WO2019203418A1 - 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법 - Google Patents

음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법 Download PDF

Info

Publication number
WO2019203418A1
WO2019203418A1 PCT/KR2018/016057 KR2018016057W WO2019203418A1 WO 2019203418 A1 WO2019203418 A1 WO 2019203418A1 KR 2018016057 W KR2018016057 W KR 2018016057W WO 2019203418 A1 WO2019203418 A1 WO 2019203418A1
Authority
WO
WIPO (PCT)
Prior art keywords
domain
language model
processor
text data
electronic device
Prior art date
Application number
PCT/KR2018/016057
Other languages
English (en)
French (fr)
Inventor
엄태광
김운수
변두호
이정인
정석영
제성민
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
Publication of WO2019203418A1 publication Critical patent/WO2019203418A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/1633—Constructional details or arrangements of portable computers not specific to the type of enclosures covered by groups G06F1/1615 - G06F1/1626
    • G06F1/1637—Details related to the display arrangement, including those related to the mounting of the display in the housing
    • G06F1/1647—Details related to the display arrangement, including those related to the mounting of the display in the housing including at least an additional display
    • G06F1/165—Details related to the display arrangement, including those related to the mounting of the display in the housing including at least an additional display the additional display being small, e.g. for presenting status information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS 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
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
    • H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
    • H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R1/00—Details of transducers, loudspeakers or microphones
    • H04R1/20—Arrangements for obtaining desired frequency or directional characteristics
    • H04R1/32—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only
    • H04R1/40—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers
    • H04R1/403—Arrangements for obtaining desired frequency or directional characteristics for obtaining desired directional characteristic only by combining a number of identical transducers loud-speakers

