WO2018182201A1 - 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치 - Google Patents

사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치 Download PDF

Info

Publication number
WO2018182201A1
WO2018182201A1 PCT/KR2018/002847 KR2018002847W WO2018182201A1 WO 2018182201 A1 WO2018182201 A1 WO 2018182201A1 KR 2018002847 W KR2018002847 W KR 2018002847W WO 2018182201 A1 WO2018182201 A1 WO 2018182201A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
voice input
data
intention
image
Prior art date
Application number
PCT/KR2018/002847
Other languages
English (en)
French (fr)
Inventor
이종률
손영철
박규태
이기범
Original Assignee
삼성전자 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 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US16/489,485 priority Critical patent/US11227594B2/en
Publication of WO2018182201A1 publication Critical patent/WO2018182201A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/002—Specific input/output arrangements not covered by G06F3/01 - G06F3/16
    • G06F3/005—Input arrangements through a video camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/263—Language identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/005—Language recognition
    • 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
    • G10L15/24—Speech recognition using non-acoustical features
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals
    • G—PHYSICS
    • 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
    • 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
    • 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
    • G10L15/1822—Parsing for meaning understanding
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/225—Feedback of the input speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state

Definitions

  • the present disclosure provides a method and apparatus for providing an answer to a voice input of a user.
  • Machine learning and artificial neural network technology enable big data to be probabilistically boosted through self-learning, enabling electronic devices to make rational decisions similar to humans.
  • Deep learning may be used in a method of providing a response to a voice input of a user by using a device, and accordingly, a deep learning technology capable of effectively providing a response according to a user's intention is required.
  • the present invention provides a method and apparatus for providing a response to a voice input of a user.
  • the technical problem to be achieved by the present embodiment is not limited to the technical problems as described above, and further technical problems can be inferred from the following embodiments.
  • a first aspect of the present disclosure the step of displaying an image containing at least one object through the camera of the device; Activating a microphone of the device as the image is captured; Receiving a user's voice input to the object through the microphone; Determining the user's intention with respect to the object by analyzing the received voice input; And providing an answer regarding the object based on the determined intention of the user.
  • the device may provide a method of providing an answer to a user's voice input.
  • FIG. 1 is a diagram illustrating an example in which a device provides an answer to a voice input of a user, according to an exemplary embodiment.
  • FIG. 2 is a flowchart of a method of providing an answer to a voice input of a user, according to an embodiment.
  • FIG. 3 is a diagram for explaining an example of providing a response to a voice input of a user by using user accent information, according to an exemplary embodiment.
  • FIG. 4 is a diagram for explaining an example of providing a response to a voice input of a user by using user emotion information, according to an exemplary embodiment
  • FIG. 5 is a diagram for explaining an example of providing a response to a voice input of a user based on a type of language used by the user according to an embodiment.
  • FIG. 6 is a diagram for explaining an example of providing a response to a voice input of a user based on a dialect used by the user, according to an exemplary embodiment.
  • FIG. 7 illustrates an example of providing an answer to a voice input of a user together with additional information related to an intention of the user, according to an exemplary embodiment.
  • FIG. 8 is a diagram for explaining an example of providing a response to a voice input of a user, for a partial region of a displayed image, according to an embodiment.
  • 9 and 10 are block diagrams of devices according to one embodiment.
  • FIG. 11 is a block diagram of a controller according to an exemplary embodiment.
  • FIG. 12 is a block diagram of a data learner, according to an exemplary embodiment.
  • FIG. 13 is a block diagram of a data recognizer according to an exemplary embodiment.
  • FIG. 14 is a diagram illustrating an example in which a device and a server learn and recognize data by interworking with each other according to an exemplary embodiment.
  • a first aspect of the present disclosure the step of displaying an image containing at least one object through the camera of the device; Activating a microphone of the device as the image is captured; Receiving a user's voice input to the object through the microphone; Determining the user's intention with respect to the object by analyzing the received voice input; And providing an answer regarding the object based on the determined intention of the user.
  • the device may provide a method of providing an answer to a user's voice input.
  • an input unit for receiving an image containing at least one object, and through the microphone of the device, receives a user's voice input to the object;
  • a memory for storing at least one instruction;
  • at least one processor to execute the at least one instruction stored in the memory, wherein the processor executes the at least one instruction to activate the microphone of the device as the image is captured, and to activate the microphone.
  • a third aspect of the present disclosure may provide a computer readable recording medium having recorded thereon a program for executing the method of the first aspect on a computer.
  • Some embodiments of the present disclosure may be represented by functional block configurations and various processing steps. Some or all of these functional blocks may be implemented in various numbers of hardware and / or software configurations that perform particular functions.
  • the functional blocks of the present disclosure may be implemented by one or more microprocessors or by circuit configurations for a given function.
  • the functional blocks of the present disclosure may be implemented in various programming or scripting languages.
  • the functional blocks may be implemented in algorithms running on one or more processors.
  • the present disclosure may employ the prior art for electronic configuration, signal processing, and / or data processing. Terms such as “mechanism”, “element”, “means” and “configuration” may be used widely and are not limited to mechanical and physical configurations.
  • connecting lines or connecting members between the components shown in the drawings are merely illustrative of functional connections and / or physical or circuit connections. In an actual device, the connections between components may be represented by various functional connections, physical connections, or circuit connections that are replaceable or added.
  • FIG. 1 is a diagram illustrating an example in which a device provides an answer to a voice input of a user, according to an exemplary embodiment.
  • a user may photograph an object 40 using the device 10.
  • the user may ask about the object 40 included in the captured image.
  • the device 10 may display the image 30 including the object 40 on the screen of the device 10, and the user may ask about the object 40 included in the displayed image 30. Can be.
  • the device 10 may determine what the intention of the user questions 31, 32 is by analyzing the user's questions 31, 32.
  • the device 10 may provide an answer to the object 40 based on the intention of the user questions 31 and 32.
  • the device 10 may learn a criterion for determining what the intention of the user questions 31 and 32 is and a criterion for providing an answer to the object 40 based on the determined intention of the user.
  • the intention of the user with respect to the object may be determined based on the intonation information of the user, the emotion information, and the type of language used by the user, but is not limited thereto.
  • the device 10 may provide different answers 10 and 11 if the accent information of the user is different.
  • the photographed image 30 may include a gift box. If the user asks 31 what is this about the captured image 30, the device 10 may determine that the user's intention is to ask what the object 40 included in the image 30 is. In addition, the device 10 may provide an answer 11 that is 'a box'. In addition, the user 30 for the captured image (30) "Wow! If the question 32 is asked, the device 10 may determine that the user's intention is to inquire who gave the gift box, and the device 10 answers 'the gift left by the girlfriend'. (12) may be provided.
  • the device 10 may not be able to access the user's questions 31 and 32 because the user's intonation information included in each of the questions 31 and 32 is different.
  • Other answers 11 and 12 may be provided for 32.
  • the device 10 may display an image 30 including a gift box, and the user may ask questions 31 and 32 about the displayed image 30.
  • the device 10 may be, for example, a home service robot, a smartphone, a tablet PC, a PC, a smart TV, a mobile phone, a personal digital assistant (PDA), a laptop, a media player, a micro server, or a GPS (global). positioning system) devices, e-book terminals, digital broadcasting terminals, navigation, kiosks, MP3 players, digital cameras, wearable devices, and other mobile or non-mobile computing devices.
  • the device 10 may include various devices capable of receiving a touch input, such as an electronic blackboard, a touch table, or the like.
  • the device 10 may also be a watch, glasses, hair band and ring with communication and data processing functions.
  • the device 10 may include a camera (not shown) and a microphone (not shown).
  • the camera (not shown) may photograph the object 40 through the image sensor in the photographing mode.
  • the microphone (not shown) receives an external sound signal and processes it into electrical voice data.
  • the microphone (not shown) may receive an acoustic signal from an external device or speaker.
  • the microphone (not shown) may use various noise removing algorithms for removing noise generated in the process of receiving an external sound signal.
  • FIG. 2 is a flowchart of a method of providing an answer to a voice input of a user, according to an embodiment.
  • the device 10 may photograph an image including at least one object through a camera of the device 10.
  • the device 10 may photograph an image including at least one object by using a camera and then display the photographed image.
  • the device 10 may display an image stored in the internal memory.
  • the device 10 may display an image received through communication with an external server or an external device.
  • the device 10 may activate a microphone of the device 10.
  • the device 10 may activate a microphone of the device 10 while an image including at least one object is displayed.
  • the device 10 may automatically activate the microphone as the image is captured. In another embodiment, device 10 may automatically activate the microphone while the image is displayed. In another embodiment, the device 10 may activate the microphone after receiving a user input for activating the microphone.
  • the device 10 may receive a user's voice input to the object through a microphone.
  • the voice input of the user is in the form of a voice waveform
  • the device 10 may receive the voice waveform of the user through a microphone and process the voice waveform into electrical voice data.
  • the device 10 may determine the user's intention with respect to the object by analyzing the received voice input. According to an embodiment, the device 10 may analyze a voice waveform of a user in units of pieces of a predetermined length. In addition, the device 10 may analyze the voice waveform of the user by sound unit based on the frequency.
  • the device 10 may obtain the user accent information, the user emotion information, and the information about the type of language used by the user by analyzing the received voice input.
  • the device 10 analyzes the voice energy (dB), the pitch (Hz), the shimmer and the vocal cord vibration change (zitter) included in the received voice input, thereby accusing the user.
  • Information about the user, emotion information, and the type of language used by the user can be obtained.
  • the type of language may include English, Japanese, Korean, and the like.
  • the type of language may include local dialects.
  • the device 10 may determine the user's intention with respect to the object based on the obtained user intonation information, the user emotion information, and the type of language used by the user. In one embodiment, even when the user asks a question including the same phrase, the device 10 may determine that the user's intention is different according to the intonation information, the emotion information, and the like.
  • the device 10 may receive a user's voice input, 'What is it?' For the gift box included in the image captured by the device 10.
  • the intonation information and the emotion information generated by the device 10 by analyzing the voice input 'what is this?' May include information that the user uses an accent that reads the end of the sentence a little and the user's emotional state is calm.
  • the device 10 may determine the intention of the user as an intention of asking what the object (ie, the gift box) included in the photographed image is using the generated intonation information and emotion information.
  • the intonation information and emotion information generated by the device 10 by analyzing the voice input 'what is this?', The user uses an intonation that reads a lot of sentence ends, and the user's emotional state is surprising and Information may include joy.
  • the device 10 may use the generated intonation information and emotion information to determine that the user's intention is to inquire who gave the gift box.
  • the device 10 may receive a voice input of a user, 'What is it?' For a gift box included in an image being displayed on the device 10.
  • the device 10 may provide an answer regarding the object based on the determined user's intention. In one embodiment, even when the user asks a question including the same phrase, the device 10 may determine that the user's intention is different according to the intonation information, the emotion information, or the like, thereby providing different answers based on the determined intention. .
  • the device 10 may receive a user's voice input, 'What is it?' For the gift box included in the captured image. If the device 10 determines that the user's intention is to ask what the object (i.e. gift box) contained in the captured image is, the device 10 answers 'box' based on the determined user's intention. Can be provided. Meanwhile, 'What is this?' If the device 10 determines that the user's intention is to inquire who gave a gift box, the device 10 determines that the girlfriend's intention is based on the determined user's intention. It's a gift. '
  • the device 10 may determine the intention of the user question 'What is it?' For the gift box being displayed on the device 10.
  • the device 10 may extract text information included in the received voice input. In addition, the device 10 may provide an answer regarding the object based on the extracted text information and the determined user's intention.
  • FIG. 3 is a diagram for explaining an example of providing a response to a voice input of a user by using user accent information, according to an exemplary embodiment.
  • the device 10 may receive image inputs 310 and 320 and voice inputs 311 and 321.
  • the device 10 may convert the received image inputs 310 and 320 and the voice inputs 311 and 321 into data types that may be processed by the device 10.
  • the device 10 may generate user accent information by analyzing the voice inputs 311 and 321 of the user.
  • the device 10 may generate intonation information by analyzing voice energy (dB), tone height (Hz), regularity (shimmer), and vocal cord vibration change rate of the voice input of the user's voice input.
  • voice energy dB
  • tone height Hz
  • regularity shimmer
  • vocal cord vibration change rate of the voice input of the user's voice input.
  • the method of generating the intonation information is not limited thereto.
  • the device 10 may determine the user's intention for the image inputs 310 and 320 using the generated intonation information.
  • the device 10 is based on the image input (310, 320) and the voice input (311, 321), the object in the image input (310, 320) that is the target of the user's voice input (311, 321) Can be selected.
  • the device 10 may determine the user's intention with respect to the selected object by using the generated intonation information.
  • the device 10 may provide an answer regarding the object based on the determined user's intention.
  • device 10 may receive image inputs 310 and 320 regarding a situation where coffee has been spilled on a notebook.
  • the intonation information generated by the device 10 by analyzing the voice input 311 May include information that the user has used an accent that strongly and strongly ends the sentence.
  • the device 10 may use the generated intonation information to determine that the user's intention is to inquire who spilled coffee on the notebook.
  • the device 10 is based on the determined user's intention 'What is this !?' 'A spilled 5 minutes ago' may be provided to the user's voice input 311.
  • device 10 may ask 'what is this' for image input 320?
  • the intonation information generated by the device 10 by analyzing the voice input 321 may include information indicating that the user has used an accent for reading the end of the sentence.
  • the device 10 may use the generated intonation information to determine that the user's intention is to inquire about what object is included in the image input 320.
  • the device 10 may provide an answer 322 of 'notebook and spilled coffee' to the user's voice input 321 based on the determined user's intention.
  • FIG. 4 is a diagram for explaining an example of providing a response to a voice input of a user by using user emotion information, according to an exemplary embodiment
  • the device 10 may receive image inputs 410 and 420 and voice inputs 411 and 421.
  • the device 10 may generate user accent information by analyzing the voice inputs 411 and 421 of the user.
  • the device 10 may generate user emotion information by analyzing the generated intonation information.
  • the user emotion information may include information representing an emotional state of the user such as joy, sadness, anger, but is not limited thereto.
  • the device 10 may determine the user's intention with respect to the object based on the generated emotion information. In addition, the device 10 may provide an answer regarding the object to the user based on the generated emotion information. The device 10 may provide an answer to the user based on the meaning of the text included in the voice inputs 411 and 421 of the user, and the user intonation information and the user emotion information.
  • the device 10 may receive image inputs 410 and 420 relating to expensive foreign cars.
  • the device 10 analyzes the intonation information of the voice input 411.
  • the emotion information generated by this may include information related to negative emotions such as sadness and self-help.
  • the device 10 may determine that the user's intention is not to inquire about the actual price of the foreign car photographed by the device 10 but to lament on the current user's own situation. .
  • the device 10 may provide an answer 412 based on the determined intention that 'life has more important values than money'.
  • device 10 may display a 'Wow! What is the difference? 'When the user's voice input 421 is received, the emotion information generated by the device 10 by analyzing the intonation information of the voice input 421 may include information such as curiosity and surprise. have.
  • the device 10 may determine that the intention of the user is to inquire about the price of the foreign car photographed by the device 10 by using the generated emotion information.
  • the device 10 is based on the determined intention of the user, 'Wow! How long will it be secondary? ' May provide an answer 422a to the user's voice input 421.
  • the device 10 may provide a wit answer in consideration of the emotion information of the user. For example, device 10 may display a 'Wow!' If the user's voice input 421 is received, the device 10 may provide an answer 422b, 'Will the user live for 20 years?'
  • FIG. 5 is a diagram for explaining an example of providing a response to a voice input of a user based on a type of language used by the user according to an embodiment.
  • the device 10 may receive image inputs 510 and 520 and voice inputs 511 and 521.
  • the device 10 may determine the type of language used by the user by analyzing the voice inputs 511 and 521 of the user.
  • the language may include Korean, English, Chinese, and the like, but is not limited thereto.
  • Each language has a unique intonation, which is distinguished from other languages, and the device 10 may determine the type of language used by the user by analyzing the intonation information of the user's voice inputs 511 and 521.
  • the device 10 may provide an answer regarding the object using the determined type of language.
  • the device 10 may determine the user's background level in consideration of the social and cultural background of the country using the determined language, and may provide an answer regarding the object based on the determined background level of the user.
