WO2019124963A1 - 음성 인식 장치 및 방법 - Google Patents

음성 인식 장치 및 방법 Download PDF

Info

Publication number
WO2019124963A1
WO2019124963A1 PCT/KR2018/016219 KR2018016219W WO2019124963A1 WO 2019124963 A1 WO2019124963 A1 WO 2019124963A1 KR 2018016219 W KR2018016219 W KR 2018016219W WO 2019124963 A1 WO2019124963 A1 WO 2019124963A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice
data
signal
speech
user
Prior art date
Application number
PCT/KR2018/016219
Other languages
English (en)
French (fr)
Inventor
서찬원
김예훈
윤소정
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 CN201880082848.XA priority Critical patent/CN111492425A/zh
Priority to US16/770,243 priority patent/US20200372911A1/en
Publication of WO2019124963A1 publication Critical patent/WO2019124963A1/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
    • 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • 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
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced 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
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G10L15/25—Speech recognition using non-acoustical features using position of the lips, movement of the lips or face analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • 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
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Definitions

  • the present disclosure relates to a speech recognition apparatus and method.
  • the present disclosure also relates to an artificial intelligence (AI) system and its applications that utilize machine learning algorithms such as deep learning.
  • AI artificial intelligence
  • AI Artificial Intelligence
  • AI is a computer system that implements human-level intelligence. Unlike existing rules-based smart system, AI is a system that learns, judges and becomes smart. As the use of artificial intelligence increases the recognition rate and understanding of user preferences more accurately, existing rule-based smart systems are gradually being replaced by deep-run-based artificial intelligence systems.
  • Artificial intelligence technology consists of element technologies that utilize deep learning and machine learning.
  • Machine learning is an algorithm technology that classifies / learns the characteristics of input data by itself.
  • Element technology is a technology that uses machine learning algorithms such as deep learning. It is used for linguistic understanding, visual understanding, reasoning / prediction, knowledge representation, .
  • Linguistic understanding is a technology for recognizing, applying, and processing human language / characters, including natural language processing, machine translation, dialogue system, query response, speech recognition / synthesis, and the like.
  • Visual understanding is a technology for recognizing and processing objects as human vision, including object recognition, object tracking, image search, human recognition, scene understanding, spatial understanding, and image enhancement.
  • Inference prediction is a technique for judging and logically inferring and predicting information, including knowledge / probability based reasoning, optimization prediction, preference base planning, and recommendation.
  • Knowledge representation is a technology for automating human experience information into knowledge data, including knowledge building (data generation / classification) and knowledge management (data utilization).
  • the motion control is a technique for controlling the autonomous travel of the vehicle and the motion of the robot, and includes motion control (navigation, collision, traveling), operation control (behavior control), and the like.
  • the present invention also provides a computer-readable recording medium on which a program for causing the computer to execute the method is provided.
  • the technical problem to be solved is not limited to the technical problems as described above, and other technical problems may exist.
  • a voice recognition apparatus receives a voice signal through a microphone and a microphone and analyzes the received voice signal using a data recognition model based on a neural network to generate voice characteristic data And determines based on the voice characteristic data whether the voice signal is a voice uttered by the user or a voice outputted from an external device and determines the voice signal as a voice uttered by the user, And to perform operations corresponding to voice commands.
  • FIG. 1 is a diagram illustrating an example in which a speech recognition apparatus according to an embodiment operates.
  • FIG. 2 is a flowchart of an operation method of a speech recognition apparatus according to an embodiment.
  • 3A is a flowchart for explaining an example of detecting a voice signal according to an embodiment.
  • FIG. 3B is a diagram for explaining an example of detecting a voice signal according to an embodiment.
  • 4A is a flowchart for explaining an example of distinguishing a voice of a user and a voice of an external device according to an embodiment.
  • FIG. 4B is a view for explaining an example in which a speech recognition apparatus according to an embodiment filters speech of an external device.
  • FIG. 4C is a view for explaining the distinction between the sound of the same user and the sound of the recorded sound according to an embodiment.
  • FIG. 5 is a flowchart for explaining an example of generating voice characteristic data according to an embodiment.
  • FIG. 6 is a view for explaining an example of generating voice characteristic data according to an embodiment.
  • FIG. 7 is a flowchart for explaining another example of generating voice characteristic data according to an embodiment.
  • FIG. 8 is a view for explaining another example of generating voice characteristic data according to an embodiment.
  • FIG. 9 is a flowchart for explaining another example of generating voice characteristic data according to an embodiment.
  • FIG. 10 is a diagram for explaining another example of generating voice characteristic data according to an embodiment.
  • FIG. 11 is a flowchart illustrating an example in which a user's voice and an external device's voice are distinguished using a surrounding image according to an exemplary embodiment.
  • FIG. 12 is a view for explaining an example of distinguishing a user's voice and a voice of an external device using a peripheral image according to an embodiment.
  • FIG. 13 is a flowchart illustrating an example of identifying a user who has been granted voice command authority according to an embodiment.
  • FIG. 14 is a flowchart illustrating an example of identifying a user who has been granted voice command authority according to another embodiment.
  • FIG. 15 is a diagram for explaining an example of identifying a user who has been granted voice command authority according to an embodiment.
  • 16 is a block diagram of a speech recognition apparatus according to an embodiment of the present invention.
  • FIG. 17 is a detailed block diagram of a speech recognition apparatus according to an embodiment.
  • FIG. 18 is a block diagram of a processor in accordance with one embodiment.
  • 19 is a block diagram of a data learning unit according to an embodiment.
  • 20 is a block diagram of a data recognition unit according to an embodiment.
  • FIG. 21 is a diagram illustrating an example in which data is learned and recognized by the voice recognition apparatus and the server in accordance with an embodiment of the present invention.
  • a voice recognition apparatus receives a voice signal through a microphone and a microphone and analyzes the received voice signal using a data recognition model based on a neural network to generate voice characteristic data And determines based on the voice characteristic data whether the voice signal is a voice uttered by the user or a voice outputted from an external device and determines the voice signal as a voice uttered by the user, And to perform operations corresponding to voice commands.
  • a method of operating a speech recognition apparatus comprising: receiving a speech signal through a microphone; analyzing the received speech signal using a data recognition model based on a neural network; Determining whether a speech signal is a speech uttered by a user or a speech output from an external device based on the speech characteristic data using a data recognition model, and determining the speech signal as a speech uttered by the user , It may include determining the voice signal as a voice command of the user and performing an operation corresponding to the voice command.
  • a computer-readable recording medium includes a recording medium on which a program for causing a computer to execute the above-described method is recorded.
  • &quot When an element is referred to as " including " an element throughout the specification, it is to be understood that the element may include other elements as well, without departing from the spirit or scope of the present invention.
  • " “... Module " or the like means a unit for processing at least one function or operation, which may be implemented in hardware or software, or a combination of hardware and software.
  • FIG. 1 is a diagram illustrating an example in which a speech recognition apparatus according to an embodiment operates.
  • a speech recognition apparatus 1000 (see Fig. 16 and 17) (hereinafter, speech recognition apparatus 1000) is a device capable of recognizing a voice command of a user.
  • the voice recognition apparatus 1000 may be a voice recognition speaker capable of performing a function corresponding to a recognized voice command of the user, but is not limited thereto.
  • the voice recognition apparatus 1000 can provide a service for providing a response to a user's question (for example, a weather message, a schedule management, etc.), accessing a web server, But are not limited thereto.
  • the speech recognition apparatus 1000 may be connected to other apparatuses and perform functions (e.g., control of appliances, etc.) for controlling other apparatuses.
  • a speech recognition apparatus 1000 receives a voice of a user 10 (for example, "Order a delicious pizza", 101) It is possible to judge whether or not the voice uttered directly from the speaker 10 is correct.
  • a voice of a user 10 for example, "Order a delicious pizza", 101
  • the speech recognition apparatus 1000 may be configured so that the received speech signal is speech uttered directly from the user 10 within a predetermined distance from the speech recognition apparatus 1000, or other external device (e.g., TV, One or more data recognition models learned to be applied to speech signal analysis may be used to determine whether speech is output from an audio output device (not shown) (hereinafter, an external device or an audio output device).
  • an audio output device not shown
  • the speech recognition apparatus 1000 may use a data recognition model based on a neural network such as a Deep Neural Network (DNN) or a Recurrent Neural Network (RNN).
  • a neural network such as a Deep Neural Network (DNN) or a Recurrent Neural Network (RNN).
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • the speech recognition apparatus 1000 may use one or more data recognition models based on a neural network to generate speech signals that are input through a microphone 1620 (see FIGS. 16 and 17) (hereinafter referred to as a microphone 1620) And can determine whether the speech signal is speech uttered by the user or output from the external apparatus based on the speech characteristic data.
  • the voice characteristic data may include information generated by analyzing voice signal characteristics such as waveform, frequency, amplitude, and the like of the voice signal.
  • the voice characteristic data may include information analyzed regarding whether the voice signal is an analog signal, a digital signal, a signal restored from the compressed signal, and whether electrical noise is included.
  • the voice characteristic data will be described later in more detail with reference to FIG. 5 to FIG.
  • the voice recognition apparatus 1000 determines that the received voice signal is not a voice command directly issued by the user but is a voice signal output from another sound output apparatus (not shown) By filtering the signal, the received voice signal can be separated into non-voice commands.
  • the speech recognition apparatus 1000 receives a human voice signal (e.g., a user voice output from a TV, a recorded user voice output from a mobile phone, etc.) output from another sound output apparatus It is possible to prevent a situation in which the speech recognition apparatus unnecessarily performs an operation that is not intended by the user by not mistaking it as a voice command for the voice recognition apparatus 1000.
  • a human voice signal e.g., a user voice output from a TV, a recorded user voice output from a mobile phone, etc.
  • the speech recognition apparatus 1000 is shown as a voice recognition speaker as an embodiment, but the present invention is not limited thereto.
  • the speech recognition apparatus 1000 may be implemented as an electronic apparatus performing a speech recognition function.
  • the voice recognition apparatus 1000 may be a smart TV, a set top box, a mobile phone, a tablet PC, a digital camera, a laptop computer, a desktop, an electronic book terminal, a digital broadcast terminal, A portable multimedia player (PMP), a navigation device, an MP3 player, a wearable device, and the like.
  • PMP portable multimedia player
  • FIG. 2 is a flowchart of an operation method of a speech recognition apparatus according to an embodiment.
  • step S201 of Fig. 2 the voice recognition apparatus 1000 can receive a voice signal.
  • the speech recognition apparatus 1000 may receive a speech signal through a microphone 1620 (see FIGS. 16 and 17) (hereinafter referred to as a microphone 1620).
  • the processor 1300 (Figs. 16 and 17) of the speech recognition apparatus 1000 (hereinafter referred to as the processor 1300) executes an application for speech recognition, 1620 via a network.
  • step S202 the voice recognition apparatus 1000 can generate voice characteristic data by analyzing the received voice signal.
  • the voice output from the user and the voice output from the sound output device may have different characteristics of the voice signal such as the waveform and frequency of the voice signal.
  • the speech signal uttered by the user may be an analog signal
  • the speech signal output from the sound output apparatus may be a restored signal of the compressed digital signal.
  • a voice signal output from the acoustic output apparatus may include electrical noise.
  • the speech recognition apparatus 1000 may use a data recognition model based on a neural network to analyze speech signals and generate speech characteristic data.
  • the speech recognition apparatus 1000 may generate speech characteristic data including information obtained by analyzing the waveform, frequency, etc. of the input speech signal using one or more data recognition models .
  • the voice characteristic data may include information on whether the voice signal is an analog signal, a digital signal, a signal restored from the compressed signal, and the like.
  • step S203 based on the voice characteristic data, the voice recognition apparatus 1000 can determine whether the voice signal is a voice uttered by the user or output from an external device.
  • the speech recognition apparatus 1000 may be based on a neural network to determine whether the speech signal is speech uttered by the user or output from an external apparatus based on the speech characteristic data Can be used.
  • the speech recognition apparatus 1000 may use one or more data recognition models to analyze the speech characteristic data including the information that the speech signal is an analog signal and does not include electrical noise, according to the received speech signal analysis It can be determined based on the fact that the voice signal is not the voice outputted from the external device but the voice uttered directly by the user.
  • step S204 the voice recognition apparatus 1000 can determine the voice signal as the voice command of the user and perform the operation corresponding to the voice command, by determining the voice signal as the voice uttered by the user.
  • the speech recognition apparatus 1000 may determine a voice signal as a voice command of the user, determine the meaning of the voice command and the intention of the user, and perform functions corresponding to the voice command of the user.
  • the speech recognition apparatus 1000 may analyze a voice command of a user using a data recognition model based on a neural network to perform an operation corresponding to a user's intention. For example, as shown in FIG. 1, the speech recognition apparatus 1000 accesses a web site where a pizza can be ordered according to a user's voice command ("Order a delicious pizza" 101) It is possible to perform the ordering and payment functions.
  • the speech recognition apparatus 1000 when the speech recognition apparatus 1000 analyzes a received speech signal and performs a speech command when it is determined that the speech signal is speech uttered directly by the user, the speech output of the external device is mistaken as a speech command It is possible to prevent the risk of doing so. According to the embodiment, it is possible to prevent the situation where the speech recognition apparatus unnecessarily performs the operation that the user does not intend.
  • FIG. 3A is a flowchart for explaining an example of detecting a voice signal according to an embodiment.
  • FIG. 3B is a diagram for explaining an example of detecting a voice signal according to an embodiment. The flow chart of FIG. 3A will be described with reference to the drawing of FIG. 3B.
  • step S301 of Fig. 3 the voice recognition apparatus 1000 can receive sound input through the microphone 1620.
  • the sound input through the microphone 1620 may include ambient noise as well as a human voice.
  • the microphone 1620 of the speech recognition apparatus 1000 includes a vehicle's running or horn sound 411, a human voice sound 412, an animal sound 413, And the like. Each sound from different sources can have different waveforms.
  • the sound input through the microphone 1620 can be recognized as an integrated speech signal 414.
  • the speech recognition apparatus 1000 can detect a speech signal from the received sound.
  • the speech recognition apparatus 1000 may detect a human voice sound 415 from an integrated speech signal 414.