Definitions

  • Various embodiments of the present disclosure relate to an electronic device that performs voice recognition and a method of operating the same.
  • a voice recognition function is applied to an electronic device, and a user of the electronic device may execute various functions of the electronic device by using a voice.
  • the speech recognition technology may use an acoustic model and a language model to recognize a speech spoken by a user.
  • the acoustic model may mean a database in which a phoneme candidate group including phonemes corresponding to a feature vector and a phoneme corresponding to the feature vector, which are obtained by processing voice data is mapped and stored.
  • the language model may mean a database in which information used to model linguistic order relations such as words or syllables is stored using phonemes corresponding to voice data extracted from the acoustic model.
  • Words that are used in a specific field that are not general words are often not included in the language model, so the accuracy of speech recognition for words used in a particular field depends on the accuracy of the speech recognition for commonly used words. Can be low.
  • a system includes a network interface, at least one processor operatively connected to the network interface, and at least one memory operatively connected to the processor, wherein the at least one memory is an automatic voice.
  • the processor receives first voice data from an external device including a microphone via the network interface and uses the generic language model, but does not use the domain based language models, and the ASR.
  • a system includes a network interface, at least one processor operatively connected to the network interface, and at least one memory operatively connected to the processor, wherein the at least one memory is automatically Configured to store a generic language model and a plurality of domain-based language models for automatic speech recognition (ASR), the at least one memory
  • the processor via the network interface, receives first voice data from an external device including a microphone and uses the generic language model, but does not use the domain-based language models, Process the first voice data with the ASR Generate first text data associated with at least one task to be performed by a system, determine, based at least in part on the first text data, a domain associated with the task, and among the domain based language models, the determined domain Select a domain based language model associated with the second voice data, receive second voice data from the external device via the network interface after receiving the first voice data and before performing the task; and, with the ASR, the selected one domain Instructions for processing the second voice data to generate second text data
  • an operation method of an electronic device for performing voice recognition may include receiving first voice data from an external device including a microphone through a network interface, and automatic speech recognition (ASR).
  • a generic language model for recognition is used, but a plurality of domain-based language models are not used, and the ASR is used to generate the first speech data.
  • Processing to generate first text data associated with at least one task to be performed by the electronic device determining, based at least in part on the first text data, a domain associated with the task, the domain based language Among the models, one domain based language model associated with the determined domain is selected.
  • the ASR may include processing the second voice data to generate second text data.
  • an electronic device for performing voice recognition and an operation method of the electronic device determine a domain using text data converted from voice data, and determine a content provider language model and a base language model corresponding to the domain. By performing speech recognition using all of them, the accuracy of speech recognition can be increased.
  • an electronic device for performing voice recognition and an operation method of the electronic device use a content provider language model specialized for a specific service or a specific field, thereby improving the accuracy of speech recognition for a word used in a specific field. Can increase.
  • FIG. 1 is a block diagram of an electronic device according to various embodiments of the present disclosure.
  • FIG. 2 is a block diagram of a program operating on an electronic device according to various embodiments of the present disclosure.
  • FIG. 3 is a diagram illustrating an integrated intelligence system including an electronic device and a server for performing voice recognition according to various embodiments of the present disclosure.
  • FIG. 4 is a block diagram illustrating an intelligent server for performing voice recognition according to various embodiments of the present disclosure.
  • 5A and 5B are block diagrams illustrating a language model and a speech recognition unit in an intelligent server according to various embodiments of the present disclosure.
  • 6A, 6B, and 6C are diagrams illustrating an embodiment of selecting a language model and performing speech recognition using the selected language model in an intelligent server according to various embodiments of the present disclosure.
  • FIG. 7 is a block diagram illustrating an electronic device according to various embodiments of the present disclosure.
  • 8A, 8B, 8C, and 8D illustrate examples of selecting a language model and performing speech recognition using the selected language model in an intelligent server and an electronic device according to various embodiments of the present disclosure. to be.
  • 9A and 9B illustrate an example of selecting a plurality of language models and performing speech recognition using the selected language models in an intelligent server and an electronic device according to various embodiments of the present disclosure.
  • 10A, 10B, 11A, 11B, 12A, and 12B are diagrams illustrating embodiments of outputting information about a session in an electronic device according to various embodiments of the present disclosure.
  • FIG. 13 is a flowchart illustrating a method of operating an electronic device for performing voice recognition according to various embodiments of the present disclosure.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • the electronic device 101 communicates with the electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or the second network 199.
  • the electronic device 104 may communicate with the server 108 through a long range wireless communication network.
  • the electronic device 101 may communicate with the electronic device 104 through the server 108.
  • the electronic device 101 may include a processor 120, a memory 130, an input device 150, an audio output device 155, a display device 160, an audio module 170, and a sensor module ( 176, interface 177, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196, or antenna module 197. ) May be included.
  • a sensor module 176, interface 177, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196, or antenna module 197.
  • the components for example, the display device 160 or the camera module 180
  • the sensor module 176 may be implemented embedded in the display device 160 (eg, display).
  • the processor 120 executes software (eg, the program 140) to execute at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, processor 120 may send instructions or data received from another component (eg, sensor module 176 or communication module 190) to volatile memory 132. Can be loaded into, processed in a command or data stored in volatile memory 132, and stored in the non-volatile memory (134).
  • software eg, the program 140
  • processor 120 may send instructions or data received from another component (eg, sensor module 176 or communication module 190) to volatile memory 132. Can be loaded into, processed in a command or data stored in volatile memory 132, and stored in the non-volatile memory (134).
  • the processor 120 may include a main processor 121 (eg, a central processing unit or an application processor), and a coprocessor 123 (eg, a graphics processing unit, an image signal processor) that may operate independently or together. , Sensor hub processor, or communication processor). Additionally or alternatively, the coprocessor 123 may be set to use lower power than the main processor 121 or to be specialized for its designated function. The coprocessor 123 may be implemented separately from or as part of the main processor 121.
  • a main processor 121 eg, a central processing unit or an application processor
  • a coprocessor 123 eg, a graphics processing unit, an image signal processor
  • the coprocessor 123 may be set to use lower power than the main processor 121 or to be specialized for its designated function.
  • the coprocessor 123 may be implemented separately from or as part of the main processor 121.
  • the coprocessor 123 may, for example, replace the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 may be active (eg, execute an application). At least one of the components of the electronic device 101 (eg, the display device 160, the sensor module 176, or the communication module 190) together with the main processor 121 while in the) state. Control at least some of the functions or states associated with the. According to one embodiment, the coprocessor 123 (eg, an image signal processor or communication processor) may be implemented as part of other functionally related components (eg, camera module 180 or communication module 190). have.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176) of the electronic device 101.
  • the data may include, for example, software (eg, the program 140) and input data or output data for a command related thereto.
  • the memory 130 may include a volatile memory 132 or a nonvolatile memory 134.
  • the program 140 may be stored as software in the memory 130, and may include, for example, an operating system 142, middleware 144, or an application 146.
  • the input device 150 may receive a command or data to be used for a component (for example, the processor 120) of the electronic device 101 from the outside (for example, a user) of the electronic device 101.
  • the input device 150 may include, for example, a microphone, a mouse, or a keyboard.
  • the sound output device 155 may output a sound signal to the outside of the electronic device 101.
  • the sound output device 155 may include, for example, a speaker or a receiver.
  • the speaker may be used for general purposes such as multimedia playback or recording playback, and the receiver may be used to receive an incoming call.
  • the receiver may be implemented separately from or as part of a speaker.
  • the display device 160 may visually provide information to the outside (eg, a user) of the electronic device 101.
  • the display device 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display device 160 may include a touch circuitry configured to sense a touch, or a sensor circuit (eg, a pressure sensor) configured to measure the strength of a force generated by the touch. have.
  • the audio module 170 may convert sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires sound through the input device 150, or an external electronic device (eg, connected to the sound output device 155 or the electronic device 101 directly or wirelessly). Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • an external electronic device eg, connected to the sound output device 155 or the electronic device 101 directly or wirelessly. Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101, or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the detected state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an infrared sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more designated protocols that may be used for the electronic device 101 to be directly or wirelessly connected to an external electronic device (for example, the electronic device 102).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card interface
  • audio interface audio interface
  • connection terminal 178 may include a connector through which the electronic device 101 may be physically connected to an external electronic device (eg, the electronic device 102).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that can be perceived by the user through tactile or kinesthetic senses.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and videos. According to one embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101.
  • the power management module 188 may be implemented, for example, as at least part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101.
  • the battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell or a fuel cell.
  • the communication module 190 may establish a direct (eg wired) communication channel or wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). Establish and perform communication over established communication channels.
  • the communication module 190 may operate independently of the processor 120 (eg, an application processor) and include one or more communication processors supporting direct (eg, wired) or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a near field communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg It may include a local area network (LAN) communication module, or a power line communication module.
  • GNSS global navigation satellite system
  • the corresponding communication module of these communication modules may be a first network 198 (e.g. a short range communication network such as Bluetooth, WiFi direct or infrared data association (IrDA)) or a second network 199 (e.g. cellular network, the Internet, or Communicate with external electronic devices via a telecommunications network, such as a computer network (eg, LAN or WAN).
  • a first network 198 e.g. a short range communication network such as Bluetooth, WiFi direct or infrared data association (IrDA)
  • a second network 199 e.g. cellular network, the Internet, or Communicate with external electronic devices via a telecommunications network, such as a computer network (eg, LAN or WAN).
  • a telecommunications network such as a computer network (eg, LAN or WAN).
  • the wireless communication module 192 uses subscriber information (e.g., international mobile subscriber identifier (IMSI)) stored in the subscriber identification module 196 in a communication network such as the first network 198 or the second network 199.
  • subscriber information e.g., international mobile subscriber identifier (IMSI)
  • IMSI international mobile subscriber identifier
  • the antenna module 197 may transmit or receive a signal or power to an external (eg, an external electronic device) or from the outside.
  • antenna module 197 may include one or more antennas, from which at least one antenna suitable for a communication scheme used in a communication network, such as first network 198 or second network 199, For example, it may be selected by the communication module 190.
  • the signal or power may be transmitted or received between the communication module 190 and the external electronic device through the at least one selected antenna.
  • peripheral devices eg, a bus, a general purpose input and output (GPIO), a serial peripheral interface (SPI), or a mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199.
  • Each of the electronic devices 102 and 104 may be the same or different type of device as the electronic device 101.
  • all or part of operations executed in the electronic device 101 may be executed in one or more external devices among the external electronic devices 102, 104, or 108. For example, when the electronic device 101 needs to perform a function or service automatically or in response to a request from a user or another device, the electronic device 101 instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • the one or more external electronic devices that receive the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101.
  • the electronic device 101 may process the result as it is or additionally and provide it as at least part of a response to the request.
  • cloud computing distributed computing, or client-server computing technology. This can be used.
  • the program 140 may include an operating system 142, middleware 144, or an application 146 executable by the operating system 142 for controlling one or more resources of the electronic device 101. It may include.
  • Operating system 142 may include, for example, Android TM, iOS TM, Windows TM, Symbian TM, Tizen TM, or Bada TM.
  • At least some of the programs 140 may be, for example, preloaded into the electronic device 101 at the time of manufacture, or external electronic devices (eg, the electronic device 102 or 104, or servers) when used by the user. 108) can be downloaded or updated.
  • the operating system 142 may control management (eg, allocation or retrieval) of one or more system resources (eg, a process, a memory, or a power source) of the electronic device 101.
  • the operating system 142 may additionally or alternatively include other hardware devices of the electronic device 101, such as the input device 150, the audio output device 155, the display device 160, and the audio module 170.
  • One or more driver programs for driving the antenna module 197 may be included.
  • the middleware 144 may provide various functions to the application 146 such that functions or information provided from one or more resources of the electronic device 101 may be used by the application 146.
  • the middleware 144 may be, for example, the application manager 201, the window manager 203, the multimedia manager 205, the resource manager 207, the power manager 209, the database manager 211, and the package manager 213. ), Connectivity manager 215, notification manager 217, location manager 219, graphics manager 221, security manager 223, call manager 225, or voice recognition manager 227. Can be.
  • the application manager 201 may manage, for example, the life cycle of the application 146.
  • the window manager 203 may manage one or more GUI resources used on the screen, for example.
  • the multimedia manager 205 may, for example, identify one or more formats required for the playback of the media files, and encode or decode the corresponding media file among the media files using a codec suitable for the selected corresponding format. Can be done.
  • the resource manager 207 may manage, for example, the source code of the application 146 or the space of the memory of the memory 130.
  • the power manager 209 may manage, for example, the capacity, temperature, or power of the battery 189, and may determine or provide related information necessary for the operation of the electronic device 101 using the corresponding information. . According to an embodiment of the present disclosure, the power manager 209 may interwork with a basic input / output system (BIOS) (not shown) of the electronic device 101.
  • BIOS basic input / output system
  • the database manager 211 may, for example, create, retrieve, or change a database to be used by the application 146.
  • the package manager 213 may manage installation or update of an application distributed in the form of a package file, for example.
  • the connectivity manager 215 may manage, for example, a wireless connection or a direct connection between the electronic device 101 and an external electronic device.
  • the notification manager 217 may provide, for example, a function for notifying a user of occurrence of a designated event (eg, an incoming call, a message, or an alarm).
  • the location manager 219 may manage location information of the electronic device 101, for example.
  • the graphic manager 221 may manage, for example, one or more graphic effects to be provided to the user or a user interface related thereto.
  • the security manager 223 may provide system security or user authentication, for example.
  • the telephone manager 225 may manage, for example, a voice call function or a video call function provided by the electronic device 101.
  • the voice recognition manager 227 may, for example, transmit a user's voice data to the server 108, and correspond to a command corresponding to a function to be performed in the electronic device 101 based at least in part on the voice data, Alternatively, the text data converted based at least in part on the voice data may be received from the server 108.
  • the middleware 244 may dynamically delete some of the existing components or add new components.
  • at least a portion of the middleware 144 may be included as part of the operating system 142, or may be implemented as software separate from the operating system 142.
  • the application 146 may be, for example, a home 251, a dialer 253, an SMS / MMS 255, an instant message (IM) 257, a browser 259, a camera 261, an alarm 263. , Contacts 265, voice recognition 267, email 269, calendar 271, media player 273, album 275, watch 277, health 279 (e.g., exercise or blood sugar) Biometric information), or environmental information 281 (eg, barometric pressure, humidity, or temperature information measurement) application. According to an embodiment of the present disclosure, the application 146 may further include an information exchange application (not shown) capable of supporting information exchange between the electronic device 101 and the external electronic device.
  • an information exchange application (not shown) capable of supporting information exchange between the electronic device 101 and the external electronic device.
  • the information exchange application may include, for example, a notification relay application configured to deliver specified information (eg, a call, a message, or an alarm) to an external electronic device, or a device management application configured to manage the external electronic device.
  • the notification relay application may transmit notification information corresponding to a specified event (eg, mail reception) generated by another application of the electronic device 101 (for example, the email application 269) to the external electronic device. Can be. Additionally or alternatively, the notification relay application may receive notification information from an external electronic device and provide the notification information to a user of the electronic device 101.
  • the device management application may be, for example, a power source (eg, turned on or turned on) of an external electronic device or some component thereof (eg, the display device 160 or the camera module 180) that communicates with the electronic device 101. -Off) or a function (eg, brightness, resolution, or focus of the display device 160 or the camera module 180) can be controlled.
  • the device management application may support installation, deletion, or update of an application running on an external electronic device.
  • FIG. 3 is a diagram illustrating an integrated intelligence system including an electronic device and a server for performing voice recognition according to various embodiments of the present disclosure.
  • the integrated intelligence system 300 may include a user terminal (eg, the electronic device 101 and 310 of FIG. 1), an intelligent server (eg, the server 108 and 320 of FIG. 1) and a cloud server 330. And a third party server 340.
  • the user terminal 310 may include an app (or an application program) stored in the user terminal 310 (eg, an alarm app, a message app, or a photo (gallery). ) Apps, etc., to provide services that users need.
  • the user terminal 310 may execute and operate another app through an intelligent app (or a voice recognition app) stored in the user terminal 310.
  • the intelligent app of the user terminal 310 may receive a user input for executing the other app and executing an operation.
  • the user input may be received through, for example, a physical button, a touch pad, a voice input, a remote input, or the like.
  • the user terminal 310 may include a mobile phone, a smartphone, a personal digital assistant (PDA), a notebook computer, an electronic device (for example, a smart TV, a smart refrigerator, an air purifier, etc.) to which IoT technology is applied.
  • a mobile phone for example, a smart TV, a smart refrigerator, an air purifier, etc.
  • PDA personal digital assistant
  • Various terminal devices (or electronic devices) connectable thereto may correspond to this.
  • the user terminal 310 may receive a user's speech as a user input.
  • the user terminal 310 may receive a user's speech and generate a command for operating the app based on the user's speech. Accordingly, the user terminal 310 may operate the app using the command.
  • the user terminal 310 may receive a user's speech and generate voice data corresponding to the user's speech.
  • the generated voice data may be transmitted to the intelligent server 320.
  • the user terminal 310 may preprocess the voice data before transmitting the voice data to the intelligent server 320.
  • the user terminal 310 performs various operations such as removing an echo included in the voice data, removing a background noise included in the voice data, and adjusting a size of the voice included in the voice data.
  • the preprocessing of the voice data may be performed in a manner, and the preprocessed voice data may be transmitted to the intelligent server 320.
  • the intelligent server 320 may receive voice data corresponding to user speech from an external device (eg, the user terminal 310, etc.) through a communication network, and convert the voice data into text data. Can be.
  • an external device eg, the user terminal 310, etc.
  • the intelligent server 320 may transmit the converted text data to the user terminal 310.
  • the user terminal 310 may output the received text data using a display or a speaker.
  • the operation of converting the text data by the intelligent server 320 may be performed by using an acoustic model and a language model stored in the memory of the intelligent server 320.
  • the acoustic model may mean a database in which a phoneme candidate group including phonemes corresponding to a feature vector and a phoneme corresponding to the feature vector, which are obtained by processing voice data is mapped and stored.
  • the language model may mean a database in which information used to model linguistic order relations such as words or syllables is stored using phonemes corresponding to voice data extracted from the acoustic model.
  • the intelligent server 320 may use phonetic models corresponding to voice data (e.g., I go) using the acoustic model (b /// ⁇ / ⁇ / (b or o) /).
  • acoustic model b /// ⁇ / ⁇ / (b or o) /.
  • a phoneme candidate group (“n” or “o” or “un” or “ung”) corresponding to “n” below may be stored in the voice data corresponding to “n” ( “And” ability "are similar in pronunciation and” ⁇ "and” ⁇ "may be stored as phoneme candidates).
  • the language model may mean a database in which information used to model linguistic order relations such as words or syllables is stored using phonemes corresponding to voice data extracted from an acoustic model.
  • words including voice data and phonemes included in a phoneme candidate group may be mapped and stored, respectively.
  • words including the phonemes included in the phoneme candidate group may be mapped and stored in probability that the words coincide with the voice data.
  • the intelligent server 320 may select a word corresponding to the voice data based on a probability of matching the voice data with each word including the phonemes included in the phoneme candidate group.
  • the intelligent server 320 may transmit text data generated by converting voice data to the cloud server 330.
  • the cloud server 330 may perform natural language understanding (NLU) processing using text data received from the intelligent server 320.
  • the natural language understanding process may refer to an operation of determining a speech intention of the user's voice using the converted text data.
  • the cloud server 330 may determine a user's intention by performing a syntactic analysis or semantic analysis on the text data.
  • the grammatical analysis may divide user input into grammatical units (eg, words, phrases, morphemes, etc.) and determine which grammatical elements the divided units have.
  • the semantic analysis may be performed using semantic matching, rule matching, formula matching, or the like.
  • the cloud server 330 is divided into a domain for distinguishing a service matching an intention corresponding to a user input, an intent, and a parameter (or a slot) necessary for identifying the intention. Genetic matching rules can be used to determine the user's intent and parameters.
  • the one domain e.g., alarm
  • the one domain may include a plurality of intents (e.g., alarm setting, or alarm disabling), and one intent may be a plurality of parameters (e.g., time, number of repetitions, or Alarm sounds, etc.).
  • the cloud server 330 may grasp the meaning of a word extracted from a user input by using linguistic features (eg, grammatical elements) such as morphemes and phrases, and may mean Can be matched to the domain and intent to determine the user's intent. For example, the cloud server 330 may determine the user intention by calculating how many words extracted from the user input are included in each domain and intention. According to an embodiment of the present disclosure, the cloud server 330 may determine a parameter of a user input by using a word based on the intention. According to an embodiment of the present disclosure, the cloud server 330 may determine a user's intention using a natural language recognition database (not shown) in which language features for determining the intention of the user input are stored. According to another embodiment, the cloud server 330 may determine a user's intention using a personal language model (PLM). For example, the cloud server 330 may determine the user's intention using personalized information (eg, a contact list or a music list).
  • linguistic features eg, grammatical elements
  • various operations that may be performed by the cloud server 330 may also be performed by the intelligent server 320.
  • the cloud server 330 may identify the user's intention determined by the natural language understanding operation and the operation suitable for the user's intention, and may provide information about parameters required to execute an operation corresponding to the user's intention. You can check. If the cloud server 330 lacks a parameter necessary to execute an operation corresponding to the user's intention, the cloud server 330 may request the parameter from the user terminal 310. If there is a parameter necessary to execute an operation corresponding to the intention of the user, the cloud server 330 may execute an operation corresponding to the intention of the user and transmit the execution result to the user terminal 310.
  • the cloud server 330 may transmit a signal to the third party server 340 requesting to execute an operation corresponding to the user's intention.
  • the third party server 340 may refer to a server operated by a subject other than the subject operating the intelligent server 320 and the cloud server 330.
  • the third party server 340 may execute an operation corresponding to the user's intention (for example, pizza order) and transmit the execution result to the user terminal 310.
  • the intelligent server 320 may use a language model (or a language model) to be used for additional speech recognition based on text data generated through conversion of voice data corresponding to a user's speech.
  • the intelligent server 320 may select a basic language model (or a generic language model) designated as a basic use for performing speech recognition and services provided based on the speech recognition. It may include a plurality of domain-based language model (or domain-based language model) corresponding to the domains identified by the intelligent server 320.
  • the intelligent server 320 is a text converted using the base language model Based on the data, one of the plurality of domain-based language models can be selected. 20 may perform speech recognition using a basic language model and a selected domain-based language model, which will be described with reference to FIGS. 4 to 6C below.
  • FIG. 4 is a block diagram illustrating an intelligent server 320 that performs voice recognition according to various embodiments of the present disclosure.
  • an intelligent server (eg, intelligent server 320 of FIG. 3) that performs voice recognition according to various embodiments of the present disclosure may use a communication module 410, a processor 420, and a memory 430. It may include.
  • the communication module 410 may receive first voice data corresponding to a user's speech from an external electronic device (for example, the user terminal 310 of FIG. 3).
  • the first voice data may refer to data obtained by preprocessing voice data corresponding to a user's speech received using a microphone (eg, the input device 150 of FIG. 1) of the user terminal 310.
  • the communication module 410 may transmit text data or a voice recognition processing result of performing a text conversion operation on voice data to an external electronic device (eg, the user terminal 310 of FIG. 3 or FIG. 3). To the cloud server 340).
  • the memory 430 corresponds to domains distinguished by services provided based on speech recognition, a basic language model designated to be used as a basis for performing speech recognition, and speech recognition.
  • the acoustic model may mean a database in which a phoneme candidate group including phonemes corresponding to a feature vector and a phoneme corresponding to the feature vector, which are obtained by processing voice data is mapped and stored.
  • the language model may mean a database in which information used to model linguistic order relations such as words or syllables is stored using phonemes corresponding to voice data extracted from the acoustic model.
  • the basic language model may mean a language model that can be basically used while performing speech recognition.
  • the domain-based language model may mean a language model corresponding to each of the domains. Domains can be distinguished by services provided based on speech recognition. For example, each of the various services provided based on speech recognition (eg, pizza order, accommodation reservation, traffic information provision) may have a unique domain.
  • domain-based language models may include a language model associated with a pizza order, a language model associated with accommodation reservations, a language model associated with providing traffic information, and the like.
  • the domain-based language model may be implemented by an operation side of a third party server (eg, the third party server 340 of FIG. 3) differently from the basic language model. If the frequency of use among the data included in the domain-based language model is greater than or equal to the set value, the data included in the domain-based language model may be updated to be included in the basic language model.
  • the processor 420 may perform session management for managing a session.
  • the session exchanges data (voice data, text data, parameter information required for services, etc.) between the intelligent server 320 and the user terminal (eg, the user terminal 310 of FIG. 3) to provide various services using voice recognition. Or the like.
  • the session may include a series of operations for performing various services that may be provided based on speech recognition. For example, a session is selected from a domain-based language model associated with the determined domain, and since the selected domain-based language model is connected with an ASR (eg, ASR 510 of FIG. 5), a service provided by using speech recognition is provided. It can be defined as an operation until termination.
  • ASR eg, ASR 510 of FIG. 5
  • the processor 420 may convert first voice data corresponding to a user's speech received through the communication module 410 into first text data.
  • the processor 420 may generate the first text data using the basic language model.
  • the processor 420 may determine a domain corresponding to the text data based on the generated text data.
  • the domain may be an identifier that can be distinguished according to a service provided based on voice recognition.
  • a service provided based on voice recognition e.g., pizza order, accommodation reservation, traffic information provision
  • each of the various services provided based on speech recognition may have a unique domain.
  • the domain may be created by the developer (or operator) of the third party server 340.
  • the developer of the third party server 340 may define at least one entity representing parameter information that may be extracted from the text data converted from the voice data.
  • entity name a parameter that can be extracted from the voice data of a user who intends to "pizza order"
  • a word included in the entity may be potato pizza, shrimp pizza, or pepperoni pizza.
  • the words included in the entity added by the developer (or operator) of the third party server 340 may be managed in a vocabulary.
  • Entity information including an entity name and a word included in the entity may be defined in a vocabulary.
  • the processor 420 converts words into phonemes and learns a language model through the language model to be added to the domain-based language model. Can be.
  • the processor 420 detects the change of the entity and transfers the language model to the changed entity even if there is no learning request for a separate language model. You can learn along.
  • the processor 420 may create a session connected with the determined domain.
  • the processor 420 may manage an operation of processing a service based on speech recognition through the generated session.
  • the processor 420 may select a domain-based language model corresponding to the determined domain among the domain-based language models. For example, the processor 420 determines the user's intention (eg, pizza order) based on the first text data (eg, pizza order), and selects a domain (eg, pizza order service) that matches the user's intention. You can decide.
  • the processor 420 may select a domain-based language model (eg, a language model specific to a pizza order) associated with the determined domain.
  • the processor 420 may transmit information about a session to be used to an external electronic device (for example, the user terminal 310 of FIG. 3).
  • the external electronic device 310 may output the information on the session using a display or a speaker so as to notify the user of the information on the session.
  • the processor 420 may determine whether the first text data includes an identifier of a domain. For example, if a specified text format (e.g., (user's intent) in a (domain identifier)) is stored in the memory 430, the processor 420 may compare the first text data with the specified text format. Can be. The processor 420 may check the identifier of the domain based on the comparison result. For another example, the processor 420 may classify the first text data into a specific unit (eg, a word, a phrase, etc.) and check whether the domain identifier exists in the divided data. When the identifier of the domain exists in the first text data, the processor 420 may determine the domain based on the identifier verification result of the domain.
  • a specified text format e.g., (user's intent) in a (domain identifier)
  • the processor 420 may compare the first text data with the specified text format. Can be. The processor 420 may check the identifier of the domain based on the comparison result.
  • the processor 420 may determine a user's intention using the first text data and perform a task matching the user's intention. You can decide.
  • the processor 420 may determine a domain corresponding to the determined task. For example, the processor 420 may compare at least a portion (eg, a sentence, a phrase, a word, etc.) included in the first text data with the comparison information (eg, a sentence corresponding to a function) stored in the memory 430. Phrase, word, etc.), and if a portion of the first text data matches the comparison information, the processor 420 may determine a task that matches the intention of the user.
  • the comparison information eg, a sentence corresponding to a function
  • the processor 420 may determine a domain corresponding to the task matching the intention of the user.
  • the processor 420 may divide the first text data into a specific unit (eg, a word or phrase) and compare the information stored in the memory 430 in the divided data (eg, an object or a verb). You can check whether it contains.
  • the processor 420 may determine a task matching the intention of the user based on whether the comparison information is included.
  • the processor 420 may determine a domain corresponding to the task matching the intention of the user.
  • the processor 420 may receive additional speech of the user and perform speech recognition on second speech data corresponding to the additional speech of the user using the basic language model and the selected domain-based language model. And generate second text data corresponding to the second voice data.
  • the additional speech of the user may be performed to input a parameter (eg, type, size, number, etc. of pizza) for performing a service matching the intention corresponding to the user speech.
  • the processor 420 may use a base language model and a selected domain-based language model (eg, a language model specialized for pizza order) when performing text conversion on the second voice data corresponding to additional speech of the user.
  • the processor 420 may perform text conversion based on the weight applied to the basic language model and the weight applied to the selected domain-based language model.
  • the processor 420 may change the session by additional user speech while performing voice recognition using the generated session. For example, the processor 420 may receive third voice data corresponding to an additional user utterance (eg, requesting bus route information) while performing voice recognition using a session related to a pizza order. . The processor 420 may generate third text data corresponding to the third voice data based on the base language model and the domain-based language model associated with the determined domain. The processor 420 may determine a domain corresponding to the third text data based on the third text data.
