WO2022086045A1 - 전자 장치 및 이의 제어 방법 - Google Patents

전자 장치 및 이의 제어 방법 Download PDF

Info

Publication number
WO2022086045A1
WO2022086045A1 PCT/KR2021/014195 KR2021014195W WO2022086045A1 WO 2022086045 A1 WO2022086045 A1 WO 2022086045A1 KR 2021014195 W KR2021014195 W KR 2021014195W WO 2022086045 A1 WO2022086045 A1 WO 2022086045A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
neural network
speaker
network model
target
Prior art date
Application number
PCT/KR2021/014195
Other languages
English (en)
French (fr)
Inventor
문성규
김광윤
김찬우
신민규
이도균
한창우
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
Priority claimed from KR1020210059246A external-priority patent/KR20220053456A/ko
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of WO2022086045A1 publication Critical patent/WO2022086045A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating

Definitions

  • the present disclosure relates to an electronic device and a control method thereof, and more particularly, to an electronic device for learning a neural network model and a control method thereof.
  • artificial intelligence systems are being used in various fields.
  • artificial intelligence systems are widely used in fields that utilize audio data.
  • the present disclosure has been made in response to the above needs, and an object of the present disclosure relates to an electronic device for learning a neural network model for separating a target speaker's voice from audio data, and a control method thereof.
  • a control method of an electronic device includes: acquiring a plurality of voice data of a target speaker; obtaining first audio data by synthesizing first voice data among the plurality of voice data with noise data; obtaining first target speech data by inputting the first audio data into a first neural network model for separating the target speaker's speech from the audio data; obtaining first loss information by comparing the first target voice data with the first voice data;
  • Each of the plurality of voice data is input to a second neural network model for identifying a speaker to obtain speaker identification information corresponding to a target speaker, and the first target voice data is input to the second neural network model to obtain a first target speaker obtaining identification information; obtaining second loss information by comparing the speaker identification information with the first target speaker identification information; and learning the first neural network model based on the first loss information and the second loss information.
  • the acquiring of the speaker identification information may include: inputting the plurality of voice data into the second neural network model, respectively, to acquire a plurality of speaker component information; and identifying an average value of the plurality of pieces of speaker component information as the speaker identification information.
  • the obtaining of the plurality of speaker component information may include: inputting at least one piece of speech data excluding the first speech data among the plurality of speech data into the second neural network model to obtain the plurality of speaker component information can be
  • the learning may include learning the first neural network model based on preset weights for each of the first loss information and the second loss information.
  • the learning may include learning the first neural network model in a direction in which the value of the first loss information and the value of the second loss information decrease.
  • the noise data may include at least one of voice data and environmental noise data of at least one speaker different from the target speaker.
  • the first voice data may include a trigger voice for activating a neural network model for performing voice recognition.
  • the acquiring of the first target voice data may include inputting the first audio data to the first neural network model to correspond to the first target voice data from the first target voice data and the first audio data. It may be a step of acquiring the first target noise data from which the component has been removed.
  • an electronic device includes a memory for storing at least one command; a processor connected to the memory to control the electronic device, wherein the processor executes the at least one command to obtain a plurality of voice data of a target speaker, and a first voice among the plurality of voice data
  • Obtaining first audio data by synthesizing data with noise data, inputting the first audio data to a first neural network model for separating the target speaker's voice from the audio data to obtain first target voice data
  • the first loss information is obtained by comparing the first target speech data with the first speech data, and the plurality of speech data is respectively input to a second neural network model for identifying the speaker to obtain speaker identification information corresponding to the target speaker. and inputting the first target speech data into the second neural network model to obtain first target speaker identification information, and comparing the speaker identification information with the first target speaker identification information to obtain second loss information
  • the first neural network model is trained based on the first loss information and the second loss information.
  • the processor may input the plurality of voice data to the second neural network model, respectively, to obtain a plurality of speaker component information, and identify an average value of the plurality of speaker component information as the speaker identification information.
  • the processor may input at least one piece of speech data other than the first speech data among the plurality of speech data into the second neural network model to obtain information on a plurality of speaker components.
  • the processor may learn the first neural network model based on preset weights for each of the first loss information and the second loss information.
  • the processor may learn the first neural network model in a direction in which the value of the first loss information and the value of the second loss information decrease.
  • the noise data may include at least one of voice data and environmental noise data of at least one speaker different from the target speaker.
  • the first voice data may include a trigger voice for activating a neural network model for performing voice recognition.
  • the processor inputs the first audio data to the first neural network model, and a first target noise from which a component corresponding to the first target voice data is removed from the first target voice data and the first audio data data can be obtained.
  • the processor may input the noise data into the second neural network model to obtain first noise identification information, and input the first target noise data to the second neural network model to obtain first target noise identification information and obtain third loss information by comparing the first noise identification information with the first target noise identification information, and further use the third loss information to learn the first neural network model.
  • the electronic device may efficiently train a neural network model for separating the target speaker's voice from the audio data.
  • FIG. 1 is a block diagram illustrating a configuration of an electronic device according to the present disclosure.
  • FIG. 2 is a diagram for describing a plurality of voice data including a target speaker's voice according to the present disclosure.
  • 3 is a diagram for describing noise data according to the present disclosure.
  • FIG. 4 is a diagram for explaining a method of learning a conventional first neural network model.
  • FIG. 5 is a diagram of a second neural network model for identifying a speaker through voice data.
  • FIG. 6 is a view for explaining an embodiment of learning the first neural network model according to the present disclosure.
  • FIG. 7 is a diagram for explaining another embodiment of learning the first neural network model according to the present disclosure.
  • FIG. 8 is a flowchart illustrating a method of controlling an electronic device according to the present disclosure.
  • FIG. 9 is a block diagram illustrating a specific configuration of an electronic device according to the present disclosure.
  • FIG. 1 is a block diagram illustrating a configuration of an electronic device according to the present disclosure.
  • the electronic device 100 may include a memory 110 and a processor 120 .
  • the electronic device 100 may be implemented as a server for learning a neural network model, but is not limited thereto, and a smart phone, AR glasses, tablet PC, mobile phone, video phone, e-book reader, TV, desktop It may be implemented in various types of electronic devices, such as a PC, a laptop PC, a netbook computer, and a smart watch.
  • 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 the operation of the electronic device 100 by executing a command stored in the memory 110 .
  • the memory 110 may be implemented as a non-volatile memory, a volatile memory, a flash-memory, a hard disk drive (HDD), or a solid state drive (SSD).
  • the memory 110 is accessed by the processor 120 , and reading/writing/modification/deletion/update of data 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).
