WO2021049802A1 - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
WO2021049802A1
WO2021049802A1 PCT/KR2020/011675 KR2020011675W WO2021049802A1 WO 2021049802 A1 WO2021049802 A1 WO 2021049802A1 KR 2020011675 W KR2020011675 W KR 2020011675W WO 2021049802 A1 WO2021049802 A1 WO 2021049802A1
Authority
WO
WIPO (PCT)
Prior art keywords
voice
data
audio signal
trigger
electronic device
Prior art date
Application number
PCT/KR2020/011675
Other languages
English (en)
French (fr)
Inventor
우샤코브유리
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of WO2021049802A1 publication Critical patent/WO2021049802A1/ko
Priority to US17/689,406 priority Critical patent/US20220189481A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G10L19/008—Multichannel audio signal coding or decoding using interchannel correlation to reduce redundancy, e.g. joint-stereo, intensity-coding or matrixing
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L2015/088—Word spotting
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • G10L2015/223—Execution procedure of a spoken command

Definitions

  • the present disclosure relates to an artificial intelligence (AI) system utilizing a machine learning algorithm and its application.
  • AI artificial intelligence
  • the artificial intelligence system is a computer system that realizes human-level intelligence, and the machine learns and judges itself, and the recognition rate increases as it is used.
  • Machine learning technology consists of machine learning (deep learning) technology that uses algorithms to classify/learn the features of input data by itself, and element technologies that simulate the functions of human brain's cognition and judgment using machine learning algorithms.
  • Elemental technologies include, for example, linguistic understanding technology that recognizes human language/text, visual understanding technology that recognizes things like human vision, reasoning/prediction technology that logically infers and predicts by judging information, and human experience information. It may include at least one of a knowledge expression technology for processing as knowledge data, an autonomous driving of a vehicle, and a motion control technology for controlling a movement of a robot.
  • Linguistic understanding is a technology that recognizes and applies/processes human language/text, and includes natural language processing, machine translation, dialogue system, question and answer, and speech recognition/synthesis.
  • a smart TV can change a channel or adjust a volume through a user's voice
  • a smart phone can acquire various information through the user's voice.
  • the voice recognition engine of the electronic device may be activated using the user's voice.
  • a user voice for activating the voice recognition engine may be referred to as a trigger voice. That is, in order to identify a trigger voice from a user's spoken voice and activate a voice recognition engine corresponding to the identified trigger voice, the need for a technology capable of improving the recognition rate of the trigger voice is increasing.
  • the present disclosure was conceived based on the above-described necessity, and an object of the present disclosure is to provide an electronic device capable of improving the recognition rate of trigger voices and identifying trigger voices for a plurality of voice recognition engines, and a control method thereof.
  • a method of controlling an electronic device includes: receiving an audio signal including a voice; Separating the received audio signal to obtain a plurality of signal frames; Converting each of the plurality of signal frames into a plurality of first feature data; Normalizing the plurality of first feature data to obtain a plurality of normalized data; And inputting the plurality of normalized data to the learned neural network model to identify the trigger voice to identify whether the trigger voice is included in the audio signal.
  • an electronic device includes a memory including at least one instruction, a processor connected to the memory and controlling the electronic device, wherein the processor By executing at least one instruction, an audio signal including voice is received, a plurality of signal frames are obtained by separating the received audio signal, and each of the plurality of signal frames is a plurality of first feature data. To obtain a plurality of normalized data by normalizing the plurality of first feature data, and inputting the plurality of normalized data to a trained neural network model to identify a trigger voice, and a trigger voice to the audio signal. Identify whether it has been included.
  • a recognition rate of a trigger voice is improved, and trigger voices for a plurality of voice recognition engines can be identified.
  • FIG. 1 is a block diagram schematically illustrating a configuration of an electronic device 100 according to an embodiment of the present disclosure.
  • FIG. 2 is a flowchart illustrating an overall process of identifying a trigger voice included in a voice signal according to an embodiment of the present disclosure.
  • 3A is a diagram illustrating that labeling is performed on a voice signal including a first trigger voice according to an embodiment of the present disclosure.
  • 3B is a diagram illustrating that labeling is performed on a voice signal including a second trigger voice according to an embodiment of the present disclosure.
  • 4A is a graph of feature data according to an embodiment of the present disclosure.
  • 4B is a graph of normalized data in which feature data is normalized, according to an embodiment of the present disclosure.
  • 5A is a diagram illustrating that a UI indicating a first voice recognition engine corresponding to a first trigger voice is displayed on a display.
  • 5B is a diagram illustrating that a UI indicating a second voice recognition engine corresponding to a second trigger voice is displayed on the display.
  • FIG. 6 is a flowchart for identifying a trigger voice according to an embodiment of the present disclosure.
  • FIG. 7 is a sequence diagram illustrating an operation between an electronic device and a server according to an embodiment of the present disclosure.
  • FIG. 8 is a block diagram illustrating a detailed configuration of an electronic device according to an embodiment of the present disclosure.
  • 9A is a diagram illustrating an electronic device including a microphone and a display.
  • 9B is a diagram illustrating an electronic device including a display and receiving an audio signal from an external device.
  • 9C is a diagram illustrating an electronic device including a microphone and transmitting a control signal to an external display.
  • FIG. 1 is a block diagram schematically illustrating a configuration of an electronic device 100 according to an embodiment of the present disclosure.
  • the electronic device according to various embodiments of the present disclosure may be implemented as a user terminal device or a home appliance, but this is only an example and may be implemented as at least one server.
  • the electronic device 100 may include a memory 110 and a processor 120.
  • the memory 110 may store various programs and data necessary for the operation of the electronic device 100. Specifically, at least one instruction may be stored in the memory 110.
  • the processor 120 may perform an operation of the electronic device 100 by executing an instruction stored in the memory 110.
  • the memory 110 may be implemented as a nonvolatile memory, a volatile memory, a flash memory, a hard disk drive (HDD), a solid state drive (SSD), or the like.
  • the memory 110 is accessed by the processor 120, and data read/write/edit/delete/update by the processor 120 may be performed.
  • the term memory refers to a memory 110, a ROM (not shown) in the processor 120, a RAM (not shown), or a memory card (not shown) mounted in the electronic device 100 (eg, micro SD Card, memory stick).
  • the memory 110 may store programs and data for configuring various screens to be displayed in the display area of the display.
  • the memory 110 may store the received audio signal.
  • the audio signal may include a voice, and whether a trigger voice is included in the audio signal may be identified through the electronic device 100 according to the present disclosure.
  • the memory 110 may store the learned neural network model.
  • the neural network model according to the present disclosure may be implemented as a recurrent neural network (RNN) or a deep neural network (DNN) as a trained neural network model to identify a trigger voice, and details will be described later.
  • RNN recurrent neural network
  • DNN deep neural network
  • Functions related to artificial intelligence are operated through the processor 120 and the memory 110.
  • the processor 120 may be composed of one or a plurality of processors.
  • one or more processors may be a general-purpose processor such as a CPU (Central Processing Unit) or an application processor (AP), or a Graphics Processing Unit (GPU). It may be a processor dedicated to graphics such as a Visual Processing Unit (VPU) or a processor dedicated to artificial intelligence such as a Neural Processing Unit (NPU).
  • VPU Visual Processing Unit
  • NPU Neural Processing Unit
  • One or more processors control to process input data according to a predefined operation rule or an artificial intelligence model stored in the memory.
  • a predefined motion rule or artificial intelligence model is characterized by being created through learning.
  • being made through learning means that a predefined operation rule or an artificial intelligence model of a desired characteristic is created by applying a learning algorithm to a plurality of training data.
  • Such learning may be performed in a device on which artificial intelligence according to the present disclosure is performed, or may be performed through a separate server/system.
  • the artificial intelligence model may be composed of a plurality of neural network layers. Each layer has a plurality of weight values, and a layer operation is performed through the operation result of a previous layer and a plurality of weights.
  • Examples of neural networks include CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN (Bidirectional Recurrent Deep Neural Network) and deep There are Q-Networks (Deep Q-Networks), and the neural network in the present disclosure is not limited to the above-described example except for the case where it is specified.
  • the processor 120 may be electrically connected to the memory 110 to control overall operation of the electronic device 100. Specifically, the processor 120 may control the electronic device 100 by executing at least one command stored in the memory 110.
  • the processor 120 may divide the received audio signal into a plurality of signal frames. That is, the processor 120 may divide the audio signal into a frame unit and obtain a plurality of signal frames corresponding to the audio signal. In addition, the processor 120 may convert each of the plurality of signal frames into data suitable for input to the neural network model. That is, the processor 120 may convert the audio signal into data suitable for input to the neural network model according to the present disclosure, and input the converted data into the neural network model to identify whether a trigger voice is included in the audio signal.
  • the neural network model according to the present disclosure may be implemented as a recurrent neural network (RNN) as a trained neural network model to identify a trigger voice.
  • RNN recurrent neural network
  • the RNN model is an artificial intelligence neural network model, which means an artificial intelligence neural network model in which a loop is added in a hidden layer.
  • DNN deep neural network
  • learning may be performed based on first data including a trigger voice and second data not including a trigger voice.
  • the neural network model may be trained by labeling only the first data including the trigger voice, and the neural network model in which training is performed based on the first data and the second data is one speech recognition engine. Only the trigger voice for can be identified.
  • the processor 120 may convert each of the acquired signal frames into a plurality of first feature data in order to convert the audio signal into data suitable for input to the learned neural network model.
  • features are extracted from a plurality of signal frames through methods such as Short Time Fourie Transform (STFT) Coefficients, Mel-Frequency Cepstral Coefficients (MFCC), Liner Predictive Coding (LPC), and Wavelet Coefficients.
  • STFT Short Time Fourie Transform
  • MFCC Mel-Frequency Cepstral Coefficients
  • LPC Liner Predictive Coding
  • Wavelet Coefficients Wavelet Coefficients
  • the processor 120 may obtain a plurality of normalized data by normalizing the plurality of first feature data. Normalization refers to a process of converting data into suitable data for input into a neural network model, and the processor 120 inputs a plurality of normalized normalized data into a trained neural network model to identify a trigger voice, It is possible to identify whether or not a trigger voice is included in the signal.
  • the processor 120 may obtain a plurality of normalized data by normalizing the plurality of first feature data.
  • the present invention is not limited thereto, and the processor 120 acquires a plurality of second feature data by adding artificial noise to the plurality of first feature data, and normalizes the plurality of second feature data to obtain a plurality of normalized data. Can be obtained. That is, the processor 120 may track the noise level of the audio signal in order to add artificial noise to the first feature data. The processor 120 may acquire second feature data by adding artificial noise to the first feature data based on the tracked noise level.