  • third voice data corresponding to an additional user utterance (eg, requesting bus route information)
  • the processor 420 may generate third text data corresponding to the third voice data based on the base language model and the domain-based language model associated with the determined domain.
  • the processor 420 may determine a domain corresponding to the third text data based on the third text data.
  • the processor 420 may include a domain corresponding to the first text data.
  • the user may change to a session associated with the domain corresponding to the third text data and perform voice recognition using the session associated with the domain corresponding to the third text data.
  • the processor 420 selects a domain-based language model associated with a domain corresponding to the third text data, and selects a base language model and a domain-based language model associated with the domain corresponding to the third text data. Based on the speech recognition can be performed.
  • the processor 420 may determine a domain based on the first text data, and perform text conversion on the first voice data using a domain-based language model and a base language model associated with the determined domain. You can also do it again. When converting based on the base language model and the domain-based language model associated with the determined domain, the conversion may be more accurate.
  • the processor 420 may transmit the changed text data to an external electronic device (for example, the user terminal 310 of FIG. 3).
  • the processor 420 may change text data (eg, 1945 burger) into audio data.
  • the processor 420 may generate audio data corresponding to the words included in the domain-based language model and the base language model related to the determined domain and transmit the generated audio data to the user terminal 310.
  • the audio conversion results when the default language model is used for example, one hundred and forty-five burgers or onethousandninehundredfourtyfive burgers
  • the audio conversion results when used for example, one Kusao burger or oneninefourfive burger
  • the processor 420 selects one language model of the base language model or the domain-based language model based on the weight applied to the base language model and the weight applied to the selected domain-based language model, and uses the selected language model. Audio conversion may be performed.
  • 5A is a block diagram illustrating a processor 420 in an intelligent server according to various embodiments of the present disclosure.
  • the processor 420 of the intelligent server includes an ASR module 510, a natural language understanding module module 520, a basic language model 530, and a plurality of domains.
  • Language models 541, 543, and 545 and session manager 550 According to various embodiments of the present invention, ASR module 510, natural language understanding module module 520, and base language model 530 ), The plurality of domain-based language models 541, 543, and 545 and the session manager 550 may be implemented in software on the processor 420.
  • the ASR module 510 may convert voice data received from an external electronic device (eg, the user terminal 310 of FIG. 3) into text data.
  • the ASR module 510 may transmit the converted text data to the session manager 550.
  • the session manager 550 may determine a domain using the converted text data.
  • the session manager 550 may select a domain based language model associated with the determined domain among the domain based language models 541, 543, and 545.
  • the session manager 550 may control the ASR module 510 to perform text conversion using the selected domain based language model and the base language model 530.
  • the ASR module 510 may transmit the converted text data to the NLU module 520.
  • the natural language understanding module 520 may grasp the meaning of a word extracted from the text data by using linguistic features (eg, grammatical elements) such as morphemes and phrases included in the text data, The intention of the user can be determined.
  • the natural language understanding module 520 may identify a user's intention determined by the natural language understanding operation and an operation suitable for the user's intention, and may check information about a parameter required to execute an operation corresponding to the user's intention.
  • the session manager 550 may request the parameter from the user terminal 310.
  • the session manager 550 receives information about a user's intention, an operation suitable for the user's intention, and a parameter from the natural language understanding module 520, and displays a third party server (eg, FIG. 3).
  • the received information may be transmitted to the third party server 340.
  • the third party server 340 may receive information about a user's intention, an operation suitable for the user's intention, and parameters, and perform a service on voice recognition using the received information.
  • the third party server 340 may transmit a service performance result to the user terminal 310, and the user terminal 310 may output the service performance result using a display or a speaker.
  • the natural language understanding module 520 may be implemented in the intelligent server 320, but may be implemented in the cloud server 330 instead of the intelligent server 320.
  • the natural language understanding module 520 is implemented in the cloud server 330, the text data generated by the ASR module 510 may be transmitted to the cloud server 330.
  • 5B is a block diagram illustrating a processor 420 in an intelligent server according to another embodiment of the present invention.
  • the processor 420 of the intelligent server includes an ASR module 510, a natural language understanding module module 520, a basic language model 530, and a plurality of domains.
  • a description of components overlapping with FIG. 5A will be omitted.
  • an ASR module 510, a natural language understanding module module 520, a base language model 530, a plurality of domain-based language models 541, 543, 545, and a session manager 550 may be used.
  • the language model generation module 560 and the unified language model 570 may be implemented in software on the processor 420.
  • the language model generation module 560 may include at least one language model associated with a currently running session of the base language model 530 and the plurality of domain-based language models 541, 543, and 545. By using the integrated language model 570 can be generated.
  • the ASR module 510 may convert voice data received from an external electronic device (eg, the user terminal 310 of FIG. 3) into text data using the generated unified language model. have.
  • the ASR module 510 illustrated in FIG. 5A may include all language models (eg, the base language model 530 and the domain-based language) connected to the received ASR module 510. Model 541).
  • the ASR module 510 illustrated in FIG. 5B transmits the received voice data to one unified language model 570 connected to the ASR module 510, and converts the voice data into text data using the unified language model 570. I can convert it.
  • 6A to 6C are diagrams illustrating an embodiment of selecting a language model and performing speech recognition using the selected language model in the intelligent server 320 according to various embodiments of the present disclosure.
  • FIG. 6A illustrates an example in which the ASR module 510 converts voice data into text data using the basic language model 530.
  • the ASR module 510 may include a basic language model 530 of first voice data transmitted by an external electronic device (eg, the user terminal 310 of FIG. 3) before a session is created. ) Can be converted into the first text data.
  • FIG. 6B is a diagram illustrating an embodiment in which the ASR module 510 converts second voice data into second text data using the basic language model 530 and the first domain-based language model 541.
  • the session manager eg, the session manager 550 of FIG. 5
  • the session manager 550 may determine a domain to be used for speech recognition using the first text data.
  • the session manager 550 may select a domain based language model (eg, the first domain based language model 541) associated with the determined domain.
  • the session manager 550 may control the ASR module 510 to convert the second note data into second text data using the selected domain based language model 541 and the base language model 530.
  • FIG. 6C illustrates an embodiment in which the ASR module 510 converts speech data into text data using the basic language model 530 and the second domain-based language model 543.
  • the session manager 550 may change the session by additional user speech while performing voice recognition using the generated session. For example, the session manager 550 may receive third voice data corresponding to additional user speech (eg, requesting bus route information) while performing voice recognition using a session associated with a pizza order. have. The session manager 550 may generate the third text corresponding to the third voice data based on the base language model and the domain-based language model (eg, the first domain-based language model 541 of FIG. 6B) corresponding to the previously determined domain. You can generate data.
  • the domain-based language model eg, the first domain-based language model 541 of FIG. 6B
  • the session manager 550 may determine a domain corresponding to the third text data based on the third text data.
  • the session manager 550 may correspond to the first text data when the domain corresponding to the first text data (eg, pizza order) and the domain corresponding to the third text data (eg, bus route information request) are different from each other.
  • a session associated with a domain a session associated with a domain corresponding to the third text data may be changed, and voice recognition may be performed using a session associated with the domain corresponding to the third text data.
  • the session manager 550 selects a domain-based language model associated with a domain corresponding to the third text data, and selects a base language model and a domain-based language associated with the domain corresponding to the third text data. Speech recognition can be performed based on the model.
  • FIG. 7 is a block diagram illustrating an electronic device 310 that performs voice recognition according to various embodiments of the present disclosure.
  • an electronic device 310 that performs voice recognition may be a communication module 710 (eg, the communication module 190 of FIG. 1) or a display 720 (eg, FIG.
  • the display device 160 of FIG. 1, a processor 730 (eg, the processor 120 of FIG. 1), and a microphone 740 (eg, the input device 150 of FIG. 1) may be included.
  • the microphone 740 may receive a speech of a user of the electronic device 310 and generate voice data corresponding to the speech.
  • the generated voice data may be transmitted to an intelligent server (eg, the intelligent server 320 of FIG. 3) by the communication module 710 after the preprocessing process.
  • the processor 730 performs at least one of removing an echo included in the voice data, removing noise included in the voice data, or adjusting an amount of the voice included in the voice data. Preprocessing of the voice data can be performed.
  • the processor 730 may transmit the pre-processed voice data to the intelligent server 320.
  • the intelligent server 320 may receive voice data and use the voice data to execute a series of operations related to voice recognition and a service based on voice recognition.
  • the intelligent server 320 may determine a domain for performing voice recognition and generate a session associated with the determined domain. Information about the created session and information related to the domain determined by the intelligent server 320 may be transmitted to the electronic device 310.
  • the processor 730 may be configured by the intelligent server 320 and information about a session generated by the intelligent server 320 or a cloud server (eg, the cloud server 330 of FIG. 3). Receive information related to the domain.
  • the processor 730 may display information on the generated session or information related to a domain on the display 720.
  • Information about the created session or information related to the domain may be displayed in a user interface implemented in a visual form such as an icon.
  • information generated at the top of the screen or information related to the domain may be displayed at the top of the display 720 in text form.
  • information generated at the top of the screen or information related to the domain may be displayed on a portion of the display 720 in the form of an icon.
  • a generated session is terminated by various causes such as a user's speech, and another session is executed, information about the generated session or information related to a domain is displayed on the display 720. Can be.
  • FIGS. 10, 11A, and 11B Various embodiments of outputting information about a session or information related to a domain will be described later with reference to FIGS. 10, 11A, and 11B.
  • the processor 730 may receive text data generated using the domain-based language model and the base language model associated with the determined domain from the intelligent server 320.
  • the processor 730 may output the received text data through the display 720 or a speaker (not shown).
  • FIGS. 8A to 8D are diagrams illustrating embodiments of selecting a language model and performing speech recognition using the selected language model in the intelligent server 320 and the electronic device 310 according to various embodiments of the present disclosure. to be.
  • the user terminal (eg, the user terminal 310 of FIG. 3) may be selected in an operation of selecting the domain-based language model illustrated in FIGS. 6A to 6C and using the selected domain-based language model. Is an embodiment of a screen displayed on a display (eg, display 720 of FIG. 7).
  • a user performs an utterance including a specific intention (pizza order), and the user terminal 310 has a first voice corresponding to the user's utterance 831 (eg, let's have a pizza).
  • the first voice data may be transmitted to an intelligent server (for example, the intelligent server 320 of FIG. 3) through a preprocessing process.
  • the ASR module 510 executed in the processor of the intelligent server 320 (for example, the processor 420 of FIG. 4) may convert the received first voice data into first text data using the basic language model 530. Can be.
  • a session manager eg, session manager 550 of FIG.
  • a domain eg, pizza delivery
  • a session for providing a service based on, for example, a pizza delivery service may be created.
  • the session manager 550 determines a domain (eg, pizza delivery) associated with the session based on the generated first text data, and domain based associated with the determined one of the domain based language models 821, 823, 825.
  • a language model eg, the Dominion Pizza language model
  • 821 can be selected.
  • the session manager 550 transmits information about the generated session to the user terminal 310, and the user terminal 310 transmits information 833 related to a domain (eg, a domino). Pizza call) may be displayed on a display (eg, display 720 of FIG. 7).
  • a domain eg, a domino
  • Pizza call may be displayed on a display (eg, display 720 of FIG. 7).
  • the processor may output the information 833 related to the domain on the display 720.
  • the information 833 related to the domain may include the name of the domain and the name of the third party providing the domain.
  • the information 833 related to the domain may be output in the form of a user interface.
  • the user terminal 310 may generate second voice data 841 corresponding to additional user speech (for example, specific speech related to a pizza order).
  • the second voice data 841 may be transmitted to an intelligent server (for example, the intelligent server 320 of FIG. 3) through a preprocessing process.
  • An ASR module e.g., ASR module 510 of FIG. 5
  • a processor of intelligent server 320 e.g., processor 420 of FIG. 4
  • Text conversion may be performed on the second voice data 841 based on the language model 821, and the second text data 843 may be generated.
  • the NLU eg, the NLU 520 of FIG.
  • the extracted parameters and the second text data 843 may be transmitted to a third party server (for example, the third party server 340 of FIG. 3), and the third party server 340 may generate a voice recognition based on the received information. Operations related to the related service can be performed.
  • the session manager 550 may transmit the second text data 843 to the user terminal 310.
  • the user terminal 310 may display the second text data 843 on the display 720.
  • the processor 730 may output the information 845 related to the domain on the display 720.
  • Information 845 related to the domain may include the name of the domain and the name of the third party providing the domain.
  • the information 845 related to the domain may be output in the form of a user interface.
  • the session manager 550 may terminate the currently running session and change (or create) another session based on a user input.
  • the user terminal 310 may generate third voice data 851 corresponding to additional user speech (eg, a request for information related to a bus route).
  • the third voice data may be transmitted to an intelligent server (eg, the intelligent server 320 of FIG. 3) through a preprocessing process (851).
  • the ASR module 510 may convert the third voice data 851 into third text data using the base language model 530 and the domain-based language model 821 associated with the previously determined domain.
  • the session manager 550 may determine a domain corresponding to the third text data based on the third text data.
  • the session manager 550 may correspond to the first text data when the domain corresponding to the first text data (eg, pizza order) and the domain corresponding to the third text data (eg, bus route information request) are different from each other.
  • the voice recognition may be performed using a session associated with the domain corresponding to the third text data and / or a session associated with the domain corresponding to the third text data.
  • the processor 730 may output information 853 related to the domain on the display 720.
  • the information 853 related to the domain may include the name of the domain and the name of the third party providing the domain.
  • the information 853 related to the domain may be output in the form of a user interface.
  • session manager 550 may terminate a previously running session and execute a session associated with the changed domain.
  • the session manager 550 may transmit information indicating the change of the session to the user terminal 310.
  • the user terminal 310 may display, on the display 720, information 853 related to the domain including information indicating the change of the session.
  • the session manager 550 selects a domain-based language model 825 associated with the changed domain among the domain-based language models 821, 823, and 25, and selects the selected domain-based language model (eg For example, speech recognition may be performed using the bus route language model 825 and the basic language model 530.
  • the user terminal 310 may receive fourth voice data 861 related to additional speech of the user (for example, speech for requesting bus route related information).
  • the fourth voice data 861 may be transmitted to an intelligent server (for example, the intelligent server 320 of FIG. 3) through a preprocessing process.
  • the ASR module 510 may convert the fourth voice data 861 into fourth text data using the base language model 530 and the domain-based language model 825 associated with the determined domain.
  • the session manager 550 transmits the fourth text data to the third party server (eg, the third party server 340 of FIG. 3), and the third party server 340 uses the received data to perform a process related to speech recognition. Processing, and transmits the processing result to the user terminal 310.
  • the user terminal 310 may display the processing result on the display 720.
  • the processor 730 may output the information 863 related to the domain on the display 720.
  • the information 863 related to the domain may include the name of the domain and the name of the third party providing the domain.
  • the information 863 related to the domain may be output in the form of a user interface.
  • FIG. 9 is a diagram illustrating an embodiment of selecting a plurality of language models distinguished according to a service and performing voice recognition using the selected language models in an intelligent server and an electronic device according to various embodiments of the present disclosure.
  • an intelligent server may include a plurality of domain-based language models and basic language models in one session for processing a series of operations related to speech recognition. Speech recognition may be performed.
  • the user terminal 310 (eg, the electronic device 101 of FIG. 1) generates first voice data corresponding to a speech 931 including a specific intention (eg, a travel plan) of the user. can do.
  • the first voice data may be transmitted to an intelligent server (for example, the intelligent server 320 of FIG. 3) through a preprocessing process.
  • the ASR module 510 implemented on the processor of the intelligent server 320 (eg, the processor 420 of FIG. 4) converts the received first voice data into first text data using the basic language model 530. can do.
  • a session manager (eg, the session manager 550 of FIG. 5) implemented on the processor 420 may generate a session for providing a service based on speech recognition based on the first text data.
  • the session manager 550 may identify a plurality of domains related to the session based on the first text data. For example, the session manager 550 may check a plurality of domains (eg, accommodation reservation, car rental reservation, ticket reservation) matching a user's intention (eg, travel plan). The session manager 550 selects domain based language models 921, 923, 925 corresponding to each of the plurality of domains, and selects a plurality of domain based language models 921, 923, 925 and a base language model 530. Speech recognition may be performed using a plurality of domains related to the session based on the first text data. For example, the session manager 550 may check a plurality of domains (eg, accommodation reservation, car rental reservation, ticket reservation) matching a user's intention (eg, travel plan). The session manager 550 selects domain based language models 921, 923, 925 corresponding to each of the plurality of domains, and selects a plurality of domain based language models 921, 923,
  • a processor may output information related to a domain on the display 720.
  • the information related to the domain may include the name of the domain and the name of the third party providing the domain.
  • the information related to the domain may be output in the form of a user interface.
  • the processor 730 may display icons 941, 943, and 945 representing each of the determined plurality of domains.
  • 10A and 10B illustrate an example of outputting information on a connected session in the electronic device 310 according to various embodiments of the present disclosure.
  • an electronic device 310 for performing voice recognition is currently present in an intelligent server 320 or a cloud server (eg, the cloud server 330 of FIG. 3).
  • Information on the connected session may be received and the received information may be output using a display (for example, the display 720 of FIG. 7).
  • the electronic device 310 displays information about a currently connected session on a service providing screen (eg, a service for searching and displaying a restaurant list) using a voice input of a user of the electronic device 310. It may be displayed in the form of an icon 1010.
  • the service screen using the voice input may be implemented using a color similar to the color of the icon as the background color.
  • the electronic device 310 displays a service provision (eg, pizza order service) screen using a voice input of a user of the electronic device 310 in a pop-up form, and displays information on a currently connected session. May be displayed in the form of an icon 1020.
  • a service provision eg, pizza order service
  • information about the changed session may be displayed on the display 720.
  • 11A to 11B illustrate an embodiment of outputting information on a connected session in the electronic device 310 according to various embodiments of the present disclosure.
  • an electronic device 310 includes a microphone that receives a user's voice and is an intelligent speaker connected to the intelligent server 320 or the cloud server 330. Can be.
  • the electronic device 310 receives information on a session currently connected from the intelligent server 320 or a cloud server (eg, the cloud server 330 of FIG. 3), and transmits the received information to an audio module (eg, the audio of FIG. 1).
  • Module 170 may be used to output.
  • 11A to 11D illustrate when the electronic device 310 according to various embodiments of the present disclosure does not have a display (eg, the display 720 of FIG. 7), and thus cannot display information on a connected session. Applicable to all cases where the device 310 has a display 720.
  • information about a session connected to be used for voice recognition may be output using an audio module (eg, the audio module 170 of FIG. 1) included in the electronic device 310. .
  • a generated session eg, a general speech recognition session
  • another session eg, a pizza ordering session
  • Information about the changed session may be output using an audio module (eg, the audio module 170 of FIG. 1) included in the electronic device 310.
  • the voice output in the pre-change session and the voice output in the post-change session may include intonation, speed, speed, the speaker's gender (male, female), or the speaker's age (child, senior). The characteristics of may be different from each other.
  • the electronic device 310 may differently set the characteristics of the output voice using the audio module 170 so that the user of the electronic device 310 may recognize the change of the session. Can be.
  • a speaker corresponding to a general voice session which is a currently connected session may be a female. If the currently connected session is a general voice session, the electronic device 310 may output a voice using a female speaker.
  • the speaker corresponding to the modified pizza ordering session may be male. If the currently connected session is a pizza ordering session, the electronic device 310 may output a voice using a male speaker.
  • 12A to 12B illustrate an embodiment of outputting information on a connected session in the electronic device 310 according to various embodiments of the present disclosure.
  • an electronic device 310 includes a microphone that receives a user's voice and is an intelligent speaker connected to the intelligent server 320 or the cloud server 330. Can be.
  • the electronic device 310 receives information on the session currently connected from the intelligent server 320 or a cloud server (eg, the cloud server 330 of FIG. 3), and the received information includes the LED included in the electronic device 310.
  • the light 1210 may be used for output.
  • the electronic device 310 may control the LED light 1210 to change the characteristics of the light output by the LED light 1210 according to the connected session.
  • Characteristics of the light output by the LED lamp 1210 may include the degree of flickering light, the color of the light, the intensity of the light.
  • the electronic device 310 may control the LED lamp 1210 to output light differently for a plurality of sessions.
  • the electronic device 310 may differently set the characteristics of the light output using the LED light 1210 so that the user of the electronic device 310 may recognize the change of the session.
  • a light color corresponding to a general voice session which is a currently connected session may be blue.
  • the electronic device 310 may control the LED lamp 1210 to output blue light.
  • the color of the light corresponding to the pizza ordering session which is the currently connected session may be red.
  • the electronic device 310 may control the LED lamp 1210 to output red light.
  • a system includes a network interface, at least one processor operatively connected to the network interface, and at least one memory operatively connected to the processor, wherein the at least one memory is an automatic voice.
  • the processor receives first voice data from an external device including a microphone via the network interface and uses the generic language model, but does not use the domain based language models, and the ASR.
  • the instructions may cause the processor to cause the external device to provide a user interface representing the determined domain.
  • the user interface may include at least one visual user interface or a voice based user interface.
  • the instructions may cause the processor to provide the visual user interface on the display.
  • the external device may include at least one light emitting diode (LED), and the instructions may cause the processor to provide the visual user interface using the LED. have.
  • LED light emitting diode
  • the external device may include a speaker, and the instructions may cause the processor to provide the voice-based user interface through the speaker.
  • the instructions may be used by the processor to use a first text to speech model and determine the domain prior to the domain determination to provide speech through the external device.
  • the second TTS model can be used later.
  • the instructions may cause the processor to maintain a combination of the generic language model and the selected domain-based language model until the task is performed.
  • the domain-based language models may be generated according to the type of service or the content provider.
  • the instructions determine whether the processor includes the identifier of the domain in the first text data, and when the identifier of the domain is included in the first text data, The generic language model corresponding to the included identifier may be selected.
  • the instruction is further configured to cause the processor to determine an intention of the user based on the first text data when the identifier of the domain is not included in the first text data. And determine at least one domain corresponding to the intent.
  • the instruction may be configured such that the processor receives third voice data corresponding to a user's speech through the communication module and generates text data corresponding to the third voice data.
  • the domain may be changed based on text data corresponding to the third voice data.
  • the instruction when the processor changes the domain, the instruction may perform speech recognition using a domain-based language model and the generic language model corresponding to the changed domain.
  • the instructions may cause the processor to modify the first text data using the selected domain based language model and the generic language model.
  • the instruction may transmit data notifying the change of the first text data to the external device when the processor changes the first text data.
  • An electronic device may include a communication module; At least one processor; And a memory storing domain based language models corresponding to domains classified by a service provided based on speech recognition, and a generic language model designated to be basically used in performing speech recognition.
  • domain-based language models may be generated according to content providers.
  • the processor may transmit data informing of the set session to an external electronic device corresponding to the user.
  • a system includes a network interface, at least one processor operatively connected to the network interface, and at least one memory operatively connected to the processor, wherein the at least one memory is automatically Configured to store a generic language model and a plurality of domain-based language models for automatic speech recognition (ASR), the at least one memory
  • the processor via the network interface, receives first voice data from an external device including a microphone and uses the generic language model, but does not use the domain-based language models, Process the first voice data with the ASR Generate first text data associated with at least one task to be performed by a system, determine, based at least in part on the first text data, a domain associated with the task, and among the domain based language models, the determined domain Select a domain based language model associated with the second voice data, receive second voice data from the external device via the network interface after receiving the first voice data and before performing the task; and, with the ASR, the selected one domain Instructions for processing the second voice data to generate second text data
  • FIG. 13 is a flowchart illustrating a method of operating the electronic device 320 according to various embodiments of the present disclosure.
  • an electronic device may receive first voice data generated by user speech.
  • the communication module 410 of the electronic device 320 may receive first voice data corresponding to a user's speech from an external electronic device (for example, the user terminal 310 of FIG. 3).
  • the first voice data may refer to data obtained by preprocessing voice data corresponding to a user's speech received using a microphone (eg, the input device 150 of FIG. 1) of the user terminal 310.
  • the electronic device 320 converts the first voice data using a basic language model (for example, the basic language model 530 of FIG. 5), thereby converting the first text data.
  • a basic language model for example, the basic language model 530 of FIG. 5
  • the basic language model may mean a language model that can be basically used while performing speech recognition.
  • the domain-based language model may mean a language model corresponding to each of the domains. Domains can be distinguished by services provided based on speech recognition. For example, each of the various services (pizza order, accommodation reservation, traffic information) provided based on voice recognition may have a unique domain.
  • domain-based language models may include a language model associated with a pizza order, a language model associated with accommodation reservations, a language model associated with providing traffic information, and the like.
  • the domain-based language model may be implemented by an operation side of a third party server (eg, the third party server 340 of FIG. 3) differently from the basic language model. If the frequency of use among the data included in the domain-based language model is greater than or equal to the set value, the data included in the domain-based language model may be updated to be included in the basic language model.
  • the electronic device 320 may determine a domain to be used for speech recognition based on the first text data.
  • the domain may be an identifier that can be distinguished by a service provided based on speech recognition.
  • each of the various services (pizza order, accommodation reservation, traffic information) provided based on voice recognition may have a unique domain.
  • a processor eg, the processor 420 of FIG. 4 of the electronic device 320 may generate a session connected to the determined domain.
  • the created session may manage an operation of processing a service based on speech recognition.
  • the processor 420 may select a domain-based language model corresponding to the determined domain among the domain-based language models. For example, the processor 420 may determine a user's intention (eg, pizza order) based on the first text data (eg, pizza order) and determine a domain (pizza order service) that matches the user's intention. have.
  • the processor 420 may select a domain-based language model (eg, a language model specialized for pizza order) corresponding to the determined domain.
  • the electronic device 320 may select a domain-based language model (eg, domain-based language models 541, 543, and 545 of FIG. 5) corresponding to the determined domain.
  • a domain-based language model eg, domain-based language models 541, 543, and 545 of FIG. 5
  • the electronic device 320 may perform speech recognition using the basic language model 530 and the selected domain-based language model (eg, the first domain-based language model 541).
  • the processor 420 may receive additional speech of the user and perform voice recognition on the second speech data corresponding to the additional speech of the user by using the basic language model and the selected domain-based language model.
  • the additional speech of the user may be performed to input a parameter (eg, type, size, number, etc. of pizza) for performing a service matching the intention corresponding to the user speech.
  • the processor 420 may use a base language model and a selected domain-based language model (eg, a language model specialized for pizza order) when performing text conversion on the second voice data corresponding to additional speech of the user.
  • the processor 420 may perform text conversion based on the weight applied to the basic language model and the weight applied to the selected domain-based language model.
  • an operation method of an electronic device for performing voice recognition may include receiving first voice data from an external device including a microphone through a network interface, and automatic speech recognition (ASR).
  • a generic language model for recognition is used, but a plurality of domain-based language models are not used, and the ASR is used to generate the first speech data.
  • Processing to generate first text data associated with at least one task to be performed by the electronic device determining, based at least in part on the first text data, a domain associated with the task, the domain based language Among the models, one domain based language model associated with the determined domain is selected.
  • the ASR may include processing the second voice data to generate second text data.
  • An operation method of an electronic device may further include controlling the external device so that the external device provides a user interface indicating the determined domain.
  • the user interface may include at least one visual user interface or a voice-based user interface.
  • An operating method of an electronic device uses a first TTS model before the domain determination and a second TTS model after the domain determination to provide voice through the external device.
  • the method may further include controlling the external device to use.
  • Electronic devices may be various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smartphone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smartphone
  • a computer device e.g., a tablet, or a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a camera
  • a wearable device e.g., a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch, or a smart watch
  • first, second, or first or second may be used merely to distinguish a component from other corresponding components, and to separate the components from other aspects (e.g. Order).
  • Some (eg, first) component may be referred to as “coupled” or “connected” to another (eg, second) component, with or without the term “functionally” or “communicatively”.
  • any component can be connected directly to the other component (eg, by wire), wirelessly, or via a third component.
  • module may include a unit implemented in hardware, software, or firmware, and may be used interchangeably with terms such as logic, logic block, component, or circuit.
  • the module may be an integral part or a minimum unit or part of the component, which performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of this document may include one or more instructions stored on a storage medium (eg, internal memory 136 or external memory 138) that can be read by a machine (eg, electronic device 101). It may be implemented as software (eg, program 140) including the.
  • a processor eg, the processor 120 of the device (eg, the electronic device 101) may call and execute at least one command among one or more instructions stored from the storage medium. This enables the device to be operated to perform at least one function in accordance with the at least one command invoked.
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' means only that the storage medium is a tangible device and does not contain a signal (e.g., electromagnetic waves), which is the case when data is stored semi-permanently on the storage medium. It does not distinguish cases where it is temporarily stored.
  • a signal e.g., electromagnetic waves
  • a method may be provided included in a computer program product.
  • the computer program product may be traded between the seller and the buyer as a product.
  • the computer program product may be distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or through an application store (e.g. Play Store TM ) or two user devices ( Example: smartphones) can be distributed (eg downloaded or uploaded) directly or online.
  • a device-readable storage medium such as a server of a manufacturer, a server of an application store, or a memory of a relay server.
  • each component eg, module or program of the above-described components may include a singular or plural entity.
  • one or more of the aforementioned components or operations may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of the component of each of the plurality of components the same as or similar to that performed by the corresponding component of the plurality of components before the integration. .
  • operations performed by a module, program, or other component may be executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations may be executed in a different order, or omitted. Or one or more other actions may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Otolaryngology (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)