  • programs and data for configuring various screens to be displayed in the display area of the display may be stored in the memory 110 .
  • a first neural network model for separating a target speaker's voice from audio data and a second neural network model for identifying a speaker through audio data may be stored in the memory 110 .
  • a plurality of voice data and noise data of a target speaker may be stored in the memory 110 .
  • the processor 120 may be electrically connected to the memory 110 to control overall operations and functions of the electronic device 100 .
  • the processor 120 may include one or a plurality of processors.
  • one or more processors are general-purpose processors such as a central processing unit (CPU), an application processor (AP), and a graphics processing unit (GPU). It may be a graphics-only processor, such as a Visual Processing Unit (VPU), or an AI-only processor, such as a Neural Processing Unit (NPU).
  • CPU central processing unit
  • AP application processor
  • GPU graphics processing unit
  • VPU Visual Processing Unit
  • NPU Neural Processing Unit
  • One or a plurality of processors control to process input data according to a predefined operation rule or neural network model stored in the memory 110 .
  • a predefined action rule or neural network model is characterized in that it is created through learning.
  • being made through learning means that a predefined operation rule or a neural network model of a desired characteristic is created by applying a learning algorithm to a plurality of learning data.
  • Such learning may be performed in the device itself on which the artificial intelligence according to the present disclosure is performed, or may be performed through a separate server/system.
  • the neural network model may be composed of a plurality of neural network layers. Each layer has a plurality of weight values, and the layer operation is performed through the operation of the previous layer and the operation of the plurality of weights.
  • Examples of neural networks include Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), and deep There is a Q-network (Deep Q-Networks), and the neural network in the present disclosure is not limited to the above-described example, except as otherwise specified.
  • the processor 120 may control hardware or software components connected to the processor 120 by driving an operating system or an application program, and may perform various data processing and operations.
  • the processor 120 may load and process commands or data received from at least one of other components into the volatile memory, and store various data in the non-volatile memory.
  • the electronic device 100 may provide a learning function for learning the first neural network model for separating the target speaker's voice from the audio data, based on a plurality of voice data of the target speaker.
  • the learning function according to the present disclosure includes a voice data acquisition module 121 , a data synthesis module 122 , a voice separation module 123 , a speaker identification information acquisition module 124 , and a learning module 125 . ), and each module may be stored in the memory 110 .
  • the plurality of modules 121 to 125 may be loaded into a memory (eg, a volatile memory) included in the processor 120 . That is, when the learning function is executed, the processor 120 may load the plurality of modules 121 to 125 from the nonvolatile memory to the volatile memory to execute respective functions of the plurality of modules 121 to 125 .
  • Loading refers to an operation of loading and storing data stored in the non-volatile memory into the volatile memory so that the processor 120 can access it.
  • a learning function may be implemented through a plurality of modules 121 to 125 stored in the memory 110 , but the learning function is not limited thereto and the learning function is implemented in an external server. can be
  • the plurality of modules 121 to 125 may be implemented by respective software, but is not limited thereto, and some modules may be implemented by a combination of hardware and software. In another embodiment, the plurality of modules 121 to 125 may be implemented as one software. In addition, some modules may be implemented in the electronic device 100 , and some other modules may be implemented in an external server.
  • the voice data acquisition module 121 is configured to acquire a plurality of voice data of the target speaker.
  • the target speaker is a speaker who is the subject of voice data for learning the first neural network model according to the present disclosure. That is, the first neural network model learned using the plurality of voice data of the target speaker may receive the voice data and separate the voice of the target speaker from the input voice data.
  • the plurality of voice data 200 of the target speaker may include voice data obtained by the utterance of the target speaker 20 .
  • the plurality of voice data 200 includes first voice data 200 - 1 corresponding to the first utterance of the target speaker 20 and second voice data corresponding to the second utterance of the target speaker 20 ( 200-2) and N-th voice data 200 -N corresponding to the N-th utterance of the target speaker 20 .
  • each of the plurality of voice data 200 may be spectrogram data indicating a frequency characteristic according to time of the voice data.
  • the first utterance corresponding to the first voice data 200 - 1 may include a trigger voice for activating a neural network model for performing voice recognition.
  • the voice data acquisition module 121 may acquire a plurality of voice data of the target speaker from an external server or an external device. That is, the voice data acquisition module 121 may receive a plurality of voice data 200 of the target speaker pre-stored in an external server or external device and store the received voice data 200 in the memory 110 . Also, according to an embodiment, when the electronic device 100 is implemented as a portable terminal device, the voice data acquisition module 121 receives a plurality of voice data of the target speaker through the microphone of the portable terminal device and stores it in the memory 110 . can be saved In this case, the target speaker may be a user of the portable terminal device.
  • the data synthesis module 122 is configured to obtain the noise data 300 for synthesizing the data synthesis module 122 with the voice data 200 and synthesize the plurality of voice data 200 with the noise data.
  • the noise data 300 will be described with reference to FIG. 3 .
  • 3 is a diagram for explaining the noise data 300 according to the present disclosure.
  • the noise data 300 may include various audio data except for the voice data of the target speaker 20 .
  • the noise data 300 includes first noise data obtained by the utterance of the first speaker 31 different from the target speaker 20 and the utterance of the second speaker 32 different from the target speaker 20 . It may include second noise data obtained by the method, third noise data including audio for reproducing specific music, and N-th noise data including environmental noise obtained from an external environment.
  • the environmental noise may include various noises such as noise generated by a power engine, noise generated by building equipment, noise generated by a specific operation, and noise generated by a group of humans.
  • the noise data 300 is not limited to the above description and may include various audio data different from the voice data of the target speaker 20 .
  • Such noise data 300 may be obtained by various methods.
  • the data synthesis module 122 may acquire the noise data 300 from an external server or an external device. That is, the data synthesis module 122 may receive the noise data 300 pre-stored in an external server or an external device and store it in the memory 110 .
  • the data synthesis module 122 may receive the noise data 300 through a microphone of the portable terminal device and store it in the memory 110 . .
  • the noise data 300 may include noise generated around the portable terminal device.
  • the data synthesis module 122 may acquire audio data by synthesizing each of the plurality of voice data 200 acquired by the voice data acquisition module 121 with the noise data.
  • the audio data is input to the first neural network model and is data for learning the first neural network model.
  • the speech separation module 123 may obtain the target speech data by inputting the audio data into the first neural network model 1000 .
  • the voice separation module 123 is configured to separate the target speaker's voice data from the audio data acquired by the data synthesis module 122 using the first neural network model 1000 .
  • the first neural network model is a neural network model for receiving audio data and separating the target speaker's voice data from the audio data, and may be implemented as a target source separation filter model.