  • the noise level tracking according to the present disclosure may be performed through a minima-controlled recursive averaging (MCRA) method based on a plurality of signal frames and a plurality of first feature data, but is not limited thereto.
  • MCRA minima-controlled recursive averaging
  • STFT Short Time Fourie Transform
  • the process of adding the artificial noise to the first feature data may be the same as the Spectral Whitening method used to add the artificial noise.
  • STFT Short Time Fourie Transform
  • the processor 120 can more clearly identify information on the trigger voice included in the first feature data, thereby increasing the recognition rate for the trigger voice. It can be improved.
  • the neural network model identifies trigger voices for a plurality of voice recognition engines. can do. That is, when the neural network model is trained based on the third data not including the trigger voice, the fourth data including the first trigger voice, and the fifth data including the second trigger voice, the neural network model recognizes two voices. You can identify the trigger voice for the engine.
  • the first trigger voice may be a trigger voice for activating the first voice recognition engine
  • the second trigger voice may be a trigger voice for activating the second voice recognition engine.
  • the neural network model may be trained by labeling only the fourth data and the fifth data, and different labels may be applied to the fourth and fifth data to train the neural network model. Therefore, the neural network model trained based on the first data and the second data can identify the trigger voice for one voice recognition engine, and the neural network model trained based on the third data to the fifth data is two voices. The trigger voice for the recognition engine can be identified. That is, the neural network model according to the present disclosure may identify trigger voices for a plurality of speech recognition engines according to training data obtained by training the neural network model.
  • the processor 120 may activate the first voice recognition engine when it is identified that the audio signal includes the first trigger voice, and activate the second voice recognition engine when it is identified that the audio signal contains the second trigger voice. .
  • the processor 120 may control to display a UI indicating a voice recognition engine corresponding to the identified trigger voice among the first voice recognition engine and the second voice recognition engine on the display.
  • the UI representing the speech recognition engine will be described later with reference to FIGS. 5A and 5B.
  • FIG. 2 is a flowchart illustrating an overall process of identifying a trigger voice included in a voice signal according to an embodiment of the present disclosure.
  • the electronic device 100 may obtain a signal frame from an audio signal (S210).
  • the audio signal may include a user's voice, and is received through a microphone provided in the electronic device 100, or acquired through a microphone provided in a smartphone or remote control connected to the electronic device 100, and An audio signal may be received by the electronic device 100.
  • the electronic device 100 may obtain a plurality of signal frames by separating the received audio signal.
  • the electronic device 100 may extract a feature from each signal frame (S220) to obtain first feature data corresponding to each signal frame.
  • first feature data features are extracted from each signal frame through methods such as Short Time Fourie Transform (STFT) Coefficients, Mel-Frequency Cepstral Coefficients (MFCC), Liner Predictive Coding (LPC), and Wavelet Coefficients as described above. Can be obtained.
  • STFT Short Time Fourie Transform
  • MFCC Mel-Frequency Cepstral Coefficients
  • LPC Liner Predictive Coding
  • Wavelet Coefficients as described above.
  • the electronic device 100 performs noise level tracking based on the signal frame and the first feature data (S230), and adds artificial noise to the first feature data based on the tracked noise level. (S240), second feature data may be obtained.
  • the process of artificial noise level tracking may be performed through a minima-controlled recursive averaging (MCRA) method, but is not limited thereto.
  • MCRA minima-controlled recursive averaging
  • the electronic device 100 may normalize the second feature data (S250) to obtain normalized data, and input the normalized data to a recurrent neural network (RNN) model (S260). That is, the electronic device 100 may convert the audio signal into data suitable for input to the RNN model through the above-described process (S210 to S250).
  • RNN recurrent neural network
  • the electronic device 100 may input data output from the RNN model to a soft-max layer (S270) to obtain probability information on whether a trigger voice is included in the audio signal (S280).
  • the soft-max layer may mean a layer for converting data output from the RNN into a probability form.
  • probability information on whether an audio signal includes a trigger voice may be obtained.
  • the electronic device 100 may repeat the above-described process for the remaining signal frames. That is, the electronic device 100 may identify whether or not a trigger voice is included in the audio signal by separating the audio signal into a plurality of signal frames and performing the above-described process for each of the plurality of signal frames. When there are no more signal frames in the audio signal (S290-N), the electronic device 100 may end the above-described process.
  • FIG. 3A and 3B are diagrams illustrating labeling of a voice signal including a trigger voice according to an embodiment of the present disclosure. Specifically, FIG. 3A shows that a voice signal including a first trigger voice is labeled according to an embodiment of the present disclosure, and FIG. 3B shows that a voice signal including a second trigger voice is labeled.
  • the voice signal shown in FIG. 3A includes a first trigger voice, and a first label as 1111 is applied to a frame at a portion where the first trigger voice ends. That is, referring to FIG. 3A, four frames at the end of the first trigger voice may be labeled as 1, and each of the remaining frames may be labeled as 0. However, the present invention is not limited thereto, and 3 to 5 frames at which the first trigger voice ends may be labeled as 1.
  • the neural network model according to the present disclosure may be trained based on fourth data including a plurality of labeled first trigger voices. That is, the fourth data may include a plurality of data labeled first in a plurality of voice signals in which the first trigger voice was uttered by a plurality of talkers.
  • the voice signal shown in FIG. 3B includes a second trigger voice, and the frame at which the second trigger voice ends is labeled as 2222. That is, the neural network model may be trained based on the fifth data labeled 2 in 4 frames at which the second trigger voice ends and 0 in each of the remaining frames. That is, the neural network model according to the present disclosure may be trained based on fifth data including a plurality of labeled second trigger voices. That is, the fifth data may include a plurality of data labeled with a second label on a plurality of voice signals in which a second trigger voice is uttered from a plurality of talkers.
  • FIG. 4A is a graph showing feature data according to an embodiment of the present disclosure.
  • the graph shown in FIG. 4A is a graph showing second feature data obtained by adding artificial noise to the first feature data.
  • the graph of FIG. 4A shows a Mel-filtered spectrum in which features are extracted by the MFCC method for each signal frame, and the acquired features are shown for each frame unit.
  • the normalized data shown in 4B is a graph showing normalized data in which the feature data shown in FIG. 4A is normalized.
  • the graph shown in FIG. 4B is a graph showing normalized data obtained by normalizing the second feature data.
  • the normalized data shown in 4b may be data having a fixed range (for example, [0,1] or [-1,1]) suitable for input into the RNN model.
  • the normalization data of FIG. 4B is data obtained by adding artificial noise to the first feature data and performing normalization, and a trigger voice included in the audio signal can be more clearly identified through the normalization data.
  • 5A is a diagram illustrating that a UI indicating a first voice recognition engine corresponding to a first trigger voice is displayed on a display.
  • the electronic device 100 may identify that the first trigger voice (AAA) is included in the audio signal by receiving an audio signal including the user's utterance. have.
  • the first voice recognition engine may be activated by the first trigger voice (AAA), and if it is identified that the first trigger voice (AAA) is included in the audio signal, the electronic device 100 transmits the first trigger voice (AAA).
  • a UI indicating that the first voice recognition engine is activated may be displayed on the display.
  • the UI indicating that the first voice recognition is activated may include a logo or image A indicating the first voice recognition engine and a guide message requesting a user's utterance.
  • the electronic device 100 activates the first voice recognition engine corresponding to the first trigger voice (AAA), and a UI indicating that the first voice recognition engine is activated. Is displayed on the display, so that the user can utilize the first voice recognition engine through the UI displayed on the display.
  • 5B is a diagram illustrating that a UI indicating a second voice recognition engine corresponding to a second trigger voice is displayed on the display.
  • the electronic device 100 When the user speaks the second trigger voice (BBB), the electronic device 100 receives an audio signal including the user's voice and identifies that the second trigger voice (BBB) is included in the audio signal. have.
  • the second voice recognition engine may be activated according to the second trigger voice (BBB), and when it is identified that the second trigger voice (BBB) is included in the audio signal, the electronic device 100 transmits the second trigger voice (BBB).
  • a UI indicating that the second voice recognition engine is activated may be displayed.
  • the UI indicating that the second voice recognition is activated may include a logo or image B indicating the second voice recognition engine and a guide message requesting a user's utterance.
  • the electronic device 100 activates the second voice recognition engine corresponding to the second trigger voice (BBB), and a UI indicating that the second voice recognition engine is activated. Is displayed on the display, so that the user can utilize the second voice recognition engine through the UI displayed on the display.
  • the electronic device 100 may identify trigger voices for different voice recognition engines by using a trained neural network model to identify trigger voices, and identify trigger voices according to the identification result of the trigger voice.
  • a voice recognition engine corresponding to the triggered voice may be activated.
  • FIG. 6 is a flowchart for identifying a trigger voice according to an embodiment of the present disclosure.
  • the electronic device may receive an audio signal (S610).
  • the audio signal includes a user's voice, and the electronic device may identify whether a trigger voice is included in the received audio signal.
  • the electronic device may obtain a plurality of signal frames by separating the audio signal (S620).
  • the electronic device may obtain a plurality of signal frames corresponding to the audio signal by separating the audio signal by frame.
  • the electronic device may convert each of the plurality of signal frames into a plurality of first feature data (S630).
  • first feature data features are extracted from a plurality of signal frames through methods such as Short Time Fourie Transform (STFT) Coefficients, Mel-Frequency Cepstral Coefficients (MFCC), Liner Predictive Coding (LPC), and Wavelet Coefficients.
  • STFT Short Time Fourie Transform
  • MFCC Mel-Frequency Cepstral Coefficients
  • LPC Liner Predictive Coding
  • Wavelet Coefficients Wavelet Coefficients
  • the electronic device may normalize the plurality of first feature data to obtain a plurality of normalized data (S640). Normalization refers to the process of converting data into suitable data for input into a neural network model,
  • the electronic device may input a plurality of normalization data that has undergone a normalization process into a learned neural network model to identify a trigger voice, and identify whether a trigger voice is included in the audio signal (S650).
  • the electronic device may convert the audio signal received through the above-described process into data suitable for input to the neural network model.
  • the electronic device may identify whether a trigger voice is included in the audio signal through the converted plurality of normalized data.
  • FIG. 7 is a sequence diagram illustrating an operation between an electronic device and a server according to an embodiment of the present disclosure.
  • the electronic device 100 may receive an audio signal (S710).
  • the audio signal may include voice, and an audio signal may be received through a microphone provided in the electronic device 100 or an audio signal obtained from an external device may be received from an external device.
  • the electronic device 100 may transmit the received audio signal to the server 700 (S720).