  • the speech recognition apparatus 1000 may detect only a human speech signal from a received speech signal using one or more data recognition models applied to speech signal analysis.
  • the speech recognition apparatus 1000 can distinguish between human voice and noise by analyzing the frequency characteristics and relative energy of human speech and noise.
  • the speech recognition apparatus 1000 may divide the input sound into a very small time unit and analyze how the frequency or energy of the sound changes according to each frame. For example, A zero crossing rate (ZCR) may be used. It is possible to calculate how much the sound passes through the zero point according to each frame in which the sound is divided into time units and calculate the energy value at that time to determine the characteristics of the sound.
  • ZCR zero crossing rate
  • 4A is a flowchart for explaining an example of distinguishing a voice of a user and a voice of an external device according to an embodiment.
  • 4B is a view for explaining an example in which a speech recognition apparatus according to an embodiment filters speech of an external device. Referring to the flowchart of FIG. 4A, the following description will be made with reference to FIG. 4B.
  • step S401 of Fig. 4A the speech recognition apparatus 1000 can determine whether the speech signal is speech uttered by the user or output from the external device based on the speech characteristic data.
  • step S402 the voice recognition apparatus 1000 can determine the voice signal as the voice command of the user and perform the operation corresponding to the voice command, as the voice signal is determined as the voice uttered by the user.
  • Steps S401 and S402 have been described above with reference to steps S203 and S204 in Fig. 2, and therefore will not be described.
  • the speech recognition apparatus 1000 can filter the speech signal by determining the speech signal as the speech output from the external device.
  • the speech recognition apparatus 1000 determines that the received speech signal is not the speech uttered directly by the user but the speech output from the surrounding acoustic output apparatus (e.g., TV, radio, smart phone, etc.) Accordingly, it can be determined that the voice signal is not a voice command of the user and filtering is performed. The speech recognition apparatus 1000 does not analyze the meaning of the voice command for the filtered voice signal and does not perform the operation according to the voice command.
  • the surrounding acoustic output apparatus e.g., TV, radio, smart phone, etc.
  • FIG. 4C is a view for explaining the distinction between the sound of the same user and the sound of the recorded sound according to an embodiment.
  • the sound 421 directly generated by the user and the voice 422 reproduced by the sound output device e.g., cellular phone
  • Amplitude, frequency, and the like may be different.
  • the speech recognition apparatus 1000 divides the input sound into a very small time unit and analyzes the frequency characteristics of the voice signal for each frame, It is possible to distinguish whether or not the sound is reproduced.
  • the speech recognition apparatus 1000 may use one or more data recognition models applied to speech signal analysis to distinguish whether the received speech signal is a speech sound that is directly uttered from a user or a reproduced sound of a recorded voice .
  • 3A to 4C illustrate an embodiment and are not limited thereto.
  • FIG. 5 is a flowchart for explaining an example of generating voice characteristic data according to an embodiment.
  • 6 is a view for explaining an example of generating voice characteristic data according to an embodiment. The flow chart of Fig. 5 will be described with reference to Fig. 6.
  • step S501 of Fig. 5 the speech recognition apparatus 1000 can receive a speech signal.
  • Step S501 has been described in detail with reference to step S201 in Fig. 2, and therefore, will be omitted.
  • the speech recognition apparatus 1000 may perform a step of detecting a speech signal from the sound input through the microphone 1620.
  • step S502 the speech recognition apparatus 1000 can generate speech characteristic data by analyzing whether the speech signal is a signal restored from the compressed speech signal.
  • the audio signal output from the audio output apparatus 200 is a voice signal output by reproducing an audio file stored in the memory of the audio output apparatus 200 or reproducing an audio file received from another apparatus or a server, (1530, FIG. 17), but is not limited thereto.
  • the speech signal output from the sound output apparatus 200 may be a signal obtained by restoring a compressed signal using, for example, code excited linear prediction (CELP).
  • CELP code excited linear prediction
  • the audio signal output from the audio output apparatus 200 may be a restored signal obtained by restoring a compressed signal using a codec such as MP3, AC3, or AAC (Advanced Audio Coding).
  • a loss of a signal may occur in the process of compressing and restoring a voice signal. For example, loss of signal may occur in a frequency range where a person can not hear well.
  • the speech recognition apparatus 100 may generate speech characteristic data including information obtained by analyzing whether the speech signal is a signal reconstructed from the compressed speech signal.
  • the speech recognition apparatus 1000 may distinguish between a compressed digital signal 601 or an uncompressed analog signal 602 by analyzing the frequency, waveform, and the like of the speech signal.
  • the speech recognition apparatus 1000 determines that the speech signal is an uncompressed analog signal, it can be determined that the speech signal is a speech signal directly generated by the user. Alternatively, the speech recognition apparatus 100 may determine that the probability of the speech signal being uttered by the user is high.
  • the speech recognition apparatus 100 generates voice characteristic data by determining whether a voice signal is compression applied or not, using a data recognition model based on a neural network can do. Further, the speech recognition apparatus 100 can use the data recognition model to determine whether the speech signal is speech uttered by the user or output from the sound output apparatus 200, based on the speech characteristic data.
  • the speech recognition apparatus 1000 may consider at least one piece of information included in the voice characteristic data generated according to the voice signal analysis of Figs. 8 to 15, which will be described later, It is possible to determine whether or not the voice is outputted.
  • FIG. 7 is a flowchart for explaining another example of generating voice characteristic data according to an embodiment.
  • 8 is a view for explaining another example of generating voice characteristic data according to an embodiment.
  • the flow chart of Fig. 7 will be explained with reference to the drawing of Fig.
  • the speech recognition apparatus 1000 can receive a speech signal.
  • step S701 has been described in detail with reference to step S201 in Fig. 2, it will be omitted.
  • the speech recognition apparatus 1000 may perform a step of detecting a speech signal from the sound input through the microphone 1620.
  • step S702 the voice recognition apparatus 1000 can generate voice characteristic data by analyzing whether or not the voice signal includes electrical noise.
  • Electric noise may be included in a voice signal output from the sound output apparatus 200 (for example, a smart phone or the like) (for example, a voice signal of a voice file in which a user's voice is recorded).
  • a voice signal output from the sound output apparatus 200 for example, a smart phone or the like
  • a voice signal of a voice file in which a user's voice is recorded for example, a voice signal of a voice file in which a user's voice is recorded.
  • the speech recognition apparatus 100 analyzes the waveform, frequency, etc. of a speech signal to determine whether the speech signal includes a signal 603 containing electrical noise or a signal not containing electrical noise 604).
  • the speech recognition apparatus 100 may generate speech characteristic data including information analyzing whether the speech signal includes electrical noise.
  • the speech recognition apparatus 100 generates speech characteristic data by determining the probability of whether or not the speech signal includes electrical noise using a data recognition model based on a neural network can do. Further, the speech recognition apparatus 1000 can determine whether the speech signal is speech uttered by the user or output from the sound output apparatus 200, based on the speech characteristic data, using a data recognition model.
  • the speech recognition apparatus 1000 may consider at least one piece of information included in the voice characteristic data generated according to the voice signal analysis in Figs. 5, 6, 7, and 10 to 15 It is possible to determine whether it is a speech uttered or output from an external device.
  • FIG. 9 is a flowchart for explaining another example of generating voice characteristic data according to an embodiment.
  • FIG. 10 is a diagram for explaining another example of generating voice characteristic data according to an embodiment. The flow chart of Fig. 9 will be described with reference to the drawing of Fig.
  • step S901 of Fig. 9 the voice recognition apparatus 1000 can receive a voice signal.
  • Step S901 has been described above with reference to step S201 in Fig. 2, and therefore, will be omitted.
  • the speech recognition apparatus 1000 may perform a step of detecting a speech signal from the sound input through the microphone 1620.
  • step S902 the voice recognition apparatus 1000 can generate voice characteristic data by analyzing the output position of the received voice signal.
  • the speech recognition apparatus 1000 can preset at least one output position of a voice signal output from an external device.
  • the sound output device 200 may be controlled to output a sound signal.
  • the voice recognition apparatus 1000 can receive a voice signal through the microphone 1620 (FIG. 17) and determine the position and direction of the voice signal output. For example, the voice recognition apparatus 1000 can set an output position 1001 of a voice signal output from the external device 200.
  • the speech recognition apparatus 1000 may generate speech characteristic data including information that determines whether the output position of the received speech signal corresponds to a preset output position.
  • the speech recognition apparatus 1000 when the speech recognition apparatus 1000 receives an audio signal, it determines the output position of the audio signal. When the output positions 1002 and 1003 of the audio signal are at the preset output position 1001, It is possible to judge whether or not it corresponds.
  • the voice recognition apparatus 1000 determines whether or not the output positions 1002 and 1003 of the voice signal coincide with the preset output position 1001 of the external device or within a predetermined range, Lt; / RTI >
  • the speech recognition apparatus 1000 can determine that the output position 1003 of the voice signal differs from the output position 1001 of the previously set external device to the extent that the output position 1003 is different from a predetermined range. Alternatively, the speech recognition apparatus 100 may determine that the probability of speech uttered directly by the user is high.
  • the speech recognition apparatus 1000 determines that the output position 1002 of the speech signal is close to the preset output position 1001 of the external device within a predetermined range, the speech recognition apparatus 1000 outputs the speech signal from the predetermined sound output apparatus 220 It can be determined that it is a voice signal. Alternatively, the speech recognition apparatus 1000 may determine that the probability of the speech signal output from the sound output apparatus 220 is high
  • the voice recognition apparatus 1000 can generate voice characteristic data by determining the number of output positions at which the received voice signal is outputted.
  • the sound output apparatus When the sound output apparatus is connected to a plurality of external speakers and outputs sound signals through a plurality of external speakers, it is possible to output sounds in various directions.
  • the speech recognition apparatus 1000 determines that a plurality of output positions at which the received voice signals are outputted are high, it can be determined that the probability that the voice signals are output from the external device is high.
  • the speech recognition apparatus 100 generates voice characteristic data by determining the output position and the number of output positions of the voice signal using a data recognition model based on a neural network .
  • the speech recognition apparatus 1000 can use the data recognition model to determine whether the speech signal is speech uttered by the user or output from the sound output apparatus 200 based on the speech characteristic data.
  • the speech recognition apparatus 1000 may consider at least one piece of information included in the voice characteristic data generated according to the voice signal analysis of Figs. 5 to 9 and later described Figs. 11 to 15, It is possible to determine whether it is a voice or a voice output from an external device.
  • FIG. 11 is a flowchart illustrating an example in which a user's voice and an external device's voice are distinguished using a surrounding image according to an exemplary embodiment.
  • 12 is a view for explaining an example of distinguishing a user's voice and a voice of an external device using a peripheral image according to an embodiment.
  • the flow chart of Fig. 11 will be described with reference to the drawing of Fig.
  • step S1101 of Fig. 11 the speech recognition apparatus 1000 can take a picture of the periphery of the speech recognition apparatus.
  • the speech recognition apparatus 1000 may include a camera 1610 (FIG. 17) (hereinafter, a camera 1610).
  • the voice recognition apparatus 1000 can photograph the periphery of the voice recognition apparatus 1000 using the camera 1610.
  • step S1102 the voice recognition apparatus 1000 can determine whether the captured peripheral image includes a user or an external device.
  • a peripheral image captured by the voice recognition apparatus 1000 may include a user 10 or an audio output device (e.g., a TV) 200.
  • an audio output device e.g., a TV
  • step S1103 the voice recognition apparatus 1000 can determine whether the voice signal is a voice uttered by the user or output from an external device.
  • the voice recognition apparatus 1000 determines that the sound output apparatus 200 is included in the photographed image, the probability that the sound signal is output from the sound output apparatus 200 It can be judged to be high.
  • the voice recognition apparatus 1000 judges that the user 10 is included in the photographed image, the voice recognition apparatus 1000 can determine that the probability that the voice signal is a voice uttered directly from the user 10 is high.
  • the speech recognition apparatus 1000 analyzes a photographed image of the periphery of the speech recognition apparatus 1000 using a data recognition model based on a neural network, It is possible to judge whether the sound is the sound output from the sound output apparatus 200 or the sound output from the sound output apparatus 200.
  • the speech recognition apparatus 1000 may consider at least one information included in the voice characteristic data generated according to the voice signal analysis of Figs. 5 to 11 and later-described Figs. 13 to 15, It is possible to determine whether it is a voice or a voice output from an external device.
  • FIG. 13 is a flowchart illustrating an example of identifying a user who has been granted voice command authority according to an embodiment.
  • FIG. 14 is a flowchart illustrating an example of identifying a user who has been granted voice command authority according to another embodiment.
  • FIG. 15 is a diagram for explaining an example of identifying a user who has been granted voice command authority according to an embodiment. Referring to the flow chart of FIG. 13 and FIG. 14, the following description will be made with reference to the drawing of FIG.
  • the speech recognition apparatus 1000 can perform an operation corresponding to a voice command only for voice commands of a user registered to be allowed voice commands.
  • FIG. 13 shows an example of performing a voice command of a user authorized by voice command by identifying a face of a user.
  • step S1301 of Fig. 13 the voice recognition apparatus 1000 can preset the face identification data of the registered user to which voice command authority is given.
  • the voice recognition apparatus 1000 may store, in the memory 1700 (FIG. 17), registered face identification data 151 of a voice command right granted thereto.
  • step S1302 the speech recognition apparatus 1000 can take a picture of the periphery of the speech recognition apparatus.
  • the speech recognition apparatus 1000 may include a camera 1610 (see FIG. 17).
  • the voice recognition apparatus 1000 can photograph the surroundings using the camera 1610.
  • step S1303 the voice recognition apparatus 1000 can determine that the user included in the photographed peripheral image matches the face identification data set in advance.
  • the speech recognition apparatus 1000 analyzes a photographed image and recognizes the face of the user 20 included in the image to determine whether the face matches the preset face identification data 151 .
  • the speech recognition apparatus 1000 recognizes a user face included in an image using a data recognition model based on a neural network, and recognizes the face of the user registered in the memory 1700 It is possible to recognize whether or not it matches the face identification information of the user.
  • step S1304 the voice recognition apparatus 1000 can determine the voice signal as a voice command of the user and perform an operation corresponding to the voice command.
  • the voice recognition apparatus 1000 analyzes the meaning of a voice signal and determines that the face of the user included in the video coincides with the face of the user having the preset voice command authority Operation can be performed.
  • Filtering can be performed without judging.