  • the first neural network model may be learned through audio data in which each of a plurality of voice data and noise data of a target speaker are synthesized, and a conventional learning method will be described later with reference to FIG. 4 .
  • the voice separation module 123 inputs audio data in which one of a plurality of voice data 200 of a target speaker and at least one of noise data 300 are synthesized to the first neural network model 1000 to obtain target voice data. can do.
  • the target speech data is speech data including only the audio component of the target speaker in the audio data.
  • the target voice data output from the first neural network model 1000 may become closer to the voice data of the target speaker included in the audio data input to the first neural network model 1000. there is.
  • the voice separation module 123 may obtain a plurality of target voice data by inputting each of the plurality of voice data 200 to the first neural network model 1000 , which will be described later with reference to FIG. 4 .
  • the speaker identification information acquisition module 124 is configured to acquire the speaker identification information 250 based on the plurality of voice data 200 using the second neural network model 2000 .
  • the second neural network model 2000 is configured to receive voice data and output speaker identification information, which is information about the voice characteristics of a speaker corresponding to the input voice data.
  • the second neural network model 2000 may be implemented as a speaker recognition model. That is, through the speaker identification information output from the second neural network model 2000, it is possible to identify which speaker's voice is the inputted voice data.
  • the speaker identification information includes information on the voice characteristics of each of the plurality of speakers, and may be implemented as, for example, 1 x 512 vector data.
  • the speaker identification information acquisition module 124 is configured to input a plurality of voice data 200 to the second neural network model 2000, respectively, and based on the plurality of speaker identification information obtained, speaker identification information 250 corresponding to the target speaker can be obtained. A detailed method of acquiring the speaker identification information 250 will be described later with reference to FIG. 5 .
  • the learning module 125 builds the first neural network model 1000 based on the target voice data acquired by the voice separation module 123 and the speaker identification information 250 corresponding to the target speaker acquired by the speaker identification information acquisition module. configuration for learning.
  • the learning module 125 may acquire the first loss information based on the target voice data acquired by the voice separation module 123 and the target speaker's voice data. As an example, the learning module 125 inputs the first audio data obtained by synthesizing the first voice data 200 - 1 and the noise data 300 to the first neural network model 1000 to obtain a first target voice The first loss information may be obtained by comparing the data with the first voice data 200 - 1 .
  • the first loss information is a value indicating a degree of closeness between the target voice data output from the first neural network model and the target speaker's voice data, and is a type of a loss function.
  • the loss function represents an index indicating the current learning state of the neural network model.
  • the loss function is an indicator indicating the poor performance of the neural network model.
  • a larger loss function may mean poor performance of the neural network model, and the neural network model may be trained in a decreasing direction. there is.
  • a degree of closeness between two pieces of data may be calculated through a Mean Square Error (MSE) method.
  • MSE Mean Square Error
  • the first loss information may be obtained through various methods for obtaining the loss function. That is, the first loss information is an index indicating the degree of closeness between two pieces of data, and the first neural network model 1000 may be trained in a direction in which the first loss information is decreased.
  • the learning module 125 obtains second loss information based on target speaker identification information and speaker identification information 250 obtained by inputting target speech data into the second neural network model 2000 as well as the first loss information, and , it is possible to learn the first neural network model 1000 by further using the obtained second loss information.
  • the second loss information includes target speaker identification information obtained by inputting target speech data into the second neural network model 2000 and a speaker obtained by inputting a plurality of speech data 200 of the target speaker into the second neural network model 2000 . It is information obtained by comparing the identification information 250 . That is, the second loss information is a value indicating the degree of closeness between the target speaker identification information and the speaker identification information 250 , and is a type of a loss function. As an example, as for the second loss information, a degree of closeness between two pieces of data may be calculated through a Mean Square Error (MSE) method. However, it is not limited to the Mean Square Error (MSE) method, and the second loss information may be obtained through various methods for obtaining the loss function.
  • the learning module 125 may learn the first neural network model 1000 based on the first loss information and the second loss information.
  • the learning module 125 may learn the first neural network model 1000 based on a weight preset in the first loss information and a weight preset in the second loss information. That is, the learning module 125 may learn the first neural network model 1000 by giving more weight to loss information set with a high weight than loss information set with a low weight.
  • the learning module 125 may learn the first neural network model 1000 by setting the weight of the first loss information to be higher than the weight of the second loss information.
  • the first neural network model 1000 may be trained in a direction in which the value of the first loss information is further reduced than the value of the second loss information.
  • the learning module 125 may learn the first neural network model 1000 by giving various weights to each of the first loss information and the second loss information.
  • a specific embodiment of learning the first neural network model through the learning module 125 will be described later with reference to FIGS. 6 and 7 .
  • FIG. 4 is a diagram for explaining a method of learning a conventional first neural network model.
  • the first audio data in which the first voice data 200 - 1 and the noise data 300 are synthesized is input to the first neural network model 1000 to output the first target voice data.
  • the first neural network model 1000 may be trained based on loss information obtained by comparing the first voice data 200 - 1 with the first target voice data. That is, learning of the first neural network model 1000 may be performed in a direction in which the value of loss information obtained by comparing the first voice data 200 - 1 with the first target voice data is decreased.
  • the second audio data in which the second voice data 200 - 2 and the noise 300 data are synthesized may be input to the first neural network model 1000 to output second target voice data.
  • the first neural network model 1000 may be trained based on loss information obtained by comparing the second voice data 200 - 2 with the second target voice data. That is, learning of the first neural network model 1000 may be performed in a direction in which the value of loss information obtained by comparing the second voice data 200 - 2 with the first target voice data is decreased.
  • the second audio data in which the N-th voice data 200-N and the noise 300 data are synthesized may be input to the first neural network model 1000 to output the N-th target voice data.
  • the first neural network model 1000 may be trained based on loss information obtained by comparing the N-th voice data 200 -N with the N-th target voice data. That is, learning of the first neural network model 1000 may be performed in a direction in which the value of loss information obtained by comparing the N-th voice data 200 -N with the N-th target voice data is decreased.
  • the first neural network model 1000 may be trained based on a plurality of loss functions obtained by repeating the above-described process for each of the plurality of voice data 200 .
  • FIG. 5 is a diagram of a second neural network model for identifying a speaker through voice data.
  • the second neural network model 2000 is configured to receive voice data and output speaker component information, which is information on the voice characteristics of a speaker corresponding to the input voice data.
  • the second neural network model 2000 may be implemented as a speaker recognition model. That is, through the speaker component information output from the second neural network model 2000, it is possible to identify which speaker's voice is the inputted voice data.
  • the speaker component information includes information on the voice characteristics of each of a plurality of speakers, and may be implemented as, for example, 1 x 512 vector data.