  • the server 700 disclosed in FIG. 7 is a server for using the neural network model according to the present disclosure, receives an audio signal from the electronic device 100, and identifies whether a trigger voice is included in the audio signal through the neural network model, Information on the identified trigger voice may be transmitted to the electronic device 100.
  • the server 700 may obtain a plurality of signal frames by separating the audio signal (S730). In addition, the server 700 may convert a plurality of signal frames into a plurality of first feature data (S740). For the plurality of first feature data, features are extracted from a plurality of signal frames through methods such as Short Time Fourie Transform (STFT) Coefficients, Mel-Frequency Cepstral Coefficients (MFCC), Liner Predictive Coding (LPC), and Wavelet Coefficients. The first feature data of may be obtained.
  • STFT Short Time Fourie Transform
  • MFCC Mel-Frequency Cepstral Coefficients
  • LPC Liner Predictive Coding
  • Wavelet Coefficients Wavelet Coefficients
  • the server 700 may acquire a plurality of second feature data by adding artificial noise to the first feature data (S750).
  • the server 700 may track a noise level of an audio signal based on a plurality of signal frames and a plurality of first feature data.
  • the server 700 may acquire second feature data by adding artificial noise to the first feature data based on the tracked noise level.
  • the process of tracking the noise level according to the present disclosure may be performed through a minima-controlled recursive averaging (MCRA) method, but is not limited thereto.
  • MCRA minima-controlled recursive averaging
  • the server 700 normalizes the plurality of second feature data to obtain a plurality of normalization data (S760), and the neural network model inputs the plurality of normalization data to identify whether a trigger voice is included in the audio signal. Can be (S770). Then, the server 700 may transmit information on the identified trigger voice to the electronic device 100 (S780).
  • the electronic device 100 may activate a voice recognition engine corresponding to the identified trigger voice based on the information received from the server 700 (S790).
  • the server identifies whether the audio signal contains a trigger voice, and the identified information is transmitted to the electronic device for identification.
  • a voice recognition engine corresponding to the triggered voice may be activated.
  • FIG. 8 is a block diagram illustrating a detailed configuration of an electronic device according to an embodiment of the present disclosure.
  • the electronic device 800 may include a memory 810, a processor 820, a communication unit 830, an input/output interface 840, a display 850, and a microphone 860.
  • a memory 810 may include a central processing unit 810, a graphics processing unit 820, a graphics processing unit 830, a graphics processing unit 830, a graphics processing unit 830, a graphics processing unit 830, a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830, and a graphics processing unit 830.
  • the communication unit 830 is a component that communicates with various types of external devices according to various types of communication methods.
  • the communication unit 830 may include a WiFi chip, a Bluetooth chip, a wireless communication chip, and an NFC chip.
  • the processor 820 communicates with various external devices using the communication unit 830.
  • the WiFi chip and the Bluetooth chip perform communication in a WiFi method and a Bluetooth method, respectively.
  • various types of connection information such as an SSID and a session key may be transmitted and received first, and then various types of information may be transmitted and received after a communication connection using the same.
  • the wireless communication chip refers to a chip that performs communication according to various communication standards such as IEEE, Zigbee, 3rd Generation (3G), 3rd Generation Partnership Project (3GPP), and Long Term Evoloution (LTE).
  • the NFC chip refers to a chip that operates in an NFC (Near Field Communication) method using a 13.56 MHz band among various RF-ID frequency bands such as 135 kHz, 13.56 MHz, 433 MHz, 860 to 960 MHz, and 2.45 GHz.
  • NFC Near Field Communication
  • the communication unit 830 may perform communication with an external server, transmit an audio signal to an external server, and receive information on whether a trigger voice is included in the audio signal from the external server.
  • the input/output interface 840 may input/output at least one of audio and video signals.
  • the input/output interface 840 may receive an image including at least one of content and a UI from an external device, and may output a control command to the external device.
  • the input/output interface 840 may be a High Definition Multimedia Interface (HDMI), but this is only an exemplary embodiment, and MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP (Display Port), Thunder It may be any one of a bolt (Thunderbolt), a video graphics array (VGA) port, an RGB port, a D-subminiature (D-SUB), and a digital visual interface (DVI).
  • the input/output interface 840 may include a port for inputting/outputting only an audio signal and a port for inputting/outputting only an image signal as separate ports, or may be implemented as a single port for inputting and outputting both audio and video signals.
  • the electronic device 800 may receive an audio signal from an external device through the input/output interface 840 or the communication unit 250.
  • the display 850 may display signal-processed image data.
  • the display 850 may display a UI indicating a voice recognition engine corresponding to the trigger voice identified by the control of the processor 820.
  • the neural network model according to the present disclosure is trained to identify the first trigger voice and the second trigger voice, the first voice recognition engine corresponding to the first trigger voice or the second voice recognition corresponding to the second trigger voice
  • a UI indicating a voice recognition engine corresponding to a trigger voice identified among the engines may be displayed on the display.
  • the electronic device 800 disclosed in FIG. 8 is disclosed as including the display 850, but is not limited thereto, and the electronic device according to the present disclosure may perform connection with an external display.
  • a control signal may be transmitted to the external display so that the corresponding UI is displayed.
  • the microphone 860 receives an audio signal from the outside.
  • the audio signal may include a user voice
  • the user voice may include a trigger voice for activating the voice recognition engine and a command for controlling the electronic device 800 through the voice recognition engine.
  • the electronic device 800 disclosed in FIG. 8 is disclosed as including a microphone 860, but is not limited thereto, and an external electronic device receives an audio signal, and the electronic device according to the present disclosure receives an audio signal from an external electronic device. Can be received.
  • the audio output unit 870 outputs audio data under the control of the processor 820.
  • the audio output unit 870 may be implemented as a speaker output terminal, a headphone output terminal, and an S/PDIF output terminal.
  • the processor 820 controls the display 850 to display a UI indicating a voice recognition engine corresponding to the identified trigger voice, and the audio output unit 870 recognizes the voice. It is possible to output a guide voice requesting a user's speech to use the engine.
  • FIGS. 9A to 9C are diagrams illustrating a process of receiving an audio signal including a user's voice and identifying whether a trigger voice is included in the audio signal.
  • the electronic device 100 may include a display and a microphone. That is, the electronic device 100 according to 9a may receive a user's voice through a microphone included in the electronic device. Accordingly, the electronic device 100 may directly receive an audio signal including a user's voice and obtain normalization data corresponding to the received audio signal. In addition, the electronic device 100 may input normalization data to the learned neural network model to identify the trigger voice and identify whether the trigger voice is included in the received audio signal. Further, when it is identified that the audio signal includes a trigger voice, the electronic device 100 may activate a voice recognition engine corresponding to the trigger voice and display a UI indicating the activated voice recognition engine on the display.
  • an audio signal for a user's voice is obtained through the remote control 200, and the electronic device 100 may receive an audio signal obtained from the remote control 200 for controlling the electronic device 100.
  • an analog voice signal may be received through a microphone provided in the remote control 200, and the analog voice signal received from the remote control may be digitized and transmitted to the electronic device 100.
  • the present invention is not limited thereto, and the electronic device 100 may be controlled by the smartphone by installing a remote control application in a terminal such as a smartphone, and an audio signal obtained from the smartphone Can be received. That is, in the case of a smartphone with a remote control application installed, the smartphone may receive a voice signal and transmit the received voice signal to the electronic device 100 using a Wi-Fi or Bluetooth method.
  • the electronic device 100 may receive an audio signal including a user's voice through the remote control 200 and obtain normalization data corresponding to the received audio signal.
  • the electronic device 100 may input normalization data to the learned neural network model to identify the trigger voice and identify whether the trigger voice is included in the received audio signal.
  • the electronic device 100 may activate a voice recognition engine corresponding to the trigger voice and display a UI indicating the activated voice recognition engine on the display.
  • the electronic device 100 may include a microphone and is connected to an external display 300 to display a UI related to a trigger voice on the external display 300. Can transmit a control signal to.
  • An audio signal including a user's voice may be received through a microphone of the electronic device 100. Accordingly, the electronic device 100 may directly receive an audio signal including a user's voice through a microphone, and obtain normalization data corresponding to the received audio signal. In addition, the electronic device 100 may input normalization data to the learned neural network model to identify the trigger voice and identify whether the trigger voice is included in the received audio signal. Further, when it is identified that the audio signal includes the trigger voice, the electronic device 100 activates a voice recognition engine corresponding to the trigger voice, and displays a UI indicating the activated voice recognition engine on the external display 300. Can be controlled.
  • the present disclosure may be applied when a display is included or not included in the electronic device 100, and when a display is not included in the electronic device 100, it is connected to an external display.
  • a UI related to speech recognition can be displayed.
  • the external remote control 200 includes the user's voice. An audio signal may be obtained, and an audio signal may be received from an external remote control 200.
  • embodiments described above may be implemented in a recording medium that can be read by a computer or a similar device using software, hardware, or a combination thereof.
  • embodiments described in the present disclosure include Application Specific Integrated Circuits (ASICs), digital signal processors (DSPs), digital signal processing devices (DSPDs), programmable logic devices (PLDs), field programmable gate arrays (FPGAs). ), processors, controllers, micro-controllers, microprocessors, and electric units for performing other functions.
  • ASICs Application Specific Integrated Circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • processors controllers, micro-controllers, microprocessors, and electric units for performing other functions.
  • the embodiments described herein may be implemented by the processor itself.
  • a non-transitory readable medium may be mounted and used in various devices.
  • the non-transitory readable medium refers to a medium that stores data semi-permanently and can be read by a device, rather than a medium that stores data for a short moment, such as a register, a cache, and a memory.
  • programs for performing the above-described various methods may be provided by being stored in a non-transitory readable medium such as a CD, DVD, hard disk, Blu-ray disk, USB, memory card, and ROM.
  • a method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products can be traded between sellers and buyers as commodities.
  • the computer program product may be distributed online in the form of a device-readable storage medium (eg, compact disc read only memory (CD-ROM)) or through an application store (eg, Play StoreTM).
  • an application store eg, Play StoreTM
  • at least some of the computer program products may be temporarily stored or temporarily generated in a storage medium such as a server of a manufacturer, a server of an application store, or a memory of a relay server.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Telephonic Communication Services (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