  • the device 10 may receive image inputs 510 and 520 related to the Jeju Island map.
  • the device 10 may determine the type of language used by the user as Korean.
  • the answer 512 may be provided in Korean.
  • the device 10 may determine that the user is Korean because the user speaks Korean, and may provide an answer 512 based on the background level of the Korean. If the user is a Korean, the device 10 may determine that Jeju Island has basic background knowledge such as an island of the Republic of Korea, and the device 10 may provide a simple answer 512 that is Jeju Island.
  • device 10 may display 'Where is this place?' For image input 520.
  • the device 10 may determine the type of language used by the user in English, and provide the answer 522 in English.
  • the device 10 may determine that the user is not a Korean because the user speaks English, and may provide an answer 522 based on the background knowledge level of a foreigner (a national of a country using English).
  • the device 10 may determine that the foreigner does not have basic background knowledge of Jeju Island, and the device 10 may provide the background knowledge of Jeju Island as an answer 522.
  • the device 10 is referred to as' This place is called Jeju island.
  • a beautiful island in Korea and often regarded as “Korean Hawaii” transformation: Jeju Island, a beautiful island located in Korea, often referred to as “Hawaii of Korea”.
  • the device 10 may select an object that is a target of a voice input of the user based on the determined type of language.
  • the image input received by the device 10 may include a plurality of objects.
  • the device 10 may select one of a plurality of objects included in the image input based on the determined type of language.
  • the device 10 may determine the user's intention with respect to the selected object by using the generated intonation information.
  • the device 10 may receive an image input including both red pepper paste and marshmallows.
  • the device 10 may determine the type of language used by the user as Korean.
  • the device 10 may determine that the user is Korean because the user uses Korean based on the determined language type, and may provide an answer based on the background level of the Korean.
  • the device 10 may determine that Koreans know Kochujang, and the device 10 may provide an answer that is 'this is marshmallow'.
  • the device 10 may display 'What's this?' For an image input that includes both red pepper paste and marshmallows.
  • the device 10 may determine the type of language used by the user as English.
  • the device 10 may determine that the user is a foreigner (English-speaking country) because the user uses English based on the determined language type, and then provide an answer based on the background knowledge of the foreigner.
  • the device 10 may determine that the foreigner knows marshmallows, and the device 10 may provide an answer, 'This is gochujang'.
  • FIG. 6 is a diagram for explaining an example of providing a response to a voice input of a user based on a dialect used by the user, according to an exemplary embodiment.
  • the content overlapping with FIG. 5 will be omitted for convenience.
  • the device 10 may receive an image input 610 and a voice input 611.
  • the device 10 may determine the type of dialect used by the user by analyzing the voice input 611 of the user.
  • the dialect may include a plurality of dialects for Korean, a plurality of dialects for Japanese, a plurality of dialects for English, and the like.
  • the plurality of dialects of Korean may include the Gyeongsang-do dialect and the Jeolla-do dialect.
  • the type of dialect is not limited to this.
  • Each dialect has a unique accent and the like, which are distinguished from other dialects, and the device 10 may determine the type of dialect used by the user by analyzing the intonation information of the user's voice input 611.
  • device 10 may receive an image input 610 about a situation where coffee has been spilled on a notebook.
  • the device 10 receives the user's voice input 611 of the image input 610, 'What is this ?”', the device 10 determines the type of dialect used by the user as the Korean Gyeongsang dialect. Can be.
  • the device 10 may use the current dialect to provide an answer 612 that 'A was poured out'.
  • FIG. 7 illustrates an example of providing an answer to a voice input of a user together with additional information related to an intention of the user, according to an exemplary embodiment.
  • the device 10 may receive an image input 710 and a voice input 711.
  • the device 10 may determine the user's intention with respect to the object by analyzing the user's voice input 711.
  • device 10 may receive an image input 710 regarding a situation where coffee has been spilled on a notebook.
  • the intonation information generated by the device 10 by analyzing the voice input 711 May include information that the user used a slightly blurred accent to raise the end of the sentence.
  • the device 10 may use the generated intonation information to determine that the user's intention is to ask how to clear the spilled coffee onto the notebook.
  • the device 10 is based on the determined user's intention 'What will you do this ..?'
  • the user's voice input 711 may provide an answer 712 of 'wipe with a dry rag'.
  • the device 10 may generate the search word 713 based on the intention of the user.
  • the device 10 may search by using a search word 713 generated through an internet search engine, etc., to provide the user with the search result 714 along with the answer 712.
  • the device 10 For example, based on the intention of the user to inquire about how to remove the spilled coffee on the laptop, the device 10 generates a search term 713, 'How to cope with spilling liquid on the computer,' By searching using the search word 713, a search result for this may be provided to the user along with the answer 712.
  • the device 10 may search using an automatically generated search. In addition, the device 10 may search by using a search word after receiving a user input such as clicking a search execution button.
  • FIG. 8 is a diagram for explaining an example of providing a response to a voice input of a user, for a partial region of a displayed image, according to an embodiment.
  • the device 10 may receive an image input 810 and a voice input 811.
  • the device 10 may generate the intonation information of the user by analyzing the voice input 811 of the user.
  • the device 10 may determine the user's intention for the image input 810 using the generated intonation information.
  • the device 10 may provide an answer regarding the object based on the determined intention of the user.
  • the device 10 may receive a user input 815 for selecting a partial area of the image displayed on the device 10.
  • the device 10 may provide an answer to an object in the selected partial area based on the determined user's intention.
  • the device 10 may receive an image input 810 including both whale and island.
  • the device 10 may receive a user input 814 that selects a partial area 813 containing whales in the displayed image.
  • the device 10 has received a 'wow!
  • the object of the user's voice input 811 may be determined to be a whale in the selected region 813.
  • the device 10 is a 'Wow! It is determined that the object of the user's voice input 811 is an island. In this case, although the user's intention was a question about the whale, the device 10 may provide an answer to the island.
  • Device 10 is' Wow! Using the intonation information generated from the user's voice input 811, it is possible to determine that the intention of the user is to inquire what the object in some area 813 is. The device 10 is based on the determined intention of the user, 'Wow! 'What is this?' May provide an answer (812) that is 'white bearded whale' to the user's voice input (811).
  • FIG. 4 to FIG. 8 the content overlapping with FIG. 3 is omitted for convenience.
  • 9 and 10 are block diagrams of devices according to one embodiment.
  • the device 10 may include a user controller 910, an input unit 920, and a memory 930. However, not all of the components shown in FIG. 9 are essential components of the device 10. The device 10 may be implemented by more components than the components shown in FIG. 9, and the device 10 may be implemented by fewer components than the components shown in FIG. 9.
  • the device 10 may include a communication unit 1500 and a sensing unit 1400 in addition to the user input unit 1100, the output unit 1200, and the control unit 1300. , And may further include an A / V input unit 1600.
  • the user input unit 1100 means a means for a user to input data for controlling the device 10.
  • the user input unit 1100 includes a key pad, a dome switch, a touch pad (contact capacitive type, pressure resistive layer type, infrared sensing type, surface ultrasonic conduction type, and integral type). Tension measurement method, piezo effect method, etc.), a jog wheel, a jog switch, and the like, but are not limited thereto.
  • the output unit 1200 may output an audio signal, a video signal, or a vibration signal, and the output unit 1200 may include a display unit 1210, an audio output unit 1220, and a vibration motor 1230. have.
  • the display unit 1210 displays information processed by the device 10. For example, the display 1210 may display an image including at least one object input to the device 10. After the device 10 captures an image including at least one object by using a camera, the display unit 1210 may display the captured image. In addition, the display unit 1210 may display an image stored in the internal memory. In addition, the display 1210 may display an image received through communication with an external server or an external device.
  • the display unit 1210 may be used as an input device in addition to the output device.
  • the display unit 1210 may include a liquid crystal display, a thin film transistor-liquid crystal display, an organic light-emitting diode, a flexible display, and a three-dimensional display. 3D display, an electrophoretic display.
  • the device 10 may include two or more display units 1210 according to the implementation form of the device 10. In this case, the two or more display units 1210 may be disposed to face each other using a hinge.
  • the sound output unit 1220 outputs audio data received from the communication unit 1500 or stored in the memory 1700. In addition, the sound output unit 1220 outputs a sound signal related to a function (for example, a call signal reception sound, a message reception sound, and a notification sound) performed by the device 10.
  • the sound output unit 1220 may include a speaker, a buzzer, and the like.
  • the vibration motor 1230 may output a vibration signal.
  • the vibration motor 1230 may output a vibration signal corresponding to the output of audio data or video data (eg, a call signal reception sound, a message reception sound, etc.).
  • the vibration motor 1230 may output a vibration signal when a touch is input to the touch screen.
  • the controller 1300 generally controls the overall operation of the device 10. For example, the controller 1300 executes programs stored in the memory 1700, such that the user input unit 1100, the output unit 1200, the sensing unit 1400, the communication unit 1500, and the A / V input unit 1600 are provided. ) Can be controlled overall.
  • the controller 1300 may perform an operation of the device 10 disclosed in FIGS. 1 to 8 and FIGS. 11 to 14 to be described later.
  • the controller 1300 may activate the microphone as the image is captured. In one embodiment, the controller 1300 may automatically activate the microphone as the image is taken or while the image is displayed. In another embodiment, the controller 1300 may receive a user input for activating the microphone. The microphone can then be activated. In addition, the controller 1300 may activate the microphone as the image including the object is photographed.
  • the controller 1300 may receive a user's voice waveform through a microphone and process the voice waveform as electrical voice data.
  • the controller 1300 may determine the user's intention with respect to the object by analyzing the received voice input. In an embodiment, the controller 1300 may analyze the voice waveform of the user in units of sound segments having a predetermined length. In addition, the controller 1300 may analyze the voice waveform of the user by sound unit based on the frequency.
  • the controller 1300 may acquire the user accent information, the user emotion information, and information on the type of language used by the user by analyzing the received voice input.
  • the controller 1300 analyzes the voice energy (dB), the pitch (Hz), the shimmer of the speech waveform and the rate of change of the vocal cord vibration included in the received speech input, thereby accusing the user.
  • Information about the user, emotion information, and the type of language used by the user can be obtained.
  • the type of language may include English, Japanese, Korean, and the like.
  • the type of language may include local dialects.
  • the controller 1300 may determine the user's intention with respect to the object based on the obtained user intonation information, user emotion information, and the type of language used by the user. In one embodiment, even when the user asks a question including the same phrase, the controller 1300 may determine that the intention of the user is different according to the intonation information and the emotion information.
  • the controller 1300 may provide an answer regarding the object based on the determined intention of the user. In one embodiment, even when the user asks a question including the same phrase, the controller 1300 may determine that the user's intention is different according to intonation information, emotion information, and the like, and thus provide a different answer based on the determined intention. .
  • the controller 1300 may extract text information included in the received voice input. In addition, the controller 1300 may provide an answer regarding the object based on the extracted text information and the determined user's intention.
  • the sensing unit 1400 may detect a state of the device 10 or a state around the device 10 and transmit the detected information to the controller 1300.
  • the sensing unit 1400 may include a geomagnetic sensor 1410, an acceleration sensor 1420, a temperature / humidity sensor 1430, an infrared sensor 1440, a gyroscope sensor 1450, and a position sensor. (Eg, GPS) 1460, barometric pressure sensor 1470, proximity sensor 1480, and RGB sensor (illuminance sensor) 1490, but are not limited thereto. Since functions of the respective sensors can be intuitively deduced by those skilled in the art from the names, detailed descriptions thereof will be omitted.
  • the communication unit 1500 may include one or more components that allow communication between the device 10 and an external device (not shown) or an external server (not shown).
  • the communicator 1500 may include a short range communicator 1510, a mobile communicator 1520, and a broadcast receiver 1530.
  • the short-range wireless communication unit 151 includes a Bluetooth communication unit, a Bluetooth low energy (BLE) communication unit, a near field communication unit (Near Field Communication unit), a WLAN (Wi-Fi) communication unit, a Zigbee communication unit, an infrared ray ( IrDA (Infrared Data Association) communication unit, WFD (Wi-Fi Direct) communication unit, UWB (ultra wideband) communication unit, Ant + communication unit and the like, but may not be limited thereto.
  • the mobile communication unit 1520 transmits and receives a radio signal with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • the wireless signal may include various types of data according to transmission and reception of a voice call signal, a video call call signal, or a text / multimedia message.
  • the broadcast receiving unit 1530 receives a broadcast signal and / or broadcast related information from the outside through a broadcast channel.
  • the broadcast channel may include a satellite channel and a terrestrial channel.
  • the first device 1000 may not include the broadcast receiver 1530.
  • the communication unit 1500 may transmit / receive information necessary for predicting the harmfulness of the next frame with the HMD device 2000, the server 4000, and the peripheral device 3000.
  • the A / V input unit 1600 is for inputting an audio signal or a video signal, and may include a camera 1610 and a microphone 1620.
  • the camera 1610 may obtain an image frame such as a still image or a moving image through an image sensor in a video call mode or a photographing mode.
  • the camera 1610 may photograph an object.
  • the image captured by the image sensor may be processed by the controller 1300 or a separate image processor (not shown).
  • the image frame processed by the camera 1610 may be stored in the memory 1700 or transmitted to the outside through the communication unit 1500. Two or more cameras 1610 may be provided according to the configuration aspect of the terminal.
  • the microphone 1620 receives an external sound signal and processes the external sound signal into electrical voice data.
  • the microphone 1620 may receive an acoustic signal from an external device or speaker.
  • the microphone 1620 may use various noise removing algorithms for removing noise generated in the process of receiving an external sound signal.
  • the memory 1700 may store a program for processing and controlling the controller 1300, and may store data input to or output from the device 10.
  • the memory 1700 may include a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (for example, SD or XD memory), RAM Random Access Memory (RAM) Static Random Access Memory (SRAM), Read-Only Memory (ROM), Electrically Erasable Programmable Read-Only Memory (EEPROM), Programmable Read-Only Memory (PROM), Magnetic Memory, Magnetic Disk It may include at least one type of storage medium of the optical disk.
  • RAM Random Access Memory
  • SRAM Static Random Access Memory
  • ROM Read-Only Memory
  • EEPROM Electrically Erasable Programmable Read-Only Memory
  • PROM Programmable Read-Only Memory
  • Magnetic Memory Magnetic Disk It may include at least one type of storage medium of the optical disk.
  • Programs stored in the memory 1700 may be classified into a plurality of modules according to their functions.
  • the programs stored in the memory 1700 may be classified into a UI module 1710, a touch screen module 1720, a notification module 1730, and the like. .
  • the UI module 1710 may provide a specialized UI, GUI, or the like that is linked to the first device 1000 for each application.
  • the touch screen module 1720 may detect a touch gesture on a user's touch screen and transmit information about the touch gesture to the controller 1300.
  • the touch screen module 1720 according to some embodiments may recognize and analyze a touch code.
  • the touch screen module 1720 may be configured as separate hardware including a controller.
  • Various sensors may be provided inside or near the touch screen to detect a touch or proximity touch of the touch screen.
  • An example of a sensor for sensing a touch of a touch screen is a tactile sensor.
  • the tactile sensor refers to a sensor that senses the contact of a specific object to the extent that a person feels or more.
  • the tactile sensor may sense various information such as the roughness of the contact surface, the rigidity of the contact object, the temperature of the contact point, and the like.
  • an example of a sensor for sensing a touch of a touch screen is a proximity sensor.
  • the proximity sensor refers to a sensor that detects the presence or absence of an object approaching a predetermined detection surface or an object present in the vicinity without using a mechanical contact by using an electromagnetic force or infrared rays.
  • Examples of the proximity sensor include a transmission photoelectric sensor, a direct reflection photoelectric sensor, a mirror reflection photoelectric sensor, a high frequency oscillation proximity sensor, a capacitive proximity sensor, a magnetic proximity sensor, and an infrared proximity sensor.
  • the user's touch gesture may include tap, touch and hold, double tap, drag, pan, flick, drag and drop, and swipe.
  • the notification module 1730 may generate a signal for notifying occurrence of an event of the first device 1000. Examples of events occurring in the first device 1000 include call signal reception, message reception, key signal input, schedule notification, and the like.
  • the notification module 1730 may output a notification signal in the form of a video signal through the display unit 1210, may output the notification signal in the form of an audio signal through the sound output unit 1220, and the vibration motor 1230. Through the notification signal may be output in the form of a vibration signal.
  • FIG. 11 is a block diagram of a controller according to an exemplary embodiment.
  • the controller 1300 may include a data learner 1310 and a data recognizer 1320.
  • the data learner 1310 may learn a criterion for determining a user's intention with respect to an object included in an image and a criterion for providing an answer to the user's voice input in order to provide an answer to the user's voice input. Can be.
  • the data learner 1310 may learn a predetermined criterion by using an image input and an audio input input to the data learner 1310.
  • the data learning unit 1310 determines what data included in the image input and the voice input to determine a predetermined user's intention and provides an answer, and how to determine the user's intention using the data. It can be learned whether to provide an answer to the user's voice input.
  • the data learner 1310 acquires data to be used for learning and applies the acquired data to a data recognition model to be described later, thereby determining criteria for determining a user's intention with respect to an object included in an image and a user's voice input. You can learn the criteria for providing answers.