Abstract

본 발명의 다양한 실시예에 따른 전자 장치는 네트워크 인터페이스, 프로세서, 적어도 하나의 메모리를 포함하고, 상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델 및 복수의 도메인 기반 랭귀지 모델들을 저장하도록 구성되고, 상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가 외부 장치로부터 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하여, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고, 상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 외부 장치로부터 제 2 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하는 인스트럭션들을 저장할 수 있다.

Description

음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법
본 발명의 다양한 실시예는, 음성 인식을 수행하는 전자 장치 및 그의 동작 방법에 관한 것이다.
스마트 폰(smart phone), 태블릿 PC(tablet PC), PMP(portable multimedia player), PDA(personal digital assistant), 랩탑 PC(laptop personal computer) 및 웨어러블 기기(wearable device) 등의 다양한 전자 장치들이 보급되고 있다.
최근에는 전자 장치에 음성 인식 기능이 적용되고 있으며, 전자 장치의 사용자는 음성을 이용하여 전자 장치의 다양한 기능을 실행할 수 있다.
더 나아가, 사용자의 생활 환경에서 사용하는 장치들을 유무선 네트워크로 연결해 정보를 공유하는 사물 인터넷이 적용되기 시작하면서, 텔레비전, 냉장고 등 다양한 전자 장치를 이용하여 네트워크로 연결된 다른 전자 장치들에 대한 음성 명령을 수행할 수 있는 환경이 갖추어 지고 있다.
음성 인식 기술은 사용자가 발화한 음성을 인식하기 위해, 음향모델과 언어모델을 사용할 수 있다. 음향 모델은 음성 데이터에 대한 처리를 수행하여 획득한 특징 벡터와 특징 벡터에 대응하는 음소들이 포함된 음소 후보군들이 매핑되어 저장된 데이터 베이스를 의미할 수 있다. 언어 모델은 음향 모델에서 추출한 음성 데이터에 대응하는 음소들을 이용하여 단어나 음절 등의 언어적인 순서 관계를 모델링하는데 이용되는 정보가 저장된 데이터 베이스를 의미할 수 있다.
일반적인 단어가 아닌 특정 분야에서 이용되는 단어의 경우, 언어 모델에 포함되어 있지 않은 경우가 많아서, 특정 분야에서 이용되는 단어에 대한 음성 인식의 정확성은 일반적으로 많이 이용되는 단어에 대한 음성 인식의 정확성에 비해 낮을 수 있다.
본 발명의 다양한 실시예에 따른 시스템은 네트워크 인터페이스, 상기 네트워크 인터페이스와 작동적으로 연결된 적어도 하나의 프로세서, 및 상기 프로세서와 작동적으로 연결된 적어도 하나의 메모리를 포함하고, 상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(a generic language model) 및 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language models)을 저장하도록 구성되고, 상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가 상기 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하되, 상기 도메인 기반 랭귀지 모델들은 이용하지 않고, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고, 상기 도메인 기반 랭귀지 모델들 중에, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고, 상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하고, 상기 ASR로, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.
본 발명의 다양한 실시예에 따른 시스템은 네트워크 인터페이스, 상기 네트워크 인터페이스와 작동적으로 연결된 적어도 하나의 프로세서, 및 상기 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(a generic language model) 및 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language models)을 저장하도록 구성되고, 상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가, 상기 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하되, 상기 도메인 기반 랭귀지 모델들은 이용하지 않고, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고, 상기 도메인 기반 랭귀지 모델들 중에, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고, 상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하고, 상기 ASR로, 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.
본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치의 동작 방법은 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하는 동작, 자동 음성 인식(ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(generic language model)을 이용하되, 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language model)들은 이용하지 않고, 상기 ASR을 이용하여, 상기 제 1 음성 데이터를 처리하여, 상기 전자 장치에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하는 동작, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하는 동작, 상기 도메인 기반 랭귀지 모델들 중, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하는 동작, 상기 제 1 음성 데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하는 동작, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ASR로, 상기 제 2 음성 데이터를 처리하여 제 2 텍스트 데이터를 생성하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법은 음성 데이터를 변환한 텍스트 데이터를 이용하여 도메인을 결정하고, 도메인에 대응하는 컨텐츠 제공자 언어 모델 및 기본 언어 모델을 모두 이용하여 음성 인식을 수행함으로써, 음성 인식의 정확도가 증가할 수 있다.
본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법은 특정 서비스 또는 특정 분야에 특화된 컨텐츠 제공자 언어 모델을 이용함으로써, 특정 분야에서 이용되는 단어에 대한 음성 인식의 정확도가 증가할 수 있다.
도 1은 본 발명의 다양한 실시예에 따른 전자 장치의 블록도이다.
도 2는 본 발명의 다양한 실시예에 따른 전자 장치 상에서 동작하는 프로그램의 블록도이다.
도 3은 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치 및 서버를 포함하는 통합 지능화 시스템을 나타낸 도면이다.
도 4는 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 지능형 서버를 도시한 블록도이다.
도 5a 및 도 5b는 본 발명의 다양한 실시예에 따른 지능형 서버에서, 언어 모델 및 음성 인식부를 도시한 블록도이다.
도 6a, 도 6b 및 도 6c는 본 발명의 다양한 실시예에 따른 지능형 서버에서, 언어 모델을 선택하고, 선택된 언어 모델을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
도 7은 본 발명의 다양한 실시예에 따른 전자 장치를 도시한 블록도이다.
도 8a, 도 8b, 도 8c 및 도 8d는 본 발명의 다양한 실시예에 따른 지능형 서버 및 전자 장치에서, 언어 모델을 선택하고, 선택된 언어 모델을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
도 9a 및 도 9b는 본 발명의 다양한 실시예에 따른 지능형 서버 및 전자 장치에서, 복수의 언어 모델을 선택하고, 선택된 언어 모델들을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
도 10a, 도 10b, 도 11a, 도 11b, 도 12 a 및 도 12b는 본 발명의 다양한 실시예에 따른 전자 장치에서, 세션에 대한 정보를 출력하는 실시예를 도시한 도면이다.
도 13은 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치의 동작 방법을 도시한 동작 흐름도이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블럭도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 표시 장치(160) 또는 카메라 모듈(180))가 생략되거나, 하나 이상의 다른 구성 요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들은 하나의 통합된 회로로 구현될 수 있다. 예를 들면, 센서 모듈(176)(예: 지문 센서, 홍채 센서, 또는 조도 센서)은 표시 장치(160)(예: 디스플레이)에 임베디드된 채 구현될 수 있다
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)을 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 로드하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서), 및 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 추가적으로 또는 대체적으로, 보조 프로세서(123)은 메인 프로세서(121)보다 저전력을 사용하거나, 또는 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 표시 장치(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성 요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 장치(150)는, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 장치(150)은, 예를 들면, 마이크, 마우스, 또는 키보드를 포함할 수 있다.
음향 출력 장치(155)는 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 장치(155)는, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
표시 장치(160)는 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 표시 장치(160)는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 장치(150) 를 통해 소리를 획득하거나, 음향 출력 장치(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102)) (예: 스피커 또는 헤드폰))를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)이 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)은, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성 요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108))간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi direct 또는 IrDA(infrared data association) 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부 전자 장치와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성 요소(예: 단일 칩)으로 통합되거나, 또는 서로 별도의 복수의 구성 요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 및 인증할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 하나 이상의 안테나들을 포함할 수 있고, 이로부터, 제 1 네트워크 198 또는 제 2 네트워크 199와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부 전자 장치 간에 송신되거나 수신될 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))를 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부 전자 장치들(102, 104, or 108) 중 하나 이상의 외부 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다.. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 장치(150), 음향 출력 장치(155), 표시 장치(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 표시 장치(160) 또는 카메라 모듈(180))의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 표시 장치(160) 또는 카메라 모듈(180)의 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
도 3은 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치 및 서버를 포함하는 통합 지능화 시스템을 나타낸 도면이다.
도 3을 참조하면, 통합 지능화 시스템(300)은 사용자 단말(예: 도 1의 전자 장치(101), 310), 지능형 서버(예: 도 1의 서버(108), 320), 클라우드 서버(330) 및 서드 파티 서버(340)를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 사용자 단말(310)은 사용자 단말(310) 내부에 저장된 앱(app)(또는, 어플리케이션 프로그램(application program))(예: 알람 앱, 메시지 앱, 또는 사진(갤러리) 앱 등)을 통해 사용자에게 필요한 서비스를 제공할 수 있다. 예를 들어, 사용자 단말(310)은 사용자 단말(310) 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 다른 앱을 실행하고 동작시킬 수 있다. 사용자 단말(310)의 상기 지능형 앱을 통해 상기 다른 앱의 실행하고 동작을 실행시키기 위한 사용자 입력을 수신할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼, 터치 패드, 음성 입력, 원격 입력 등을 통해 수신될 수 있다. 일 실시 예에 따르면, 사용자 단말(310)은 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, IoT 기술이 적용된 전자 장치(예를 들면, 스마트 TV, 스마트 냉장고, 공기 청정기 등) 등 인터넷에 연결 가능한 각종 단말 장치(또는, 전자 장치)가 이에 해당될 수 있다.
본 발명의 다양한 실시예에 따르면, 사용자 단말(310)은 사용자의 발화를 사용자 입력으로 수신할 수 있다. 사용자 단말(310)은 사용자의 발화를 수신하고, 상기 사용자의 발화에 기초하여 앱을 동작시키는 명령을 생성할 수 있다. 이에 따라, 사용자 단말(310)은 상기 명령을 이용하여 상기 앱을 동작시킬 수 있다.
본 발명의 다양한 실시예에 따르면, 사용자 단말(310)은 사용자의 발화를 수신하고, 사용자의 발화에 대응하는 음성 데이터를 생성할 수 있다. 생성된 음성 데이터는 지능형 서버(320)에 전송될 수 있다.
본 발명의 다양한 실시에에 따르면, 사용자 단말(310)은 음성 데이터를 지능형 서버(320)로 전송하기 이전, 음성 데이터를 전처리할 수 있다. 사용자 단말(310)은 음성 데이터에 포함된 에코(echo)를 제거하는 동작, 음성 데이터에 포함된 배경 잡음을 제거하는 동작, 음성 데이터에 포함된 음성의 크기를 조절하는 동작 등 다양한 동작을 수행하는 방식으로 음성 데이터에 대한 전처리를 수행하고, 전처리된 음성 데이터를 지능형 서버(320)로 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(320)는 통신망을 통해 외부장치(예: 사용자 단말(310) 등)로부터 사용자 발화에 대응하는 음성 데이터를 수신하고, 음성 데이터를 텍스트 데이터로 변환할 수 있다.
본 발명의 다양한 실시예에 다르면, 지능형 서버(320)는 변환된 텍스트 데이터를 사용자 단말(310)에 전송할 수 있다. 사용자 단말(310)은 수신한 텍스트 데이터를 디스플레이 또는 스피커를 이용하여 출력할 수 있다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(320)가 텍스트 데이터를 변환하는 동작은 지능형 서버(320)의 메모리에 저장된 음향 모델(acoustic model) 및 언어 모델(language model)을 이용하여 수행될 수 있다. 음향 모델은 음성 데이터에 대한 처리를 수행하여 획득한 특징 벡터와 특징 벡터에 대응하는 음소들이 포함된 음소 후보군들이 매핑되어 저장된 데이터 베이스를 의미할 수 있다. 언어 모델은 음향 모델에서 추출한 음성 데이터에 대응하는 음소들을 이용하여 단어나 음절 등의 언어적인 순서 관계를 모델링하는데 이용되는 정보가 저장된 데이터 베이스를 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(320)는 음향 모델을 이용해서 음성 데이터(예를 들면, 나는 간다)에 대응하는 음소들(ㄴ/ㅏ/ㄴ/ㅡ/(ㄴ 또는 ㅇ)/ㄱ/ㅏ/ㄴ/ㄷ/ㅏ 혹은 n/a/n/(un 또는 ung)/ g/an/d/a)을 추출할 수 있다. 음향 모델에는 "는"에 해당하는 음성 데이터에서 아래의 "ㄴ"에 해당하는 음소 후보군("ㄴ" 또는 "ㅇ"혹은 "un" 또는 "ung")이 저장될 수 있다(음성 데이터 중 "는"과 "능"은 발음이 유사하여 "ㄴ"과 "ㅇ"이 음소 후보군으로 저장될 수 있다).
본 발명의 다양한 실시예에 따르면, 언어 모델은 음향 모델에서 추출한 음성 데이터에 대응하는 음소들을 이용하여 단어나 음절 등의 언어적인 순서 관계를 모델링하는데 이용되는 정보가 저장된 데이터 베이스를 의미할 수 있다. 언어 모델에는 음성 데이터와 음소 후보군에 포함된 음소들을 포함하는 단어들이 각각 매핑되어 저장될 수 있다. 더 나아가, 언어 모델에는 음소 후보군에 포함된 음소들을 포함하는 단어들이 음성 데이터랑 일치할 확률이 각각 매핑되어 저장될 수 있다. 지능형 서버(320)는 음소 후보군에 포함된 음소들을 포함하는 단어들 각각과 음성 데이터와 일치할 확률에 기반하여 음성 데이터에 대응하는 단어를 선택할 수 있다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(320)는 음성 데이터를 변환하여 생성된 텍스트 데이터를 클라우드 서버(330)에 전송할 수 있다.
본 발명의 다양한 실시에에 따르면, 클라우드 서버(330)는 지능형 서버(320)로부터 수신한 텍스트 데이터를 이용하여 자연어 이해(natural language understanding, NLU) 처리를 수행할 수 있다. 자연어 이해 처리는 변환된 텍스트 데이터를 이용하여 사용자의 음성의 발화 의도를 판단하는 동작을 의미할 수 있다. 클라우드 서버(330)는 텍스트 데이터에 대한 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자 의도를 판단할 수 있다. 상기 문법적 분석은 사용자 입력을 문법적 단위(예: 단어, 구, 또는 형태소 등)로 나누고, 상기 나누어진 단위가 어떤 문법적인 요소를 갖는지 파악할 수 있다. 상기 의미적 분석은 의미(semantic) 매칭, 룰(rule) 매칭, 포뮬러(formula) 매칭 등을 이용하여 수행할 수 있다. 클라우드 서버(330)는 사용자 입력에 대응하는 의도와 매칭되는 서비스를 구분하기 위한 도메인(domain), 의도(intend) 및 상기 의도를 파악하는데 필요한 파라미터(parameter)(또는, 슬롯(slot))로 나누어진 매칭 규칙을 이용하여 사용자의 의도 및 파라미터를 결정할 수 있다. 예를 들어, 상기 하나의 도메인(예: 알람)은 복수의 의도(예: 알람 설정, 또는 알람 해제 등)를 포함할 수 있고, 하나의 의도는 복수의 파라미터(예: 시간, 반복 횟수, 또는 알람음 등)을 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 클라우드 서버(330)는 형태소, 구 등의 언어적 특징(예: 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 도메인 및 의도에 매칭시켜 사용자의 의도를 결정할 수 있다. 예를 들어, 클라우드 서버(330)는 각각의 도메인 및 의도에 사용자 입력에서 추출된 단어가 얼마나 포함되어 있는 지를 계산하여 사용자 의도를 결정할 수 있다. 일 실시 예에 따르면, 클라우드 서버(330)는 상기 의도를 파악하는데 기초가 된 단어를 이용하여 사용자 입력의 파라미터를 결정할 수 있다. 일 실시 예에 따르면, 클라우드 서버(330)는 사용자 입력의 의도를 파악하기 위한 언어적 특징이 저장된 자연어 인식 데이터베이스(미도시)를 이용하여 사용자의 의도를 결정할 수 있다. 다른 실시 예에 따르면, 클라우드 서버(330)는 개인화 언어 모델(personal language model)(PLM)을 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, 클라우드 서버(330)는 개인화된 정보(예: 연락처 리스트, 음악 리스트)를 이용하여 사용자의 의도를 결정할 수 있다.
본 발명의 다양한 실시예에 따르면, 클라우드 서버(330)에서 수행할 수 있는 다양한 동작은 지능형 서버(320)에서도 수행될 수도 있다.