전자 장치 및 이의 제어 방법이 제공된다. 본 전자 장치는 적어도 하나의 인스트럭션을 포함하는 메모리, 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서를 포함하고, 프로세서는 적어도 하나의 인스트럭션을 실행함으로써, 음성을 포함하는 오디오 신호를 수신하고, 수신한 오디오 신호를 분리하여 복수의 신호 프레임을 획득하고, 복수의 신호 프레임 각각을 복수의 제1 특징 (feature) 데이터로 변환하고, 복수의 제1 특징 데이터를 정규화(normalization)하여 복수의 정규화 데이터를 획득하고, 트리거 음성을 식별하기 위해 학습된 신경망 모델에 복수의 정규화 데이터를 입력하여 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다.

Description

전자 장치 및 이의 제어 방법
본 개시는 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다
인공지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(딥러닝) 기술 및 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성된다.
요소기술들은, 예로, 인간의 언어/문자를 인식하는 언어적 이해 기술, 사물을 인간의 시각처럼 인식하는 시각적 이해 기술, 정보를 판단하여 논리적으로 추론하고 예측하는 추론/예측 기술, 인간의 경험 정보를 지식데이터로 처리하는 지식 표현 기술 및 차량의 자율 주행, 로봇의 움직임을 제어하는 동작 제어 기술 중 적어도 하나를 포함할 수 있다.
언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다.
근래의 다양한 전자 장치에는 마이크 등을 통해 입력된 사용자 음성을 이용하여 전자 장치를 제어하는 기술이 채용되고 있다. 예를 들어 스마트 TV는 사용자 음성을 통해 채널을 변경하거나 음량을 조절하고, 스마트 폰은 사용자 음성을 통해 다양한 정보를 획득할 수 있다.
특히, 전자 장치의 음성 인식 엔진이 비활성화되어 있는 동안 사용자 음성을 이용하여 음성 인식 엔진을 활성화시킬 수 있다. 이때, 음성 인식 엔진을 활성화시키기 위한 사용자 음성을 트리거 음성이라 할 수 있다. 즉, 사용자의 발화 음성에서 트리거 음성을 식별하고, 식별된 트리거 음성에 대응되는 음성 인식 엔진을 활성화 하기 위해, 트리거 음성의 인식률을 향상 시킬 수 있는 기술의 필요성이 증대되고 있다.
또한, 전자 장치에서 복수의 음성 인식 엔진을 사용하는 경우, 특정 음성 인식 엔진을 사용하기 위해서 사용자가 리모컨의 서로 다른 버튼을 누르거나 서로 다른 트리거 신호를 입력해야 하는데, 트리거 신호의 개수에 구애 받지 않고 여러 트리거 신호를 식별할 수 있는 신경망 모델에 대한 필요성이 증대되고 있다.
본 개시는 상술한 필요성을 바탕으로 안출된 것으로, 본 개시의 목적은 트리거 음성의 인식률을 향상시키고 복수의 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
상술한 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은, 음성을 포함하는 오디오 신호를 수신하는 단계; 상기 수신한 오디오 신호를 분리하여 복수의 신호 프레임을 획득하는 단계; 상기 복수의 신호 프레임 각각을 복수의 제1 특징 (feature) 데이터로 변환하는 단계; 상기 복수의 제1 특징 데이터를 정규화(normalization)하여 복수의 정규화 데이터를 획득하는 단계; 및 트리거 음성을 식별하기 위해 학습된 신경망 모델에 상기 복수의 정규화 데이터를 입력하여 상기 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별하는 단계;를 포함한다.
그리고, 상술한 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치는 적어도 하나의 인스트럭션을 포함하는 메모리, 상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서를 포함하고, 상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써, 음성을 포함하는 오디오 신호를 수신하고, 상기 수신한 오디오 신호를 분리하여 복수의 신호 프레임을 획득하고, 상기 복수의 신호 프레임 각각을 복수의 제1 특징 (feature) 데이터로 변환하고, 상기 복수의 제1 특징 데이터를 정규화(normalization)하여 복수의 정규화 데이터를 획득하고, 트리거 음성을 식별하기 위해 학습된 신경망 모델에 상기 복수의 정규화 데이터를 입력하여 상기 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별한다.
상술한 바와 같은 전자 장치 및 전자 장치의 제어방법을 통해, 트리거 음성의 인식률이 향상되고, 복수의 음성 인식 엔진에 대한 트리거 음성이 식별될 수 있다.
도 1은 본 개시의 일 실시 예에 따른, 전자 장치(100)의 구성을 간략히 도시한 블럭도이다.
도 2는 본 개시의 일 실시 예에 따른, 음성 신호에 포함된 트리거 음성을 식별하는 전체적인 과정을 나타내는 흐름도이다.
도 3a 본 개시의 일 실시 예에 따른, 제1 트리거 음성이 포함된 음성 신호에 라벨링이 수행된 것을 나타내는 도면이다.
도 3b는 본 개시의 일 실시 예에 따른, 제2 트리거 음성이 포함된 음성 신호에 라벨링이 수행된 것을 나타내는 도면이다.
도 4a는 본 개시의 일 실시 예에 따른, 특징 데이터에 대한 그래프이다.
도 4b는 본 개시의 일 실시 예에 따른, 특징 데이터가 정규화된 정규화 데이터에 대한 그래프이다.
도 5a는 제1 트리거 음성에 대응되는 제1 음성 인식 엔진을 나타내는 UI가 디스플레이에 표시되는 것을 나타낸 도면이다.
도 5b는 제2 트리거 음성에 대응되는 제2 음성 인식 엔진을 나타내는 UI가 디스플레이에 표시되는 것을 나타낸 도면이다.
도 6은 본 개시의 일 실시 예에 따른, 트리거 음성을 식별하기 위한 흐름도이다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치와 서버간의 동작을 나타내는 시퀀스도이다.
도 8은 본 개시의 일 실시 예에 따른, 전자 장치의 구체적인 구성을 나타내는 블록도이다.
도 9a는 마이크 및 디스플레이를 포함하는 전자 장치를 나타내는 도면이다.
도 9b는 디스플레이를 포함하고, 외부 장치로부터 오디오 신호를 수신하는 전자 장치를 나타내는 도면이다.
도 9c는 마이크를 포함하고, 외부 디스플레이로 제어 신호를 전송하는 전자 장치를 나타내는 도면이다.
이하에서는 도면을 참조하여 본 발명에 대해 더욱 상세히 설명하기로 한다.
도 1은 본 개시의 일 실시 예에 따른, 전자 장치(100)의 구성을 간략히 도시한 블럭도이다. 본 개시의 다양한 실시 예들에 따른 전자 장치는 사용자 단말 장치 또는 가전 제품으로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 적어도 하나의 서버로 구현될 수 있다. 도 1에 도시된 바와 같이, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(110)에는 적어도 하나의 인스트럭션이 저장될 수 있다. 프로세서(120)는 메모리(110)에 저장된 인스트럭션을 실행함으로써 전자 장치(100)의 동작을 수행할 수 있다.
메모리(110)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(110)는 프로세서(120)에 의해 액세스되며, 프로세서(120)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(110), 프로세서(120) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(110)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
메모리(110)는 수신된 오디오 신호를 저장할 수 있다. 오디오 신호는 음성을 포함할 수 있으며, 본 개시에 따른 전자 장치(100)를 통해 오디오 신호에 트리거 음성이 포함되어 있는지 여부가 식별될 수 있다.
메모리(110)는 학습된 신경망 모델을 저장할 수 있다. 본 개시에 따른 신경망 모델은 트리거 음성을 식별하기 위해 학습된 신경망 모델로 RNN(Recurrent Neural Network) 또는 DNN(Deep Neural Network)로 구현될 수 있으며, 자세한 내용은 후술하도록 한다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서(120)와 메모리(110)를 통해 동작된다.
프로세서(120)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(application processor) 등과 같은 범용 프로세서, GPU(Graphics Processing Unit). VPU(Visual Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit) 와 같은 인공지능 전용 프로세서일 수 있다.
하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 동작을 전반적으로 제어할 수 있다. 구체적으로, 프로세서(120)는 메모리(110)에 저장된 적어도 하나의 명령어를 실행하여 전자 장치(100)를 제어할 수 있다.
본 개시에 따른 프로세서(120)는 수신한 오디오 신호를 복수의 신호 프레임으로 분리할 수 있다. 즉, 프로세서(120)는 오디오 신호를 프레임 단위로 분리하고, 오디오 신호에 대응되는 복수의 신호 프레임을 획득할 수 있다. 그리고, 프로세서(120)는 복수의 신호 프레임 각각을 신경망 모델에 입력하기에 적합한 데이터로 변환할 수 있다. 즉, 프로세서(120)는 오디오 신호를 본 개시에 따라 신경망 모델에 입력하기에 적합한 데이터로 변환하고, 변환된 데이터를 신경망 모델에 입력하여 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다.
본 개시에 따른 신경망 모델은 트리거 음성을 식별하기 위해 학습된 신경망 모델로 RNN(Recurrent Neural Network)로 구현될 수 있다. RNN 모델은 인공지능 신경망 모델로 은닉 레이어(hidden layer)에서 루프가 추가된 인공지능 신경망 모델을 의미한다. 다만, 이에 한정되지 않고, 본 개시에 따른 트리거 음성을 식별하기 위해 학습된 신경망 모델은 DNN(Deep Neural Network)으로 구현될 수 도 있다.
본 개시에 따른 신경망 모델은 트리거 음성을 포함하는 제1 데이터 및 트리거 음성을 포함하지 않는 제2 데이터를 바탕으로 학습이 수행될 수 있다. 본 개시에 따른 신경망 모델의 학습에는 트리거 음성을 포함하는 제1 데이터에만 라벨링 되어 신경망 모델이 학습될 수 있으며, 제1 데이터 및 제2 데이터를 바탕으로 학습이 수행된 신경망 모델은 하나의 음성 인식 엔진에 대한 트리거 음성만을 식별 할 수 있다.
프로세서(120)는 오디오 신호를 학습된 신경망 모델에 입력하기 적합한 데이터로 변환하기 위해 획득한 복수의 신호 프레임 각각을 복수의 제1 특징 데이터로 변환 할 수 있다. 복수의 제1 특징 데이터는 STFT(Short Time Fourie Transform) Coefficients, MFCC(Mel-Frequency Cepstral Coefficients), LPC(Liner Predictive Coding), Wavelet Coefficients 와 같은 방법을 통해 복수의 신호 프레임에서 특징이 추출되어 복수의 제1 특징 데이터가 획득될 수 있다.
프로세서(120)는 복수의 제1 특징 데이터를 정규화(normalization) 하여 복수의 정규화 데이터를 획득할 수 있다. 정규화(normalization) 란 데이터를 신경망 모델에 입력하기 위해 적합한 데이터로 변환하는 과정을 의미하여, 프로세서(120)는 정규화된 복수의 정규화 데이터를 트리거 음성을 식별하기 위해 학습된 신경망 모델에 입력하여, 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다.
프로세서(120)는 복수의 제1 특징 데이터를 정규화하여 복수의 정규화 데이터를 획득할 수 있다. 다만, 이에 한정되지 않고, 프로세서(120)는 복수의 제1 특징 데이터에 인공 잡음(noise)을 부가하여 복수의 제2 특징 데이터를 획득하고, 복수의 제2 특징 데이터를 정규화 하여 복수의 정규화 데이터를 획득할 수 있다. 즉, 프로세서(120)는 제1 특징 데이터에 인공 잡음을 부가하기 위해 오디오 신호의 잡음 레벨을 추적(Noise level tracking)할 수 있다. 프로세서(120)는 추적된 잡음 레벨을 바탕으로 제1 특징 데이터에 인공 잡음을 부가하여 제2 특징 데이터를 획득할 수 있다. 본 개시에 따른 잡음 레벨 추적은 복수의 신호 프레임 및 복수의 제1 특징 데이터를 바탕으로 MCRA(Minima-Controlled Recursive Averaging) 방법을 통해 수행될 수 있으나, 이에 한정되지 않는다. 또한, 제1 특징 데이터가 STFT(Short Time Fourie Transform) Coefficients 방법을 통해 획득된다면, 인공 잡음이 제1 특징 데이터에 추가되는 과정은 인공 잡음을 부가하는데 이용되는 Spectral Whitening 방법과 동일할 수 있다. 상술한 바와 같이, 복수의 제1 특징 데이터에 인공 잡음이 부가되는 경우, 프로세서(120)는 제1 특징 데이터에 포함되어 있는 트리거 음성에 대한 정보를 더욱 명확히 식별할 수 있어 트리거 음성에 대한 인식률이 향상될 수 있다.