  • the data recognizer 1320 may determine a user's intention regarding the object included in the image and an answer to the user's voice input based on the data.
  • the data recognizer 1320 may determine a user's intention about an object included in an image and an answer to a user's voice input from the predetermined data by using the learned data recognition model.
  • the data recognizing unit 1320 obtains predetermined data according to a predetermined criterion by learning, and uses a data recognition model using the acquired data as an input value, thereby relating to an object included in the image based on the predetermined data.
  • the user's intention and the user's voice input may be determined.
  • the result value output by the data recognition model using the acquired data as an input value may be used to update the data recognition model.
  • At least one of the data learner 1310 and the data recognizer 1320 may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the data learner 1310 and the data recognizer 1320 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or an existing general purpose processor (eg, a CPU).
  • AI artificial intelligence
  • the electronic device may be manufactured as a part of an application processor or a graphics dedicated processor (eg, a GPU) and mounted on the aforementioned various electronic devices.
  • the data learner 1310 and the data recognizer 1320 may be mounted on one electronic device or may be mounted on separate electronic devices, respectively.
  • one of the data learner 1310 and the data recognizer 1320 may be included in the electronic device, and the other may be included in the server.
  • the data learner 1310 and the data recognizer 1320 may provide model information constructed by the data learner 1310 to the data recognizer 1320 via a wired or wireless connection.
  • the data input to 1320 may be provided to the data learner 1310 as additional learning data.
  • At least one of the data learner 1310 and the data recognizer 1320 may be implemented as a software module.
  • the software module may be a computer readable non-transitory computer. It may be stored in a non-transitory computer readable media.
  • at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • OS operating system
  • OS operating system
  • others may be provided by a predetermined application.
  • FIG. 12 is a block diagram of the data learner 1310, according to an exemplary embodiment.
  • the data learner 1310 includes a data acquirer 1310-1, a preprocessor 1310-2, a training data selector 1310-3, and a model learner 1310. -4) and the model evaluator 1310-5.
  • the data acquirer 1310-1 may acquire data necessary for determining a user's intention with respect to an object included in an image and providing an answer to a user's voice input.
  • the data acquirer 1310-1 may receive a training image and a training voice to be used to acquire predetermined data.
  • the training image may be composed of a plurality of images (or frames), and the training voice may be a voice waveform.
  • the data acquirer 1310-1 may be a camera of an electronic device including the data learner 1310 and an external camera (eg, CCTV or the like) capable of communicating with a microphone or an electronic device including the data learner 1310. Black box, etc.) and the microphone can receive the learning image and the learning voice.
  • the camera may include one or more image sensors (eg, a front sensor or a rear sensor), a lens, an image signal processor (ISP), or a flash (eg, an LED or an xenon lamp, etc.).
  • the data acquirer 1310-1 may acquire voice data, image data, text data, or biosignal data included in the training image and the training voice.
  • the data acquirer 1310-1 may receive data through an input device (eg, a microphone, a camera, or a sensor) of the electronic device.
  • the data acquirer 1310-1 may acquire data through an external device that communicates with the electronic device.
  • the data acquirer may acquire user information such as gender, region, age, and preference information of the user.
  • the preprocessor 1310-2 acquires the acquired data so that the acquired data can be used for learning to determine the user's intention with respect to the object included in the image and learning for providing an answer to the user's voice input. Can be pretreated.
  • the preprocessor 1310-2 may use the data acquired by the model learner 1310-4, which will be described later, to determine a user's intention with respect to an object included in an image, and provide an answer to a user's voice input.
  • the acquired data can be processed into a preset format so that it can be processed.
  • the preprocessor 1310-2 extracts and distinguishes voice data, image data, text data, or biosignal data included in the input training image and the training voice, and extracts characteristics and results from the input data. By accumulating the values, the criteria for determining the user's intention with respect to the object included in the image and the criteria for providing an answer to the user's voice input can be learned.
  • the training data selector 1310-3 may select data required for learning from the preprocessed data.
  • the selected data may be provided to the model learner 1310-4.
  • the training data selector 1310-3 is configured to learn from preprocessed data according to preset criteria for determining a user's intention with respect to an object included in an image and preset criteria for providing an answer to a user's voice input. You can select the required data.
  • the training data selector 1310-3 may select data according to a predetermined criterion by learning by the model learner 1310-4 to be described later.
  • the training data selector 1310-3 may select data from the preprocessed data to determine a user's intention of an object included in an image and provide an answer to a user's voice input.
  • the model learner 1310-4 may learn a criterion on how to determine a user's intention with respect to an object included in an image and a criterion on how to provide an answer to a user's voice input based on the training data. have. In addition, the model learner 1310-4 may determine a user's intention with respect to an object included in an image, and learn a criterion about what training data should be used to provide an answer to a user's voice input. have.
  • the model learner 1310-4 determines how the user's intention regarding the object included in the image is based on the intonation information included in the user's voice input, the emotion information, and the type of language used by the user. You can learn the criteria for and how to provide an answer to a user's voice input.
  • the model learner 1310-4 may determine a user's intention with respect to an object included in the image and train the data recognition model used to provide an answer to the user's voice input using the training data.
  • the data recognition model may be a pre-built model.
  • the data recognition model may be a model built in advance by receiving basic training data (eg, sample words). The data recognition model may be generated and learned for each user.
  • the data recognition model may be constructed in consideration of the application field of the recognition model, the purpose of learning, or the computer performance of the device.
  • the data recognition model may be, for example, a model based on a neural network.
  • a model such as a deep neural network (DNN), a recurrent neural network (RNN), and a bidirectional recurrent deep neural network (BRDNN) may be used as the data recognition model, but is not limited thereto.
  • the model learner 1310-4 may be a data recognition model to learn a data recognition model having a large correlation between input training data and basic training data. You can decide.
  • the basic training data may be previously classified by the type of data, and the data recognition model may be pre-built by the type of data. For example, the basic training data is classified based on various criteria such as the region where the training data is generated, the time at which the training data is generated, the size of the training data, the genre of the training data, the creator of the training data, and the types of objects in the training data. It may be.
  • model learner 1310-4 may train the data recognition model using, for example, a learning algorithm including an error back-propagation method or a gradient descent method. .
  • the model learner 1310-4 may train the data recognition model through, for example, supervised learning using the training data as an input value.
  • the model learner 1310-4 learns the kind of data necessary for determining a user's intention about an object included in an image and providing an answer to a user's voice input, for example, without any guidance.
  • the data recognition model can be trained through unsupervised learning that finds criteria for determining the user's intention with respect to objects included in the image and criteria for providing an answer to the user's voice input. have.
  • model learner 1310-4 may provide, for example, feedback on whether a result of determining a user's intention with respect to an object included in an image according to the training and a result of providing an answer to the user's voice input are correct.
  • the data recognition model can be trained.
  • the model learner 1310-4 may store the trained data recognition model.
  • the model learner 1310-4 may store the learned data recognition model in a memory of the electronic device including the data recognizer 1320.
  • the model learner 1310-4 may store the learned data recognition model in a memory of an electronic device including the data recognizer 1320, which will be described later.
  • the model learner 1310-4 may store the learned data recognition model in a memory of a server connected to the electronic device through a wired or wireless network.
  • the memory in which the learned data recognition model is stored may store, for example, commands or data related to at least one other element of the electronic device.
  • the memory may also store software and / or programs.
  • the program may include, for example, a kernel, middleware, an application programming interface (API) and / or an application program (or “application”), and the like.
  • the model evaluator 1310-5 may input the evaluation data into the data recognition model, and cause the model learner 1310-4 to relearn if the recognition result output from the evaluation data does not satisfy a predetermined criterion. have.
  • the evaluation data may be preset data for evaluating the data recognition model.
  • the model evaluator 1310-5 may determine a predetermined criterion when the number or ratio of the evaluation data that is not accurate among the recognition results of the learned data recognition model for the evaluation data exceeds a preset threshold. It can be evaluated as not satisfied. For example, when a predetermined criterion is defined at a ratio of 2%, the model evaluator 1310-5 when the learned data recognition model outputs an incorrect recognition result for more than 20 evaluation data out of a total of 1000 evaluation data. Can be judged that the learned data recognition model is not suitable.
  • evaluation data may be derived from the user's comment input.
  • the user may input a comment message indicating satisfaction or dissatisfaction with the output recognition result.
  • the comment input may include feedback information of the user regarding the recognition result that is output.
  • the model evaluator 1310-5 evaluates whether each learned video recognition model satisfies a predetermined criterion, and recognizes a model satisfying the predetermined criterion for final data. Can be determined as a model. In this case, when there are a plurality of models satisfying a predetermined criterion, the model evaluator 1310-5 may determine any one or a predetermined number of models that are preset in the order of the highest evaluation score as the final data recognition model.
  • At least one of -5) may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • at least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 One may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be manufactured as a part of an existing general purpose processor (eg, a CPU or application processor) or a graphics dedicated processor (eg, a GPU). It may be mounted on various electronic devices.
  • AI artificial intelligence
  • the data obtaining unit 1310-1, the preprocessor 1310-2, the training data selecting unit 1310-3, the model learning unit 1310-4, and the model evaluating unit 1310-5 are electronic components. It may be mounted on the device, or may be mounted on separate electronic devices, respectively. For example, some of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5. May be included in the electronic device, and the rest may be included in the server.
  • At least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 may be used. It may be implemented as a software module. At least one of the data acquirer 1310-1, the preprocessor 1310-2, the training data selector 1310-3, the model learner 1310-4, and the model evaluator 1310-5 is a software module. (Or a program module including instructions), the software module may be stored in a computer readable non-transitory computer readable media. In this case, at least one software module may be provided by an operating system (OS) or by a predetermined application. Alternatively, some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • OS operating system
  • OS operating system
  • some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • FIG. 13 is a block diagram of a data recognizer according to an exemplary embodiment.
  • the data recognizer 1320 may include a data acquirer 1320-1, a preprocessor 1320-2, a recognition data selector 1320-3, and a recognition result provider ( 1320-4) and a model updater 1320-5.
  • the data acquirer 1320-1 may acquire data necessary for determining a user's intention with respect to an object included in the image and providing an answer to a user's voice input.
  • the preprocessor 1320-2 may transmit an image.
  • the acquired data may be preprocessed such that the obtained data may be used to determine the user's intention with respect to the object included in the and provide an answer to the user's voice input.
  • the preprocessor 1320-2 may acquire the acquired data so that the recognition result provider 1320-4, which will be described later, determines a user's intention with respect to an object included in the image and provides an answer to the user's voice input. Can be processed in a preset format.
  • the recognition data selector 1320-3 may select data necessary for determining a user's intention of an object included in an image and providing an answer to a user's voice input among preprocessed data.
  • the selected data may be provided to the recognition result provider 1320-4.
  • the recognition data selector 1320-3 may select some of the preprocessed data according to a predetermined criterion for determining a user's intention with respect to an object included in an image and a preset criterion for providing an answer to a user's voice input. Or you can choose all.
  • the recognition data selector 1320-3 may select data according to a predetermined criterion by learning by the model learner 1310-4 to be described later.
  • the recognition result provider 1320-4 may apply the selected data to the data recognition model to determine the user's intention with respect to the object included in the image and provide an answer to the user's voice input.
  • the recognition result providing unit 1320-4 may provide a recognition result according to a recognition purpose of data.
  • the recognition result provider 1320-4 may apply the selected data to the data recognition model by using the data selected by the recognition data selector 1320-3 as an input value.
  • the recognition result may be determined by the data recognition model.
  • the recognition result of the video may be provided as text, voice, video, image or command (eg, an application execution command, a module function execution command, etc.).
  • the recognition result may be, for example, state information or context information about an object included in the image.
  • the recognition result providing unit 1320-4 may provide, as text, voice, video, image, or command, such as 'this is a gift box' or status information about the object, or 'this is a gift from A' as context information. have.
  • the model updater 1320-5 may cause the data recognition model to be updated based on the evaluation of the recognition result provided by the recognition result provider 1320-4. For example, the model updater 1320-5 provides the model learning unit 1310-4 with the recognition result provided by the recognition result providing unit 1320-4 so that the model learner 1310-4 provides the recognition result.
  • the data recognition model can be updated.
  • the data acquisition unit 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result providing unit 1320-4, and the model updater in the data recognition unit 1320 may be manufactured in the form of at least one hardware chip and mounted on the electronic device.
  • At least one may be fabricated in the form of a dedicated hardware chip for artificial intelligence (AI), or may be fabricated as part of an existing general purpose processor (e.g., CPU or application processor) or graphics dedicated processor (e.g., GPU). It may be mounted on various electronic devices.
  • AI artificial intelligence
  • the data acquisition unit 1320-1, the preprocessor 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updater 1320-5 may be mounted on an electronic device, or may be mounted on separate electronic devices, respectively.
  • the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 may be included in the electronic device, and others may be included in the server.
  • At least one of the data acquirer 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 May be implemented as a software module.
  • At least one of the data acquirer 1320-1, the preprocessor 1320-2, the recognition data selector 1320-3, the recognition result provider 1320-4, and the model updater 1320-5 is software.
  • the software module When implemented as a module (or a program module including instructions), the software module may be stored on a computer readable non-transitory computer readable media.
  • at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • some of the at least one software module may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • FIG. 14 is a diagram illustrating an example in which a device and a server learn and recognize data by interworking with each other according to an exemplary embodiment.
  • the server 20 may learn a criterion for determining a user's intention with respect to an object included in an image and a criterion for providing an answer to a user's voice input.
  • the intention of the user regarding the object included in the image may be determined based on the learning result by the server 20, and an answer to the user's voice input may be provided.
  • the model learner 2340 of the server 20 may perform a function of the data learner 1310 illustrated in FIG. 11.
  • the model learner 2340 of the server 20 determines what data is used to determine the user's intention about the object included in the predetermined image and provide an answer to the user's voice input.
  • the criteria for how to determine the user's intention with respect to the contained objects and how to provide an answer to the user's voice input can be learned.
  • the model learner 2340 acquires data to be used for learning and applies the acquired data to a data recognition model to be described later, so as to provide a criterion for determining the user's intention with respect to an object included in the image and the user's voice input. You can learn the criteria for providing answers.
  • the recognition result providing unit 1320-4 of the device 10 applies the data selected by the recognition data selecting unit 1320-3 to the data recognition model generated by the server 20 to include an object included in the image. Determine a user's intention with respect to and provide an answer to a user's voice input.
  • the recognition result provider 1320-4 transmits the data selected by the recognition data selector 1320-3 to the server 20, and the server 20 transmits the recognition data selector 1320-3.
  • the recognition result providing unit 1320-4 may receive a response to the user's intention determined by the server 20 and the user's voice input from the server 20.
  • the device 10 may generate data related to an image input and a voice input and transmit the data to the server 20.
  • the device 10 may receive information about the user's intention regarding the object included in the image and an answer to the user's voice input from the server 20.
  • the recognition result providing unit 1320-4 of the device 10 receives a recognition model generated by the server 20 from the server 20, and uses the received recognition model to identify an object included in the image. Determine the user's intent and provide an answer to the user's voice input.
  • the recognition result providing unit 1320-4 of the device 10 applies the data selected by the recognition data selecting unit 1320-3 to the data recognition model received from the server 20 to include an object included in the image. Determine a user's intention with respect to and provide an answer to a user's voice input.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • Computer readable media may include both computer storage media and communication media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.
  • unit may be a hardware component such as a processor or a circuit, and / or a software component executed by a hardware component such as a processor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 방법에 있어서, 디바이스의 카메라를 통하여 적어도 하나의 객체가 포함된 이미지를 디스플레이하고, 이미지가 촬영됨에 따라 디바이스의 마이크를 활성화하고, 마이크를 통하여 객체에 대한 사용자의 음성 입력을 수신하고, 수신된 음성 입력을 분석함으로써 객체에 관한 사용자의 의도를 결정하고, 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공하는 방법이 개시된다.