본 발명의 다양한 실시예에 따르면, 클라우드 서버(330)는 자연어 이해 동작을 통해 판단한 사용자의 의도 및 사용자의 의도에 알맞은 동작을 확인하고, 사용자의 의도에 대응하는 동작을 실행하는데 필요한 파라미터에 대한 정보를 확인할 수 있다. 클라우드 서버(330)는 사용자의 의도에 대응하는 동작을 실행하는데 필요한 파라미터가 부족한 경우, 파라미터를 사용자 단말(310)에 요청할 수 있다. 클라우드 서버(330)는 사용자의 의도에 대응하는 동작을 실행하는데 필요한 파라미터가 존재하는 경우, 사용자의 의도에 대응하는 동작을 실행하고, 실행 결과를 사용자 단말(310)에 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 클라우드 서버(330)는 사용자의 의도에 대응하는 동작을 실행할 것을 요청하는 신호를 서드파티 서버(340)에 전송할 수 있다. 서드파티 서버(340)는 지능형 서버(320) 및 클라우드 서버(330)를 운영하는 주체와 다른 주체가 운영하는 서버를 의미할 수 있다. 서드 파티 서버(340)는 사용자의 의도(예를 들면, 피자 주문)에 대응하는 동작을 실행하고, 실행 결과를 사용자 단말(310)에 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(320)는 사용자의 발화에 대응하는 음성 데이터에 대한 변환을 통해 생성된 텍스트 데이터에 기반하여 추가적인 음성 인식에 이용될 언어 모델(또는, 랭귀지 모델(language model)을 선택할 수 있다. 지능형 서버(320)는 음성 인식을 수행하는데 있어 기본적으로 사용하도록 지정된 기본 언어 모델(또는, 제너릭 랭귀지 모델(generic language model))과 음성 인식에 기반하여 제공되는 서비스들 각각에 의해 구별된 도메인들에 대응하는 복수의 도메인 기반 언어 모델(또는, 도메인 기반 랭귀지 모델(domain-based language model) 을 포함할 수 있다. 지능형 서버(320)는 기본 언어 모델을 이용하여 변환된 텍스트 데이터에 기반하여 복수의 도메인 기반 언어 모델들 중 하나의 도메인 기반 언어 모델을 선택할 수 있다. 지능형 서버(320)는 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 음성 인식을 수행할 수 있다. 상기 내용에 대해서는 아래의 도 4 내지 도 6c에서 설명한다.
도 4는 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 지능형 서버(320)를 도시한 블록도이다.
도 4를 참조하면, 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 지능형 서버(예: 도 3의 지능형 서버(320))는 통신 모듈(410), 프로세서(420) 및 메모리(430)를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 통신 모듈(410)은, 외부 전자 장치(예: 도 3의 사용자 단말(310))로부터, 사용자의 발화에 대응하는 제 1 음성 데이터를 수신할 수 있다. 제 1 음성 데이터는 사용자 단말(310)의 마이크로폰(예: 도 1의 입력 장치(150))을 이용하여 수신한 사용자의 발화에 대응하는 음성 데이터를 전처리한 데이터를 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 통신 모듈(410)은 음성 데이터에 대한 텍스트 변환 동작을 수행한 텍스트 데이터 또는 음성 인식 처리 결과를 외부 전자 장치(예: 도 3의 사용자 단말(310) 또는 도 3의 클라우드 서버(340))에 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 메모리(430)는, 음향 모델, 음성 인식을 수행하는데 있어 기본적으로 사용하도록 지정된 기본 언어 모델 및 음성 인식에 기반하여 제공되는 서비스들에 의해 구별되는 도메인들에 대응하는 도메인 기반 언어 모델을 저장할 수 있다. 음향 모델은 음성 데이터에 대한 처리를 수행하여 획득한 특징 벡터와 특징 벡터에 대응하는 음소들이 포함된 음소 후보군들이 매핑되어 저장된 데이터 베이스를 의미할 수 있다. 언어 모델은 음향 모델에서 추출한 음성 데이터에 대응하는 음소들을 이용하여 단어나 음절 등의 언어적인 순서 관계를 모델링하는데 이용되는 정보가 저장된 데이터 베이스를 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 기본 언어 모델은 음성 인식을 수행하는 동안 기본적으로 이용될 수 있는 언어 모델을 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 도메인 기반 언어 모델은 도메인들 각각에 대응하는 언어 모델을 의미할 수 있다. 도메인은 음성 인식에 기반하여 제공되는 서비스에 의해 구별될 수 있다. 예를 들면, 음성 인식에 기반하여 제공되는 다양한 서비스(예를 들어, 피자 주문, 숙소 예약, 교통 정보 제공)들 각각은 고유한 도메인을 가질 수 있다. 예를 들면, 도메인 기반 언어 모델들은 피자 주문과 관련된 언어 모델, 숙소 예약과 관련된 언어 모델, 교통 정보 제공과 관련된 언어 모델 등을 포함할 수 있다. 본 발명의 다양한 실시예에 따르면, 도메인 기반 언어 모델은 기본 언어 모델과 다르게 서드 파티 서버(예: 도 3의 서드 파티 서버(340))의 운영 측에 의해 구현될 수 있다. 도메인 기반 언어 모델에 포함된 데이터 중 사용 빈도가 설정된 값 이상(또는, 초과)인 경우, 도메인 기반 언어 모델에 포함된 데이터는 기본 언어 모델에 포함되도록 업데이트될 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 세션(session)을 관리하는 세션 관리를 수행할 수 있다. 세션은 음성 인식을 이용하여 다양한 서비스를 제공하기 위해 지능형 서버(320) 및 사용자 단말(예: 도 3의 사용자 단말(310))간의 데이터(음성 데이터, 텍스트 데이터, 서비스에 필요한 파라미터 정보 등) 교환 등의 동작을 의미할 수 있다. 세션은 음성 인식에 기반하여 제공될 수 있는 다양한 서비스를 수행하기 위한 일련의 동작들을 포함할 수 있다. 예를 들면, 세션은 결정된 도메인과 연관된 도메인 기반 언어 모델이 선택되고, 선택된 도메인 기반 언어 모델이 ASR(예: 도 5의 ASR(510))과 연결될 때부터, 음성 인식을 이용하여 제공되는 서비스가 종료될 때까지의 동작으로 정의될 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 통신 모듈(410)을 통해 수신한 사용자의 발화에 대응하는 제 1 음성 데이터를 제 1 텍스트 데이터로 변환할 수 있다. 프로세서(420)는 기본 언어 모델을 이용하여 제 1 텍스트 데이터를 생성할 수 있다. 프로세서(420)는 생성된 텍스트 데이터에 기반하여 텍스트 데이터에 대응하는 도메인을 결정할 수 있다.
본 발명의 다양한 실시예에 따르면, 도메인은 음성 인식에 기반하여 제공되는 서비스에 따라 구별될 수 있는 식별자일 수 있다. 예를 들면, 음성 인식에 기반하여 제공되는 다양한 서비스(예를 들어, 피자 주문, 숙소 예약, 교통 정보 제공)들 각각은 고유한 도메인을 가질 수 있다.
본 발명의 다양한 실시예에 따르면, 도메인은 서드 파티 서버(340)의 개발자(또는, 운영자)에 의해 생성될 수 있다. 서드 파티 서버(340)의 개발자는 음성 데이터를 변환한 텍스트 데이터에서 추출할 수 있는 파라미터 정보를 의미하는 적어도 하나 이상의 엔티티(entity)를 정의할 수 있다. 예를 들면, “피자 주문”을 의도하는 사용자의 음성 데이터에서 추출 가능한 파라미터인 “피자 메뉴”는 엔티티 이름(entity name), 엔티티에 포함되는 단어는 포테이토 피자, 쉬림프 피자, 또는 페페로니 피자 등이 될 수 있다. 서드 파티 서버(340)의 개발자(또는, 운영자)가 추가한 엔티티에 포함되는 단어는 어휘(vocabulary)로 관리 될 수 있다. 엔티티 이름, 엔티티에 포함되는 단어를 포함하는 엔티티 정보는 어휘로 정의될 수 있다. 서드 파티 서버(340)의 개발자가 어휘(vocabulary)를 기반으로 언어 모델에 대한 학습 요청을 하면, 프로세서(420)는 단어들을 음소로 변환하고 이를 통해 랭귀지 모델을 학습하여 도메인 기반 언어 모델에 추가될 수 있다. 다른 실시예에 따르면, 서드 파티 서버(340)의 개발자가 엔티티를 추가하거나 삭제하면, 프로세서(420)은 엔티티의 변경 내용을 감지하여 별도의 언어 모델에 대한 학습 요청이 없더라도 랭귀지 모델을 변경된 엔티티에 따라 학습할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 결정된 도메인과 연결되는 세션을 생성할 수 있다. 프로세서(420)는 생성된 세션을 통해 음성 인식에 기반한 서비스를 처리하는 동작을 관리할 수 있다. 프로세서(420)는 도메인 기반 언어 모델들 중 결정된 도메인에 대응하는 도메인 기반 언어 모델을 선택할 수 있다. 예를 들면, 프로세서(420)는 제 1 텍스트 데이터(예: 피자 주문해줘)에 기반하여 사용자의 의도(예: 피자 주문)를 결정하고, 사용자의 의도에 맞는 도메인(예: 피자 주문 서비스)을 결정할 수 있다. 프로세서(420)는 결정된 도메인과 연관된 도메인 기반 언어 모델(예: 피자 주문에 특화된 언어 모델)을 선택할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 이용하는 세션에 대한 정보를 외부 전자 장치(예: 도 3의 사용자 단말(310))에 전송할 수 있다. 외부 전자 장치(310)는 세션에 대한 정보를 사용자에게 알리도록 세션에 대한 정보를 디스플레이 또는 스피커를 이용하여 출력할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 제 1 텍스트 데이터에 도메인의 식별자가 포함되어 있는지 확인할 수 있다. 예를 들면, 메모리(430)에 지정된 텍스트 포맷(예: (도메인의 식별자)에서, (사용자의 의도)해줘)이 저장되어 있는 경우, 프로세서(420)는 제 1 텍스트 데이터를 지정된 텍스트 포맷과 비교할 수 있다. 프로세서(420)는 비교 결과에 기반하여 도메인의 식별자를 확인할 수 있다. 다른 예를 들면, 프로세서(420)는 제 1 텍스트 데이터를 특정 단위(예: 단어, 구 등)로 구분하고, 구분된 데이터에서 도메인의 식별자가 존재하는지 여부를 확인할 수 있다. 프로세서(420)는 제 1 텍스트 데이터에 도메인의 식별자가 존재하는 경우, 도메인의 식별자 확인 결과에 기반하여 도메인을 결정할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 제 1 텍스트 데이터에 도메인의 식별자가 존재하지 않는 경우, 제 1 텍스트 데이터를 이용하여 사용자의 의도를 판단하고, 사용자의 의도에 매칭되는 태스크를 결정할 수 있다. 프로세서(420)는 판단된 태스크에 대응하는 도메인을 결정할 수 있다. 예를 들면, 프로세서(420)는 제 1 텍스트 데이터에 포함된 적어도 일부(예를 들면, 문장, 구, 단어 등)를 메모리(430)에 저장된 비교 정보(예를 들면, 기능에 대응하는 문장, 구, 단어 등)와 비교하고, 제 1 텍스트 데이터의 일부가 비교 정보와 일치하는 경우, 프로세서(420)는 사용자의 의도에 매칭되는 태스크를 결정할 수 있다. 프로세서(420)는 사용자의 의도에 매칭되는 태스크에 대응하는 도메인을 결정할 수 있다. 다른 예를 들면, 프로세서(420)는 제 1 텍스트 데이터를 특정 단위(예: 단어, 구 등)로 구분하고, 구분된 데이터(예를 들면, 목적어 또는 동사)에서 메모리(430)에 저장된 비교 정보가 포함되어있는지 여부를 확인할 수 있다. 프로세서(420)는 비교 정보가 포함되어 있는지 여부에 기반하여 사용자의 의도에 매칭되는 태스크를 결정할 수 있다. 프로세서(420)는 사용자의 의도에 매칭되는 태스크에 대응하는 도메인을 결정할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 사용자의 추가적인 발화를 수신하고, 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 사용자의 추가적인 발화에 대응하는 제 2 음성 데이터에 대한 음성 인식을 수행하고 제 2 음성 데이터에 대응하는 제 2 텍스트 데이터를 생성할 수 있다. 예를 들어, 사용자의 추가적인 발화는 사용자 발화에 대응하는 의도와 매칭되는 서비스를 수행하기 위한 파라미터(예: 피자의 종류, 크기, 개수 등)를 입력하기 위해서 수행될 수 있다. 프로세서(420)는 사용자의 추가적인 발화에 대응하는 제 2 음성 데이터에 대한 텍스트 변환을 수행할 때에 있어, 기본 언어 모델 및 선택된 도메인 기반 언어 모델(예: 피자 주문에 특화된 언어 모델)을 이용할 수 있다.
본 발명의 다양한 실시예에 따르면, 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 텍스트 변환을 수행하는 경우, 기본 언어 모델을 이용했을 때의 텍스트 변환 결과와 선택된 도메인 기반 언어 모델을 이용했을 때의 텍스트 변환 결과가 다를 수 있다. 이 경우, 프로세서(420)는 기본 언어 모델에 적용되는 가중치와 선택된 도메인 기반 언어 모델에 적용되는 가중치에 기반하여 텍스트 변환을 수행할 수도 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 생성된 세션을 이용하여 음성 인식을 수행하는 도중, 추가적인 사용자 발화에 의해 세션을 변경할 수 있다. 예를 들어, 프로세서(420)는 피자 주문과 관련된 세션을 이용하여 음성 인식을 수행하는 도중, 추가적인 사용자 발화(예를 들면, 버스의 노선 정보 요청)에 대응하는 제 3 음성 데이터를 수신할 수 있다. 프로세서(420)는 기본 언어 모델 및 결정된 도메인과 연관된 도메인 기반 언어 모델에 기반해서 제 3 음성 데이터에 대응하는 제 3 텍스트 데이터를 생성할 수 있다. 프로세서(420)는 제 3 텍스트 데이터에 기반하여 제 3 텍스트 데이터에 대응하는 도메인을 결정할 수 있다. 프로세서(420)는, 제 1 텍스트 데이터에 대응하는 도메인(예: 피자 주문)과 제 3 텍스트 데이터에 대응하는 도메인(예: 버스 노선 정보 요청)이 서로 다른 경우, 제 1 텍스트 데이터에 대응하는 도메인과 관련된 세션에서, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션으로 변경하고, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션을 이용하여 음성 인식을 수행할 수 있다. 본 발명의 다양한 실시에에 따르면, 프로세서(420)는 제 3 텍스트 데이터에 대응하는 도메인과 관련된 도메인 기반 언어 모델을 선택하고, 기본 언어 모델 및 제 3 텍스트 데이터에 대응하는 도메인과 관련된 도메인 기반 언어 모델에 기반하여 음성 인식을 수행할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 제 1 텍스트 데이터에 기반하여 도메인을 결정하고, 결정된 도메인과 관련된 도메인 기반 언어 모델 및 기본 언어 모델을 이용하여 제 1 음성 데이터에 대한 텍스트 변환을 다시 수행할 수도 있다. 기본 언어 모델 및 결정된 도메인과 관련된 도메인 기반 언어 모델에 기반하여 변환하는 경우, 좀 더 정확하게 변환될 수 있다. 제 1 텍스트 데이터가 변경되는 경우, 프로세서(420)는 외부 전자 장치(예: 도 3의 사용자 단말(310))에 변경된 텍스트 데이터를 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(420)는 텍스트 데이터(예를 들면, 1945 버거)를 오디오 데이터로 변경할 수도 있다. 이 경우, 프로세서(420)는 결정된 도메인과 관련된 도메인 기반 언어 모델 및 기본 언어 모델에 포함된 단어에 대응하는 오디오 데이터를 생성하고, 사용자 단말(310)로 전송할 수 있다. 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 오디오 변환을 수행하는 경우, 기본 언어 모델을 이용했을 때의 오디오 변환 결과(예를 들면, 천구백사십오 버거 또는 onethousandninehundredfourtyfive burger)와 선택된 도메인 기반 언어 모델을 이용했을 때의 오디오 변환 결과(예를 들면, 일구사오 버거 또는 oneninefourfive burger)가 다를 수 있다. 이 경우, 프로세서(420)는 기본 언어 모델에 적용되는 가중치와 선택된 도메인 기반 언어 모델에 적용되는 가중치에 기반하여 기본 언어 모델 또는 도메인 기반 언어 모델 중 하나의 언어 모델을 선택하고, 선택된 언어 모델을 이용하여 오디오 변환을 수행할 수도 있다.
도 5a는 본 발명의 다양한 실시예에 따른 지능형 서버에서 프로세서(420)를 도시한 블록도이다.
도 5a를 참조하면, 지능형 서버(예; 도 3의 지능형 서버(320)의 프로세서(420)는 ASR 모듈(510), 자연어 이해 모듈 모듈(520), 기본 언어 모델(530), 복수의 도메인 기반 언어 모델들(541, 543, 545) 및 세션 매니저(550)를 포함할 수 있다. 본 발명의 다양한 실시예에 따르면, ASR 모듈(510), 자연어 이해 모듈 모듈(520), 기본 언어 모델(530), 복수의 도메인 기반 언어 모델들(541, 543, 545) 및 세션 매니저(550)는 프로세서(420) 상에 소프트웨어 적으로 구현될 수 있다.
본 발명의 다양한 실시예에 따르면, ASR 모듈(510)은 외부 전자 장치(예: 도 3의 사용자 단말(310))에서 수신한 음성 데이터를 텍스트 데이터로 변환할 수 있다. ASR 모듈(510)은 변환된 텍스트 데이터를 세션 메니저(550)로 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 변환된 텍스트 데이터를 이용하여 도메인을 결정할 수 있다. 세션 매니저(550)는 도메인 기반 언어 모델들(541, 543, 545) 중 결정된 도메인과 관련된 도메인 기반 언어 모델을 선택할 수 있다. 세션 매니저(550)는 선택된 도메인 기반 언어 모델과 기본 언어 모델(530)을 이용하여 텍스트 변환을 수행하도록 ASR 모듈(510)을 제어할 수 있다.
본 발명의 다양한 실시예에 따르면, ASR 모듈(510)은 변환된 텍스트 데이터를 NLU 모듈(520)로 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 자연어 이해 모듈(520)은 텍스트 데이터에 포함된 형태소, 구 등의 언어적 특징(예: 문법적 요소)을 이용하여 텍스트 데이터로부터 추출된 단어의 의미를 파악하고, 사용자의 의도를 판단할 수 있다. 자연어 이해 모듈(520)은 자연어 이해 동작을 통해 판단한 사용자의 의도 및 사용자의 의도에 알맞은 동작을 확인하고, 사용자의 의도에 대응하는 동작을 실행하는데 필요한 파라미터에 대한 정보를 확인할 수 있다. 세션 매니저(550)는 사용자의 의도에 대응하는 동작을 실행하는데 필요한 파라미터가 부족함을 알리는 신호를 자연어 이해 모듈(520)로부터 수신한 경우, 파라미터를 사용자 단말(310)에 요청할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 자연어 이해 모듈(520)로부터 사용자의 의도, 사용자의 의도에 알맞은 동작, 파라미터에 대한 정보를 수신하고, 서드 파티 서버(예: 도 3의 서드 파티 서버(340))에 수신한 정보를 전송할 수 있다. 서드 파티 서버(340)는 사용자의 의도, 사용자의 의도에 알맞은 동작, 파라미터에 대한 정보를 수신하고, 수신한 정보를 이용하여 음성 인식에 대한 서비스를 수행할 수 있다. 서드 파티 서버(340)는 서비스 수행 결과를 사용자 단말(310)에 전송할 수 있고, 사용자 단말(310)은 서비스 수행 결과를 디스플레이 또는 스피커를 이용하여 출력할 수 있다.
본 발명의 다양한 실시예에 따르면, 자연어 이해 모듈(520)은 지능형 서버(320)에 구현될 수 있으나, 지능형 서버(320)가 아닌 클라우드 서버(330)에 구현될 수도 있다. 자연어 이해 모듈(520)이 클라우드 서버(330)에 구현된 경우, ASR 모듈(510)이 생성한 텍스트 데이터는 클라우드 서버(330)에 전송될 수 있다.
도 5b는 본 발명의 다른 실시예에 따른 지능형 서버에서 프로세서(420)를 도시한 블록도이다.
도 5b를 참조하면, 지능형 서버(예; 도 3의 지능형 서버(320)의 프로세서(420)는 ASR 모듈(510), 자연어 이해 모듈 모듈(520), 기본 언어 모델(530), 복수의 도메인 기반 언어 모델들(541, 543, 545), 세션 매니저(550), 언어 모델 생성 모듈(560) 및 통합 언어 모델(570)을 포함할 수 있다. 도 5a와 중복된 구성 요소에 대한 설명은 생략한다. 본 발명의 다양한 실시예에 따르면, ASR 모듈(510), 자연어 이해 모듈 모듈(520), 기본 언어 모델(530), 복수의 도메인 기반 언어 모델들(541, 543, 545), 세션 매니저(550), 언어 모델 생성 모듈(560) 및 통합 언어 모델(570)은 프로세서(420) 상에 소프트웨어 적으로 구현될 수 있다.
본 발명의 다양한 실시예에 따르면, 언어 모델 생성 모듈(560)은 기본 언어 모델(530) 및 복수의 도메인 기반 언어 모델들(541, 543, 545) 중 현재 실행 중인 세션과 연관된 적어도 하나의 언어 모델을 이용하여 통합 언어 모델(570)을 생성할 수 있다.
본 발명의 다양한 실시예에 따르면, ASR 모듈(510)은 생성된 통합 언어 모델을 이용하여 외부 전자 장치(예: 도 3의 사용자 단말(310))에서 수신한 음성 데이터를 텍스트 데이터로 변환할 수 있다.
본 발명의 다양한 실시예에 따르면, 도 5a에 도시된 ASR 모듈(510)은 수신한 음성 데이터를 ASR 모듈(510)에 연결된 모든 언어 모델(예를 들면, 기본 언어 모델(530) 및 도메인 기반 언어 모델(541))에 전송할 수 있다. 도 5b에 도시된 ASR 모듈(510)은 수신한 음성 데이터를 ASR 모듈(510)에 연결된 하나의 통합 언어 모델(570)에 전송하고, 통합 언어 모델(570)을 이용하여 음성 데이터를 텍스트 데이터로 변환할 수 있다.
도 6a 내지 도 6c는 본 발명의 다양한 실시예에 따른 지능형 서버(320)에서, 언어 모델을 선택하고, 선택된 언어 모델을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
도 6a 내지 도 6c를 참조하면, 프로세서(420) 내부에서, 소프트웨어 적으로 구현된 ASR 모듈(510), 기본 언어 모델(예: 도 5의 기본 언어 모델(530)), 음성 인식에 기반하여 제공되는 서비스로 구분된 도메인들 각각에 대응하는 도메인 기반 언어 모델들(541, 543, 545)을 포함할 수 있다.
