WO2020145472A1 - 화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법 - Google Patents

화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법 Download PDF

Info

Publication number
WO2020145472A1
WO2020145472A1 PCT/KR2019/010428 KR2019010428W WO2020145472A1 WO 2020145472 A1 WO2020145472 A1 WO 2020145472A1 KR 2019010428 W KR2019010428 W KR 2019010428W WO 2020145472 A1 WO2020145472 A1 WO 2020145472A1
Authority
WO
WIPO (PCT)
Prior art keywords
excitation
signal
training
speech
vocoder
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2019/010428
Other languages
English (en)
French (fr)
Inventor
송은우
김진섭
변경근
강홍구
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industry Academic Cooperation Foundation of Yonsei University
Naver Corp
Original Assignee
Industry Academic Cooperation Foundation of Yonsei University
Naver Corp
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
Priority claimed from KR1020190004085A external-priority patent/KR102198598B1/ko
Priority claimed from KR1020190004084A external-priority patent/KR102198597B1/ko
Application filed by Industry Academic Cooperation Foundation of Yonsei University, Naver Corp filed Critical Industry Academic Cooperation Foundation of Yonsei University
Priority to JP2021540067A priority Critical patent/JP7274184B2/ja
Publication of WO2020145472A1 publication Critical patent/WO2020145472A1/ko
Anticipated expiration legal-status Critical
Priority to JP2023069781A priority patent/JP7618724B2/ja
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/02—Methods for producing synthetic speech; Speech synthesisers
    • 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
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/06—Determination or coding of the spectral characteristics, e.g. of the short-term prediction coefficients
    • 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
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/08—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters
    • G10L19/087—Determination or coding of the excitation function; Determination or coding of the long-term prediction parameters using mixed excitation models, e.g. MELP, MBE, split band LPC or HVXC
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Definitions