  • the electronic device 100 inputs the first voice data 200 - 1 among the plurality of voice data 200 of the target speaker to the second neural network model 2000 to input the first voice data (
  • the speaker component information 210-1 corresponding to 200-1) may be acquired.
  • the electronic device 100 corresponds to the second voice data 200 - 2 by inputting the second voice data 200 - 2 among the plurality of voice data 200 of the target speaker into the second neural network model 2000 . It is possible to obtain the speaker component information 210 - 2 to be used.
  • the electronic device 100 may obtain speaker component information corresponding to each of the plurality of voice data 200 by performing this process on each of the plurality of voice data 200 .
  • the electronic device 100 may obtain the speaker identification information 250 corresponding to the target speaker by calculating an average value of speaker component information corresponding to each of the plurality of voice data 200 . That is, the speaker identification information 250 may be information on the voice characteristics of the target speaker obtained by synthesizing a plurality of voice data 200 of the target speaker.
  • FIG. 6 is a view for explaining an embodiment of learning the first neural network model according to the present disclosure.
  • the electronic device 100 may obtain the first audio data by synthesizing the first voice data 200 - 1 with the noise data 300 .
  • the electronic device 100 may obtain the first audio data by synthesizing one of the noise data 300 with the first voice data 200 - 1 , but is not limited thereto. That is, the electronic device 100 may obtain the first audio data by synthesizing at least one of the noise data 300 with the first voice data 200 - 1 .
  • the electronic device 100 may obtain the first target voice data by inputting the first audio data into the first neural network model 1000 . Then, the electronic device 100 may obtain the first loss information by comparing the first voice data 200 - 1 with the first target voice data.
  • the electronic device 100 may obtain the first target speaker identification information by inputting the first target voice data into the second neural network model 2000 .
  • the electronic device 100 may obtain second loss information by comparing the first target speaker identification information with the speaker identification information 250 obtained through FIG. 5 .
  • the speaker identification information 250 may be speaker identification information obtained based on the plurality of voice data 200 of the target speaker, but is not limited thereto, and the speaker identification information 250 includes the target speaker It may be speaker identification information obtained based on voice data excluding the first voice data 200 - 1 among the plurality of voice data 200 .
  • the electronic device 100 may learn the first neural network model 1000 based on the first loss information and the second loss information. Specifically, the electronic device 100 constructs the first neural network model 1000 in a direction in which values of the first loss information and the second loss information are decreased based on a weight preset for each of the first loss information and the second loss information. can learn
  • FIG. 6 illustrates a process in which the electronic device 100 learns the first neural network model 1000 by using the first voice data 200 - 1 among the plurality of voice data 200 .
  • the apparatus 100 may learn the first neural network model 1000 based on the first loss information and the third loss information obtained by performing the process of FIG. 6 for each of the plurality of voice data 200 .
  • the electronic device 100 may obtain the N-th audio data by synthesizing the N-th voice data 200 -N among the plurality of voice data 200 with at least one of the noise data 300 . Then, the electronic device 100 may obtain the N-th target voice data by inputting the N-th audio data to the first neural network model 1000 . Then, the electronic device 100 may compare the N-th target voice data with the N-th voice data 200 -N to obtain first loss information corresponding to the N-th voice data 200 -N. Then, the electronic device 100 obtains N-th target speaker identification information by inputting the N-th target voice data to the second neural network model 2000 , and the speaker identification information 250 and the second target speaker identification information obtained through the process of FIG. 6 . Second loss information corresponding to the N-th voice data 200 -N may be obtained by comparing the N target speaker identification information. In addition, the electronic device 100 performs a first neural network model ( 1000) can be learned.
  • FIG. 7 is a diagram for explaining another embodiment of learning the first neural network model according to the present disclosure.
  • the electronic device 100 provides speaker identification information 250 that can be obtained by inputting a plurality of voice data 200 of a target speaker to the second neural network model 2000 as shown in FIGS. 5 and 6 .
  • the first neural network model 1000 may be learned by using the obtained second loss information and using the acquired second loss information together with the first loss information, but the present disclosure is not limited thereto.
  • the electronic device 100 acquires third loss information by using the noise identification information 700 , and learns the first neural network model 1000 by further using the acquired third loss information. can do.
  • the noise identification information 700 is information obtainable by inputting each of the noise data 300 into the second neural network model 2000 . Specifically, the electronic device 100 transmits each of the noise data 300 to the second neural network. An average value of information input to and output from the model 2000 may be obtained as the noise identification information 700 .
  • the electronic device 100 synthesizes the first voice data 200 - 1 among the plurality of voice data 200 with at least one of the noise data 300 to obtain a first Audio data can be obtained.
  • the electronic device 100 may obtain the first target voice data and the first target noise data by inputting the first audio data to the first neural network model 1000 .
  • the target noise data may be data from which a component corresponding to the first target voice data is removed from the first audio data. That is, the target noise data may be data in which the speech voice of the target speaker is removed from the first audio data.
  • the electronic device 100 may compare the first target voice data with the first voice data 200 - 1 to obtain first loss information corresponding to the first voice data 200 - 1 .
  • the electronic device 100 may obtain first target noise identification information by inputting the first noise speech data to the second neural network model 2000 .
  • the electronic device 100 may obtain third loss information corresponding to the first voice data 200-1 by comparing the first target noise identification information with the noise identification information 700. Then, the electronic device ( 100) is to learn the first neural network model 1000 based on the first loss information corresponding to the first voice data 200-1 and the third loss information corresponding to the first voice data 200-1.
  • FIG. 6 illustrates a process in which the electronic device 100 learns the first neural network model 1000 by using the first voice data 200 - 1 among the plurality of voice data 200 .
  • the apparatus 100 may learn the first neural network model 1000 based on the first loss information and the third loss information obtained by performing the process of FIG. 7 for each of the plurality of voice data 200 .
  • FIG. 8 is a flowchart illustrating a method of controlling an electronic device according to the present disclosure.
  • the electronic device 100 may acquire a plurality of voice data 200 of the target speaker (S810).
  • the electronic device 100 acquires a plurality of voice data 200 of a target speaker through a microphone attached to the electronic device 100 or a plurality of voice data 200 of a target speaker from an external server or an external device. ) can be obtained.
  • the electronic device 100 may obtain the first audio data by synthesizing the first voice data 200 - 1 among the plurality of voice data 200 with the noise data 300 ( S820 ).
  • the electronic device 100 may obtain the first audio data by synthesizing the first voice data 200 - 1 among the plurality of voice data 200 with at least one of the noise data 300 .
  • the noise data may include at least one of voice data and environmental noise data of at least one speaker different from the target speaker.