  • FIG. 14 shows an example of performing a voice command of a user authorized by voice command by identifying a user voice.
  • step S1401 of Fig. 14 the voice recognition apparatus 1000 can preset the voice identification data of the registered user to whom voice command authority is given.
  • the speech recognition apparatus 1000 may store, in the memory 1700 (FIG. 17), voice identification data 152 of a registered user who is authorized to voice command.
  • step S1402 the speech recognition apparatus 1000 can receive a speech signal.
  • the speech recognition apparatus 1000 may receive a speech signal of the user 20 using a microphone 1620 (FIG. 17).
  • step S1403 the voice recognition apparatus 1000 can determine that the received voice signal conforms to the voice identification data set in advance.
  • the voice recognition apparatus 1000 can determine whether it matches the preset voice identification data 152 by recognizing the voice of the user 20.
  • the speech recognition apparatus 1000 recognizes a user's voice using a data recognition model based on a neural network, and recognizes the voice of the registered user previously stored in the memory 1700 Information can be recognized.
  • step S1404 the voice recognition apparatus 1000 can determine the voice signal as a voice command of the user and perform an operation corresponding to the voice command.
  • the voice recognition apparatus 1000 analyzes the meaning of the voice signal and determines the operation according to the voice command as it is determined that the voice of the recognized user coincides with the voice of the user having the voice command authority set in advance Can be performed.
  • the voice recognition apparatus 1000 determines that the voice of the recognized user 20 does not match the voice 152 of the user having the voice command authority set in advance, It is possible to filter the voice signal without judging it as a voice command.
  • the speech recognition apparatus 1000 may include an acoustic output unit 1220 (FIG. 17).
  • the voice recognition apparatus 1000 When the recognized speech or the recognized user face is judged to be inconsistent with the user having the voice command authority, the voice recognition apparatus 1000 notifies the voice output unit 1220 that the voice of the user having the voice command authority is not voice Can be output.
  • the speech recognition apparatus 1000 may output a message " It is an unauthorized user " through the sound output unit 1220.
  • 16 is a block diagram of a speech recognition apparatus according to an embodiment of the present invention.
  • 17 is a detailed block diagram of a speech recognition apparatus according to an embodiment.
  • the speech recognition apparatus 1000 may include a microphone 1620 and a processor 1300. However, not all of the components shown in FIG. 16 are essential components of the speech recognition apparatus 1000.
  • the speech recognition apparatus 1000 may be implemented by more components than the components shown in Fig. 16, or the speech recognition apparatus 1000 may be implemented by fewer components than those shown in Fig.
  • the speech recognition apparatus 1000 includes a microphone 1620 and a processor 1300, a user input unit 1100, an output unit 1200, a sensing unit (not shown) 1400, a communication unit 1500, an A / V input unit 1600, and a memory 1700.
  • the user input unit 1100 means means for the user to input data for controlling the voice recognition apparatus 1000.
  • the user input unit 1100 may include a key pad, a dome switch, a touch pad (contact type capacitance type, pressure type resistive type, infrared ray detection type, surface ultrasonic wave conduction type, A tension measuring method, a piezo effect method, etc.), a jog wheel, a jog switch, and the like, but is not limited thereto.
  • the user input unit 1100 may be connected to the microphone 1620 to receive a voice input for controlling the voice recognition apparatus 1000.
  • the output unit 1200 may output an audio signal or a video signal or a vibration signal and the output unit 1200 may include a display unit 1210, an acoustic output unit 1220, and a vibration motor 1230 have.
  • the display unit 1210 displays and outputs information processed in the speech recognition apparatus 1000.
  • the display unit 1210 can display information on the voice command of the user recognized by the voice recognition apparatus 1000, or information on the result of the operation performed according to the voice command.
  • the display unit 1210 and the touch pad have a layer structure and are configured as a touch screen
  • the display unit 1210 can be used as an input device in addition to the output device.
  • the display unit 1210 may be a liquid crystal display, a thin film transistor-liquid crystal display, an organic light-emitting diode, a flexible display, a three-dimensional display A 3D display, and an electrophoretic display.
  • the display unit 1210 may include a light emitting element (not shown).
  • the light emitting device (not shown) may include, for example, a light emitting diode and a display panel, but is not limited thereto.
  • the sound output unit 1220 outputs sound data received from the communication unit 1500 or stored in the memory 1700.
  • the vibration motor 1230 can output a vibration signal.
  • the sound output unit 1220 can output information on the result of performing an operation according to a voice command.
  • the sound output unit 1220 may output a message that the sound output unit 1220 is not a voice of a user having voice command authority.
  • Processor 1300 typically controls the overall operation of speech recognition apparatus 1000.
  • the processor 1300 may include a user input unit 1100, an output unit 1200, a sensing unit 1400, a communication unit 1500, an A / V input unit 1600 ) Can be generally controlled.
  • the processor 1300 may control the operation of the speech recognition apparatus 1000 to perform the functions of the speech recognition apparatus 1000 illustrated in FIGS.
  • the processor 1300 may receive a voice signal via the microphone 1620.
  • the processor 1300 also generates voice characteristic data by analyzing the received voice signal using a data recognition model based on a neural network and outputs a voice signal based on the voice characteristic data to the user It is possible to determine whether it is a speech uttered or output from an external device.
  • the processor 1300 may determine the voice signal as a voice command of the user and perform an operation corresponding to the voice command as the voice signal is determined as the voice uttered by the user.
  • the processor 1300 may filter the voice signal by determining the voice signal as a voice output from the external device.
  • the processor 1300 can generate voice characteristic data by analyzing whether the voice signal is a signal restored from the compressed voice signal.
  • the processor 1300 may also generate voice characteristic data by analyzing whether the voice signal includes electrical noise.
  • the processor 1300 can generate voice characteristic data by analyzing the output position of the received voice signal.
  • the processor 1300 can also generate the voice characteristic data by setting at least one output position of the voice signal output from the external device and determining whether the output position of the received voice signal corresponds to a preset output position have.
  • the processor 1300 can generate voice characteristic data by determining the number of output positions at which the received voice signal is outputted.
  • the processor 1300 also photographs the periphery of the voice recognition apparatus 1000 using the camera 1610 and determines whether or not the voice signal is present based on whether the user or the external device 200 is included in the photographed peripheral image It is possible to determine whether the voice is the voice uttered by the user or the voice outputted from the external device 200.
  • the processor 1300 sets the face identification data of the registered user authorized by the voice command in advance, and determines that the user included in the photographed peripheral image matches the face identification data set in advance, To the user's voice command and perform an operation corresponding to the voice command.
  • the processor 1300 sets the voice identification data of the registered user authorized voice command, and determines that the received voice signal conforms to the preset voice identification data, Command and can perform an operation corresponding to the voice command.
  • the sensing unit 1400 may sense the state of the voice recognition apparatus 1000 or the state around the voice recognition apparatus 1000 and may transmit the sensed information to the processor 1300.
  • the sensing unit 1400 includes a magnetism sensor 1410, an acceleration sensor 1420, an on / humidity sensor 1430, an infrared sensor 1440, a gyroscope sensor 1450, (E.g., GPS) 1460, an illumination sensor 1495, a proximity sensor 1480, and an RGB sensor (illuminance sensor) 1490.
  • a magnetism sensor 1410 an acceleration sensor 1420, an on / humidity sensor 1430, an infrared sensor 1440, a gyroscope sensor 1450, (E.g., GPS) 1460, an illumination sensor 1495, a proximity sensor 1480, and an RGB sensor (illuminance sensor) 1490.
  • the communication unit 1500 may include one or more components that allow the speech recognition apparatus 1000 to communicate with the outside.
  • the communication unit 1500 may include a local communication unit 1510, a mobile communication unit 1520, and a broadcast receiving unit 1530.
  • the short-range wireless communication unit 151 includes a Bluetooth communication unit, a BLE (Bluetooth Low Energy) communication unit, a Near Field Communication unit, a WLAN communication unit, a Zigbee communication unit, IrDA, an infrared data association) communication unit, a WFD (Wi-Fi Direct) communication unit, an UWB (ultra wideband) communication unit, an Ant + communication unit, and the like.
  • a Bluetooth communication unit a BLE (Bluetooth Low Energy) communication unit, a Near Field Communication unit, a WLAN communication unit, a Zigbee communication unit, IrDA, an infrared data association) communication unit, a WFD (Wi-Fi Direct) communication unit, an UWB (ultra wideband) communication unit, an Ant + communication unit, and the like.
  • the mobile communication unit 1520 transmits and receives radio signals to and from 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 depending on a voice call signal, a video call signal, or a text / multimedia message transmission / reception.
  • the broadcast receiving unit 1530 receives broadcast signals and / or broadcast-related information from outside through a broadcast channel.
  • the broadcast channel may include a satellite channel and a terrestrial channel.
  • the speech recognition apparatus 1000 may not include the broadcast receiver 1530 according to the embodiment.
  • the A / V (Audio / Video) input unit 1600 is for inputting an audio signal or a video signal, and may include a camera 1610, a microphone 1620, and the like.
  • the camera 1610 can obtain image frames such as still images or moving images through the image sensor in the video communication mode or the photographing mode.
  • the image captured via the image sensor may be processed through the processor 1300 or a separate image processing unit (not shown).
  • the image frame processed by the camera 1610 may be stored in the memory 1700 or may be transmitted to the outside via the communication unit 1500. More than one camera 1610 may be provided according to the configuration of the terminal.
  • the microphone 1620 receives an external acoustic signal and processes it as electrical voice data.
  • the microphone 1620 may receive acoustic signals from an external device or speaker.
  • the microphone 1620 may use various noise reduction algorithms to remove noise generated in receiving an external sound signal.
  • the memory 1700 may store a program for processing and controlling the processor 1300 and may store data input to or output from the speech recognition apparatus 1000.
  • the memory 1700 may be a flash memory type, a hard disk type, a multimedia card micro type, a card type memory (e.g., SD or XD memory), a 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) , An optical disc, and the like.
  • a flash memory type e.g., a hard disk type, a multimedia card micro type, a card type memory (e.g., SD or XD memory), a 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) , An optical disc, and the like.
  • a flash memory type e.g., a hard disk type
  • a multimedia card micro type e.g.
  • the programs stored in the memory 1700 can be classified into a plurality of modules according to their functions.
  • the memory 1700 can store the registration direction, the shading direction, information on the home device 2000, information on priority, place information, and the like.
  • the memory 1700 may store facial identification data, voice identification data, and the like of registered users authorized voice commands.
  • the memory 1700 may store at least one output location, direction, etc. of the voice signal output from the external device 200.
  • the UI module 1710 can provide a specialized UI, a GUI, and the like that are interlocked with the voice recognition apparatus 1000 for each application.
  • the touch screen module 1720 may detect a touch gesture on the user's touch screen and may pass information to the processor 1300 about the touch gesture.
  • the touch screen module 1720 according to some embodiments may recognize and analyze the touch code.
  • the touch screen module 1720 may be configured as separate hardware including a controller.
  • the notification module 1730 may generate a signal for notifying the occurrence of an event of the voice recognition apparatus 1000. Examples of events generated in the speech recognition apparatus 1000 include notification of related information such as schedule notification, completion of execution of a voice command, and key signal input.
  • the notification module 1730 may output a notification signal in the form of a video signal through the display unit 1210 or may output a notification signal in the form of an audio signal through the sound output unit 1220, It is possible to output a notification signal in the form of a vibration signal.
  • the external device 200 may also include the device configuration disclosed in Figs. 16 and 17. Fig.
  • FIG. 18 is a block diagram of a processor 1300 in accordance with one embodiment.
  • the processor 1300 may include a data learning unit 1310 and a data recognition unit 1320.
  • the data learning unit 1310 can learn the criteria for the situation determination.
  • the data learning unit 1310 can learn what data to use to determine a predetermined situation and how to determine the situation using the data.
  • the data learning unit 1310 acquires data to be used for learning, and applies the acquired data to a data recognition model to be described later, so as to learn a criterion for determining a situation.
  • the data recognition unit 1320 can determine the situation based on the data.
  • the data recognition unit 1320 can recognize the situation from predetermined data using the learned data recognition model.
  • the data recognizing unit 1320 can determine a predetermined situation based on predetermined data by acquiring predetermined data according to a predetermined reference by learning and using the acquired data as an input value and using the data recognition model . Further, the resultant value output by the data recognition model with the obtained data as an input value can be used to update the data recognition model.
  • At least one of the data learning unit 1310 and the data recognizing unit 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 learning unit 1310 and the data recognition unit 1320 may be fabricated in the form of a dedicated hardware chip for artificial intelligence (AI) or a conventional general purpose processor Or application processor) or a graphics-only processor (e.g., a GPU), and may be mounted on various electronic devices as described above.
  • AI artificial intelligence
  • a conventional general purpose processor Or application processor e.g., a graphics-only processor
  • the data learning unit 1310 and the data recognizing unit 1320 may be mounted on one electronic device or on separate electronic devices, respectively.
  • one of the data learning unit 1310 and the data recognizing unit 1320 may be included in the electronic device, and the other may be included in the server.
  • the data learning unit 1310 and the data recognition unit 1320 may provide the model information constructed by the data learning unit 1310 to the data recognition unit 1320 via a wire or wireless communication, 1320 may be provided to the data learning unit 1310 as additional learning data.
  • At least one of the data learning unit 1310 and the data recognition unit 1320 may be implemented as a software module.
  • the software module can be read by a computer, And may be stored in non-transitory computer readable media.
  • the at least one software module may be provided by an operating system (OS) or 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)
  • OS Operating System
  • 19 is a block diagram of a data learning unit according to an embodiment.
  • the data learning unit 1310 includes a data acquisition unit 1310-1, a preprocessing unit 1310-2, a learning data selection unit 1310-3, a model learning unit 1310 -4) and a model evaluation unit 1310-5.
  • the data acquisition unit 1310-1 can acquire data necessary for the situation determination.
  • the data acquisition unit 1310-1 can acquire data necessary for learning for the situation determination.
  • the data acquisition unit 1310-1 may receive data via an input device (e.g., a microphone, a camera, a sensor, or the like) of the electronic device.
  • the data acquisition unit 1310-1 may acquire data through an external device that communicates with the electronic device.
  • the data acquisition unit 1310-1 may also receive data from the server.
  • the data acquisition unit 1310-1 may acquire an image frame or a voice signal.
  • the data acquisition unit 1310-1 may receive a peripheral image of the voice recognition apparatus 1000.
  • the peripheral image may be composed of a plurality of images (or frames).
  • the data acquisition unit 1310-1 may include an external camera capable of communicating with the camera of the speech recognition apparatus including the data learning unit 1310, or the speech recognition apparatus including the data learning unit 1310 (for example, a CCTV Or a black box, etc.).