  • the following description relates to a method for generating a synthesized speech signal using a neural vocoder and a training method for the neural vocoder and the neural vocoder.
  • the following description relates to a neural vocoder that generates a synthesized speech signal of a target speaker through a speaker adaptive model and a training method of a neural vocoder to implement a speaker adaptive model.
  • Speech synthesis technology is a technology that produces synthesized sounds similar to human speech based on input data.
  • TTS Text to Speech
  • Speech synthesis technology converts and provides input text to human speech.
  • This synthesized voice is generated by a vocoder that generates a voice signal based on the input acoustic parameters.
  • a vocoder that generates a voice signal based on the input acoustic parameters.
  • neural vocoders using artificial neural networks in the generation of synthetic speech have been proposed.
  • the neural vocoder can be trained speaker-independently or speaker-dependently using speech data from speakers, and use the results of the training to generate a synthesized speech signal for the input acoustic parameters.
  • the neural vocoder In order for the neural vocoder to generate a synthesized speech signal corresponding to a specific target speaker, the neural vocoder needs to be trained using speech data from the target speaker. In order to generate a synthesized voice signal having a certain quality or more, voice data including voice recording of a target speaker for several hours or more is generally required, and when voice data for training is insufficient, the quality of the synthesized voice signal generated is deteriorated. Or distortion. When the target speaker is a celebrity such as a celebrity, a celebrity, etc., rather than the general public, it is often difficult to secure a voice recording over several hours as training data. Accordingly, there is a need for a neural vocoder system capable of minimizing the amount of voice data from a target speaker for training while improving the quality of the synthesized voice signal.
  • Korean Patent Publication No. 10-2018-0113325 published on October 16, 2018
  • the speech of the speech synthesizer can be used to modulate the speech of the synthesized sound as intended by the developer or user.
  • a speech synthesis apparatus and method are described that provide a function for encoding a model, transforming a speech model code, and decoding a speech model to synthesize a modulated speech waveform.
  • the updated weight values are set by setting weight values from a speaker independent trained source model for speech data sets from a plurality of speakers as initial values, and training speech data sets from a target speaker for the initial values. It can provide training methods for generating neural vocoders.
  • excitation-related parameters classified according to spectral parameters and periodicity of excitation Obtaining a plurality of acoustic parameters including, estimating an excitation signal based on the plurality of acoustic parameters and linear synthesis based on at least one of the spectrum related parameters for the estimated excitation signal
  • a method of generating a speech signal comprising generating a target speech signal by applying a filter.
  • the excitation-related parameters may include a first excitation parameter indicating excitation below a predetermined cutoff frequency and a second excitation parameter indicating excitation above the cutoff frequency.
  • the first excitation parameter may indicate a harmonic spectrum of the excitation
  • the second excitation parameter may indicate other parts of the excitation.
  • the spectrum-related parameters include a frequency parameter representing the pitch of the voice signal, an energy parameter representing the energy of the voice signal, a parameter indicating whether the voice signal is voiced or unvoiced, and the line spectrum frequency of the voice signal (Line Spectral). Frequency (LSF).
  • the generating of the target speech signal may include transforming a parameter representing the LSF into Linear Predictive Coding (LPC) and applying the linear synthesis filter based on the transformed LPC to the estimated excitation signal. It may include the steps.
  • LPC Linear Predictive Coding
  • the plurality of acoustic parameters may be generated by an acoustic model based on input text or an input voice signal.
  • the neural vocoder is trained based on an input speech signal for training, and the training is an excitation signal from the input speech signal by applying a linear prediction analysis filter to the input speech signal. Separating and modeling a probability distribution of the separated excitation signal, wherein estimating the excitation signal comprises: using the probability distribution of the modeled excitation signal, for the plurality of acoustic parameters.
  • the excitation signal can be estimated.
  • the step of separating the excitation signal includes: converting a parameter representing the LSF of the input speech signal into linear predictive coding (LPC); and converting the input speech signal to the input speech signal. And applying the linear predictive analysis filter based on LPC.
  • LPC linear predictive coding
  • the separated excitation signal may be a residual component for the input voice signal.
  • a computer-implemented method of training a neural vocoder receiving a voice signal, including spectrum-related parameters from the input voice signal and excitation-related parameters classified according to periodicity thereof Extracting a plurality of acoustic parameters, separating an excitation signal from the input speech signal by applying a linear predictive analysis filter based on at least one of the spectrum related parameters to the input speech signal and the separated excitation
  • a method of training a neural vocoder comprising modeling the probability distribution of a signal.
  • the step of separating the excitation signal may include converting a parameter representing the LSF of the input speech signal to LPC among the spectrum-related parameters and based on the converted LPC of the input speech signal for the input speech signal. And applying the linear predictive analysis filter.
  • the excitation-related parameters may include a first excitation parameter indicating excitation below a predetermined cutoff frequency and a second excitation parameter indicating excitation above the cutoff frequency.
  • a parameter acquiring unit for acquiring a plurality of acoustic parameters including excitation-related parameters classified according to a spectral parameter and a periodicity of excitation, the plurality of A target speech signal is generated by applying an excitation signal estimator for estimating an excitation signal based on acoustic parameters of and a linear synthesis filter based on at least one of the spectrum-related parameters to the estimated excitation signal.
  • a neural vocoder is provided, which includes an audio signal generator.
  • the speech signal generation unit includes a transform unit that converts a parameter representing the LSF of the speech signal from among the spectrum-related parameters into Linear Predictive Coding (LPC), based on the transformed LPC for the estimated excitation signal.
  • LPC Linear Predictive Coding
  • the linear synthesis filter can be applied
  • the neural vocoder is trained based on an input speech signal for training, and the neural vocoder is excited from the input speech signal by applying a linear prediction analysis filter to the input speech signal.
  • An excitation signal separation unit for separating signals and a modeling unit for modeling a probability distribution of the separated excitation signals may be further included. It is possible to estimate the excitation signal for the parameters.
  • the excitation signal separation unit includes a conversion unit for converting a parameter representing the LSF of the input speech signal into Linear Predictive Coding (LPC), and the converted LPC of the input speech signal for the input speech signal Based on the linear prediction analysis filter can be applied.
  • LPC Linear Predictive Coding
  • a computer-implemented method of training a neural vocoder setting weight values from a source model trained for speech data sets from a plurality of speakers as initial values And for the initial value, generating updated weight values by training a speech data set from a target speaker, wherein the updated weight values are used to generate a synthesized speech signal corresponding to the target speaker.
  • Neural Vocoder training methods are provided.
  • the weight values from the source model are values representing global characteristics that are not distinguished for each speaker included in the speech data sets, and generating the updated weight values includes weight values from the source model.
  • the updated weight values may be generated by adjusting to reflect the unique characteristics of the target speaker included in the voice data set from the target speaker.
  • the size of each of the voice data sets from the plurality of speakers may be larger than the size of the voice data set from the target speaker.
  • the training method of the neural vocoder further includes constructing a source model for speaker-independent training of speech data sets from the plurality of speakers and obtaining the weight values from the source model, wherein the source model It can be used as an initializer of a model for training a set of speech data from the target speaker.
  • the excitation-related parameters may include a first excitation parameter indicating excitation below a predetermined cutoff frequency and a second excitation parameter indicating excitation above the cutoff frequency.
  • the generating of the target speech signal may include transforming a parameter representing the LSF of the speech signal among the spectrum-related parameters into Linear Predictive Coding (LPC) and the transformed LPC for the estimated excitation signal. It may include applying the linear synthesis filter based on.
  • LPC Linear Predictive Coding
  • the excitation signal for the plurality of acoustic parameters is estimated, and the modeling of the probability distribution of the excitation signal is speech input for training. Separating an excitation signal from the input speech signal by applying a linear prediction analysis filter to the signal and modeling a probability distribution of the separated excitation signal. have.
  • the step of separating the excitation signal includes: converting a parameter representing the LSF of the input speech signal into linear predictive coding (LPC); and converting the input speech signal to the input speech signal. And applying the linear predictive analysis filter based on LPC.
  • LPC linear predictive coding
  • weight values from a speaker-independently trained source model for speech data sets from a plurality of speakers are set as initial values, and for the initial values.
  • a speaker adaptive model building unit for constructing a speaker adaptive model that generates updated weight values by training a speech data set from a target speaker, and the updated weight values generated through the speaker adaptive model are the A neural vocoder is provided, which is used to generate a synthesized speech corresponding to a target speaker.
  • the neural vocoder further includes a source model constructing unit for constructing a source model for speaker-independent training of speech data sets from the plurality of speakers, wherein the source model is a model for training speech data sets from the target speaker. It can be operated as an initializer (initializer).
  • the neural vocoder includes spectral parameters generated by an acoustic model based on input text or input speech signals and excitation related parameters classified according to the periodicity of excitation.
  • a parameter acquisition unit for acquiring a plurality of acoustic parameters, an excitation signal estimator for estimating an excitation signal based on the plurality of acoustic parameters, and at least one of the spectrum-related parameters for the estimated excitation signal
  • the apparatus may further include a voice signal generator that generates a target voice signal by applying a linear synthesis filter based on the target voice signal, and the target voice signal may be a synthesized voice corresponding to the target speaker.
  • the speech signal generation unit includes a transform unit that converts a parameter representing the LSF of the speech signal from among the spectrum-related parameters into Linear Predictive Coding (LPC), based on the transformed LPC for the estimated excitation signal.
  • LPC Linear Predictive Coding
  • the linear synthesis filter can be applied.
  • the neural vocoder applies a linear prediction analysis filter to an input speech signal for training, an excitation signal separation unit for separating an excitation signal from the input speech signal, and a probability distribution of the separated excitation signal
  • the modeling unit may further include a modeling unit, and the excitation signal estimator may estimate an excitation signal for the plurality of acoustic parameters using a probability distribution of the modeled excitation signal.
  • the excitation signal separation unit includes a conversion unit for converting a parameter representing the LSF of the input speech signal into Linear Predictive Coding (LPC), and the converted LPC of the input speech signal for the input speech signal Based on the linear prediction analysis filter can be applied.
  • LPC Linear Predictive Coding
  • the target voice signal is generated by the neural vocoder performing estimation using the excitation signal as a target, and applying a linear prediction filter to the estimated excitation signal, thereby improving the quality of the generated target voice signal. Spectral distortion in the high-frequency region of the signal can be reduced.
  • FIG. 1 illustrates a method for generating a synthesized voice signal based on input text or voice signals according to an embodiment.
  • FIG. 2 is a block diagram showing the structure of a neural vocoder system according to an embodiment.
  • FIG. 3 is a block diagram showing the structure of a processor of a neural vocoder system according to an embodiment.
  • FIG. 4 is a flowchart illustrating a method for generating a voice signal according to an embodiment.
  • FIG. 5 is a flowchart illustrating a method of training a neural vocoder according to an embodiment.
  • FIG. 6 illustrates a method of generating a synthesized speech of a target speaker by constructing a speaker adaptive model according to an embodiment.
  • FIG. 7 is a block diagram showing the structure of a processor of a neural vocoder according to an embodiment.
  • FIG. 8 is a flowchart illustrating a training method of a neural vocoder for constructing a speaker adaptive model according to an embodiment.
  • FIG. 9 shows a voice signal and an excitation signal according to an example, and a relationship therebetween.
  • 10A to 10C show statistical parametric speech synthesis (SPSS) systems for generating synthetic speech signals using different types of vocoders.
  • SPSS statistical parametric speech synthesis
  • 11 and 13 illustrate a method of training a neural vocoder by separating an excitation signal from an input voice signal for training according to an embodiment.
  • 12 and 14 illustrate a method of generating a synthesized speech signal by estimating an excitation signal from acoustic parameters generated by an acoustic model based on input text according to an embodiment.
  • FIG. 15 is an acoustic parameter of a negative log-likelihood (NLL) obtained during a training process/generating a synthesized speech signal according to an example, according to whether or not to use parameters classified according to periodicity. It is a graph showing.
  • NLL negative log-likelihood
  • 16 schematically shows a speaker-dependent characteristic and a speaker-independent characteristic of a voice signal for a voice signal from a plurality of speakers according to an example.
  • 17 is a diagram of a synthesized speech of a target speaker using a source model constructed by training speech data sets from a plurality of speakers according to an example, and a speaker adaptive model constructed by training speech data sets from a target speaker. It shows how to create.
  • MOS Mobile Opinion Score
  • FIG. 21 shows a performance change of a neural vocoder constructing a speaker adaptive model when the F0 scaling factor according to an example is different.
  • FIG. 1 illustrates a method for generating a synthesized voice signal based on input text or voice signals according to an embodiment.
  • the voice signal may represent a voice, and in the detailed description below, for convenience of description, the terms'voice signal' and'voice' may be used interchangeably.
  • the acoustic model 110 may generate acoustic parameter(s) from input text or voice signals to generate a synthesized voice signal.
  • the acoustic model 110 may be designed using a deep learning-based statistical parametric speech synthesis (SPSS) system.
  • SPSS statistical parametric speech synthesis
  • the acoustic model 110 may be composed of multiple feed forward and short and long term memory layers trained to represent a nonlinear mapping function between language input and sound output parameters.
  • the acoustic model 110 may be, for example, a DNN TTS module.
  • the acoustic parameter may be a feature used to generate a synthesized speech signal, or a parameter used to construct a feature.
  • the vocoder 120 may generate a synthesized voice signal by converting the acoustic parameters generated by the acoustic model 110 into a voice signal.
  • the vocoder 120 may be a neural vocoder. Neural vocoders may be trained using deep learning models.
  • the neural vocoder can be, for example, WaveNet, SampleRNN, or WaveRNN. Further, the neural vocoder may be a general generative model that is not limited to these.
  • a “neural vocoder” can be used to indicate a device that includes a model trained for the generation of a (synthetic) speech signal (eg, WaveNet, SampleRNN, WaveRNN or a generic model) and various filters.
  • a model trained for the generation of a (synthetic) speech signal eg, WaveNet, SampleRNN, WaveRNN or a generic model
  • the vocoder 120 may estimate an excitation signal of the voice signal based on the acoustic parameters obtained from the acoustic model 110. That is, the excitation signal of the voice signal may be the target of the vocoder 120.
  • the excitation signal is a component representing voice trembling among voice signals, and may be distinguished from a component (spectral component) representing a change in the voice signal that changes according to the mouth shape of the speaker. Changes in the excitation signal can only be limited to those caused by the vocal cord movement of the talker.
  • the excitation signal may be a residual signal of the voice signal.
  • a target speech signal (that is, a synthesized speech signal) is generated as a linear prediction filter generated based on an acoustic parameter representing a spectral component of the speech signal is applied.
  • the target voice signal is generated by applying the linear prediction filter to the estimated excitation signal by targeting the excitation signal, not the voice signal, by the vocoder 120, thereby improving the quality of the generated target voice signal. , It is possible to reduce spectral distortion in the high frequency region of the audio signal.
  • a more specific method of generating a target voice signal through estimating the excitation signal and a more specific method of training a neural vocoder to estimate the excitation signal will be described in more detail with reference to FIGS. 2 to 5 to be described later.
  • FIG. 2 is a block diagram showing the structure of a neural vocoder system according to an embodiment.
  • the illustrated neural vocoder system 200 may represent a computer (computer system) including a neural vocoder.
  • the neural vocoder system 200 may be a fixed terminal implemented as a computer system or a mobile terminal.
  • the neural vocoder system 200 includes AI speakers, smart phones, mobile phones, navigation devices, computers, notebooks, digital broadcasting terminals, PDAs (Personal Digital Assistants), PMPs (Portable Multimedia Players), tablet PCs, and game consoles. (game console), a wearable device (wearable device), an Internet of Things (IoT) device, a virtual reality (VR) device, an augmented reality (AR) device, and the like.
  • the neural vocoder system 200 may be implemented as a server or other computing device that communicates with the above-described terminal through a network.
  • the neural vocoder system 200 may include a memory 210, a processor 220, a communication module 230, and an input/output interface 240.
  • the memory 210 is a non-transitory computer-readable recording medium, and non-destructive large capacity such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), flash memory, etc. It may include a storage device (permanent mass storage device).
  • a non-volatile mass storage device such as a ROM, SSD, flash memory, disk drive, etc., may be included in the neural vocoder system 200 as a separate permanent storage device separate from the memory 210.
  • the memory 210 has an operating system and at least one program code (for example, a code for an application installed in the neural vocoder system 200 for providing a browser or a specific service installed and operated in the neural vocoder system 200). ) Can be stored. These software components may be loaded from a computer-readable recording medium separate from the memory 210. Such a separate computer-readable recording medium may include a computer-readable recording medium such as a floppy drive, disk, tape, DVD/CD-ROM drive, and memory card. In other embodiments, software components may be loaded into memory 210 through communication module 230 rather than a computer-readable recording medium. For example, at least one program may be loaded into the memory 210 based on a computer program installed by files provided through a file distribution system (eg, an external server) that distributes installation files of developers or applications. Can.
  • a file distribution system eg, an external server
  • the processor 220 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Instructions may be provided to the processor 220 by the memory 210 or the communication module 230. For example, the processor 220 may be configured to execute a received command according to program code stored in a recording device such as the memory 210.
  • the communication module 230 may provide a function for the neural vocoder system 200 to communicate with other electronic devices or servers through a network.
  • the communication module 230 may be a hardware module such as a network interface card, a network interface chip, and a networking interface port of the neural vocoder system 200 or a software module such as a network device driver or a networking program.
  • the input/output interface 240 may be a means for interfacing with an input/output device (not shown).
  • the input device may include devices such as a keyboard, mouse, microphone, camera, and the output device may include devices such as a display, a speaker, a haptic feedback device, and the like.
  • the input/output interface 240 may be a means for interfacing with a device in which functions for input and output are integrated into one, such as a touch screen.
  • the input/output device may be a component of the neural vocoder system 200. When the neural vocoder system 200 is implemented as a server, the neural vocoder system 200 may not include an input/output device and an input/output interface 240.
  • the neural vocoder system 200 may include more components than the components shown. However, it is not necessary to clearly show most of the prior art components, which have been omitted.
  • FIG. 2 The description of the technical features described above with reference to FIG. 1 may be applied to FIG. 2 as it is, and redundant description will be omitted.
  • FIG. 3 is a block diagram showing the structure of a processor of a neural vocoder system according to an embodiment.
  • Each of the components 310 to 340 of the processor 220 to be described below may be implemented by one or more software modules and/or hardware modules. Depending on the embodiment, the components of the processor 220 may be selectively included or excluded from the processor 220. In addition, according to an embodiment, components of the processor 220 may be separated or merged to express the function of the processor 220.
  • the components of the processor 220 may be representations of different functions of the processor 220 performed by the processor 220 according to instructions provided by program code stored in the neural vocoder system 200. .
  • the parameter acquiring unit 310 of the processor 220 may acquire a plurality of acoustic parameters including spectral parameters and excitation-related parameters classified according to the periodicity of excitation.
  • the plurality of acoustic parameters acquired by the parameter acquisition unit 310 may be generated by an acoustic model based on text input from a user or a voice signal input from a speaker.
  • the excitation signal estimator 320 of the processor 220 may estimate an excitation signal based on a plurality of acoustic parameters.
  • the excitation signal estimator 320 (neural vocoder) may be trained based on an input voice signal for training.
  • the excitation signal estimator 320 may estimate an excitation signal for a plurality of acoustic parameters using a probability distribution of an excitation signal modeled through training.
  • the processor 220 may include a configuration 340 for performing the training of the neural vocoder.
  • the excitation signal separation unit 342 of the processor 220 may separate the excitation signal from the voice signal input for training by applying a linear prediction analysis filter to the voice signal input for training.
  • the signal separation unit 342 includes a conversion unit 343 that converts a parameter representing a line spectral frequency (LSF) of the voice signal input for training into Linear Predictive Coding (LPC). can do.
  • LSF line spectral frequency
  • LPC Linear Predictive Coding
  • the linear predictive analysis filter may be generated based on the transformed LPC as being based on a parameter representing LSF.
  • the modeling unit 344 of the processor 220 may model the probability distribution of the separated excitation signal.
  • the speech signal generation unit 330 of the processor 220 applies a target speech signal by applying a linear (prediction) synthesis filter based on at least one of spectrum-related parameters to the excitation signal estimated by the excitation signal estimation unit 320. Can be created.
  • the target voice signal may be an embedded voice signal.
  • the speech signal generation unit 330 may include a conversion unit 332 that converts a parameter representing the LSF of the speech signal from among the acquired spectrum-related parameters into Linear Predictive Coding (LPC).
  • LPC Linear Predictive Coding
  • the linear prediction synthesis filter may be generated based on the transformed LPC as being based on a parameter representing the LSF of a speech signal among acquired spectrum-related parameters. That is, the speech signal generator 330 may generate a target speech signal by applying a linear prediction synthesis filter based on the transformed LPC to the estimated excitation signal.
  • a more specific method of generating a target voice signal through estimating the excitation signal will be described in more detail with reference to the flowchart of FIG. 4 to be described later, and a more specific method of training a neural vocoder to estimate the excitation signal will be described later. It will be described in more detail with reference to the flow chart of 5.
  • FIG. 3 As described above, the description of the technical features described above with reference to FIGS. 1 and 2 may be applied to FIG. 3 as it is, and redundant description will be omitted.
  • FIG. 4 is a flowchart illustrating a method for generating a voice signal according to an embodiment.
  • the parameter acquiring unit 310 may acquire a plurality of acoustic parameters including spectrum-related parameters and excitation-related parameters classified according to the periodicity of the excitation.
  • the plurality of acoustic parameters acquired by the parameter obtaining unit 310 may be generated by an acoustic model based on text input from a user or a voice signal input from a speaker. That is, the parameter acquisition unit 310 may receive the plurality of acoustic parameters from the acoustic model.
  • the spectrum-related parameters may be parameters indicating a spectral component of a spectral component constituting a voice signal.
  • the related parameters may be parameters indicating a component corresponding to a residual signal (excitation signal) excluding the spectral component from the speech signal.
  • the signal of the spectral component may represent a portion of the speech signal that changes depending on the mouth shape of the speaker.
  • the excitation signal may represent a portion of the voice signal that indicates the tremor of the voice. Changes in the excitation signal can only be limited to those caused by the speaker's vocal movements.
  • the spectrum-related parameters include, for example, a frequency parameter (F0) indicating the pitch of the speech signal, an energy parameter indicating the energy of the speech signal (for example, a parameter indicating gain), a voice or unvoice of the speech signal ) May include a parameter (v/uv) indicating whether or not and a parameter indicating a line spectral frequency (LSF) of the audio signal.
  • F0 frequency parameter
  • F1 energy parameter indicating the energy of the speech signal
  • v/uv indicating whether or not
  • LSF line spectral frequency
  • the parameters related to the excitation may include parameters classified according to the periodicity of the excitation.
  • the related parameters may be, for example, Time-Frequency Trajectory Excitation (TFTE) parameters.
  • TFTE can exhibit spectral shape of excitation along the frequency axis and evolution of this shape along the time axis.
  • the excitation-related parameters include a first excitation parameter (SEW (Slowly Evolving Waveform) parameter) that represents a component that changes more slowly on the time-frequency axis of the excitation signal and a second that represents a component that changes faster on the time-frequency axis of the excitation signal
  • SEW Slowly Evolving Waveform
  • REW Rapidly Evolving Waveform
  • the first excitation parameter may indicate excitation below a predetermined cutoff frequency
  • the second excitation parameter may indicate excitation above the cutoff frequency.
  • the first excitation parameter may indicate a harmonic spectrum of the excitation
  • the second excitation parameter may indicate other parts of the excitation.
  • SEW parameter a first excitation parameter corresponding to a harmonic excitation spectrum
  • REW parameter The residual noise spectrum exceeding a predetermined cut-off frequency is a second excitation parameter (REW parameter), which can be obtained by subtracting SEW from TFTE.
  • the first excitation parameter and the second excitation parameter may correspond to an ITFTE (Improved Time-Frequency Trajectory Excitation) parameter.
  • the excitation signal estimator 320 may estimate an excitation signal based on a plurality of acoustic parameters. That is, the excitation signal estimator 320 may estimate the excitation signal as inputs of spectrum-related parameters and excitation-related parameters.
  • the estimated excitation signal may be a time sequence of the excitation signal.
  • the excitation signal estimator 320 is trained based on a voice signal input for training, and the excitation signal estimator 320 uses a probability distribution of an excitation signal modeled according to training to obtain a plurality of acoustic parameters You can estimate the excitation signal for the field.
  • the training method of the neural vocoder including the excitation signal estimator 320 will be described in more detail with reference to FIG. 5 to be described later.
  • the excitation signal estimator 320 may be implemented with, for example, WaveNet, SampleRNN, or WaveRNN. In addition, the excitation signal estimator 320 may be implemented as a general generative model, which is not limited to these.
  • step 430 the voice signal generation unit 330 applies the linear (prediction) synthesis filter based on at least one of the spectrum-related parameters to the excitation signal estimated by the excitation signal estimation unit 320, thereby generating a target voice signal.
  • the target voice signal may be an embedded voice signal. Step 430 will be described in more detail with reference to steps 432 and 434.
  • the transform unit 332 may convert a parameter representing the LSF of the speech signal among the acquired spectrum-related parameters into linear predictive coding (LPC).
  • LPC linear predictive coding
  • the linear prediction synthesis filter is based on a parameter representing the LSF of the speech signal among the obtained spectrum-related parameters, and may be generated based on the transformed LPC.
  • the speech signal generator 330 may generate a target speech signal by applying a linear prediction synthesis filter based on the LPC transformed in step 432 to the estimated excitation signal.
  • the target voice signal generated by the steps 410 to 430 is superior in quality to the voice signal generated by directly estimating the voice signal without estimating the excitation signal as a target, particularly in the high frequency region of the voice signal. Spectral distortion of can be reduced.
