는 것을 주로 참조하는 프레임들의 변환들에 대해, 객체의 각각의 요소에 대한 특성 포인트들이 (예를 들어, ASM(Active Shape Model) 또는 다른 공지된 방법들을 이용하여) 계산된다. 그 후, 객체의 적어도 하나의 요소 각각에 대해 특성 포인트들에 기초한 메시가 생성된다. 이러한 메시는 비디오 스트림에서 객체의 요소들을 추적하는 다음 국면에서 사용된다. 추적의 프로세스에서, 각각의 요소에 대한 언급된 메시는 각각의 요소의 위치와 정렬된다. 그 후, 추가적인 포인트들이 메시 상에 생성된다. 제1 포인트들의 제1 세트가 수정을 위한 요청에 기초하여 각각의 요소에 대해 생성되고, 제2 포인트들의 세트가 제1 포인트들의 세트 및 수정을 위한 요청에 기초하여 각각의 요소에 대해 생성된다. 그 후, 비디오 스트림의 프레임들은, 제1 및 제2 포인트 세트들 및 메시에 기초하여 객체의 요소들을 수정함으로써 변환될 수 있다. 이러한 방법에서, 수정된 객체의 배경은 배경을 추적하고 수정함으로써 역시 변경되거나 왜곡될 수 있다.
일부 예들에서, 객체의 요소들을 사용하여 그 일부 영역들을 변경하는 변환들은 객체의 각각의 요소에 대한 특성 포인트들을 계산하고 계산된 특성 포인트들에 기초하여 메시를 생성함으로써 수행될 수 있다. 포인트들이 메시 상에 생성되고, 그 후 포인트들에 기초하는 다양한 영역들이 생성된다. 그 후, 각각의 요소에 대한 영역을 적어도 하나의 요소 각각에 대한 위치와 정렬함으로써 객체의 요소들이 추적되며, 영역들의 속성들이 수정을 위한 요청에 기초하여 수정되고, 따라서 비디오 스트림의 프레임들을 변환할 수 있다. 수정을 위한 특정 요청에 좌우되어, 언급한 영역들의 속성들이 상이한 방식들로 변환될 수 있다. 이러한 수정들은 영역들의 컬러를 변경하는 것; 비디오 스트림의 프레임들로부터 영역들의 적어도 일부 부분을 제거하는 것; 수정을 위한 요청에 기초하는 영역들 내에 하나 이상의 새로운 객체를 포함시키는 것; 및 영역 또는 객체의 요소들을 수정 또는 왜곡하는 것을 수반한다. 다양한 예들에서, 이러한 수정들 또는 그외의 유사한 수정들의 임의의 조합이 사용될 수 있다. 애니메이션화될 특정 모델들에 대해, 일부 특성 포인트들이 모델 애니메이션을 위한 옵션들의 전체 상태-공간을 결정함에 있어서 사용될 제어 포인트들로서 선택될 수 있다.
얼굴 검출을 이용하여 이미지 데이터를 변환하는 컴퓨터 애니메이션 모델의 일부 예들에서, 특정 얼굴 검출 알고리즘(예를 들어, Viola-Jones)을 이용하여 이미지 상에서 얼굴이 검출된다. 그 후, 얼굴 특징 참조 포인트들을 검출하기 위해 이미지의 얼굴 영역에 대해 ASM(Active Shape Model) 알고리즘이 적용된다.
얼굴 검출에 적합한 다른 방법들 및 알고리즘들이 사용될 수 있다. 예를 들어, 일부 예들에서, 특징들은 고려 중인 이미지들의 대부분에 존재하는 구별가능한 포인트를 표현하는 랜드마크를 사용하여 위치된다. 얼굴 랜드마크들에 대해, 예를 들어, 좌측 눈 동공의 로케이션이 사용될 수 있다. 초기 랜드마크가 식별가능하지 않은 경우(예를 들어, 사람이 안대를 한 경우), 보조 랜드마크들이 사용될 수 있다. 그러한 랜드마크 식별 절차들은 임의의 그러한 객체들에 대해 사용될 수 있다. 일부 예들에서, 랜드마크들의 세트가 형상을 형성한다. 형상들은 형상 내의 포인트들의 좌표들을 이용하여 벡터들로서 표현될 수 있다. 하나의 형상은 형상 포인트들 사이의 평균 유클리드 거리를 최소화하는 유사성 변환(similarity transform)(병진, 스케일링, 및 회전을 허용함)을 이용하여 또 다른 형상에 정렬된다. 평균 형상은 정렬된 훈련 형상들의 평균이다.
일부 예들에서, 전역적 얼굴 검출기에 의해 결정되는 얼굴의 위치 및 크기에 정렬되는 평균 형상으로부터의 랜드마크들에 대한 탐색이 시작된다. 다음으로 이러한 탐색은 각각의 포인트 주위의 이미지 텍스처의 템플릿 매칭에 의해 형상 포인트들의 로케이션들을 조정하는 것에 의해 임시 형상을 제안하는 단계 및 다음으로 수렴이 발생할 때까지 임시 형상을 전역적 형상 모델에 부합(conform)시키는 단계를 반복한다. 일부 시스템들에서, 개별 템플릿 매칭들은 신뢰할 수 없으며, 형상 모델은 약한 템플릿 매칭들의 결과들을 풀링하여 더 강한 전체 분류기를 형성한다. 전체 탐색은, 거친 해상도에서 미세한 해상도로, 이미지 피라미드에서의 각각의 레벨에서 반복된다.
변환 시스템은 클라이언트 디바이스(예를 들어, 클라이언트 디바이스(102)) 상에서 이미지 또는 비디오 스트림을 캡처할 수 있고, 적절한 사용자 경험, 계산 시간, 및 전력 소비를 유지하면서 클라이언트 디바이스(102) 상에서 국소적으로 복잡한 이미지 조작들을 수행할 수 있다. 복잡한 이미지 조작들은 크기 및 형상 변화들, 감정 전달들(예를 들어, 찡그림으로부터 미소로 얼굴을 변화시킴), 상태 전달들(예를 들어, 대상을 노화시키는 것, 겉보기 나이를 감소시키는 것, 성별을 변화시킴), 스타일 전달들, 그래픽 요소 애플리케이션, 및 클라이언트 디바이스(102) 상에서 효율적으로 실행되도록 구성된 컨볼루션 신경망에 의해 구현되는 임의의 다른 적절한 이미지 또는 비디오 조작을 포함할 수 있다.
일부 예들에서, 이미지 데이터를 변환하기 위한 컴퓨터 애니메이션 모델은, 사용자가 클라이언트 디바이스(102) 상에서 동작하는 메시징 클라이언트(104)의 일부로서 동작하는 신경망을 갖는 클라이언트 디바이스(102)를 사용하여 사용자의 이미지 또는 비디오 스트림(예를 들어, 셀피)을 캡처할 수 있는 시스템에 의해 사용될 수 있다. 메시징 클라이언트(104) 내에서 동작하는 변환 시스템은 이미지 또는 비디오 스트림 내에서의 얼굴의 존재를 결정하고 이미지 데이터를 변환하기 위해 컴퓨터 애니메이션 모델과 연관된 수정 아이콘들을 제공하거나, 또는 컴퓨터 애니메이션 모델은 본 명세서에 설명된 인터페이스와 연관된 것으로서 존재할 수 있다. 수정 아이콘들은 수정 동작의 일환으로서 이미지 또는 비디오 스트림 내에서 사용자의 얼굴을 수정하기 위한 기초일 수 있는 변경들을 포함한다. 일단 수정 아이콘이 선택되면, 변환 시스템은 선택된 수정 아이콘을 반영하기 위해 (예를 들어, 사용자 상에 미소짓는 얼굴을 생성하기 위해) 사용자의 이미지를 변환하기 위한 프로세스를 개시한다. 수정된 이미지 또는 비디오 스트림은 이미지 또는 비디오 스트림이 캡처되자마자 클라이언트 디바이스(102) 상에 디스플레이되는 그래픽 사용자 인터페이스에 제시될 수 있고, 특정된 수정이 선택된다. 변환 시스템은 선택된 수정을 생성 및 적용하기 위해 이미지 또는 비디오 스트림의 일부분에 대해 복잡한 컨볼루션 신경망을 구현할 수 있다. 즉, 사용자는 이미지 또는 비디오 스트림을 캡처하고, 일단 수정 아이콘이 선택되었다면 실시간으로 또는 거의 실시간으로 수정된 결과를 제시받을 수 있다. 또한, 수정은 비디오 스트림이 캡처되고 있는 동안 지속될 수 있고, 선택된 수정 아이콘은 토글링된 채로 유지될 수 있다. 머신 교시 신경망들은 이러한 수정들을 가능하게 하기 위해 사용될 수 있다.
변환 시스템에 의해 수행되는 수정을 제시하는 그래픽 사용자 인터페이스는 사용자에게 부가의 상호작용 옵션들을 공급할 수 있다. 이러한 옵션들은 콘텐츠 캡처 및 특정 컴퓨터 애니메이션 모델의 선택을 개시(예컨대, 콘텐츠 생성자 사용자 인터페이스로부터의 개시)하기 위해 사용되는 인터페이스에 기초할 수 있다. 다양한 예들에서, 수정 아이콘의 초기 선택 후에 수정이 지속적일 수 있다. 사용자는 변환 시스템에 의해 수정되는 얼굴을 탭핑(tapping)하거나 다른 방식으로 선택함으로써 수정을 온 또는 오프로 토글링하고 나중에 보기 위해 수정을 저장하고, 촬상 애플리케이션의 다른 영역들로 브라우징할 수 있다. 변환 시스템에 의해 다중의 얼굴이 수정되는 경우, 사용자는 그래픽 사용자 인터페이스 내에 수정되어 디스플레이된 단일 얼굴을 탭핑하거나 선택함으로써 전역적으로 수정을 온 또는 오프로 토글링할 수 있다. 일부 예들에서, 다수의 얼굴의 그룹 중에서 개별 얼굴들이 개별적으로 수정될 수 있거나, 또는 이러한 수정들은 그래픽 사용자 인터페이스 내에 디스플레이된 개별 얼굴 또는 일련의 개별 얼굴들을 탭핑하거나 선택함으로써 개별적으로 토글링될 수 있다.
스토리 테이블(314)은, 컬렉션(예를 들어, 스토리 또는 갤러리)이 되도록 컴파일되는, 메시지들 및 연관된 이미지, 비디오, 또는 오디오 데이터의 컬렉션들에 관한 데이터를 저장한다. 특정 컬렉션의 생성은 특정 사용자(예를 들어, 그에 대해 레코드가 엔티티 테이블(306)에서 유지되는 각각의 사용자)에 의해 개시될 수 있다. 사용자는 해당 사용자에 의해 생성되고 전송/브로드캐스트된 콘텐츠의 컬렉션의 형태로 "개인 스토리(personal story)"를 생성할 수 있다. 이를 위해, 메시징 클라이언트(104)의 사용자 인터페이스는, 전송 사용자가 그의 또는 그녀의 개인 스토리에 구체적인 콘텐츠를 추가하는 것을 가능하게 하기 위해 사용자-선택가능한 아이콘을 포함할 수 있다.
컬렉션은, 수동으로, 자동으로, 또는 수동 및 자동 기술들의 조합을 사용하여 생성되는 다수의 사용자로부터의 콘텐츠의 컬렉션인, "라이브 스토리(live story)"를 또한 구성할 수 있다. 예를 들어, "라이브 스토리(live story)"는 다양한 로케이션들 및 이벤트들로부터의 사용자-제출 콘텐츠의 큐레이션된 스트림을 구성할 수 있다. 그 클라이언트 디바이스들이 로케이션 서비스들을 가능하게 하고 특정 시간에 공통 로케이션 이벤트에 있는 사용자들에게는, 예를 들어, 메시징 클라이언트(104)의 사용자 인터페이스를 통해, 특정 라이브 스토리에 콘텐츠를 기여하는 옵션이 제시될 수 있다. 라이브 스토리는, 그의 또는 그녀의 로케이션에 기초하여, 메시징 클라이언트(104)에 의해 사용자에게 식별될 수 있다. 최종 결과는 커뮤니티 관점에서 말한 "라이브 스토리(live story)"이다.