  • the electronic device 100 may obtain the first target voice data by inputting the first audio data to the first neural network model 1000 for separating the target speaker's voice from the audio data (S830).
  • the electronic device 100 may compare the first target voice data with the first voice data to obtain the first loss information (S840).
  • the electronic device 100 inputs a plurality of voice data 200 to the second neural network model 2000 for identifying the speaker, respectively, to obtain speaker identification information 250 corresponding to the target speaker, and the second neural network
  • the first target speaker identification information may be obtained by inputting the first target voice data to the model 2000 ( S850 ).
  • the electronic device 100 obtains a plurality of speaker component information by respectively inputting a plurality of voice data 200 to the second neural network model 2000 , and uses an average value of the plurality of speaker component information as speaker identification information (250) can be identified.
  • the electronic device 100 inputs the remaining voice data excluding the first voice data 200 - 1 among the plurality of voice data 200 into the second neural network model 2000 to provide information on a plurality of speaker components. may be obtained, and an average value of the acquired plurality of speaker component information may be identified as the speaker identification information 250 .
  • the electronic device 100 may compare the speaker identification information 250 with the first target speaker identification information to obtain the second loss information ( S860 ).
  • the electronic device 100 may learn the first neural network model 1000 based on the first loss information and the second loss information ( S870 ). As an embodiment, the electronic device 100 may learn the first neural network model 1000 based on preset weights for each of the first loss information and the second loss information. As an embodiment, the electronic device 100 may learn the first neural network model 1000 in a direction in which the value of the first loss information and the value of the second loss information decrease.
  • FIG. 9 is a block diagram illustrating a specific configuration of an electronic device according to the present disclosure.
  • the electronic device 900 may include a memory 910 , a processor 920 , a communication interface 930 , a display 940 , an input interface 950 , and a microphone 960 .
  • a memory 910 the configuration of the electronic device 900 illustrated in FIG. 9 may be added or omitted depending on the type of the electronic device 900 . Since the memory 910 and the processor 920 have been described in the memory 110 and the processor 120 of FIG. 1 , the detailed description thereof will be omitted.
  • the communication interface 930 and the communication interface 930 are configured to communicate with various types of external devices according to various types of communication methods.
  • the communication interface 930 may include a Wi-Fi chip, a Bluetooth chip, a wireless communication chip, and an NFC chip.
  • the electronic device 900 may communicate with various external devices using the communication interface 930 .
  • the electronic device 100 may receive a plurality of voice data 200 and noise data 300 from an external device through the communication interface 930 .
  • the electronic device 100 may receive the first neural network model 1000 and the second neural network model 2000 from an external device through the communication interface 930 .
  • the display 940 may display various information under the control of the processor 920 .
  • the display 940 may display a screen executed in the foreground in the electronic device 900 .
  • the display 940 includes a liquid crystal display panel (LCD), a light emitting diode (LED), an organic light emitting diode (OLED), a liquid crystal on silicon (LCoS), a digital light processing (DLP), and the like. It can be implemented as a display of the form. Also, the display 940 may include a driving circuit, a backlight unit, and the like, which may be implemented in the form of an a-si TFT, a low temperature poly silicon (LTPS) TFT, or an organic TFT (OTFT). Also, the display 940 may be implemented as various displays such as a foldable display and a rollable display. In addition, the display 940 may be implemented as a touch screen in combination with a touch sensing unit.
  • LCD liquid crystal display panel
  • LED light emitting diode
  • OLED organic light emitting diode
  • LCDoS liquid crystal on silicon
  • DLP digital light processing
  • the display 940 may include a driving circuit, a backlight unit, and the like, which
  • the input interface 950 is configured to receive a user command for controlling the electronic device 100 .
  • the input interface 950 may be implemented as a device such as a button, a touch pad, a mouse, and a keyboard, or may be implemented as a touch screen capable of performing the above-described display function and manipulation input function together.
  • the button may be various types of buttons such as a mechanical button, a touch pad, a wheel, etc. formed in an arbitrary area such as a front part, a side part, or a rear part of the exterior of the main body of the electronic device 900 .
  • the microphone 960 may receive an audio signal.
  • the microphone 960 may receive a plurality of voice data of the target speaker.
  • the electronic device 100 may acquire the plurality of voice data 200 corresponding to the target speaker by storing the received voice data.
  • the electronic device 100 may acquire noise data by receiving noise audio generated around the electronic device 900 through the microphone 960 .
  • a plurality of microphones 960 may be provided in the main body of the electronic device 900 , but this is only an example, and may be located outside and electrically connected to the electronic device 900 .
  • expressions such as “have,” “may have,” “include,” or “may include” indicate the presence of a corresponding characteristic (eg, a numerical value, function, operation, or component such as a part). and does not exclude the presence of additional features.
  • expressions such as “A or B,” “at least one of A and/and B,” or “one or more of A or/and B” may include all possible combinations of the items listed together.
  • “A or B,” “at least one of A and B,” or “at least one of A or B” means (1) includes at least one A, (2) includes at least one B; Or (3) it may refer to all cases including both at least one A and at least one B.
  • a component eg, a first component
  • another component eg, a second component
  • the certain element may be directly connected to the other element or may be connected through another element (eg, a third element).
  • a component eg, a first component
  • another component eg, a second component
  • the expression “a device configured to” may mean that the device is “capable of” with other devices or parts.
  • a processor configured (or configured to perform) A, B, and C refers to a dedicated processor (eg, an embedded processor) for performing the corresponding operations, or by executing one or more software programs stored in a memory device.
  • a generic-purpose processor eg, a CPU or an application processor
  • '' or 'unit' performs at least one function or operation, and may be implemented as hardware or software, or a combination of hardware and software.
  • the plurality of '' or a plurality of 'units' may be integrated into at least one and implemented with at least one processor except for '' or 'unit' that needs to be implemented with specific hardware.
  • the various embodiments described above may be implemented in a recording medium readable by a computer or a similar device using software, hardware, or a combination thereof.
  • the embodiments described in the present disclosure are 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 other electrical units for performing other functions may be implemented using at least one.
  • the embodiments described herein may be implemented by the processor itself.
  • embodiments such as the procedures and functions described in this specification may be implemented as separate software. Each of the software may perform one or more functions and operations described herein.
  • the above-described method according to various embodiments of the present disclosure may be stored in a non-transitory readable medium.
  • a non-transitory readable medium may be mounted on various devices and used.
  • the non-transitory readable medium refers to a medium that stores data semi-permanently, rather than a medium that stores data for a short moment, such as a register, cache, memory, and the like, and can be read by a device.
  • 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, ROM, and the like.