  • FIG. 4 As described above, the description of the technical features described above with reference to FIGS. 1 to 3 may be applied to FIG. 4 as it is, and redundant description will be omitted.
  • FIG. 5 is a flowchart illustrating a method of training a neural vocoder according to an embodiment.
  • the neural vocoder system 200 may receive a voice signal for training.
  • the voice signal for training may be directly input from the speaker to the neural vocoder system 200, or data including the voice signal may be input from the electronic device receiving the voice signal to the neural vocoder system 200.
  • the neural vocoder system 200 may extract a plurality of acoustic parameters including spectrum-related parameters and excitation-related parameters classified according to the periodicity of the excitation.
  • the neural vocoder system 200 may extract a plurality of acoustic parameters from a voice signal through speech analysis.
  • the neural vocoder system 200 may extract a plurality of acoustic parameters from a voice signal using a parametric vocoder existing inside or outside.
  • the spectrum-related parameters include, for example, a frequency parameter (F0) indicating the pitch of the speech signal, an energy parameter indicating the energy of the speech signal (eg, a parameter indicating gain), a voice or unvoice of the speech signal ) May include a parameter (v/uv) indicating whether or not and a parameter indicating a line spectral frequency (LSF) of the audio signal.
  • the parameters related to the excitation may include parameters classified according to the periodicity of the excitation.
  • the related parameters may be, for example, Time-Frequency Trajectory Excitation (TFTE) parameters.
  • TFTE can exhibit spectral shape of excitation along the frequency axis and evolution of this shape along the time axis.
  • the excitation related parameters may include a SEW parameter representing a component that changes more slowly on the time-frequency axis of the excitation signal and a REW parameter representing a component that changes faster on the time-frequency axis of the excitation signal.
  • the SEW parameter may indicate excitation below a predetermined cutoff frequency
  • the REW parameter may indicate excitation above the cutoff frequency.
  • the SEW parameter may indicate a harmonic spectrum of the excitation
  • the REW parameter may indicate other parts of the excitation.
  • the SEW parameter corresponding to the harmonic excitation spectrum can be obtained by low-pass filtering each frequency component of the TFTE along a time domain axis (with a predetermined cutoff frequency).
  • the residual noise spectrum exceeding a predetermined cutoff frequency is a REW parameter and can be obtained by subtracting SEW from TFTE.
  • steps 510 and 520 may be performed by the processor 220 of the neural vocoder system 200 similarly to the steps 530 and 540 to be described later.
  • the excitation signal separation unit 342 applies the linear prediction analysis filter based on at least one of spectrum-related parameters to the input speech signal to extract the excitation signal from the input speech signal.
  • the linear predictive analysis filter may be a filter that separates a spectral formant structure from a speech signal.
  • the separated excitation signal may be a residual component (ie, a residual signal) for the input voice signal.
  • the excitation signal can be used to reduce the amount of information among various types of excitation models, such as pulse or noise (PoN), band aperiodic (BAP), glottal excitation, and time-frequency trajectory excitation (TFTE) models. It may be approximated by at least one.
  • the conversion unit 343 of the excitation signal separation unit 342 may convert a parameter representing the LSF of the input speech signal among the spectrum-related parameters to LPC.
  • the linear predictive analysis filter is based on a parameter representing the LSF of the speech signal among the acquired spectrum-related parameters, and may be generated based on the transformed LPC.
  • the excitation signal separation unit 342 may separate the excitation signal from the speech signal by applying a linear predictive analysis filter based on the LPC to the input speech signal.
  • the modeling unit 344 may model the probability distribution of the separated excitation signal.
  • the modeling unit 344 may be implemented with, for example, WaveNet, SampleRNN, or WaveRNN.
  • the modeling unit 344 may be implemented as a general generative model, which is not limited to these.
  • the excitation signal estimator 320 may perform estimation of the excitation signal of step 420 described above using the probability distribution of the excitation signal modeled by the modeling unit 344.
  • the neural vocoder of the embodiment described above with reference to FIGS. 1 to 4 may be referred to as an ExcitNet vocoder in that it trains an excitation signal and estimates the excitation signal to generate a synthesized speech signal.
  • the process of training the excitation signal can be much simpler (compared to training the voice signal).
  • the ITFTE parameter as a conditional feature that effectively represents the degree of periodicity of the excitation signal, the probability distribution modeling accuracy of the excitation signal can be greatly improved.
  • FIG. 5 As described above, the description of the technical features described above with reference to FIGS. 1 to 4 may be applied to FIG. 5 as it is, and redundant description will be omitted.
  • a speaker adaptive model capable of generating a synthesized voice of a high-quality target speaker with only a small amount (ie, a short time) of voice data from the target speaker is constructed, and the target Describes how to create a speaker's synthesized speech.
  • FIG. 6 illustrates a method of generating a synthesized speech of a target speaker by constructing a speaker adaptive model according to an embodiment.
  • the voice data set may represent a voice signal or data including a voice signal.
  • the voice data set may represent a voice signal recorded for a certain period of time from the speaker.
  • Source model 610 may be an acoustic model trained on speech data sets from a plurality of speakers.
  • the source model 610 may be a speaker-independent trained acoustic model for a plurality of speakers.
  • the source model 610 may be a speaker-independent trained acoustic model, using a 1 hour voice data set from each of the 10 speakers.
  • the source model 610 may be designed using a deep learning-based statistical parametric speech synthesis (SPSS) system.
  • SPSS statistical parametric speech synthesis
  • the acoustic model 110 may be, for example, a DNN TTS module.
  • the source model 610 trained speaker-independent through voice data sets from a plurality of speakers may be used as an initializer of the speaker adaptive model 620.
  • weight values from the source model 610 may be set as initial values in training the speech data set from the target speaker of the speaker adaptive model 620.
  • the weight values from the source model 610 can, for example, correspond to the acoustic parameters described above.
  • the speaker adaptive model 620 may be implemented using a neural vocoder.
  • Neural vocoders may be trained using deep learning models.
  • the neural vocoder can be, for example, WaveNet, SampleRNN, ExcitNet or WaveRNN. Further, the neural vocoder may be a general generative model that is not limited to these.
  • the speaker adaptation model 620 may be trained speaker-dependent for a specific speaker by applying a speaker adaptation algorithm.
  • the speaker adaptive model 620 may be trained speaker-specific for a specific target speaker (eg, celebrity, celebrity, etc.).
  • the speaker adaptive model 620 can generate updated weight value(s) by training a set of speech data from the target speaker.
  • the speaker adaptive model 620 trains a set of speech data from the target speaker by using the weight values from the speaker-independently trained source model 610 as an initial value, rather than a random value, so that the relatively small size ( That is, it is possible to generate a synthesized speech (synthetic speech signal) of a high-quality target speaker only by training a short time) speech data set.
  • the speaker adaptive model 620 can generate a synthesized voice of a high-quality target speaker just by training a voice data set of the target speaker within 10 minutes.
  • FIG. 7 is a block diagram showing the structure of a processor of a neural vocoder according to an embodiment.
  • the processor 220 described with reference to FIG. 7 may correspond to the processor 220 described above with reference to FIG. 3.
  • Each of the components 710 to 720 of the processor 220 to be described below may be implemented by one or more software modules and/or hardware modules.
  • the components of the processor 220 may be selectively included or excluded from the processor 220.
  • components of the processor 220 may be separated or merged to express the function of the processor 220.
  • the components 710 to 720 may be representations of different functions of the processor 220 performed by the processor 220 according to an instruction provided by the program code stored in the neural vocoder system 200. .
  • the processor 220 may include a speaker adaptive model building unit 720.
  • the speaker adaptive model construction unit 720 may set weight values from the source model 610 trained independently for the speech data sets from a plurality of speakers as initial values, and set initial values For, we can build a speaker adaptive model 620 that generates updated weight values by training a set of speech data from a target speaker. The updated weight values generated through the speaker adaptive model 620 may be used to generate a synthesized speech corresponding to the target speaker.
  • the processor 220 may further include a source model building unit 710.
  • the source model construction unit 710 may build a source model 610 that trains voice data sets from a plurality of speakers independently of a speaker.
  • the built source model 610 can be operated as an initializer of the model for training a set of speech data from the target speaker.
  • the source model building unit 710 is not included in the processor 220 and may be implemented in a separate device from the neural vocoder system 200.
  • the speaker adaptive model building unit 720 obtains a weight value from the source model 610 built by the source model building unit 710 implemented in such a separate device to build the speaker adaptive model 620 You can train the target speaker's voice data set to do so.
  • FIG. 7 As described above, the description of the technical features described above with reference to FIGS. 1 to 6 may be applied to FIG. 7 as it is, and redundant description will be omitted.
  • FIG. 8 is a flowchart illustrating a training method of a neural vocoder for constructing a speaker adaptive model according to an embodiment.
  • the source model building unit 710 may build a source model 610 for training the speaker data independently from a plurality of speakers.
  • the plurality of speakers may be any users providing a set of voice data for training the source model 610.
  • the speaker adaptive model building unit 720 may obtain weight values from the source model 610.
  • the weight values from the source model 610 may represent values representing global characteristics that are not classified for each speaker included in speech data sets from a plurality of speakers.
  • the global characteristic may indicate, for example, a formant characteristic or an amplitude-frequency characteristic (pattern) for a specific pronunciation (eg,'ah' or'ee').
  • the source model 610 can train speaker-independent global characteristics of such speech using speech data sets from multiple speakers.
  • the speaker adaptive model construction unit 720 may set weight values obtained from the source model 610 as initial values.
  • the source model 610 may be used as an initializer of the speaker adaptive model 620 built by the speaker adaptive model building unit 720.
  • the speaker adaptive model building unit 720 may generate updated weight values by training a speech data set from the target speaker with respect to the obtained initial value.
  • the speaker adaptive model building unit 720 adapts to the target speaker (ie, is dependent on the target speaker) by training a set of speech data from the target speaker on initial values from the source model 610.
  • An adaptive model 620 can be built.
  • the speaker adaptive model building unit 720 may generate updated weight values by adjusting the weight values from the source model 610 to reflect the unique characteristics of the target speaker included in the speech data set from the target speaker. have.
  • the speaker adaptive model constructing unit 720 uniquely targets the target speaker with a value indicating a global characteristic that is not classified for each speaker from the source model 610 through training a voice data set from the target speaker. By fine-tuning to include, it is possible to generate updated weight values.
  • the generated updated weight values can be used to generate a synthesized speech signal corresponding to the target speaker.
  • the synthesized voice signal corresponding to the target speaker may be, for example, a synthesized voice of the celebrity corresponding to the target speaker.
  • Each size of the voice data sets from a plurality of speakers for training the source model 610 i.e., the length of the recorded voice signal, e.g., 1 hour or more
  • the size of the voice data set from the target speaker That is, the length of the recorded audio signal may be greater than, for example, 10 minutes).
  • the target speaker's unique characteristics can be captured from the target speaker's speech data set through a fine-tuning mechanism of the adaptation process as described in step 830. Therefore, through the method of the described embodiment, even if the voice data set for training from the target speaker is insufficient, vocoding performance may be improved.
  • the training method of the neural vocoder described above with reference to FIGS. 6 to 8 may be combined with the training method of the neural vocoder of the embodiment described above with reference to FIGS. 1 to 4 and the method of generating a synthesized speech signal.
  • the ExcitNet vocoder described above can be combined with the embodiments described above with reference to FIGS. 6 to 8.
  • a neural vocoder trained by performing steps 810 to 840 may correspond to the neural vocoder system 200 described above with reference to FIGS. 1 to 4.
  • the target voice signal generated in step 430 may be a synthesized voice signal corresponding to the target speaker trained by the speaker adaptive model 620.
  • FIG. 8 As described above, the description of the technical features described above with reference to FIGS. 1 to 7 may be applied to FIG. 8 as it is, and redundant description will be omitted.
  • FIG. 9 shows a voice signal and an excitation signal according to an example, and a relationship therebetween.
  • Equation 1 the relationship between S(n) and e(n) is expressed by Equation 1 below. Can be expressed together.
  • h(n) may represent a linear prediction synthesis filter.
  • h(n) may represent other components (ie, spectral components) except for the e(n) component of S(n).
  • h(n) may be generated based on a parameter representing LSF of S(n).
  • Equation 1 can be similarly applied to the separation of the excitation signal (ie, e(n)) of step 530 described above with reference to FIG. 5. That is, the excitation signal e(n) can be separated from the speech signal S(n) by applying a linear predictive analysis filter to the speech signal S(n) input for training.
  • a linear predictive analysis filter A specific example of the linear predictive analysis filter will be described in more detail with reference to FIG. 13.
  • FIG. 9 As described above, the description of the technical features described above with reference to FIGS. 1 to 8 may be applied to FIG. 9 as it is, and redundant description will be omitted.
  • 10A to 10C show statistical parametric speech synthesis (SPSS) systems for generating synthetic speech signals using different types of vocoders.
  • SPSS statistical parametric speech synthesis
  • FIG. 10A is for speech synthesis including an acoustic model 1010 and an LPC synthesis module 1020 that generates a speech signal by synthesizing acoustic features (sound parameters) from the acoustic model 1010 by Linear Predictive Coding (LPC).
  • LPC Linear Predictive Coding
  • the LPC synthesis module 1020 is an LPC vocoder, and may correspond to, for example, the linear predictive synthesis filter described above.
  • WaveNet vocoder 1022 as a neural vocoder that estimates a speech signal based on the acoustic model 1010 and acoustic features (acoustic parameters) from the acoustic model 1010.
  • FIG. 10C can illustrate a framework for speech synthesis using the ExcitNet vocoder 1024, as described above with reference to FIGS. 1-5.
  • the structure illustrated in FIG. 10C may be a combination of the LPC coder 1020 of FIG. 10A and the WaveNet vocoder 1022 of FIG. 10B.
  • the ExcitNet vocoder 1022 can estimate the excitation signal based on the acoustic features (acoustic parameters) from the acoustic model 1010.
  • the estimated excitation signal may be converted as a target speech signal according to LPC (Linear Predictive Coding) synthesis through the linear prediction synthesis filter 1030.
  • LPC Linear Predictive Coding
  • FIG. 10C A more detailed example of the structure of FIG. 10C is described in more detail with reference to FIGS. 12 and 14.
  • FIGS. 10A to 10C As described above, the description of the technical features described above with reference to FIGS. 1 to 9 may be applied to FIGS. 10A to 10C as it is, and redundant description will be omitted.
  • 11 and 13 illustrate a method of training a neural vocoder by separating an excitation signal from an input voice signal for training according to an embodiment.
  • the parametric vocoder 1110 may extract acoustic parameters.
  • the linear prediction analysis filter 1140 generated based on the spectrum-related parameters among the extracted acoustic parameters is applied, so that the excitation signal can be separated from the input speech signal.
  • the WaveNet vocoder 1130 may configure and receive the extracted acoustic parameters as auxiliary features (1120).
  • the auxiliary feature may include the above-described spectrum related parameters and excitation related parameters.
  • the WaveNet vocoder 1130 may model the probability distribution of the excitation signal based on the auxiliary feature and the separated excitation signal.
  • the WaveNet vocoder 1130 may also be implemented as an excitNet vocoder or a neural vocoder of other general generative models.
  • the audio signals input for training may be extracted with acoustic features (acoustic parameters) according to the speech analysis 1310.
  • a parameter representing LSF may be converted to LPC (1320).
  • the linear predictive analysis filter 1340 may be implemented based on the transformed LPC.
  • the linear prediction analysis filter 1340 is applied to the input speech signal, so that the excitation signal can be separated from the input speech signal.
  • the separated excitation signal may be input to an ExcitNet model (ie, ExcitNet vocoder) 1350.
  • acoustic parameters may be configured as auxiliary features (1330), and auxiliary features may be input to the ExcitNet model (1350.
  • ExcitNet model 1350 is input auxiliary features (ie, acoustic) Parameters) and the probability distribution of the excitation signal based on the separated excitation signal, in the illustrated example, e n may correspond to the separated excitation signal.
  • 12 and 14 illustrate a method of generating a synthesized speech signal by estimating an excitation signal from acoustic parameters generated by an acoustic model based on input text according to an embodiment.
  • the acoustic model 1150 can generate acoustic parameters based on the received language parameters.
  • the WaveNet vocoder 1170 may configure and receive acoustic parameters as auxiliary features (1160).
  • the auxiliary feature may include the above-described spectrum related parameters and excitation related parameters.
  • the WaveNet vocoder 1170 may estimate an excitation signal based on acoustic parameters.
  • the WaveNet vocoder 1170 may also be implemented as an excitNet vocoder or other neural vocoder of a general generative model.
  • a target synthesized speech may be generated by applying a linear prediction synthesis filter 1180 generated based on a spectrum-related parameter among the extracted acoustic parameters to the estimated excitation signal.
  • Language features can be extracted by performing a text analysis on the input text (1010) for the generation of the synthesized speech signal.
  • a duration model 1420 for estimating phoneme duration may be further used, as illustrated.
  • the acoustic model 1430 can generate acoustic features (acoustic parameters) from the extracted language features.
  • a parameter indicating LSF may be converted to LPC (1440).
  • a linear prediction synthesis filter 1470 may be implemented based on the transformed LPC.
  • the acoustic parameters may be configured as auxiliary features (1450), and the auxiliary features may be input to an ExcitNet model (ie, ExcitNet vocoder) 1460.
  • the ExcitNet model 1460 can estimate the excitation signal based on the input auxiliary features (ie, acoustic parameters).
  • a target speech signal may be generated by applying a linear predictive synthesis filter 1470 based on the transformed LPC to the estimated excitation signal.
  • Can correspond to the generated target voice signal
  • Can correspond to the estimated excitation signal.
  • FIG. 15 is an acoustic parameter of a negative log-likelihood (NLL) obtained during a training process/generating a synthesized speech signal according to an example, according to whether or not to use parameters classified according to periodicity. It is a graph showing.
  • NLL negative log-likelihood
  • the NLL In the training process, the lower the NLL, the higher the accuracy of modeling. In the illustrated graph, it can be confirmed that the NLL in the case of using the ITFTE parameters such as the above-described SEW parameter and REW parameter is lower than that in the case where it is not.
  • FIG. 15 As described above, the description of the technical features described above with reference to FIGS. 1 to 14 may be applied to FIG. 15 as it is, and redundant description will be omitted.
  • 16 schematically shows a speaker-dependent characteristic and a speaker-independent characteristic of a voice signal for a voice signal from a plurality of speakers according to an example.
  • 17 is a diagram of a synthesized speech of a target speaker using a source model constructed by training speech data sets from a plurality of speakers according to an example, and a speaker adaptive model constructed by training speech data sets from a target speaker. It shows how to create.
  • speaker-independent features may be features common to the voices of speakers (speakers 1 to 3).
  • speaker-independent features may represent global characteristics that are not distinguished by speaker.
  • the speaker-dependent characteristics may represent unique characteristics for each speaker.
  • the source model 610 can be built by training speech data sets from a plurality of speakers independently of a speaker, and based on weight values from this source model 610, from a target speaker.
  • a speaker adaptive model 620 dependent on the target speaker can be built.
  • the weight value from the source model 610 can be fine-tuned to reflect the unique characteristics of the target speaker as the speech data set from the target speaker is trained in the speaker adaptive model 620.
  • the source model 610 and speaker adaptive model 620 can be implemented using an ExcitNet model.
  • a speaker adaptation algorithm may be applied to a neural vocoder.
  • a speaker adaptation algorithm may be similarly applied to an acoustic model (eg, DNN TTS) corresponding to the source model 610.
  • Scores in FIGS. 18 and 19 represent averages of scores evaluated by evaluators by listening to a voice signal.
  • RAW may correspond to the original voice signal.
  • the quality of the synthesized speech signal is high when the speaker adaptation algorithm is applied to both the WaveNet model and the ExcitNet model. That is, it can be confirmed that the case in which the synthesized speech signal is generated by constructing the speaker adaptive model 620 (with SA) as described above with reference to FIGS. 6 to 8 shows superior performance compared to the case where it is not.
  • 19 shows a result of comparative evaluation of the quality of a more detailed synthetic speech signal. 19 will be described in more detail below.
  • the ExcitNet model may be a WaveNet based neural excitation model for a statistical parametric speech synthesis (SPSS) system.
  • the WaveNet-based neural vocoding system greatly improves the recognition quality of a synthesized speech signal, but often outputs noise because it may not capture the complex time-varying characteristics of the speech signal.
  • ExcitNet-based neural vocoding systems can be trained by separating residual components (i.e., excitation signals) using adaptive inverse filters (e.g. within the WaveNet framework) that separate spectral components from speech signals. In generating a signal, the excitation signal can be estimated as a target. Through this method, since the spectral component of the speech signal can be better represented by the deep learning framework and the residual component is efficiently generated by the WaveNet framework, the quality of the synthesized speech signal can be improved.
  • Tables 2 and 3 below show the distortion between the original voice and the generated voice as a result of an objective test in LSD (Log-Spectral Distance) (dB) and F0 RMSE (Root Mean Square Error) (Hz), respectively.
  • WN denotes a WaveNet vocoder
  • WN-NS denotes the application of a noise-shaping method to the WaveNet vocoder
  • ExcitNet denotes an ExcitNet vocoder.
  • the area with the smallest error is shown in bold.
  • Tables 2 and 3 may be the results measured for voiced sounds.
  • the ExcitNet vocoder has the lowest distortion between the original voice and the generated voice.
  • Table 4 below shows the LSD (dB) measured for unvoiced and transition regions.
  • the ExcitNet vocoder has the lowest distortion between the original voice and the generated voice.
  • Tables 5 and 6 below show the results (%) of the preference test as a result of the subjective test. The part with high preference from the listener is indicated in bold in the table. Compared to the rest, it can be confirmed that the recognition quality of the synthesized speech is remarkably excellent in the case of the ExcitNet vocoder.
  • the evaluator was a listener who spoke 12 Koreans as their native language, and tests were conducted on 20 randomly selected utterances.
  • MOS MoS
  • A/S analysis/synthesis
  • the SI-ExcitNet vocoder showed similar performance to the ITFTE vocoder, but was much better than the WORLD system. In all cases, the SD-ExcitNet vocoder showed the best recognition quality (representing 4.35 and 4.47 MOS for KRF and KRM speakers, respectively). Because it is difficult to express a high-pitched female voice, MOS results for KRF speakers were worse than for KRM speakers for SI vocoders (WORLD, ITFTE, and SI-ExcitNet). On the other hand, SD-ExcitNet's results for KRF speakers are similar to those for KRM speakers, indicating that the characteristics of each speaker must be modeled to effectively express high-pitched voices.
  • both SD and SI-ExcitNet vocoders showed much better recognition quality than parametric ITFTE vocoders.
  • the ExcitNet vocoder could mitigate the smoothing effect by directly estimating the time domain excitation signal.
  • SPSS systems using SD-ExcitNet vocoder achieved 3.78 and 3.85 MOS for KRF and KRM speakers, respectively.
  • the SI-ExcitNet vocoder achieved 2.91 and 2.89 MOS for KRF and KRM speakers, respectively.
  • the neural vocoder of the embodiment can construct a high-quality speech synthesis system even when training data from a target speaker is insufficient, such as a speech data set of only 10 minutes.
  • the neural vocoder of the embodiment is a speaker-independently trained source model capable of extracting universal characteristics for a plurality of speakers in order to solve a problem of a lack of target speaker-related information caused by limited training data for a target speaker ( 610).
  • the weight value from this source model 610 is used to initiate the training of the speaker adaptive model 620 and can be fine-tuned to indicate the unique characteristics of the target speaker.
  • the deep neural network can capture the characteristics of the target speaker, the discontinuity problem occurring in the speaker-independent model can be reduced.
  • the experimental results to be described later also show that the neural vocoder of the embodiment significantly improves the recognition quality of synthesized speech compared to the conventional method.
  • SD represents a speaker-trained model (without taking the weight from the source model 610 as an initial value)
  • SI represents a speaker-independent trained model
  • SA is described above with reference to FIGS. 6 to 8.
  • a speaker-adapted trained model that is, a speaker-trained model using a weight from the source model 610 as an initial value
  • Table 7 and Table 8 below show the distortion between the original voice and the generated voice as a result of an objective test in LSD (Log-Spectral Distance) (dB) and F0 RMSE (Root Mean Square Error) (Hz), respectively.
  • Table 7 shows the evaluation (A/S) of the results of analysis/synthesis when acoustic features extracted from the recorded voice are used directly to construct auxiliary features.
  • Table 8 shows the evaluation of the results in SPSS. The area with the smallest error is shown in bold.
  • FIG. 21 shows an F0 scaling factor according to an example It shows the performance change of the neural vocoder that builds the speaker adaptive model in the case where is different.
  • the performance change of the neural vocoder when F0 was manually changed was investigated. It has been found that the SI model is effective in generating synthetic speech with pitch correction.
  • the SA model also utilizes the SI model, so it can be expected to show higher performance than the SD approach.
  • the F0 trajectory was generated by the SPSS framework and then multiplied by scaling factors (0:6, 0:8, 1:0 and 1:2) to correct the auxiliary feature vector.
  • Speech signals were synthesized using the neural vocode system.
  • the ExcitNet vocoder shows much better performance than the WaveNet vocoder. Since the ExcitNet vocoder trains changes in vocal movement (changes in the signal here), it can be seen that the F0 modified voice segment can be reconstructed more flexibly than the WaveNet-based approach.
  • the SD-WaveNet vocoder showed the worst result because it could not train the characteristics of the target speaker with limited training data.
  • SI-WaveNet vocoder showed similar performance to ITFTE vocoder and showed superior performance than WORLD system. It was confirmed that the utilization of SA in all WaveNet vocoders showed excellent performance.
  • the results for the ExcitNet vocoder tended to be similar to that of the WaveNet vocoder, the ExcitNet vocoder showed much better performance overall by improving the modeling accuracy of the remaining signals by separating the formant components of the speech signal through the LP inverse filter. appear.
  • SA-ExcitNet vocoder achieved 4.40 MOS in A/S results.
  • the device described above may be implemented with hardware components, software components, and/or combinations of hardware components and software components.
  • the devices and components described in the embodiments include a processor, controller, arithmetic logic unit (ALU), digital signal processor (micro signal processor), microcomputer, field programmable gate array (FPGA), programmable It may be implemented using one or more general purpose computers or special purpose computers, such as a logic unit, microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may perform an operating system (OS) and one or more software applications running on the operating system.
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of the software.
  • a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that may include.
  • the processing device may include a plurality of processors or a processor and a controller.
  • other processing configurations such as parallel processors, are possible.
  • the software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device.
  • Software and/or data may be embodied in any type of machine, component, physical device, computer storage medium, or device in order to be interpreted by the processing device or to provide instructions or data to the processing device. have.
  • the software may be distributed on networked computer systems, and stored or executed in a distributed manner.
  • Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • the medium may continuously store a program executable on a computer or may be temporarily stored for execution or download.
  • the medium may be various recording means or storage means in the form of a single or several hardware combinations, and is not limited to a medium directly connected to a computer system, but may be distributed on a network. Examples of the medium include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floptical disks, And program instructions including ROM, RAM, flash memory, and the like. Also, examples of other media include an application store for distributing applications, a site for distributing or distributing various software, and a recording medium or storage medium managed by a server.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