콘텐츠 컬렉션의 추가의 타입은, 그 클라이언트 디바이스(102)가 특정 지리적 로케이션(예를 들어, 단과대학 또는 대학 캠퍼스) 내에 위치하는 사용자가 특정 컬렉션에 기여하는 것을 가능하게 하는, "로케이션 스토리(location story)"이라고 알려져 있다. 일부 예들에서, 로케이션 스토리에 대한 기여는 최종 사용자가 특정 조직 또는 다른 엔티티에 속하는지(예를 들어, 대학 캠퍼스의 학생인지)를 검증하기 위해 제2 인증 정도를 요구할 수 있다.
위에서 언급된 바와 같이, 비디오 테이블(304)은, 일 예에서, 그에 대해 레코드들이 메시지 테이블(302) 내에 유지되는 메시지들과 연관되는 비디오 데이터를 저장한다. 유사하게, 이미지 테이블(312)은 그에 대해 메시지 데이터가 엔티티 테이블(306)에 저장되는 메시지들과 연관된 이미지 데이터를 저장한다. 엔티티 테이블(306)은 증강 테이블(310)로부터의 다양한 증강들을 이미지 테이블(312) 및 비디오 테이블(304)에 저장되는 다양한 이미지들 및 비디오들과 연관시킬 수 있다.
훈련 데이터(307)는 복수의 음성 입력 및 대응하는 실측(ground-truth) 의도들 및 실측 전사들을 저장한다. 훈련 데이터(307)는 엔드-투-엔드 방식으로 음성 인식 엔진 및 의도 분류기를 훈련하기 위해 음성 대 의도 시스템(230)에 의해 처리된다.
데이터 통신 아키텍처
도 4는 추가 메시징 클라이언트(104) 또는 메시징 서버(118)로의 통신을 위해 메시징 클라이언트(104)에 의해 생성되는, 일부 예들에 따른, 메시지(400)의 구조를 예시하는 개략도이다. 특정 메시지(400)의 콘텐츠는 메시징 서버(118)에 의해 액세스가능한, 데이터베이스(126) 내에 저장되는 메시지 테이블(302)을 채우기 위해 사용된다. 유사하게, 메시지(400)의 콘텐츠는 클라이언트 디바이스(102) 또는 애플리케이션 서버들(114)의 "수송-중(in-transit)" 또는 "비행-중(in-flight)" 데이터로서 메모리에 저장된다. 메시지(400)는 다음의 예시적인 컴포넌트들을 포함하는 것으로 도시된다:
● 메시지 식별자(402): 메시지(400)를 식별하는 고유 식별자.
● 메시지 텍스트 페이로드(404): 클라이언트 디바이스(102)의 사용자 인터페이스를 통해 사용자에 의해 생성될 그리고 메시지(400)에 포함되는 텍스트.
● 메시지 이미지 페이로드(406): 클라이언트 디바이스(102)의 카메라 컴포넌트에 의해 캡처되는 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는 그리고 메시지(400)에 포함되는 이미지 데이터. 전송된 또는 수신된 메시지(400)에 대한 이미지 데이터가 이미지 테이블(312)에 저장될 수 있다.
● 메시지 비디오 페이로드(408): 카메라 컴포넌트에 의해 캡처되거나 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는 그리고 메시지(400)에 포함되는 비디오 데이터. 전송된 또는 수신된 메시지(400)에 대한 비디오 데이터가 비디오 테이블(304)에 저장될 수 있다.
● 메시지 오디오 페이로드(410): 마이크로폰에 의해 캡처되는 또는 클라이언트 디바이스(102)의 메모리 컴포넌트로부터 검색되는 그리고 메시지(400)에 포함되는 오디오 데이터.
● 메시지 증강 데이터(412): 메시지(400)의 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 또는 메시지 오디오 페이로드(410)에 적용될 증강들을 표현하는 증강 데이터(예를 들어, 필터들, 스티커들, 또는 다른 주석들 또는 강화들). 전송된 또는 수신된 메시지(400)에 대한 증강 데이터가 증강 테이블(310)에 저장될 수 있다.
● 메시지 지속기간 파라미터(414): 그에 대해 메시지의 콘텐츠(예를 들어, 메시지 이미지 페이로드(406), 메시지 비디오 페이로드(408), 메시지 오디오 페이로드(410))가 메시징 클라이언트(104)를 통해 사용자에게 제시되는 또는 액세스가능하게 되는 시간량을, 초 단위로, 표시하는 파라미터 값.
● 메시지 지오로케이션 파라미터(416): 메시지의 콘텐츠 페이로드와 연관된 지오로케이션 데이터(예를 들어, 위도 및 경도 좌표들). 다중의 메시지 지오로케이션 파라미터(416) 값이 페이로드에 포함될 수 있고, 이들 파라미터 값들 각각은 콘텐츠(예를 들어, 메시지 이미지 페이로드(406) 내에서의 특정한 이미지, 또는 메시지 비디오 페이로드(408) 내에서의 특정한 비디오)에 포함된 콘텐츠 아이템들에 대하여 연관된다.
● 메시지 스토리 식별자(418): 메시지(400)의 메시지 이미지 페이로드(406)에서의 특정 콘텐츠 아이템이 그와 연관되는 하나 이상의 콘텐츠 컬렉션(예를 들어, 스토리 테이블(314)에서 식별되는 "스토리들(stories)")을 식별하는 식별자 값들. 예를 들어, 메시지 이미지 페이로드(406) 내의 다중의 이미지가 식별자 값들을 사용하여 다중의 콘텐츠 컬렉션과 각각 연관될 수 있다.
● 메시지 태그(420): 각각의 메시지(400)는 다수의 태그로 태깅될 수 있고, 그 각각은 메시지 페이로드에 포함되는 콘텐츠의 주제를 표시함. 예를 들어, 메시지 이미지 페이로드(406)에 포함되는 특정 이미지가 동물(예를 들어, 사자)을 묘사하는 경우, 관련 동물을 표시하는 태그 값이 메시지 태그(420) 내에 포함될 수 있다. 태그 값들은, 사용자 입력에 기초하여, 수동으로 생성될 수 있거나, 또는, 예를 들어, 이미지 인식을 사용하여 자동으로 생성될 수 있다.
● 메시지 전송자 식별자(422): 그 상에서 메시지(400)가 생성되었고 그로부터 메시지(400)가 전송된 클라이언트 디바이스(102)의 사용자를 표시하는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).
● 메시지 수신자 식별자(424): 메시지(400)가 어드레싱되는 클라이언트 디바이스(102)의 사용자를 표시하는 식별자(예를 들어, 메시징 시스템 식별자, 이메일 어드레스, 또는 디바이스 식별자).
메시지(400)의 다양한 컴포넌트들의 콘텐츠(예를 들어, 값들)는 그 내에 콘텐츠 데이터 값들이 저장되는 테이블에서의 로케이션들에 대한 포인터들일 수 있다. 예를 들어, 메시지 이미지 페이로드(406) 내의 이미지 값은 이미지 테이블(312) 내의 로케이션에 대한 포인터(또는 그 어드레스)일 수 있다. 유사하게, 메시지 비디오 페이로드(408) 내의 값들은 비디오 테이블(304) 내에 저장되는 데이터를 가리킬 수 있고, 메시지 증강 데이터(412) 내에 저장되는 값들은 증강 테이블(310)에 저장되는 데이터를 가리킬 수 있고, 메시지 스토리 식별자(418) 내에 저장되는 값들은 스토리 테이블(314)에 저장되는 데이터를 가리킬 수 있고, 메시지 전송자 식별자(422) 및 메시지 수신자 식별자(424) 내에 저장되는 값들은 엔티티 테이블(306) 내에 저장되는 사용자 레코드들을 가리킬 수 있다.
음성 대 의도 시스템(SPEECH TO INTENT SYSTEM)
도 5는 일부 예들에 따른 음성 대 의도 시스템(230)을 예시한다. 음성 대 의도 시스템(230)은 음성 입력 모듈(510), 자동화된 음성 인식 시스템(520), 및 전사 출력 모듈(530)을 포함한다. 컴포넌트들 전부가 음성 대 의도 시스템(230)의 일부인 것으로 그려져 있지만, 컴포넌트들 중 임의의 하나 또는 전부가 개별 디바이스들에 의해 구현될 수 있고 지리적으로 상이한 로케이션들에 있을 수 있다. 앞서 언급한 바와 같이, 음성 대 의도 시스템(230)은, 증강 현실 경험, 게임 시스템, 통신 시스템, 및 외부 자원 시스템과 같은, 메시징 클라이언트(104)에 의해 구현되는 하나 이상의 특징을 포함하는, 최종 사용자와 메시징 클라이언트(104) 사이의 대화 상호작용을 관리한다.
음성 입력 모듈(510)은 2개의 모드 - 훈련 모드(training mode) 및 피훈련 모드(trained mode) - 에서 동작한다. 훈련 모드에서, 음성 입력 모듈(510)은 훈련 데이터(307)의 배치(batch)들을 획득하여 하나 이상의 음성 입력(음성 입력 오디오 파일들을 포함함)을 자동화된 음성 인식 시스템(520)에 제공한다. 훈련 모드는 자동 음성 인식 시스템(520)에 의해 중단 기준이 충족될 때까지 및/또는 임계량 또는 임계수의 훈련 음성 입력 오디오 파일들이 처리되었을 때 지속된다. 피훈련 모드에서, 음성 입력 모듈(510)은 클라이언트 디바이스(102)의 마이크로폰으로부터 음성 입력 오디오 파일에 정의된 미가공 음성 입력을 수신한다.
음성 대 의도 시스템(230)은 복수의 훈련 데이터(다양한 음성 입력들 및 대응하는 실측 의도들 및 실측 전사들을 포함함)에 기초하여 자동화된 음성 인식 시스템(520)(예를 들어, 하나 이상의 신경망을 포함함)을 훈련할 수 있다. 자동화된 음성 인식 시스템(520)은 미가공 음성 입력 오디오 파일과 실측 전사 사이의 관계를 확립하는 것 외에도, 음성 입력 오디오 파일과 연관된 미가공 캐릭터 확률들과 실측 의도 사이의 관계를 확립하도록 훈련된다. 자동화된 음성 인식 시스템(520)은 의도 분류 모듈(524)과 캐스케이드 배열로(예를 들어, 캐스케이드 신경망으로서) 배열되는 음성 인식 모듈(522)을 포함한다. 자동화된 음성 인식 시스템(520)은 음성 입력의 의도 및 음성 입력의 전사를 결정하기 위해 음성 입력을 처리하도록 훈련되는 하나 이상의 머신 러닝 모델을 구현한다.
머신 러닝은 컴퓨터들에게 명시적으로 프로그래밍되지 않고서 학습하는 능력을 부여하는 연구 분야이다. 머신 러닝은, 기존의 데이터로부터 학습하고 새로운 데이터에 대한 예측을 행할 수 있는 - 여기서는 도구라고도 지칭되는 - 알고리즘의 연구와 구성을 탐구한다. 이러한 머신 러닝 도구들은 출력들 또는 평가들로서 표현되는 데이터 주도 예측들 또는 판정들을 하기 위해서 예시적인 훈련 데이터(예를 들어, 음성 입력들 및 대응하는 스키마들 또는 구성가능한 엔티티들)로부터 모델을 구축함으로써 동작한다. 예시적인 실시예들이 몇몇 머신 러닝 도구와 관련하여 제시되지만, 본 명세서에 제시된 원리들은 다른 머신 러닝 도구들에 적용될 수 있다. 일부 예시적인 실시예들에서, 상이한 머신 러닝 도구들이 사용될 수 있다. 예를 들어, LR(Logistic Regression), 나이브-베이즈(Naive-Bayes), RF(Random Forest), NN(neural networks), 행렬 분해(matrix factorization), 및 SVM(Support Vector Machines) 도구들이 음성 입력에 기초하여 의도를 추정하기 위해 사용될 수 있다.
머신 러닝 알고리즘들은 데이터를 분석하기 위한 특징들을 활용하여 평가들을 생성한다. 특징(feature)은 관찰되는 현상의 개별적으로 측정가능한 속성이다. 특징의 개념은 선형 회귀와 같은 통계적 기법들에서 사용되는 설명변수(explanatory variable)의 개념과 관련된다. 패턴 인식, 분류, 및 회귀에서의 효과적인 동작을 위해, 정보적 특징, 차별적 특징, 및 독립적 특징을 선택하는 것이 중요하다. 특징들은 수치 특징들, 스트링들, 및 그래프들과 같은 상이한 타입들의 것일 수 있다.