  • the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product may be distributed in the form of a machine-readable storage medium (eg, compact disc read only memory (CD-ROM)) or online through an application store (eg, Play StoreTM).
  • an application store eg, Play StoreTM
  • at least a portion of the computer program product may be temporarily stored or temporarily generated in a storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Circuit For Audible Band Transducer (AREA)

Abstract

전자 장치 및 이의 제어 방법이 개시된다. 본 개시에 따른 전자 장치의 제어 방법은, 타겟 화자의 복수의 음성 데이터를 획득하는 단계; 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계; 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계; 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계; 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계; 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함한다.

Description

전자 장치 및 이의 제어 방법
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 보다 상세하게는 신경망 모델을 학습하는 전자 장치 및 이의 제어 방법에 관한 것이다.
최근 인공지능 시스템이 다양한 분야에서 이용되고 있다. 특히, 인공지능 시스템은 오디오 데이터를 활용하는 분야에서도 널리 이용되고 있다.
그리고, 종래에는 타겟 화자의 음성 데이터가 포함된 오디오 데이터에서 타겟 화자의 음성 데이터만을 분리하기 위한 신경망 모델(예로, Target source separation filter 모델)을 이용하여 음성 데이터에서 타겟 화자의 음성을 분리하는 기술이 제안되었다.
다만, 종래에는 이러한 신경망 모델을 학습시키기 위해 타겟 화자의 음성을 포함하는 복수의 음성 데이터 중 하나의 음성 데이터 각각을 이용하여 독립적으로 학습을 수행하였다. 이에, 학습의 효율성을 위해 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 동시에 이용하여 신경망 모델을 학습하기 위한 필요성이 대두되고 있다.
본 개시는 상술한 필요성에 의해 안출된 것으로, 본 개시의 목적은 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 신경망 모델을 학습하는 전자 장치 및 이의 제어 방법에 관한 것이다.
상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은 타겟 화자의 복수의 음성 데이터를 획득하는 단계; 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계; 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계; 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계; 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계; 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함한다.
그리고, 상기 화자 식별 정보를 획득하는 단계는, 상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하는 단계; 및 상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 단계;를 포함할 수 있다.
그리고, 상기 복수의 화자 성분 정보를 획득하는 단계는, 상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 단계일 수 있다.
그리고, 상기 학습하는 단계는, 상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 단계일 수 있다.
그리고, 상기 학습하는 단계는, 상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습할 수 있다.
그리고, 상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함할 수 있다.
그리고, 상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함할 수 있다.
그리고, 상기 제1 타겟 음성 데이터를 획득하는 단계는, 상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득하는 단계일 수 있다.
그리고, 상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하는 단계; 상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하는 단계; 및 상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습하는 단계;를 더 포함할 수 있다.
한편, 본 개시의 일 실시 예 따른, 전자 장치는 적어도 하나의 명령어를 저장하는 메모리; 상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며, 상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써, 타겟 화자의 복수의 음성 데이터를 획득하고, 상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하고, 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하고, 상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하고, 화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하고, 상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하고, 상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습한다.
그리고, 상기 프로세서는, 상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하고, 상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별할 수 있다.
그리고, 상기 프로세서는, 상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득할 수 있다.
그리고, 상기 프로세서는, 상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습할 수 있다.
그리고, 상기 프로세서는, 상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습할 수 있다.
그리고, 상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함할 수 있다.
그리고, 상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함할 수 있다.
그리고, 상기 프로세서는, 상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득할 수 있다.
그리고, 상기 프로세서는, 상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하고, 상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하고, 상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습할 수 있다.
상술한 실시 예들을 통해, 전자 장치는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 신경망 모델을 효율적으로 학습시킬 수 있다.
도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 개시에 따른 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 설명하기 위한 도면이다.
도 3은 본 개시에 따른 노이즈 데이터를 설명하기 위한 도면이다.
도 4는 종래의 제1 신경망 모델을 학습하는 방법을 설명하기 위한 도면이다.
도 5는 음성 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델에 관한 도면이다.
도 6은 본 개시에 따른 제1 신경망 모델을 학습하는 실시 예를 설명하기 위한 도면이다.
도 7은 본 개시에 따른 제1 신경망 모델을 학습하는 또 다른 실시 예를 설명하기 위한 도면이다.
도 8은 본 개시에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
도 9는 본 개시에 따른 전자 장치의 구체적인 구성을 설명하기 위한 블록도이다.
이하에서는, 첨부된 도면을 통해 본 개시를 상세히 설명한다.
도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하면, 전자 장치(100)는 메모리(110) 및 프로세서(120)를 포함할 수 있다. 본 개시에 따른, 전자 장치(100)는 신경망 모델을 학습하는 서버로 구현될 수 있으나, 이에 한정되지 않고, 스마트 폰, AR 글래스, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, TV, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 스마트 워치와 같은 다양한 형태의 전자 장치로 구현될 수 있다.
메모리(110)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(110)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(120)는 메모리(110)에 저장된 명령어를 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.
본 개시에 따르면, 메모리(110)에는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델 및 오디오 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델이 저장될 수 있다.
본 개시에 따르면, 메모리(110)에는 타겟 화자의 복수의 음성 데이터 및 노이즈 데이터가 저장될 수 있다.
프로세서(120)는 메모리(110)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.
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, 메모리(110)에 저장된 기 정의된 동작 규칙 또는 신경망 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 신경망 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 신경망 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.
신경망 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 운영 체제 또는 응용 프로그램을 구동하여 프로세서(120)에 연결된 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 또한, 프로세서(120)는 다른 구성요소들 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장할 수 있다.
본 개시에 따른 전자 장치(100)는 타겟 화자에 대한 복수의 음성 데이터를 바탕으로, 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델을 학습하는 학습 기능을 제공할 수 있다. 본 개시에 따른 학습 기능은 도 1에 도시된 바와 같이, 음성 데이터 획득 모듈(121), 데이터 합성 모듈(122), 음성 분리 모듈(123), 화자 식별 정보 획득 모듈(124) 및 학습 모듈(125)을 통해 구현될 수 있으며, 각각의 모듈들은 메모리(110)에 저장될 수 있다.
학습 기능이 실행되면, 복수의 모듈(121 내지 125)들이 프로세서(120)에 포함된 메모리(예로, 휘발성 메모리)에 로딩될 수 있다. 즉, 학습 기능이 실행되면, 프로세서(120)는 복수의 모듈(121 내지 125)들을 비휘발성 메모리에서 휘발성 메모리로 로딩하여 복수의 모듈(121 내지 125)의 각 기능들을 실행할 수 있다. 로딩(loading)이란, 프로세서(120)가 액세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.