  • the camera may include one or more image sensors (e.g., front or rear), a lens, an image signal processor (ISP), or a flash (e.g., LED or xenon lamp).
  • ISP image signal processor
  • flash e.g., LED or xenon lamp
  • the data acquisition unit 1310-1 may acquire a voice signal input through the microphone 1620 (FIG. 17).
  • the preprocessing unit 1310-2 can preprocess the acquired data so that the acquired data can be used for learning for the situation determination.
  • the preprocessing unit 1310-2 can process the acquired data into a predetermined format so that the model learning unit 1310-4, which will be described later, can use the data acquired for learning for the situation determination.
  • the preprocessing unit 1310-2 may superimpose at least a part of the plurality of images on the basis of a common area included in each of a plurality of images (or frames) constituting at least a part of the input moving image A composite image can be generated. In this case, a plurality of composite images may be generated from one moving image.
  • the common area may be an area containing the same or similar common objects (e.g., objects, plants, animals, or the like) in each of the plurality of images.
  • the common area may be an area of the same or similar color, shade, RGB value or CMYK value in each of the plurality of images.
  • the learning data selection unit 1310-3 can select data necessary for learning from the preprocessed data.
  • the selected data may be provided to the model learning unit 1310-4.
  • the learning data selection unit 1310-3 can select data necessary for learning from the preprocessed data according to a predetermined criterion for the situation determination.
  • the learning data selection unit 1310-3 can also select data according to a predetermined criterion by learning by the model learning unit 1310-4, which will be described later.
  • voice characteristic data generated by analyzing a voice signal can be selected.
  • image data of the periphery of the voice recognition apparatus 1000 can be selected.
  • the model learning unit 1310-4 can learn a criterion on how to determine the situation based on the learning data. Further, the model learning unit 1310-4 may learn a criterion as to which learning data should be used for the situation determination.
  • the model learning unit 1310-4 can learn a criterion for determining whether a speech signal is a speech uttered by a user or a speech output from an external device, based on the speech characteristic data.
  • the model learning unit 1310-4 can learn the data recognition model used for the situation determination using the learning data.
  • the data recognition model may be a pre-built model.
  • the data recognition model may be a pre-built model receiving basic learning data (e.g., sample image, sample speech signal, etc.).
  • the data recognition model can be constructed considering 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.
  • models such as Deep Neural Network (DNN), Recurrent Neural Network (RNN), and Bidirectional Recurrent Deep Neural Network (BRDNN) may be used as a data recognition model, but the present invention is not limited thereto.
  • the model learning unit 1310-4 may use a data recognition model to learn a data recognition model having a large relation between input learning data and basic learning data You can decide.
  • the basic learning data may be pre-classified according to the type of data, and the data recognition model may be pre-built for each data type.
  • the basic learning data may be pre-classified by various criteria such as an area where the learning data is generated, a time at which the learning data is generated, a size of the learning data, a genre of the learning data, a creator of the learning data, .
  • model learning unit 1310-4 can learn a data recognition model using, for example, a learning algorithm including an error back-propagation method or a gradient descent .
  • the model learning unit 1310-4 can learn the data recognition model through, for example, supervised learning using the learning data as an input value. Also, the model learning unit 1310-4 learns, for example, the type of data necessary for the situation judgment without any guidance, and by doing unsupervised learning to find a criterion for the situation judgment, The data recognition model can be learned. Also, the model learning unit 1310-4 can learn the data recognition model through reinforcement learning using, for example, feedback as to whether the result of the situation judgment based on learning is correct.
  • the model learning unit 1310-4 can store the learned data recognition model.
  • the model learning unit 1310-4 can store the learned data recognition model in the memory of the speech recognition apparatus including the data recognition unit 1320.
  • the model learning unit 1310-4 can store the learned data recognition model in the memory of the speech recognition apparatus including the data recognition unit 1320 to be described later.
  • the model learning unit 1310-4 may store the learned data recognition model in a memory of a server connected to the speech recognition apparatus via a wired or wireless network.
  • the memory in which the learned data recognition model is stored may also store, for example, instructions or data associated with at least one other component of the speech recognition apparatus.
  • the memory may also store software and / or programs.
  • the program may include, for example, a kernel, a middleware, an application programming interface (API), and / or an application program (or "application").
  • the model evaluating unit 1310-5 inputs the evaluation data to the data recognition model. If the recognition result output from the evaluation data does not satisfy the predetermined criterion, the model evaluating unit 1310-5 can allow the model learning unit 1310-4 to learn again have.
  • the evaluation data may be predetermined data for evaluating the data recognition model.
  • the model evaluation unit 1310-5 it can be evaluated as unsatisfactory.
  • the predetermined criterion is defined as a ratio of 2%
  • the learned data recognition model outputs an incorrect recognition result for evaluation data exceeding 20 out of a total of 1000 evaluation data, Can be estimated that the learned data recognition model is not suitable.
  • the model evaluation unit 1310-5 evaluates whether each of the learned moving image recognition models satisfies a predetermined criterion, Can be determined as a model. In this case, when there are a plurality of models satisfying the predetermined criterion, the model evaluating unit 1310-5 can determine any one or a predetermined number of models previously set in the order of higher evaluation scores as the final data recognition model.
  • the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, and the model evaluation unit 1310-4 in the data learning unit 1310, -5) can be fabricated in at least one hardware chip form and mounted on a voice recognition device.
  • at least one of the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, and the model evaluation unit 1310-5 One may be made in the form of a dedicated hardware chip for artificial intelligence (AI), or may be fabricated as part of a conventional general purpose processor (e.g., a CPU or application processor) or a graphics dedicated processor (e.g., GPU) And may be mounted on various electronic devices.
  • AI artificial intelligence
  • the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, Or may be mounted on separate electronic devices, respectively.
  • some of the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, and the model evaluation unit 1310-5 May be included in the speech recognition device, and the rest may be included in the server.
  • At least one of the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, and the model evaluation unit 1310-5 Software module. At least one of the data acquisition unit 1310-1, the preprocessing unit 1310-2, the learning data selection unit 1310-3, the model learning unit 1310-4, and the model evaluation unit 1310-5, (Or a program module including an instruction), the software module may be stored in a computer-readable, readable non-transitory computer readable media. Also, in this case, the 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 some of the software modules may be provided by a predetermined application.
  • OS operating system
  • OS Operating System
  • 20 is a block diagram of a data recognition unit according to an embodiment.
  • a data recognition unit 1320 includes a data acquisition unit 1320-1, a preprocessing unit 1320-2, a recognition data selection unit 1320-3, 1320-4 and a model updating unit 1320-5.
  • the data acquisition unit 1320-1 can acquire data necessary for the situation determination and the preprocessing unit 1320-2 can preprocess the acquired data so that the acquired data can be used for the situation determination.
  • the preprocessing unit 1320-2 can process the acquired data into a predetermined format so that the recognition result providing unit 1320-4, which will be described later, can use the acquired data for the situation determination.
  • the recognition data selection unit 1320-3 can select data necessary for the situation determination from the preprocessed data.
  • the selected data may be provided to the recognition result provider 1320-4.
  • the recognition data selection unit 1320-3 can select some or all of the preprocessed data according to a predetermined criterion for the situation determination.
  • the recognition data selection unit 1320-3 can also select data according to a predetermined criterion by learning by the model learning unit 1310-4, which will be described later.
  • the recognition result provider 1320-4 can apply the selected data to the data recognition model to determine the situation.
  • the recognition result providing unit 1320-4 can provide the recognition result according to the data recognition purpose.
  • the recognition result providing unit 1320-4 can apply the selected data to the data recognition model by using the data selected by the recognition data selecting unit 1320-3 as an input value.
  • the recognition result can be determined by the data recognition model.
  • whether the recognized voice signal is a voice uttered by a user and the recognized voice signal is a voice of a registered user authorized voice command may be in the form of text, voice, video, image or command An execution command, a module function execution command, etc.).
  • the result of performing the action according to the recognized voice command may be provided as text, voice, moving image, image or command (e.g., application execution command, module function execution command, etc.).
  • the model updating unit 1320-5 can update the data recognition model based on the evaluation of the recognition result provided by the recognition result providing unit 1320-4. For example, the model updating unit 1320-5 provides the recognition result provided by the recognition result providing unit 1320-4 to the model learning unit 1310-4 so that the model learning unit 1310-4 The data recognition model can be updated.
  • the data acquisition unit 1320-1, the preprocessing unit 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updating unit 1320-4 in the data recognizing unit 1320 1320-5 may be fabricated in at least one hardware chip form and mounted on an electronic device.
  • At least one may be made in the form of a dedicated hardware chip for artificial intelligence (AI) or as part of a conventional general purpose processor (e.g. CPU or application processor) or a graphics dedicated processor (e.g. GPU) It may be mounted on one electronic device.
  • AI artificial intelligence
  • a conventional general purpose processor e.g. CPU or application processor
  • a graphics dedicated processor e.g. GPU
  • the data acquiring unit 1320-1, the preprocessing unit 1320-2, the recognition data selecting unit 1320-3, the recognition result providing unit 1320-4, and the model updating unit 1320-5 May be mounted on an electronic device, or may be mounted on separate electronic devices, respectively.
  • the preprocessing unit 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updating unit 1320-5 Some may be included in the electronic device, and the rest may be included in the server.
  • At least one of the data acquisition unit 1320-1, the preprocessing unit 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updating unit 1320-5 May be implemented as a software module.
  • At least one of the data acquisition unit 1320-1, the preprocessing unit 1320-2, the recognition data selection unit 1320-3, the recognition result providing unit 1320-4, and the model updating unit 1320-5 When implemented in a module (or program module including an instruction), the software module may be stored in a computer-readable, non-transitory computer readable medium.
  • the at least one software module may be provided by an operating system (OS) or by a predetermined application.
  • OS Operating System
  • some of the software module may be provided by an Operating System (OS)
  • some of the software modules may be provided by a predetermined application.
  • FIG. 21 is a diagram illustrating an example in which data is learned and recognized by the voice recognition apparatus and the server in accordance with an embodiment of the present invention.
  • 21 is a diagram showing an example in which data is learned and recognized by the voice recognition apparatus 1000 and the server 2000 according to some embodiments in cooperation with each other.
  • the server 2000 can learn a criterion for determining a situation, and the speech recognition apparatus 1000 can determine a situation based on a learning result by the server 2000.
  • the model learning unit 2340 of the server 2000 can perform the function of the data learning unit 1310 shown in Fig.
  • the model learning unit 2340 of the server 2000 can learn what data to use to determine a predetermined situation and how to determine the situation using data.
  • the model learning unit 2340 acquires data to be used for learning, and applies the obtained data to a data recognition model to be described later, so as to learn a criterion for situation judgment.
  • the recognition result providing unit 1320-4 of the speech recognition apparatus 1000 applies the data selected by the recognition data selecting unit 1320-3 to the data recognition model generated by the server 2000 to determine the situation can do.
  • the recognition result providing unit 1320-4 transmits the data selected by the recognition data selecting unit 1320-3 to the server 2000.
  • the server 2000 selects the recognition data selecting unit 1320-3, To apply the selected data to the recognition model to determine the situation.
  • the recognition result providing unit 1320-4 can receive from the server 2000 information on the status determined by the server 2000.
  • the voice recognition apparatus 100 transmits voice characteristic data to the server 2000, and the server 2000 applies the voice characteristic data to the data recognition model to determine whether the voice signal is voice uttered by the user, It is possible to determine whether or not the voice is output from the voice recognition unit. Further, the electronic device 100 can receive from the server 2000 whether the voice signal judged by the server 2000 is a voice uttered by the user or output from an external device.
  • the recognition result providing unit 1320-4 of the speech recognition apparatus 1000 can receive the recognition model generated by the server 2000 from the server 2000 and determine the situation using the received recognition model have. In this case, the recognition result providing unit 1320-4 of the speech recognition apparatus 1000 applies the data selected by the recognition data selecting unit 1320-3 to the data recognition model received from the server 2000 to judge the situation can do.
  • the speech recognition apparatus 1000 may apply the speech characteristic data to the data recognition model received from the server 2000 to learn whether the speech signal is a speech uttered by the user or a speech output from an external device .
  • the apparatus may include a processor, a memory for storing and executing program data, a permanent storage such as a disk drive, a communication port for communicating with an external device, a touch panel, a key, The same user interface device, and the like.
  • Methods implemented with software modules or algorithms may be stored on a computer readable recording medium as computer readable codes or program instructions executable on the processor.
  • the computer-readable recording medium may be a magnetic storage medium such as a read-only memory (ROM), a random-access memory (RAM), a floppy disk, a hard disk, ), And a DVD (Digital Versatile Disc).
  • the computer-readable recording medium may be distributed over networked computer systems so that computer readable code can be stored and executed in a distributed manner.
  • the medium is readable by a computer, stored in a memory, and executable on a processor.
  • This embodiment may be represented by functional block configurations and various processing steps. These functional blocks may be implemented in a wide variety of hardware and / or software configurations that perform particular functions. For example, embodiments may include integrated circuit components such as memory, processing, logic, look-up tables, etc., that may perform various functions by control of one or more microprocessors or other control devices Can be employed. Similar to how components may be implemented with software programming or software components, the present embodiments may be implemented in a variety of ways, including C, C ++, Java (" Java), an assembler, and the like. Functional aspects may be implemented with algorithms running on one or more processors. In addition, the present embodiment can employ conventional techniques for electronic environment setting, signal processing, and / or data processing. Terms such as “mechanism”, “element”, “means”, “configuration” may be used broadly and are not limited to mechanical and physical configurations. The term may include the meaning of a series of routines of software in conjunction with a processor or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • User Interface Of Digital Computer (AREA)
  • Telephonic Communication Services (AREA)