머신 러닝 알고리즘들은 결과 또는 평가에 영향을 미치는 식별된 특징들 중에서의 상관들을 찾기 위해 훈련 데이터를 활용한다. 일부 예시적인 실시예들에서, 훈련 데이터는 하나 이상의 식별된 특징 및 하나 이상의 결과에 대한 알려진 데이터인 라벨링된 데이터를 포함한다.
일단 훈련 데이터가 수집되고 처리되면, 자동화된 음성 인식 시스템(520)은 통계적 학습 또는 머신 러닝 기법을 이용하여 구축될 수 있다. 일 실시예에서, 회귀 분석은 자동화된 음성 인식 시스템(520)을 구축하기 위해 사용될 수 있다. 회귀 분석은 변수들 중에서의 관계를 추정하기 위한 통계적 프로세스이다. 회귀 분석을 수행하는 다수의 공지된 방법이 있다. 특히, 선형 회귀 또는 최소 제곱 회귀(ordinary least squares regression)는 회귀 함수가 훈련 데이터로부터 추정될 수 있는 미지의 모델 파라미터들의 유한 수에 관하여 정의된다는 점에서 "모수적(parametric)"이다. 예를 들어, 회귀 모델(예를 들어, 수학식 1)은, 예를 들어, 다음과 같이 정의될 수 있다:
여기서, "H"는 알려진 전사 및 의도를 나타내고, "X"는 입력 변수들(예를 들어, 음성 입력들의 배치(batch)들의 쌍들)의 벡터를 나타내며, "β"는 회귀 모델에 대해 결정되거나 훈련될 미지의 파라미터들의 벡터를 나타낸다.
음성 입력들의 배치들의 쌍들 및 대응하는 스키마 타입들 또는 구성가능한 엔티티 타입들 및 대응하는 구성가능한 엔티티 업데이트 또는 의도/슬롯(이것들은 각각의 사용자에 대해 수동으로 또는 자동으로 특정될 수 있음)을 포함하는 훈련 데이터는 대응하는 X 값들(예를 들어, 음성 입력들의 배치들의 쌍들로부터 추출된 특징 벡터들)을 갖는 알려진 H 값들의 세트를 제공한다. 이러한 데이터를 이용하여, 모델 파라미터 β는 최소 제곱, 최대 우도(maximum likelihood), 또는 그와 유사한 것과 같은 데이터 피팅 기법(data fitting technique)들을 이용하여 계산될 수 있다. 일단 β가 추정되면, 그 후에 모델은 X 값들의 새로운 세트(예를 들어, 새로운 음성 입력으로부터 추출된 특징 벡터들)에 대해 H(예를 들어, 음성 입력의 의도 분류 및 전사)를 계산할 수 있다.
머신 러닝 기법들은 모델들에 피드(feed)되는 데이터에 대한 예측들을 정확하게 하기 위해 모델들을 훈련한다. 학습 단계 동안, 주어진 입력에 대한 출력을 정확하게 예측하도록 모델들을 최적화하기 위해 모델들은 입력들의 훈련 데이터세트에 대해 개발된다. 일반적으로, 학습 단계는 감독, 반-감독(semi-supervised), 또는 무감독될 수 있는데, 이것은 훈련 입력들에 대응하여 "올바른" 출력들이 제공되는 정도에 대한 감소하는 레벨을 나타낸다. 감독 학습 단계에서, 모든 출력이 모델에 제공되고 모델은 입력을 출력에 매핑하는 일반적인 규칙이나 알고리즘을 개발하도록 지향된다. 대조적으로, 무감독 학습 단계에서는, 입력들에 대해 원하는 출력이 제공되지 않고, 따라서 모델은 훈련 데이터세트 내에서의 관계를 발견하기 위해 그 자신의 규칙을 개발할 수 있다. 반감독 학습 단계에서는, 불완전하게 라벨링된 훈련 세트가 제공되고, 출력들 중 일부가 훈련 데이터세트에 대해 알려지고 일부는 알려지지 않는다.
모델들은 몇 개의 에포크(epoch)(예를 들어, 반복들)를 위한 훈련 데이터세트에 대해 실행될 수 있으며, 여기서 훈련 데이터세트는 그것의 결과들을 정교화하기 위해 모델에 반복적으로 피드된다. 예를 들어, 감독 학습 단계에서, 모델은 주어진 입력들의 세트에 대한 출력을 예측하기 위해 개발되고, 훈련 데이터세트에 대한 최대 개수의 입력들에 대해 주어진 입력에 대응하는 것으로서 특정되는 출력을 더 신뢰성 있게 제공하기 위해 몇 개의 에포크에 걸쳐 평가된다. 또 다른 예에서, 무감독 학습 단계의 경우, 모델이 데이터세트를 n개의 그룹이 되도록 클러스터링하기 위해 개발되고, 이것이 주어진 입력을 주어진 그룹 내에 얼마나 일관되게 배치하는지 및 이것이 각각의 에포크에 걸쳐 n개의 원하는 클러스터를 얼마나 신뢰성있게 산출하는지에 관해 몇 개의 에포크에 걸쳐 평가된다.
일단 에포크가 실행되면, 모델들이 평가되고 이것들의 변수들의 값들이 조정되어 반복적 방식으로 모델을 더 양호하게 정교화하려고 시도한다. 다양한 양태들에서, 평가들은 위음성(false negative)들에 대해 바이어싱되거나, 위양성(false positive)들에 대해 바이어싱되거나, 또는 모델의 전체 정확도에 대해 균일하게 바이어싱된다. 값들은 사용되는 머신 러닝 기법에 좌우되어 여러 방식으로 조정될 수 있다. 예를 들어, 유전적 또는 진화적 알고리즘에서, 원하는 출력들을 예측하는 데 가장 성공적인 모델들에 대한 값들이 모델들이 추가적인 데이터 포인트들을 제공하기 위해 랜덤 변동/돌연변이를 포함할 수 있는, 후속 에포크 동안 사용하기 위한 값들을 개발하기 위해 사용된다. 본 기술분야의 통상의 기술자라면, 선형 회귀, 랜덤 포레스트, 판정 트리 학습, 신경망, 심층 신경망, 및 등등을 포함한, 본 개시내용과 함께 적용될 수 있는 몇 개의 다른 머신 러닝 알고리즘에 익숙할 것이다.
각각의 모델은, 원하는 결과에 더욱 근접하게 매핑하기 위해 입력들에 영향을 미치는 하나 이상의 변수의 값들을 변동시킴으로써 몇 개의 에포크에 걸쳐 규칙이나 알고리즘을 개발하지만, 훈련 데이터세트가 변동될 수 있고 바람직하게는 매우 크므로, 완벽한 정확도와 정밀도가 달성가능하지 않을 수 있다. 따라서, 학습 단계를 구성하는 에포크들의 수는, 주어진 횟수의 시도 또는 고정된 시간/컴퓨팅 예산으로서 설정되거나, 또는 주어진 모델의 정확도가 충분히 높거나 충분히 낮거나 또는 정확도 안정기에 도달했을 때 그 횟수/예산에 도달하기 전에 종료될 수 있다. 예를 들어, 훈련 단계가 n개의 에포크를 실행하고 적어도 95% 정확도를 갖는 모델을 산출하도록 설계되고 또한 그러한 모델이 n번째 에포크 전에 산출되는 경우, 학습 단계는 조기에 종료될 수 있고 최종 목표 정확도 임계값을 만족시키는 산출된 모델을 사용할 수 있다. 유사하게, 주어진 모델이 랜덤 기회 임계값(random chance threshold)을 충족시키기에 충분히 부정확하다면(예를 들어, 모델이 주어진 입력들에 대한 참/거짓 출력들을 결정하는데 있어서 단지 55% 정확하다면), 그 모델에 대한 학습 단계는 조기에 종료될 수 있지만, 학습 단계에서의 다른 모델들은 훈련을 계속할 수 있다. 이와 유사하게, 주어진 모델이 성능 안정기(performance plateau)에 도달한 다중의 에포크에 걸쳐 유사한 정확도를 제공하거나 그의 결과들에서 동요하기를 계속할 때, 주어진 모델에 대한 학습 단계는 에포크 수/컴퓨팅 예산에 도달하기 전에 종료될 수 있다.
일단 학습 단계가 완료되면, 모델들이 완성된다. 일부 예시적인 실시예들에서, 완성되는 모델들은 테스트 기준들에 대해 평가된다. 제1 예에서, 그의 입력들에 대한 공지된 출력들을 포함하는 테스트 데이터세트가 완성된 모델들에 피드되어 그가 훈련되지 않은 데이터를 핸들링함에 있어서의 모델의 정확도를 결정하게 된다. 제2 예에서, 위양성률(false positive rate) 또는 위음성률(false negative rate)이 최종화 후에 모델들을 평가하기 위해 사용될 수 있다. 제3 예에서, 데이터 클러스터링들 간 묘사(delineation between data clusterings)가 그것의 데이터 클러스터들에 대한 가장 명확한 경계들을 산출하는 모델을 선택하기 위해 사용된다.
훈련된 후에, 머신 러닝 기법은 자동화된 음성 인식 시스템(520)으로서 제공되고, 이전에 전혀 보이지 않은 새로운 음성 입력에 적용된다. 일 예에서, 머신 러닝 기법(예를 들어, 선형 모델)의 계수 값들은 자동화된 음성 인식 시스템(520)의 저장소에 저장된다. 자동화된 음성 인식 시스템(520)은 새로운 구두 음성 입력(예를 들어, 대화)을 수신하고 새로운 구두 음성 입력에 대한 의도 및/또는 전사를 생성하도록 구성된다. 의도 및/또는 전사는 전사 출력 모듈(530)에 제공된다. 전사 출력 모듈(530)은 요청된 기능을 수행하기 위해 메시징 클라이언트(104)의 특징에 대한 적합한 명령을 생성한다.
예로서, 훈련된 후에, 음성 대 의도 시스템(230)은 최종 사용자가 메시징 클라이언트(104) 상에서의 주어진 증강 현실 경험에 액세스하도록 허용한다. 음성 대 의도 시스템(230)은 주어진 증강 현실 경험이 대화 가능한지를 사용자에게 알리기 위해 시각적 표시자를 제시할 수 있다. 만약 그렇다면, 음성 대 의도 시스템(230)은 최종 사용자의 메시징 클라이언트(104) 상에 제시되는 증강 현실 경험의 증강 현실 요소들의 다양한 대안들 또는 속성 값들을 통해 내비게이션하기 위해 사용자로부터의 음성 입력을 수락할 수 있다. 음성 대 의도 시스템(230)은 메시징 클라이언트(104)를 통해 사용자로부터, 예컨대 클라이언트 디바이스(102)의 마이크로폰으로부터의 음성 입력을 수신한다. 음성 대 의도 시스템(230)은 안경의 타입, 프레임 컬러, 및/또는 렌즈 타입을 포함하는 증강 현실 경험의 타입 및 증강 현실 경험을 위해 이용가능한 가능한 상호작용들을 나타내는 음성 입력에 대한 의도를 계산할 수 있다. 음성 대 의도 시스템(230)은 수신된 음성 입력에 대해 생성된 의도 분류 및/또는 음성 입력의 전사에 기초하여 증강 현실 경험에 대한 조정들을 행할 수 있다.
일 예에서, 음성 인식 모듈(522)은 순환 신경망 또는 다른 머신 러닝 모델과 같은 제1 신경망을 구현한다. 음성 인식 모듈(522)은 프로세스 흐름(600)(도 6)에 도시된 미가공 오디오 파일(610)과 같은 음성 입력 오디오 파일을 수신한다. 음성 인식 모듈(522)은 미가공 오디오 파일(610)에 적용되는 CTC(Connectionist Temporal Classification) 네트워크(620)를 구현한다. CTC 네트워크(620)는 상이한 시점들에 따라 구두 음성 입력에 매핑되는 상이한 캐릭터들의 확률들의 행렬(630)을 포함하는 로짓 격자를 생성한다. 예시적인 행렬이 도 7과 관련하여 도시되고 논의된다. 행렬(630)은 음성 인식 모듈(522)에 의해 생성된 음성 입력의 초기 캐릭터 기반 표현을 나타낸다.