스펙트럼 관련 파라미터들 및 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하고, 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하고, 추정된 여기 신호에 대해 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 뉴럴 보코더에 의한 음성 신호 생성 방법이 제공된다. 뉴럴 보코더는, 복수의 화자들로부터의 음성 데이터 세트들에 대해 화자 독립적으로 훈련된 소스 모델로부터의 가중치 값들을 초기 값으로 설정하고, 해당 초기 값에 대해 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 것을 포함하는 훈련 방법에 의해 훈련될 수 있다. 상기 업데이트된 가중치 값들은 타겟 화자에 대응하는 합성 음성을 생성하기 위해 사용된다.

Description

화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법
아래의 설명은 뉴럴 보코더를 사용하는 합성 음성 신호 생성 방법과 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법에 관한 것이다.
또한, 아래의 설명은 화자 적응형 모델을 통해 타겟 화자의 합성 음성 신호를 생성하는 뉴럴 보코더 및 화자 적응형 모델을 구현하기 위한 뉴럴 보코더의 훈련 방법에 관한 것이다.
음성 합성 기술은 입력된 데이터에 기반하여 사람의 음성과 유사한 합성음을 만들어내는 기술이다. 일례로, TTS(Text to speech)는 입력된 텍스트를 사람의 음성으로 변환하여 제공한다.
이러한 합성 음성은 입력된 음향 파라미터에 기반하여 음성 신호를 생성하는 보코더에 의해 생성된다. 최근에는, 인공지능 및 딥러닝 기술의 발전에 따라 합성 음성의 생성에 있어서 인공 신경망을 활용하는 뉴럴 보코더가 제안되고 있다. 뉴럴 보코더는 화자들로부터의 음성 데이터를 사용하여 화자 독립적으로 또는 화자 종속적으로 훈련되고, 훈련의 결과를 사용하여 입력된 음향 파라미터들에 대해 합성 음성 신호를 생성할 수 있다.
뉴럴 보코더가 특정한 타겟 화자에 대응하는 합성 음성 신호를 생성하기 위해서는, 뉴럴 보코더는 해당 타겟 화자로부터의 음성 데이터를 사용하여 훈련될 필요가 있다. 일정 이상의 품질을 갖는 합성 음성 신호를 생성하기 위해서는 일반적으로 수시간 이상의 타겟 화자의 음성 녹음을 포함하는 음성 데이터가 요구되며, 훈련을 위한 음성 데이터가 불충분한 경우에는 생성되는 합성 음성 신호의 품질이 저하되거나 왜곡이 발생하게 된다. 타겟 화자가 일반인이 아닌 연예인, 유명인 등과 같은 셀럽(celebrity)인 경우 수시간 이상의 음성 녹음을 훈련 데이터로서 확보하기가 어려운 경우가 많다. 따라서, 훈련을 위한 타겟 화자로부터의 음성 데이터의 양을 최소화할 수 있으면서 합성 음성 신호의 품질을 높일 수 있도록 하는 뉴럴 보코더 시스템이 요구된다.
한편, 음성 신호에 기반하여 합성 음성 신호를 생성함에 있어서, 음성 신호는 다이내믹한 특성을 가지므로 인공 신경망(예컨대, CNN)이 이러한 음성 신호의 다이내믹한 특성을 완전히 포착하기는 어렵다. 특히, 음성 신호의 고주파수 영역에 있어서는 스펙트럼 왜곡이 발생하기 쉬우며, 이는 합성 음성 신호의 품질 저하로 이어질 수 있다. 따라서, 고주파수 영역에 있어서의 스펙트럼 왜곡을 저감하고 합성 음성 신호의 품질을 높일 수 있으면서, 음성 데이터를 훈련하는 과정 역시 간략화할 수 있는 뉴럴 보코더 시스템이 또한 요구된다.
한국공개특허 제10-2018-0113325호(공개일 2018년 10월 16일)는 음성 합성 장치가 음성 파형을 합성함에 있어서, 개발자나 사용자의 의도대로 합성음의 음성을 변조할 수 있도록 음성 합성기의 음성 모델을 부호화하고, 음성 모델 코드를 변환하고, 음성 모델을 복호화하여 변조된 음성 파형을 합성할 수 있도록 하는 기능을 제공하는 음성합성 장치 및 방법을 설명하고 있다.
상기에서 설명된 정보는 단지 이해를 돕기 위한 것이며, 종래 기술의 일부를 형성하지 않는 내용을 포함할 수 있으며, 종래 기술이 통상의 기술자에게 제시할 수 있는 것을 포함하지 않을 수 있다.
스펙트럼 관련 파라미터들 및 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하고, 복수의 음향 파라미터들에 기반하여 여기 신호를 추정하고, 추정된 여기 신호에 대해 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 뉴럴 보코더에 의한 음성 신호 생성 방법을 제공할 수 있다.
복수의 화자들로부터의 음성 데이터 세트들에 대해 화자 독립적으로 훈련된 소스 모델로부터의 가중치 값들을 초기 값으로 설정하고, 해당 초기 값에 대해 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 뉴럴 보코더의 훈련 방법을 제공할 수 있다.
일 측면에 있어서, 컴퓨터에 의해 구현되는 뉴럴 보코더(neural vocoder)에 의해 수행되는 음성 신호 생성 방법에 있어서, 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 단계, 상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 단계 및 상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 단계를 포함하는, 음성 신호 생성 방법이 제공된다.
상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함할 수 있다.
상기 제1 여기 파라미터는 상기 여기의 고조파 스펙트럼(harmonic spectrum)을 나타내고, 상기 제2 여기 파라미터는 상기 여기의 그 외의 부분을 나타낼 수 있다.
상기 스펙트럼 관련 파라미터들은, 음성 신호의 피치를 나타내는 주파수 파라미터, 음성 신호의 에너지를 나타내는 에너지 파라미터, 음성 신호의 유성음(voice) 또는 무성음(unvoice) 여부를 나타내는 파라미터 및 음성 신호의 라인 스펙트럼 주파수(Line Spectral Frequency; LSF)를 나타내는 파라미터를 포함할 수 있다.
상기 타겟 음성 신호를 생성하는 단계는, 상기 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계 및 상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용하는 단계를 포함할 수 있다.
상기 복수의 음향 파라미터들은 입력된 텍스트 또는 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 것일 수 있다.
상기 뉴럴 보코더는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것이고, 상기 훈련은, 상기 입력된 음성 신호에 대해 선형 예측 분석 필터(Linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 단계 및 상기 분리된 여기 신호의 확률 분포를 모델링하는 단계를 포함하고, 상기 여기 신호를 추정하는 단계는, 상기 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정할 수 있다.
상기 여기 신호를 분리하는 단계는, 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계 및 상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용하는 단계를 포함할 수 있다.
상기 분리된 여기 신호는 상기 입력된 음성 신호에 대한 잔차 성분(residual component)일 수 있다.
다른 일 측면에 있어서, 컴퓨터에 의해 구현되는 뉴럴 보코더의 훈련 방법에 있어서, 음성 신호를 입력 받는 단계, 상기 입력된 음성 신호로부터 스펙트럼 관련 파라미터들 및 여기의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 추출하는 단계, 상기 입력된 음성 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 예측 분석 필터를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 단계 및 상기 분리된 여기 신호의 확률 분포를 모델링하는 단계를 포함하는, 뉴럴 보코더의 훈련 방법이 제공된다.
상기 여기 신호를 분리하는 단계는, 상기 스펙트럼 관련 파라미터들 중 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 LPC로 변환하는 단계 및 상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용하는 단계를 포함할 수 있다.
상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함할 수 있다.
또 다른 일 측면에 있어서, 뉴럴 보코더에 있어서, 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 파라미터 획득부, 상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 여기 신호 추정부 및 상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 음성 신호 생성부를 포함하는, 뉴럴 보코더가 제공된다.
상기 음성 신호 생성부는 상기 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부를 포함하고, 상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용할 수 있다
상기 뉴럴 보코더는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것이고, 상기 뉴럴 보코더는, 상기 입력된 음성 신호에 대해 선형 예측 분석 필터(linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 여기 신호 분리부 및 상기 분리된 여기 신호의 확률 분포를 모델링하는 모델링부를 더 포함할 수 있고, 상기 여기 신호 추정부는, 상기 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정할 수 있다.
상기 여기 신호 분리부는 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부를 포함하고, 상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용할 수 있다.
또 다른 일 측면에 있어서, 컴퓨터에 의해 구현되는 뉴럴 보코더의 훈련 방법에 있어서, 복수의 화자들로부터의 음성 데이터 세트들에 대해 훈련된 소스 모델로부터의 가중치 값(weight)들을 초기 값으로 설정하는 단계 및 상기 초기 값에 대해, 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 단계를 포함하고, 상기 업데이트된 가중치 값들은 상기 타겟 화자에 대응하는 합성 음성 신호를 생성하기 위해 사용되는, 뉴럴 보코더의 훈련 방법이 제공된다.
상기 소스 모델로부터의 가중치 값(weight)들은 상기 음성 데이터 세트들에 포함된 화자 별로 구분되지 않는 글로벌 특성을 나타내는 값들이고, 상기 업데이트된 가중치 값들을 생성하는 단계는, 상기 소스 모델로부터의 가중치 값들을 상기 타겟 화자로부터의 음성 데이터 세트가 포함하는 상기 타겟 화자의 고유한 특성이 반영되도록 조정함으로써, 상기 업데이트된 가중치 값들을 생성할 수 있다.
상기 복수의 화자들로부터의 음성 데이터 세트들의 각각의 크기는, 상기 타겟 화자로부터의 음성 데이터 세트의 크기보다 더 클 수 있다.
상기 뉴럴 보코더의 훈련 방법은 상기 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련하는 소스 모델을 구축하는 단계 및 상기 소스 모델로부터 상기 가중치 값들을 획득하는 단계를 더 포함하고, 상기 소스 모델은 상기 타겟 화자로부터의 음성 데이터 세트를 훈련하기 위한 모델의 초기화기(initializer)로서 사용될 수 있다.
상기 훈련 방법에 따라 훈련된 뉴럴 보코더에 의해 수행되는 음성 신호 생성 방법에 있어서, 입력된 텍스트 또는 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 단계, 상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 단계 및 상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 단계를 포함하고, 상기 타겟 음성 신호는 상기 타겟 화자에 대응하는 합성 음성인, 음성 신호 생성 방법이 제공된다.
상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함할 수 있다.
상기 타겟 음성 신호를 생성하는 단계는, 상기 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계 및 상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용하는 단계를 포함할 수 있다.
상기 여기 신호를 추정하는 단계는, 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정하고, 상기 여기 신호의 확률 분포의 모델링은, 훈련을 위해 입력된 음성 신호에 대해 선형 예측 분석 필터(Linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 단계 및 상기 분리된 여기 신호의 확률 분포를 모델링하는 단계를 포함하는 방법에 의해 수행될 수 있다.
상기 여기 신호를 분리하는 단계는, 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계 및 상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용하는 단계를 포함할 수 있다.
또 다른 일 측면에 있어서, 뉴럴 보코더에 있어서, 복수의 화자들로부터의 음성 데이터 세트들에 대해 화자 독립적으로 훈련된 소스 모델로부터의 가중치 값(weight)들을 초기 값으로 설정하고, 상기 초기 값에 대해, 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 화자 적응형 모델을 구축하는 화자 적응형 모델 구축부를 포함하고, 상기 화자 적응형 모델을 통해 생성된 상기 업데이트된 가중치 값들은 상기 타겟 화자에 대응하는 합성 음성을 생성하기 위해 사용되는, 뉴럴 보코더가 제공된다.
상기 뉴럴 보코더는 상기 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련하는 소스 모델을 구축하는 소스 모델 구축부를 더 포함하고, 상기 소스 모델은 상기 타겟 화자로부터의 음성 데이터 세트를 훈련하기 위한 모델의 초기화기(initializer)로서 동작될 수 있다.
상기 뉴럴 보코더는 입력된 텍스트 또는 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 파라미터 획득부, 상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 여기 신호 추정부 및 상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 음성 신호 생성부를 더 포함하고, 상기 타겟 음성 신호는 상기 타겟 화자에 대응하는 합성 음성일 수 있다.
상기 음성 신호 생성부는 상기 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부를 포함하고, 상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용할 수 있다.
상기 뉴럴 보코더는 훈련을 위해 입력된 음성 신호에 대해 선형 예측 분석 필터(linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 여기 신호 분리부 및 상기 분리된 여기 신호의 확률 분포를 모델링하는 모델링부를 더 포함하고, 상기 여기 신호 추정부는, 상기 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정할 수 있다.
상기 여기 신호 분리부는 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부를 포함하고, 상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용할 수 있다.
뉴럴 보코더가 여기 신호를 타겟으로 하여 추정을 수행하고, 추정된 여기 신호에 대해 선형 예측 필터를 적용하는 것을 통해 타겟 음성 신호가 생성됨으로써, 생성된 타겟 음성 신호의 품질을 높일 수 있으며, 특히, 음성 신호의 고주파수 영역에 있어서의 스펙트럼 왜곡을 저감할 수 있다.
랜덤 값이 아닌 화자 독립적으로 훈련된 소스 모델로부터의 가중치 값들을 초기 값으로 사용하여 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써, 상대적으로 작은 크기(즉, 짧은 시간)의 음성 데이터 세트를 훈련하는 것만으로도 높은 품질의 타겟 화자의 합성 음성(합성 음성 신호)을 생성할 수 있다.
도 1은 일 실시예에 따른 입력된 텍스트 또는 음성 신호에 기반하여 합성 음성 신호를 생성하는 방법을 나타낸다.
도 2는 일 실시예에 따른 뉴럴 보코더 시스템의 구조를 나타내는 블록도이다.
도 3은 일 실시예에 따른 뉴럴 보코더 시스템의 프로세서의 구조를 나타내는 블록도이다.
도 4는 일 실시예에 따른 음성 신호 생성 방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 뉴럴 보코더를 훈련시키는 방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 화자 적응형 모델을 구축하여 타겟 화자의 합성 음성을 생성하는 방법을 나타낸다.
도 7은 일 실시예에 따른 뉴럴 보코더의 프로세서의 구조를 나타내는 블록도이다.
도 8은 일 실시예에 따른 화자 적응형 모델을 구축하기 위한 뉴럴 보코더의 훈련 방법을 나타내는 흐름도이다.
도 9는 일 예에 따른 음성 신호 및 여기 신호와 그 관계를 나타낸다.
도 10a 내지 10c는 각각 다른 종류의 보코더를 사용하는 합성 음성 신호 생성을 위한 통계적 파라메트릭 음성 합성(Statistical Parametric Speech Synthesis; SPSS) 시스템을 나타낸다.
도 11 및 도 13은 일 실시예에 따른 훈련을 위해 입력된 음성 신호로부터 여기 신호를 분리함으로서 뉴럴 보코더를 훈련시키는 방법을 나타낸다.
도 12 및 도 14는 일 실시예에 따른 입력 텍스트에 기반하여 음향 모델에 의해 생성된 음향 파라미터들로부터 여기 신호를 추정하여 합성 음성 신호를 생성하는 방법을 나타낸다.
도 15는 일 예에 따른, 훈련 과정/합성 음성 신호의 생성 과정에서 획득된 음의 로그우도(Negative Log-Likelihood; NLL)의 음향 파라미터로서 여기의 주기성에 따라 구분되는 파라미터들의 사용 여부에 따른 차이를 나타내는 그래프이다.
도 16는 일 예에 따른 복수의 화자들로부터의 음성 신호에 대해, 음성 신호의 화자 종속적인 특징과 화자 독립적인 특징을 도식적으로 나타낸다.
도 17은 일 예에 따른 복수의 화자들로부터의 음성 데이터 세트들을 훈련시킴으로써 구축된 소스 모델과, 타겟 화자로부터의 음성 데이터 세트를 훈련시킴으로써 구축된 화자 적응형 모델을 사용하여 타겟 화자의 합성 음성을 생성하는 방법을 나타낸다.
도 18 및 도 19는 일 예에 따른 화자 적응(speaker adaptation) 알고리즘의 적용 여부에 따라 생성된 합성 음성 신호의 품질을 비교 평가한 결과를 나타낸다.
도 20은 일 예에 따른 ExcitNet 보코더와 타 보코더 간의 MOS(Mean Opinion Score)(MOS) 평가 결과를 나타낸다.
도 21은 일 예에 따른 F0 스케일링 팩터(scaling factor)를 상이하게 하는 경우에 있어서 화자 적응형 모델을 구축하는 뉴럴 보코더의 성능 변화를 나타낸다
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 일 실시예에 따른 입력된 텍스트 또는 음성 신호에 기반하여 합성 음성 신호를 생성하는 방법을 나타낸다.
음성 신호는 음성을 나타낼 수 있고, 아래의 상세한 설명에서는 설명의 편의 상 '음성 신호'와 '음성'의 용어가 서로 혼용하여 사용될 수 있다.
음향 모델(acoustic model)(110)은 합성 음성 신호의 생성을 위해 입력된 텍스트 또는 음성 신호로부터 음향 파라미터(들)를 생성할 수 있다. 음향 모델(110)은 딥러닝 기반의 통계적 파라메트릭 음성 합성(Statistical Parametric Speech Synthesis; SPSS) 시스템을 사용하여 설계된 것일 수 있다. 음향 모델(110)은 언어 입력과 음향 출력 파라미터 사이의 비선형 매핑 함수를 나타내기 위해 훈련된, 다중 피드 포워드 및 장단기 메모리 레이어들로 구성될 수 있다. 음향 모델(110)은 예컨대, DNN TTS 모듈일 수 있다. 음향 파라미터는 합성 음성 신호를 생성하기 위해 사용되는 피처이거나, 피처를 구성하기 위해 사용되는 파라미터일 수 있다.
보코더(120)는 음향 모델(110)에 의해 생성된 음향 파라미터를 음성 신호로 변환함으로써 합성 음성 신호를 생성할 수 있다. 보코더(120)는 뉴럴 보코더일 수 있다. 뉴럴 보코더는 딥러닝 모델을 사용하여 훈련된 것일 수 있다. 뉴럴 보코더는 예컨대, WaveNet, SampleRNN, 또는 WaveRNN일 수 있다. 또한, 뉴럴 보코더는 이들에 제한되지 않는 일반적인 생성 모델(generative model)일 수 있다.
"뉴럴 보코더"는 (합성) 음성 신호의 생성을 위해 훈련된 모델(예컨대, WaveNet, SampleRNN, WaveRNN 또는 일반적인 모델) 및 각종 필터를 포함하는 장치를 나타내기 위해 사용될 수 있다.
보코더(120)는 음향 모델(110)로부터 획득된 음향 파라미터들에 기반하여 음성 신호의 여기(excitation) 신호를 추정할 수 있다. 즉, 음성 신호의 여기 신호가 보코더(120)의 타겟이 될 수 있다.
여기 신호는 음성 신호 중 음성의 떨림을 나타내는 성분으로서, 발화자의 입모양에 따라 변화되는 음성 신호의 변화를 나타내는 성분(스펙트럼 성분(spectral component))과는 구분될 수 있다. 여기 신호의 변화는 발화자의 성대의 움직임(vocal cord movement)에 의한 것으로만 제한될 수 있다. 여기 신호는 음성 신호의 잔차 신호(residual signal)일 수 있다.
보코더(120)에 의해 추정된 여기 신호에 대해 음성 신호의 스펙트럼 성분을 나타내는 음향 파라미터에 기반하여 생성된 선형 예측(Linear Prediction) 필터가 적용됨에 따라 타겟 음성 신호(즉, 합성 음성 신호)가 생성될 수 있다.