도 6a는, ASR 모듈(510)이 기본 언어 모델(530)을 이용하여 음성 데이터를 텍스트 데이터로 변환하는 예시를 도시한 도면이다. 본 발명의 다양한 실시예에 따르면, ASR 모듈(510)은, 세션이 생성되기 이전, 외부 전자 장치(예: 도 3의 사용자 단말(310))이 전송한 제 1 음성 데이터를 기본 언어 모델(530)을 이용하여 제 1 텍스트 데이터로 변환 할 수 있다.
도 6b는, ASR 모듈(510)이 기본 언어 모델(530) 및 제 1 도메인 기반 언어 모델(541)을 이용하여 제 2 음성 데이터를 제 2 텍스트 데이터로 변환하는 실시예를 도시한 도면이다. 본 발명의 다양한 실시예에 따르면, 세션 매니저(예: 도 5의 세션 매니저(550))는 제 1 텍스트 데이터를 이용하여 음성 인식에 이용될 도메인을 결정할 수 있다. 세션 매니저(550)는 결정된 도메인과 관련된 도메인 기반 언어 모델(예: 제 1 도메인 기반 언어 모델(541))을 선택할 수 있다. 세션 매니저(550)는 선택된 도메인 기반 언어 모델(541)과 기본 언어 모델(530)을 이용하여 제 2 음서 데이터를 제 2 텍스트 데이터로 변환하도록 ASR 모듈(510)을 제어할 수 있다.
도 6c는, ASR 모듈(510)이 기본 언어 모델(530) 및 제 2 도메인 기반 언어 모델(543)을 이용하여 음성 데이터를 텍스트 데이터로 변환하는 실시예를 도시한 도면이다. 본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 생성된 세션을 이용하여 음성 인식을 수행하는 도중, 추가적인 사용자 발화에 의해 세션을 변경할 수 있다. 예를 들어, 세션 매니저(550)는 피자 주문과 관련된 세션을 이용하여 음성 인식을 수행하는 도중, 추가적인 사용자 발화(예를 들면, 버스의 노선 정보 요청)에 대응하는 제 3 음성 데이터를 수신할 수 있다. 세션 매니저(550)는 기본 언어 모델 및 이전에 결정된 도메인에 대응하는 도메인 기반 언어 모델(예: 도 6b의 제 1 도메인 기반 언어 모델(541))에 기반해서 제 3 음성 데이터에 대응하는 제 3 텍스트 데이터를 생성할 수 있다. 세션 매니저(550)는 제 3 텍스트 데이터에 기반하여 제 3 텍스트 데이터에 대응하는 도메인을 결정할 수 있다. 세션 매니저(550)는, 제 1 텍스트 데이터에 대응하는 도메인(예: 피자 주문)과 제 3 텍스트 데이터에 대응하는 도메인(예: 버스 노선 정보 요청)이 서로 다른 경우, 제 1 텍스트 데이터에 대응하는 도메인과 관련된 세션에서, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션으로 변경하고, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션을 이용하여 음성 인식을 수행할 수 있다. 본 발명의 다양한 실시에에 따르면, 세션 매니저(550)는 제 3 텍스트 데이터에 대응하는 도메인과 관련된 도메인 기반 언어 모델을 선택하고, 기본 언어 모델 및 제 3 텍스트 데이터에 대응하는 도메인과 관련된 도메인 기반 언어 모델에 기반하여 음성 인식을 수행할 수 있다.
도 7은 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치(310)를 도시한 블록도이다.
도 7을 참조하면, 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치(310)은 통신 모듈(710)(예: 도 1의 통신 모듈(190), 디스플레이(720)(예: 도 1의 표시 장치(160), , 프로세서(730)(예: 도 1의 프로세서(120), 및 마이크로폰(740)(예: 도 1의 입력 장치(150)를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 마이크로폰(740)은 전자 장치(310)의 사용자의 발화를 수신하고, 발화에 대응하는 음성 데이터를 생성할 수 있다. 생성된 음성 데이터는 전처리 과정을 거친 후, 통신 모듈(710)에 의해 지능형 서버(예: 도 3의 지능형 서버(320))로 전송될 수 있다. 프로세서(730)는 음성 데이터에 포함된 에코(echo)를 제거하는 동작, 음성 데이터에 포함된 잡음을 제거하는 동작, 또는 음성 데이터에 포함된 음성의 크기를 조절하는 동작 중 적어도 하나의 동작을 수행하는 방식으로 음성 데이터에 대한 전처리를 수행할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 전처리가 수행된 음성 데이터를 지능형 서버(320)에 전송할 수 있다. 도 4 내지 도 6c에서 서술한 바와 같이, 지능형 서버(320)는 음성 데이터를 수신하고, 음성 데이터를 이용하여 음성 인식 및 음성 인식에 기반한 서비스와 관련된 일련의 동작들을 실행할 수 있다. 본 발명의 다양한 실시예에 따르면, 지능형 서버(320)는 음성 인식을 수행하기 위한 도메인을 결정하고, 결정된 도메인과 연관된 세션을 생성할 수 있다. 생성된 세션에 대한 정보 및 지능형 서버(320)에 의해 결정된 도메인과 관련된 정보를 전자 장치(310)로 전송할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 지능형 서버(320) 또는 클라우드 서버(예: 도 3의 클라우드 서버(330))에서 생성된 세션에 대한 정보 및 지능형 서버(320)에 의해 결정된 도메인과 관련된 정보를 수신할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 생성된 세션에 대한 정보 또는 도메인과 관련된 정보를 디스플레이(720) 상에 디스플레이할 수 있다. 생성된 세션에 대한 정보 또는 도메인과 관련된 정보는 아이콘 등의 시각적인 형태로 구현된 유저 인터페이스로 디스플레이될 수 있다. 예를 들면, 화면의 상단에 생성된 정보 또는 도메인과 관련된 정보는 텍스트 형태로 디스플레이(720) 상단에 디스플레이될 수 있다. 다른 예를 들면, 화면의 상단에 생성된 정보 또는 도메인과 관련된 정보는 아이콘 형태로 디스플레이(720)의 일부분에 디스플레이될 수 있다. 본 발명의 다양한 실시예에 따르면, 생성된 세션이 사용자의 발화 등 다양한 원인에 의해 종료되고, 다른 세션이 실행되는 경우, 생성된 세션에 대한 정보 또는 도메인과 관련된 정보는 디스플레이(720) 상에 디스플레이될 수 있다. 세션에 대한 정보 또는 도메인과 관련된 정보를 출력하는 다양한 실시예에 대해서는 도 10, 도 11a 및 도 11b에서 후술한다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 결정된 도메인과 관련된 도메인 기반 언어 모델 및 기본 언어 모델을 이용하여 생성된 텍스트 데이터를 지능형 서버(320)로부터 수신할 수 있다. 프로세서(730)는 수신한 텍스트 데이터를 디스플레이(720) 또는 스피커(미도시)를 통하여 출력할 수 있다.
도 8a 내지 도 8d는 본 발명의 다양한 실시예에 따른 지능형 서버(320) 및 전자 장치(310)에서, 언어 모델을 선택하고, 선택된 언어 모델을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
도 8a 내지 도 8d에 도시된 실시예는, 도 6a 내지 도 6c에 도시된 도메인 기반 언어 모델을 선택하고, 선택된 도메인 기반 언어 모델을 이용하는 동작에서 사용자 단말(예: 도 3의 사용자 단말(310))의 디스플레이(예: 도 7의 디스플레이(720)) 상에 디스플레이되는 화면의 실시예이다.
도 8a를 참조하면, 사용자는 특정 의도(피자 주문)가 포함된 발화를 수행하고, 사용자 단말(310)은 사용자의 발화(831) (예를 들어, 도민에서 피자 시켜줘)에 대응하는 제 1 음성 데이터를 생성할 수 있다. 제 1 음성 데이터는 전처리 과정을 거쳐, 지능형 서버(예: 도 3의 지능형 서버(320))에 전송될 수 있다. 지능형 서버(320)의 프로세서(예: 도 4의 프로세서(420))에서 실행되는 ASR 모듈(510) 은 수신한 제 1 음성 데이터를 기본 언어 모델(530)을 이용하여 제 1 텍스트 데이터로 변환할 수 있다. 프로세서(420)에서 실행되는 세션 매니져(예: 도 5의 세션 매니저(550))는 제 1 텍스트 데이터에 기반하여 도메인(예를 들어, 피자 배달)을 결정하고, 결정된 도메인에 대응하는 음성 인식에 기반한 서비스 제공(예: 피자 배달 관련 서비스)을 위한 세션을 생성할 수 있다. 세션 매니저(550)는 생성된 제 1 텍스트 데이터에 기반하여 세션과 관련된 도메인(예를 들어, 피자 배달)을 결정하고, 도메인 기반 언어 모델들(821, 823, 825) 중 결정된 도메인과 관련된 도메인 기반 언어 모델(예를 들어, 도민 피자 언어모델)(821)을 선택할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 생성된 세션에 대한 정보를 사용자 단말(310)로 전송하고, 사용자 단말(310)은 도메인과 관련된 정보 (833)(예를 들어, 도미노 피자 호출)를 디스플레이(예: 도 7의 디스플레이(720)) 상에 디스플레이할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(예: 도 7의 프로세서(730))는 도메인과 관련된 정보(833)를 디스플레이(720) 상에 출력할 수 있다. 도메인과 관련된 정보(833)는 도메인의 이름, 도메인을 제공하는 써드 파티의 이름을 포함할 수 있다. 도메인과 관련된 정보(833)는 사용자 인터페이스 형태로 출력될 수 있다.
도 8b를 참조하면, 사용자 단말(310)은 추가적인 사용자 발화(예: 피자 주문과 관련된 구체적인 발화)에 대응하는 제 2 음성 데이터(841)를 생성할 수 있다. 제 2 음성 데이터(841)는 전처리 과정을 거쳐, 지능형 서버(예: 도 3의 지능형 서버(320))에 전송될 수 있다. 지능형 서버(320)의 프로세서(예: 도 4의 프로세서(420)) 상에 실행되는 ASR 모듈(예: 도 5의 ASR 모듈(510))은 기본 언어 모델(530) 및 결정된 도메인과 관련된 도메인 기반 언어 모델(821)에 기반하여 제 2 음성 데이터(841)에 대한 텍스트 변환을 수행하고, 제 2 텍스트 데이터(843)를 생성할 수 있다. NLU(예; 도 5의 NLU(520))는 제 2 텍스트 데이터(843)를 이용하여 사용자의 의도를 판단하고, 제 2 텍스트 데이터(843)에 기반하여 사용자의 의도에 매칭되는 태스크를 수행하는데 필요한 파라미터를 추출할 수 있다. 추출된 파라미터 및 제 2 텍스트 데이터(843)는 서드파티 서버(예: 도 3의 서드 파티 서버(340))에 전송될 수 있고, 서드파티 서버(340)는 수신한 정보에 기반하여 음성 인식과 관련된 서비스와 관련된 동작들을 수행할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 제 2 텍스트 데이터(843)를 사용자 단말(310)에 전송할 수 있다. 사용자 단말(310)은 제 2 텍스트 데이터(843)를 디스플레이(720) 상에 디스플레이할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 도메인과 관련된 정보(845)를 디스플레이(720) 상에 출력할 수 있다. 도메인과 관련된 정보(845)는 도메인의 이름, 도메인을 제공하는 써드 파티의 이름을 포함할 수 있다. 도메인과 관련된 정보(845)는 사용자 인터페이스 형태로 출력될 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 사용자 입력에 기반하여 현재 실행 중인 세션을 종료하고 다른 세션으로 변경(또는, 생성)할 수 있다. 도 8c를 참조하면, 사용자 단말(310)은 추가적인 사용자 발화(예: 버스 노선과 관련된 정보 요청)에 대응하는 제 3 음성 데이터(851)를 생성할 수 있다. 제 3 음성 데이터는(851) 전처리 과정을 거쳐, 지능형 서버(예: 도 3의 지능형 서버(320))에 전송될 수 있다. ASR 모듈(510)은 제 3 음성 데이터(851)를 기본 언어 모델(530) 및 이전에 결정된 도메인과 관련된 도메인 기반 언어 모델(821)을 이용하여 제 3 텍스트 데이터로 변환할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 제 3 텍스트 데이터에 기반하여 제 3 텍스트 데이터에 대응하는 도메인을 결정할 수 있다. 세션 매니저(550)는, 제 1 텍스트 데이터에 대응하는 도메인(예: 피자 주문)과 제 3 텍스트 데이터에 대응하는 도메인(예: 버스 노선 정보 요청)이 서로 다른 경우, 제 1 텍스트 데이터에 대응하는 도메인과 관련된 세션에서, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션으로 변경(또는, 생성)하고, 제 3 텍스트 데이터에 대응하는 도메인과 관련된 세션을 이용하여 음성 인식을 수행할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 도메인과 관련된 정보(853)를 디스플레이(720) 상에 출력할 수 있다. 도메인과 관련된 정보(853)는 도메인의 이름, 도메인을 제공하는 써드 파티의 이름을 포함할 수 있다. 도메인과 관련된 정보(853)는 사용자 인터페이스 형태로 출력될 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 이전에 실행중인 세션을 종료하고, 변경된 도메인과 관련된 세션을 실행할 수 있다. 세션 매니저(550)는 세션의 변경을 알리는 정보를 사용자 단말(310)로 전송할 수 있다. 사용자 단말(310)은 세션의 변경을 알리는 정보를 포함하는 도메인과 관련된 정보(853)를 디스플레이(720) 상에 디스플레이할 수 있다.
본 발명의 다양한 실시예에 따르면, 세션 매니저(550)는 도메인 기반 언어 모델들(821, 823, 25) 중 변경된 도메인과 관련된 도메인 기반 언어 모델(825)을 선택하고, 선택된 도메인 기반 언어 모델(예를 들어, 버스노선 언어모델)(825)와 기본 언어 모델(530)을 이용하여 음성 인식을 수행할 수 있다.
도 8d를 참조하면, 사용자 단말(310)은 사용자의 추가적인 발화(예를 들어, 버스 노선 관련 정보를 요청하는 발화)와 관련된 제 4 음성 데이터(861)를 수신할 수 있다. 제 4 음성 데이터(861)는 전처리 과정을 거쳐, 지능형 서버(예: 도 3의 지능형 서버(320))에 전송될 수 있다. ASR 모듈(510)은 제 4 음성 데이터(861)를 기본 언어 모델(530) 및 결정된 도메인과 관련된 도메인 기반 언어 모델(825)을 이용하여 제 4 텍스트 데이터로 변환할 수 있다. 세션 매니저(550)는 제 4 텍스트 데이터를 서드 파티 서버(예: 도 3의 서드 파티 서버(340))로 전송하고, 서드 파티 서버(340)는 수신한 데이터를 이용하여 음성 인식과 관련된 프로세스를 처리하고, 처리 결과를 사용자 단말(310)에 전송할 수 있다. 사용자 단말(310)은 처리 결과를 디스플레이(720) 상에 디스플레이할 수 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(730)는 도메인과 관련된 정보(863)를 디스플레이(720) 상에 출력할 수 있다. 도메인과 관련된 정보(863)는 도메인의 이름, 도메인을 제공하는 써드 파티의 이름을 포함할 수 있다. 도메인과 관련된 정보(863)는 사용자 인터페이스 형태로 출력될 수 있다.
도 9는 본 발명의 다양한 실시예에 따른 지능형 서버 및 전자 장치에서, 서비스에 따라 구별된 복수의 언어 모델을 선택하고, 선택된 언어 모델들을 이용하여 음성 인식을 수행하는 실시예를 도시한 도면이다.
본 발명의 다양한 실시예에 따르면, 지능형 서버(예: 도 3의 지능형 서버(320))는 음성 인식과 관련된 일련의 동작을 처리하는 하나의 세션에서, 복수의 도메인 기반 언어 모델 및 기본 언어 모델을 이용하여 음성 인식을 수행할 수 있다.
도 9를 참조하면, 사용자 단말(310)(예: 도 1의 전자 장치(101))은 사용자의 특정 의도(예: 여행 계획)가 포함된 발화(931)에 대응하는 제 1 음성 데이터를 생성할 수 있다. 제 1 음성 데이터는 전처리 과정을 거쳐, 지능형 서버(예: 도 3의 지능형 서버(320))에 전송될 수 있다. 지능형 서버(320)의 프로세서(예: 도 4의 프로세서(420)) 상에 구현된 ASR 모듈(510) 은 수신한 제 1 음성 데이터를 기본 언어 모델(530) 을 이용하여 제 1 텍스트 데이터로 변환할 수 있다. 프로세서(420) 상에 구현된 세션 매니져(예: 도 5의 세션 매니저(550))는 제 1 텍스트 데이터에 기반하여 음성 인식에 기반한 서비스 제공을 위한 세션을 생성할 수 있다. 세션 매니저(550)는 제 1 텍스트 데이터에 기반하여 세션과 관련된 복수의 도메인을 확인할 수 있다. 예를 들면, 세션 매니저(550)는 사용자의 의도(예: 여행 계획)에 매칭되는 복수의 도메인(예: 숙소 예약, 렌터카 예약, 항공권 예약)을 확인할 수 있다. 세션 매니저(550)는 복수의 도메인들 각각에 대응하는 도메인 기반 언어 모델들(921, 923, 925)을 선택하고, 복수의 도메인 기반 언어 모델들(921, 923, 925) 및 기본 언어 모델(530)을 이용하여 음성 인식을 수행할 수도 있다.
본 발명의 다양한 실시예에 따르면, 프로세서(예: 도 7의 프로세서(730))는 도메인과 관련된 정보를 디스플레이(720) 상에 출력할 수 있다. 도메인과 관련된 정보는 도메인의 이름, 도메인을 제공하는 써드 파티의 이름을 포함할 수 있다. 도메인과 관련된 정보는 사용자 인터페이스 형태로 출력될 수 있다. 도 9를 참조하면, 프로세서(730)는 결정된 복수의 도메인들 각각을 나타내는 아이콘들(941, 943, 945)를 디스플레이할 수 있다.
도 10a 내지 10b는 본 발명의 다양한 실시예에 따른 전자 장치(310)에서, 연결된 세션에 대한 정보를 출력하는 실시예를 도시한 도면이다.
도 10a 내지 도 10b를 참조하면, 본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치(310) 는 지능형 서버(320) 또는 클라우드 서버(예: 도 3의 클라우드 서버(330))에서 현재 연결된 세션에 대한 정보를 수신하고, 수신한 정보를 디스플레이(예: 도 7의 디스플레이(720))를 이용하여 출력할 수 있다.
도 10a를 참조하면, 전자 장치(310)는, 전자 장치(310)의 사용자의 음성 입력을 이용한 서비스 제공(예: 음식점 리스트를 검색 및 디스플레이하는 서비스)화면 상에, 현재 연결된 세션에 대한 정보를 아이콘(1010)의 형태로 디스플레이할 수 있다. 음성 입력을 이용한 서비스 화면은 아이콘의 색과 유사한 색을 배경 색으로 이용하여 구현될 수 있다.
도 10b를 참조하면, 전자 장치(310)는, 전자 장치(310)의 사용자의 음성 입력을 이용한 서비스 제공(예: 피자 주문 서비스)화면을 팝-업 형태로 디스플레이하면서, 현재 연결된 세션에 대한 정보를 아이콘(1020)의 형태로 디스플레이할 수 있다.
본 발명의 다양한 실시예에 따르면, 생성된 세션이 사용자의 발화 등 다양한 원인에 의해 종료되고, 다른 세션이 실행되는 경우, 변경된 세션에 대한 정보는 디스플레이(720) 상에 디스플레이될 수 있다.
도 11a 내지 도 11b는 본 발명의 다양한 실시예에 따른 전자 장치(310)에서, 연결된 세션에 대한 정보를 출력하는 실시예를 도시한 도면이다.
도 11a 내지 도 11b를 참조하면, 본 발명의 다양한 실시예에 따른 전자 장치(310) 는 사용자의 음성을 입력 받는 마이크를 포함하고, 지능형 서버(320) 또는 클라우드 서버(330)와 연결된 지능형 스피커일 수 있다. 전자 장치(310)는 지능형 서버(320) 또는 클라우드 서버(예: 도 3의 클라우드 서버(330))에서 현재 연결된 세션에 대한 정보를 수신하고, 수신한 정보를 오디오 모듈(예: 도 1의 오디오 모듈(170))을 이용하여 출력할 수 있다.
도 11a 내지 도 11d는 본 발명의 다양한 실시예에 따른 전자 장치(310)가 디스플레이(예: 도 7의 디스플레이(720))를 구비하지 않아서, 연결된 세션에 대한 정보를 디스플레이할 수 없는 경우, 전자 장치(310)가 디스플레이(720)를 구비하고 있는 경우 모두에 적용될 수 있다.
본 발명의 다양한 실시예에 따르면, 음성 인식에 이용되기 위해 연결된 세션에 대한 정보는 전자 장치(310)가 구비한 오디오 모듈(예: 도 1의 오디오 모듈(170))을 이용하여 출력될 수 있다.
본 발명의 다양한 실시예에 따르면, 생성된 세션(예를 들면, 일반적인 음성 인식 세션)이 사용자의 발화 등 다양한 원인에 의해 종료되고, 다른 세션(예를 들면, 피자 주문 세션)이 실행되는 경우, 변경된 세션에 대한 정보는 전자 장치(310)가 구비한 오디오 모듈(예: 도 1의 오디오 모듈(170))을 이용하여 출력될 수 있다. 예를 들면, 변경 이전의 세션에 출력되는 음성과 변경 이후의 세션에서 출력되는 음성은 억양, 속도, 빠르기, 화자의 성별(남성, 여성), 또는 화자의 나이(어린이, 노인)를 포함하는 음성의 특징이 서로 다를 수 있다.
본 발명의 다양한 실시예에 따르면, 전자 장치(310)는 오디오 모듈(170)을 이용하여 출력되는 음성의 특성을 다르게 설정하여, 전자 장치(310)의 사용자가 세션의 변경을 인지할 수 있도록 할 수 있다.
도 11a를 참조하면, 현재 연결된 세션인 일반적인 음성 세션에 대응하는 화자는 여성일 수 있다. 현재 연결된 세션이 일반적인 음성 세션인 경우, 전자 장치(310)는 여성 화자를 이용하여 음성을 출력할 수 있다.
도 11b를 참조하면, 변경된 세션인 피자 주문 세션에 대응하는 화자는 남성일 수 있다. 현재 연결된 세션이 피자 주문 세션인 경우, 전자 장치(310)는 남성 화자를 이용하여 음성을 출력할 수 있다.
도 12a 내지 도 12b는 본 발명의 다양한 실시예에 따른 전자 장치(310)에서, 연결된 세션에 대한 정보를 출력하는 실시예를 도시한 도면이다.
도 12a 내지 도 12b를 참조하면, 본 발명의 다양한 실시예에 따른 전자 장치(310)는 사용자의 음성을 입력 받는 마이크를 포함하고, 지능형 서버(320) 또는 클라우드 서버(330)와 연결된 지능형 스피커일 수 있다. 전자 장치(310)는 지능형 서버(320) 또는 클라우드 서버(예: 도 3의 클라우드 서버(330))에서 현재 연결된 세션에 대한 정보를 수신하고, 수신한 정보를 전자 장치(310)에 포함된 LED 등(1210)을 이용하여 출력할 수 있다.
본 발명의 다양한 실시예에 따르면, 전자 장치(310)는 연결된 세션에 따라서 LED 등(1210)이 출력하는 빛의 특성을 변경하도록 LED 등(1210)을 제어할 수 있다. LED 등(1210)이 출력하는 빛의 특성은 빛의 깜빡임의 정도, 빛의 색, 빛의 세기를 포함할 수 있다.