행렬(630)은 시간 경과에 따른 음성 입력에 대응하는 복수의 캐릭터의 확률들을 나타낸다. 예에서, 행렬의 행들은 음성 입력의 상이한 시점들을 표현하고, 행렬의 열들은 음성 입력의 전사의 상이한 캐릭터들을 표현한다. 음성 입력 오디오 파일은 여러 개의 동일하거나 동일하지 않은 시간 구간(예컨대, 2-3 밀리초 시간 구간)이 되도록 분할될 수 있다. 각각의 시간 구간에 대해, 간격 내의 구두 오디오 콘텐츠가 주어진 캐릭터에 대응할 가능성을 나타내는 확률이 복수의 캐릭터 각각에 할당된다. 예를 들어, 특정 시간 구간에서의 주어진 구두 콘텐츠에 대해, 0.1 확률이 캐릭터 'a'에 할당될 수 있고, 0.3 확률이 캐릭터 'b'에 할당될 수 있고, 0.2 확률이 캐릭터 'c'에 할당될 수 있고, 0.6 확률이 캐릭터 'd'에 할당될 수 있고, 및 등등이다. 이는 모든 시간 구간들에 걸쳐 수행될 수 있고 행렬에 저장될 수 있다. 일부 경우들에서, 행렬의 각각의 행은 확률들의 선형 조합으로서 스트리밍될 수 있다. 각각의 행은 시간 경과에 따라 캐릭터들의 벡터가 되도록 인코딩되거나 압축될 수 있다.
행렬(630)을 생성한 후에, 음성 인식 모듈(522)은 디코딩 단계(640)에 진입한다. 디코딩 단계(640) 동안, 음성 인식 모듈(522)은 수신된 오디오 파일에 포함된 음성 입력의 전사를 생성하기 위해 행렬(630)을 처리한다. 음성 인식 모듈(522)은 하나 이상의 휴리스틱(heuristic)을 적용하여, 예컨대, 시간 경과에 따른 최고 확률 캐릭터들을 하나 이상의 단어가 되도록 조합하여 전사를 생성할 수 있다.
음성 인식 모듈(522)이 디코딩 단계(640)에 있는 동안, 행렬(630)은 도 6에 도시된 바와 같이 의도 분류 모듈(524)에 의해 스트리밍되고 처리된다. 예에서, 의도 분류 모듈(524)은 제2 신경망을 구현한다. 의도 분류 모듈(524)은 행렬(630)로부터 캐릭터들의 스트림들을 수신하고, 행렬(630)의 캐릭터들과 연관된 확률들에 기초하여 추정된 의도를 생성한다. 예를 들어, 의도 분류 모듈(524)은 행렬(630)의 제1 행으로부터의 캐릭터들의 제1 조합 및/또는 행렬(630)의 제2 행으로부터의 캐릭터들의 제2 조합을 처리하여 음성 입력과 연관된 제1 추정된 의도를 생성할 수 있다. 의도 분류 모듈(524)은 단어들의 컬렉션에 대해 동작하기보다는 의도를 생성하기 위해 캐릭터들의 세트에 대해 동작한다. 추정된 의도는 특정 수의 캐릭터 벡터들이 수신된 후에 또는 모든 행렬(630)을 수신한 후에 생성될 수 있다.
예를 들어, 의도 분류 모듈(524)은 도 7에 도시된 행렬(630) 또는 행렬(630)의 부분들을 수신할 수 있다. 행렬(630)은 복수의 행(710) 및 복수의 열(720)을 포함한다. 행렬(630)의 열들(720) 각각은 음성 입력과 연관된 특정 시간 구간에서 발생하는 복수의 캐릭터(C1, C2, C3, ... Cn)(예를 들어, 영어 알파벳의 문자들) 중 특정 캐릭터의 확률을 나타낸다. 각각의 행(710)은 캐릭터들의 컬렉션 및 특정 시간 구간에 대한 그들 각자의 확률들을 나타낸다. 예를 들어, 주어진 시간 구간 T1에 대해, 행(710)은 주어진 시간 구간 T1 동안의 구두 콘텐츠가 문자 C1에 대응하는 제1 확률(714)을 나타내고, 주어진 시간 구간 T1 동안의 구두 콘텐츠가 문자 C6에 대응하는 제2 확률(712)을 나타낸다. 이러한 행(710)은 인코딩된 형태로 수신되고, 의도 분류 모듈(524)에 의해 처리되어 추정된 의도를 생성할 수 있다. 일부 경우들에서, 의도 분류 모듈(524)은 특정 양 또는 수의 행들(710)에 대해 동작하여 추정된 의도를 생성할 수 있다.
일부 경우들에서, 의도 분류 모듈(524)은 행렬(630)의 행(710)의 성분들의 선형 조합을 수신한다. 예를 들어, 행(710)에서의 주어진 셀의 확률(예컨대, P1)을 그 확률과 연관된 대응하는 캐릭터(예컨대, C1)를 표현하는 정수 또는 비정수 값과 곱하고 행(710)에서의 각각의 셀에 걸쳐 이러한 곱해진 값을 누산함으로써 선형 조합이 형성될 수 있다. 즉, 선형 조합은 P1*C1 + P2*C2 + P3*C3 + Pn*Cn의 함수로서 형성될 수 있다. 이러한 선형 조합은 그 후 행렬(630)의 각각의 행(710) 또는 행렬(630)의 행들의 일부분에 대해 생성될 수 있다. 일부 경우들에서, 각각의 행의 선형 조합들의 벡터가 형성되고 의도 분류 모듈(524)에 의해 처리되어 의도를 추정할 수 있다. 즉, 선형 조합은 그 후 의도 분류 모듈(524)에 의해 처리되어 선형 조합 또는 선형 조합들의 서브세트와 연관된 추정된 의도를 생성할 수 있다. 주어진 행(710)을 인코딩하는 다른 방식들이 이와 유사하게 적용될 수 있다.
손실은 행 또는 행들(710)의 선형 조합에 기초하여 추정되는 의도 분류에 기초하여, 의도 분류를 실측 의도 분류와 비교함으로써 계산될 수 있다. 손실의 그래디언트(gradient)는 음성 인식 모듈(522)에 의해 생성된 전사를 위하여 계산된 손실 이외에, 음성 인식 모듈(522)의 파라미터들을 업데이트하기 위하여 계산되고 이용될 수 있다.
일부 경우들에 있어서, 의도 분류 모듈(524)은 행렬(630)의 각각의 행(710) 또는 행들(710)의 서브세트에 걸쳐 상이한 캐릭터들 또는 캐릭터들의 서브세트들의 각각의 조합에 대한 의도 분류를 생성할 수 있다.
그 후, 의도 분류 모듈(524)은 추정된 의도 및/또는 추정된 의도와 연관된 가능성 있는 캐릭터들을 음성 인식 모듈(522)에 피드백할 수 있다. 음성 인식 모듈(522)은 의도 분류 모듈(524)로부터 수신된 추정된 의도에 기초하여 디코딩 단계(640)을 조정 또는 정교화할 수 있다.
훈련 동안, 자동화된 음성 인식 시스템(520)은 제1 훈련 음성 입력(제1 훈련 음성 오디오 파일을 포함함)을 획득한다. 자동화된 음성 인식 시스템(520)은 제1 훈련 음성 입력을 음성 인식 모듈(522)에 제공하여 행렬(630)을 생성한다. 제1 훈련 음성 입력의 행렬(630)은 의도 분류 모듈(524)에 제공되어 제1 추정된 의도를 생성하는 한편, 음성 인식 모듈(522)은 행렬(630)을 디코딩하여 전사를 생성한다. 제1 추정된 의도는, 일부 경우들에서 행렬(630)의 어느 캐릭터들이 제1 추정된 의도와 연관될 가능성이 가장 높은지를 특정함으로써 의도 분류 모듈(524)로부터 음성 인식 모듈(522)로 제공된다. 음성 인식 모듈(522)은 제1 훈련 음성 입력의 전사를 생성하거나 정교화하기 위해 디코딩 단계(640)을 정교화하거나 그에 대한 조정들을 행할 수 있다.
음성 인식 모듈(522)이 디코딩 단계(640)를 완료함에 있어서 전사를 생성 또는 정교화한 후에, 자동 음성 인식 시스템(520)은 2개의 비용 함수에 기초하여 자동 음성 인식 시스템(520)에 대한 손실을 계산한다. 2개의 비용 함수 중 제1 함수는 의도 분류 모듈(524)에 의해 생성된 제1 추정된 의도를 제1 훈련 음성 입력과 연관된 실측 의도와 비교한다. 2개의 비용 함수 중 제2 함수는 음성 인식 모듈(522)에 의해 생성된 전사를 제1 훈련 음성 입력과 연관된 실측 전사와 비교한다. 음성 인식 모듈(522) 및 의도 분류 모듈(524)의 파라미터들은 예컨대 손실의 그래디언트들을 통해 역전파(backpropagation)를 수행함으로써 업데이트된다. 일부 경우들에 있어서, 제1 비용 함수의 그래디언트는 (의도 분류 모듈(524)을 구현하는) 제2 신경망의 파라미터들을 업데이트하기 위해 사용되고, (음성 인식 모듈(522)을 구현하는) 제1 신경망의 파라미터들을 업데이트하기 위해 역전파로 피드백된다.
자동화된 음성 인식 시스템(520)은 추가적인 훈련 음성 입력들을 검색하고 또한 중단 기준이 충족될 때까지 및/또는 훈련 데이터의 모든 배치(batch)들이 처리되었을 때 제1 및 제2 신경망들의 파라미터들을 계속 업데이트하기 위해 손실을 재계산함으로써 이러한 프로세스를 계속한다.
도 8은 예시적인 예들에 따른, 프로세스(800)를 수행함에 있어서 메시징 클라이언트(104)의 예시적인 동작들을 예시하는 흐름도이다. 프로세스(800)의 동작들이 메시징 서버 시스템(108)의 기능 컴포넌트들에 의해 부분적으로 또는 전체적으로 수행될 수 있도록, 프로세스(800)는 하나 이상의 프로세서에 의한 실행을 위한 컴퓨터 판독가능 명령어들로 구체화될 수 있고; 따라서, 프로세스(800)는 그것을 참조하여 예로서, 아래에 설명된다. 그렇지만, 다른 예들에서, 프로세스(800)의 동작들 중 적어도 일부가 다양한 다른 하드웨어 구성들 상에 배치될 수 있다. 프로세스(800)에서의 동작들은 임의의 순서로, 병렬로 수행될 수 있거나, 또는 완전히 스킵되고 생략될 수 있다.
동작(801)에서, 메시징 서버 시스템(108)은 앞서 논의된 바와 같이 음성 입력을 포함하는 오디오 파일을 수신한다.
동작(802)에서, 메시징 서버 시스템(108)은, 음성 인식 엔진에 의해, 음성 입력을 포함하는 오디오 파일을 처리하여, 앞서 논의된 바와 같이, 음성 입력의 초기 캐릭터 기반 표현을 생성한다.
동작(803)에서, 메시징 서버 시스템(108)은, 의도 분류기에 의해, 음성 입력의 초기 캐릭터 기반 표현을 처리하여, 앞서 논의된 바와 같이, 음성 입력의 추정된 의도를 생성한다.
동작(804)에서, 메시징 서버 시스템(108)은, 음성 인식 엔진에 의해, 앞서 논의된 바와 같이, 음성 입력의 추정된 의도에 기초하여 음성 입력의 텍스트 표현을 생성한다.