보코더(120)가 음성 신호가 아닌 여기 신호를 타겟으로 하고, 추정된 여기 신호에 대해 선형 예측 필터를 적용하는 것을 통해 타겟 음성 신호가 생성됨으로써, 생성된 타겟 음성 신호의 품질을 높일 수 있으며, 특히, 음성 신호의 고주파수 영역에 있어서의 스펙트럼 왜곡을 저감할 수 있다.
여기 신호를 추정하는 것을 통해 타겟 음성 신호를 생성하는 보다 구체적인 방법과, 여기 신호를 추정하기 위해 뉴럴 보코더를 훈련시키는 보다 구체적인 방법에 대해서는 후술될 도 2 내지 5를 참조하여 더 자세하게 설명된다.
도 2는 일 실시예에 따른 뉴럴 보코더 시스템의 구조를 나타내는 블록도이다.
도 2를 참조하여 뉴럴 보코더 시스템(200)의 보다 상세한 구성에 대해 설명한다. 도시된 뉴럴 보코더 시스템(200)은 뉴럴 보코더를 포함하여 구성되는 컴퓨터(컴퓨터 시스템)을 나타낼 수 있다.
뉴럴 보코더 시스템(200)은 컴퓨터 시스템으로 구현되는 고정형 단말이거나 이동형 단말로 구현될 수 있다. 예컨대, 뉴럴 보코더 시스템(200)은 AI 스피커, 스마트폰(smart phone), 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스 등으로 구현될 수 있다. 또는, 뉴럴 보코더 시스템(200)은 전술된 단말과 네트워크를 통해 통신하는 서버 또는 기타 컴퓨팅 장치로 구현될 수 있다.
뉴럴 보코더 시스템(200)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 비-일시적인 컴퓨터 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 뉴럴 보코더 시스템(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(일례로, 뉴럴 보코더 시스템(200)에 설치되어 구동되는 브라우저나 특정 서비스의 제공을 위해 뉴럴 보코더 시스템(200)에 설치된 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(예컨대, 외부 서버)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(210)에 로딩될 수 있다.
프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.
통신 모듈(230)은 네트워크를 통해 뉴럴 보코더 시스템(200)이 다른 전자기기 또는 서버와 서로 통신하기 위한 기능을 제공할 수 있다. 통신 모듈(230)은 뉴럴 보코더 시스템(200)의 네트워크 인터페이스 카드, 네트워크 인터페이스 칩 및 네트워킹 인터페이스 포트 등과 같은 하드웨어 모듈 또는 네트워크 디바이스 드라이버(driver) 또는 네트워킹 프로그램과 같은 소프트웨어 모듈일 수 있다.
입출력 인터페이스(240)는 (도시되지 않은) 입출력 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드, 마우스, 마이크로폰, 카메라 등의 장치를, 그리고 출력 장치는 디스플레이, 화자, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치는 뉴럴 보코더 시스템(200)의 구성일 수 있다. 뉴럴 보코더 시스템(200)이 서버로 구현되는 경우, 뉴럴 보코더 시스템(200)은 입출력 장치 및 입출력 인터페이스(240)를 포함하지 않을 수도 있다.
또한, 다른 실시예에서 뉴럴 보코더 시스템(200)은 도시된 구성요소들보다 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요는 없는 바 이는 생략되었다.
도 3을 참조하여서는, 프로세서(220)의 보다 세부적인 구성들을 중심으로 여기 신호를 추정하는 것을 통해 타겟 음성 신호를 생성하는 방법과, 여기 신호를 추정하기 위해 뉴럴 보코더를 훈련시키는 방법에 대해 설명한다.
이상, 도 1을 참조하여 전술된 기술적 특징에 대한 설명은, 도 2에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 3은 일 실시예에 따른 뉴럴 보코더 시스템의 프로세서의 구조를 나타내는 블록도이다.
후술될 프로세서(220)의 구성들(310 내지 340)의 각각은 하나 이상의 소프트웨어 모듈 및/또는 하드웨어 모듈로 구현될 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다.
프로세서(220)의 구성요소들은 뉴럴 보코더 시스템(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 프로세서(220)의 서로 다른 기능들(different functions)의 표현들일 수 있다.
프로세서(220)의 파라미터 획득부(310)는 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득할 수 있다. 파라미터 획득부(310)가 획득하는 복수의 음향 파라미터들은 사용자로부터 입력된 텍스트 또는 화자로부터 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 것일 수 있다.
프로세서(220)의 여기 신호 추정부(320)는 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정할 수 있다. 여기 신호 추정부(320)(뉴럴 보코더)는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것일 수 있다. 여기 신호 추정부(320)는 훈련을 통해 모델링된 여기 신호의 확률 분포를 사용하여, 복수의 음향 파라미터들에 대한 여기 신호를 추정할 수 있다.
프로세서(220)는 뉴럴 보코더의 훈련을 수행하기 위한 구성(340)을 포함할 수 있다. 프로세서(220)의 여기 신호 분리부(342)는 훈련을 위해 입력된 음성 신호에 대해 선형 예측 분석 필터(linear prediction analysis filter)를 적용함으로써 훈련을 위해 입력된 음성 신호로부터 여기 신호를 분리할 수 있다. 여기 신호 분리부(342)는 훈련을 위해 입력된 음성 신호의 라인 스펙트럼 주파수(Line Spectral Frequency; LSF)를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부(343)를 포함할 수 있다. 상기 선형 예측 분석 필터는 LSF를 나타내는 파라미터에 기반하는 것으로서 상기 변환된 LPC에 기반하여 생성되는 것일 수 있다. 프로세서(220)의 모델링부(344)는 분리된 여기 신호의 확률 분포를 모델링할 수 있다.
프로세서(220)의 음성 신호 생성부(330)는 여기 신호 추정부(320)에 의해 추정된 여기 신호에 대해 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 (예측) 합성 필터를 적용함으로써 타겟 음성 신호를 생성할 수 있다. 타겟 음성 신호는 함성된 음성 신호일 수 있다.
음성 신호 생성부(330)는 획득된 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부(332)를 포함할 수 있다. 상기 선형 예측 합성 필터는 획득된 스펙트럼 관련 파라미터들 중 음성 신호의 LSF 를 나타내는 파라미터에 기반하는 것으로서 상기 변환된 LPC에 기반하여 생성되는 것일 수 있다. 말하자면, 음성 신호 생성부(330)는 추정된 여기 신호에 대해 변환된 LPC에 기반한 선형 예측 합성 필터를 적용함으로써 타겟 음성 신호를 생성할 수 있다.
여기 신호를 추정하는 것을 통해 타겟 음성 신호를 생성하는 보다 구체적인 방법은 후술될 도 4의 흐름도를 참조하여 더 자세하게 설명되고, 여기 신호를 추정하기 위해 뉴럴 보코더를 훈련시키는 보다 구체적인 방법에 대해서는 후술될 도 5의 흐름도를 참조하여 더 자세하게 설명된다.
이상, 도 1 및 도 2를 참조하여 전술된 기술적 특징에 대한 설명은, 도 3에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 4는 일 실시예에 따른 음성 신호 생성 방법을 나타내는 흐름도이다.
단계(410)에서, 파라미터 획득부(310)는 스펙트럼 관련 파라미터들 및 여기의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득할 수 있다. 파라미터 획득부(310)가 획득하는 복수의 음향 파라미터들은 사용자로부터 입력된 텍스트 또는 화자로부터 입력된 음성 신호에 기반하여 음향 모델에 의해 생성된 것일 수 있다. 즉, 파라미터 획득부(310)는 음향 모델로부터 상기 복수의 음향 파라미터들을 수신할 수 있다.
스펙트럼 관련 파라미터들은 음성 신호를 구성하는 스펙트럼 성분 스펙트럼 성분(spectral component)을 나타내는 파라미터일 수 있다. 여기 관련 파라미터들은 음성 신호에서 스펙트럼 성분을 제외한 잔차 신호(여기 신호)에 해당하는 성분을 나타내는 파라미터일 수 있다. 스펙트럼 성분의 신호는 발화자의 입모양에 따라 변화되는 음성 신호의 부분을 나타낼 수 있다. 여기 신호는 음성 신호 중 음성의 떨림을 나타내는 음성 신호의 부분을 나타낼 수 있다. 여기 신호의 변화는 발화자의 성대의 움직임에 의한 것으로만 제한될 수 있다.
스펙트럼 관련 파라미터들은 예컨대, 음성 신호의 피치를 나타내는 주파수 파라미터(F0), 음성 신호의 에너지를 나타내는 에너지 파라미터(일례로, 이득(gain)을 나타내는 파라미터), 음성 신호의 유성음(voice) 또는 무성음(unvoice) 여부를 나타내는 파라미터(v/uv) 및 음성 신호의 라인 스펙트럼 주파수(Line Spectral Frequency; LSF)를 나타내는 파라미터를 포함할 수 있다.
여기 관련 파라미터들은 여기의 주기성에 따라 구분되는 파라미터들을 포함할 수 있다. 여기 관련 파라미터들은 예컨대, TFTE(Time-Frequency Trajectory Excitation) 파라미터들일 수 있다. TFTE는 주파수 축을 따르는 여기의 스펙트럼 모양과 시간 축을 따르는 이러한 모양의 전개(evolution)를 나타낼 수 있다. 여기 관련 파라미터들은 여기 신호 중 시간-주파수 축에서 더 천천히 변화하는 성분을 나타내는 제1 여기 파라미터(SEW(Slowly Evolving Waveform) 파라미터) 및 여기 신호 중 시간-주파수 축에서 더 빠르게 변화하는 성분을 나타내는 제2 여기 파라미터(REW(Rapidly Evolving Waveform) 파라미터)를 포함할 수 있다.
제1 여기 파라미터는 소정의 컷오프 주파수를 이하의 여기를 나타낼 수 있고, 제2 여기 파라미터는 컷오프 주파수 초과의 여기를 나타낼 수 있다. 제1 여기 파라미터는 여기의 고조파 스펙트럼(harmonic spectrum)을 나타낼 수 있고, 제2 여기 파라미터는 여기의 그 외의 부분을 나타낼 수 있다. 예컨대, 고조파 여기 스펙트럼(harmonic excitation spectrum)에 해당하는 제1 여기 파라미터(SEW 파라미터)는 TFTE의 각 주파수 성분을 시간 영역 축을 따라 (소정의 컷 오프 주파수로) 저역 통과 필터링함으로써 획득될 수 있다. 소정의 컷 오프 주파수를 초과하는 잔류 잡음 스펙트럼은 제2 여기 파라미터(REW 파라미터)로서, TFTE로부터 SEW를 감산하는 것을 통해 획득될 수 있다. 제1 여기 파라미터(SEW 파라미터) 및 제2 여기 파라미터가 사용됨으로써, 여기의 주기성이 보다 효과적으로 표현될 수 있다. 제1 여기 파라미터 및 제2 여기 파라미터는 ITFTE(Improved Time-Frequency Trajectory Excitation) 파라미터에 해당할 수 있다.
단계(420)에서, 여기 신호 추정부(320)는 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정할 수 있다. 즉, 여기 신호 추정부(320)는 스펙트럼 관련 파라미터들 및 여기 관련 파라미터들을 입력으로서 여기 신호를 추정할 수 있다. 추정되는 여기 신호는 여기 신호의 시간 시퀀스(time sequence)일 수 있다.
여기 신호 추정부(320)는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것으로서, 여기 신호 추정부(320)는 훈련에 따라 모델링된 여기 신호의 확률 분포를 사용하여, 획득된 복수의 음향 파라미터들에 대한 여기 신호를 추정할 수 있다. 여기 신호 추정부(320)를 포함하는 뉴럴 보코더의 훈련 방법에 대해서는 후술될 도 5를 참조하여 더 자세하게 설명된다.
여기 신호 추정부(320)는, 예컨대, WaveNet, SampleRNN, 또는 WaveRNN으로 구현될 수 있다. 또한, 여기 신호 추정부(320)는 이들에 제한되지 않는 일반적인 생성 모델(generative model)로 구현될 수 있다.
단계(430)에서, 음성 신호 생성부(330)는 여기 신호 추정부(320)에 의해 추정된 여기 신호에 대해 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 (예측) 합성 필터를 적용함으로써 타겟 음성 신호를 생성할 수 있다. 타겟 음성 신호는 함성된 음성 신호일 수 있다. 단계들(432 및 434)을 참조하여 단계(430)를 더 자세하게 설명한다.
단계(432)에서, 변환부(332)는 획득된 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환할 수 있다. 선형 예측 합성 필터는 획득된 스펙트럼 관련 파라미터들 중 음성 신호의 LSF 를 나타내는 파라미터에 기반하는 것으로서, 변환된 LPC에 기반하여 생성될 수 있다.
단계(434)에서, 음성 신호 생성부(330)는 추정된 여기 신호에 대해 단계(432)에서 변환된 LPC에 기반한 선형 예측 합성 필터를 적용함으로써 타겟 음성 신호를 생성할 수 있다.
단계들(410 내지 430)에 의해 생성된 타겟 음성 신호는, 여기 신호를 타겟으로서 추정하지 않고 음성 신호를 바로 추정하여 생성된 음성 신호에 비해 품질이 우수하며, 특히, 음성 신호의 고주파수 영역에 있어서의 스펙트럼 왜곡이 저감될 수 있다.
이상, 도 1 내지 도 3을 참조하여 전술된 기술적 특징에 대한 설명은, 도 4에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 5는 일 실시예에 따른 뉴럴 보코더를 훈련시키는 방법을 나타내는 흐름도이다.
도 5를 참조하여, 획득된 음향 파라미터들에 기반하여 여기 신호를 추정할 수 있는 여기 신호의 확률 분포를 모델링하는 방법을 자세하게 설명한다.
단계(510)에서, 뉴럴 보코더 시스템(200)은 훈련을 위한 음성 신호를 수신할 수 있다. 훈련을 위한 음성 신호는 화자로부터 직접 뉴럴 보코더 시스템(200)으로 입력되거나, 음성 신호를 포함하는 데이터가 음성 신호를 수신한 전자기기로부터 전송됨으로써 뉴럴 보코더 시스템(200)으로 입력될 수 있다.
단계(520)에서, 뉴럴 보코더 시스템(200)은 입력된 음성 신호로부터 스펙트럼 관련 파라미터들 및 여기의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 추출할 수 있다. 뉴럴 보코더 시스템(200)은 음성 분석(speech analysis)을 통해 음성 신호로부터 복수의 음향 파라미터들을 추출할 수 있다. 예컨대, 뉴럴 보코더 시스템(200)은 그 내부 또는 외부에 존재하는 파라메트릭 보코더를 사용하여 음성 신호로부터 복수의 음향 파라미터들을 추출할 수 있다.
스펙트럼 관련 파라미터들은 예컨대, 음성 신호의 피치를 나타내는 주파수 파라미터(F0), 음성 신호의 에너지를 나타내는 에너지 파라미터(일례로, 이득(gain)을 나타내는 파라미터), 음성 신호의 유성음(voice) 또는 무성음(unvoice) 여부를 나타내는 파라미터(v/uv) 및 음성 신호의 라인 스펙트럼 주파수(Line Spectral Frequency; LSF)를 나타내는 파라미터를 포함할 수 있다. 여기 관련 파라미터들은 여기의 주기성에 따라 구분되는 파라미터들을 포함할 수 있다. 여기 관련 파라미터들은 예컨대, TFTE(Time-Frequency Trajectory Excitation) 파라미터들일 수 있다. TFTE는 주파수 축을 따르는 여기의 스펙트럼 모양과 시간 축을 따르는 이러한 모양의 전개(evolution)를 나타낼 수 있다. 여기 관련 파라미터들은 여기 신호 중 시간-주파수 축에서 더 천천히 변화하는 성분을 나타내는 SEW 파라미터 및 여기 신호 중 시간-주파수 축에서 더 빠르게 변화하는 성분을 나타내는 REW 파라미터를 포함할 수 있다. SEW 파라미터는 소정의 컷오프 주파수를 이하의 여기를 나타낼 수 있고, REW 파라미터는 컷오프 주파수 초과의 여기를 나타낼 수 있다. SEW 파라미터는 여기의 고조파 스펙트럼(harmonic spectrum)을 나타낼 수 있고, REW 파라미터는 여기의 그 외의 부분을 나타낼 수 있다. 예컨대, 고조파 여기 스펙트럼(harmonic excitation spectrum)에 해당하는 SEW 파라미터는 TFTE의 각 주파수 성분을 시간 영역 축을 따라 (소정의 컷 오프 주파수로) 저역 통과 필터링함으로써 획득될 수 있다. 소정의 컷 오프 주파수를 초과하는 잔류 잡음 스펙트럼은 REW 파라미터로서, TFTE로부터 SEW를 감산하는 것을 통해 획득될 수 있다.
전술된 단계들(510 및 520)은 후술될 단계들(530 및 540)과 마찬가지로 뉴럴 보코더 시스템(200)의 프로세서(220)에 의해 수행될 수 있다.
단계(530)에서, 여기 신호 분리부(342)는 입력된 음성 신호에 대해 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 예측 분석 필터(linear prediction analysis filter)를 적용함으로써 입력된 음성 신호로부터 여기 신호를 분리할 수 있다. 선형 예측 분석 필터는 음성 신호로부터 스펙트럼 포먼트(spectral formant) 구조를 분리하는 필터일 수 있다. 분리된 여기 신호는 입력된 음성 신호에 대한 잔차 성분(residual component)(즉, 잔차 신호)일 수 있다. 여기 신호는 정보량을 줄이기 위해 잔차 신호를 펄스 또는 잡음(PoN), 대역 비주기성(BAP), 성문 여기(glottal excitation), 및 시간-주파수 궤적 여기(TFTE) 모델 등과 같은 다양한 유형의 여기 모델들 중 적어도 하나에 의해 근사화된 것일 수 있다.
단계(532 및 534)를 참조하여 음성 신호로부터 여기 신호를 분리하는 방법을 더 자세하게 설명한다.
단계(532)에서, 여기 신호 분리부(342)의 변환부(343)는 스펙트럼 관련 파라미터들 중 입력된 음성 신호의 LSF를 나타내는 파라미터를 LPC로 변환할 수 있다. 선형 예측 분석 필터는 획득된 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터에 기반하는 것으로서, 변환된 LPC에 기반하여 생성될 수 있다.
단계(534)에서, 여기 신호 분리부(342)는 입력된 음성 신호에 대해 상기 LPC에 기반한 선형 예측 분석 필터를 적용함으로써 음성 신호로부터 여기 신호를 분리할 수 있다.
단계(540)에서, 모델링부(344)는 분리된 여기 신호의 확률 분포를 모델링할 수 있다. 모델링부(344)는 예컨대, WaveNet, SampleRNN, 또는 WaveRNN으로 구현될 수 있다. 또한, 모델링부(344)는 이들에 제한되지 않는 일반적인 생성 모델(generative model)로 구현될 수 있다.
여기 신호 추정부(320)는 모델링부(344)에 의해 모델링된 여기 신호의 확률 분포를 사용하여, 전술된 단계(420)의 여기 신호의 추정을 수행할 수 있다.
도 1 내지 도 4를 참조하여 전술된 실시예의 뉴럴 보코더는 여기 신호를 훈련하고, 여기 신호를 추정하여 합성 음성 신호를 생성한다는 점에서 ExcitNet 보코더로 명명될 수 있다.
여기 신호의 변화는 발화자의 성대의 움직임에 의한 것으로만 제한될 수 있으므로, 여기 신호를 훈련하는 과정은 (음성 신호를 훈련하는 것에 비해) 훨씬 간단해질 수 있다. 또한, 여기 신호의 주기성의 정도를 효과적으로 나타내는 조건부 특징으로서 ITFTE 파라미터가 사용됨으로써 여기 신호의 확률 분포 모델링 정확도를 크게 향상시킬 수 있다.
이상, 도 1 내지 도 4를 참조하여 전술된 기술적 특징에 대한 설명은, 도 5에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
아래에서는, 도 6 내지 도 8을 참조하여, 타겟 화자로부터의 소량의(즉, 짧은 시간의) 음성 데이터만으로 높은 품질의 타겟 화자의 합성 음성을 생성할 수 있는 화자 적응형 모델을 구축하고, 타겟 화자의 합성 음성을 생성하는 방법에 대해 설명한다.
도 6은 일 실시예에 따른 화자 적응형 모델을 구축하여 타겟 화자의 합성 음성을 생성하는 방법을 나타낸다.
후술될 상세한 설명에서 음성 데이터 세트는 음성 신호 또는 음성 신호를 포함하는 데이터를 나타낼 수 있다. 예컨대, 음성 데이터 세트는 화자로부터 일정 시간 동안 녹음된 음성 신호를 나타낼 수 있다.
소스 모델(610)은 복수의 화자들로부터의 음성 데이터 세트들에 대해 훈련된 음향 모델일 수 있다. 소스 모델(610)은 복수의 화자들에 대해 화자 독립적으로 훈련된 음향 모델일 수 있다. 예컨대, 소스 모델(610)은 10명의 화자들 각각으로부터의 1시간의 음성 데이터 세트를 사용하여, 화자 독립적으로 훈련된 음향 모델일 수 있다. 소스 모델(610)은 딥러닝 기반의 통계적 파라메트릭 음성 합성(Statistical Parametric Speech Synthesis; SPSS) 시스템을 사용하여 설계된 것일 수 있다. 음향 모델(110)은 예컨대, DNN TTS 모듈일 수 있다.
복수의 화자들로부터의 음성 데이터 세트들을 통해 화자 독립적으로 훈련된 소스 모델(610)은 화자 적응형 모델(620)의 초기화기(initializer)로서 사용될 수 있다. 말하자면, 소스 모델(610)로부터의 가중치 값(weight)들은, 화자 적응형 모델(620)의 타겟 화자로부터의 음성 데이터 세트에 대한 훈련에 있어서 초기 값으로 설정될 수 있다. 소스 모델(610)로부터의 가중치 값들은 예컨대, 전술된 음향 파라미터에 대응할 수 있다.
화자 적응형 모델(620)은 뉴럴 보코더를 사용하여 구현될 수 있다. 뉴럴 보코더는 딥러닝 모델을 사용하여 훈련된 것일 수 있다. 뉴럴 보코더는 예컨대, WaveNet, SampleRNN, ExcitNet 또는 WaveRNN일 수 있다. 또한, 뉴럴 보코더는 이들에 제한되지 않는 일반적인 생성 모델(generative model)일 수 있다.
화자 적응형 모델(620)은 화자 적응(speaker adaptation) 알고리즘을 적용함으로써 특정 화자에 대해 종속적으로(speaker-dependent) 훈련될 수 있다. 예컨대, 화자 적응형 모델(620)은 특정한 타겟 화자(예컨대, 연예인, 유명인 등과 같은 셀럽)에 대해 화자 종속적으로 훈련될 수 있다. 화자 적응형 모델(620)은 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값(들)을 생성할 수 있다.