Description

사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치
본 개시는 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치를 제공한다.
최근 대량의 데이터가 지속적으로 축적되어가고 있고, CPU 등 관련 하드웨어의 성능이 개선되고 있으며, 딥 러닝(deep learning)과 같이 자기 학습이 가능한 알고리즘의 발전됨에 따라, 기계학습과 인공신경망을 이용하는 전자 장치에 대한 관심이 높아지고 있다.
빅 데이터를 자기 학습을 통해 확률적으로 인식률을 높일 수 있도록 하는 기계 학습과 인공 신경망 기술을 통해, 전자 장치가 사람과 유사하게 합리적인 의사결정을 수행할 수 있게 되었다.
디바이스를 이용하여 사용자의 음성 입력에 대한 답변을 제공하는 방법에 딥 러닝이 이용될 수 있으며, 이에 따라 사용자의 의도에 따라 효과적으로 답변을 제공할 수 있는 딥 러닝 기술이 요구되고 있다.
사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치를 제공하는데 있다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 상기 디바이스의 카메라를 통하여 적어도 하나의 객체가 포함된 이미지를 디스플레이하는 단계; 상기 이미지가 촬영됨에 따라, 상기 디바이스의 마이크를 활성화하는 단계; 상기 마이크를 통하여, 상기 객체에 대한 사용자의 음성 입력을 수신하는 단계; 상기 수신된 음성 입력을 분석함으로써 상기 객체에 관한 상기 사용자의 의도를 결정하는 단계; 및 상기 결정된 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는 단계;를 포함하는, 디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 방법을 제공할 수 있다.
도 1은 일 실시예에 따른, 디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 2는 일 실시예에 따른, 사용자의 음성 입력에 대한 답변을 제공하는 방법의 흐름도이다.
도 3은 일 실시예에 따른 사용자 억양 정보를 이용하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 4는 일 실시예에 따른 사용자 감정 정보를 이용하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 5는 일 실시예에 따른 사용자가 사용하는 언어의 종류에 기초하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 6은 일 실시예에 따른 사용자가 사용하는 방언(dialect)에 기초하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 7은 일 실시예에 따른 사용자의 의도와 관련된 부가 정보와 함께 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 8은 일 실시예에 따른, 디스플레이된 이미지의 일부 영역에 대한, 사용자의 음성 입력 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 9 및 10은 일 실시예에 따른 디바이스의 블록도이다.
도 11은 일 실시예에 따른 제어부의 블록도이다.
도 12는 일 실시예에 따른 데이터 학습부의 블록도이다.
도 13은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 14는 일 실시예에 따른 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 상기 디바이스의 카메라를 통하여 적어도 하나의 객체가 포함된 이미지를 디스플레이하는 단계; 상기 이미지가 촬영됨에 따라, 상기 디바이스의 마이크를 활성화하는 단계; 상기 마이크를 통하여, 상기 객체에 대한 사용자의 음성 입력을 수신하는 단계; 상기 수신된 음성 입력을 분석함으로써 상기 객체에 관한 상기 사용자의 의도를 결정하는 단계; 및 상기 결정된 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는 단계;를 포함하는, 디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 방법을 제공할 수 있다.
또한, 본 개시의 제 2 측면은, 상기 디바이스의 카메라를 통하여, 적어도 하나의 객체가 포함된 이미지를 수신하고, 상기 디바이스의 마이크를 통하여, 상기 객체에 대한 사용자의 음성 입력을 수신하는 입력부; 적어도 하나의 인스트럭션을 저장하기 위한 메모리; 및 상기 메모리에 저장된 상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 이미지가 촬영됨에 따라, 상기 디바이스의 마이크를 활성화하고, 상기 마이크를 통하여 수신된 상기 음성 입력을 분석함으로써 상기 객체에 관한 상기 사용자의 의도를 결정하고, 상기 결정된 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는, 사용자의 음성 입력에 대한 답변을 제공하는 디바이스를 제공할 수 있다.
또한, 본 개시의 제 3 측면은, 제 1 측면의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.
본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.
또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일 실시예에 따른, 디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 1을 참조하면, 사용자는 디바이스(10)를 이용하여 객체(40)를 촬영할 수 있다. 사용자는 촬영된 이미지에 포함된 객체(40)에 대해 질문할 수 있다. 또한, 디바이스(10)는 객체(40)가 포함된 이미지(30)를 디바이스(10)의 화면에 디스플레이할 수 있고, 사용자는 디스플레이된 이미지(30)에 포함된 객체(40)에 대해 질문할 수 있다.
디바이스(10)는 사용자의 질문(31, 32)을 분석함으로써 사용자 질문(31, 32)의 의도가 무엇인지 결정할 수 있다. 디바이스(10)는 사용자 질문(31, 32)의 의도에 기초하여, 객체(40)에 대한 답변을 제공할 수 있다. 이 경우, 디바이스(10)는 사용자 질문(31, 32)의 의도가 무엇인지 결정하기 위한 기준 및 결정된 사용자의 의도에 기초하여 객체(40)에 대한 답변을 제공하는 기준을 학습할 수 있다.
일 실시예에서 객체에 관한 사용자의 의도는 사용자의 억양 정보, 감정 정보, 및 사용자가 사용하는 언어의 종류에 기초하여 결정될 수 있으나, 이에 제한되지 않는다.
일 실시예에서 디바이스(10)는 사용자의 질문에 동일한 문구가 포함된 경우라도, 사용자의 억양 정보가 상이하다면 다른 답변(10, 11)을 제공할 수 있다.
예를 들어, 촬영된 이미지(30)에는 선물 상자가 포함될 수 있다. 사용자가 촬영된 이미지(30)에 대해 '이게 뭐야' 라고 질문(31)한다면, 디바이스(10)는 사용자의 의도가 이미지(30)에 포함된 객체(40)가 무엇인지 묻는 의도인 것으로 결정할 수 있고, 디바이스(10)는 '박스 입니다' 라는 답변(11)을 제공할 수 있다. 또한, 사용자가 촬영된 이미지(30)에 대해 '우와! 이게 뭐야?'라고 질문(32)한다면, 디바이스(10)는 사용자의 의도가 선물 상자를 누가 주었는지 묻는 의도인 것으로 결정할 수 있고, 디바이스(10)는 '여자친구가 놓고 간 선물입니다' 라는 답변(12)을 제공할 수 있다. 사용자의 질문(31 및 32)에 '이게 뭐야?'라는 동일한 문구가 포함된 경우라도, 각 질문(31 및 32)에 포함된 사용자의 억양 정보가 상이하므로 디바이스(10)는 각 질문(31 및 32)에 대해 다른 답변(11 및 12)을 제공할 수 있다.
한편, 디바이스(10)에는 선물 상자가 포함된 이미지(30)가 디스플레이될 수 있고, 사용자는 디스플레이된 이미지(30)에 대해 질문(31, 32)할 수 있다.
디바이스(10)는, 예를 들어, 가사 지원 로봇(home service robot), 스마트 폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(10)는, 전자 칠판, 터치 테이블 등과 같이 터치 입력을 수신할 수 있는 다양한 장치를 포함할 수 있다. 또한, 디바이스(10)는, 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지일 수 있다.
또한, 디바이스(10)는 카메라(미도시)와 마이크로폰(미도시)을 포함할 수 있다. 카메라(미도시)는 촬영 모드에서 이미지 센서를 통해 객체(40)를 촬영할 수 있다. 마이크로폰(미도시)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(미도시)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(미도시)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
도 2는 일 실시예에 따른, 사용자의 음성 입력에 대한 답변을 제공하는 방법의 흐름도이다.
도 2를 참조하면, 단계 S210에서 디바이스(10)는 디바이스(10)의 카메라를 통하여 적어도 하나의 객체가 포함된 이미지를 촬영할 수 있다. 일 실시예에서 디바이스(10)는 카메라를 이용하여 적어도 하나의 객체가 포함된 이미지를 촬영한 후, 촬영된 이미지를 디스플레이할 수 있다. 또한, 디바이스(10)는 내부 메모리에 저장된 이미지를 디스플레이할 수 있다. 또한, 디바이스(10)는 외부 서버 또는 외부 디바이스와의 통신을 통해 수신된 이미지를 디스플레이할 수 있다.
단계 S220에서 디바이스(10)는 이미지가 촬영됨에 따라, 디바이스(10)의 마이크를 활성화할 수 있다. 일 실시예에서 디바이스(10)는 적어도 하나의 객체가 포함된 이미지가 디스플레이되는 동안, 디바이스(10)의 마이크를 활성화할 수 있다.
일 실시예에서 디바이스(10)는 이미지가 촬영됨에 따라 마이크를 자동으로 활성화 할 수 있다. 다른 실시예에서, 디바이스(10)는 이미지가 디스플레이되는 동안, 마이크를 자동으로 활성화할 수 있다. 또 다른 실시예에서 디바이스(10)는 마이크를 활성화시키기 위한 사용자의 입력을 수신한 후 마이크를 활성화할 수 있다.
단계 S230에서 디바이스(10)는 마이크를 통하여, 객체에 대한 사용자의 음성 입력을 수신할 수 있다. 일 실시예에서 사용자의 음성 입력은 음성 파형의 형태이며, 디바이스(10)는 마이크로폰을 통해 사용자의 음성 파형을 입력 받아 전기적인 음성 데이터로 처리할 수 있다.
단계 S240에서 디바이스(10)는 수신된 음성 입력을 분석함으로써 객체에 관한 사용자의 의도를 결정할 수 있다. 일 실시예에서 디바이스(10)는 소정의 길이의 음편 단위로 사용자의 음성 파형을 분석할 수 있다. 또한 디바이스(10)는 주파수를 기준으로, 사용자의 음성 파형을 음편 단위 별로 분석할 수 있다.
디바이스(10)는 수신된 음성 입력을 분석함으로써, 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 관한 정보를 획득할 수 있다. 일 실시예에서 디바이스(10)는 수신된 음성 입력에 포함된 음성 에너지(dB), 음 높이(Hz), 음성 파형의 규칙성(shimmer) 및 성대 진동 변화율(zitter) 등을 분석함으로써, 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 관한 정보를 획득할 수 있다. 그러나 이에 제한되지 않는다. 또한, 예를 들어, 언어의 종류는 영어, 일어, 한국어 등을 포함할 수 있다. 또한, 예를 들어, 언어의 종류는 지역의 방언을 포함할 수 있다.
디바이스(10)는 획득된 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 기초하여 객체에 관한 사용자의 의도를 결정할 수 있다. 일 실시예에서 사용자가 동일한 문구를 포함하는 질문을 한 경우에도, 디바이스(10)는 억양 정보, 감정 정보 등에 따라 사용자의 의도는 상이한 것으로 결정할 수 있다.
예를 들어, 디바이스(10)는 디바이스(10)에 촬영된 이미지에 포함된 선물 상자에 대한, '이게 뭐야?'라는 사용자의 음성 입력을 수신할 수 있다. 디바이스(10)가 '이게 뭐야?'라는 음성 입력을 분석함으로써 생성한 억양 정보 및 감정 정보에는, 사용자가 문장 끝을 조금 올려 읽는 억양을 사용하고 사용자의 감정 상태가 평온하다는 정보가 포함될 수 있다. 디바이스(10)는 생성된 억양 정보 및 감정 정보를 이용하여, 사용자의 의도를 촬영된 이미지에 포함된 객체(즉, 선물 상자)가 무엇인지 묻는 의도인 것으로 결정할 수 있다.
또한, 예를 들어, 디바이스(10)가 '이게 뭐야?'라는 음성 입력을 분석함으로써 생성한 억양 정보 및 감정 정보에는, 사용자가 문장 끝을 많이 올려 읽는 억양을 사용하고 사용자의 감정 상태가 놀라움 및 기쁨이라는 정보가 포함될 수 있다. 디바이스(10)는 생성된 억양 정보 및 감정 정보를 이용하여, 사용자의 의도를 선물 상자를 누가 주었는지 묻는 의도인 것으로 결정할 수 있다.
한편, 또 다른 예에서, 디바이스(10)는 디바이스(10)에 디스플레이 중인 이미지에 포함된 선물 상자에 대한, '이게 뭐야?'라는 사용자의 음성 입력을 수신할 수 있다.
단계 S250에서 디바이스(10)는 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다. 일 실시예에서 사용자가 동일한 문구를 포함하는 질문을 한 경우에도, 디바이스(10)는 억양 정보, 감정 정보 등에 따라 사용자의 의도는 상이하다고 결정함으로써, 결정된 의도에 기초하여 상이한 답변을 제공할 수 있다.
예를 들어, 디바이스(10)는 촬영된 이미지에 포함된 선물 상자에 대한, '이게 뭐야?'라는 사용자의 음성 입력을 수신할 수 있다. 디바이스(10)가 사용자의 의도를 촬영된 이미지에 포함된 객체(즉, 선물 상자)가 무엇인지 묻는 의도인 것으로 결정한다면, 디바이스(10)는 결정된 사용자의 의도에 기초하여 '상자 입니다' 라는 답변을 제공할 수 있다. 한편, '이게 뭐야?' 라는 사용자의 음성 입력을 분석한 결과, 디바이스(10)가 사용자의 의도를 선물 상자를 누가 주었는지 묻는 의도인 것으로 결정한다면, 디바이스(10)는 결정된 사용자의 의도에 기초하여 '여자친구가 놓고 간 선물입니다' 라는 답변을 제공할 수 있다.
일 실시예에서, 디바이스(10)는 디바이스(10)에서 디스플레이 중인 선물 상자에 대한, '이게 뭐야?'라는 사용자 물음의 의도를 결정할 수 있다.
한편, 디바이스(10)는 수신된 음성 입력에 포함된 텍스트 정보를 추출할 수 있다. 또한, 디바이스(10)는 추출된 텍스트 정보 및 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다.
도 3은 일 실시예에 따른 사용자 억양 정보를 이용하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 3을 참조하면, 디바이스(10)는 이미지 입력(310, 320) 및 음성 입력(311, 321)을 수신할 수 있다. 디바이스(10)는 수신된 이미지 입력(310, 320) 및 음성 입력(311, 321)을 디바이스(10)에서 처리할 수 있는 데이터 형태로 변환할 수 있다.
또한, 디바이스(10)는 사용자의 음성 입력(311, 321)을 분석함으로써 사용자 억양 정보를 생성할 수 있다. 일 실시예에서 디바이스(10)는 사용자의 음성 입력의 음성 에너지(dB), 음 높이(Hz), 음성 파형의 규칙성(shimmer) 및 성대 진동 변화율(zitter) 등을 분석함으로써 억양 정보를 생성할 수 있으나, 억양 정보를 생성하는 방법은 이에 제한되지 않는다.
또한, 디바이스(10)는 생성된 억양 정보를 이용하여 이미지 입력(310, 320)에 대한 사용자의 의도를 결정할 수 있다. 일 실시예에서 디바이스(10)는 이미지 입력(310, 320) 및 음성 입력(311, 321)에 기초하여, 사용자의 음성 입력(311, 321)의 대상이 되는 이미지 입력(310, 320) 내의 객체를 선택할 수 있다. 디바이스(10)는 생성된 억양 정보를 이용하여 선택된 객체에 관한 사용자의 의도를 결정할 수 있다.
또한, 디바이스(10)는 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다.
예를 들어, 디바이스(10)는 노트북 위에 커피가 엎질러진 상황에 관한 이미지 입력(310, 320)을 수신할 수 있다. 디바이스(10)가 이미지 입력(310)에 대한 '이게 뭐야!!!?'라는 사용자의 음성 입력(311)을 수신한 경우, 디바이스(10)가 음성 입력(311)을 분석함으로써 생성한 억양 정보에는 사용자가 문장의 끝을 높고 강하게 맺는 억양을 사용했다는 정보가 포함될 수 있다. 디바이스(10)는 생성된 억양 정보를 이용하여, 사용자의 의도가 누가 노트북 위에 커피를 쏟았는지 묻는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 '이게 뭐야!!!!!?' 라는 사용자의 음성 입력(311)에 대해 'A가 5분 전에 쏟았습니다' 라는 답변(312)을 제공할 수 있다.
또한, 예를 들어, 디바이스(10)가 이미지 입력(320)에 대한 '이게 뭐야?' 라는 사용자의 음성 입력(321)을 수신한 경우, 디바이스(10)가 음성 입력(321)을 분석함으로써 생성한 억양 정보에는 사용자가 문장의 끝을 조금 올려 읽는 억양을 사용했다는 정보가 포함될 수 있다. 디바이스(10)는 생성된 억양 정보를 이용하여, 사용자의 의도가 이미지 입력(320)에 포함된 객체가 무엇인지에 대해 묻는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 '이게 뭐야' 라는 사용자의 음성 입력(321)에 대해 '노트북과 쏟아진 커피입니다' 라는 답변(322)을 제공할 수 있다.
도 4는 일 실시예에 따른 사용자 감정 정보를 이용하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 4를 참조하면, 디바이스(10)는 이미지 입력(410, 420) 및 음성 입력(411, 421)을 수신할 수 있다. 디바이스(10)는 사용자의 음성 입력(411, 421)을 분석함으로써 사용자 억양 정보를 생성할 수 있다. 또한, 디바이스(10)는 생성된 억양 정보를 분석함으로써 사용자 감정 정보를 생성할 수 있다. 한편, 사용자 감정 정보는 기쁨, 슬픔, 화남 등의 사용자의 감정 상태를 나타내는 정보를 포함할 수 있으나, 이에 제한되지 않는다.
또한, 디바이스(10)는 생성된 감정 정보에 기초하여 객체에 관한 사용자의 의도를 결정할 수 있다. 또한, 디바이스(10)는 생성된 감정 정보에 기초하여 사용자에게 객체에 관한 답변을 제공할 수 있다. 디바이스(10)는 사용자의 음성 입력(411, 421)에 포함된 텍스트의 의미와 더불어, 사용자 억양 정보 및 사용자 감정 정보에 기초하여 사용자에게 답변을 제공할 수 있다.