머신 아키텍처
도 9는, 머신(900)으로 하여금 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하게 야기하기 위한 명령어들(908)(예를 들어, 소프트웨어, 프로그램, 애플리케이션, 애플릿, 앱, 또는 기타의 실행가능 코드)이 그 내에서 실행될 수 있는 머신(900)의 도식화된 표현이다. 예를 들어, 명령어들(908)은 머신(900)으로 하여금 본 명세서에서 설명된 방법들 중 임의의 하나 이상을 실행하게 야기할 수 있다. 명령어들(908)은, 일반적인 비프로그래밍된 머신(900)을, 설명되고 예시된 기능들을 설명된 방식으로 완수하도록 프로그래밍된 특정한 머신(900)으로 변환한다. 머신(900)은 독립형 디바이스로서 동작하거나 또는 다른 머신들에 결합(예를 들어, 네트워킹)될 수 있다. 네트워킹된 배치에서, 머신(900)은 서버-클라이언트 네트워크 환경에서 서버 머신 또는 클라이언트 머신의 자격으로 동작하거나, 피어-투-피어(또는 분산형) 네트워크 환경에서 피어 머신으로서 동작할 수 있다. 머신(900)은, 서버 컴퓨터, 클라이언트 컴퓨터, 개인용 컴퓨터(PC), 태블릿 컴퓨터, 랩톱 컴퓨터, 넷북, 셋톱 박스(STB), PDA(personal digital assistant), 엔터테인먼트 미디어 시스템, 셀룰러 전화, 스마트폰, 모바일 디바이스, 웨어러블 디바이스(예를 들어, 스마트워치), 스마트 홈 디바이스(예를 들어, 스마트 가전), 다른 스마트 디바이스, 웹 어플라이언스, 네트워크 라우터, 네트워크 스위치, 네트워크 브리지, 또는 머신(900)에 의해 취해질 액션들을 특정하는 명령어들(908)을 순차적으로 또는 기타 방식으로 실행할 수 있는 임의의 머신을 포함할 수 있지만, 이에 제한되는 것은 아니다. 또한, 단일 머신(900)만이 예시되어 있지만, 용어 "머신"은 또한, 본 명세서에서 논의된 방법론들 중 임의의 하나 이상을 수행하기 위해 명령어들(908)을 개별적으로 또는 공동으로 실행하는 머신들의 컬렉션을 포함하는 것으로 취해질 것이다. 머신(900)은, 예를 들어, 클라이언트 디바이스(102) 또는 메시징 서버 시스템(108)의 일부를 형성하는 소정 수의 서버 디바이스 중 어느 하나를 포함할 수 있다. 일부 예들에서, 머신(900)은 클라이언트 및 서버 시스템들 둘 다를 또한 포함할 수 있고, 특정 방법 또는 알고리즘의 특정 동작들은 서버-측에서 수행되고 특정 방법 또는 알고리즘의 특정 동작들은 클라이언트-측에서 수행된다.
머신(900)은, 버스(940)를 통해 서로 통신하도록 구성될 수 있는, 프로세서들(902), 메모리(904), 및 입력/출력(I/O) 컴포넌트들(938)을 포함할 수 있다. 예에서, 프로세서들(902)(예를 들어, CPU(Central Processing Unit), RISC(Reduced Instruction Set Computing) 프로세서, CISC(Complex Instruction Set Computing) 프로세서, GPU(Graphics Processing Unit), DSP(Digital Signal Processor), ASIC(Application Specific Integrated Circuit), RFIC(Radio-Frequency Integrated Circuit), 또 다른 프로세서, 또는 이것들의 임의의 적절한 조합)은, 예를 들어, 명령어들(908)을 실행하는 프로세서(906) 및 프로세서(910)를 포함할 수 있다. 용어 "프로세서"는, 동시에 명령어들을 실행할 수 있는 2개 이상의 독립적 프로세서(때때로 "코어"로서 지칭됨)를 포함할 수 있는 멀티-코어 프로세서를 포함하는 것을 의도한다. 도 9는 다중의 프로세서(902)를 도시하고 있지만, 머신(900)은, 단일-코어를 갖춘 단일 프로세서, 다중의 코어를 갖춘 단일 프로세서(예를 들어, 멀티-코어 프로세서), 단일 코어를 갖춘 다중의 프로세서, 다중의 코어를 갖춘 다중의 프로세서, 또는 이것들의 임의의 조합을 포함할 수 있다.
메모리(904)는 메인 메모리(912), 정적 메모리(914), 및 저장 유닛(916)을 포함하고, 이들 모두는 버스(940)를 통해 프로세서들(902)이 액세스가능하다. 메인 메모리(912), 정적 메모리(914), 및 저장 유닛(916)은, 본 명세서에 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구체화하는 명령어들(908)을 저장한다. 명령어들(908)은 또한, 머신(900)에 의한 그 실행 동안에, 완전히 또는 부분적으로, 메인 메모리(912) 내에, 정적 메모리(914) 내에, 저장 유닛(916) 내의 머신 판독가능 매체 내에, 프로세서(902)들 중 적어도 하나 내에(예를 들어, 프로세서의 캐시 메모리 내에), 또는 이것들의 임의의 적절한 조합 내에 상주할 수 있다.
I/O 컴포넌트들(938)은 입력을 수신하고, 출력을 제공하고, 출력을 산출하고, 정보를 송신하고, 정보를 교환하고, 측정들을 캡처하고, 및 등등을 위한 매우 다양한 컴포넌트들을 포함할 수 있다. 특정 머신에 포함되는 특정 I/O 컴포넌트들(938)은 머신의 타입에 좌우될 것이다. 예를 들어, 모바일 폰들과 같은 휴대용 머신들은 터치 입력 디바이스 또는 다른 그러한 입력 메커니즘들을 포함할 수 있는 한편, 헤드리스 서버 머신은 그러한 터치 입력 디바이스를 포함하지 않을 가능성이 크다. I/O 컴포넌트들(938)은 도 9에 도시되지 않은 많은 다른 컴포넌트들을 포함할 수 있다는 점을 알 것이다. 다양한 예들에서, I/O 컴포넌트들(938)은 사용자 출력 컴포넌트들(924) 및 사용자 입력 컴포넌트들(926)을 포함할 수 있다. 사용자 출력 컴포넌트들(924)은 시각적 컴포넌트들(예를 들어, PDP(plasma display panel), LED(light-emitting diode) 디스플레이, LCD(liquid crystal display), 프로젝터, 또는 CRT(cathode ray tube)와 같은 디스플레이), 음향 컴포넌트들(예를 들어, 스피커들), 햅틱 컴포넌트들(예를 들어, 진동 모터, 저항 메커니즘들), 다른 신호 생성기들, 및 등등을 포함할 수 있다. 사용자 입력 컴포넌트들(926)은 영숫자 입력 컴포넌트들(예를 들어, 키보드, 영숫자 입력을 수신하도록 구성되는 터치 스크린, 포토-광학 키보드, 또는 다른 영숫자 입력 컴포넌트들), 포인트 기반 입력 컴포넌트들(예를 들어, 마우스, 터치패드, 트랙볼, 조이스틱, 모션 센서, 또는 또 다른 포인팅 기기), 촉각 입력 컴포넌트들(예를 들어, 물리적 버튼, 터치들 또는 터치 제스처들의 로케이션 및 힘을 제공하는 터치 스크린, 또는 다른 촉각 입력 컴포넌트들), 오디오 입력 컴포넌트들(예를 들어, 마이크로폰), 및 그와 유사한 것을 포함할 수 있다.
추가의 예들에서, I/O 컴포넌트들(938)은, 무엇보다도 특히, 바이오메트릭 컴포넌트들(928), 모션 컴포넌트들(930), 환경 컴포넌트들(932), 또는 위치 컴포넌트들(934)을 포함할 수 있다. 예를 들어, 바이오메트릭 컴포넌트들(928)은, 표현들(예를 들어, 손 표현, 얼굴 표정, 음성 표현, 신체 제스처, 또는 눈 추적)을 검출하고, 생체신호들(예를 들어, 혈압, 심장 박동수, 체온, 땀 또는 뇌파)을 측정하고, 사람을 식별(예를 들어, 음성 식별, 망막 식별, 얼굴 식별, 지문인식, 또는 뇌전도 기반 식별)하는 컴포넌트들, 및 그와 유사한 것을 포함한다. 모션 컴포넌트들(930)은 가속도 센서 컴포넌트들(예를 들어, 가속도계), 중력 센서 컴포넌트들, 회전 센서 컴포넌트들(예를 들어, 자이로스코프)을 포함한다.
환경 컴포넌트(932)는, 예를 들어, (스틸 이미지/사진 및 비디오 능력을 갖춘) 하나 이상의 카메라, 조명 센서 컴포넌트(예를 들어, 광도계), 온도 센서 컴포넌트(예를 들어, 주변 온도를 검출하는 하나 이상의 온도계), 습도 센서 컴포넌트, 압력 센서 컴포넌트(예를 들어, 기압계), 음향 센서 컴포넌트(예를 들어, 배경 잡음을 검출하는 하나 이상의 마이크로폰), 근접 센서 컴포넌트(예를 들어, 근처의 물체를 검출하는 적외선 센서), 가스 센서(예를 들어, 안전을 위해 유해 가스의 농도를 검출하거나 대기 중의 오염 물질을 측정하는 가스 검출 센서), 또는 주변의 물리적 환경에 대응하는 표시, 측정치, 또는 신호를 제공할 수 있는 기타의 컴포넌트들을 포함한다.
카메라들에 관하여, 클라이언트 디바이스(102)는, 예를 들어, 클라이언트 디바이스(102)의 전방 표면 상의 전방 카메라들 및 클라이언트 디바이스(102)의 후방 표면 상의 후방 카메라들을 포함하는 카메라 시스템을 가질 수 있다. 전방 카메라들은, 예를 들어, 클라이언트 디바이스(102)의 사용자의 스틸 이미지들 및 비디오(예를 들어, "셀피들(selfies)")를 캡처하기 위해 사용될 수 있고, 이는 다음으로 위에 설명된 증강 데이터(예를 들어, 필터들)로 증강될 수 있다. 후방 카메라들은, 예를 들어, 더 전통적인 카메라 모드에서 정지 이미지들 및 비디오들을 캡처하기 위해 사용될 수 있고, 이들 이미지들은 유사하게 증강 데이터에 의해 증강된다. 전방 및 후방 카메라들에 더하여, 클라이언트 디바이스(102)는 360° 사진들 및 비디오들을 캡처하기 위한 360° 카메라를 또한 포함할 수 있다
또한, 클라이언트 디바이스(102)의 카메라 시스템은 클라이언트 디바이스(102)의 전방 및 후방 측들 상에 이중 후방 카메라들(예를 들어, 주 카메라뿐만 아니라 깊이 감지 카메라), 또는 심지어 삼중, 사중 또는 오중 후방 카메라 구성들을 포함할 수 있다. 이러한 다중의 카메라 시스템은 예를 들어, 와이드 카메라, 울트라 와이드 카메라, 텔레포토 카메라, 매크로 카메라, 및 깊이 센서를 포함할 수 있다.
위치 컴포넌트들(934)은, 로케이션 센서 컴포넌트들(예를 들어, GPS 수신기 컴포넌트), 고도 센서 컴포넌트들(예를 들어, 고도계들 또는 고도가 도출될 수 있는 기압을 검출하는 기압계들), 오리엔테이션 센서 컴포넌트들(예를 들어, 자력계들), 및 그와 유사한 것을 포함한다.
통신은 다양한 기술을 이용하여 구현될 수 있다. I/O 컴포넌트(938)는, 머신(900)을 각자의 결합 또는 접속을 통해 네트워크(920) 또는 디바이스(922)에 결합하도록 동작가능한 통신 컴포넌트(936)를 더 포함한다. 예를 들어, 통신 컴포넌트(936)는, 네트워크 인터페이스 컴포넌트 또는 네트워크(920)와 인터페이스하기 위한 또 다른 적합한 디바이스를 포함할 수 있다. 추가 예에서, 통신 컴포넌트(936)는, 유선 통신 컴포넌트, 무선 통신 컴포넌트, 셀룰러 통신 컴포넌트, NFC(Near Field Communication) 컴포넌트, 블루투스® 컴포넌트(예를 들어, 블루투스® 로우 에너지), Wi-Fi® 컴포넌트, 및 다른 양샹을 통해 통신을 제공하는 기타 통신 컴포넌트를 포함할 수 있다. 디바이스(922)는 또 다른 머신 또는 다양한 주변 디바이스들 중 임의의 것(예를 들어, USB를 통해 결합된 주변 디바이스)일 수 있다.
또한, 통신 컴포넌트(936)는 식별자를 검출할 수 있거나 식별자를 검출하도록 동작가능한 컴포넌트를 포함할 수 있다. 예를 들어, 통신 컴포넌트(936)는 RFID(Radio Frequency Identification) 태그 판독기 컴포넌트, NFC 스마트 태그 검출 컴포넌트, 광학 판독기 컴포넌트들(예를 들어, UPC(Universal Product Code) 바코드와 같은 1차원 바코드들, QR(Quick Response) 코드, Aztec 코드, Data Matrix, Dataglyph, MaxiCode, PDF417, Ultra Code, UCC RSS-2D 바코드와 같은 다차원 바코드들, 및 다른 광학 코드들을 검출하는 광학 센서), 또는 음향 검출 컴포넌트(예를 들어, 태깅된 오디오 신호들을 식별하는 마이크로폰들)을 포함할 수 있다. 또한, IP(Internet Protocol) 지오로케이션을 통한 로케이션, Wi-Fi® 신호 삼각측량을 통한 로케이션, 특정 로케이션을 나타낼 수 있는 NFC 비컨 신호를 검출하는 것을 통한 로케이션, 및 등등과 같은 다양한 정보가 통신 컴포넌트(936)을 통해 도출될 수 있다.