Abstract

음성 인식 장치 및 방법이 제공된다. 음성 인식 장치는, 마이크로폰, 및 마이크로폰을 통해 음성 신호를 수신하고, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하고, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행하는 프로세서를 포함할 수 있다. 또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.

Description

음성 인식 장치 및 방법
본 개시는 음성 인식 장치 및 방법에 관한 것이다.
또한, 본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(Artificial Intelligence, AI) 시스템 및 그 응용에 관련된 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
최근, 음성 인식 분야에 있어서, 사용자의 음성 명령으로부터, 사용자의 의도를 파악하고 사용자가 원하는 서비스를 제공하는 음성 인식 장치에 대한 연구가 요구되고 있다.
음성 인식 장치 및 방법을 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 따른 음성 인식 장치는, 마이크로폰, 및 마이크로폰을 통해 음성 신호를 수신하고, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하고, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행하는 프로세서를 포함할 수 있다.
도 1은 일 실시 예에 따른 음성 인식 장치가 동작하는 일 예를 도시하는 도면이다.
도 2는 일 실시 예에 따른 음성 인식 장치의 동작 방법의 흐름도이다.
도 3a은 일 실시 예에 따른 음성 신호를 검출하는 예를 설명하기 위한 흐름도이다.
도 3b는 일 실시 예에 따른 음성 신호를 검출하는 예를 설명하기 위한 도면이다.
도 4a는 일 실시 예에 따른 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 흐름도이다.
도 4b는 일 실시 예에 따른 음성 인식 장치가 외부 디바이스의 음성을 필터링하는 일 예를 설명하기 위한 도면이다.
도 4c는 일 실시 예에 따라 동일한 사용자의 발화 소리와 녹음된 소리의 재생 소리의 구분을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 음성 특성 데이터를 생성하는 일 예를 설명하기 위한 흐름도이다.
도 6은 일 실시 예에 따른 음성 특성 데이터를 생성하는 일 예를 설명하기 위한 도면이다.
도 7은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 흐름도이다.
도 8은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 도면이다.
도 9는 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 흐름도이다.
도 10은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 도면이다.
도 11은 일 실시 예에 따른 주변 영상을 이용하여 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 흐름도이다.
도 12는 일 실시 예에 따른 주변 영상을 이용하여 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 도면이다.
도 13은 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 흐름도이다.
도 14는 다른 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 흐름도이다.
도 15는 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 도면이다.
도 16은 일 실시예에 따른 음성 인식 장치의 블록 구성도(block diagram)이다.
도 17는 일 실시예에 따른 음성 인식 장치의 상세 블록 구성도(block diagram)이다.
도 18은 일 실시예에 따른 프로세서의 블록도이다.
도 19는 일 실시예에 따른 데이터 학습부의 블록도이다.
도 20은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 21은 일 실시예에 따른 음성 인식 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
일 측면에 따른 음성 인식 장치는, 마이크로폰, 및 마이크로폰을 통해 음성 신호를 수신하고, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하고, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행하는 프로세서를 포함할 수 있다.
다른 측면에 따른 음성 인식 장치의 동작 방법은, 마이크로폰을 통해 음성 신호를 수신하는 단계, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하는 단계, 데이터 인식 모델을 이용하여, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하는 단계, 및 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행하는 단계를 포함할 수 있다.
또 다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.
실시 예들에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 발명의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 음성 인식 장치가 동작하는 일 예를 도시하는 도면이다.
일 실시 예에 따라, 음성 인식 장치(1000, 도 16, 17 참조)(이하, 음성 인식 장치(1000))는 사용자의 음성 명령을 인식할 수 있는 장치이다. 일 실시 예에 따른 음성 인식 장치(1000)는, 인식된 사용자의 음성 명령에 대응하는 기능을 수행할 수 있는 음성 인식 스피커일 수 있으며, 이에 한정되지 않는다. 예를 들어, 음성 인식 장치(1000)는, 사용자의 질문에 대한 답변을 제공(예컨대, 날씨 문답, 일정 관리 등) 할 수 있고, 웹 서버 등에 접속하여 상품을 주문하고 결재하는 서비스를 제공할 수 있으며, 이에 제한되지 않는다. 또한, 음성 인식 장치(1000)는 다른 장치들과 연결되어 다른 장치들을 제어하는 기능(예컨대, 가전 제품 제어 등)을 수행할 수도 있다.
도 1을 참조하면, 일 실시 예에 따른 음성 인식 장치(1000)는, 사용자(10)의 음성(예컨대, “맛있는 피자 주문해줘”, 101) 입력을 수신하면, 수신된 음성 입력 신호가 사용자(10)로부터 직접 발화된 음성이 맞는지를 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는, 수신된 음성 신호가 음성 인식 장치(1000)로부터 소정 거리 내에 있는 사용자(10)로부터 직접 발화된 음성 인지, 또는 다른 외부 디바이스(예컨대, TV, 라디오 등과 같은 음향 출력 장치)(미도시)(이하, 외부 디바이스 또는, 음향 출력 장치)로부터 출력된 음성인지를 판단하기 위해, 음성 신호 분석에 적용하도록 학습된 하나 이상의 데이터 인식 모델을 이용할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는, DNN(Deep Neural Network), RNN(Recurrent Neural Network) 등의 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용할 수 있다.
음성 인식 장치(1000)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 하나 이상의 데이터 인식 모델을 이용하여, 마이크로폰(1620, 도 16, 17 참조)(이하, 마이크로폰(1620))을 통해 입력되는 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 장치로부터 출력된 음성인지를 결정할 수 있다.
일 실시 예에 따라, 음성 특성 데이터는, 음성 신호의 파형, 주파수, 진폭 등의 음성 신호 특성을 분석함으로써 생성된 정보를 포함할 수 있다. 예를 들어, 음성 특성 데이터는, 음성 신호가 아날로그 신호인지, 디지털 신호인지, 압축된 신호로부터 복원된 신호인지, 전기적 노이즈(noise)가 포함되어 있는지 등에 관해 분석된 정보를 포함할 수 있다.
음성 특성 데이터에 관해서는, 후술할 도 5 내지 도 10에서 보다 상세히 설명하기로 한다.
일 실시 예에 따르면, 음성 인식 장치(1000)는, 수신된 음성 신호가 사용자로부터 직접 발화된 음성 명령이 아닌, 다른 음향 출력 장치(미도시)로부터 출력된 음성 신호인 것으로 판단하면, 수신된 음성 신호를 필터링(filtering)함으로써, 수신된 음성 신호를 음성 명령이 아닌 것으로 구분할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 다른 음향 출력 장치(미도시)로부터 출력되는 사람의 음성 신호(예컨대, TV에서 출력되는 사용자 음성, 휴대폰에서 출력되는 녹음된 사용자 음성 등)를 수신하더라도, 음성 인식 장치(1000)에 대한 음성 명령으로 오인하지 않음으로써, 사용자가 의도하지 않은 동작을 음성 인식 장치가 불필요하게 수행하는 상황을 방지할 수 있다.
도 1은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 1에서는, 일 실시 예로서 음성 인식 장치(1000)를 음성 인식 스피커로 도시하고 있으나, 이에 제한되지 않는다.
일 실시 예에 따른 음성 인식 장치(1000)는 음성 인식 기능을 수행하는 전자 장치로 구현될 수 있다. 예를 들어, 음성 인식 장치(1000)는, 스마트 TV, 셋탑 박스, 휴대폰, 태블릿 PC, 디지털 카메라, 노트북 컴퓨터(laptop computer), 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 착용형 기기(wearable device) 등과 같은 다양한 전자 장치로 구현될 수 있다.
도 2는 일 실시 예에 따른 음성 인식 장치의 동작 방법의 흐름도이다.
도 2의 단계 S201에서, 음성 인식 장치(1000)는 음성 신호를 수신할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는, 마이크로폰(1620, 도 16, 17 참조)(이하, 마이크로폰(1620))을 통해 음성 신호를 수신할 수 있다. 일 실시 예에 따라, 음성 인식 장치(1000)의 프로세서(1300, 도 16, 17 참조)(이하, 프로세서(1300))는, 음성 인식을 위한 애플리케이션을 실행하고, 실행된 애플리케이션을 제어함으로써 마이크로폰(1620)를 통하여 입력되는 음성 입력을 수신할 수 있다.
단계 S202에서, 음성 인식 장치(1000)는 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
사용자로부터 발화된 음성과 음향 출력 장치(예컨대, TV, 라디오 등)로부터 출력되는 음성은, 음성 신호의 파형, 주파수 등의 음성 신호의 특성이 상이할 수 있다. 예를 들어, 사용자로부터 발화된 음성 신호는 아날로그 신호이고, 음향 출력 장치로부터 출력되는 음성 신호는 압축된 디지털 신호의 복원 신호 일 수 있다. 또한, 사용자로부터 발화된 음성 신호와 달리, 음향 출력 장치로부터 출력되는 음성 신호는 전기적 노이즈가 포함되어 있을 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는, 음성 신호를 분석하여 음성 특성 데이터를 생성하기 위해, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는, 하나 이상의 데이터 인식 모델을 이용하여, 입력된 음성 신호의 파형, 주파수 등을 분석함에 따라 획득된 정보를 포함하는 음성 특성 데이터를 생성할 수 있다. 예를 들어, 음성 특성 데이터는, 음성 신호가 아날로그 신호인지, 디지털 신호인지, 압축된 신호로부터 복원된 신호인지 등에 관한 정보를 포함할 수 있다.
단계 S203에서, 음성 인식 장치(1000)는 음성 특성 데이터에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 장치로부터 출력된 음성인지를 결정하기 위해, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용할 수 있다.
예를 들어, 음성 인식 장치(1000)는, 하나 이상의 데이터 인식 모델을 이용하여, 수신한 음성 신호 분석에 따라 음성 신호가 아날로그 신호이고 전기적 노이즈를 포함하지 않은 신호라는 정보를 포함하는 음성 특성 데이터에 기초하여, 음성 신호가 외부 디바이스로부터 출력된 음성이 아닌, 사용자로부터 직접 발화된 음성인 것으로 결정할 수 있다.
단계 S204에서, 음성 인식 장치(1000)는, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 신호를 사용자의 음성 명령으로 결정하고, 음성 명령의 의미와 사용자의 의도를 판단하여 사용자의 음성 명령에 부합하는 기능을 수행할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여 사용자의 음성 명령을 분석하여 사용자의 의도에 맞는 동작을 수행할 수 있다. 예를 들어, 도 1에 도시한 바와 같이, 음성 인식 장치(1000)는 사용자의 음성 명령(“맛있는 피자 주문해줘”(101))에 따라, 피자를 주문할 수 있는 웹 사이트에 접속하고 사용자의 기호에 맞는 피자의 종류를 결정하여 주문 및 결제 기능을 수행할 수 있다.
일 실시 예에 따르면, 음성 인식 장치(1000)가 수신한 음성 신호를 분석하여 음성 신호가 사용자로부터 직접 발화된 음성인 것으로 결정된 경우에 음성 명령을 수행하므로, 외부 디바이스의 음성 출력을 음성 명령으로 오인할 위험을 방지할 수 있다. 일 실시 예에 따르면, 사용자가 의도하지 않은 동작을 음성 인식 장치가 불필요하게 수행하는 상황을 방지할 수 있다.
도 1 내지 도 2는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 3a은 일 실시 예에 따른 음성 신호를 검출하는 예를 설명하기 위한 흐름도이다. 도 3b는 일 실시 예에 따른 음성 신호를 검출하는 예를 설명하기 위한 도면이다. 도 3a의 흐름도를 설명하면서, 도 3b의 도면을 참조하여 설명하기로 한다.
도 3의 단계 S301에서, 음성 인식 장치(1000)는, 마이크로폰(1620)을 통해 입력되는 소리를 수신할 수 있다.
일 실시 예에 따라, 마이크로폰(1620)을 통해 입력되는 소리는, 사람의 목소리 뿐만 아니라, 주변의 소음을 포함할 수 있다.
도 3b를 참조하면, 예를 들어, 음성 인식 장치(1000)의 마이크로폰(1620)은, 자동차의 운행 또는 경적 소리(411), 사람의 음성 소리(412), 동물의 소리(413) 등을 포함하는 소리를 수신할 수 있다. 서로 다른 음원으로부터 발생된 각각의 소리는 서로 다른 파형을 가질 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)의 마이크로폰(1620)이 동작함에 따라, 마이크로폰(1620)을 통해 입력되는 소리는 통합된 음성 신호(414)로 인식될 수 있다.
도 3a의 단계 S302에서, 음성 인식 장치(1000)는, 수신된 소리로부터 음성 신호를 검출할 수 있다.
도 3b를 참조하면, 예를 들어, 음성 인식 장치(1000)는 통합된 음성 신호(414)로부터 사람의 음성 소리(415)를 검출할 수 있다. 일 실시 예에 따라, 음성 인식 장치(1000)는 음성 신호 분석에 적용되는 하나 이상의 데이터 인식 모델을 이용하여, 수신된 음성 신호로부터 사람의 음성 신호만을 검출할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 사람의 음성과 소음의 주파수 특성과 상대적 에너지를 분석함으로써, 사람의 음성과 소음을 구분할 수 있다. 음성 인식 장치(1000)는 입력되는 소리를 아주 작은 시간 단위로 분할하고 각 구간(frame)별로 소리의 주파수나 에너지가 어떻게 변하는지 분석할 수 있다.예를 들어, 소음과 음성을 구분하기 위해 영교차율(ZCR; Zero-Crossing Rate)이 이용될 수 있다. 소리를 시간 단위로 분할한 각 구간(frame) 별로 소리가 얼마나 자주 0점을 통과하는지 계산하고, 그 때의 에너지 값을 산출하여 소리의 특성을 파악할 수 있다.
도 4a는 일 실시 예에 따른 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 흐름도이다. 도 4b는 일 실시 예에 따른 음성 인식 장치가 외부 디바이스의 음성을 필터링하는 일 예를 설명하기 위한 도면이다. 도 4a의 흐름도를 설명하면서, 도 4b의 도면을 참조하여 설명하기로 한다.
도 4a의 단계 S401에서, 음성 인식 장치(1000)는, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
단계 S402에서, 음성 인식 장치(1000)는, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
단계 S401, S402는, 도2의 단계 S203, S204에 관한 설명에서 상술하였으므로, 생략하기로 한다.
단계 S403에서, 음성 인식 장치(1000)는, 음성 신호를 외부 디바이스로부터 출력된 음성으로 결정함에 따라, 음성 신호를 필터링(filtering)할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 수신한 음성 신호가 사용자로부터 직접 발화된 음성이 아닌, 주변의 음향 출력 장치(예컨대, TV, 라디오, 스마트 폰 등)으로부터 출력된 음성으로 결정함에 따라, 음성 신호가 사용자의 음성 명령이 아닌 것으로 판단하고 필터링(filtering)할 수 있다. 음성 인식 장치(1000)는 필터링(filtering)된 음성 신호에 대해서는 음성 명령의 의미를 분석하지 않으며 음성 명령에 따른 동작을 수행하지 않는다.
도 4b를 참조하면, 예를 들어, 음성 인식 장치(1000)가 수신한 음성 신호(“맛있는 피자 주문해줘”(401))가 사용자로부터 직접 발화된 음성이 아닌, 외부 디바이스(200)(이하, 외부 디바이스(200) 또는, 음향 출력 장치(200))로부터 출력된 음성 신호인 것으로 판단함에 따라, 음성 신호의 의미를 분석하지 않고 추가적인 동작을 수행하지 않을 수 있다.
일 실시 예에 따르면, 사용자가 의도하지 않은 기능을 음성 인식 장치가 불필요하게 수행하는 상황을 방지할 수 있다.
도 4c는 일 실시 예에 따라 동일한 사용자의 발화 소리와 녹음된 소리의 재생 소리의 구분을 설명하기 위한 도면이다.
일 실시 예에 따라, 동일한 사용자의 목소리이더라도, 사용자로부터 직접 발화된 소리(421)와 녹음된 사용자의 목소리를 음향 출력 장치(예컨대, 휴대폰 등)에서 재생한 소리(422)는 음성 신호의 파형, 진폭, 주파수 등이 상이할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 입력되는 소리를 아주 작은 시간 단위로 분할하고 각 구간(frame)별로 음성 신호의 주파수 특성 등을 분석함으로써, 사용자로부터 직접 발화된 소리인지 녹음된 음성의 재생 소리인지 구분할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 신호 분석에 적용되는 하나 이상의 데이터 인식 모델을 이용하여, 수신된 음성 신호가 사용자로부터 직접 발화된 소리인지 녹음된 음성의 재생 소리인지 구분할 수 있다.