화자 적응형 모델(620)은, 랜덤 값이 아닌, 화자 독립적으로 훈련된 소스 모델(610)로부터의 가중치 값들을 초기 값으로 사용하여 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써, 상대적으로 작은 크기(즉, 짧은 시간)의 음성 데이터 세트를 훈련하는 것만으로도 높은 품질의 타겟 화자의 합성 음성(합성 음성 신호)을 생성할 수 있다. 예컨대, 화자 적응형 모델(620)은 10분 내외의 타겟 화자의 음성 데이터 세트를 훈련하는 것만으로도 높은 품질의 타겟 화자의 합성 음성을 생성할 수 있다.
실시예를 통해서는, 수시간 내지 수십 시간 이상의 음성 데이터 세트를 확보하기 어려운 셀럽에 대해 10분 내외의 음성 데이터 세트를 확보하여 이를 훈련 데이터로서 사용하는 것만으로도, 높은 품질의 타겟 화자의 합성 음성을 생성할 수 있는 화자 적응형 모델(620)을 구축할 수 있다.
이상, 도 1 내지 도 5를 참조하여 전술된 기술적 특징에 대한 설명은, 도 6에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 7은 일 실시예에 따른 뉴럴 보코더의 프로세서의 구조를 나타내는 블록도이다.
도 7을 참조하여 설명되는 프로세서(220)는 도 3을 참조하여 전술된 프로세서(220)에 대응할 수 있다. 후술될 프로세서(220)의 구성들(710 내지 720)의 각각은 하나 이상의 소프트웨어 모듈 및/또는 하드웨어 모듈로 구현될 수 있다. 실시예에 따라 프로세서(220)의 구성요소들은 선택적으로 프로세서(220)에 포함되거나 제외될 수도 있다. 또한, 실시예에 따라 프로세서(220)의 구성요소들은 프로세서(220)의 기능의 표현을 위해 분리 또는 병합될 수도 있다. 구성들(710 내지 720)은 뉴럴 보코더 시스템(200)에 저장된 프로그램 코드가 제공하는 명령에 따라 프로세서(220)에 의해 수행되는 프로세서(220)의 서로 다른 기능들(different functions)의 표현들일 수 있다.
프로세서(220)는 화자 적응형 모델 구축부(720)를 포함할 수 있다. 화자 적응형 모델 구축부(720)는 복수의 화자들로부터의 음성 데이터 세트들에 대해 화자 독립적으로 훈련된 소스 모델(610)로부터의 가중치 값(weight)들을 초기 값으로 설정할 수 있고, 설정된 초기 값에 대해, 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 화자 적응형 모델(620)을 구축할 수 있다. 화자 적응형 모델(620)을 통해 생성된 업데이트된 가중치 값들은 타겟 화자에 대응하는 합성 음성을 생성하기 위해 사용될 수 있다.
프로세서(220)는 소스 모델 구축부(710)를 더 포함할 수 있다. 소스 모델 구축부(710)는 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련하는 소스 모델(610)을 구축할 수 있다. 구축된 소스 모델(610)은 타겟 화자로부터의 음성 데이터 세트를 훈련하기 위한 모델의 초기화기(initializer)로서 동작될 수 있다.
소스 모델 구축부(710)는 프로세서(220)에 포함되지 않고, 뉴럴 보코더 시스템(200)과는 별개의 장치 내에서 구현될 수 있다. 화자 적응형 모델 구축부(720)는 이러한 별개의 장치 내에서 구현된 소스 모델 구축부(710)에 의해 구축된 소스 모델(610)로부터 가중치 값을 획득하여, 화자 적응형 모델(620)을 구축하기 위한 타겟 화자의 음성 데이터 세트를 훈련할 수 있다.
이상, 도 1 내지 도 6을 참조하여 전술된 기술적 특징에 대한 설명은, 도 7에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 8은 일 실시예에 따른 화자 적응형 모델을 구축하기 위한 뉴럴 보코더의 훈련 방법을 나타내는 흐름도이다.
단계(810)에서, 소스 모델 구축부(710)는 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련하는 소스 모델(610)을 구축할 수 있다. 복수의 화자들은 소스 모델(610)을 훈련시키기 위한 음성 데이터 세트를 제공하는 임의의 사용자들일 수 있다.
단계(820)에서, 화자 적응형 모델 구축부(720)는 소스 모델(610)로부터 가중치 값들을 획득할 수 있다. 소스 모델(610)로부터의 가중치 값들은 복수의 화자들로부터의 음성 데이터 세트들에 포함된 화자 별로 구분되지 않는 글로벌 특성을 나타내는 값을 나타낼 수 있다. 글로벌 특성은, 예컨대, 특정한 발음(일례로, '아(ah)' 또는 '이(ee)' 등)에 대한 포먼트(formant) 특성 또는 진폭-주파수 특성(패턴)을 나타낼 수 있다. 말하자면, 소스 모델(610)은 복수의 화자들로부터의 음성 데이터 세트들을 사용하여 이와 같은 음성의 화자 독립적인 글로벌 특성을 훈련할 수 있다.
단계(830)에서, 화자 적응형 모델 구축부(720)는 소스 모델(610)로부터 획득된 가중치 값들을 초기 값으로 설정할 수 있다. 말하자면, 소스 모델(610)은 화자 적응형 모델 구축부(720)에 의해 구축되는 화자 적응형 모델(620)의 초기화기로서 사용될 수 있다.
단계(840)에서, 화자 적응형 모델 구축부(720)는 획득된 초기 값에 대해, 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성할 수 있다. 말하자면, 화자 적응형 모델 구축부(720)는 소스 모델(610)로부터의 초기 값에 대해 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 타겟 화자에 대해 적응된(즉, 타겟 화자에 대해 종속적인) 화자 적응형 모델(620)을 구축할 수 있다.
화자 적응형 모델 구축부(720)는 소스 모델(610)로부터의 가중치 값들을 타겟 화자로부터의 음성 데이터 세트가 포함하는 타겟 화자의 고유한 특성이 반영되도록 조정함으로써, 업데이트된 가중치 값들을 생성할 수 있다. 예컨대, 화자 적응형 모델 구축부(720)는, 타겟 화자로부터의 음성 데이터 세트를 훈련하는 것을 통해, 소스 모델(610)로부터의 화자 별로 구분되지 않는 글로벌 특성을 나타내는 값을 타겟 화자의 고유한 특성을 포함하도록 미세 조정함으로써 업데이트된 가중치 값들을 생성할 수 있다.
생성된 업데이트된 가중치 값들은 타겟 화자에 대응하는 합성 음성 신호를 생성하기 위해 사용될 수 있다. 타겟 화자에 대응하는 합성 음성 신호는 예컨대, 타겟 화자에 대응하는 셀럽의 합성 음성일 수 있다.
소스 모델(610)을 훈련시키기 위한 복수의 화자들로부터의 음성 데이터 세트들의 각각의 크기(즉, 녹음된 음성 신호의 길이, 예컨대, 1시간 이상)는, 타겟 화자로부터의 음성 데이터 세트의 크기(즉, 녹음된 음성 신호의 길이, 예컨대, 10분)보다 더 클 수 있다.
단계(830)에서 설명된 것과 같은 적응 프로세스의 미세 조정(fine-tuning) 메커니즘을 통해서는 타겟 화자의 음성 데이터 세트로부터 타겟 화자의 고유한 특성이 캡쳐될 수 있다. 따라서, 설명된 실시예의 방법을 통해서는 타겟 화자로부터의 훈련을 위한 음성 데이터 세트가 불충분하더라도 보코딩 성능을 향상시킬 수 있다.
도 6 내지 도 8을 참조하여 전술된 뉴럴 보코더의 훈련 방법은 도 1 내지 도 4를 참조하여 전술된 실시예의 뉴럴 보코더의 훈련 방법과 합성 음성 신호를 생성 방법과 조합될 수 있다. 예컨대, 전술된 ExcitNet 보코더는 도 6 내지 도 8을 참조하여 전술된 실시예와 조합될 수 있다.
일례로, 단계들(810 내지 840)을 수행함으로써 훈련된 뉴럴 보코더는 도 1 내지 도 4를 참조하여 전술된 뉴럴 보코더 시스템(200)에 대응할 수 있다. 단계(430)에서 생성된 타겟 음성 신호는 화자 적응형 모델(620)이 훈련한 타겟 화자에 대응하는 합성 음성 신호일 수 있다.
도 6 내지 도 8을 참조하여 전술된 뉴럴 보코더의 훈련 방법과 도 1 내지 도 4를 참조하여 전술된 ExcitNet 모델의 기술적 특징을 조합함으로써, 타겟 화자에 대응하는 합성 음성의 품질을 높일 수 있다.
이상, 도 1 내지 도 7을 참조하여 전술된 기술적 특징에 대한 설명은, 도 8에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 9는 일 예에 따른 음성 신호 및 여기 신호와 그 관계를 나타낸다.
도시된 것처럼, 음성 신호를 S(n)으로 가정하고, S(n)이 포함하는 여기 신호를 e(n)이라고 가정하면, S(n)과 e(n)의 관계는 아래 수학식 1과 같이 표현될 수 있다.
[수학식 1]
S(n) = e(n) * h(n)
h(n)은 선형 예측 합성 필터를 나타낼 수 있다. h(n)은 S(n)의 e(n) 성분을 제외한 나머지 성분(즉, 스펙트럼 성분)을 나타낼 수 있다. h(n)은 S(n)의 LSF를 나타내는 파라미터에 기반하여 생성될 수 있다.
수학식 1의 관계에 따라 도 4를 참조하여 전술된 단계(420)에 의해 추정된 여기 신호(즉, e(n))에 대해 선형 예측 합성 필터(즉, h(n))를 적용함으로써 타겟 음성 신호(S(n))가 생성될 수 있다. 선형 예측 합성 필터의 구체적인 예시에 대해서는 도 14를 참조하여 더 자세하게 설명된다.
수학식 1의 관계는 도 5를 참조하여 전술된 단계(530)의 여기 신호(즉, e(n))의 분리에 대해서도 유사하게 적용될 수 있다. 말하자면, 훈련을 위해 입력된 음성 신호(S(n))에 대해 선형 예측 분석 필터가 적용됨으로써 음성 신호(S(n))로부터 여기 신호(e(n))가 분리될 수 있다. 선형 예측 분석 필터의 구체적인 예시에 대해서는 도 13을 참조하여 더 자세하게 설명된다.
이상, 도 1 내지 도 8을 참조하여 전술된 기술적 특징에 대한 설명은, 도 9에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 10a 내지 10c는 각각 다른 종류의 보코더를 사용하는 합성 음성 신호 생성을 위한 통계적 파라메트릭 음성 합성(Statistical Parametric Speech Synthesis; SPSS) 시스템을 나타낸다.
도 10a는 음향 모델(1010)과, 음향 모델(1010)로부터의 음향 피처(음향 파라미터)를 LPC(Linear Predictive Coding) 합성함으로써 음성 신호를 생성하는 LPC 합성 모듈(1020)을 포함하는 음성 합성을 위한 프레임워크를 나타낸다. LPC 합성 모듈(1020)은 LPC 보코더로서, 예컨대, 전술된 선형 예측 합성 필터에 대응할 수 있다.
도 10b는 음향 모델(1010)과 음향 모델(1010)로부터의 음향 피처(음향 파라미터)에 기반하여 음성 신호를 추정하는 뉴럴 보코더로서 WaveNet 보코더(1022)를 포함하는 음성 합성을 위한 프레임워크를 나타낸다.
도 10c는, 도 1 내지 5를 참조하여 전술된 것과 같은, ExcitNet 보코더(1024)를 사용하는 음성 합성을 위한 프레임워크를 나타낼 수 있다. 도 10c에서 도시된 구조는 도 10a의 LPC 코더(1020) 및 도 10b의 WaveNet 보코더(1022)가 조합된 것일 수 있다.
도 10c의 구조에서, ExcitNet 보코더(1022)는 음향 모델(1010)로부터의 음향 피처(음향 파라미터)에 기반하여 여기 신호를 추정할 수 있다. 추정된 여기 신호는 선형 예측 합성 필터(1030)를 통한 LPC(Linear Predictive Coding) 합성에 따라 타겟 음성 신호로서 변환될 수 있다.
도 10c의 구조의 보다 상세한 예시는 도 12 및 도 14를 참조하여 더 자세하게 설명된다.
이상, 도 1 내지 도 9를 참조하여 전술된 기술적 특징에 대한 설명은, 도 10a 내지 도 10c에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 11 및 도 13은 일 실시예에 따른 훈련을 위해 입력된 음성 신호로부터 여기 신호를 분리함으로서 뉴럴 보코더를 훈련시키는 방법을 나타낸다.
도 11에서 도시된 것처럼, 훈련을 위해 입력된 음성 신호에 대해, 파라메트릭 보코더(1110)는 음향 파라미터들을 추출할 수 있다. 입력된 음성 신호에 대해서는 추출된 음향 파라미터들 중 스펙트럼 관련 파라미터에 기반하여 생성된 선형 예측 분석 필터(1140)가 적용됨으로써, 입력된 음성 신호로부터 여기 신호가 분리될 수 있다.
WaveNet 보코더(1130)는 추출된 음향 파라미터들을 보조 피처(auxiliary feature)들로서 구성하여(1120) 수신할 수 있다. 보조 피처는 전술된 스펙트럼 관련 파라미터들 및 여기 관련 파라미터들을 포함할 수 있다. WaveNet 보코더(1130)는 보조 피처 및 분리된 여기 신호에 기반하여 여기 신호의 확률 분포를 모델링할 수 있다. WaveNet 보코더(1130)는 ExcitNet 보코더 또는 기타 일반적인 생성 모델(generative model)의 뉴럴 보코더로도 구현될 수 있다.
도 13을 참조하여 도 11의 구조를 보다 상세하게 설명한다. 훈련을 위해 입력된 음성 신호는 음성 분석(1310)에 따라 음향 피쳐들(음향 파라미터들)이 추출될 수 있다. 음향 파라미터들 중 LSF를 나타내는 파라미터는 LPC로 변환될 수 있다(1320). 변환된 LPC에 기반하여 선형 예측 분석 필터(1340)가 구현될 수 있다. 입력된 음성 신호에 대해 선형 예측 분석 필터(1340)가 적용됨으로써 입력된 음성 신호로부터 여기 신호가 분리될 수 있다. 분리된 여기 신호는 ExcitNet 모델(즉, ExcitNet 보코더)(1350)로 입력될 수 있다. 한편, 음향 파라미터들을 보조 피처(auxiliary feature)들로서 구성될 수 있고(1330), 보조 피처들은 ExcitNet 모델((1350)로 입력될 수 있다. ExcitNet 모델(1350)은 입력된 보조 피처들(즉, 음향 파라미터들)과 분리된 여기 신호에 기반하여 여기 신호의 확률 분포를 모델링할 수 있다. 도시된 예시에서, e n은 분리된 여기 신호에 대응할 수 있다.
도 12 및 도 14는 일 실시예에 따른 입력 텍스트에 기반하여 음향 모델에 의해 생성된 음향 파라미터들로부터 여기 신호를 추정하여 합성 음성 신호를 생성하는 방법을 나타낸다.
도 12에서 도시된 것처럼, 음향 모델(1150)은 수신된 언어 파라미터들에 기반하여 음향 파라미터들을 생성할 수 있다. WaveNet 보코더(1170)는 음향 파라미터들을 보조 피처들로서 구성하여(1160) 수신할 수 있다. 보조 피처는 전술된 스펙트럼 관련 파라미터들 및 여기 관련 파라미터들을 포함할 수 있다. WaveNet 보코더(1170)는 음향 파라미터들에 기반하여 여기 신호를 추정할 수 있다. WaveNet 보코더(1170)는 ExcitNet 보코더 또는 기타 일반적인 생성 모델(generative model)의 뉴럴 보코더로도 구현될 수 있다. 추정된 여기 신호에 대해서는 추출된 음향 파라미터들 중 스펙트럼 관련 파라미터에 기반하여 생성된 선형 예측 합성 필터(1180)가 적용됨으로써, 타겟 합성 음성이 생성될 수 있다.
도 14을 참조하여 도 12의 구조를 보다 상세하게 설명한다. 합성 음성 신호의 생성을 위해 입력된 텍스트에 대해 텍스트 분석을 수행함으로써(1410) (전술된 언어 파라미터들에 대응하는) 언어 피처들이 추출될 수 있다. 언어 피처를 추출함에 있어서는 도시된 것처럼, 음소 듀레이션(phoneme duration)을 추정하는 듀레이션 모델(1420)이 더 사용될 수 있다. 음향 모델(1430)은 추출된 언어 피쳐들로부터 음향 피쳐들(음향 파라미터들)을 생성할 수 있다. 음향 파라미터들 중 LSF를 나타내는 파라미터는 LPC로 변환될 수 있다(1440). 변환된 LPC에 기반하여 선형 예측 합성 필터(1470)가 구현될 수 있다. 음향 파라미터들을 보조 피처(auxiliary feature)들로서 구성될 수 있고(1450), 보조 피처들은 ExcitNet 모델(즉, ExcitNet 보코더)(1460)로 입력될 수 있다. ExcitNet 모델(1460)은 입력된 보조 피처들(즉, 음향 파라미터들)에 기반하여 여기 신호를 추정할 수 있다. 추정된 여기 신호에 대해 변환된 LPC에 기반한 선형 예측 합성 필터(1470)가 적용됨으로써 타겟 음성 신호가 생성될 수 있다. 도시된 예시에서,
Figure PCTKR2019010428-appb-img-000001
은 생성된 타겟 음성 신호에 대응할 수 있고,
Figure PCTKR2019010428-appb-img-000002
은 추정된 여기 신호에 대응할 수 있다.
이상, 도 1 내지 도 10c를 참조하여 전술된 기술적 특징에 대한 설명은, 도 11 내지 도 14에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 15는 일 예에 따른, 훈련 과정/합성 음성 신호의 생성 과정에서 획득된 음의 로그우도(Negative Log-Likelihood; NLL)의 음향 파라미터로서 여기의 주기성에 따라 구분되는 파라미터들의 사용 여부에 따른 차이를 나타내는 그래프이다.
훈련(training) 과정에 있어서 NLL이 낮을수록 모델링의 정확도가 높은 것으로 볼 수 있다. 도시된 그래프에서는 전술된 SEW 파라미터 및 REW 파라미터와 같은 ITFTE 파라미터를 사용한 경우에 있어서의 NLL이 그렇지 않은 경우보다 낮게 됨을 확인할 수 있다.
또한, 합성 음성 신호의 검증(validation) 과정에 있어서도 NLL이 낮을수록 생성되는 합성 음성의 품질이 우수한 것으로 볼 수 있다. 도시된 그래프에서는 SEW 파라미터 및 REW 파라미터와 같은 ITFTE 파라미터를 사용한 경우에 있어서의 NLL이 그렇지 않은 경우보다 낮게 됨을 확인할 수 있다.
말하자면, 도시된 그래프를 통해서는 뉴럴 보코더의 훈련에 있어서 ITFTE 파라미터를 사용하는 것을 통해 여기 신호의 확률 분포의 모델링의 오류를 크게 감소시킬 수 있으며, 합성 음성의 생성을 위한 여기 신호의 추정에 있어서 ITFTE 파라미터를 사용함으로써 합성 음성 신호의 생성에 있어서 오류를 크게 감소시킬 수 있다는 사실을 확인할 수 있다.
이상, 도 1 내지 도 14를 참조하여 전술된 기술적 특징에 대한 설명은, 도 15에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 16는 일 예에 따른 복수의 화자들로부터의 음성 신호에 대해, 음성 신호의 화자 종속적인 특징과 화자 독립적인 특징을 도식적으로 나타낸다. 도 17은 일 예에 따른 복수의 화자들로부터의 음성 데이터 세트들을 훈련시킴으로써 구축된 소스 모델과, 타겟 화자로부터의 음성 데이터 세트를 훈련시킴으로써 구축된 화자 적응형 모델을 사용하여 타겟 화자의 합성 음성을 생성하는 방법을 나타낸다.
도 16에서 도시된 것처럼, 화자 독립적인 특징은 화자들(화자 1 내지 3)의 음성에 있어서 공통되는 특징일 수 있다. 말하자면, 화자 독립적인 특징은 화자 별로 구분되지 않는 글로벌 특성을 나타낼 수 있다. 화자 종속적인 특징은 화자 별 고유한 특성을 나타낼 수 있다.
도 17에서 도시된 것처럼, 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련함으로써 소스 모델(610)이 구축될 수 있고, 이러한 소스 모델(610)로부터의 가중치 값에 기초하여 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 타겟 화자에 종속적인 화자 적응형 모델(620)이 구축될 수 있다. 소스 모델(610)로부터의 가중치 값은 화자 적응형 모델(620)에서 타겟 화자로부터의 음성 데이터 세트가 훈련됨에 따라 타겟 화자의 고유한 특성을 반영하도록 미세 조정될 수 있다. 도시된 것처럼, 소스 모델(610) 및 화자 적응형 모델(620)은 ExcitNet 모델을 사용하여 구현될 수 있다. 도시된 것처럼, 실시예를 통해서는 뉴럴 보코더에 대해 화자 적응(speaker adaptation) 알고리즘의 적용할 수 있다. 도시되지는 않았으나, 소스 모델(610)에 대응하는 음향 모델(예컨대, DNN TTS)에 대해서도 유사하게 화자 적응 알고리즘이 적용될 수 있다.
이상, 도 1 내지 도 15를 참조하여 전술된 기술적 특징에 대한 설명은, 도 16 및 도 17에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
도 18 및 도 19는 일 예에 따른 화자 적응(speaker adaptation) 알고리즘의 적용 여부에 따라 생성된 합성 음성 신호의 품질을 비교 평가한 결과를 나타낸다.
도 18 및 도 19의 Score는 평가자들이 음성 신호를 청취하여 평가한 스코어의 평균을 나타낸다. RAW는 원본 음성 신호에 해당할 수 있다.
도 18을 참조하면, WaveNet 모델 및 ExcitNet 모델을 모두에서 화자 적응 알고리즘을 적용한 경우의 합성 음성 신호에 대한 품질이 높게 평가되었음을 확인할 수 있다. 말하자면, 도 6 내지 도 8을 참조하여 전술한 바와 같이 화자 적응형 모델(620)을 구축하여 합성 음성 신호를 생성하는 경우(with SA)가 그렇지 않은 경우에 비해 우수한 성능을 나타냄을 확인할 수 있다.
도 19는 보다 상세한 합성 음성 신호의 품질을 비교 평가한 결과를 나타낸다. 도 19에 대해서는 아래에서 보다 자세하게 설명한다.
이상, 도 1 내지 도 17을 참조하여 전술된 기술적 특징에 대한 설명은, 도 18 및 도 19에 대해서도 그대로 적용될 수 있으므로 중복되는 설명은 생략한다.
아래에서는, 도 1 내지 도 5를 참조하여 전술된 ExcitNet 모델에 대해 보다 상세하게 설명하고, 타 모델과의 비교 시험 결과에 대해 더 설명한다.
ExcitNet 모델(ExcitNet 보코더)은 통계적 파라메트릭 음성 합성(SPSS) 시스템을 위한 WaveNet 기반의 뉴럴 여기 모델일 수 있다. WaveNet 기반의 뉴럴 보코딩 시스템은 합성 음성 신호의 인식 품질을 크게 향상시키지만, 종종 음성 신호의 복잡한 시변 특성을 포착하지 못하는 경우가 있으므로 노이즈를 출력하는 경우가 있다. ExcitNet 기반의 뉴럴 보코딩 시스템은 음성 신호로부터 스펙트럼 성분을 분리하는 적응적 인버스 필터를 사용하여 (예컨대, WaveNet 프레임워크 내에서) 잔차 성분(즉, 여기 신호)을 분리하여 훈련할 수 있고, 합성 음성 신호를 생성함에 있어서 여기 신호를 타겟으로서 추정할 수 있다. 이러한 방식을 통해서는, 딥러닝 프레임워크에 의해 음성 신호의 스펙트럼 성분이 더 잘 표현될 수 있고 잔차 성분은 WaveNet 프레임워크에 의해 효율적으로 생성되므로, 합성된 음성 신호의 품질이 향상될 수 있다.
아래의 실험 결과에서도 (화자 종속적 및 화자 독립적으로 훈련된) ExcitNet 기반의 뉴럴 보코딩 시스템이 기존의 선형 예측 보코더 및 WaveNet 보코더보다 뛰어난 성능을 보이는 것으로 나타났다.
시험을 위해서는, 음향 모델과 화자 종속적(SD) ExcitNet 보코더를 훈련시키기 위해 음성적으로 운율적으로 풍부한 두 개의 스피치 코퍼가 사용되었다. 각 코퍼스는 전문 한국어 여성(KRF)과 한국인 남성(KRM)이 녹음한 것이다. 음성 신호는 24 kHz에서 샘플링되었고, 각 샘플은 16 비트로 양자화되었다. 아래 표 1은 각 집합의 발화 수를 나타낸다. 화자 독립적(SI) ExcitNet 보코더를 훈련시키기 위해서는 한국인 여성 5 명과 한국인 남성 5 명이 녹음한 음성 코퍼가 사용되었다. 총 6,422 개(10 시간) 및 1,080개(1.7 시간)의 발화가 각각 훈련 및 검증(validation)에 사용되었다. SI 데이터 세트에 포함되지 않은 동일한 KRF 및 KRM 화자에 의해 녹음된 음성 샘플이 시험을 위해 사용되었다.