다양한 메모리들(예를 들어, 메인 메모리(912), 정적 메모리(914), 및 프로세서들(902)의 메모리) 및 저장 유닛(916)은 본 명세서에서 설명된 방법론들 또는 기능들 중 임의의 하나 이상을 구체화하거나 그에 의해 사용되는 명령어들 및 데이터 구조들(예를 들어, 소프트웨어)의 하나 이상의 세트를 저장할 수 있다. 이러한 명령어들(예를 들어, 명령어들(908))은, 프로세서들(902)에 의해 실행될 때, 다양한 동작들이 개시된 예들을 구현하게 야기한다.
명령어들(908)은, 송신 매체를 이용하여, 네트워크 인터페이스 디바이스(예를 들어, 통신 컴포넌트(936)에 포함된 네트워크 인터페이스 컴포넌트)를 통해, 및 몇 개의 널리 알려진 전송 프로토콜들 중 임의의 하나(예를 들어, HTTP(hypertext transfer protocol))를 이용하여, 네트워크(920)를 통해 송신되거나 수신될 수 있다. 유사하게, 명령어들(908)은 디바이스들(922)에 대한 결합(예를 들어, 피어-투-피어 결합)을 통해 송신 매체를 사용하여 송신되거나 또는 수신될 수 있다.
소프트웨어 아키텍처
도 10은 본 명세서에서 설명되는 디바이스들 중 임의의 하나 이상에 설치될 수 있는 소프트웨어 아키텍처(1004)를 예시하는 블록도(1000)이다. 이러한 소프트웨어 아키텍처(1004)는, 프로세서들(1020), 메모리(1026), 및 I/O 컴포넌트들(1038)을 포함하는 머신(1002)과 같은, 하드웨어에 의해 지원된다. 본 예에서, 소프트웨어 아키텍처(1004)는, 각각의 계층이 특정 기능성을 제공하는, 계층들의 스택으로서 개념화될 수 있다. 소프트웨어 아키텍처(1004)는 운영 체제(1012), 라이브러리들(1010), 프레임워크들(1008), 및 애플리케이션들(1006)과 같은 계층들을 포함한다. 동작적으로, 애플리케이션들(1006)은 소프트웨어 스택을 통해 API 호출들(1050)을 기동하고 API 호출들(1050)에 응답하여 메시지들(1052)을 수신한다.
운영 체제(1012)는 하드웨어 자원들을 관리하고 공통 서비스들을 제공한다. 운영 체제(1012)는, 예를 들어, 커널(1014), 서비스들(1016), 및 드라이버들(1022)을 포함한다. 커널(1014)은 하드웨어와 다른 소프트웨어 계층들 사이의 추상화 계층(abstraction layer)으로서 행동한다. 예를 들어, 커널(1014)은, 다른 기능성 중에서도, 메모리 관리, 프로세서 관리(예컨대, 스케줄링), 컴포넌트 관리, 네트워킹, 및 보안 설정들을 제공한다. 서비스들(1016)은 다른 소프트웨어 계층들에 대한 다른 공통 서비스들을 제공할 수 있다. 드라이버들(1022)은 그 아래에 있는 하드웨어를 제어하는 것 또는 그와 인터페이스하는 것을 담당한다. 예를 들어, 드라이버들(1022)은 디스플레이 드라이버들, 카메라 드라이버들, 블루투스® 또는 블루투스® 로우 에너지 드라이버들, 플래시 메모리 드라이버들, 직렬 통신 드라이버들(예를 들어, USB 드라이버들), WI-FI® 드라이버들, 오디오 드라이버들, 전력 관리 드라이버들, 및 등등을 포함할 수 있다.
라이브러리들(1010)은 애플리케이션들(1006)에 의해 사용되는 공통 로우-레벨 인프라스트럭처를 제공한다. 라이브러리들(1010)은, 메모리 할당 기능들, 스트링 조작 기능들, 수학 기능들, 및 그와 유사한 것과 같은 기능들을 제공하는 시스템 라이브러리들(1018)(예를 들어, C 표준 라이브러리)를 포함할 수 있다. 또한, 라이브러리(1010)는, 미디어 라이브러리(예를 들어, MPEG4(Moving Picture Experts Group-4), H.264 또는 AVC(Advanced Video Coding), MP3(Moving Picture Experts Group Layer-3), AAC(Advanced Audio Coding), AMR(Adaptive Multi-Rate) 오디오 코덱, JPEG 또는 JPG(Joint Photographic Experts Group), PNG(Portable Network Graphics)와 같은 다양한 미디어 포맷의 프레젠테이션과 조작을 지원하는 라이브러리들), 그래픽 라이브러리(예를 들어, 그래픽 콘텐츠를 디스플레이 상에서 2차원(2D) 및 3차원(3D)으로 렌더링하는데 이용되는 OpenGL 프레임워크), 데이터베이스 라이브러리(예를 들어, 다양한 관계형 데이터베이스 기능을 제공하는 SQLite), 웹 라이브러리(예를 들어, 웹 브라우징 기능성을 제공하는 WebKit), 및 그와 유사한 것과 같은 API 라이브러리(1024)를 포함할 수 있다. 라이브러리들(1010)은 많은 다른 API들을 애플리케이션들(1006)에 제공하기 위해 매우 다양한 다른 라이브러리들(1028)을 또한 포함할 수 있다.
프레임워크들(1008)은 애플리케이션들(1006)에 의해 사용되는 하이-레벨 공통 인프라스트럭처를 제공한다. 예를 들어, 프레임워크(1008)는 다양한 GUI(graphical user interface) 기능, 하이-레벨 자원 관리, 및 하이-레벨 로케이션 서비스를 제공한다. 프레임워크들(1008)은 애플리케이션들(1006)에 의해 사용될 수 있는 광범위한 스펙트럼의 다른 API들을 제공할 수 있고, 그 중 일부는 특정 운영 체제 또는 플랫폼에 특정적일 수 있다.
예에서, 애플리케이션들(1006)은 홈 애플리케이션(1036), 연락처 애플리케이션(1030), 브라우저 애플리케이션(1032), 북 리더 애플리케이션(1034), 로케이션 애플리케이션(1042), 미디어 애플리케이션(1044), 메시징 애플리케이션(1046), 게임 애플리케이션(1048), 및 외부 애플리케이션(1040)과 같은 광범위한 다른 애플리케이션들을 포함할 수 있다. 애플리케이션들(1006)은 프로그램들에서 정의되는 기능들을 실행하는 프로그램들이다. 객체 지향 프로그래밍 언어들(예를 들어, Objective-C, Java, 또는 C++) 또는 절차적 프로그래밍 언어들(예를 들어, C 또는 어셈블리 언어)과 같은, 다양한 방식으로 구조화되는, 다양한 프로그래밍 언어들이 애플리케이션들(1006) 중 하나 이상을 생성하기 위해 이용될 수 있다. 특정 예에서, 외부 애플리케이션(1040)(예를 들어, 특정 플랫폼의 벤더 이외의 엔티티에 의해 ANDROID™ 또는 IOS™ SDK(software development kit)를 이용하여 개발된 애플리케이션)은 IOS™, ANDROID™, WINDOWS® Phone, 또는 또 다른 모바일 운영 체제와 같은 모바일 운영 체제 상에서 실행되는 모바일 소프트웨어일 수 있다. 이러한 예에서, 외부 애플리케이션(1040)은 본 명세서에서 설명되는 기능성을 용이하게 하기 위해 운영 체제(1012)에 의해 제공되는 API 호출들(1050)을 기동할 수 있다.
용어집
"캐리어 신호(carrier signal)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 임의의 무형 매체(intangible medium)를 지칭하고, 이러한 명령어들의 통신을 용이하게 하기 위한 디지털 또는 아날로그 통신 신호들 또는 다른 무형의 매체를 포함한다. 명령어들은 네트워크 인터페이스 디바이스를 통해 송신 매체를 사용하여 네트워크를 통해 송신 또는 수신될 수 있다.
"클라이언트 디바이스(client device)"는 하나 이상의 서버 시스템 또는 다른 클라이언트 디바이스들로부터 자원들을 획득하기 위해 통신 네트워크에 인터페이스하는 임의의 머신을 지칭한다. 클라이언트 디바이스는, 모바일 폰, 데스크톱 컴퓨터, 랩톱, PDA들(portable digital assistants), 스마트폰들, 태블릿들, 울트라북들, 넷북들, 랩톱들, 멀티 프로세서 시스템들, 마이크로프로세서 기반 또는 프로그램가능 소비자 가전, 게임 콘솔, 셋톱 박스, 또는 사용자가 네트워크에 액세스하기 위해 사용할 수 있는 임의의 다른 통신 디바이스일 수 있지만, 이에 제한되는 것은 아니다.
"통신 네트워크(communication network)"는 애드혹 네트워크, 인트라넷, 엑스트라넷, VPN(virtual private network), LAN(local area network), 무선 LAN(WLAN), WAN(wide area network), 무선 WAN(WWAN), MAN(metropolitan area network), Internet, Internet의 일부, PSTN(Public Switched Telephone Network)의 일부, POTS(plain old telephone service) 네트워크, 셀룰러 전화 네트워크, 무선 네트워크, Wi-Fi® 네트워크, 또 다른 타입의 네트워크, 또는 2개 이상의 이러한 네트워크들의 조합일 수 있는, 네트워크의 하나 이상의 부분을 지칭한다. 예를 들어, 네트워크 또는 네트워크의 일부는 무선 또는 셀룰러 네트워크를 포함할 수 있고 결합은 CDMA(Code Division Multiple Access) 접속, GSM(Global System for Mobile communications) 접속, 또는 다른 타입들의 셀룰러 또는 무선 결합일 수 있다. 이러한 예에서, 결합은, 1xRTT(Single Carrier Radio Transmission Technology), EVDO(Evolution-Data Optimized) 기술, GPRS(General Packet Radio Service) 기술, EDGE(Enhanced Data rates for GSM Evolution) 기술, 3G를 포함하는 3GPP(third Generation Partnership Project), 4G(fourth generation wireless) 네트워크들, UMTS(Universal Mobile Telecommunications System), HSPA(High Speed Packet Access), WiMAX(Worldwide Interoperability for Microwave Access), LTE(Long Term Evolution) 표준, 다양한 표준-설정 조직들에 의해 정의되는 다른 것들, 다른 장거리 프로토콜들, 또는 다른 데이터 전송 기술과 같은, 다양한 타입들의 데이터 전송 기술 중 임의의 것을 구현할 수 있다.
"컴포넌트(component)"는 기능 또는 서브루틴 호출들, 분기 포인트들, API들, 또는 특정 처리 또는 제어 기능들의 파티셔닝 또는 모듈화를 제공하는 다른 기술들에 의해 정의되는 경계들을 갖는 디바이스, 물리적 엔티티, 또는 로직을 지칭한다. 컴포넌트들은 그들의 인터페이스들을 통해 기타 컴포넌트들과 조합되어 머신 프로세스를 수행할 수 있다. 컴포넌트는, 기타 컴포넌트들 및 관련된 기능들 중 특정 기능을 보통은 수행하는 프로그램의 일부와 함께 사용하기 위해 설계되는 패키징된 기능적 하드웨어 유닛일 수 있다.
컴포넌트들은 소프트웨어 컴포넌트들(예를 들어, 머신 판독가능 매체 상에 구현되는 코드) 또는 하드웨어 컴포넌트들을 구성할 수 있다. "하드웨어 컴포넌트(hardware component)"는 특정 동작들을 수행할 수 있는 유형의 유닛(tangible unit)이고, 특정 물리적 방식으로 구성되거나 또는 배열될 수 있다. 다양한 예시적인 예들에서, 하나 이상의 컴퓨터 시스템(예를 들어, 독립형 컴퓨터 시스템, 클라이언트 컴퓨터 시스템, 또는 서버 컴퓨터 시스템) 또는 컴퓨터 시스템의 하나 이상의 하드웨어 컴포넌트(예를 들어, 프로세서 또는 프로세서들의 그룹)는 본 명세서에 설명된 바와 같은 특정 동작들을 수행하도록 동작하는 하드웨어 컴포넌트로서 소프트웨어(예를 들어, 애플리케이션 또는 애플리케이션 부분)에 의해 구성될 수 있다.