도 3a 내지 도 4c는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 5는 일 실시 예에 따른 음성 특성 데이터를 생성하는 일 예를 설명하기 위한 흐름도이다. 도 6은 일 실시 예에 따른 음성 특성 데이터를 생성하는 일 예를 설명하기 위한 도면이다. 도 5의 흐름도를 설명하면서, 도 6의 도면을 참조하여 설명하기로 한다.
도 5의 단계 S501에서, 음성 인식 장치(1000)는, 음성 신호를 수신할 수 있다.
단계 S501는 도 2의 단계 S201에 관한 설명에서 상술하였으므로, 생략하기로 한다.
또한, 도 3의 S301, S302에서 상술한 바와 같이, 음성 인식 장치(1000)는 마이크로폰(1620)을 통해 입력된 소리로부터 음성 신호를 검출하는 단계를 수행할 수 있다.
단계 S502에서, 음성 인식 장치(1000)는, 음성 신호가 압축된 음성 신호로부터 복원된 신호인지를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
음향 출력 장치(200)가 출력하는 음성 신호는, 음향 출력 장치(200)의 메모리에 저장된 음성 파일을 재생하거나, 다른 장치 또는 서버로부터 수신되는 음성 파일을 재생함으로써 출력되는 음성 신호, 또는, 방송 수신부(1530, 도 17)를 통해 수신되는 방송 신호에 포함된 음성 신호일 수 있으며, 이에 한정되지 않는다.
일 실시 예에 따라 음향 출력 장치(200)가 출력하는 음성 신호는, 예컨대, CELP(code excited linear prediction)를 이용하여, 압축된 신호가 복원된 신호일 수 있다. 또한, 예컨대, 음향 출력 장치(200)가 출력하는 음성 신호는, MP3, AC3, AAC(Advanced Audio Coding) 등의 코덱을 이용하여, 압축된 신호가 복원된 복원 신호일 수 있다. 음성 신호를 압축 및 복원 하는 과정에서 신호의 손실이 발생할 수 있다. 예를 들어, 사람이 잘 듣지 못하는 주파수 영역에 있어서 신호의 손실이 발생할 수 있다.
음성 인식 장치(100)는 음성 신호가 압축된 음성 신호로부터 복원된 신호인지 분석한 정보를 포함하는 음성 특성 데이터를 생성할 수 있다.
도 6을 참조하면, 예를 들어, 음성 인식 장치(1000)는 음성 신호의 주파수, 파형 등을 분석함으로써, 압축된 디지털 신호인지(601) 또는 압축되지 않은 아날로그 신호(602)인지 구분할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 신호가 압축되지 않은 아날로그 신호인 것으로 판단되면, 사용자로부터 직접 발화된 음성 신호로 판단할 수 있다. 또는, 음성 인식 장치(100)는 사용자로부터 발화된 음성 신호일 확률이 높은 것으로 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(100)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 음성 신호의 압축 적용 여부 또는 압축 적용 여부의 확률을 판단함으로써 음성 특성 데이터를 생성할 수 있다. 또한, 음성 인식 장치(100)는 데이터 인식 모델을 이용하여, 음성 특성 데이터에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 음향 출력 장치(200)로부터 출력된 음성인지 판단할 수 있다.
또한, 음성 인식 장치(1000)는, 후술할 도 8 내지 도 15의 음성 신호 분석에 따라 생성되는 음성 특성 데이터에 포함된 적어도 하나의 정보를 함께 고려하여, 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
도 5 내지 도 6은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 7은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 흐름도이다. 도 8은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 도면이다. 도 7의 흐름도를 설명하면서, 도 8의 도면을 참조하여 설명하기로 한다.
도 7의 단계 S701에서, 음성 인식 장치(1000)는, 음성 신호를 수신할 수 있다.
단계 S701은 도 2의 단계 S201에 관한 설명에서 상술하였으므로, 생략하기로 한다.
또한, 도 3의 S301, S302에서 상술한 바와 같이, 음성 인식 장치(1000)는 마이크로폰(1620)을 통해 입력된 소리로부터 음성 신호를 검출하는 단계를 수행할 수 있다.
단계 S702에서, 음성 인식 장치(1000)는, 음성 신호에 전기적 노이즈가 포함되었는지를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
음향 출력 장치(200)(예컨대, 스마트 폰 등)로부터 출력되는 음성 신호(예컨대, 사용자의 음성이 녹음된 음성 파일의 음성 신호)에는 전기적 노이즈가 포함되어 있을 수 있다.
도 8을 참조하면, 예를 들어, 음성 인식 장치(100)는 음성 신호의 파형, 주파수 등을 분석함으로써 음성 신호에 전기적 노이즈가 포함된 신호인지(603) 또는 전기적 노이즈가 포함되지 않은 신호인지(604) 판단할 수 있다. 음성 인식 장치(100)는 음성 신호에 전기적 노이즈가 포함되었는지 분석한 정보를 포함하는 음성 특성 데이터를 생성할 수 있다.
일 실시 예에 따라, 음성 인식 장치(100)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 음성 신호의 전기적 노이즈 포함 여부 또는 포함 여부의 확률을 판단함으로써 음성 특성 데이터를 생성할 수 있다. 또한, 음성 인식 장치(1000)는 데이터 인식 모델을 이용하여, 음성 특성 데이터에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 음향 출력 장치(200)로부터 출력된 음성인지 판단할 수 있다.
또한, 음성 인식 장치(1000)는, 도 5, 6, 7, 및 후술할 도 10 내지 도 15의 음성 신호 분석에 따라 생성되는 음성 특성 데이터에 포함된 적어도 하나의 정보를 함께 고려하여, 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
도 7 내지 도 8은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 9는 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 흐름도이다. 도 10은 일 실시 예에 따른 음성 특성 데이터를 생성하는 다른 일 예를 설명하기 위한 도면이다. 도 9의 흐름도를 설명하면서, 도 10의 도면을 참조하여 설명하기로 한다.
도 9의 단계 S901에서, 음성 인식 장치(1000)는, 음성 신호를 수신할 수 있다.
단계 S901은 도 2의 단계 S201에 관한 설명에서 상술하였으므로, 생략하기로 한다.
또한, 도 3의 S301, S302에서 상술한 바와 같이, 음성 인식 장치(1000)는 마이크로폰(1620)을 통해 입력된 소리로부터 음성 신호를 검출하는 단계를 수행할 수 있다.
단계 S902에서, 음성 인식 장치(1000)는, 수신된 음성 신호의 출력 위치를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
일 실시 예에 따르면, 음성 인식 장치(1000)는 외부 디바이스로부터 출력되는 음성 신호의 적어도 하나의 출력 위치를 미리 설정할 수 있다.
예를 들어, 도 10을 참조하면, 음향 출력 장치(200)의 음성 출력 위치를 미리 설정하기 위해, 음향 출력 장치(200)가 음성 신호를 출력하도록 제어될 수 있다. 음성 인식 장치(1000)는 마이크로폰(1620, 도 17)을 통해 음성 신호를 수신하고 음성 신호가 출력되는 위치, 방향을 판단할 수 있다. 예를 들어, 음성 인식 장치(1000)는 외부 디바이스(200)로부터 출력되는 음성 신호의 출력 위치(1001)를 설정할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 수신된 음성 신호의 출력 위치가 미리 설정된 출력 위치에 대응하는지 판단한 정보를 포함하는 음성 특성 데이터를 생성할 수 있다.
예를 들어, 도 10을 참조하면, 음성 인식 장치(1000)는 음성 신호를 수신하면, 음성 신호의 출력 위치를 판단하고, 음성 신호의 출력 위치(1002, 1003)가 미리 설정된 출력 위치(1001)에 대응하는지 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 신호의 출력 위치(1002, 1003)가 미리 설정된 외부 디바이스의 출력 위치(1001)와 일치하는지 또는 소정 범위 내에서 근접한지 판단함으로써, 음성 특성 데이터를 생성할 수 있다.
음성 인식 장치(1000)는 음성 신호의 출력 위치(1003)가 미리 설정된 외부 디바이스의 출력 위치(1001)와 소정 범위를 벗어날 정도로 상이한 것으로 판단함에 따라, 사용자로부터 직접 발화된 음성으로 판단할 수 있다. 또는, 음성 인식 장치(100)는 사용자로부터 직접 발화된 음성일 확률이 높은 것으로 판단할 수 있다.
한편, 음성 인식 장치(1000)는 음성 신호의 출력 위치(1002)가 미리 설정된 외부 디바이스의 출력 위치(1001)와 소정 범위 내에서 근접한 것으로 판단함에 따라, 미리 설정된 음향 출력 장치(220)로부터 출력되는 음성 신호인 것으로 판단할 수 있다. 또는, 음성 인식 장치(1000)는 음향 출력 장치(220)로부터 출력되는 음성 신호일 확률이 높은 것으로 판단할 수 있다
또한, 일 실시 예에 따라, 음성 인식 장치(1000)는 수신된 음성 신호가 출력되는 출력 위치의 개수를 판단함으로써, 음성 특성 데이터를 생성할 수 있다.
음향 출력 장치가 다수의 외부 스피커와 연결되어 다수의 외부 스피커를 통해 음향 신호를 출력하는 경우, 여러 방향에서 음향을 출력할 수 있다.
예를 들어, 음성 인식 장치(1000)는 수신된 음성 신호가 출력되는 출력 위치가 복수 개로 판단되면, 외부 디바이스로부터 출력되는 음성 신호일 확률이 높은 것으로 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(100)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 음성 신호의 출력 위치, 출력 위치의 개수 등을 판단함으로써 음성 특성 데이터를 생성할 수 있다. 또한, 음성 인식 장치(1000)는 데이터 인식 모델을 이용하여, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 음향 출력 장치(200)로부터 출력된 음성인지 판단할 수 있다.
또한, 음성 인식 장치(1000)는, 도 5 내지 도 9 및 후술할 도 11 내지 도 15의 음성 신호 분석에 따라 생성되는 음성 특성 데이터에 포함된 적어도 하나의 정보를 함께 고려하여, 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
도 9 내지 도 10은 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 11은 일 실시 예에 따른 주변 영상을 이용하여 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 흐름도이다. 도 12는 일 실시 예에 따른 주변 영상을 이용하여 사용자의 음성과 외부 디바이스의 음성을 구분하는 예를 설명하기 위한 도면이다. 도 11의 흐름도를 설명하면서, 도 12의 도면을 참조하여 설명하기로 한다.
도 11의 단계 S1101에서, 음성 인식 장치(1000)는, 음성 인식 장치의 주변을 촬영할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 카메라(1610, 도 17)(이하, 카메라(1610))를 포함할 수 있다. 음성 인식 장치(1000)는 카메라(1610)를 이용하여 음성 인식 장치(1000)의 주변을 촬영할 수 있다.
단계 S1102에서, 음성 인식 장치(1000)는, 촬영된 주변 영상에 사용자 또는 외부 디바이스가 포함 되어 있는지 판단할 수 있다.
도 12를 참조하면, 예를 들어, 음성 인식 장치(1000)가 촬영한 주변 영상에는 사용자(10) 또는 음향 출력 장치(예컨대, TV)(200)가 포함될 수 있다.
단계 S1103에서, 음성 인식 장치(1000)는, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
도 12를 참조하면, 예를 들어, 음성 인식 장치(1000)는 촬영된 영상에 음향 출력 장치(200)가 포함된 것으로 판단하면, 음성 신호가 음향 출력 장치(200)로부터 출력된 음성일 확률이 높은 것으로 판단할 수 있다. 또한, 음성 인식 장치(1000)는 촬영된 영상에 사용자(10)가 포함된 것으로 판단하면, 음성 신호가 사용자(10)로부터 직접 발화된 음성일 확률이 높은 것으로 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 음성 인식 장치(1000)의 주변이 촬영된 영상을 분석함으로써, 음성 신호가 사용자로부터 발화된 음성인지 또는 음향 출력 장치(200)로부터 출력된 음성인지 판단할 수 있다.
또한, 음성 인식 장치(1000)는, 도 5 내지 도 11 및 후술할 도 13 내지 도 15의 음성 신호 분석에 따라 생성되는 음성 특성 데이터에 포함된 적어도 하나의 정보를 함께 고려하여, 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
도 11 내지 도 12는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 13은 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 흐름도이다. 도 14는 다른 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 흐름도이다. 도 15는 일 실시 예에 따른 음성 명령 권한이 부여된 사용자를 식별하는 예를 설명하기 위한 도면이다. 도 13, 도 14의 흐름도를 설명하면서, 도 15의 도면을 참조하여 설명하기로 한다.
일 실시 예에 따라, 음성 인식 장치(1000)는 음성 명령이 허용되도록 등록된 사용자의 음성 명령에 대해서만, 음성 명령에 대응하는 동작을 수행할 수 있다.
도 13은 사용자 얼굴을 식별함으로써, 음성 명령 권한이 부여된 사용자의 음성 명령을 수행하는 예를 도시한다.
도 13의 단계 S1301에서, 음성 인식 장치(1000)는, 음성 명령 권한이 부여된 등록된 사용자의 얼굴 식별 데이터를 미리 설정할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 메모리(1700, 도 17)에, 음성 명령 권한이 부여된 등록된 사용자의 얼굴 식별 데이터(151)를 저장할 수 있다.
단계 S1302에서, 음성 인식 장치(1000)는, 음성 인식 장치의 주변을 촬영할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 카메라(1610, 도 17 참조)를 포함할 수 있다. 음성 인식 장치(1000)는 카메라(1610)를 이용하여 주변을 촬영할 수 있다.
단계 S1303에서, 음성 인식 장치(1000)는, 촬영된 주변 영상에 포함된 사용자가 미리 설정된 얼굴 식별 데이터에 부합하는 것으로 결정할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 자치(1000)는 촬영된 영상을 분석하여 영상 내에 포함된 사용자(20)의 얼굴을 인식함으로써, 미리 설정된 얼굴 식별 데이터(151)에 부합하는지 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 영상 내에 포함된 사용자 얼굴을 인식하고, 메모리(1700)에 기 저장된, 등록된 사용자의 얼굴 식별 정보에 매칭되는지 인식할 수 있다.
단계 S1304에서, 음성 인식 장치(1000)는, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 영상 내에 포함된 사용자의 얼굴이 미리 설정된 음성 명령 권한을 가진 사용자의 얼굴과 일치하는 것으로 판단함에 따라, 음성 신호의 의미를 분석하고 음성 명령에 따른 동작을 수행할 수 있다.
한편, 도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 인식된 사용자의 얼굴이 미리 설정된 음성 명령 권한을 가진 사용자의 얼굴과 일치하지 않는 것으로 판단함에 따라, 음성 신호를 음성 명령으로 판단하지 않고 필터링(filtering)할 수 있다.
도 14는 사용자 음성을 식별함으로써, 음성 명령 권한이 부여된 사용자의 음성 명령을 수행하는 예를 도시한다.
도 14의 단계 S1401에서, 음성 인식 장치(1000)는, 음성 명령 권한이 부여된 등록된 사용자의 음성 식별 데이터를 미리 설정할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 메모리(1700, 도 17)에, 음성 명령 권한이 부여된 등록된 사용자의 음성 식별 데이터(152)를 저장할 수 있다.
단계 S1402에서, 음성 인식 장치(1000)는, 음성 신호를 수신할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 마이크로폰(1620, 도 17)을 이용하여 사용자(20)의 음성 신호를 수신할 수 있다.
단계 S1403에서, 음성 인식 장치(1000)는, 수신된 음성 신호가 미리 설정된 음성 식별 데이터에 부합하는 것으로 결정할 수 있다.
도 15를 참조하면, 예를 들어, 음성 인식 자치(1000)는 사용자(20)의 음성을 인식함으로써, 미리 설정된 음성 식별 데이터(152)에 부합하는지 판단할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 사용자의 음성을 인식하고, 메모리(1700)에 기 저장된 등록된 사용자의 음성 식별 정보에 매칭되는지 인식할 수 있다.
단계 S1404에서, 음성 인식 장치(1000)는, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
일 실시 예에 따라, 음성 인식 장치(1000)는 인식된 사용자의 음성이 미리 설정된 음성 명령 권한을 가진 사용자의 음성과 일치하는 것으로 판단함에 따라, 음성 신호의 의미를 분석하고 음성 명령에 따른 동작을 수행할 수 있다.
한편, 도 15를 참조하면, 예를 들어, 음성 인식 장치(1000)는 인식된 사용자(20)의 음성이 미리 설정된 음성 명령 권한을 가진 사용자의 음성(152)과 일치하지 않는 것으로 판단함에 따라, 음성 신호를 음성 명령으로 판단하지 않고 필터링(filtering)할 수 있다.
또한, 일 실시 예에 따라, 음성 인식 장치(1000)는 음향 출력부(1220, 도 17)를 포함할 수 있다. 음성 인식 장치(1000)는 인식된 음성 또는 인식된 사용자 얼굴이 음성 명령 권한을 가진 사용자와 일치하지 않는 것으로 판단한 경우, 음향 출력부(1220)를 통해, 음성 명령 권한을 가진 사용자의 음성이 아님을 출력할 수 있다. 예컨대, 음성 인식 장치(1000)는 음향 출력부(1220)를 통해 “권한이 없는 사용자입니다”라는 메시지를 출력할 수 있다.
도 13 내지 도 15는 일 실시 예를 도시한 것으로서 이에 한정되지 않는다.
도 16은 일 실시예에 따른 음성 인식 장치의 블록 구성도(block diagram)이다. 도 17는 일 실시예에 따른 음성 인식 장치의 상세 블록 구성도(block diagram)이다.