본 발명의 다양한 실시예에 따르면, 전자 장치(310)는 복수의 세션들 마다 빛을 다르게 출력하도록 LED 등(1210)을 제어할 수 있다. 전자 장치(310)는 LED 등(1210)을 이용하여 출력되는 빛의 특성을 다르게 설정하여, 전자 장치(310)의 사용자가 세션의 변경을 인지할 수 있도록 할 수 있다.
도 12a를 참조하면, 현재 연결된 세션인 일반적인 음성 세션에 대응하는 빛의 색은 파란색일 수 있다. 현재 연결된 세션이 일반적인 음성 세션인 경우, 전자 장치(310)는 파란색의 빛을 출력하도록 LED 등(1210)을 제어할 수 있다.
도 12b를 참조하면, 현재 연결된 세션인 피자 주문 세션에 대응하는 빛의 색은 빨간색일 수 있다. 현재 연결된 세션이 피자 주문 세션인 경우, 전자 장치(310)는 빨간색의 빛을 출력하도록 LED 등(1210)을 제어할 수 있다.
본 발명의 다양한 실시예에 따른 시스템은 네트워크 인터페이스, 상기 네트워크 인터페이스와 작동적으로 연결된 적어도 하나의 프로세서, 및 상기 프로세서와 작동적으로 연결된 적어도 하나의 메모리를 포함하고, 상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(a generic language model) 및 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language models)을 저장하도록 구성되고, 상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가 상기 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하되, 상기 도메인 기반 랭귀지 모델들은 이용하지 않고, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고, 상기 도메인 기반 랭귀지 모델들 중에, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고, 상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하고, 상기 ASR로, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션들은, 상기 프로세서가, 상기 외부 장치가 상기 결정된 도메인을 나타내는 유저 인터페이스를 제공하도록 하게 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 유저 인터페이스는 적어도 하나의 시각적 사용자 인터페이스 또는 음성 기반 사용자 인터페이스를 포함할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션들은, 상기 프로세서가, 상기 시각적 사용자 인터페이스를 상기 디스플레이 상에 제공하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 외부 장치는 적어도 하나의 LED(light emitting diode)를 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 시각적 사용자 인터페이스를 상기 LED를 이용하여 제공하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 외부 장치는 스피커를 포함하고, 상기 인스트럭션들은, 상기 프로세서가, 상기 음성 기반 사용자 인터페이스를 상기 스피커를 통해 제공하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션들은, 상기 프로세서가, 상기 외부 장치를 통해 음성을 제공하기 위해, 상기 도메인 결정 전에 제 1 TTS 모델(text to speech model)을 사용하고 상기 도메인 결정 후에 제 2 TTS 모델을 사용하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션들은, 상기 프로세서가, 상기 태스크를 수행될 때 까지, 상기 제너릭 랭귀지 모델과 상기 선택된 도메인 기반 랭귀지 모델의 조합을 유지하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 도메인 기반 랭귀지 모델들은 상기 서비스의 종류 또는 상기 컨텐츠 제공자에 따라서 구분되어 생성될 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션들은, 상기 프로세서가 상기 제 1 텍스트 데이터에 상기 도메인의 식별자가 포함되어 있는지 확인하고, 상기 도메인의 식별자가 상기 제 1 텍스트 데이터에 포함된 경우, 포함된 식별자에 대응하는 상기 제너릭 랭귀지 모델을 선택할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션이, 상기 프로세서가 상기 도메인의 식별자가 상기 제 1 텍스트 데이터에 포함되지 않은 경우, 상기 제 1 텍스트 데이터에 기반하여 상기 사용자의 의도(intention)를 결정하고, 상기 의도에 대응하는 적어도 하나 이상의 도메인을 결정하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션이, 상기 프로세서가, 상기 통신 모듈을 통해 사용자의 발화에 대응하는 제 3 음성 데이터를 수신하고, 상기 제 3 음성 데이터에 대응하는 텍스트 데이터를 생성하고, 상기 제 3 음성 데이터에 대응하는 텍스트 데이터에 기반하여 상기 도메인을 변경하도록 할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션이, 상기 프로세서가 상기 도메인이 변경된 경우, 변경된 도메인에 대응하는 도메인 기반 랭귀지 모델 및 상기 제너릭 랭귀지 모델을 이용하여 음성 인식을 수행할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션이, 상기 프로세서가 상기 선택된 도메인 기반 랭귀지 모델 및 상기 제너릭 랭귀지 모델을 이용하여 상기 제 1 텍스트 데이터를 변경할 수 있다.
본 발명의 다양한 실시예에 따른 시스템에서, 상기 인스트럭션이, 상기 프로세서가 상기 제 1 텍스트 데이터가 변경되는 경우, 상기 외부 장치로 상기 제 1 텍스트 데이터의 변경을 알리는(notifying) 데이터를 전송할 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치는 통신 모듈; 적어도 하나의 프로세서; 및 음성 인식을 수행하는데 있어 기본적으로 사용하도록 지정된 제너릭 랭귀지 모델, 음성 인식에 기반하여 제공되는 서비스에 의해 구분되는 도메인들에 각각 대응하는 도메인 기반 랭귀지 모델들을 저장한 메모리를 포함하고, 상기 프로세서는 상기 통신 모듈을 통해 사용자의 발화에 대응하는 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하여 상기 제 1 음성 데이터에 대응하는 텍스트 데이터를 생성하고, 상기 생성된 텍스트 데이터에 기반하여 상기 음성 인식에 이용될 도메인을 결정하고, 상기 결정된 도메인과 연결되는 세션(session)을 설정하고, 상기 결정된 도메인에 대응하는 도메인 기반 랭귀지 모델을 선택하고, 상기 제너릭 랭귀지 모델 및 상기 선택된 도메인 기반 랭귀지 모델을 이용하여 상기 사용자의 추가 발화에 대응하는 제 2 음성 데이터에 대한 음성 인식을 수행하도록 설정될 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치에서, 도메인 기반 랭귀지 모델들은 컨텐츠 제공자에 따라서 구분되어 생성될 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치에서, 상기 프로세서는 상기 사용자에 대응하는 외부 전자 장치로 상기 설정된 세션을 알리는 데이터를 전송할 수 있다.
본 발명의 다양한 실시예에 따른 시스템은 네트워크 인터페이스, 상기 네트워크 인터페이스와 작동적으로 연결된 적어도 하나의 프로세서, 및 상기 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고, 상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(a generic language model) 및 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language models)을 저장하도록 구성되고, 상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가, 상기 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하고, 상기 제너릭 랭귀지 모델을 이용하되, 상기 도메인 기반 랭귀지 모델들은 이용하지 않고, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고, 상기 도메인 기반 랭귀지 모델들 중에, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고, 상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하고, 상기 ASR로, 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하도록 하는 인스트럭션들(instructions)을 저장할 수 있다.
도 13은 본 발명의 다양한 실시예에 따른 전자 장치(320)의 동작 방법을 도시한 동작 흐름도이다.
도 13을 참조하면, 동작 1310에서, 본 발명의 다양한 실시예에 따른 전자 장치(예: 도 3의 지능형 서버(320))는 사용자 발화에 의해 생성된 제 1 음성 데이터를 수신할 수 있다. 예를 들어, 전자 장치(320)의 통신 모듈(410)은 외부 전자 장치(예: 도 3의 사용자 단말(310))로부터, 사용자의 발화에 대응하는 제 1 음성 데이터를 수신할 수 있다. 제 1 음성 데이터는 사용자 단말(310)의 마이크로폰(예: 도 1의 입력 장치(150))을 이용하여 수신한 사용자의 발화에 대응하는 음성 데이터를 전처리한 데이터를 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 동작 1320에서, 전자 장치(320)는 기본 언어 모델(예: 도 5의 기본 언어 모델(530))을 이용하여 제 1 음성 데이터를 변환해서, 제 1 텍스트 데이터를 생성할 수 있다. 예를 들어, 기본 언어 모델은 음성 인식을 수행하는 동안 기본적으로 이용될 수 있는 언어 모델을 의미할 수 있다.
본 발명의 다양한 실시예에 따르면, 도메인 기반 언어 모델은 도메인들 각각에 대응하는 언어 모델을 의미할 수 있다. 도메인은 음성 인식에 기반하여 제공되는 서비스에 의해 구별될 수 있다. 예를 들면, 음성 인식에 기반하여 제공되는 다양한 서비스(피자 주문, 숙소 예약, 교통 정보 제공)들 각각은 고유한 도메인을 가질 수 있다. 예를 들면, 도메인 기반 언어 모델들은 피자 주문과 관련된 언어 모델, 숙소 예약과 관련된 언어 모델, 교통 정보 제공과 관련된 언어 모델 등을 포함할 수 있다. 본 발명의 다양한 실시예에 따르면, 도메인 기반 언어 모델은 기본 언어 모델과 다르게 서드 파티 서버(예: 도 3의 서드 파티 서버(340))의 운영 측에 의해 구현될 수 있다. 도메인 기반 언어 모델에 포함된 데이터 중 사용 빈도가 설정된 값 이상(또는, 초과)인 경우, 도메인 기반 언어 모델에 포함된 데이터는 기본 언어 모델에 포함되도록 업데이트될 수 있다.
본 발명의 다양한 실시예에 따르면, 동작 1330에서, 전자 장치(320)는 제 1 텍스트 데이터에 기반해서 음성 인식에 이용될 도메인을 결정할 수 있다. 예를 들어, 도메인은 음성 인식에 기반하여 제공되는 서비스에 의해 구별될 수 있는 식별자일 수 있다. 예를 들면, 음성 인식에 기반하여 제공되는 다양한 서비스(피자 주문, 숙소 예약, 교통 정보 제공)들 각각은 고유한 도메인을 가질 수 있다.
본 발명의 다양한 실시예에 따르면, 전자 장치(320)의 프로세서(예: 도 4의 프로세서(420))는 결정된 도메인과 연결되는 세션을 생성할 수 있다. 생성된 세션은 음성 인식에 기반한 서비스를 처리하는 동작을 관리할 수 있다. 프로세서(420)는 도메인 기반 언어 모델들 중 결정된 도메인에 대응하는 도메인 기반 언어 모델을 선택할 수 있다. 예를 들면, 프로세서(420)는 제 1 텍스트 데이터(예: 피자 주문해줘)에 기반하여 사용자의 의도(예: 피자 주문)를 결정하고, 사용자의 의도에 맞는 도메인(피자 주문 서비스)을 결정할 수 있다. 프로세서(420)는 결정된 도메인에 대응하는 도메인 기반 언어 모델(예: 피자 주문에 특화된 언어 모델)을 선택할 수 있다.
동작 1340에서, 전자 장치(320)는 결정된 도메인에 대응하는 도메인 기반 언어 모델(예: 도 5의 도메인 기반 언어 모델(541, 543, 545))을 선택할 수 있다.
동작 1350에서, 전자 장치(320)는 기본 언어 모델(530) 및 선택된 도메인 기반 언어 모델(예; 제 1 도메인 기반 언어 모델(541))을 이용해서, 음성 인식을 수행할 수 있다.예를 들어, 프로세서(420)는 사용자의 추가적인 발화를 수신하고, 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 사용자의 추가적인 발화에 대응하는 제 2 음성 데이터에 대한 음성 인식을 수행할 수 있다. 예를 들어, 사용자의 추가적인 발화는 사용자 발화에 대응하는 의도와 매칭되는 서비스를 수행하기 위한 파라미터(예: 피자의 종류, 크기, 개수 등)를 입력하기 위해서 수행될 수 있다. 프로세서(420)는 사용자의 추가적인 발화에 대응하는 제 2 음성 데이터에 대한 텍스트 변환을 수행할 때에 있어, 기본 언어 모델 및 선택된 도메인 기반 언어 모델(예: 피자 주문에 특화된 언어 모델)을 이용할 수 있다.
본 발명의 다양한 실시예에 따르면, 기본 언어 모델 및 선택된 도메인 기반 언어 모델을 이용하여 텍스트 변환을 수행하는 경우, 기본 언어 모델을 이용했을 때의 텍스트 변환 결과와 선택된 도메인 기반 언어 모델을 이용했을 때의 텍스트 변환 결과가 다를 수 있다. 이 경우, 프로세서(420)는 기본 언어 모델에 적용되는 가중치와 선택된 도메인 기반 언어 모델에 적용되는 가중치에 기반하여 텍스트 변환을 수행할 수도 있다.
본 발명의 다양한 실시예에 따른 음성 인식을 수행하는 전자 장치의 동작 방법은 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하는 동작, 자동 음성 인식(ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(generic language model)을 이용하되, 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language model)들은 이용하지 않고, 상기 ASR을 이용하여, 상기 제 1 음성 데이터를 처리하여, 상기 전자 장치에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하는 동작, 상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하는 동작, 상기 도메인 기반 랭귀지 모델들 중, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하는 동작, 상기 제 1 음성 데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하는 동작, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ASR로, 상기 제 2 음성 데이터를 처리하여 제 2 텍스트 데이터를 생성하는 동작을 포함할 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치의 동작 방법은 상기 외부 장치가 상기 결정된 도메인을 나타내는 유저 인터페이스를 제공하도록 상기 외부 장치를 제어하는 동작을 더 포함할 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치의 동작 방법에서, 상기 유저 인터페이스는 적어도 하나의 시각적 사용자 인터페이스 또는 음성 기반 사용자 인터페이스를 포함할 수 있다.
본 발명의 다양한 실시예에 따른 전자 장치의 동작 방법은 상기 외부 장치를 통해 음성을 제공하기 위해, 상기 도메인 결정 전에 제 1 TTS 모델(text to speech model)을 사용하고 상기 도메인 결정 후에 제 2 TTS 모델을 사용하도록 상기 외부 장치를 제어하는 동작을 더 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나,""A, B 또는 C," "A, B 및 C 중 적어도 하나,"및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체 는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 시스템에 있어서,
    네트워크 인터페이스;
    상기 네트워크 인터페이스와 작동적으로 연결된 적어도 하나의 프로세서; 및
    상기 프로세서와 작동적으로 연결된 적어도 하나의 메모리;를 포함하고,
    상기 적어도 하나의 메모리는 자동 음성 인식 (ASR, automatic speech recognition)을 위한 제너릭 랭귀지 모델(a generic language model) 및 복수의 도메인 기반 랭귀지 모델들(a plurality of domain-based language models)을 저장하도록 구성되고,
    상기 적어도 하나의 메모리는, 실행 시에, 상기 프로세서가:
    상기 네트워크 인터페이스를 통해 마이크로폰(microphone)을 포함하는 외부 장치로부터 제 1 음성 데이터를 수신하고,
    상기 제너릭 랭귀지 모델을 이용하되, 상기 도메인 기반 랭귀지 모델들은 이용하지 않고, 상기 ASR로, 상기 제 1 음성데이터를 처리하여, 상기 시스템에 의해 수행될 적어도 하나의 태스크와 연관된 제 1 텍스트 데이터를 생성하고,
    상기 제 1 텍스트 데이터에 적어도 일부 기반하여, 상기 태스크와 연관된 도메인을 결정하고,
    상기 도메인 기반 랭귀지 모델들 중에, 상기 결정된 도메인과 연관된 하나의 도메인 기반 랭귀지 모델을 선택하고,
    상기 제 1 음성데이터 수신 후 및 상기 태스크 수행 전에 상기 네트워크 인터페이스를 통해 상기 외부 장치로부터 제 2 음성 데이터를 수신하고,
    상기 ASR로, 상기 제너릭 랭귀지 모델 및 상기 선택된 하나의 도메인 기반 랭귀지 모델을 이용하여, 상기 ARS로, 상기 제 2 음성데이터를 처리하여 제 2 텍스트 데이터를 생성하도록 하는 인스트럭션들(instructions)을 저장하는 시스템.
  2. 제 1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가, 상기 외부 장치가 상기 결정된 도메인을 나타내는 유저 인터페이스를 제공하도록 하게 하는 시스템.
  3. 제 2항에 있어서,
    상기 유저 인터페이스는 적어도 하나의 시각적 사용자 인터페이스 또는 음성 기반 사용자 인터페이스를 포함하는 시스템.
  4. 제 3항에 있어서,
    상기 외부 장치는 디스플레이를 포함하고,
    상기 인스트럭션들은, 상기 프로세서가, 상기 시각적 사용자 인터페이스를 상기 디스플레이 상에 제공하도록 하는 시스템.
  5. 제 3항에 있어서,
    상기 외부 장치는 적어도 하나의 LED(light emitting diode)를 포함하고,
    상기 인스트럭션들은, 상기 프로세서가, 상기 시각적 사용자 인터페이스를 상기 LED를 이용하여 제공하도록 하는 시스템.
  6. 제 3항에 있어서,
    상기 외부 장치는 스피커를 포함하고,
    상기 인스트럭션들은, 상기 프로세서가, 상기 음성 기반 사용자 인터페이스를 상기 스피커를 통해 제공하도록 하는 시스템.
  7. 제 6항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가, 상기 외부 장치를 통해 음성을 제공하기 위해, 상기 도메인 결정 전에 제 1 TTS 모델(text to speech model)을 사용하고 상기 도메인 결정 후에 제 2 TTS 모델을 사용하도록 하는 시스템.
  8. 제 1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가,
    상기 태스크를 수행될 때 까지, 상기 제너릭 랭귀지 모델과 상기 선택된 도메인 기반 랭귀지 모델의 조합을 유지하도록 하는 시스템.
  9. 제 1항에 있어서,
    상기 도메인 기반 랭귀지 모델들은
    상기 서비스의 종류 또는 상기 컨텐츠 제공자에 따라서 구분되어 생성되는 시스템.
  10. 제 1항에 있어서,
    상기 인스트럭션들은, 상기 프로세서가
    상기 제 1 텍스트 데이터에 상기 도메인의 식별자가 포함되어 있는지 확인하고,
    상기 도메인의 식별자가 상기 제 1 텍스트 데이터에 포함된 경우, 포함된 식별자에 대응하는 상기 제너릭 랭귀지 모델을 선택하도록 하는 시스템.
  11. 제 10항에 있어서,
    상기 인스트럭션이, 상기 프로세서가
    상기 도메인의 식별자가 상기 제 1 텍스트 데이터에 포함되지 않은 경우, 상기 제 1 텍스트 데이터에 기반하여 상기 사용자의 의도(intention)를 결정하고,
    상기 의도에 대응하는 적어도 하나 이상의 도메인을 결정하도록 하는 시스템.
  12. 제 1항에 있어서,
    상기 인스트럭션이, 상기 프로세서가,
    상기 통신 모듈을 통해 사용자의 발화에 대응하는 제 3 음성 데이터를 수신하고,
    상기 제 3 음성 데이터에 대응하는 텍스트 데이터를 생성하고, 상기 제 3 음성 데이터에 대응하는 텍스트 데이터에 기반하여 상기 도메인을 변경하도록 하는 시스템.
  13. 제 12항에 있어서,
    상기 인스트럭션이, 상기 프로세서가
    상기 도메인이 변경된 경우, 변경된 도메인에 대응하는 도메인 기반 랭귀지 모델 및 상기 제너릭 랭귀지 모델을 이용하여 음성 인식을 수행하는 시스템.
  14. 제 1항에 있어서,
    상기 인스트럭션이, 상기 프로세서가
    상기 선택된 도메인 기반 랭귀지 모델 및 상기 제너릭 랭귀지 모델을 이용하여 상기 제 1 텍스트 데이터를 변경하는 시스템.
  15. 제 14항에 있어서,
    상기 인스트럭션이, 상기 프로세서가
    상기 제 1 텍스트 데이터가 변경되는 경우, 상기 외부 장치로 상기 제 1 텍스트 데이터의 변경을 알리는(notifying) 데이터를 전송하는 시스템.
PCT/KR2018/016057 2018-04-20 2018-12-17 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법 WO2019203418A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180046268A KR102701423B1 (ko) 2018-04-20 2018-04-20 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법
KR10-2018-0046268 2018-04-20