예를 들어, 디바이스(10)는 비싼 외제차에 관한 이미지 입력(410, 420)을 수신할 수 있다. 디바이스(10)가 이미지 입력(410)에 대한 '휴.. 이 차는 얼마나 할까?'라는 사용자의 음성 입력(411)을 수신한 경우, 디바이스(10)가 음성 입력(411)의 억양 정보를 분석함으로써 생성한 감정 정보에는, 슬픔, 자조 등과 같은 부정적인 감정과 관련된 정보가 포함될 수 있다. 디바이스(10)는 생성된 감정 정보를 이용하여, 사용자의 의도가 디바이스(10)가 촬영한 외제차의 실제 가격을 묻는 의도가 아닌, 현재 사용자 자신의 상황에 대해 한탄하는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 의도에 기초하여 '인생에는 돈 보다 더 중요한 가치들이 있습니다'라는 답변(412)을 제공할 수 있다.
또한, 예를 들어, 디바이스(10)가 이미지 입력(420)에 대한 '우와! 이 차는 얼마나 할까?'라는 사용자의 음성 입력(421)을 수신한 경우, 디바이스(10)가 음성 입력(421)의 억양 정보를 분석함으로써 생성한 감정 정보에는, 호기심, 놀라움 등과 같은 정보가 포함될 수 있다. 디바이스(10)는 생성된 감정 정보를 이용하여, 사용자의 의도가 디바이스(10)가 촬영한 외제차의 가격을 묻는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 '우와! 이차는 얼마나 할까?' 라는 사용자의 음성 입력(421)에 대해 '2억 입니다' 라는 답변(422a)을 제공할 수 있다.
한편, 사용자의 감정 정보에 기쁨, 환호, 호기심 등과 같은 긍정적인 감정과 관련된 정보가 포함된 경우, 디바이스(10)는 사용자의 감정 정보를 고려하여 위트 있는 답변을 제공할 수 있다. 예를 들어, 디바이스(10)가 이미지 입력(420)에 대한 '우와! 이 차는 얼마나 할까?'라는 사용자의 음성 입력(421)을 수신한 경우, 디바이스(10)는 '사용자 님이 20년 동안 저축을 하면 살 수 있을지도?'라는 답변(422b)을 제공할 수 있다.
도 5는 일 실시예에 따른 사용자가 사용하는 언어의 종류에 기초하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 5를 참조하면, 디바이스(10)는 이미지 입력(510, 520) 및 음성 입력(511, 521)을 수신할 수 있다. 디바이스(10)는 사용자의 음성 입력(511, 521)을 분석함으로써 사용자가 사용하는 언어의 종류를 결정할 수 있다. 한편, 언어의 종류는 한국어, 영어, 중국어 등을 포함할 수 있으나, 이에 제한되지 않는다. 각 언어들은 다른 언어들과는 구별되는 고유의 억양 등을 가지며, 디바이스(10)는 사용자의 음성 입력(511, 521)의 억양 정보를 분석함으로써 사용자가 사용하는 언어의 종류를 결정할 수 있다.
디바이스(10)는 결정된 언어의 종류를 이용하여 객체에 관한 답변을 제공할 수 있다. 또한, 디바이스(10)는 결정된 언어를 사용하는 국가의 사회적, 문화적 배경 등을 고려하여 사용자의 배경지식 수준을 결정하고, 결정된 사용자의 배경지식 수준에 기초하여 객체에 관한 답변을 제공할 수 있다.
예를 들어, 디바이스(10)는 제주도 지도에 관한 이미지 입력(510, 520)을 수신할 수 있다. 디바이스(10)가 이미지 입력(510)에 대한 '여기가 어디지?'라는 사용자의 음성 입력(511)을 수신한 경우, 디바이스(10)는 사용자가 사용하는 언어의 종류를 한국어로 결정할 수 있고, 한국어로 답변(512)을 제공할 수 있다. 또한, 디바이스(10)는 사용자가 한국어를 사용하므로 한국인이라고 판단한 후, 한국인의 배경지식 수준에 기초하여 답변(512)을 제공할 수 있다. 디바이스(10)는 사용자가 한국인이라면 제주도가 대한민국의 섬이라는 등의 기본적인 배경지식을 가지고 있다고 판단할 수 있으며, 디바이스(10)는 '제주도 입니다'라는 간단한 답변(512)을 제공할 수 있다.
또한, 예를 들어, 디바이스(10)가 이미지 입력(520)에 대한 'Where is this place?' (번역: 여기가 어디지?) 라는 음성 입력(521)을 수신한 경우, 디바이스(10)는 사용자가 사용하는 언어의 종류를 영어로 결정할 수 있고, 영어로 답변(522)을 제공할 수 있다. 또한, 디바이스(10)는 사용자가 영어를 사용하므로 한국인이 아니라고 판단한 후, 외국인(영어를 사용하는 국가의 국민)의 배경지식 수준에 기초하여 답변(522)을 제공할 수 있다. 디바이스(10)는 외국인이라면 제주도에 대한 기본적인 배경지식을 가지고 있지 않다고 판단할 수 있으며, 디바이스(10)는 제주도에 대한 배경지식을 함께 답변(522)으로 제공할 수 있다. 디바이스(10)는 'This place is called Jeju island. A beautiful island in Korea and often regarded as “Korean Hawaii”' (번역: 제주도 입니다. 한국에 위치한 아름다운 섬으로써, 종종 “한국의 하와이”라고 불리곤 합니다) 라는 답변(522)을 제공할 수 있다.
한편, 디바이스(10)는 결정된 언어의 종류에 기초하여 사용자의 음성 입력의 대상이 되는 객체를 선택할 수 있다. 일 실시예에서 디바이스(10)가 수신한 이미지 입력에는 복수의 객체가 포함될 수 있다. 디바이스(10)는 결정된 언어의 종류에 기초하여, 이미지 입력에 포함된 복수의 객체 중 어느 하나의 객체를 선택할 수 있다. 또한, 디바이스(10)는 생성된 억양 정보를 이용하여 선택된 객체에 관한 사용자의 의도를 결정할 수 있다.
예를 들어, 디바이스(10)는 고추장 및 마시멜로우가 모두 포함된 이미지 입력을 수신할 수 있다. 디바이스(10)가 이미지 입력에 대한 '이게 뭐야?'라는 사용자의 음성 입력을 수신한 경우, 디바이스(10)는 사용자가 사용하는 언어의 종류를 한국어로 결정할 수 있다. 또한, 디바이스(10)는 결정된 언어의 종류에 기초하여 사용자가 한국어를 사용하므로 한국인이라고 판단한 후, 한국인의 배경지식 수준에 기초하여 답변을 제공할 수 있다. 디바이스(10)는 한국인이라면 고추장을 알 것이라고 판단할 수 있으며, 디바이스(10)는 '이것은 마시멜로우 입니다'라는 답변을 제공할 수 있다.
또한, 예를 들어, 디바이스(10)가 고추장 및 마시멜로우가 모두 포함된 이미지 입력에 대한 'What's this?' (번역: 이게 뭐지?) 라는 사용자의 음성 입력을 수신한 경우, 디바이스(10)는 사용자가 사용하는 언어의 종류를 영어로 결정할 수 있다. 또한, 디바이스(10)는 결정된 언어의 종류에 기초하여 사용자가 영어를 사용하므로 외국인(영어권 국가)이라고 판단한 후, 외국인의 배경지식 수준에 기초하여 답변을 제공할 수 있다. 디바이스(10)는 외국인이라면 마시멜로우를 알 것이라고 판단할 수 있으며, 디바이스(10)는 '이것은 고추장 입니다'라는 답변을 제공할 수 있다.
도 6은 일 실시예에 따른 사용자가 사용하는 방언(dialect)에 기초하여 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다. 이하에서 도 5와 중복되는 내용은 편의상 생략하기로 한다.
도 6을 참조하면, 디바이스(10)는 이미지 입력(610) 및 음성 입력(611)을 수신할 수 있다. 디바이스(10)는 사용자의 음성 입력(611)을 분석함으로써 사용자가 사용하는 방언의 종류를 결정할 수 있다. 한편, 방언의 종류는 한국어에 대한 복수의 방언, 일본어에 대한 복수의 방언 및 영어에 대한 복수의 방언 등을 포함할 수 있다. 예를 들어, 한국어에 대한 복수의 방언에는 경상도 방언, 전라도 방언이 포함될 수 있다. 그러나, 방언의 종류는 이에 제한되지 않는다. 각 방언들은 다른 방언들과는 구별되는 고유의 억양 등을 가지며, 디바이스(10)는 사용자의 음성 입력(611)의 억양 정보를 분석함으로써 사용자가 사용하는 방언의 종류를 결정할 수 있다.
예를 들어, 디바이스(10)는 노트북 위에 커피가 엎질러진 상황에 관한 이미지 입력(610)을 수신할 수 있다. 디바이스(10)가 이미지 입력(610)에 대한 '이게 뭐꼬?!'라는 사용자의 음성 입력(611)을 수신한 경우, 디바이스(10)는 사용자가 사용하는 방언의 종류를 한국의 경상도 방언으로 결정할 수 있다. 또한, 디바이스(10)는 경상도 방언을 이용하여 'A가 쏟았습니데이'라는 답변(612)을 제공할 수 있다.
도 7은 일 실시예에 따른 사용자의 의도와 관련된 부가 정보와 함께 사용자의 음성 입력에 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 7을 참조하면, 디바이스(10)는 이미지 입력(710) 및 음성 입력(711)을 수신할 수 있다. 디바이스(10)는 사용자의 음성 입력(711)을 분석함으로써 객체에 관한 사용자의 의도를 결정할 수 있다.
예를 들어, 디바이스(10)는 노트북 위에 커피가 엎질러진 상황에 관한 이미지 입력(710)을 수신할 수 있다. 디바이스(10)가 이미지 입력(710)에 대한 '이거 어떻게 하지..?'라는 사용자의 음성 입력(711)을 수신한 경우, 디바이스(10)가 음성 입력(711)을 분석함으로써 생성한 억양 정보에는 사용자가 문장의 끝을 조금 높이며 다소 흐리는 억양을 사용했다는 정보가 포함될 수 있다. 디바이스(10)는 생성된 억양 정보를 이용하여, 사용자의 의도가 노트북 위에 쏟은 커피를 치우는 방법을 묻는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 '이거 어떻게 하지..?' 라는 사용자의 음성 입력(711)에 대해 '마른 걸레로 닦으세요'라는 답변(712)을 제공할 수 있다.
또한, 디바이스(10)는 사용자의 의도에 기초하여, 검색어(713)를 생성할 수 있다. 디바이스(10)는 인터넷 검색 엔진 등을 통해 생성된 검색어(713)를 이용하여 검색함으로써, 사용자에게 답변(712)과 함께 검색 결과(714)를 사용자에게 제공할 수 있다.
예를 들어, 사용자의 의도가 노트북 위에 쏟은 커피를 치우는 방법을 묻는 의도인 것에 기초하여, 디바이스(10)는 '컴퓨터에 액체를 쏟았을 때 대처 방법'이라는 검색어(713)를 생성하고, 생성된 검색어(713)를 이용하여 검색함으로써 이에 대한 검색 결과를 답변(712)과 함께 사용자에게 제공할 수 있다.
일 실시예에서 디바이스(10)는 자동으로 생성된 검색을 이용하여 검색할 수 있다. 또한, 디바이스(10)는 검색 실행 버튼을 클릭하는 등의 사용자 입력을 수신한 후 검색어를 이용하여 검색할 수 있다.
도 8은 일 실시예에 따른, 디스플레이된 이미지의 일부 영역에 대한, 사용자의 음성 입력 대한 답변을 제공하는 예시를 설명하는 도면이다.
도 8을 참조하면, 디바이스(10)는 이미지 입력(810) 및 음성 입력(811)을 수신할 수 있다. 디바이스(10)는 사용자의 음성 입력(811)을 분석함으로써 사용자의 억양 정보를 생성할 수 있다. 디바이스(10)는 생성된 억양 정보를 이용하여 이미지 입력(810)에 대한 사용자의 의도를 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다.
한편, 디바이스(10)는 디바이스(10)에 디스플레이된 이미지의 일부 영역을 선택하는 사용자의 입력(815)을 수신할 수 있다. 또한, 디바이스(10)는 결정된 사용자의 의도에 기초하여, 선택된 일부 영역 내의 객체에 대한 답변을 제공할 수 있다.
예를 들어, 디바이스(10)는 고래 및 섬이 모두 포함된 이미지 입력(810)을 수신할 수 있다. 디바이스(10)는 디스플레이된 이미지 내의 고래가 포함된 일부 영역(813)을 선택하는 사용자 입력(814)을 수신할 수 있다. 디바이스(10)가 수신한 '우와! 이게 뭐야?'라는 사용자의 음성 입력(811)의 대상은, 사용자가 선택한 일부 영역(813) 내의 고래인 것으로 결정할 수 있다. 한편, 이미지 입력(810)의 일부 영역이 사용자에 의해 선택되지 않은 경우, 디바이스(10)는 '우와! 이게 뭐야?'라는 사용자의 음성 입력(811)의 대상이 섬인 것으로 결정할 수 있다. 이 경우 사용자의 의도는 고래에 관한 질문이었음에도 디바이스(10)는 섬에 대한 답변을 제공할 수 있다.
디바이스(10)는 '우와! 이게 뭐야?'라는 사용자의 음성 입력(811)으로부터 생성된 억양 정보를 이용하여, 사용자의 의도가 일부 영역(813) 내의 객체가 무엇인지 묻는 의도인 것으로 결정할 수 있다. 디바이스(10)는 결정된 사용자의 의도에 기초하여 '우와! 이게 뭐야?'라는 사용자의 음성 입력(811)에 대해 '흰 수염고래 입니다' 라는 답변(812)을 제공할 수 있다.
이상 도 4 내지 8에서, 도 3과 중복되는 내용은 편의상 생략한다.
도 9 및 10은 일 실시예에 따른 디바이스의 블록도이다.
도 9에 도시된 바와 같이, 일 실시예에 따른 디바이스(10)는, 사용자 제어부(910), 입력부(920) 및 메모리(930)를 포함할 수 있다. 그러나, 도 9에 도시된 구성 요소 모두가 디바이스(10)의 필수 구성 요소인 것은 아니다. 도 9에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(10)가 구현될 수도 있고, 도 9에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(10)가 구현될 수도 있다.
예를 들어, 도 10에 도시된 바와 같이, 일부 실시예에 따른 디바이스(10)는, 사용자 입력부(1100), 출력부(1200) 및 제어부(1300) 이외에 통신부(1500), 센싱부(1400), 및 A/V 입력부(1600)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 디바이스(10)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 디바이스(10)에서 처리되는 정보를 표시한다. 예를 들어, 디스플레이부(1210)는, 디바이스(10)에 입력된 적어도 하나의 객체가 포함된 이미지를 디스플레이할 수 있다. 디바이스(10)는 카메라를 이용하여 적어도 하나의 객체가 포함된 이미지를 촬영한 후, 디스플레이부(1210)는 촬영된 이미지를 디스플레이할 수 있다. 또한, 디스플레이부(1210)는 내부 메모리에 저장된 이미지를 디스플레이할 수 있다. 또한, 디스플레이부(1210)는 외부 서버 또는 외부 디바이스와의 통신을 통해 수신된 이미지를 디스플레이할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 디스플레이부(1210)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 디바이스(10)의 구현 형태에 따라 디바이스(10)는 디스플레이부(1210)를 2개 이상 포함할 수도 있다. 이때, 2개 이상의 디스플레이부(1210)는 힌지(hinge)를 이용하여 마주보게 배치될 수 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 디바이스(10)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1220)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1230)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
제어부(1300)는, 통상적으로 디바이스(10)의 전반적인 동작을 제어한다. 예를 들어, 제어부(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다.
제어부(1300)는 도 1 내지 8 및 후술할 도 11 내지 14에 개시된 디바이스(10)의 동작을 수행할 수 있다.
구체적으로, 제어부(1300)는 이미지가 촬영됨에 따라, 마이크를 활성화할 수 있다. 일 실시예에서 제어부(1300)는 이미지가 촬영됨에 따라, 또는 이미지가 디스플레이되는 동안 마이크를 자동으로 활성화할 수 있으며, 다른 실시예에서 제어부(1300)는 마이크를 활성화시키기 위한 사용자의 입력을 수신한 후 마이크를 활성화할 수 있다. 또한, 제어부(1300)는 객체를 포함하는 이미지가 촬영됨에 따라 마이크를 활성화할 수 있다.
제어부(1300)는 마이크로폰을 통해 사용자의 음성 파형을 입력 받아 전기적인 음성 데이터로 처리할 수 있다.
제어부(1300)는 수신된 음성 입력을 분석함으로써 객체에 관한 사용자의 의도를 결정할 수 있다. 일 실시예에서 제어부(1300)는 소정의 길이의 음편 단위로 사용자의 음성 파형을 분석할 수 있다. 또한 제어부(1300)는 주파수를 기준으로, 사용자의 음성 파형을 음편 단위 별로 분석할 수 있다.
제어부(1300)는 수신된 음성 입력을 분석함으로써, 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 관한 정보를 획득할 수 있다. 일 실시예에서 제어부(1300)는 수신된 음성 입력에 포함된 음성 에너지(dB), 음 높이(Hz), 음성 파형의 규칙성(shimmer) 및 성대 진동 변화율(zitter) 등을 분석함으로써, 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 관한 정보를 획득할 수 있다. 그러나 이에 제한되지 않는다. 또한, 예를 들어, 언어의 종류는 영어, 일어, 한국어 등을 포함할 수 있다. 또한, 예를 들어, 언어의 종류는 지역의 방언을 포함할 수 있다.
제어부(1300)는 획득된 사용자 억양 정보, 사용자 감정 정보, 및 사용자가 사용하는 언어의 종류에 기초하여 객체에 관한 사용자의 의도를 결정할 수 있다. 일 실시예에서 사용자가 동일한 문구를 포함하는 질문을 한 경우에도, 제어부(1300)는 억양 정보, 감정 정보 등에 따라 사용자의 의도는 상이한 것으로 결정할 수 있다.
제어부(1300)는 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다. 일 실시예에서 사용자가 동일한 문구를 포함하는 질문을 한 경우에도, 제어부(1300)는 억양 정보, 감정 정보 등에 따라 사용자의 의도는 상이하다고 결정함으로써, 결정된 의도에 기초하여 상이한 답변을 제공할 수 있다.
한편, 제어부(1300)는 수신된 음성 입력에 포함된 텍스트 정보를 추출할 수 있다. 또한, 제어부(1300)는 추출된 텍스트 정보 및 결정된 사용자의 의도에 기초하여 객체에 관한 답변을 제공할 수 있다.
센싱부(1400)는, 디바이스(10)의 상태 또는 디바이스(10) 주변의 상태를 감지하고, 감지된 정보를 제어부(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
통신부(1500)는, 디바이스(10)와 외부 디바이스(미도시) 또는 외부 서버(미도시) 간의 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(151)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 제 1 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