본 개시에 따른 일 실시 예로, 도 1에 도시된 바와 같이 메모리(110)에 저장된 복수의 모듈(121 내지 125)을 통해 학습 기능이 구현될 수 있으나, 이에 한정되지 않고 학습 기능이 외부 서버에서 구현될 수 있다.
본 개시에 따른 복수의 모듈(121 내지 125)은 각각의 소프트웨어로 구현될 수 있으나, 이에 한정되지 않고 일부 모듈은 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또 다른 실시 예로, 복수의 모듈(121 내지 125)은 하나의 소프트웨어로 구현될 수 있다. 또한, 일부 모듈은 전자 장치(100) 내에서 구현되고, 다른 일부 모듈은 외부 서버에서 구현될 수 있다.
음성 데이터 획득 모듈(121)은 타겟 화자의 복수의 음성 데이터를 획득하기 위한 구성이다. 타겟 화자는 본 개시에 따른 제1 신경망 모델을 학습 시키기 위한 음성 데이터의 주체가 되는 화자이다. 즉, 타겟 화자의 복수의 음성 데이터를 이용하여 학습된 제1 신경망 모델은 음성 데이터를 입력 받아, 입력된 음성 데이터에서 타겟 화자의 음성을 분리할 수 있다.
타겟 화자의 복수의 음성 데이터에 대해서는 도 2를 통해 설명하도록 한다. 도 2는 본 개시에 따른 타겟 화자의 음성을 포함하는 복수의 음성 데이터를 설명하기 위한 도면이다. 도 2를 참조하면, 타겟 화자의 복수의 음성 데이터(200)는 타겟 화자(20)의 발화에 의해 획득되는 음성 데이터를 포함할 수 있다. 일 예로, 복수의 음성 데이터(200)는 타겟 화자(20)의 제1 발화에 대응되는 제1 음성 데이터(200-1), 타겟 화자(20)의 제2 발화에 대응되는 제2 음성 데이터(200-2) 및 타겟 화자(20)의 제N 발화에 대응되는 제N 음성 데이터(200-N)를 포함할 수 있다. 여기서 복수의 음성 데이터(200) 각각은 음성 데이터의 시간에 따른 주파수의 특성을 나타내는 Spectrogram 데이터일 수 있다. 일 예로, 제1 음성 데이터(200-1)에 대응되는 제1 발화는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함할 수 있다.
이러한, 복수의 음성 데이터(200)는 다양한 방식에 의해 획득될 수 있다. 일 실시 예로, 음성 데이터 획득 모듈(121)은 외부 서버 또는 외부 장치로부터 타겟 화자의 복수의 음성 데이터를 획득할 수 있다. 즉, 음성 데이터 획득 모듈(121)은 외부 서버 또는 외부 장치에 기 저장된 타겟 화자의 복수의 음성 데이터(200)를 수신하여 메모리(110)에 저장할 수 있다. 또한, 일 실시 예로, 전자 장치(100)가 휴대 단말 장치로 구현되는 경우, 음성 데이터 획득 모듈(121)은 휴대 단말 장치의 마이크를 통해 타겟 화자의 복수의 음성 데이터를 수신하여 메모리(110)에 저장할 수 있다. 이 경우, 타겟 화자는 휴대 단말 장치의 사용자일 수 있다.
데이터 합성 모듈(122)은 데이터 합성 모듈(122)은 음성 데이터(200)와 합성하기 위한 노이즈 데이터(300)를 획득하여 복수의 음성 데이터(200)를 노이즈 데이터와 합성하기 위한 구성이다. 노이즈 데이터(300)에 대해서는 도 3을 통해 설명하도록 한다. 도 3은 본 개시에 따른 노이즈 데이터(300)를 설명하기 위한 도면이다.
도 3을 참조하면, 노이즈 데이터(300)는 타겟 화자(20)의 음성 데이터를 제외한 다양한 오디오 데이터를 포함할 수 있다. 일 실시 예로, 노이즈 데이터(300)에는 타겟 화자(20)와 상이한 제1 화자(31)의 발화에 의해 획득되는 제1 노이즈 데이터, 타겟 화자(20)와 상이한 제2 화자(32)의 발화에 의해 획득되는 제2 노이즈 데이터, 특정 음악에 재생하기 위한 오디오를 포함하는 제3 노이즈 데이터, 외부 환경에서 획득되는 환경 노이즈를 포함하는 제N 노이즈 데이터를 포함할 수 있다. 여기서 환경 노이즈는 동력 기관에 의해 발생되는 노이즈, 건물 설비 기기에 의해 발생되는 노이즈, 특정 작업에 의해 발생되는 노이즈, 인간의 집합에 의해 발생되는 노이즈 등 다양한 노이즈를 포함할 수 있다.
다만, 노이즈 데이터(300)는 상술한 바에 한정되지 않고 타겟 화자(20)의 음성 데이터와 상이한 다양한 오디오 데이터를 포함할 수 있다.
이러한, 노이즈 데이터(300)는 다양한 방식에 의해 획득될 수 있다. 일 실시 예로, 데이터 합성 모듈(122)은 외부 서버 또는 외부 장치로부터 노이즈 데이터(300)를 획득할 수 있다. 즉, 데이터 합성 모듈(122)은 외부 서버 또는 외부 장치에 기 저장된 노이즈 데이터(300)를 수신하여 메모리(110)에 저장할 수 있다. 또한, 일 실시 예로, 전자 장치(100)가 휴대 단말 장치로 구현되는 경우, 데이터 합성 모듈(122)은 휴대 단말 장치의 마이크를 통해 노이즈 데이터(300)를 수신하여 메모리(110)에 저장할 수 있다. 이 경우, 노이즈 데이터(300)는 휴대 단말 장치 주변에서 발생되는 노이즈를 포함할 수 있다.
노이즈 데이터(300)가 획득되면, 데이터 합성 모듈(122)은 음성 데이터 획득 모듈(121)에서 획득된 복수의 음성 데이터(200) 각각을 노이즈 데이터와 합성하여 오디오 데이터를 획득할 수 있다. 오디오 데이터는 제1 신경망 모델에 입력되어 제1 신경망 모델을 학습시키기 위한 데이터이다. 오디오 데이터가 획득되면, 음성 분리 모듈(123)은 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 타겟 음성 데이터를 획득할 수 있다.