화자 훈련 검증 시험
KRF 3,826(7h) 270(30min) 270(30min)
KRM 2,294(7h) 160(30min) 160(30min)
아래 표 2 및 표 3은 객관적인 시험의 결과로서 원본 음성과 생성된 음성 간의 왜곡을 LSD(Log-Spectral Distance)(dB)와 F0 RMSE(Root Mean Square Error)(Hz)로 각각 나타낸 것이다. WN은 WaveNet 보코더를 나타내고, WN-NS는 WaveNet 보코더에 노이스-쉐이핑 방법을 적용한 것을 나타내며, ExcitNet은 ExcitNet 보코더를 나타낸다. 가장 작은 오류가 나타난 부분은 볼드체로 표시하였다. 표 2 및 표 3은 유성음에 대해 측정된 결과일 수 있다.
화자 시스템 SD SI
1h 3h 5h 7h
KRF WN 4.21 4.19 4.18 4.13 4.18
WN-NS 4.15 4.12 4.07 4.01 4.06
ExcitNet 4.11 4.09 4.05 3.99 4.04
KRM WN 3.73 3.72 3.69 3.67 3.70
WN-NS 3.54 3.46 3.41 3.41 3.46
ExcitNet 3.53 3.46 3.41 3.40 3.45
화자 시스템 SD SI
1h 3h 5h 7h
KRF WN 32.61 31.69 31.56 31.49 32.30
WN-NS 31.96 31.75 31.52 31.38 32.23
ExcitNet 31.44 31.43 31.37 31.29 31.88
KRM WN 12.60 12.39 12.05 12.05 13.96
WN-NS 12.32 12.16 11.97 11.97 13.34
ExcitNet 12.72 12.10 11.93 11.93 12.96
표 2 및 3에서 표시된 것처럼, SD 및 SI의 대부분의 경우에 있어서 ExcitNet 보코더의 경우가 원본 음성과 생성된 음성 간의 왜곡이 가장 적게 나타남을 확인할 수 있다. 아래 표 4는 무성음 및 트랜지션 영역(transition regions)에 대해 측정된 LSD(dB)를 나타낸다.
화자 시스템 SD SI
1h 3h 5h 7h
KRF WN 4.19 4.16 4.15 4.09 4.18
WN-NS 4.26 4.18 4.12 4.03 4.06
ExcitNet 4.15 4.10 4.06 3.98 4.04
KRM WN 3.95 3.96 3.92 3.92 3.70
WN-NS 4.41 3.95 3.88 3.88 3.46
ExcitNet 3.91 3.83 3.76 3.76 3.45
표 4에서 표시된 것처럼, SD 및 SI의 모든 경우에 있어서 ExcitNet 보코더의 경우가 원본 음성과 생성된 음성 간의 왜곡이 가장 적게 나타남을 확인할 수 있다. 아래 표 5 및 6은 주관적인 시험의 결과로서 선호도 테스트의 결과(%)를 나타낸다. 청취자로부터 높은 선호도가 나타난 부분을 표에서 볼드체로 표시하였다. 나머지들에 비해 ExcitNet 보코더의 경우 합성 음성의 인식 품질이 현저하게 우수함을 확인할 수 있다. 평가자는 12인의 한국어를 모국어로 사용하는 청취자들이며, 20개의 랜덤으로 선택된 발화에 대해 시험이 이루어졌다.
KRF WN WN-NS ExcitNet Neutral p-value
SD 6.8 64.1 - 29.1 <10 -30
7.3 - 83.6 9.1 <10 -49
- 12.7 58.2 29.1 <10 -17
SI 12.7 66.8 - 20.5 <10 -22
8.6 - 73.6 27.7 <10 -35
- 19.5 38.6 41.8 <10 -3
KRF WN WN-NS ExcitNet Neutral p-value
SD 11.8 60.5 - 27.7 <10 -19
17.3 - 77.7 5.0 <10 -24
- 16.4 73.6 10.0 <10 -22
SI 27.3 48.6 - 24.1 <10 -3
13.6 - 75.5 10.9 <10 -27
- 17.3 63.6 19.1 <10 -15
도 20은 일 예에 따른 ExcitNet 보코더와 타 보코더 간의 MOS(Mean Opinion Score)(MOS) 평가 결과를 나타낸다. 녹음된 음성으로부터 음향 피쳐가 추출되는 경우인 분석/합성(A/S)의 결과에 대한 평가 및 음향 모델로부터 음향 피쳐가 생성되는 경우인 SPSS에 있어서의 결과의 평가가 이루어졌다.
S/A에 있어서, SI-ExcitNet 보코더는 ITFTE 보코더와 유사한 성능을 나타냈으나 WORLD 시스템보다는 훨씬 뛰어난 것으로 나타났다. 모든 경우에 있어서 SD-ExcitNet 보코더는 최고의 인식 품질(KRF 및 KRM 화자에 대해 각각 4.35 및 4.47 MOS를 나타냄)을 나타냈다. 고음의 여성 음성을 표현하는 것이 어렵기 때문에 KRF 화자에 대한 MOS 결과는 SI 보코더들(WORLD, ITFTE 및 SI-ExcitNet)에 있어서 KRM 화자의 경우보다 좋지 않게 나타났다. 반면, SD-ExcitNet의 KRF 화자에 대한 결과는 KRM 화자에 대한 결과와 비슷하다는 점에서, 고음의 목소리를 효과적으로 표현하기 위해서는 화자 별 특성을 모델링되어야 함을 나타낸다. SPSS의 측면에서는, SD 및 SI-ExcitNet 보코더 모두 파라메트릭 ITFTE 보코더보다 훨씬 우수한 인식 품질을 나타냈다. 음향 모델이 지나치게 평탄한 음성 매개 변수를 생성했지만, ExcitNet 보코더는 시간 영역 여기 신호를 직접 추정함으로써 평활화 효과를 완화할 수 있었다. 결과적으로, SD-ExcitNet 보코더를 사용하는 SPSS 시스템은 각각 KRF 및 KRM 화자에 대해 3.78 및 3.85 MOS를 달성했다. SI-ExcitNet 보코더는 KRF 및 KRM 화자에 대해 각각 2.91 및 2.89 MOS를 달성했다.
아래에서는, 도 6 내지 도 8을 참조하여 전술된 화자 적응형 모델(620)을 구축하는 뉴럴 보코더에 대해 보다 상세하게 설명하고, 타 모델과의 비교 시험 결과에 대해 더 설명한다. 실시예의 뉴럴 보코더는 단 10 분의 음성 데이터 세트와 같이, 타겟 화자로부터의 훈련 데이터가 불충분한 경우에도 고품질의 음성 합성 시스템을 구축할 수 있다.
실시예의 뉴럴 보코더는 타겟 화자에 대한 제한된 훈련 데이터로 인해 발생하는 타겟 화자 관련 정보의 부족 문제를 해결하기 위해, 복수의 화자들에 대해 보편적인 특성을 추출할 수 있는 화자 독립적으로 훈련된 소스 모델(610)로부터의 가중치 값을 활용한다. 이러한 소스 모델(610)로부터의 가중치 값은 화자 적응형 모델(620)의 훈련을 초기화하기 위해 사용되며, 타겟 화자의 고유한 특성을 나타내기 위해 미세 조정될 수 있다. 이러한 적응 과정에 따라, 딥 뉴럴 네트워크가 타겟 화자의 특성을 포착할 수 있으므로, 화자 독립적인 모델에서 발생하는 불연속성 문제를 감소 시킬 수 있다. 후술될 실험 결과 역시 실시예의 뉴럴 보코더가 종래의 방법에 비해 합성된 음성의 인식 품질을 현저히 향상시킨다는 것을 보여준다.
SD는 (소스 모델(610)로부터의 가중치를 초기 값으로 하지 않고) 화자 종속적으로 훈련된 모델을 나타내고, SI는 화자 독립적으로 훈련된 모델을 나타내고, SA는 도 6 내지 도 8을 참조하여 전술한 바와 같은 화자 적응형으로 훈련된 모델(즉, 소스 모델(610)로부터의 가중치를 초기 값으로 하여 화자 종속적으로 훈련된 모델)을 나타낸다.
SD 및 SA 모델에 있어서, 한국 여성 화자가 녹음한 음성 코퍼가 사용되었다. 음성 신호는 24 kHz에서 샘플링되었고, 각 샘플은 16 비트로 양자화되었다. 훈련, 검증 및 시험에는 총 90개(10 분), 40개 (5 분), 130개 (15 분)의 발화가 사용되었다. SI 모델을 훈련시키기 위해 SD와 SA 모델 훈련에는 포함되지 않은 5 명의 한국 남성 화자 및 5 명의 한국 여성 화자가 녹음한 음성 데이터가 사용되었다. 이를 위해 훈련 및 검증에 각각 6,422개(10 시간) 및 1,080개(1.7 시간)의 발화가 사용되었다. SD 및 SA 모델의 테스트 세트는 SI 모델을 평가하기 위해서도 또한 사용되었다.
아래 표 7 및 표 8은 객관적인 시험의 결과로서 원본 음성과 생성된 음성 간의 왜곡을 LSD(Log-Spectral Distance)(dB)와 F0 RMSE(Root Mean Square Error)(Hz)로 각각 나타낸 것이다. 표 7은 녹음된 음성으로부터 추출된 음향 피처들이 보조 피쳐를 구성하기 위해 직접적으로 사용되는 경우의 분석/합성의 결과에 대한 평가(A/S)를 나타낸다. 표 8은 SPSS에 있어서의 결과의 평가를 나타낸다. 가장 작은 오류가 나타난 부분은 볼드체로 표시하였다.
시스템 WaveNet ExcitNet
LSD F0 RMSE LSD F0 RMSE
SD 3.65 38.27 2.10 19.83
SI 2.00 10.64 1.32 10.48
SA 1.79 10.70 1.12 9.66
시스템 WaveNet ExcitNet
LSD F0 RMSE LSD F0 RMSE
SD 4.78 48.75 4.50 39.14
SI 4.51 35.53 4.42 36.28
SA 4.45 35.45 4.36 35.47
표 7 및 표 8에서, WaveNet 보코더 및 ExcitNet 보코더 모두에 있어서 SA의 경우가 원본 음성과 생성된 음성 간의 왜곡이 가장 적게 나타남을 확인할 수 있다.도 21은 일 예에 따른 F0 스케일링 팩터(scaling factor)를 상이하게 하는 경우에 있어서 화자 적응형 모델을 구축하는 뉴럴 보코더의 성능 변화를 나타낸다.
실시예의 SA를 적용한 훈련 방법의 유효성을 검증하기 위해 F0을 수동으로 변경했을 때의 뉴럴 보코더의 성능 변화를 조사하였다. SI 모델은 피치를 수정한 합성 음성을 생성함에 있어서 효과적이라는 것이 밝혀져 있다. SA 모델 역시 SI 모델을 활용하는 것인 바 SD 접근법에 비해서는 높은 성능을 보일 것으로 기대할 수 있다.
시험에 있어서, F0 궤적은 SPSS 프레임 워크에 의해 생성된 후 보조 피처 벡터를 수정하기 위해 스케일링 팩터(0:6, 0:8, 1:0 및 1:2)가 곱해졌다. 음성 신호는 뉴럴 보코드 시스템을 사용하여 합성되었다.
도 21은 상이한 F0 스케일링 팩터에 대한 F0 RMSE (Hz) 시험 결과를 나타낸다. 도 21을 통해, SA 모델이 기존의 SD 모델에 비해 훨씬 작은 수정 오류(modification error)를 포함하고 있음을 확인할 수 있다. SI 모델과 비교해서는 SA-ExcitNet 보코더는 모든 가중치가 타겟 화자의 특성에 맞게 최적화되었음에도 동등한 품질이 유지되고 있음을 확인할 수 있다.
또한, ExcitNet 보코더는 WaveNet 보코더보다 훨씬 우수한 성능을 나타냄을 확인할 수 있다. ExcitNet 보코더는 성대 움직임의 변화(여기 신호의 변화)를 훈련하므로, WaveNet 기반의 접근 방식보다 유연하게 F0 수정된 음성 세그먼트를 재구성 할 수 있는 것으로 볼 수 있다.
도 19는 주관적인 시험 결과로서, SD, SI 및 SA의 보코더들 간의 MOS 평가 결과를 나타낸다. 녹음된 음성으로부터 음향 피쳐가 추출되는 경우인 분석/합성(A/S)의 결과에 대한 평가 및 음향 모델로부터 음향 피쳐가 생성되는 경우인 SPSS에 있어서의 결과의 평가가 이루어졌다.
A/S 의 결과에 있어서, SD-WaveNet 보코더는 제한적인 훈련 데이터로는 타겟 화자의 특성을 훈련할 수 없었는 바 가장 나쁜 결과가 나타났다. SI-WaveNet 보코더는 ITFTE 보코더와 유사한 성능을 나타냈으며 WORLD 시스템보다는 뛰어난 성능을 보이는 것으로 나타났다. 모든 WaveNet 보코더에 있어서의 SA의 활용은 우수한 성능을 나타낸다는 것이 확인되었다. ExcitNet 보코더에 대한 결과는 WaveNet 보코더의 경우와 비슷한 경향을 보였으나 ExcitNet 보코더는 LP 인버스 필터를 통해 음성 신호의 포먼트 구성 요소를 분리함으로써 나머지 신호의 모델링 정확도를 향상시키는 바 전체적으로 훨씬 우수한 성능을 보이는 것으로 나타났다. 결과적으로, SA-ExcitNet 보코더는 A/S 결과에 있어서 4.40 MOS를 달성했다.
SPSS의 결과에 있어서, SI-WaveNet 보코더와 SI-ExcitNet 보코더는 모두 파라메트릭 ITFTE 보코더보다 우수한 인식 품질을 제공하는 것으로 나타났다. 결과적으로, 실시예의 SA 훈련 모델은 기존의 화자 의존적인 방법과 화자 독립적인 방법에 비해 합성 음성 신호의 품질을 크게 향상 시킨다는 것을 확인할 수 있었다. A/S 결과에서와 마찬가지로 ExcitNet 보코더는 SPSS 결과에 있어서 WaveNet 보코더보다 우수한 성능을 나타냈다. 음향 모델이 지나치게 평탄한 음성 매개 변수를 생성했지만, ExcitNet 보코더는 시간 영역 여기 신호를 직접 추정함으로써 평활화 효과를 완화할 수 있었다. 결과적으로 SA-ExcitNet 보코더가 있는 SPSS 시스템은 3.77 MOS를 달성했다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수 개의 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 어플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 컴퓨터에 의해 구현되는 뉴럴 보코더(neural vocoder)에 의해 수행되는 음성 신호 생성 방법에 있어서,
    스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 단계;
    상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 단계; 및
    상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 단계
    를 포함하는, 음성 신호 생성 방법.
  2. 제1항에 있어서,
    상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함하는, 음성 신호 생성 방법.
  3. 제2항에 있어서,
    상기 제1 여기 파라미터는 상기 여기의 고조파 스펙트럼(harmonic spectrum)을 나타내고, 상기 제2 여기 파라미터는 상기 여기의 그 외의 부분을 나타내는, 음성 신호 생성 방법.
  4. 제1항에 있어서,
    상기 스펙트럼 관련 파라미터들은,
    음성 신호의 피치를 나타내는 주파수 파라미터, 음성 신호의 에너지를 나타내는 에너지 파라미터, 음성 신호의 유성음(voice) 또는 무성음(unvoice) 여부를 나타내는 파라미터 및 음성 신호의 라인 스펙트럼 주파수(Line Spectral Frequency; LSF)를 나타내는 파라미터를 포함하는, 음성 신호 생성 방법.
  5. 제4항에 있어서,
    상기 타겟 음성 신호를 생성하는 단계는,
    상기 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계; 및
    상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용하는 단계
    를 포함하는, 음성 신호 생성 방법.
  6. 제1항에 있어서,
    상기 복수의 음향 파라미터들은 입력된 텍스트 또는 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 것인, 음성 신호 생성 방법.
  7. 제1항에 있어서,
    상기 뉴럴 보코더는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것이고,
    상기 훈련은,
    상기 입력된 음성 신호에 대해 선형 예측 분석 필터(Linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 단계; 및
    상기 분리된 여기 신호의 확률 분포를 모델링하는 단계
    를 포함하고,
    상기 여기 신호를 추정하는 단계는,
    상기 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정하는, 음성 신호 생성 방법.
  8. 제7항에 있어서,
    상기 여기 신호를 분리하는 단계는,
    상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 단계; 및
    상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용하는 단계
    를 포함하는, 음성 신호 생성 방법.
  9. 제7항에 있어서,
    상기 분리된 여기 신호는 상기 입력된 음성 신호에 대한 잔차 성분(residual component)인, 음성 신호 생성 방법.
  10. 컴퓨터에 의해 구현되는 뉴럴 보코더의 훈련 방법에 있어서,
    음성 신호를 입력 받는 단계;
    상기 입력된 음성 신호로부터 스펙트럼 관련 파라미터들 및 여기의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 추출하는 단계;
    상기 입력된 음성 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 예측 분석 필터를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 단계; 및
    상기 분리된 여기 신호의 확률 분포를 모델링하는 단계
    를 포함하는, 뉴럴 보코더의 훈련 방법.
  11. 제10항에 있어서,
    상기 여기 신호를 분리하는 단계는,
    상기 스펙트럼 관련 파라미터들 중 상기 입력된 음성 신호의 LSF를 나타내는 파라미터를 LPC로 변환하는 단계; 및
    상기 입력된 음성 신호에 대해 상기 입력된 음성 신호의 변환된 LPC에 기반한 상기 선형 예측 분석 필터를 적용하는 단계
    를 포함하는, 뉴럴 보코더의 훈련 방법.
  12. 제10항에 있어서,
    상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함하는, 뉴럴 보코더의 훈련 방법.
  13. 뉴럴 보코더에 있어서,
    스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 파라미터 획득부;
    상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 여기 신호 추정부; 및
    상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 음성 신호 생성부
    를 포함하는, 뉴럴 보코더.
  14. 제13항에 있어서,
    상기 음성 신호 생성부는 상기 스펙트럼 관련 파라미터들 중 음성 신호의 LSF를 나타내는 파라미터를 선형 예측 코딩(Linear Predictive Coding; LPC)으로 변환하는 변환부를 포함하고,
    상기 추정된 여기 신호에 대해 상기 변환된 LPC에 기반한 상기 선형 합성 필터를 적용하는, 뉴럴 보코더.
  15. 제13항에 있어서,
    상기 뉴럴 보코더는 훈련을 위해 입력된 음성 신호에 기반하여 훈련된 것이고,
    상기 입력된 음성 신호에 대해 선형 예측 분석 필터(linear prediction analysis filter)를 적용함으로써 상기 입력된 음성 신호로부터 여기 신호를 분리하는 여기 신호 분리부; 및
    상기 분리된 여기 신호의 확률 분포를 모델링하는 모델링부
    를 더 포함하고,
    상기 여기 신호 추정부는, 상기 모델링된 여기 신호의 확률 분포를 사용하여, 상기 복수의 음향 파라미터들에 대한 여기 신호를 추정하는, 뉴럴 보코더.
  16. 컴퓨터에 의해 구현되는 뉴럴 보코더의 훈련 방법에 있어서,
    복수의 화자들로부터의 음성 데이터 세트들에 대해 훈련된 소스 모델로부터의 가중치 값(weight)들을 초기 값으로 설정하는 단계; 및
    상기 초기 값에 대해, 타겟 화자로부터의 음성 데이터 세트를 훈련함으로써 업데이트된 가중치 값들을 생성하는 단계
    를 포함하고,
    상기 업데이트된 가중치 값들은 상기 타겟 화자에 대응하는 합성 음성 신호를 생성하기 위해 사용되는, 뉴럴 보코더의 훈련 방법.
  17. 제16항에 있어서,
    상기 소스 모델로부터의 가중치 값(weight)들은 상기 음성 데이터 세트들에 포함된 화자 별로 구분되지 않는 글로벌 특성을 나타내는 값들이고,
    상기 업데이트된 가중치 값들을 생성하는 단계는,
    상기 소스 모델로부터의 가중치 값들을 상기 타겟 화자로부터의 음성 데이터 세트가 포함하는 상기 타겟 화자의 고유한 특성이 반영되도록 조정함으로써, 상기 업데이트된 가중치 값들을 생성하는, 뉴럴 보코더의 훈련 방법.
  18. 제16항에 있어서,
    상기 복수의 화자들로부터의 음성 데이터 세트들을 화자 독립적으로 훈련하는 소스 모델을 구축하는 단계; 및
    상기 소스 모델로부터 상기 가중치 값들을 획득하는 단계
    를 더 포함하고,
    상기 소스 모델은 상기 타겟 화자로부터의 음성 데이터 세트를 훈련하기 위한 모델의 초기화기(initializer)로서 사용되는, 뉴럴 보코더의 훈련 방법.
  19. 제16항의 훈련 방법에 따라 훈련된 뉴럴 보코더에 의해 수행되는 음성 신호 생성 방법에 있어서,
    입력된 텍스트 또는 입력된 음성 신호에 기반하여 음향 모델(acoustic model)에 의해 생성된 스펙트럼 관련 파라미터들(spectral parameter) 및 여기(excitation)의 주기성에 따라 구분되는 여기 관련 파라미터들을 포함하는 복수의 음향 파라미터들을 획득하는 단계;
    상기 복수의 음향 파라미터들에 기반하여 여기 신호(excitation signal)를 추정하는 단계; 및
    상기 추정된 여기 신호에 대해 상기 스펙트럼 관련 파라미터들 중 적어도 하나에 기반한 선형 합성 필터를 적용함으로써 타겟 음성 신호를 생성하는 단계
    를 포함하고,
    상기 타겟 음성 신호는 상기 타겟 화자에 대응하는 합성 음성인, 음성 신호 생성 방법.
  20. 제19항에 있어서,
    상기 여기 관련 파라미터들은 소정의 컷오프 주파수를 이하의 여기를 나타내는 제1 여기 파라미터 및 상기 컷오프 주파수 초과의 여기를 나타내는 제2 여기 파라미터를 포함하는, 음성 신호 생성 방법.
PCT/KR2019/010428 2019-01-11 2019-08-16 화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법 Ceased WO2020145472A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021540067A JP7274184B2 (ja) 2019-01-11 2019-08-16 話者適応型モデルを実現して合成音声信号を生成するニューラルボコーダおよびニューラルボコーダの訓練方法
JP2023069781A JP7618724B2 (ja) 2019-01-11 2023-04-21 話者適応型モデルを実現して合成音声信号を生成するニューラルボコーダおよびニューラルボコーダの訓練方法