또한, 통신부(1500)는, 다음 프레임의 유해성을 예측하기 위해 필요한 정보를, HMD 장치(2000), 서버(4000) 및 주변 기기(3000)와 송수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 카메라(1610)는 객체를 촬영할 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(1610)에서 처리된 화상 프레임은 메모리(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(1610)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(1700)는, 제어부(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 디바이스(10)로 입력되거나 디바이스(10)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 제 1 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(1300)로 전달할 수 있다. 일부 실시예에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.
근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 제 1 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 제 1 디바이스(1000)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
도 11은 일 실시예에 따른 제어부의 블록도이다.
도 11을 참조하면, 일 실시예에 따른 제어부(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 사용자의 음성 입력에 대한 답변을 제공하기 위해, 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기준을 학습할 수 있다. 일 실시예에서 데이터 학습부(1310)는 데이터 학습부(1310)에 입력된 이미지 입력 및 음성 입력을 이용하여 소정의 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 사용자의 의도를 결정하고 답변을 제공하기 위하여 이미지 입력 및 음석 입력에 포함된 어떤 데이터를 이용할지, 데이터를 이용하여 사용자의 의도를 어떻게 결정할지에 관한 기준 및 어떻게 사용자의 음성 입력에 대한 답변을 제공할지를 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지에 포함된 객체에 관한 사용자의 의도를 결정하는 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초하여 이미지에 포함된 객체에 관한 사용자의 의도 및 사용자의 음성 입력에 대한 답변을 결정할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 이미지에 포함된 객체에 관한 사용자의 의도 및 사용자의 음성 입력에 대한 답변을 결정할 수 있다. 데이터 인식부(1320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델을 이용함으로써, 소정의 데이터에 기초하여 이미지에 포함된 객체에 관한 사용자의 의도 및 사용자의 음성 입력에 대한 답변을 결정할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 데이터 인식 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(1310) 및 데이터 인식부(1320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1310) 및 데이터 인식부(1320)는 유선 또는 무선으로 통하여, 데이터 학습부(1310)가 구축한 모델 정보를 데이터 인식부(1320)로 제공할 수도 있고, 데이터 인식부(1320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1310)로 제공될 수도 있다.
한편, 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1310) 및 데이터 인식부(1320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 12는 일 실시예에 따른 데이터 학습부(1310)의 블록도이다.
도 12를 참조하면, 일부 실시예에 따른 데이터 학습부(1310)는 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)를 포함할 수 있다.
데이터 획득부(1310-1)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공하는데 필요한 데이터를 획득할 수 있다.
데이터 획득부(1310-1)는 소정의 데이터를 획득하는데 이용될 학습 이미지 및 학습 음성을 입력 받을 수 있다. 학습 이미지는 복수의 이미지(또는, 프레임(frame))들로 구성될 수 있으며, 학습 음성은 음성 파형일 수 있다. 일 예로, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 전자 장치의 카메라 및 마이크로폰 또는 데이터 학습부(1310)를 포함하는 전자 장치와 통신 가능한 외부의 카메라(예로, CCTV 또는 블랙박스 등) 및 마이크로폰을 통하여 학습 이미지 및 학습 음성을 입력 받을 수 있다. 여기서, 카메라는 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.
예컨대, 데이터 획득부(1310-1)는 학습 이미지 및 학습 음성에 포함된 음성 데이터, 영상 데이터, 텍스트 데이터 또는 생체신호 데이터 등을 획득할 수 있다. 일 예로, 데이터 획득부(1310-1)는 전자 장치의 입력 기기(예: 마이크로폰, 카메라 또는 센서 등)를 통해 데이터를 입력 받을 수 있다. 또는, 데이터 획득부(1310-1)는 전자 장치와 통신하는 외부 장치를 통해 데이터를 획득할 수 있다.
데이터 획득부는, 사용자의 성별, 지역, 나이, 선호도 정보 등 사용자 정보를 획득할 수 있다.
전처리부(1310-2)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 학습 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공하기 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
예를 들어, 전처리부(1310-2)는 입력된 학습 이미지 및 학습 음성에 포함된 음성 데이터, 영상 데이터, 텍스트 데이터 또는 생체신호 데이터 등을 추출하여 구별하고, 입력된 데이터로부터 추출된 특성과 결과 값을 누적하여 학습함으로써 이미지에 포함된 객체에 관한 사용자의 의도를 결정하는 기준 및 사용자의 음성 입력에 대한 답변을 제공하는 기준을 학습할 수 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(1310-4)에 제공될 수 있다. 학습 데이터 선택부(1310-3)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하는 기설정된 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(1310-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기설정된 기준에 따라 데이터를 선택할 수도 있다.
학습 데이터 선택부(1310-3)는 전처리된 데이터 중에서 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공할 수 있는 데이터를 선택할 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 이미지에 포함된 객체에 관한 사용자의 의도를 어떻게 결정할지에 관한 기준 및 어떻게 사용자의 음성 입력에 대한 답변을 제공할지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공하기 위하여 어떤 학습 데이터를 이용해야 하는지에 대한 기준을 학습할 수도 있다.
예를 들어, 모델 학습부(1310-4)는 사용자의 음성 입력에 포함된 억양 정보, 감정 정보 및 사용자가 사용하는 언어의 종류에 기초하여 이미지에 포함된 객체에 관한 사용자의 의도를 어떻게 결정할지에 대한 기준 및 어떻게 사용자의 음성 입력에 대한 답변을 제공할지에 대한 기준을 학습할 수 있다.
또한, 모델 학습부(1310-4)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공하는데 이용되는 데이터 인식 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 데이터 인식 모델은 미리 구축된 모델일 수 있다. 예를 들어, 데이터 인식 모델은 기본 학습 데이터(예를 들어, 샘플 단어 등)을 입력 받아 미리 구축된 모델일 수 있다. 데이터 인식 모델은 사용자 별로 생성되고 학습될 수 있다.
데이터 인식 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 인식 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 인식 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(1310-4)는 미리 구축된 데이터 인식 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 데이터 인식 모델을 학습할 데이터 인식 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 데이터 인식 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있다.
또한, 모델 학습부(1310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 별다른 지도없이 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공하기 위해 필요한 데이터의 종류를 스스로 학습함으로써, 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다. 또한, 모델 학습부(1310-4)는, 예를 들어, 학습에 따른 이미지에 포함된 객체에 관한 사용자의 의도를 결정한 결과 및 사용자의 음성 입력에 대한 답변을 제공한 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 인식 모델을 학습시킬 수 있다.
또한, 데이터 인식 모델이 학습되면, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 저장할 수 있다. 이 경우, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(1310-5)는 데이터 인식 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(1310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 데이터 인식 모델을 평가하기 위한 기설정된 데이터일 수 있다.
예를 들어, 모델 평가부(1310-5)는 평가 데이터에 대한 학습된 데이터 인식 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 데이터 인식 모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(1310-5)는 학습된 데이터 인식 모델이 적합하지 않은 것으로 평가할 수 있다.
또한, 평가 데이터는 사용자의 코멘트 입력으로부터 도출될 수 있다. 예를 들어, 사용자는 출력되는 인식 결과에 대한 만족 또는 불만족을 나타내는 코멘트 메시지를 입력할 수 있다. 코멘트 입력은 출력되는 인식 결과에 대한 사용자의 피드백 정보를 포함할 수 있다.
한편, 학습된 데이터 인식 모델이 복수 개가 존재하는 경우, 모델 평가부(1310-5)는 각각의 학습된 동영상 인식 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 데이터 인식 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(1310-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 데이터 인식 모델로서 결정할 수 있다.
한편, 데이터 학습부(1310) 내의 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1310-1), 전처리부(1310-2), 학습 데이터 선택부(1310-3), 모델 학습부(1310-4) 및 모델 평가부(1310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 13은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 13을 참조하면, 일부 실시예에 따른 데이터 인식부(1320)는 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)를 포함할 수 있다.
데이터 획득부(1320-1)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공하기 위해 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공하기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공하는데 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 기설정된 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(1320-3)는 후술할 모델 학습부(1310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(1320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 수 있다. 인식 결과 제공부(1320-4)는 데이터의 인식 목적에 따른 인식 결과를 제공할 수 있다. 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 데이터 인식 모델에 적용할 수 있다. 또한, 인식 결과는 데이터 인식 모델에 의해 결정될 수 있다.
예를 들어, 동영상의 인식 결과는 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다. 인식 결과는, 예로, 이미지에 포함된 객체에 관한 상태 정보, 컨텍스트 정보 등이 될 수 있다. 인식 결과 제공부(1320-4)는 객체에 관한 상태 정보로서 '이것은 선물 상자 입니다', 또는 컨텍스트 정보로서 'A가 준 선물 입니다' 등을 텍스트, 음성, 동영상, 이미지 또는 명령어 등으로 제공할 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록할 수 있다. 예를 들어, 모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과를 모델 학습부(1310-4)에게 제공함으로써, 모델 학습부(1310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(1320) 내의 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(1320-1), 전처리부(1320-2), 인식 데이터 선택부(1320-3), 인식 결과 제공부(1320-4) 및 모델 갱신부(1320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 14는 일 실시예에 따른 디바이스 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 14를 참조하면, 서버(20)는 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기준을 학습할 수 있으며, 디바이스(10)는 서버(20)에 의한 학습 결과에 기초하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고, 사용자의 음성 입력에 대한 답변을 제공할 수 있다.
이 경우, 서버(20)의 모델 학습부(2340)는 도 11에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(20)의 모델 학습부(2340)는 소정의 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 이미지에 포함된 객체에 관한 사용자의 의도를 어떻게 결정할지에 관한 기준 및 어떻게 사용자의 음성 입력에 대한 답변을 제공할지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 이미지에 포함된 객체에 관한 사용자의 의도를 결정하기 위한 기준 및 사용자의 음성 입력에 대한 답변을 제공하기 위한 기준을 학습할 수 있다.
또한, 디바이스(10)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(20)에 의해 생성된 데이터 인식 모델에 적용하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(20)에게 전송하고, 서버(20)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(20)에 의해 결정된 사용자의 의도 및 사용자의 음성 입력에 대한 답변을 서버(20)로부터 수신할 수 있다.
예를 들어, 디바이스(10)는 이미지 입력 및 음성 입력에 관한 데이터를 생성하여 서버(20)에 전송할 수 있다. 또한, 디바이스(10)는 이미지에 포함된 객체에 관한 사용자의 의도에 관한 정보 및 사용자의 음성 입력에 대한 답변을 서버(20)로부터 수신할 수 있다.
또는, 디바이스(10)의 인식 결과 제공부(1320-4)는 서버(20)에 의해 생성된 인식 모델을 서버(20)로부터 수신하고, 수신된 인식 모델을 이용하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 수 있다. 이 경우, 디바이스(10)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(20)로부터 수신된 데이터 인식 모델에 적용하여 이미지에 포함된 객체에 관한 사용자의 의도를 결정하고 사용자의 음성 입력에 대한 답변을 제공할 수 있다.
일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
또한, 본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (19)