도 16에 도시된 바와 같이, 일부 실시예에 따른 음성 인식 장치(1000)는 마이크로폰(1620) 및 프로세서(1300)를 포함할 수 있다. 그러나, 도 16에 도시된 구성 요소 모두가 음성 인식 장치(1000)의 필수 구성 요소인 것은 아니다. 도 16에 도시된 구성 요소보다 많은 구성 요소에 의해 음성 인식 장치(1000)가 구현될 수도 있고, 도 28에 도시된 구성 요소보다 적은 구성 요소에 의해 음성 인식 장치(1000)가 구현될 수도 있다.
예를 들어, 도 17에 도시된 바와 같이, 일부 실시예에 따른 음성 인식 장치(1000)는, 마이크로폰(1620) 및 프로세서(1300) 이외에 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 및 메모리(1700)를 더 포함할 수도 있다.
사용자 입력부(1100)는, 사용자가 음성 인식 장치(1000)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. 또한, 사용자 입력부(1100)는 마이크로폰(1620)과 연결되어 음성 인식 장치(1000)를 제어하기 위한 음성 입력을 수신할 수 있다.
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 음성 인식 장치(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 음성 인식 장치(1000)가 인식한 사용자의 음성 명령에 관한 정보 또는, 음성 명령에 따른 동작 수행 결과에 관한 정보를 표시할 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.
또한, 디스플레이부(1210)는 발광 소자(미도시)를 포함할 수 있다. 발광 소자(미도시)는 예를 들어, 발광 다이오드(Light emitting diode) 및 디스플레이 패널을 포함할 수 있으며, 이에 제한되지 않는다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 음향 데이터를 출력한다. 진동 모터(1230)는 진동 신호를 출력할 수 있다.
일 실시 예에 따라, 음향 출력부(1220)는 음성 명령에 따른 동작 수행 결과에 관한 정보를 출력할 수 있다.
또한, 일 실시 예에 따라, 음향 출력부(1220)는 음성 명령 권한을 가진 사용자의 음성이 아니라는 메시지를 출력할 수 있다.
프로세서(1300)는, 통상적으로 음성 인식 장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(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. 프로세서(1300)는, 도 1 내지 도 15에 설시된 음성 인식 장치(1000)의 기능을 수행하기 위하여, 음성 인식 장치(1000)의 동작을 제어할 수 있다.
구체적으로, 프로세서(1300)는 마이크로폰(1620)을 통해 음성 신호를 수신할 수 있다.
또한, 프로세서(1300)는, 뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고, 음성 특성 데이터에 기초하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정할 수 있다.
또한, 프로세서(1300)는, 음성 신호를 사용자로부터 발화된 음성으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
또한, 프로세서(1300)는, 음성 신호를 외부 디바이스로부터 출력된 음성으로 결정함에 따라, 음성 신호를 필터링(filtering)할 수 있다.
또한, 프로세서(1300)는, 음성 신호가 압축된 음성 신호로부터 복원된 신호인지를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
또한, 프로세서(1300)는, 음성 신호에 전기적 노이즈가 포함되었는지를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
또한, 프로세서(1300)는 수신된 음성 신호의 출력 위치를 분석함으로써 음성 특성 데이터를 생성할 수 있다.
또한, 프로세서(1300)는, 외부 디바이스로부터 출력되는 음성 신호의 적어도 하나의 출력 위치를 미리 설정하고, 수신된 음성 신호의 출력 위치가 미리 설정된 출력 위치에 대응하는지 판단함으로써 음성 특성 데이터를 생성할 수 있다.
또한, 프로세서(1300)는, 수신된 음성 신호가 출력되는 출력 위치의 개수를 판단함으로써, 음성 특성 데이터를 생성할 수 있다.
또한, 프로세서(1300)는, 카메라(1610)를 이용하여 음성 인식 장치(1000)의 주변을 촬영하고, 촬영된 주변 영상에 사용자 또는 외부 디바이스(200)가 포함되어 있는지에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스(200)로부터 출력된 음성인지를 결정할 수 있다.
또한, 프로세서(1300)는, 음성 명령 권한이 부여된 등록된 사용자의 얼굴 식별 데이터를 미리 설정하고, 촬영된 주변 영상에 포함된 사용자가 미리 설정된 얼굴 식별 데이터에 부합하는 것으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
또한, 프로세서(1300)는, 음성 명령 권한이 부여된 등록된 사용자의 음성 식별 데이터를 미리 설정하고, 수신된 음성 신호가 미리 설정된 음성 식별 데이터에 부합하는 것으로 결정함에 따라, 음성 신호를 사용자의 음성 명령으로 결정하고 음성 명령에 대응하는 동작을 수행할 수 있다.
센싱부(1400)는, 음성 인식 장치(1000)의 상태 또는 음성 인식 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(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), 조도 센서(1495), 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, 음성 인식 장치(1000)가 외부와 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 음성 인식 장치(1000)가 방송 수신부(1530)를 포함하지 않을 수도 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)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(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)는 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(1700)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 음성 인식 장치(1000)로 입력되거나 음성 인식 장치(1000)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), 이미지 필터 모듈(1740) 등으로 분류될 수 있다.
메모리(1700)는 등록 방향, 음영 방향, 홈 디바이스(2000)에 관한 정보, 우선 순위에 관한 정보 및 장소 정보 등을 저장할 수 있다.
일 실시 예에 따라, 메모리(1700)는 음성 명령 권한이 부여된 등록된 사용자의 얼굴 식별 데이터, 음성 식별 데이터 등을 저장할 수 있다.
또한, 일 실시 예에 따라, 메모리(1700)는 외부 디바이스(200)로부터 출력되는 음성 신호의 적어도 하나의 출력 위치, 방향 등을 저장할 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 음성 인식 장치(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 프로세서(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.
알림 모듈(1730)은 음성 인식 장치(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 음성 인식 장치(1000)에서 발생되는 이벤트의 예로는 일정 알림, 음성 명령의 수행 완료 등 관련된 정보 알림, 키 신호 입력 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.
외부 디바이스(200) 또한, 도 16 및 도 17에 개시된 장치 구성을 포함할 수 있다.
도 18은 일 실시 예에 따른 프로세서(1300)의 블록도이다.
도 18을 참조하면, 일부 실시예에 따른 프로세서(1300)는 데이터 학습부(1310) 및 데이터 인식부(1320)를 포함할 수 있다.
데이터 학습부(1310)는 상황 판단을 위한 기준을 학습할 수 있다. 데이터 학습부(1310)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(1310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
데이터 인식부(1320)는 데이터에 기초한 상황을 판단할 수 있다. 데이터 인식부(1320)는 학습된 데이터 인식 모델을 이용하여, 소정의 데이터로부터 상황을 인식할 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 기초한 소정의 상황을 판단할 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 19는 일 실시예에 따른 데이터 학습부의 블록도이다.
도 19를 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 상황 판단에 필요한 데이터를 획득할 수 있다. 데이터 획득부(1310-1)는 상황 판단을 위한 학습을 위하여 필요한 데이터를 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. 또한, 데이터 획득부(1310-1)는 서버로부터 데이터를 수신할 수도 있다.
일 실시 예에 따라, 데이터 획득부(1310-1)는 영상 프레임 또는 음성 신호를 획득할 수 있다.
예를 들어, 데이터 획득부(1310-1)는 음성 인식 장치(1000)의 주변 영상을 입력 받을 수 있다. 주변 영상은 복수의 이미지(또는, 프레임(frame))들로 구성될 수 있다. 일 예로, 데이터 획득부(1310-1)는 데이터 학습부(1310)를 포함하는 음성 인식 장치의 카메라, 또는 데이터 학습부(1310)를 포함하는 음성 인식 장치와 통신 가능한 외부의 카메라(예로, CCTV 또는 블랙박스 등)를 통하여 동영상을 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.
또한, 일 실시 예에 따라, 데이터 획득부(1310-1)는 마이크로폰(1620, 도 17)을 통해 입력되는 음성 신호를 획득할 수 있다.
전처리부(1310-2)는 상황 판단을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1310-2)는 후술할 모델 학습부(1310-4)가 상황 판단을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(1310-2)는 입력된 동영상의 적어도 일부를 구성하는 복수의 이미지(또는 프레임(frame))들 각각에 포함된 공통 영역을 기초로, 복수의 이미지들의 적어도 일부를 중첩하여 하나의 합성 이미지를 생성할 수 있다. 이 경우, 하나의 동영상에서 복수 개의 합성 이미지들이 생성될 수도 있다. 공통 영역은, 복수의 이미지들 각각에서 동일 또는 유사한 공통 오브젝트(예로, 물체, 동식물 또는 사람 등)를 포함한 영역이 될 수 있다. 또는, 공통 영역은, 복수의 이미지들 각각에서 색, 음영, RGB 값 또는 CMYK 값 등이 동일 또는 유사한 영역이 될 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 상황 판단을 위한 기 설정된 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 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
예를 들어, 음성 신호를 분석함으로써 생성된 음성 특성 데이터가 선택될 수 있다. 또한, 예를 들어, 음성 인식 장치(1000)의 주변을 촬영한 영상 데이터가 선택될 수 있다.
모델 학습부(1310-4)는 학습 데이터에 기초하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(1310-4)는 상황 판단을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
일 실시 예에 따라, 모델 학습부(1310-4)는 음성 특성 데이터에 기초하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 판단하기 위한 기준을 학습할 수 있다.
또한, 모델 학습부(1310-4)는 상황 판단에 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 이미지, 샘플 음성 신호 등)을 입력 받아 미리 구축된 모델일 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 지도 없이 상황 판단을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 상황 판단을 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 상황 판단의 결과가 올바른 지에 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 음성 인식 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 후술할 데이터 인식부(1320)를 포함하는 음성 인식 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(1310-4)는 학습된 데이터 인식 모델을 음성 인식 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 데이터 인식 모델이 저장되는 메모리는, 예를 들면, 음성 인식 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 기 설정된 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.
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 음성 인식 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 음성 인식 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 20은 일 실시예에 따른 데이터 인식부의 블록도이다.
도 20을 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 상황 판단에 필요한 데이터를 획득할 수 있으며, 전처리부(1320-2)는 상황 판단을 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(1320-2)는 후술할 인식 결과 제공부(1320-4)가 상황 판단을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
인식 데이터 선택부(1320-3)는 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(1320-4)에게 제공될 수 있다. 인식 데이터 선택부(1320-3)는 상황 판단을 위한 기 설정된 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 상황을 판단할 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.
일 실시 예에 따라, 인식된 음성 신호가 사용자로부터 발화된 음성인지, 인식된 음성 신호가 음성 명령 권한이 부여된 등록된 사용자의 음성인지는, 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다.
또한, 일 실시 예에 따라, 인식된 음성 명령에 따른 동작 수행의 결과는, 텍스트, 음성, 동영상, 이미지 또는 명령어(예로, 어플리케이션 실행 명령어, 모듈 기능 실행 명령어 등) 등으로 제공될 수 있다.
모델 갱신부(1320-5)는 인식 결과 제공부(1320-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 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 21은 일 실시예에 따른 음성 인식 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 21은 일부 실시 예에 따른 음성 인식 장치(1000) 및 서버(2000)가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 21을 참조하면, 서버(2000)는 상황 판단을 위한 기준을 학습할 수 있으며, 음성 인식 장치(1000)는 서버(2000)에 의한 학습 결과에 기초하여 상황을 판단할 수 있다.
이 경우, 서버(2000)의 모델 학습부(2340)는 도 19에 도시된 데이터 학습부(1310)의 기능을 수행할 수 있다. 서버(2000)의 모델 학습부(2340)는 소정의 상황을 판단하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 상황을 어떻게 판단할 지에 관한 기준을 학습할 수 있다. 모델 학습부(2340)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 후술할 데이터 인식 모델에 적용함으로써, 상황 판단을 위한 기준을 학습할 수 있다.
또한, 음성 인식 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에 의해 생성된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다. 예를 들어, 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)에게 전송하고, 서버(2000)가 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 인식 모델에 적용하여 상황을 판단할 것을 요청할 수 있다. 또한, 인식 결과 제공부(1320-4)는 서버(2000)에 의해 판단된 상황에 관한 정보를 서버(2000)로부터 수신할 수 있다.
예를 들어, 음성 인식 장치(100)는 음성 특성 데이터를 서버(2000)에게 전송하고, 서버(2000)가 음성 특성 데이터를 데이터 인식 모델에 적용하여 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 판단할 것을 요청할 수 있다. 또한, 전자 장치(100)는 서버(2000)에 의해 판단된, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 서버(2000)로부터 수신할 수 있다.
또는, 음성 인식 장치(1000)의 인식 결과 제공부(1320-4)는 서버(2000)에 의해 생성된 인식 모델을 서버(2000)로부터 수신하고, 수신된 인식 모델을 이용하여 상황을 판단할 수 있다. 이 경우, 음성 인식 장치(1000)의 인식 결과 제공부(1320-4)는 인식 데이터 선택부(1320-3)에 의해 선택된 데이터를 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여 상황을 판단할 수 있다.
예를 들어, 음성 인식 장치(1000)는 음성 특성 데이터를, 서버(2000)로부터 수신된 데이터 인식 모델에 적용하여, 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 학습할 수 있다.
상기 살펴 본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