하드웨어 컴포넌트는 또한, 기계적으로, 전자적으로, 또는 이것들의 임의의 적절한 조합으로 구현될 수 있다. 예를 들어, 하드웨어 컴포넌트는 특정 동작들을 수행하도록 영구적으로 구성되는 전용 회로 또는 로직을 포함할 수 있다. 하드웨어 컴포넌트는 FPGA(field-programmable gate array) 또는 ASIC(application specific integrated circuit)와 같은 특수 목적 프로세서일 수 있다. 하드웨어 컴포넌트는, 특정 동작들을 수행하도록 소프트웨어에 의해 일시적으로 구성되는 프로그램 가능 로직 또는 회로를 또한 포함할 수 있다. 예를 들어, 하드웨어 컴포넌트는 범용 프로세서 또는 다른 프로그램 가능 프로세서에 의해 실행되는 소프트웨어를 포함할 수 있다. 일단 이러한 소프트웨어에 의해 구성되면, 하드웨어 컴포넌트들은 구성되는 기능들을 수행하도록 고유하게 맞춤화된 특정 머신들(또는 머신의 특정 컴포넌트들)이 되고 더 이상 범용 프로세서들이 아니다. 하드웨어 컴포넌트를 기계적으로, 전용의 영구적으로 구성되는 회로에, 또는 일시적으로 구성되는 회로(예를 들어, 소프트웨어에 의해 구성됨)에 구현하기로 하는 결정이 비용 및 시간 고려사항들에 의해 주도될 수 있다는 점을 알 것이다. 따라서, "하드웨어 컴포넌트(hardware component)"(또는 "하드웨어-구현된 컴포넌트(hardware-implemented component)")라는 문구는 유형의 엔티티(tangible entity)를 포괄하는 것으로 이해되어야 하며, 그 엔티티는, 특정 방식으로 동작하도록 또는 본 명세서에서 설명되는 특정 동작들을 수행하도록 물리적으로 구성되거나, 또는 영구적으로 구성되거나(예를 들어, 고정배선), 또는 일시적으로 구성된다(예를 들어, 프로그래밍된다).
하드웨어 컴포넌트들이 일시적으로 구성되는(예를 들어, 프로그래밍되는) 예들을 고려하면, 하드웨어 컴포넌트들 각각은 임의의 하나의 시간 인스턴스에서 구성되거나 인스턴스화될 필요는 없다. 예를 들어, 하드웨어 컴포넌트가 특수 목적 프로세서가 되도록 소프트웨어에 의해 구성되는 범용 프로세서를 포함하는 경우에, 범용 프로세서는 상이한 때에 (예를 들어, 상이한 하드웨어 컴포넌트들을 포함하는) 제각기 상이한 특수 목적 프로세서들로서 구성될 수 있다. 따라서 소프트웨어는 예를 들어, 하나의 시간 인스턴스에서는 특정 하드웨어 컴포넌트를 구성하고 상이한 시간 인스턴스에서는 상이한 하드웨어 컴포넌트를 구성하도록 특정 프로세서 또는 프로세서들을 구성한다.
하드웨어 컴포넌트는 다른 하드웨어 컴포넌트들에 정보를 제공하고 이로부터 정보를 수신할 수 있다. 따라서, 설명된 하드웨어 컴포넌트들은 통신가능하게 결합되는 것으로서 간주될 수 있다. 다중의 하드웨어 컴포넌트가 동시에 존재하는 경우에, 하드웨어 컴포넌트들 중 2개 이상 사이의 또는 그들 사이의(예를 들어, 적절한 회로들 및 버스들을 통한) 신호 송신을 통해 통신이 달성될 수 있다. 다중의 하드웨어 컴포넌트기 상이한 시간들에서 구성되거나 인스턴스화되는 예들에서, 이러한 하드웨어 컴포넌트들 사이의 통신은, 예를 들어, 다중의 하드웨어 컴포넌트가 액세스할 수 있는 메모리 구조들에서의 정보의 저장 및 검색을 통해 달성될 수 있다. 예를 들어, 하나의 하드웨어 컴포넌트는 동작을 수행하고 해당 동작의 출력을 통신가능하게 결합되는 메모리 디바이스에 저장할 수 있다. 추가의 하드웨어 컴포넌트가 다음으로, 나중에, 저장된 출력을 검색 및 처리하기 위해 메모리 디바이스에 액세스할 수 있다. 하드웨어 컴포넌트들은 입력 또는 출력 디바이스들과의 통신을 또한 착수할 수 있고, 자원(예를 들어, 정보의 컬렉션)에 대해 동작할 수 있다.
본 명세서에서 설명되는 예시적 방법들의 다양한 동작들은, 관련 동작들을 수행하도록 영구적으로 구성되거나 또는 (예를 들어, 소프트웨어에 의해) 일시적으로 구성되는 하나 이상의 프로세서에 의해 적어도 부분적으로 수행될 수 있다. 일시적으로 또는 영구적으로 구성되든 간에, 이러한 프로세서들은 본 명세서에서 설명되는 하나 이상의 동작 또는 기능을 수행하도록 동작하는 프로세서-구현 컴포넌트들을 구성할 수 있다. 본 명세서에서 이용되는 바와 같이, "프로세서-구현 컴포넌트(processor-implemented component)"는 하나 이상의 프로세서를 사용하여 구현되는 하드웨어 컴포넌트를 지칭한다. 유사하게, 본 명세서에서 설명되는 방법들은 적어도 부분적으로 프로세서-구현될 수 있고, 특정 프로세서 또는 프로세서들은 하드웨어의 예이다. 예를 들어, 방법의 동작들 중 적어도 일부가 하나 이상의 프로세서(902) 또는 프로세서-구현된 컴포넌트에 의해 수행될 수 있다. 더욱이, 하나 이상의 프로세서는 또한 "클라우드 컴퓨팅(cloud computing)" 환경에서 또는 "SaaS(software as a service)"로서 관련 동작들의 수행을 지원하도록 동작할 수 있다. 예를 들어, 동작들 중 적어도 일부는, (프로세서들을 포함하는 머신들의 예들로서) 컴퓨터들의 그룹에 의해 수행될 수 있고, 이러한 동작들은 네트워크(예를 들어, 인터넷)를 통해 그리고 하나 이상의 적절한 인터페이스(예를 들어, API)를 통해 액세스가능하다. 특정 동작들의 수행은, 단일 머신 내에 상주할 뿐만 아니라, 다수의 머신에 걸쳐 배치되는, 프로세서들 중에서 분산될 수 있다. 일부 예시적인 예들에서, 프로세서들 또는 프로세서 구현 컴포넌트들은 단일의 지리적 로케이션에 (예컨대, 가정 환경, 사무실 환경, 또는 서버 팜 내에) 위치될 수 있다. 다른 예시적인 예들에서, 프로세서들 또는 프로세서 구현 컴포넌트들은 다수의 지리적 로케이션에 걸쳐 분산될 수 있다.
"컴퓨터 판독가능 저장 매체"는 머신-저장 매체 및 송신 매체 둘 다를 지칭한다. 따라서, 용어들은 저장 디바이스들/매체들 및 캐리어 파들/변조된 데이터 신호들 모두를 포함한다. 용어들 "머신 판독가능 매체", "컴퓨터 판독가능 매체" 및 "디바이스 판독가능 매체"는 동일한 것을 의미하고 본 개시내용에서 상호교환가능하게 사용될 수 있다.
"단기적 메시지(ephemeral message)"는 시간 제한된 지속기간 동안 액세스가능한 메시지를 지칭한다. 단기적 메시지는 텍스트, 이미지, 비디오 및 그와 유사한 것일 수 있다. 단기적 메시지에 대한 액세스 시간은 메시지 전송자에 의해 설정될 수 있다. 대안적으로, 액세스 시간은 디폴트 설정 또는 수신자에 의해 지정되는 설정일 수 있다. 설정 기법에 관계없이, 메시지는 일시적(transitory)이다.
"머신 저장 매체(machine storage medium)"는 실행가능 명령어들, 루틴들 및 데이터를 저장하는 단일의 또는 다중의 저장 디바이스 및 매체들(예를 들어, 중앙집중형 또는 분산형 데이터베이스, 및 연관된 캐시들 및 서버들)을 지칭한다. 따라서, 이러한 용어는, 이에 제한되는 것은 아니지만, 프로세서들 내부 또는 외부의 메모리를 포함하는 솔리드 스테이트 메모리들, 및 광학 및 자기 매체를 포함하는 것으로 취해질 수 있다. 머신 저장 매체, 컴퓨터 저장 매체 및 디바이스 저장 매체의 특정 예들은, 예를 들어 반도체 메모리 디바이스들, 예를 들어, EPROM(erasable programmable read-only memory), EEPROM(electrically erasable programmable read-only memory), FPGA, 및 플래시 메모리 디바이스들; 내부 하드 디스크들 및 이동식 디스크들과 같은 자기 디스크들; 광자기 디스크들; 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리를 포함한다. "머신 저장 매체(machine-storage medium)", "디바이스 저장 매체(device-storage medium)", "컴퓨터 저장 매체(computer-storage medium)"라는 용어들은 동일한 것을 의미하며, 본 개시내용에서 상호교환가능하게 사용될 수 있다. "머신 저장 매체(machine-storage media)", "컴퓨터 저장 매체(computer-storage media)", 및 "디바이스 저장 매체(device-storage media)"라는 용어들은 캐리어 파들, 변조된 데이터 신호들, 및 다른 이러한 매체를 구체적으로 배제하는데, 이들 중 적어도 일부는 "신호 매체(signal medium)"라는 용어 하에 커버된다.
"비일시적 컴퓨터 판독가능 저장 매체(non-transitory computer-readable storage medium)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩, 또는 운반할 수 있는 유형의 매체를 지칭한다.
"신호 매체(signal medium)"는 머신에 의한 실행을 위한 명령어들을 저장, 인코딩 또는 운반할 수 있는 임의의 무형 매체를 지칭하며, 소프트웨어 또는 데이터의 통신을 용이하게 하기 위해 디지털 또는 아날로그 통신 신호들 또는 다른 무형 매체를 포함한다. "신호 매체(signal medium)"라는 용어는 임의의 형식의 변조된 데이터 신호, 캐리어 파, 및 등등을 포함하는 것으로 취해져야 한다. "변조된 데이터 신호(modulated data signal)"라는 용어는 신호에서의 정보를 인코딩하기 위한 이러한 상황에서 설정되는 또는 변경되는 자신의 특성들 중 하나 이상을 갖는 신호를 의미한다. "송신 매체(transmission medium)", 및 "신호 매체(signal medium)"라는 용어들은 동일한 것을 의미하고 본 개시내용에서 상호교환가능하게 사용될 수 있다.
본 개시내용의 범위를 벗어나지 않고 개시된 예들에 대한 변경들 및 수정들이 이루어질 수 있다. 이러한 및 다른 변경들 또는 수정들은, 다음의 청구항들에서 표현되는 바와 같은, 본 개시내용의 범위 내에 포함되는 것으로 의도된다.
Claims (20)
- 방법으로서:
하나 이상의 프로세서에 의해, 음성 입력을 포함하는 오디오 파일을 수신하는 단계;
음성 인식 엔진에 의해, 상기 음성 입력을 포함하는 오디오 파일을 처리하여 상기 음성 입력의 초기 캐릭터 기반 표현을 생성하는 단계;
의도 분류기에 의해, 상기 음성 입력의 초기 캐릭터 기반 표현을 처리하여 상기 음성 입력의 추정된 의도를 생성하는 단계; 및
상기 음성 인식 엔진에 의해, 상기 음성 입력의 추정된 의도에 기초하여 상기 음성 입력의 텍스트 표현을 생성하는 단계를 포함하는 방법. - 제1항에 있어서, 상기 음성 인식 엔진 및 상기 의도 분류기는 캐스케이드 신경망(cascade neural network)으로서 배열되고, 상기 방법은 상기 음성 인식 엔진 및 상기 의도 분류기를 엔드-투-엔드 방식(end-to-end manner)으로 훈련하는 단계를 추가로 포함하는 방법.