  1. 디바이스가 사용자의 음성 입력에 대한 답변을 제공하는 방법에 있어서,
    상기 디바이스의 카메라를 통하여 적어도 하나의 객체가 포함된 이미지를 촬영하는 단계;
    상기 이미지가 촬영됨에 따라, 상기 디바이스의 마이크를 활성화하는 단계;
    상기 마이크를 통하여, 상기 객체에 대한 사용자의 음성 입력을 수신하는 단계;
    상기 수신된 음성 입력을 분석함으로써 상기 객체에 관한 상기 사용자의 의도를 결정하는 단계; 및
    상기 결정된 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는 단계;
    를 포함하는, 방법.
  2. 제 1항에 있어서,
    상기 사용자의 의도를 결정하는 단계는,
    상기 사용자의 음성 입력을 분석함으로써 상기 사용자의 억양 정보를 생성하는 단계; 및
    상기 생성된 억양 정보를 이용하여 상기 객체에 관한 상기 사용자의 의도를 결정하는 단계;
    를 포함하는, 방법.
  3. 제 2항에 있어서,
    상기 사용자의 의도를 결정하는 단계는,
    상기 생성된 억양 정보를 분석함으로써 상기 사용자의 감정 정보를 생성하는 단계; 및
    상기 생성된 감정 정보에 기초하여 상기 객체에 관한 상기 사용자의 의도를 결정하는 단계;
    를 포함하는, 방법.
  4. 제 1항에 있어서,
    상기 방법은,
    상기 사용자의 음성 입력을 분석함으로써 상기 사용자가 사용하는 언어의 종류를 결정하는 단계;
    를 더 포함하고,
    상기 객체에 관한 답변을 제공하는 단계는,
    상기 결정된 언어의 종류를 이용하여 상기 객체에 관한 답변을 제공하는 단계;
    를 포함하는, 방법.
  5. 제 4항에 있어서,
    상기 사용자의 의도를 결정하는 단계는,
    상기 결정된 언어의 종류에 기초하여 상기 사용자의 음성 입력의 대상이 되는 상기 객체를 선택하는 단계;
    를 더 포함하고,
    상기 객체에 관한 답변을 제공하는 단계는,
    상기 결정된 언어의 종류를 이용하여 상기 선택된 객체에 관한 답변을 제공하는 단계;
    를 포함하는, 방법.
  6. 제 1항에 있어서,
    상기 방법은,
    상기 수신된 음성 입력에 포함된 텍스트 데이터를 추출하는 단계;
    를 더 포함하고,
    상기 객체에 관한 답변을 제공하는 단계는,
    상기 추출된 텍스트 데이터 및 상기 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는 단계;
    를 포함하는, 방법.
  7. 제 1항에 있어서,
    상기 객체에 관한 답변을 제공하는 단계는,
    상기 사용자의 의도와 관련된 부가 정보를 획득하는 단계; 및
    상기 획득된 부가 정보를 상기 객체에 관한 답변과 함께 제공하는 단계;
    를 더 포함하는, 방법.
  8. 제 1항에 있어서,
    상기 방법은,
    상기 디스플레이된 이미지의 일부 영역을 선택하는 상기 사용자의 입력을 수신하는 단계;
    를 더 포함하고,
    상기 객체에 관한 답변을 제공하는 단계는,
    상기 결정된 사용자의 의도에 기초하여, 상기 선택된 일부 영역 내의 상기 객체에 대한 답변을 제공하는 단계;
    를 포함하는, 방법.
  9. 제 1항에 있어서,
    상기 방법은,
    상기 적어도 하나의 객체가 포함된 이미지를 디스플레이하는 단계; 및
    상기 이미지가 디스플레이되는 동안 상기 디바이스의 마이크를 활성화하는 단계;
    를 더 포함하는, 방법.
  10. 사용자의 음성 입력에 대한 답변을 제공하는 디바이스에 있어서,
    상기 디바이스의 카메라를 통하여, 적어도 하나의 객체가 포함된 이미지를 수신하고,
    상기 디바이스의 마이크를 통하여, 상기 객체에 대한 사용자의 음성 입력을 수신하는 입력부;
    적어도 하나의 인스트럭션을 저장하기 위한 메모리; 및
    상기 메모리에 저장된 상기 적어도 하나의 인스트럭션을 실행하는 적어도 하나의 프로세서를 포함하고,
    상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 이미지가 촬영됨에 따라, 상기 디바이스의 마이크를 활성화하고,
    상기 마이크를 통하여 수신된 상기 음성 입력을 분석함으로써 상기 객체에 관한 상기 사용자의 의도를 결정하고,
    상기 결정된 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는, 디바이스.
  11. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 사용자의 음성 입력을 분석함으로써 상기 사용자의 억양 정보를 생성하고,
    상기 생성된 억양 정보를 이용하여 상기 객체에 관한 상기 사용자의 의도를 결정하는, 디바이스.
  12. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 생성된 억양 정보를 분석함으로써 상기 사용자의 감정 정보를 생성하고,
    상기 생성된 감정 정보에 기초하여 상기 객체에 관한 상기 사용자의 의도를 결정하는, 디바이스.
  13. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 사용자의 음성 입력을 분석함으로써 상기 사용자가 사용하는 언어의 종류를 결정하고,
    상기 결정된 언어의 종류를 이용하여 상기 객체에 관한 답변을 제공하는, 디바이스.
  14. 제 13항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 결정된 언어의 종류에 기초하여 상기 사용자의 음성 입력의 대상이 되는 상기 객체를 선택하고,
    상기 결정된 언어의 종류를 이용하여 상기 선택된 객체에 관한 답변을 제공하는, 디바이스.
  15. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 수신된 음성 입력에 포함된 텍스트 데이터를 추출하고,
    상기 추출된 텍스트 데이터 및 상기 사용자의 의도에 기초하여 상기 객체에 관한 답변을 제공하는, 디바이스.
  16. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 사용자의 의도와 관련된 부가 정보를 획득하고,
    상기 획득된 부가 정보를 상기 객체에 관한 답변과 함께 제공하는, 디바이스.
  17. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 디스플레이된 이미지의 일부 영역을 선택하는 상기 사용자의 입력을 수신하고,
    상기 결정된 사용자의 의도에 기초하여, 상기 선택된 일부 영역 내의 상기 객체에 대한 답변을 제공하는, 디바이스.
  18. 제 10항에 있어서,
    상기 적어도 하나의 객체가 포함된 이미지를 디스플레이하는 디스플레이;
    를 더 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 이미지가 디스플레이되는 동안 상기 디바이스의 마이크를 활성화하는, 디바이스.
  19. 제 1항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2018/002847 2017-03-28 2018-03-09 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치 WO2018182201A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/489,485 US11227594B2 (en) 2017-03-28 2018-03-09 Method and device for providing response to voice input of user