상술한 실시 예에서는 하나의 음성 인식 엔진에 대한 트리거 음성을 식별하는 신경망 모델로 설명 하였으나, 이는 일 실시 예에 불과 할 뿐, 본 개시에 따른 신경망 모델은 복수의 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있다. 즉, 신경망 모델이 트리거 음성을 포함하지 않는 제3 데이터, 제1 트리거 음성을 포함하는 제4 데이터 및 제2 트리거 음성을 포함하는 제5 데이터를 바탕으로 학습되는 경우, 신경망 모델은 2개의 음성 인식 엔진에 대한 트리거 음성을 식별 할 수 있다. 제1 트리거 음성은 제1 음성 인식 엔진을 활성화 하기 위한 트리거 음성이고, 제2 트리거 음성은 제2 음성 인식 엔진을 활성화 하기 위한 트리거 음성일 수 있다. 또한, 제4 데이터 및 제5 데이터에만 라벨링 되어 신경망 모델이 학습될 수 있으며, 제4 데이터 및 제5 데이터에는 서로 다른 라벨링이 되어 신경망 모델이 학습될 수 있다. 따라서, 제1 데이터 및 제2 데이터를 바탕으로 학습된 신경망 모델은 하나의 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있으며, 제3 데이터 내지 제5 데이터를 바탕으로 학습된 신경망 모델은 두 개의 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있다. 즉, 본 개시에 따른 신경망 모델은 신경망 모델을 학습한 학습 데이터에 따라 복수의 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있다.
프로세서(120)는 오디오 신호에 제1 트리거 음성이 포함된 것으로 식별되면 제1 음성 인식 엔진을 활성화 하고, 오디오 신호에 제2 트리거 음성이 포함된 것으로 식별되면 제2 음성 인식 엔진을 활성화 할 수 있다. 또한, 프로세서(120)는 제1 음성 인식 엔진 및 제2 음성 인식 엔진 중 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI를 디스플레이 상에 표시하도록 제어할 수 있다. 음성 인식 엔진을 나타내는 UI에 대해서는 도 5a 및 도 5b를 통해 후술하도록 한다.
도 2는 본 개시의 일 실시 예에 따른, 음성 신호에 포함된 트리거 음성이 식별되는 전체적인 과정을 나타내는 흐름도이다.
도 2를 참조하면, 전자 장치(100)는 오디오 신호로부터 신호 프레임을 획득할 수 있다(S210). 오디오 신호는 사용자의 음성을 포함할 수 있으며, 전자 장치(100)에 구비된 마이크를 통해 수신되거나, 전자 장치(100)와 연결된 스마트폰 또는 리모컨에 구비된 마이크를 통해 획득되고 스마트폰 또는 리모컨으로부터 전자 장치(100)로 오디오 신호가 수신될 수 있다. 그리고, 전자 장치(100)는 수신된 오디오 신호를 분리하여 복수의 신호 프레임을 획득할 수 있다.
그리고, 전자 장치(100)는 각각의 신호 프레임에서 특징(feature)을 추출하여(S220) 각각의 신호 프레임에 대응되는 제1 특징 데이터를 획득할 수 있다. 제1 특징 데이터는 상술한 바와 같이 STFT(Short Time Fourie Transform) Coefficients, MFCC(Mel-Frequency Cepstral Coefficients), LPC(Liner Predictive Coding), Wavelet Coefficients 와 같은 방법을 통해 각각의 신호 프레임에서 특징이 추출되어 획득될 수 있다.
그리고, 전자 장치(100)는 신호 프레임 및 제1 특징 데이터를 바탕으로 인공 잡음 추적(Noise level tracking)을 수행하고(S230), 추적된 잡음 레벨을 바탕으로 제1 특징 데이터에 인공 잡음을 부가하여(S240), 제2 특징 데이터를 획득할 수 있다. 인공 잡음 추적(Noise level tracking)하는 과정은 MCRA(Minima-Controlled Recursive Averaging) 방법을 통해 수행될 수 있으나, 이에 한정되지 않는다.
그리고, 전자 장치(100)는 제2 특징 데이터를 정규화(Normalization)하여(S250) 정규화 데이터를 획득하고, 정규화 데이터를 RNN(Recurrent Neural Network) 모델에 입력할 수 있다(S260). 즉, 전자 장치(100)는 상술한 과정을 통해(S210 내지 S250) 오디오 신호를 RNN 모델에 입력하기에 적합한 데이터로 변환할 수 있다.
전자 장치(100)는 RNN 모델에서 출력된 데이터를 soft-max 층(layer)에 입력하여(S270), 오디오 신호에 트리거 음성이 포함되어 있는지에 대한 확률 정보를 획득할 수 있다(S280). soft-max 레이어는 RNN에서 출력되는 데이터를 확률 형태로 변환하기 위한 레이어를 의미할 수 있다. RNN 모델에서 출력된 데이터가 soft-max 레이어에 입력되는 경우, 오디오 신호가 트리거 음성이 포함되어 있는지에 대한 확률 정보가 획득될 수 있다.
그리고, 전자 장치(100)는 오디오 신호에 신호 프레임이 더 존재 하는 경우(S290-Y), 남아 있는 신호 프레임에 대해 상술한 과정을 반복할 수 있다. 즉, 전자 장치(100)는 오디오 신호를 복수의 신호 프레임을 분리하고, 복수의 신호 프레임 각각에 대해 상술한 과정을 수행하여, 오디오 신호에 트리거 음성이 포함되어 있는지 여부를 식별할 수 있다. 전자 장치(100)는 오디오 신호에 신호 프레임이 더 존재 하지 않는 경우(S290-N), 상술한 과정을 종료 할 수 있다.
도 3a 및 도 3b는 본 개시의 일 실시 예에 따른 트리거 음성이 포함된 음성 신호에 라벨링 된 것을 나타내는 도면이다. 구체적으로, 도 3a는 본 개시의 일 실시 예에 따른, 제1 트리거 음성이 포함된 음성 신호에 라벨링이 된 것을 나타내며, 도 3b는 제2 트리거 음성이 포함된 음성 신호에 라벨링이 된 것을 나타낸다.
도 3a에 도시된 음성 신호는 제 1 트리거 음성을 포함하고, 제1 트리거 음성이 끝나는 부분의 프레임에 1111과 같이 제1 라벨링이 되어 있다. 즉, 도 3a를 참조하면 제1 트리거 음성이 끝나는 부분의 4개의 프레임에는 1로 라벨링 되고, 나머지 부분의 프레임 각각에는 0으로 라벨링 될 수 있다. 다만, 이에 한정되지 않고, 제1 트리거 음성이 끝나는 부분의 3개 내지 5개의 프레임에 1로 라벨링 될 수 있다. 본 개시에 따른 신경망 모델은 라벨링 된 복수의 제1 트리거 음성이 포함된 제4 데이터를 바탕으로 학습될 수 있다. 즉, 제4 데이터에는 복수의 발화자로부터 제1 트리거 음성이 발화된 복수의 음성 신호에 제1 라벨링 된 복수의 데이터가 포함될 수 있다.
도 3b에 도시된 음성 신호는 제2 트리거 음성을 포함하고, 제2 트리거 음성이 끝나는 부분의 프레임에 2222와 같이 라벨링 되어 있다. 즉, 제2 트리거 음성이 끝나는 부분의 4개의 프레임에는 2로 라벨링 되고, 나머지 부분의 프레임 각각에는 0으로 라벨링 된 제5 데이터를 바탕으로 신경망 모델이 학습될 수 있다. 즉, 본 개시에 따른 신경망 모델은 라벨링 된 복수의 제2 트리거 음성이 포함된 제5 데이터를 바탕으로 학습될 수 있다. 즉, 제5 데이터에는 복수의 발화자로부터 제2 트리거 음성이 발화된 복수의 음성 신호에 제2 라벨링 된 복수의 데이터가 포함될 수 있다.
도 4a는 본 개시의 일 실시 예에 따른, 특징 데이터를 나타내는 그래프이다. 도 4a에 도시된 그래프는 제1 특징 데이터에 인공 잡음이 부가되어 획득된 제2 특징 데이터를 나타낸 그래프이다. 구체적으로, 도 4a의 그래프는 신호 프레임 각각에 대해 MFCC 방식으로 특징이 추출되고, 획득된 특징을 프레임 단위 별로 나타낸 Mel-filtered 스팩트럼을 나타낸다.
도 4b는 도 4a에 나타난 특징 데이터가 정규화된 정규화 데이터를 나타내는 그래프이다. 구체적으로, 도 4b에 도시된 그래프는 제2 특징 데이터를 정규화 하여 획득된 정규화 데이터를 나타낸 그래프이다. 즉 4b에 도시된 정규화 데이터는 RNN 모델에 입력하기에 적합하도록 범위가 고정된(예로 [0,1] 또는 [-1,1]) 데이터일 수 있다. 즉, 도 4b의 정규화 데이터는 제1 특징 데이터에 인공 잡음이 부가되고, 정규화가 수행되어 획득된 데이터로, 정규화 데이터를 통해 오디오 신호에 포함된 트리거 음성이 더욱 명확히 식별될 수 있다.
도 5a는 제1 트리거 음성에 대응되는 제1 음성 인식 엔진을 나타내는 UI가 디스플레이에 표시되는 것을 나타낸 도면이다.
사용자가 제1 트리거 음성(AAA)을 발화하는 경우, 전자 장치(100)는 사용자의 발화를 포함하는 오디오 신호를 수신하여, 오디오 신호에 제1 트리거 음성(AAA)이 포함되어 있는 것으로 식별할 수 있다. 제1 음성 인식 엔진은 제1 트리거 음성(AAA)에 의해 활성화 될 수 있으며, 오디오 신호에 제1 트리거 음성(AAA)이 포함되어 있는 것으로 식별되면 전자 장치(100)는 제1 트리거 음성(AAA)에 대응되는 제1 음성 인식 엔진을 활성화하여, 제1 음성 인식 엔진이 활성화 됨을 나타내는 UI를 디스플레이 상에 표시할 수 있다. 제1 음성 인식이 활성화 됨을 나타내는 UI에는 제1 음성 인식 엔진을 나타내는 로고 또는 이미지(A) 및 사용자의 발화를 요구하는 안내 메시지가 포함될 수 있다. 즉, 사용자가 제1 트리거 음성(AAA)을 발화 하면, 전자 장치(100)는 제1 트리거 음성(AAA)에 대응되는 제1 음성 인식 엔진을 활성화 하고, 제1 음성 인식 엔진이 활성화 되었음을 나타내는 UI를 디스플레이 상에 표시하여, 사용자가 디스플레이 상에 표시된 UI를 통해 제1 음성 인식 엔진을 활용할 수 있다.
도 5b는 제2 트리거 음성에 대응되는 제2 음성 인식 엔진을 나타내는 UI가 디스플레이에 표시되는 것을 나타낸 도면이다.
사용자가 제2 트리거 음성을 발화(BBB)하는 경우, 전자 장치(100)는 사용자의 음성을 포함하는 오디오 신호를 수신하여, 오디오 신호에 제2 트리거 음성(BBB)이 포함되어 있는 것으로 식별할 수 있다. 제2 음성 인식 엔진은 제2 트리거 음성(BBB)에 따라 활성화 될 수 있으며, 오디오 신호에 제2 트리거 음성(BBB)이 포함되어 있는 것으로 식별되면 전자 장치(100)는 제2 트리거 음성(BBB)에 대응되는 제2 음성 인식 엔진을 활성화하여, 제2 음성 인식 엔진이 활성화 됨을 나타내는 UI를 표시할 수 있다. 제2 음성 인식이 활성화 됨을 나타내는 UI에는 제2 음성 인식 엔진을 나타내는 로고 또는 이미지(B) 및 사용자의 발화를 요구하는 안내 메시지가 포함될 수 있다. 즉, 사용자가 제2 트리거 음성(BBB)을 발화 하면, 전자 장치(100)는 제2 트리거 음성(BBB)에 대응되는 제2 음성 인식 엔진을 활성화 하고, 제2 음성 인식 엔진이 활성화 되었음을 나타내는 UI를 디스플레이 상에 표시하여, 디스플레이 상에 표시된 UI를 통해 사용자가 제2 음성 인식 엔진을 활용할 수 있다.
즉, 본 개시에 따른 전자 장치(100)는 트리거 음성을 식별하기 위해 학습된 신경망 모델을 이용하여, 서로 다른 음성 인식 엔진에 대한 트리거 음성을 식별할 수 있으며, 트리거 음성에 대한 식별 결과에 따라 식별된 트리거 음성에 대응되는 음성 인식 엔진이 활성화 될 수 있다.
도 6은 본 개시의 일 실시 예에 따른, 트리거 음성을 식별하기 위한 흐름도이다.
도 6을 참조하면, 전자 장치는 오디오 신호를 수신할 수 있다(S610). 오디오 신호에는 사용자의 음성이 포함되어 있으며, 전자 장치는 수신한 오디오 신호에 트리거 음성이 포함되어 있는지 여부를 식별할 수 있다.
오디오 신호가 수신되면, 전자 장치는 오디오 신호를 분리하여 복수의 신호 프레임을 획득할 수 있다(S620). 구체적으로 전자 장치는 오디오 신호를 프레임 단위로 분리하여, 오디오 신호 대응되는 복수의 신호 프레임을 획득할 수 있다.
그리고, 전자 장치는 복수의 신호 프레임 각각을 복수의 제1 특징 데이터로 변환할 수 있다(S630). 복수의 제1 특징 데이터는 STFT(Short Time Fourie Transform) Coefficients, MFCC(Mel-Frequency Cepstral Coefficients), LPC(Liner Predictive Coding), Wavelet Coefficients 와 같은 방법을 통해 복수의 신호 프레임에서 특징이 추출되어 복수의 제1 특징 데이터가 획득될 수 있다.
그리고, 전자 장치는 복수의 제1 특징 데이터를 정규화하여 복수의 정규화 데이터를 획득할 수 있다(S640). 정규화(normalization)란 데이터를 신경망 모델에 입력하기 위해 적합한 데이터로 변환하는 과정을 의미하여,
그리고, 전자 장치는 정규화 과정을 수행한 복수의 정규화 데이터를 트리거 음성을 식별하기 위해 학습된 신경망 모델에 입력하여, 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다(S650).