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR1020190004085A KR102198598B1 (ko) 2019-01-11 2019-01-11 합성 음성 신호 생성 방법, 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법
KR1020190004084A KR102198597B1 (ko) 2019-01-11 2019-01-11 뉴럴 보코더 및 화자 적응형 모델을 구현하기 위한 뉴럴 보코더의 훈련 방법
KR10-2019-0004085 2019-01-11
KR10-2019-0004084 2019-01-11

Publications (1)

Publication Number Publication Date
WO2020145472A1 true WO2020145472A1 (ko) 2020-07-16

Family

ID=71520538

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/010428 Ceased WO2020145472A1 (ko) 2019-01-11 2019-08-16 화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법

Country Status (2)

Country Link
JP (2) JP7274184B2 (ko)
WO (1) WO2020145472A1 (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634856A (zh) * 2020-12-10 2021-04-09 苏州思必驰信息科技有限公司 语音合成模型训练方法和语音合成方法
CN113539237A (zh) * 2021-07-15 2021-10-22 思必驰科技股份有限公司 语音合成方法、电子设备及存储介质
WO2022181912A1 (ko) * 2021-02-23 2022-09-01 삼성전자주식회사 전자 장치 및 그 제어 방법
JP2022146690A (ja) * 2021-03-22 2022-10-05 株式会社リコー 情報処理装置、システム、方法、およびプログラム
WO2023281555A1 (ja) * 2021-07-05 2023-01-12 日本電信電話株式会社 生成方法、生成プログラム及び生成装置
WO2023064736A1 (en) * 2021-10-14 2023-04-20 Qualcomm Incorporated Audio coding using combination of machine learning based time-varying filter and linear predictive coding filter
WO2023064735A1 (en) * 2021-10-14 2023-04-20 Qualcomm Incorporated Audio coding using machine learning based linear filters and non-linear neural sources
CN116403603A (zh) * 2023-04-28 2023-07-07 科大讯飞股份有限公司 一种假音检测方法、假音检测模型获取方法及相关设备
WO2024055752A1 (zh) * 2022-09-15 2024-03-21 腾讯科技（深圳）有限公司 语音合成模型的训练方法、语音合成方法和相关装置
US12266343B2 (en) 2021-02-23 2025-04-01 Samsung Electronics Co., Ltd. Electronic device and control method thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001296900A (ja) * 2000-04-13 2001-10-26 Hitachi Kokusai Electric Inc 音声信号符号復号化システム
US6691082B1 (en) * 1999-08-03 2004-02-10 Lucent Technologies Inc Method and system for sub-band hybrid coding
US7315815B1 (en) * 1999-09-22 2008-01-01 Microsoft Corporation LPC-harmonic vocoder with superframe structure
KR101862982B1 (ko) * 2017-02-17 2018-05-30 국방과학연구소 LPC-10e 보코더에서 DNN을 이용한 유무성음 판별 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02304493A (ja) * 1989-05-19 1990-12-18 Hitachi Ltd 音声合成システム
JPH0317700A (ja) * 1989-06-14 1991-01-25 Nec Corp 音声符号化復号化方式
US5517595A (en) * 1994-02-08 1996-05-14 At&T Corp. Decomposition in noise and periodic signal waveforms in waveform interpolation
JP5574344B2 (ja) * 2009-03-09 2014-08-20 国立大学法人豊橋技術科学大学 １モデル音声認識合成に基づく音声合成装置、音声合成方法および音声合成プログラム
WO2017046887A1 (ja) * 2015-09-16 2017-03-23 株式会社東芝 音声合成装置、音声合成方法、音声合成プログラム、音声合成モデル学習装置、音声合成モデル学習方法及び音声合成モデル学習プログラム
JP6649210B2 (ja) * 2016-08-30 2020-02-19 日本電信電話株式会社 音声合成学習装置、方法、及びプログラム
JP6802958B2 (ja) * 2017-02-28 2020-12-23 国立研究開発法人情報通信研究機構 音声合成システム、音声合成プログラムおよび音声合成方法
KR101910273B1 (ko) * 2017-04-06 2018-10-19 한국과학기술원 음성변조를 위한 음성모델 부호화를 이용한 음성합성 기술 및 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6691082B1 (en) * 1999-08-03 2004-02-10 Lucent Technologies Inc Method and system for sub-band hybrid coding
US7315815B1 (en) * 1999-09-22 2008-01-01 Microsoft Corporation LPC-harmonic vocoder with superframe structure
JP2001296900A (ja) * 2000-04-13 2001-10-26 Hitachi Kokusai Electric Inc 音声信号符号復号化システム
KR101862982B1 (ko) * 2017-02-17 2018-05-30 국방과학연구소 LPC-10e 보코더에서 DNN을 이용한 유무성음 판별 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EUNWOO SONG , JINSEOB KIM , KYUNGGUEN BYUN ,HONG-GOO KANG: "Speaker-adaptive neural vocoders for statistical parametric speech synthesis systems", NAVER, 8 November 2018 (2018-11-08), pages 1 - 5, XP080935691 *
SONG EUNWOO: "Deep learning-based speech synthesis system", 35TH VOICE COMMUNICATION AND SIGNAL PROCESSING CONFERENCE OF THE ACOUSTICAL SOCIETY OF KOREA, 16 August 2018 (2018-08-16), Korea, pages 1 - 15, XP009522368 *
SONG EUNWOO; BYUN KYUNGGUEN; KANG HONG-GOO: "ExcitNet Vocoder: A Neural Excitation Model for Parametric Speech Synthesis Systems", 2019 27TH EUROPEAN SIGNAL PROCESSING CONFERENCE (EUSIPCO), 6 September 2019 (2019-09-06), pages 1 - 5, XP033660251, DOI: 10.23919/EUSIPCO.2019.8902701 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634856A (zh) * 2020-12-10 2021-04-09 苏州思必驰信息科技有限公司 语音合成模型训练方法和语音合成方法
WO2022181912A1 (ko) * 2021-02-23 2022-09-01 삼성전자주식회사 전자 장치 및 그 제어 방법
US12266343B2 (en) 2021-02-23 2025-04-01 Samsung Electronics Co., Ltd. Electronic device and control method thereof
JP2022146690A (ja) * 2021-03-22 2022-10-05 株式会社リコー 情報処理装置、システム、方法、およびプログラム
WO2023281555A1 (ja) * 2021-07-05 2023-01-12 日本電信電話株式会社 生成方法、生成プログラム及び生成装置
JPWO2023281555A1 (ko) * 2021-07-05 2023-01-12
JP7601224B2 (ja) 2021-07-05 2024-12-17 日本電信電話株式会社 生成方法、生成プログラム及び生成装置
CN113539237A (zh) * 2021-07-15 2021-10-22 思必驰科技股份有限公司 语音合成方法、电子设备及存储介质
WO2023064736A1 (en) * 2021-10-14 2023-04-20 Qualcomm Incorporated Audio coding using combination of machine learning based time-varying filter and linear predictive coding filter
WO2023064735A1 (en) * 2021-10-14 2023-04-20 Qualcomm Incorporated Audio coding using machine learning based linear filters and non-linear neural sources
WO2024055752A1 (zh) * 2022-09-15 2024-03-21 腾讯科技（深圳）有限公司 语音合成模型的训练方法、语音合成方法和相关装置
CN116403603A (zh) * 2023-04-28 2023-07-07 科大讯飞股份有限公司 一种假音检测方法、假音检测模型获取方法及相关设备

Also Published As

Publication number Publication date
JP2023089256A (ja) 2023-06-27
JP7618724B2 (ja) 2025-01-21
JP7274184B2 (ja) 2023-05-16
JP2022516784A (ja) 2022-03-02

Similar Documents

Publication Publication Date Title
WO2020145472A1 (ko) 화자 적응형 모델을 구현하고 합성 음성 신호를 생성하는 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법
WO2022260432A1 (ko) 자연어로 표현된 스타일 태그를 이용한 합성 음성 생성 방법 및 시스템
WO2020101263A1 (en) Electronic apparatus and method for controlling thereof
EP3818518A1 (en) Electronic apparatus and method for controlling thereof
WO2023085584A1 (en) Speech synthesis device and speech synthesis method
WO2020105856A1 (en) Electronic apparatus for processing user utterance and controlling method thereof
WO2020145439A1 (ko) 감정 정보 기반의 음성 합성 방법 및 장치
WO2019080248A1 (zh) 语音识别方法、装置、设备以及计算机可读存储介质
WO2020231230A1 (en) Method and apparatus for performing speech recognition with wake on voice
EP4388531A1 (en) Bandwidth extension and speech enhancement of audio
WO2020230926A1 (ko) 인공 지능을 이용하여, 합성 음성의 품질을 평가하는 음성 합성 장치 및 그의 동작 방법
WO2020050509A1 (en) Voice synthesis device
WO2019083055A1 (ko) 기계학습을 이용한 오디오 복원 방법 및 장치
WO2023182765A1 (en) Speech enhancement method and device using fast fourier convolution
WO2020153717A1 (en) Electronic device and controlling method of electronic device
WO2016024853A1 (ko) 음질 향상 방법 및 장치, 음성 복호화방법 및 장치와 이를 채용한 멀티미디어 기기
KR102198598B1 (ko) 합성 음성 신호 생성 방법, 뉴럴 보코더 및 뉴럴 보코더의 훈련 방법
WO2023177095A1 (en) Patched multi-condition training for robust speech recognition
KR102198597B1 (ko) 뉴럴 보코더 및 화자 적응형 모델을 구현하기 위한 뉴럴 보코더의 훈련 방법
WO2021040490A1 (en) Speech synthesis method and apparatus
WO2020075998A1 (ko) 전자 장치 및 그 제어 방법
Nakamura et al. Timbre replacement of harmonic and drum components for music audio signals
WO2024072026A1 (en) Method performed by an electronic device, electronic device and computer-readable storage media
US10540990B2 (en) Processing of speech signals
WO2023132574A1 (ko) 인공 지능 기기

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: 19909062

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021540067

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19909062

Country of ref document: EP

Kind code of ref document: A1