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0039303 2017-03-28
KR1020170039303A KR102304701B1 (ko) 2017-03-28 2017-03-28 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2018182201A1 true WO2018182201A1 (ko) 2018-10-04

Family

ID=63678215

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/002847 WO2018182201A1 (ko) 2017-03-28 2018-03-09 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치

Country Status (3)

Country Link
US (1) US11227594B2 (ko)
KR (1) KR102304701B1 (ko)
WO (1) WO2018182201A1 (ko)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190207879A1 (en) * 2017-12-28 2019-07-04 Christian Chouchani Transmitting a message based on machine learning systems
US10891951B2 (en) * 2018-10-17 2021-01-12 Ford Global Technologies, Llc Vehicle language processing
KR20200089957A (ko) 2019-01-18 2020-07-28 삼성전자주식회사 전자 장치 및 이의 제어 방법
EP3871088A1 (en) * 2019-02-26 2021-09-01 Google LLC Reinforcement learning techniques for selecting a software policy network and autonomously controlling a corresponding software client based on selected policy network
US11238865B2 (en) * 2019-11-18 2022-02-01 Lenovo (Singapore) Pte. Ltd. Function performance based on input intonation
KR102437760B1 (ko) 2021-05-27 2022-08-29 이충열 컴퓨팅 장치에 의한 음향의 처리 방법, 영상 및 음향의 처리 방법 및 이를 이용한 시스템들
CN113569712B (zh) * 2021-07-23 2023-11-14 北京百度网讯科技有限公司 信息交互方法、装置、设备以及存储介质
KR20230137814A (ko) 2022-03-22 2023-10-05 이충열 컴퓨팅 장치와 연동하는 촬영 장치로부터 획득되는 영상을 처리하는 방법 및 이를 이용한 시스템
CN116540972A (zh) * 2023-03-13 2023-08-04 北京有竹居网络技术有限公司 用于问答的方法、装置、设备和存储介质
US11990139B1 (en) * 2023-10-09 2024-05-21 Sandrew & Company, Llc System that conducts dialogs using artificial intelligence

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070203863A1 (en) * 2006-02-01 2007-08-30 Rakesh Gupta Meta learning for question classification
KR20100094182A (ko) * 2009-02-18 2010-08-26 삼성전자주식회사 음성 신호를 이용한 감정 인식 장치 및 방법
US20120083182A1 (en) * 2010-09-30 2012-04-05 Disney Enterprises, Inc. Interactive toy with embedded vision system
US8202094B2 (en) * 1998-02-18 2012-06-19 Radmila Solutions, L.L.C. System and method for training users with audible answers to spoken questions
KR20120132179A (ko) * 2011-05-27 2012-12-05 삼성전자주식회사 촬영 이미지를 이용한 의사 전달 방법 및 장치

Family Cites Families (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030033266A1 (en) * 2001-08-10 2003-02-13 Schott Wade F. Apparatus and method for problem solving using intelligent agents
US7496500B2 (en) 2004-03-01 2009-02-24 Microsoft Corporation Systems and methods that determine intent of data and respond to the data based on the intent
US7643985B2 (en) 2005-06-27 2010-01-05 Microsoft Corporation Context-sensitive communication and translation methods for enhanced interactions and understanding among speakers of different languages
US8666928B2 (en) * 2005-08-01 2014-03-04 Evi Technologies Limited Knowledge repository
US8275803B2 (en) 2008-05-14 2012-09-25 International Business Machines Corporation System and method for providing answers to questions
US9147212B2 (en) * 2008-06-05 2015-09-29 Aisle411, Inc. Locating products in stores using voice search from a communication device
US8930265B2 (en) * 2010-01-29 2015-01-06 Bank Of America Corporation Monitoring retail transactions associated with a financial institution-based merchant offer program and determining savings metrics
US20130132308A1 (en) 2011-11-22 2013-05-23 Gregory Jensen Boss Enhanced DeepQA in a Medical Environment
US9311751B2 (en) * 2011-12-12 2016-04-12 Microsoft Technology Licensing, Llc Display of shadows via see-through display
KR101590332B1 (ko) * 2012-01-09 2016-02-18 삼성전자주식회사 영상장치 및 그 제어방법
US9129591B2 (en) * 2012-03-08 2015-09-08 Google Inc. Recognizing speech in multiple languages
US20130282360A1 (en) * 2012-04-20 2013-10-24 James A. Shimota Method and Apparatus for Translating and Locating Services in Multiple Languages
CN103425640A (zh) 2012-05-14 2013-12-04 华为技术有限公司 一种多媒体问答系统及方法
KR20130133629A (ko) * 2012-05-29 2013-12-09 삼성전자주식회사 전자장치에서 음성명령을 실행시키기 위한 장치 및 방법
US20130346068A1 (en) * 2012-06-25 2013-12-26 Apple Inc. Voice-Based Image Tagging and Searching
US9547647B2 (en) * 2012-09-19 2017-01-17 Apple Inc. Voice-based media searching
GB201219594D0 (en) * 2012-10-31 2012-12-12 Lancaster Univ Business Entpr Ltd Text analysis
KR101995428B1 (ko) * 2012-11-20 2019-07-02 엘지전자 주식회사 이동 단말기 및 그 제어방법
US10134401B2 (en) * 2012-11-21 2018-11-20 Verint Systems Ltd. Diarization using linguistic labeling
US20140142928A1 (en) * 2012-11-21 2014-05-22 Harman International Industries Canada Ltd. System to selectively modify audio effect parameters of vocal signals
US9753986B2 (en) 2012-12-17 2017-09-05 International Business Machines Corporation Multi-dimensional feature merging for supporting evidence in a question and answering system
CN103077165A (zh) * 2012-12-31 2013-05-01 威盛电子股份有限公司 自然语言对话方法及其系统
KR102158098B1 (ko) * 2013-01-07 2020-09-22 삼성전자주식회사 이미지 인식을 이용한 이미지 레이아웃 방법 및 장치
EP2821943A1 (en) * 2013-07-03 2015-01-07 Accenture Global Services Limited Query response device
US20170163866A1 (en) * 2013-07-24 2017-06-08 Google Inc. Input System
US10825353B2 (en) * 2013-08-13 2020-11-03 The Children's Hospital Of Philadelphia Device for enhancement of language processing in autism spectrum disorders through modifying the auditory stream including an acoustic stimulus to reduce an acoustic detail characteristic while preserving a lexicality of the acoustics stimulus
US20150106205A1 (en) * 2013-10-16 2015-04-16 Google Inc. Generating an offer sheet based on offline content
US9471834B1 (en) * 2013-11-22 2016-10-18 Google Inc. System and method for updating map views
WO2015081334A1 (en) * 2013-12-01 2015-06-04 Athey James Leighton Systems and methods for providing a virtual menu
US20150172285A1 (en) * 2013-12-17 2015-06-18 Mei Ling LO Method for Accessing E-Mail System
US10467302B2 (en) 2014-02-11 2019-11-05 International Business Machines Corporation Candidate answers for speculative questions in a deep question answering system
US9311525B2 (en) * 2014-03-19 2016-04-12 Qualcomm Incorporated Method and apparatus for establishing connection between electronic devices
US20150370787A1 (en) * 2014-06-18 2015-12-24 Microsoft Corporation Session Context Modeling For Conversational Understanding Systems
US10178291B2 (en) * 2014-07-23 2019-01-08 Orcam Technologies Ltd. Obtaining information from an environment of a user of a wearable camera system
EP3007029B1 (en) * 2014-10-07 2017-12-27 LG Electronics Inc. Mobile terminal and wearable device
KR102252072B1 (ko) * 2014-10-14 2021-05-14 삼성전자주식회사 음성 태그를 이용한 이미지 관리 방법 및 그 장치
US20160124937A1 (en) * 2014-11-03 2016-05-05 Service Paradigm Pty Ltd Natural language execution system, method and computer readable medium
JP2016111406A (ja) * 2014-12-02 2016-06-20 ソニー株式会社 情報処理装置、情報処理方法及びプログラム
KR20160072639A (ko) * 2014-12-15 2016-06-23 엘지전자 주식회사 이동 단말기 및 그 제어 방법
CN104469319A (zh) * 2014-12-18 2015-03-25 上海小蚁科技有限公司 一种图像采集与图像显示分离的方法及装置
JP6520108B2 (ja) * 2014-12-22 2019-05-29 カシオ計算機株式会社 音声合成装置、方法、およびプログラム
WO2016106552A1 (en) * 2014-12-30 2016-07-07 Harman International Industries, Incorporated Voice recognition-based dialing
US20160260353A1 (en) * 2015-03-04 2016-09-08 Arjun Kundan Dhawan Object recognition for the visually impaired
US9769367B2 (en) * 2015-08-07 2017-09-19 Google Inc. Speech and computer vision-based control
KR20170022490A (ko) * 2015-08-20 2017-03-02 엘지전자 주식회사 이동 단말기 및 그 제어방법
US10331312B2 (en) * 2015-09-08 2019-06-25 Apple Inc. Intelligent automated assistant in a media environment
US9715490B2 (en) * 2015-11-06 2017-07-25 International Business Machines Corporation Automating multilingual indexing
EP3410309A1 (en) * 2016-01-25 2018-12-05 Sony Corporation Communication system and communication control method
US10120882B2 (en) * 2016-02-17 2018-11-06 Google Llc Methods, systems, and media for storing information associated with content presented on a media presentation device
US10140770B2 (en) * 2016-03-24 2018-11-27 Toyota Jidosha Kabushiki Kaisha Three dimensional heads-up display unit including visual context for voice commands
JP6710562B2 (ja) * 2016-03-29 2020-06-17 本田技研工業株式会社 受付システム及び受付方法
US9918006B2 (en) * 2016-05-20 2018-03-13 International Business Machines Corporation Device, system and method for cognitive image capture
US10418026B2 (en) * 2016-07-15 2019-09-17 Comcast Cable Communications, Llc Dynamic language and command recognition
JP6827758B2 (ja) * 2016-10-12 2021-02-10 東芝映像ソリューション株式会社 移動式アシスト装置及び移動式アシスト方法
US11748978B2 (en) * 2016-10-16 2023-09-05 Ebay Inc. Intelligent online personal assistant with offline visual search database
US10741174B2 (en) * 2017-01-24 2020-08-11 Lenovo (Singapore) Pte. Ltd. Automatic language identification for speech

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8202094B2 (en) * 1998-02-18 2012-06-19 Radmila Solutions, L.L.C. System and method for training users with audible answers to spoken questions
US20070203863A1 (en) * 2006-02-01 2007-08-30 Rakesh Gupta Meta learning for question classification
KR20100094182A (ko) * 2009-02-18 2010-08-26 삼성전자주식회사 음성 신호를 이용한 감정 인식 장치 및 방법
US20120083182A1 (en) * 2010-09-30 2012-04-05 Disney Enterprises, Inc. Interactive toy with embedded vision system
KR20120132179A (ko) * 2011-05-27 2012-12-05 삼성전자주식회사 촬영 이미지를 이용한 의사 전달 방법 및 장치

Also Published As

Publication number Publication date
KR102304701B1 (ko) 2021-09-24
KR20180109499A (ko) 2018-10-08
US11227594B2 (en) 2022-01-18
US20200066270A1 (en) 2020-02-27

Similar Documents

Publication Publication Date Title
WO2018182201A1 (ko) 사용자의 음성 입력에 대한 답변을 제공하는 방법 및 장치
WO2020080773A1 (en) System and method for providing content based on knowledge graph
WO2018117428A1 (en) Method and apparatus for filtering video
WO2019164140A1 (en) System for processing user utterance and controlling method thereof
WO2020122677A1 (en) Method of performing function of electronic device and electronic device using same
WO2019039915A1 (en) METHOD FOR ACTIVATION OF VOICE RECOGNITION SERVICE AND ELECTRONIC DEVICE IMPLEMENTING THE SAME
WO2016126007A1 (en) Method and device for searching for image
WO2020060223A1 (ko) 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법
WO2019112342A1 (en) Voice recognition apparatus and operation method thereof cross-reference to related application
WO2019164120A1 (ko) 전자 장치 및 그 제어 방법
EP3523710A1 (en) Apparatus and method for providing sentence based on user input
WO2020091248A1 (ko) 음성 명령에 응답하여 컨텐츠를 표시하기 위한 방법 및 그 전자 장치
WO2021060728A1 (ko) 사용자 발화를 처리하는 전자 장치 및 그 작동 방법
WO2018101671A1 (en) Apparatus and method for providing sentence based on user input
WO2019125082A1 (en) Device and method for recommending contact information
WO2019050137A1 (en) SYSTEM AND METHOD FOR DETERMINING INPUT CHARACTERS BASED ON SCAN INPUT
WO2020060151A1 (en) System and method for providing voice assistant service
EP3652925A1 (en) Device and method for recommending contact information
WO2020180001A1 (ko) 전자 장치 및 이의 제어 방법
WO2021085812A1 (ko) 전자장치 및 그 제어방법
WO2020209661A1 (en) Electronic device for generating natural language response and method thereof
WO2020080771A1 (ko) 변형 발화 텍스트를 제공하는 전자 장치 및 그것의 동작 방법
WO2019190243A1 (ko) 사용자와의 대화를 위한 정보를 생성하는 시스템 및 방법
WO2020101389A1 (ko) 음성 인식 기반 이미지를 표시하는 전자 장치
EP3545685A1 (en) Method and apparatus for filtering video

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18775135

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18775135

Country of ref document: EP

Kind code of ref document: A1