전자 장치는 상술한 과정을 통해 수신한 오디오 신호를 신경망 모델에 입력하기에 적합한 데이터로 변환할 수 있다. 그리고, 전자 장치는 변환된 복수의 정규화 데이터를 통해 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 전자 장치와 서버간의 동작을 나타내는 시퀀스도이다.
도 7을 참조하면, 전자 장치(100)는 오디오 신호를 수신할 수 있다(S710). 오디오 신호에는 음성이 포함되어 있을 수 있으며, 전자 장치(100)에 구비된 마이크를 통해 오디오 신호를 수신하거나, 외부 장치로부터 획득된 오디오 신호를 외부 장치로부터 수신할 수 있다. 그리고, 전자 장치(100)는 수신한 오디오 신호를 서버(700)에 전송할 수 있다(S720). 도 7에 개시된 서버(700)는 본 개시에 따른 신경망 모델을 사용하기 위한 서버로, 전자 장치(100)로부터 오디오 신호를 수신 받고, 오디오 신호에 트리거 음성이 포함되었는지를 신경망 모델을 통해 식별하고, 전자 장치(100)로 식별된 트리거 음성에 대한 정보를 전송할 수 있다.
서버(700)는 전자 장치(100)로부터 오디오 신호가 전송되면, 오디오 신호를 분리하여 복수의 신호 프레임을 획득할 수 있다(S730). 그리고, 서버(700)는 복수의 신호 프레임을 복수의 제1 특징 데이터로 변환 할 수 있다(S740). 복수의 제1 특징 데이터는 STFT(Short Time Fourie Transform) Coefficients, MFCC(Mel-Frequency Cepstral Coefficients), LPC(Liner Predictive Coding), Wavelet Coefficients 와 같은 방법을 통해 복수의 신호 프레임에서 특징이 추출되어, 복수의 제1 특징 데이터가 획득될 수 있다.
서버(700)는 제1 특징 데이터에 인공 잡음을 부가하여 복수의 제2 특징 데이터를 획득할 수 있다(S750). 서버(700)는 복수의 신호 프레임 및 복수의 제1 특징 데이터를 바탕으로 오디오 신호의 잡음 레벨을 추적(Noise level tracking)할 수 있다. 그리고, 서버(700)는 추적된 잡음 레벨을 바탕으로 제1 특징 데이터에 인공 잡음을 부가하여 제2 특징 데이터를 획득할 수 있다. 본 개시에 따른 잡음 레벨을 추적하는 과정은 MCRA(Minima-Controlled Recursive Averaging) 방법을 통해 수행될 수 있으나, 이에 한정되지 않는다.
그리고, 서버(700)는 복수의 제2 특징 데이터를 정규화 하여 복수의 정규화 데이터를 획득하고(S760), 복수의 정규화 데이터를 신경망 모델이 입력하여, 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별할 수 있다(S770). 그리고, 서버(700)는 식별된 트리거 음성에 대한 정보를 전자 장치(100)로 전송할 수 있다(S780).
전자 장치(100)는 서버(700)로부터 수신한 정보를 바탕으로, 식별된 트리거 음성에 대응되는 음성 인식 엔진을 활성화 할 수 있다(S790).
즉, 상술한 바와 같이, 전자 장치에서 오디오 신호를 수신하고, 수신한 오디오 신호를 서버로 전송하여, 서버가 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별하고 식별된 정보가 전자 장치로 전송되어 식별된 트리거 음성에 대응되는 음성 인식 엔진이 활성화 될 수 있다.
도 8은 본 개시의 일 실시 예에 따른, 전자 장치의 구체적인 구성을 나타내는 블록도이다.
도 8을 참조하면, 전자 장치(800)는 메모리(810), 프로세서(820), 통신부(830), 입출력 인터페이스(840), 디스플레이(850) 및 마이크(860)를 포함할 수 있다. 여기서, 메모리(810) 및 프로세서(820)의 일부 구성은 도 1에 도시된 구성과 동일한 바, 중복된 기재는 생략한다.
통신부(830)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신부(830)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩을 포함할 수 있다. 프로세서(820)는 통신부(830)를 이용하여 각종 외부 장치와 통신을 수행한다.
특히, 와이파이 칩, 블루투스 칩은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 칩이나 블루투스 칩을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 무선 통신 칩은 IEEE, 지그비, 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 칩을 의미한다. NFC 칩은135kHz, 13.56MHz, 433MHz, 860~960MHz, 2.45GHz 등과 같은 다양한 RF-ID 주파수 대역들 중에서 13.56MHz 대역을 사용하는NFC(Near Field Communication) 방식으로 동작하는 칩을 의미한다.
통신부(830)는 외부 서버와 통신을 수행할 수 있으며, 외부 서버로 오디오 신호를 전송하고, 외부 서버로부터 오디오 신호에 트리거 음성이 포함되었는지에 대한 정보를 전송 받을 수 있다.
입출력 인터페이스(840)는 오디오 및 영상 신호 중 적어도 하나를 입출력 할 수 있다. 특히, 입출력 인터페이스(840)는 외부 장치로부터 컨텐츠 및 UI 중 적어도 하나를 포함하는 영상을 입력 받을 수 있으며, 외부 장치로 제어 명령을 출력할 수 있다.
한편, 입출력 인터페이스(840)는 HDMI(High Definition Multimedia Interface) 일 수 있으나, 이는 일 실시 예에 불과할 뿐, MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array)포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface) 중 어느 하나의 인터페이스일 수 있다. 구현 예에 따라, 입출력 인터페이스(840)는 오디오 신호만을 입출력하는 포트와 영상 신호만을 입출력하는 포트를 별개의 포트로 포함하거나, 오디오 신호 및 영상 신호를 모두 입출력하는 하나의 포트로 구현될 수 있다.
따라서, 전자 장치(800)는 입출력 인터페이스(840) 또는 통신부(250)를 통해 외부 장치로부터 오디오 신호를 수신할 수 있다.
디스플레이(850)는 신호 처리된 영상 데이터를 디스플레이할 수 있다. 또한, 디스플레이(850)는 프로세서(820)의 제어에 의해 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI를 디스플레이 할 수 있다. 구체적으로, 본 개시에 따른 신경망 모델이 제1 트리거 음성 및 제2 트리거 음성을 식별하도록 학습된 경우, 제1 트리거 음성에 대응되는 제1 음성 인식 엔진 또는 제2 트리거 음성에 대응되는 제2 음성 인식 엔진 중 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI가 디스플레이상에 표시될 수 있다. 도 8에 개시된 전자 장치(800)는 디스플레이(850)를 포함하는 것으로 개시되어 있으나, 이에 한정되지 않고, 본 개시에 따른 전자 장치는 외부 디스플레이와 연결을 수행할 수 있으며, 외부 디스플레이에 본 개시에 따른 UI가 표시되도록 외부 디스플레이에 제어 신호가 전송될 수 있다.
마이크(860)는 외부로부터 오디오 신호를 수신한다. 오디오 신호에는 사용자 음성이 포함될 수 있으며, 사용자 음성에는 음성 인식 엔진을 활성화하기 위한 트리거 음성 및 음성 인식 엔진을 통해 전자 장치(800)를 제어하기 위한 명령어가 포함될 수 있다. 도 8에 개시된 전자 장치(800)는 마이크(860)를 포함하는 것으로 개시되어 있으나, 이에 한정되지 않고, 외부 전자 장치가 오디오 신호를 수신하고, 본 개시에 따른 전자 장치는 외부 전자 장치로부터 오디오 신호를 수신할 수 있다.
오디오 출력부(870)는 프로세서(820)의 제어에 의해 오디오 데이터를 출력한다. 이때, 오디오 출력부(870)는 스피커 출력 단자, 헤드폰 출력 단자, S/PDIF 출력 단자로 구현될 수 있다. 오디오 신호에 트리거 음성이 포함되는 것으로 식별되면, 프로세서(820)는 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI를 표시하도록 디스플레이(850)를 제어하고, 오디오 출력부(870)는 음성 인식 엔진을 사용하기 위한 사용자의 발화를 요구하는 안내 음성을 출력할 수 있다.
도 9a 내지 도 9c는 사용자의 음성을 포함하는 오디오 신호를 수신하여 오디오 신호에 트리거 음성이 포함되었는지를 식별하는 과정을 나타내는 도면이다.
도 9a를 참조하면, 전자 장치(100)는 디스플레이 및 마이크를 포함할 수 있다. 즉, 9a에 따른 전자 장치(100)는 전자 장치에 포함된 마이크를 통해 사용자의 음성을 수신할 수 있다. 따라서, 전자 장치(100)는 직접 사용자의 음성을 포함하는 오디오 신호를 수신하고, 수신된 오디오 신호에 대응되는 정규화 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 트리거 음성을 식별하기 위해 학습된 신경망 모델에 정규화 데이터를 입력하여 수신된 오디오 신호에 트리거 음성이 포함되어 있는지 여부를 식별할 수 있다. 그리고, 전자 장치(100)는 오디오 신호에 트리거 음성이 포함된 것으로 식별되면, 트리거 음성에 대응되는 음성 인식 엔진을 활성화 하고, 활성화된 음성 인식 엔진을 나타내는 UI를 디스플레이에 표시할 수 있다.
도 9b를 참조하면, 리모컨(200)을 통해 사용자 음성에 대한 오디오 신호를 획득되고, 전자 장치(100)는 전자 장치(100)를 제어하기 위한 리모컨(200)으로부터 획득된 오디오 신호를 수신할 수 있다. 즉, 아날로그 음성 신호가 리모컨(200)에 구비된 마이크를 통해 수신되고, 리모컨에서 수신된 아날로그 음성 신호를 디지털화 하여 전자 장치(100)로 전송 할 수 있다.
도 9b에서는 리모컨(200)으로 도시되어 있지만, 이에 한정되지 않고, 스마트폰 등의 단말에 리모컨 어플리케이션을 설치하여 스마트폰에 의해 전자 장치(100)가 제어될 수 있으며, 스마트폰에서 획득된 오디오 신호를 수신 받을 수 있다. 즉, 리모컨 어플리케이션이 설치된 스마트폰의 경우 스마트폰은 음성 신호를 수신하고, 수신된 음성 신호를 Wi-Fi 또는 블루투스 방식을 이용하여 전자 장치(100)로 전송할 수 있다.
따라서, 전자 장치(100)는 사용자의 음성을 포함하는 오디오 신호를 리모컨(200)을 통해 수신하고, 수신된 오디오 신호에 대응되는 정규화 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 트리거 음성을 식별하기 위해 학습된 신경망 모델에 정규화 데이터를 입력하여 수신된 오디오 신호에 트리거 음성이 포함되어 있는지 여부를 식별할 수 있다. 그리고, 전자 장치(100)는 오디오 신호에 트리거 음성이 포함된 것으로 식별되면, 트리거 음성에 대응되는 음성 인식 엔진을 활성화 하고, 활성화된 음성 인식 엔진을 나타내는 UI를 디스플레이에 표시할 수 있다.
도 9c를 참조하면, 전자 장치(100)는 마이크를 포함할 수 있으며, 외부의 디스플레이(300)와 연결되어, 트리거 음성과 관련된 UI를 외부의 디스플레이(300)에 표시하도록 외부의 디스플레이(300)에 제어 신호를 전송할 수 있다.
전자 장치(100)의 마이크를 통해 사용자의 음성을 포함하는 오디오 신호를 수신할 수 있다. 따라서, 전자 장치(100)는 직접 마이크를 통해 사용자의 음성을 포함하는 오디오 신호를 수신하고, 수신된 오디오 신호에 대응되는 정규화 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 트리거 음성을 식별하기 위해 학습된 신경망 모델에 정규화 데이터를 입력하여 수신된 오디오 신호에 트리거 음성이 포함되어 있는지 여부를 식별할 수 있다. 그리고, 전자 장치(100)는 오디오 신호에 트리거 음성이 포함된 것으로 식별되면, 트리거 음성에 대응되는 음성 인식 엔진을 활성화 하고, 외부의 디스플레이(300)에 활성화된 음성 인식 엔진을 나타내는 UI를 표시하도록 제어할 수 있다.
즉, 상술한 바와 같이, 본 개시는 전자 장치(100)에 디스플레이가 포함된 경우 및 포함되지 않는 경우에도 적용될 수 있으며, 전자 장치(100)에 디스플레이가 포함되어 있지 않은 경우, 외부 디스플레이와 연결하여 음성 인식과 관련된 UI를 표시할 수 있다. 또한, 전자 장치(100)에 마이크가 포함된 경우 및 포함되지 않는 경우에도 적용될 수 있으며, 전자 장치(100)에 마이크가 포함되어 있지 않은 경우, 외부의 리모컨(200)에서 사용자의 음성을 포함하는 오디오 신호를 획득하고, 외부의 리모컨(200)으로부터 오디오 신호를 수신할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법은 비일시적 판독 가능 매체(non-transitory readable medium) 에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (15)