Publications (1)

Publication Number Publication Date
WO2019203418A1 true WO2019203418A1 (ko) 2019-10-24

Family

ID=68239656

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/016057 WO2019203418A1 (ko) 2018-04-20 2018-12-17 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법

Country Status (2)

Country Link
KR (1) KR102701423B1 (ko)
WO (1) WO2019203418A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933135A (zh) * 2020-07-31 2020-11-13 深圳Tcl新技术有限公司 终端控制方法、装置、智能终端及计算机可读存储介质
CN112053692A (zh) * 2020-09-24 2020-12-08 上海明略人工智能(集团)有限公司 语音识别处理方法、装置及存储介质
CN113093596A (zh) * 2021-03-29 2021-07-09 北京金山云网络技术有限公司 一种控制指令的处理方法和装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210100446A (ko) * 2020-02-06 2021-08-17 삼성전자주식회사 대화의 맥락에 대응하는 발화를 제공하는 전자 장치 및 이의 동작 방법
KR102601932B1 (ko) * 2021-11-08 2023-11-14 (주)사람인 핑거프린트와 머신러닝을 활용한 기업별 문서의 데이터 추출 시스템 및 방법
WO2024029850A1 (ko) * 2022-08-05 2024-02-08 삼성전자주식회사 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130141240A (ko) * 2012-06-15 2013-12-26 삼성전자주식회사 디스플레이 장치, 디스플레이 장치의 제어 방법, 서버 및 서버의 제어 방법
KR20150030858A (ko) * 2013-09-13 2015-03-23 포항공과대학교 산학협력단 사용자 발화의도 추출 방법 및 사용자 발화의도 추출 방법을 수행하는 장치
KR20170032114A (ko) * 2015-09-14 2017-03-22 삼성전자주식회사 음성 인식 장치 및 그의 제어방법
KR101838584B1 (ko) * 2016-09-29 2018-03-14 코오롱인더스트리 주식회사 다기능 led 어레이

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100612839B1 (ko) * 2004-02-18 2006-08-18 삼성전자주식회사 도메인 기반 대화 음성인식방법 및 장치
KR101572451B1 (ko) * 2013-09-16 2015-11-27 신정호 트리즈 솔루션 어플리케이션의 실행방법
KR101928060B1 (ko) * 2017-12-01 2018-12-11 사회복지법인 삼성생명공익재단 아이디어 확장 방법, 시스템 및 컴퓨터 판독 가능한 기록매체
KR20210057308A (ko) * 2019-11-12 2021-05-21 주식회사 테서 머신러닝에 기반한 챗봇 서비스 제공방법 및 시스템
KR20210098135A (ko) * 2020-01-31 2021-08-10 주식회사 케이티 질의 데이터를 분석하는 질의 분석 장치, 방법 및 컴퓨터 프로그램
KR102262035B1 (ko) * 2020-12-03 2021-06-09 주식회사 인조이웍스 비대면 행정민원서비스에 최적화된 음성인식 인공지능 챗봇 서비스 제공 시스템
KR102281161B1 (ko) * 2021-05-25 2021-07-23 주식회사 무하유 자기소개서를 기반으로 면접 질문을 생성하는 서버 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130141240A (ko) * 2012-06-15 2013-12-26 삼성전자주식회사 디스플레이 장치, 디스플레이 장치의 제어 방법, 서버 및 서버의 제어 방법
KR20150030858A (ko) * 2013-09-13 2015-03-23 포항공과대학교 산학협력단 사용자 발화의도 추출 방법 및 사용자 발화의도 추출 방법을 수행하는 장치
KR20170032114A (ko) * 2015-09-14 2017-03-22 삼성전자주식회사 음성 인식 장치 및 그의 제어방법
KR101838584B1 (ko) * 2016-09-29 2018-03-14 코오롱인더스트리 주식회사 다기능 led 어레이

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KIM, MIN SEOK: "Make a Shopping with Your Voice...''AI Speaker Battle", SEOUL PUBLIC NEWS, 22 February 2018 (2018-02-22), XP055646505, Retrieved from the Internet <URL:http://go.seoul.co.kr/news/newsView.php?id=20180223023006> *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111933135A (zh) * 2020-07-31 2020-11-13 深圳Tcl新技术有限公司 终端控制方法、装置、智能终端及计算机可读存储介质
CN112053692A (zh) * 2020-09-24 2020-12-08 上海明略人工智能(集团)有限公司 语音识别处理方法、装置及存储介质
CN112053692B (zh) * 2020-09-24 2024-01-12 上海明略人工智能(集团)有限公司 语音识别处理方法、装置及存储介质
CN113093596A (zh) * 2021-03-29 2021-07-09 北京金山云网络技术有限公司 一种控制指令的处理方法和装置

Also Published As

Publication number Publication date
KR102701423B1 (ko) 2024-09-02
KR20190122457A (ko) 2019-10-30

Similar Documents

Publication Publication Date Title
WO2019203418A1 (ko) 음성 인식을 수행하는 전자 장치 및 전자 장치의 동작 방법
WO2020045927A1 (en) Electronic device and method for generating short cut of quick command
WO2020032608A1 (en) Feedback method and apparatus of electronic device for confirming user&#39;s intention
WO2021075736A1 (en) Electronic device and method for sharing voice command thereof
WO2020122677A1 (en) Method of performing function of electronic device and electronic device using same
WO2019013510A1 (en) VOICE PROCESSING METHOD AND ELECTRONIC DEVICE SUPPORTING IT
WO2020032563A1 (en) System for processing user voice utterance and method for operating same
WO2020040595A1 (ko) 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법
WO2021060728A1 (ko) 사용자 발화를 처리하는 전자 장치 및 그 작동 방법
WO2019190062A1 (en) Electronic device for processing user voice input
WO2019112181A1 (ko) 오디오 데이터에 포함된 음소 정보를 이용하여 어플리케이션을 실행하기 위한 전자 장치 및 그의 동작 방법
WO2020167006A1 (en) Method of providing speech recognition service and electronic device for same
WO2018203620A1 (ko) 사용자 발화를 처리하는 전자
WO2020050475A1 (ko) 전자 장치 및 단축 명령어에 대응하는 태스크 수행 방법
WO2021187901A1 (en) Method for controlling external device based on voice and electronic device thereof
WO2020101389A1 (ko) 음성 인식 기반 이미지를 표시하는 전자 장치
WO2020209661A1 (en) Electronic device for generating natural language response and method thereof
WO2022092901A1 (ko) 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법
WO2020080771A1 (ko) 변형 발화 텍스트를 제공하는 전자 장치 및 그것의 동작 방법
WO2021045406A1 (en) Electronic device configured to perform action using speech recognition function and method for providing notification related to action using same
WO2021101276A1 (en) Electronic device for providing intelligent assistance service and operating method thereof
WO2020171545A1 (en) Electronic device and system for processing user input and method thereof
WO2020180008A1 (en) Method for processing plans having multiple end points and electronic device applying the same method
WO2020076086A1 (en) System for processing user utterance and operating method thereof
WO2020101174A1 (ko) 개인화 립 리딩 모델 생성 방법 및 장치

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: 18915627

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: 18915627

Country of ref document: EP

Kind code of ref document: A1