Claims (15)

  1. 음성 인식 장치에 있어서,
    마이크로폰; 및
    상기 마이크로폰을 통해 음성 신호를 수신하고,
    뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 상기 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하고,
    상기 음성 특성 데이터에 기초하여 상기 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하고,
    상기 음성 신호를 상기 사용자로부터 발화된 음성으로 결정함에 따라, 상기 음성 신호를 상기 사용자의 음성 명령으로 결정하고 상기 음성 명령에 대응하는 동작을 수행하는, 프로세서를 포함하는 음성 인식 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 음성 신호를 상기 외부 디바이스로부터 출력된 음성으로 결정함에 따라, 상기 음성 신호를 필터링(filtering)하는, 음성 인식 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 음성 신호가 압축된 음성 신호로부터 복원된 신호인지를 분석함으로써 상기 음성 특성 데이터를 생성하는, 음성 인식 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    상기 음성 신호에 전기적 노이즈가 포함되었는지를 분석함으로써 상기 음성 특성 데이터를 생성하는, 음성 인식 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    상기 수신된 음성 신호의 출력 위치를 분석함으로써 상기 음성 특성 데이터를 생성하는, 음성 인식 장치.
  6. 제5 항에 있어서,
    상기 프로세서는,
    상기 외부 디바이스로부터 출력되는 음성 신호의 적어도 하나의 출력 위치를 미리 설정하고,
    상기 수신된 음성 신호의 출력 위치가 상기 미리 설정된 출력 위치에 대응하는지 판단함으로써 상기 음성 특성 데이터를 생성하는, 음성 인식 장치.
  7. 제5 항에 있어서,
    상기 프로세서는,
    상기 수신된 음성 신호가 출력되는 출력 위치의 개수를 판단함으로써, 상기 음성 특성 데이터를 생성하는, 음성 인식 장치.
  8. 제1 항에 있어서,
    카메라를 더 포함하고,
    상기 프로세서는,
    상기 카메라를 이용하여 상기 음성 인식 장치의 주변을 촬영하고,
    상기 촬영된 주변 영상에 상기 사용자 또는 상기 외부 디바이스가 포함되어 있는지에 기초하여, 상기 음성 신호가 상기 사용자로부터 발화된 음성인지 또는 상기 외부 디바이스로부터 출력된 음성인지를 결정하는, 음성 인식 장치.
  9. 제8 항에 있어서,
    상기 프로세서는,
    음성 명령 권한이 부여된 등록된 사용자의 얼굴 식별 데이터를 미리 설정하고,
    상기 촬영된 주변 영상에 포함된 상기 사용자가 상기 미리 설정된 얼굴 식별 데이터에 부합하는 것으로 결정함에 따라, 상기 음성 신호를 상기 사용자의 음성 명령으로 결정하고 상기 음성 명령에 대응하는 동작을 수행하는, 음성 인식 장치.
  10. 제1 항에 있어서,
    상기 프로세서는,
    음성 명령 권한이 부여된 등록된 사용자의 음성 식별 데이터를 미리 설정하고,
    상기 수신된 음성 신호가 상기 미리 설정된 음성 식별 데이터에 부합하는 것으로 결정함에 따라, 상기 음성 신호를 상기 사용자의 음성 명령으로 결정하고 상기 음성 명령에 대응하는 동작을 수행하는, 음성 인식 장치.
  11. 음성 인식 장치의 동작 방법에 있어서,
    마이크로폰을 통해 음성 신호를 수신하는 단계;
    뉴럴 네트워크(Neural Network)를 기반으로 하는 데이터 인식 모델을 이용하여, 상기 수신된 음성 신호를 분석함으로써 음성 특성 데이터를 생성하는 단계;
    상기 데이터 인식 모델을 이용하여, 상기 음성 특성 데이터에 기초하여 상기 음성 신호가 사용자로부터 발화된 음성인지 또는 외부 디바이스로부터 출력된 음성인지를 결정하는 단계; 및
    상기 음성 신호를 상기 사용자로부터 발화된 음성으로 결정함에 따라, 상기 음성 신호를 상기 사용자의 음성 명령으로 결정하고 상기 음성 명령에 대응하는 동작을 수행하는 단계를 포함하는, 방법.
  12. 제11 항에 있어서,
    상기 음성 신호를 상기 외부 디바이스로부터 출력된 음성으로 결정함에 따라, 상기 음성 신호를 필터링(filtering)하는 단계를 더 포함하는, 방법.
  13. 제11 항에 있어서,
    상기 음성 특성 데이터를 생성하는 단계는,
    상기 음성 신호가 압축된 음성 신호로부터 복원된 신호인지를 분석함으로써 상기 음성 특성 데이터를 생성하는, 방법.
  14. 제11 항에 있어서,
    상기 음성 특성 데이터를 생성하는 단계는,
    상기 음성 신호에 전기적 노이즈가 포함되었는지를 분석함으로써 상기 음성 특성 데이터를 생성하는, 방법.
  15. 제11 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2018/016219 2017-12-19 2018-12-19 음성 인식 장치 및 방법 WO2019124963A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201880082848.XA CN111492425A (zh) 2017-12-19 2018-12-19 语音识别设备和方法
US16/770,243 US20200372911A1 (en) 2017-12-19 2018-12-19 Speech recognition device and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170175338A KR102420567B1 (ko) 2017-12-19 2017-12-19 음성 인식 장치 및 방법
KR10-2017-0175338 2017-12-19

Publications (1)

Publication Number Publication Date
WO2019124963A1 true WO2019124963A1 (ko) 2019-06-27

Family

ID=66992635

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016219 WO2019124963A1 (ko) 2017-12-19 2018-12-19 음성 인식 장치 및 방법

Country Status (4)

Country Link
US (1) US20200372911A1 (ko)
KR (1) KR102420567B1 (ko)
CN (1) CN111492425A (ko)
WO (1) WO2019124963A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101801B (zh) * 2018-07-12 2021-04-27 北京百度网讯科技有限公司 用于身份认证的方法、装置、设备和计算机可读存储介质
WO2021002493A1 (ko) * 2019-07-01 2021-01-07 엘지전자 주식회사 지능형 게이트웨이 장치 및 그를 포함하는 제어 시스템
KR20210035968A (ko) * 2019-09-24 2021-04-02 엘지전자 주식회사 사용자의 표정이나 발화를 고려하여 마사지 동작을 제어하는 인공 지능 마사지 장치 및 그 방법
CN111841007A (zh) * 2020-07-29 2020-10-30 网易（杭州）网络有限公司 游戏的控制方法、装置、设备和存储介质
KR102437760B1 (ko) 2021-05-27 2022-08-29 이충열 컴퓨팅 장치에 의한 음향의 처리 방법, 영상 및 음향의 처리 방법 및 이를 이용한 시스템들
US20230031145A1 (en) * 2021-07-29 2023-02-02 Comcast Cable Communications, Llc Accidental voice trigger avoidance using thermal data
KR102378885B1 (ko) * 2021-09-29 2022-03-28 주식회사 인피닉 발화자의 얼굴을 이용한 메타데이터 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램
KR20230137814A (ko) 2022-03-22 2023-10-05 이충열 컴퓨팅 장치와 연동하는 촬영 장치로부터 획득되는 영상을 처리하는 방법 및 이를 이용한 시스템
US12111983B2 (en) * 2022-12-17 2024-10-08 Lenovo (Singapore) Pte. Ltd Computer mouse

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155968B2 (en) * 2008-02-15 2012-04-10 Kabushiki Kaisha Toshiba Voice recognition apparatus and method for performing voice recognition comprising calculating a recommended distance range between a user and an audio input module based on the S/N ratio
WO2014010879A1 (ko) * 2012-07-09 2014-01-16 엘지전자 주식회사 음성 인식 장치 및 그 방법
US20150235637A1 (en) * 2014-02-14 2015-08-20 Google Inc. Recognizing speech in the presence of additional audio
US20160111107A1 (en) * 2014-10-21 2016-04-21 Mitsubishi Electric Research Laboratories, Inc. Method for Enhancing Noisy Speech using Features from an Automatic Speech Recognition System
US20170092268A1 (en) * 2015-09-28 2017-03-30 Trausti Thor Kristjansson Methods for speech enhancement and speech recognition using neural networks

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3838029B2 (ja) * 2000-12-18 2006-10-25 セイコーエプソン株式会社 音声認識を用いた機器制御方法および音声認識を用いた機器制御システム
GB0103242D0 (en) * 2001-02-09 2001-03-28 Radioscape Ltd Method of analysing a compressed signal for the presence or absence of information content
EP1542101A1 (en) * 2002-09-20 2005-06-15 Matsushita Electric Industrial Co., Ltd. Interactive device
US6823176B2 (en) * 2002-09-23 2004-11-23 Sony Ericsson Mobile Communications Ab Audio artifact noise masking
KR100873920B1 (ko) * 2006-11-07 2008-12-17 한국전자통신연구원 화상 분석을 이용한 음성 인식 방법 및 장치
US9484027B2 (en) * 2009-12-10 2016-11-01 General Motors Llc Using pitch during speech recognition post-processing to improve recognition accuracy
CN102867276B (zh) * 2012-08-14 2015-10-28 北京用尚科技有限公司 基于电力业务系统的交互式控制方法
KR102112742B1 (ko) * 2013-01-22 2020-05-19 삼성전자주식회사 전자장치 및 그 음성 처리 방법
US10178301B1 (en) * 2015-06-25 2019-01-08 Amazon Technologies, Inc. User identification based on voice and face
CN105657150A (zh) * 2015-09-29 2016-06-08 宇龙计算机通信科技(深圳)有限公司 一种噪音消除方法、装置及电子设备
CN107144819B (zh) * 2017-04-10 2019-11-26 易视星空科技无锡有限公司 一种声源定位方法、装置及电子设备
CN107146614B (zh) * 2017-04-10 2020-11-06 北京猎户星空科技有限公司 一种语音信号处理方法、装置及电子设备
US11232781B2 (en) * 2017-04-17 2022-01-25 Sony Corporation Information processing device, information processing method, voice output device, and voice output method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155968B2 (en) * 2008-02-15 2012-04-10 Kabushiki Kaisha Toshiba Voice recognition apparatus and method for performing voice recognition comprising calculating a recommended distance range between a user and an audio input module based on the S/N ratio
WO2014010879A1 (ko) * 2012-07-09 2014-01-16 엘지전자 주식회사 음성 인식 장치 및 그 방법
US20150235637A1 (en) * 2014-02-14 2015-08-20 Google Inc. Recognizing speech in the presence of additional audio
US20160111107A1 (en) * 2014-10-21 2016-04-21 Mitsubishi Electric Research Laboratories, Inc. Method for Enhancing Noisy Speech using Features from an Automatic Speech Recognition System
US20170092268A1 (en) * 2015-09-28 2017-03-30 Trausti Thor Kristjansson Methods for speech enhancement and speech recognition using neural networks

Also Published As

Publication number Publication date
CN111492425A (zh) 2020-08-04
KR20190074011A (ko) 2019-06-27
KR102420567B1 (ko) 2022-07-13
US20200372911A1 (en) 2020-11-26

Similar Documents

Publication Publication Date Title
WO2019124963A1 (ko) 음성 인식 장치 및 방법
WO2018128362A1 (en) Electronic apparatus and method of operating the same
WO2018117428A1 (en) Method and apparatus for filtering video
WO2019031707A1 (en) MOBILE TERMINAL AND METHOD FOR CONTROLLING A MOBILE TERMINAL USING MACHINE APPRENTICESHIP
EP3545436A1 (en) Electronic apparatus and method of operating the same
WO2019132518A1 (en) Image acquisition device and method of controlling the same
WO2018110818A1 (en) Speech recognition method and apparatus
WO2020235712A1 (ko) 콘텐츠 기반의 스타일을 갖는 텍스트 또는 음성을 생성하는 인공 지능 장치 및 그 방법
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2019107945A1 (en) Method of providing service based on location of sound source and speech recognition device therefor
WO2019151735A1 (en) Vision inspection management method and vision inspection system
WO2018117662A1 (en) Apparatus and method for processing image
WO2016017987A1 (en) Method and device for providing image
WO2019216578A1 (en) Method and apparatus for executing cleaning operation
WO2019093819A1 (ko) 전자 장치 및 그 동작 방법
WO2019059505A1 (ko) 객체를 인식하는 방법 및 장치
WO2021006404A1 (ko) 인공지능 서버
EP3533052A1 (en) Speech recognition method and apparatus
WO2019135621A1 (ko) 영상 재생 장치 및 그의 제어 방법
WO2021206221A1 (en) Artificial intelligence apparatus using a plurality of output layers and method for same
WO2021029457A1 (ko) 사용자에게 정보를 제공하는 인공 지능 서버 및 그 방법
WO2019088692A1 (ko) 영상 표시 장치 및 그 동작 방법
WO2016175424A1 (ko) 이동 단말기 및 그 제어 방법
WO2020246640A1 (ko) 사용자의 위치를 결정하는 인공 지능 장치 및 그 방법
EP3773111A1 (en) Method and apparatus for executing cleaning operation

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: 18891201

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: 18891201

Country of ref document: EP

Kind code of ref document: A1