  1. 전자 장치의 제어 방법에 있어서,
    음성을 포함하는 오디오 신호를 수신하는 단계;
    상기 수신한 오디오 신호를 분리하여 복수의 신호 프레임을 획득하는 단계;
    상기 복수의 신호 프레임 각각을 복수의 제1 특징(feature) 데이터로 변환하는 단계;
    상기 복수의 제1 특징 데이터를 정규화(normalization)하여 복수의 정규화 데이터를 획득하는 단계; 및
    트리거 음성을 식별하기 위해 학습된 신경망 모델에 상기 복수의 정규화 데이터를 입력하여 상기 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 신경망 모델은 제1 음성 인식 엔진에 대한 제1 트리거 음성 및 제2 음성 인식 엔진에 대한 제2 트리거 음성을 식별하도록 학습되며,
    상기 제어 방법은,
    상기 오디오 신호가 제1 트리거 음성이 포함된 것으로 식별되면, 제1 음성 인식 엔진을 활성화 하고 상기 오디오 신호가 제2 트리거 음성이 포함된 것으로 식별되면, 제2 음성 인식 엔진을 활성화 하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  3. 제2항에 있어서,
    상기 제1 및 제2 음성 인식 엔진 중 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI를 표시하는 단계;를 더 포함하는 것을 특징으로 하는 제어 방법.
  4. 제1항에 있어서,
    상기 획득하는 단계는,
    상기 복수의 제1 특징 데이터에 인공 잡음(noise)을 부가하여 복수의 제2 특징 데이터를 획득하고, 상기 복수의 제2 특징 데이터를 정규화 하여 복수의 정규화 데이터를 획득하는 단계; 인 것을 특징으로 하는 제어 방법.
  5. 제4항에 있어서,
    상기 제2 특징 데이터를 획득하는 단계는,
    상기 오디오 신호의 잡음 레벨을 추적하는 단계; 및
    상기 추적된 잡음 레벨을 바탕으로 상기 제1 특징 데이터에 상기 인공 잡음을 부가하여 상기 제2 특징 데이터를 획득하는 단계;를 포함하는 것을 특징으로 하는 제어 방법.
  6. 제1항에 있어서,
    상기 식별하는 단계는,
    상기 신경망 모델에서 출력되는 데이터를 soft-max 함수에 입력하여, 상기 오디오 신호에 트리거 음성이 포함되어 있는지에 대한 확률 정보를 획득 하는 단계를 더 포함하는 제어 방법.
  7. 제1항에 있어서,
    상기 신경망 모델은 RNN(Recurrent Neural Network) 또는 DNN(Deep Neural Network)으로 구현되는 것을 특징으로 하는 제어 방법.
  8. 제1항에 있어서
    상기 신경망 모델은,
    상기 트리거 음성을 포함하는 제1 데이터 및 상기 트리거 음성을 포함하지 않는 제2 데이터를 바탕으로 학습되고,
    상기 제1 데이터에만 라벨링 되어 상기 신경망 모델이 학습되는 것을 특징으로 하는 제어 방법.
  9. 제2항에 있어서,
    상기 신경망 모델은
    트리거 음성을 포함하지 않는 제3 데이터, 상기 제1 트리거 음성을 포함하는 제4 데이터 및 상기 제2 트리거 음성을 포함하는 제5 데이터를 바탕으로 학습되고,
    상기 제4 데이터에는 제1 라벨링 되고, 상기 제5 데이터에는 제2 라벨링 되어 상기 신경망 모델이 학습되는 것을 특징으로 하는 제어 방법.
  10. 전자 장치에 있어서,
    적어도 하나의 인스트럭션을 포함하는 메모리,
    상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서를 포함하고,
    상기 프로세서는 상기 적어도 하나의 인스트럭션을 실행함으로써,
    음성을 포함하는 오디오 신호를 수신하고,
    상기 수신한 오디오 신호를 분리하여 복수의 신호 프레임을 획득하고,
    상기 복수의 신호 프레임 각각을 복수의 제1 특징(feature) 데이터로 변환하고,
    상기 복수의 제1 특징 데이터를 정규화(normalization)하여 복수의 정규화 데이터를 획득하고,
    트리거 음성을 식별하기 위해 학습된 신경망 모델에 상기 복수의 정규화 데이터를 입력하여 상기 오디오 신호에 트리거 음성이 포함되었는지 여부를 식별하는 전자 장치.
  11. 제10항에 있어서,
    상기 신경망 모델은, 제1 음성 인식 엔진에 대한 제1 트리거 음성 및 제2 음성 인식 엔진에 대한 제2 트리거 음성을 식별하도록 학습되며,
    상기 프로세서는,
    상기 오디오 신호가 제1 트리거 음성이 포함된 것으로 식별되면, 제1 음성 인식 엔진을 활성화 하고 상기 오디오 신호가 제2 트리거 음성이 포함된 것으로 식별되면, 제2 음성 인식 엔진을 활성화 하는 전자 장치.
  12. 제10항에 있어서,
    디스플레이를 더 포함하고,
    상기 프로세서는,
    상기 제1 및 제2 음성 인식 엔진 중 식별된 트리거 음성에 대응되는 음성 인식 엔진을 나타내는 UI를 디스플레이에 표시하도록 디스플레이를 제어하는 전자 장치.
  13. 제10항에 있어서,
    상기 프로세서는,
    상기 복수의 제1 특징 데이터에 인공 잡음(noise)을 부가하여 복수의 제2 특징 데이터를 획득하고, 상기 복수의 제2 특징 데이터를 정규화 하여 복수의 정규화 데이터를 획득하는 것을 특징으로 하는 전자 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 오디오 신호의 잡음 레벨을 추적하고,
    상기 추적된 잡음 레벨을 바탕으로 상기 제1 특징 데이터에 상기 인공 잡음을 부가하여 상기 제2 특징 데이터를 획득하는 것을 특징으로 하는 전자 장치.
  15. 제10항에 있어서,
    상기 프로세서는,
    상기 신경망 모델에서 출력되는 데이터를 soft-max 함수에 입력하여, 상기 오디오 신호에 트리거 음성이 포함되어 있는지에 대한 확률 정보를 획득 하는 것을 특징으로 하는 전자 장치.
PCT/KR2020/011675 2019-09-09 2020-09-01 전자 장치 및 이의 제어 방법 WO2021049802A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/689,406 US20220189481A1 (en) 2019-09-09 2022-03-08 Electronic device and control method for same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0111761 2019-09-09
KR1020190111761A KR20210030160A (ko) 2019-09-09 2019-09-09 전자 장치 및 이의 제어 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/689,406 Continuation US20220189481A1 (en) 2019-09-09 2022-03-08 Electronic device and control method for same