- 제1항 또는 제2항에 있어서, 상기 음성 입력의 초기 캐릭터 기반 표현을 생성하는 단계는:
시간 경과에 따른 상기 음성 입력에 대응하는 복수의 캐릭터의 확률들을 표현하는 행렬을 생성하는 단계 - 상기 행렬의 행들은 상기 음성 입력의 상이한 시점들을 표현하고, 상기 행렬의 열들은 상기 음성 입력의 전사의 상이한 캐릭터들을 표현함 - 를 포함하는 방법. - 제3항에 있어서, 상기 음성 입력의 제1 시점에 대응하는 상기 행렬의 행들 중 제1 행에 대해, 상기 제1 행과 연관된, 상기 행렬의 열들 내의 복수의 캐릭터 각각은 상기 음성 입력이 상기 복수의 캐릭터 중 각자의 캐릭터에 대응할 가능성을 표현하는 각자의 확률과 연관되는 방법.
- 제3항 또는 제4항에 있어서, 상기 행렬의 행들의 서브세트의 선형 조합을 스트리밍하는 단계를 추가로 포함하는 방법.
- 제3항 내지 제5항 중 어느 한 항에 있어서,
상기 제1 시점에 대한 각자의 확률들의 제1 세트와 연관된 캐릭터들의 제1 서브세트를 포함하는 캐릭터들의 제1 선형 조합을 스트리밍하는 단계; 및
제2 시점에 대한 각자의 확률들의 제2 세트와 연관된 캐릭터들의 제2 서브세트를 포함하는 캐릭터들의 제2 선형 조합을 스트리밍하는 단계를 추가로 포함하는 방법. - 제3항 내지 제6항 중 어느 한 항에 있어서, 상기 캐릭터들의 제1 및 제2 선형 조합들에 기초하여 상기 음성 입력의 추정된 의도를 생성하는 단계를 추가로 포함하는 방법.
- 제3항 내지 제7항 중 어느 한 항에 있어서, 상기 행렬을 시간 경과에 따른 캐릭터들의 벡터가 되도록 인코딩하는 단계를 추가로 포함하는 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 음성 인식 엔진이 상기 음성 입력의 텍스트 표현을 생성하는 동안 상기 음성 입력의 초기 캐릭터 기반 표현이 상기 의도 분류기에 의해 처리되는 방법.
- 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 음성 인식 엔진은 제1 신경망을 포함하고, 상기 의도 분류기는 제2 신경망을 포함하는 방법.
- 제10항에 있어서,
제1 및 제2 비용 함수들을 포함하는 손실 함수를 계산하는 단계 - 상기 제1 손실 함수는 상기 음성 입력의 추정된 의도에 기초하고, 상기 제2 손실 함수는 상기 음성 입력의 텍스트 표현에 기초함 -; 및
상기 손실 함수에 기초하여 상기 제1 및 제2 신경망들의 파라미터들을 업데이트하는 단계 - 상기 제1 손실 함수의 그래디언트들은 상기 제2 손실 함수에 역전파됨 - 를 추가로 포함하는 방법. - 제1항 내지 제11항 중 어느 한 항에 있어서,
복수의 훈련 오디오 파일을 포함하는 훈련 데이터를 수신하는 단계 - 상기 복수의 오디오 파일은 상기 오디오 파일을 포함하고, 상기 복수의 훈련 오디오 파일 각각은 그라운드 트루스(ground-truth) 의도 분류 및 그라운드 트루스 전사와 연관됨 -;
상기 음성 인식 엔진에 의해 상기 복수의 훈련 오디오 파일 중 제1 훈련 오디오 파일을 처리하여 추정된 텍스트 표현을 생성하는 단계;
상기 음성 인식 엔진이 상기 제1 훈련 오디오 파일을 처리하는 동안, 상기 제1 훈련 오디오 파일의 제1 초기 캐릭터 기반 표현을 생성하는 단계;
상기 의도 분류기에 의해, 상기 음성 입력의 제1 초기 캐릭터 기반 표현을 처리하여 제1 추정된 의도 분류를 생성하는 단계;
상기 제1 추정된 의도 분류를 상기 제1 훈련 오디오 파일과 연관된 상기 그라운드 트루스 의도 분류와 비교하여 제1 손실을 생성하는 단계;
상기 추정된 텍스트 표현을 상기 제1 훈련 오디오 파일과 연관된 그라운드 트루스 전사와 비교하여 제2 손실을 생성하는 단계; 및
상기 제1 및 제2 손실들에 기초하여 상기 음성 인식 엔진 및 상기 의도 분류기의 파라미터들을 업데이트하는 단계를 추가로 포함하는 방법. - 제12항에 있어서, 상기 음성 인식 엔진 및 상기 의도 분류기의 파라미터들을 추가로 업데이트하기 위해 상기 복수의 훈련 오디오 파일 중 제2 훈련 오디오 파일을 처리하는 단계를 추가로 포함하는 방법.
- 제1항 내지 제13항 중 어느 한 항에 있어서, 상기 의도 분류기는 시간 경과에 따른 상기 음성 입력의 캐릭터들의 확률들의 상이한 선형 조합들에 기초하여 상기 음성 입력의 추정된 의도를 생성하는 방법.
- 제1항 내지 제14항 중 어느 한 항에 있어서, 상기 의도 분류기는 상기 음성 인식 엔진이 상기 음성 입력의 전사를 생성하기 전에 상기 음성 입력의 추정된 의도를 생성하는 방법.
- 시스템으로서:
동작들을 수행하도록 구성된 클라이언트 디바이스의 프로세서를 포함하고, 상기 동작들은:
음성 입력을 포함하는 오디오 파일을 수신하는 동작;
음성 인식 엔진에 의해, 상기 음성 입력을 포함하는 오디오 파일을 처리하여 상기 음성 입력의 초기 캐릭터 기반 표현을 생성하는 동작;
의도 분류기에 의해, 상기 음성 입력의 초기 캐릭터 기반 표현을 처리하여 상기 음성 입력의 추정된 의도를 생성하는 동작; 및
상기 음성 인식 엔진에 의해, 상기 음성 입력의 추정된 의도에 기초하여 상기 음성 입력의 텍스트 표현을 생성하는 동작을 포함하는 시스템. - 제16항에 있어서, 상기 음성 인식 엔진 및 상기 의도 분류기는 캐스케이드 신경망으로서 배열되고, 상기 동작들은 상기 음성 인식 엔진 및 상기 의도 분류기를 엔드-투-엔드 방식으로 훈련하는 동작을 추가로 포함하는 시스템.
- 제16항 또는 제17항에 있어서, 상기 음성 입력의 초기 캐릭터 기반 표현을 생성하는 동작은:
시간 경과에 따른 상기 음성 입력에 대응하는 복수의 캐릭터의 확률들을 표현하는 행렬을 생성하는 동작 - 상기 행렬의 행들은 상기 음성 입력의 상이한 시점들을 표현하고, 상기 행렬의 열들은 상기 음성 입력의 전사의 상이한 캐릭터들을 표현함 - 을 포함하는 시스템. - 제18항에 있어서, 상기 음성 입력의 제1 시점에 대응하는 상기 행렬의 행들 중 제1 행에 대해, 상기 제1 행과 연관된, 상기 행렬의 열들 내의 복수의 캐릭터 각각은 상기 음성 입력이 상기 복수의 캐릭터 중 각자의 캐릭터에 대응할 가능성을 표현하는 각자의 확률과 연관되는 시스템.
- 클라이언트 디바이스의 하나 이상의 프로세서에 의해 실행될 때, 상기 클라이언트 디바이스로 하여금 동작들을 수행하도록 야기하는 명령어들을 포함하는 비일시적 머신 판독가능 저장 매체로서, 상기 동작들은:
음성 입력을 포함하는 오디오 파일을 수신하는 동작;
음성 인식 엔진에 의해, 상기 음성 입력을 포함하는 오디오 파일을 처리하여 상기 음성 입력의 초기 캐릭터 기반 표현을 생성하는 동작;
의도 분류기에 의해, 상기 음성 입력의 초기 캐릭터 기반 표현을 처리하여 상기 음성 입력의 추정된 의도를 생성하는 동작; 및
상기 음성 인식 엔진에 의해, 상기 음성 입력의 추정된 의도에 기초하여 상기 음성 입력의 텍스트 표현을 생성하는 동작을 포함하는 비일시적 머신 판독가능 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/495,402 | 2021-10-06 | ||
| US17/495,402 US11984114B2 (en) | 2021-10-06 | 2021-10-06 | Speech to intent |
| PCT/US2022/077585 WO2023060111A1 (en) | 2021-10-06 | 2022-10-05 | Speech recognition with intent estimation |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240090286A true KR20240090286A (ko) | 2024-06-21 |
Family
ID=83995647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247014501A KR20240090286A (ko) | 2021-10-06 | 2022-10-05 | 의도 추정을 갖는 음성 인식 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11984114B2 (ko) |
| KR (1) | KR20240090286A (ko) |
| CN (1) | CN118160032A (ko) |
| WO (1) | WO2023060111A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12021806B1 (en) * | 2021-09-21 | 2024-06-25 | Apple Inc. | Intelligent message delivery |
| US11984114B2 (en) | 2021-10-06 | 2024-05-14 | Snap Inc. | Speech to intent |
| US20240070239A1 (en) * | 2022-08-30 | 2024-02-29 | Nuance Communications, Inc. | System and Method for Watermarking Data for Tracing Access |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11200506B2 (en) * | 2017-12-15 | 2021-12-14 | Microsoft Technology Licensing, Llc | Chatbot integrating derived user intent |
| CN111881297A (zh) * | 2020-07-31 | 2020-11-03 | 龙马智芯（珠海横琴）科技有限公司 | 语音识别文本的校正方法及装置 |
| US11984114B2 (en) | 2021-10-06 | 2024-05-14 | Snap Inc. | Speech to intent |
-
2021
- 2021-10-06 US US17/495,402 patent/US11984114B2/en active Active
-
2022
- 2022-10-05 KR KR1020247014501A patent/KR20240090286A/ko unknown
- 2022-10-05 CN CN202280067027.5A patent/CN118160032A/zh active Pending
- 2022-10-05 WO PCT/US2022/077585 patent/WO2023060111A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023060111A1 (en) | 2023-04-13 |
| US20230104583A1 (en) | 2023-04-06 |
| US11984114B2 (en) | 2024-05-14 |
| CN118160032A (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102655795B1 (ko) | 미디어 콘텐츠 아이템들의 개인 컬렉션들에 대한 초대 미디어 오버레이들 | |
| US11356392B2 (en) | Messaging system including an external-resource dock and drawer | |
| KR20230025475A (ko) | 메시징 시스템에서의 아바타 상태 업데이트 | |
| US11755910B2 (en) | Sequence-of-sequences model for 3D object recognition | |
| US11984114B2 (en) | Speech to intent | |
| CN115917608A (zh) | 增强现实内容项中的机器学习 | |
| US11736717B2 (en) | Video compression system | |
| US11790565B2 (en) | Compressing image-to-image models with average smoothing | |
| KR20240093930A (ko) | 애니메이션화된 커스텀 스티커들을 생성하기 위한 방법 및 시스템 | |
| KR20230163528A (ko) | 맞춤화가능한 아바타 생성 시스템 | |
| KR20230125818A (ko) | 생성형 대립 네트워크 조작 이미지 효과들 | |
| KR20240052043A (ko) | 대화 안내 증강 현실 경험 | |
| KR20240021247A (ko) | 제3자 리소스들로부터 메시징 애플리케이션에 의해 수신되는 콘텐츠를 제시함 | |
| US20240046516A1 (en) | Estimating 3d scene representations of images | |
| WO2023114127A1 (en) | Speech to entity | |
| US20230289560A1 (en) | Machine learning techniques to predict content actions | |
| US20220207329A1 (en) | Compressing image-to-image models | |
| KR20230160926A (ko) | 사용자-정의 맥락 공간들 | |
| US20230326445A1 (en) | Animated speech refinement using machine learning | |
| US20230252972A1 (en) | Emotion-based text to speech | |
| US20240087286A1 (en) | Clustering videos using a self-supervised dnn | |
| US12033078B2 (en) | Sequence-of-sequences model for 3D object recognition | |
| KR20240090994A (ko) | 그 위치에서 임계 수의 클라이언트 디바이스들에 의해 이전에 액세스된 콘텐츠 아이템의 식별 | |
| KR20240049575A (ko) | 조합된 판독 및 반응 메시지 |