Publications (1)

Publication Number Publication Date
WO2021049802A1 true WO2021049802A1 (ko) 2021-03-18

Family

ID=74865994

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/011675 WO2021049802A1 (ko) 2019-09-09 2020-09-01 전자 장치 및 이의 제어 방법

Country Status (3)

Country Link
US (1) US20220189481A1 (ko)
KR (1) KR20210030160A (ko)
WO (1) WO2021049802A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230068087A (ko) * 2021-11-10 2023-05-17 삼성전자주식회사 전자 장치 및 그 제어 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170206892A1 (en) * 2016-01-18 2017-07-20 Kabushiki Kaisha Toshiba Speaker-adaptive speech recognition
US20170270919A1 (en) * 2016-03-21 2017-09-21 Amazon Technologies, Inc. Anchored speech detection and speech recognition
US20180137857A1 (en) * 2016-11-17 2018-05-17 Robert Bosch Gmbh System And Method For Ranking of Hybrid Speech Recognition Results With Neural Networks
KR20180133523A (ko) * 2017-05-16 2018-12-14 애플 인크. 디지털 어시스턴트의 트리거의 검출
US20190251960A1 (en) * 2018-02-13 2019-08-15 Roku, Inc. Trigger Word Detection With Multiple Digital Assistants

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8924219B1 (en) * 2011-09-30 2014-12-30 Google Inc. Multi hotword robust continuous voice command detection in mobile devices
US20160372116A1 (en) * 2012-01-24 2016-12-22 Auraya Pty Ltd Voice authentication and speech recognition system and method
JP5928048B2 (ja) * 2012-03-22 2016-06-01 ソニー株式会社 情報処理装置、情報処理方法、情報処理プログラムおよび端末装置
CN103971678B (zh) * 2013-01-29 2015-08-12 腾讯科技（深圳）有限公司 关键词检测方法和装置
US9330659B2 (en) * 2013-02-25 2016-05-03 Microsoft Technology Licensing, Llc Facilitating development of a spoken natural language interface
US9508345B1 (en) * 2013-09-24 2016-11-29 Knowles Electronics, Llc Continuous voice sensing
JP6052814B2 (ja) * 2014-09-24 2016-12-27 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 音声認識モデルの構築方法、音声認識方法、コンピュータ・システム、音声認識装置、プログラムおよび記録媒体
US10706873B2 (en) * 2015-09-18 2020-07-07 Sri International Real-time speaker state analytics platform
US20180054688A1 (en) * 2016-08-22 2018-02-22 Dolby Laboratories Licensing Corporation Personal Audio Lifestyle Analytics and Behavior Modification Feedback
US11164570B2 (en) * 2017-01-17 2021-11-02 Ford Global Technologies, Llc Voice assistant tracking and activation
US11183181B2 (en) * 2017-03-27 2021-11-23 Sonos, Inc. Systems and methods of multiple voice services
US11062702B2 (en) * 2017-08-28 2021-07-13 Roku, Inc. Media system with multiple digital assistants
US20200273447A1 (en) * 2017-10-24 2020-08-27 Beijing Didi Infinity Technology And Development Co., Ltd. System and method for key phrase spotting
EP3732674A4 (en) * 2017-12-29 2021-09-01 Fluent.ai Inc. LOW POWER KEYWORD RECOGNITION SYSTEM
US20190327330A1 (en) * 2018-04-20 2019-10-24 Facebook, Inc. Building Customized User Profiles Based on Conversational Data
US10762896B1 (en) * 2018-06-25 2020-09-01 Amazon Technologies, Inc. Wakeword detection
US10762905B2 (en) * 2018-07-31 2020-09-01 Cirrus Logic, Inc. Speaker verification
US10650807B2 (en) * 2018-09-18 2020-05-12 Intel Corporation Method and system of neural network keyphrase detection
US11158305B2 (en) * 2019-05-05 2021-10-26 Microsoft Technology Licensing, Llc Online verification of custom wake word
WO2021041741A1 (en) * 2019-08-30 2021-03-04 Dolby Laboratories Licensing Corporation Pre-conditioning audio for machine perception
US11763806B1 (en) * 2020-06-25 2023-09-19 Amazon Technologies, Inc. Speaker recognition adaptation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170206892A1 (en) * 2016-01-18 2017-07-20 Kabushiki Kaisha Toshiba Speaker-adaptive speech recognition
US20170270919A1 (en) * 2016-03-21 2017-09-21 Amazon Technologies, Inc. Anchored speech detection and speech recognition
US20180137857A1 (en) * 2016-11-17 2018-05-17 Robert Bosch Gmbh System And Method For Ranking of Hybrid Speech Recognition Results With Neural Networks
KR20180133523A (ko) * 2017-05-16 2018-12-14 애플 인크. 디지털 어시스턴트의 트리거의 검출
US20190251960A1 (en) * 2018-02-13 2019-08-15 Roku, Inc. Trigger Word Detection With Multiple Digital Assistants

Also Published As

Publication number Publication date
US20220189481A1 (en) 2022-06-16
KR20210030160A (ko) 2021-03-17

Similar Documents

Publication Publication Date Title
JP7242520B2 (ja) 視覚支援スピーチ処理
WO2020054980A1 (ko) 음소기반 화자모델 적응 방법 및 장치
US11830505B2 (en) Identification of fake audio content
US11626104B2 (en) User speech profile management
US11457033B2 (en) Rapid model retraining for a new attack vector
WO2021071110A1 (en) Electronic apparatus and method for controlling electronic apparatus
WO2016137042A1 (ko) 사용자 인식을 위한 특징 벡터를 변환하는 방법 및 디바이스
US20210074260A1 (en) Generation of Speech with a Prosodic Characteristic
CN112840313A (zh) 电子设备及其控制方法
CN113555032B (zh) 多说话人场景识别及网络训练方法、装置
WO2021049802A1 (ko) 전자 장치 및 이의 제어 방법
WO2022203152A1 (ko) 다화자 훈련 데이터셋에 기초한 음성합성 방법 및 장치
WO2021091145A1 (en) Electronic apparatus and method thereof
WO2021091063A1 (ko) 전자장치 및 그 제어방법
WO2020204357A1 (ko) 전자 장치 및 이의 제어 방법
WO2021107371A1 (ko) 전자장치 및 그 제어방법
WO2023075118A1 (ko) 전자 장치 및 그 동작 방법
WO2014178491A1 (ko) 발화 인식 방법 및 장치
WO2023003072A1 (ko) 인공 지능 모델을 이용하여 음성 인식 서비스를 제공하는 장치 및 방법
WO2023085699A1 (ko) 전자 장치 및 그 제어 방법
WO2024005383A1 (en) Online speaker diarization using local and global clustering
WO2023195603A1 (en) System and method for bidirectional automatic sign language translation and production
WO2022108075A1 (ko) 전자 장치, 그 제어 방법 및 전자 시스템
WO2022086274A1 (ko) 전자 장치 및 이의 제어 방법
WO2023120861A1 (ko) 전자 장치 및 그 제어 방법

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: 20862075

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20862075

Country of ref document: EP

Kind code of ref document: A1