음성 분리 모듈(123)은 제1 신경망 모델(1000)을 이용하여 데이터 합성 모듈(122)에서 획득한 오디오 데이터에서 타겟 화자의 음성 데이터를 분리하기 위한 구성이다. 제1 신경망 모델은 오디오 데이터를 입력 받아 오디오 데이터에서 타겟 화자의 음성 데이터를 분리하기 위한 신경망 모델로, Target source separation filter 모델로 구현될 수 있다. 제1 신경망 모델은 타겟 화자의 복수의 음성 데이터 및 노이즈 데이터 각각이 합성된 오디오 데이터를 통해 학습될 수 있으며, 종래의 학습 방법에 대해서는 도 4를 통해 후술하도록 한다.
음성 분리 모듈(123)은 제1 신경망 모델(1000)에 타겟 화자의 복수의 음성 데이터(200) 중 하나와 노이즈 데이터(300) 중 적어도 하나가 합성된 오디오 데이터를 입력하여, 타겟 음성 데이터를 획득할 수 있다.
타겟 음성 데이터는 오디오 데이터에서 타겟 화자의 오디오 성분만을 포함하는 음성 데이터이다. 제1 신경망 모델(1000)의 성능이 향상될수록 제1 신경망 모델(1000)에서 출력되는 타겟 음성 데이터는 제1 신경망 모델(1000)에 입력되는 오디오 데이터에 포함된 타겟 화자의 음성 데이터와 가까워 질 수 있다.
음성 분리 모듈(123)은 복수의 음성 데이터(200) 각각을 제1 신경망 모델(1000)에 입력하여 복수의 타겟 음성 데이터를 획득할 수 있으며, 이에 대해서는 도 4를 통해 후술하도록 한다.
화자 식별 정보 획득 모듈(124)는 제2 신경망 모델(2000)을 이용하여 복수의 음성 데이터(200)를 바탕으로 화자 식별 정보(250)를 획득하기 위한 구성이다.
제2 신경망 모델(2000)은 음성 데이터를 입력 받아, 입력된 음성 데이터에 대응되는 화자의 목소리 특성에 대한 정보인 화자 식별 정보를 출력하기 위한 구성이다. 일 예로, 제2 신경망 모델(2000)은 Speaker recognition 모델로 구현될 수 있다. 즉, 제2 신경망 모델(2000)에서 출력된 화자 식별 정보를 통해 입력된 음성 데이터가 어떠한 화자의 음성인지 식별할 수 있다. 화자 식별 정보는 복수의 화자 각각의 목소리 특성에 대한 정보를 포함하며, 일 예로, 1 x 512 vector 데이터로 구현될 수 있다.
화자 식별 정보 획득 모듈(124)는 제2 신경망 모델(2000)에 복수의 음성 데이터(200) 각각을 입력하여 획득된 복수의 화자 식별 정보를 바탕으로, 타겟 화자에 대응되는 화자 식별 정보(250)를 획득할 수 있다. 화자 식별 정보(250)를 획득하는 구체적인 방법에 대해서는 도 5를 통해 후술하도록 한다.
학습 모듈(125)은 음성 분리 모듈(123)에서 획득한 타겟 음성 데이터 및 화자 식별 정보 획득 모듈에서 획득한 타겟 화자에 대응되는 화자 식별 정보(250)를 바탕으로, 제1 신경망 모델(1000)을 학습하기 위한 구성이다.
학습 모듈(125)은 음성 분리 모듈(123)에서 획득한 타겟 음성 데이터 및 타겟 화자의 음성 데이터를 바탕으로 제1 손실 정보를 획득할 수 있다. 일 예로, 학습 모듈(125)는 제1 음성 데이터(200-1)와 노이즈 데이터(300)를 합성하여 획득한 제1 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 획득한 제1 타겟 음성 데이터를 제1 음성 데이터(200-1)와 비교하여 제1 손실 정보를 획득할 수 있다.
제1 손실 정보는 제1 신경망 모델에서 출력한 타겟 음성 데이터와 타겟 화자의 음성 데이터의 가까운 정도를 나타내는 값으로, 손실 함수(Loss Function)의 종류이다. 손실 함수(loss function)란 신경망 모델의 현재 학습 상태를 나타내는 지표를 나타낸다. 구체적으로, 손실 함수는 신경망 모델에 대한 현재 성능의 나쁨을 나타내는 지표로, 손실 함수의 값이 클수록 신경망 모델의 성능이 나쁨을 의미할 수 있으며, 신경망 모델은 손실 함수가 감소하는 방향으로 학습될 수 있다.
본 개시에 따른 제1 손실 정보는 MSE(Mean Square Error) 방식을 통해 두 개의 데이터 간의 가까운 정도가 계산될 수 있다. 다만, MSE(Mean Square Error) 방식에 한정되지 않고, 손실 함수를 획득할 수 있는 다양한 방식을 통해 제1 손실 정보가 획득될 수 있다. 즉, 제1 손실 정보는 두 개의 데이터 간의 가까운 정도를 나타내는 지표로, 제1 손실 정보가 감소되는 방향으로 제1 신경망 모델(1000)이 학습될 수 있다. 여기서,
학습 모듈(125)은 제1 손실 정보뿐만 아니라, 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 획득되는 타겟 화자 식별 정보와 화자 식별 정보(250)를 바탕으로 제2 손실 정보를 획득하고, 획득된 제2 손실 정보를 더 이용하여 제1 신경망 모델(1000)을 학습할 수 있다.
제2 손실 정보는 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 획득된 타겟 화자 식별 정보와 타겟 화자의 복수의 음성 데이터(200)를 제2 신경망 모델(2000)에 입력하여 획득된 화자 식별 정보(250)를 비교하여 획득되는 정보이다. 즉, 제2 손실 정보는 타겟 화자 식별 정보와 화자 식별 정보(250)간의 가까운 정도를 나타내는 값으로, 손실 함수(Loss Function)의 종류이다. 일 예로, 제2 손실 정보는 MSE(Mean Square Error) 방식을 통해 두 개의 데이터 간의 가까운 정도가 계산될 수 있다. 다만, MSE(Mean Square Error) 방식에 한정되지 않고, 손실 함수를 획득할 수 있는 다양한 방식을 통해 제2 손실 정보가 획득될 수 있다. 학습 모듈(125)는 제1 손실 정보 및 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.
일 예로, 학습 모듈(125)는 제1 손실 정보에 기 설정된 가중치 및 제2 손실 정보에 기 설정된 가중치를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다. 즉, 학습 모듈(125)는 가중치가 높게 설정된 손실 정보를 가중치가 낮게 설정된 손실 정보 보다 더 비중을 두어 제1 신경망 모델(1000)을 학습할 수 있다.
일 예로, 학습 모듈(125)는 제1 손실 정보의 가중치를 제2 손실 정보의 가중치보다 더 높게 설정하여, 제1 신경망 모델(1000)을 학습할 수 있다. 이 경우, 제2 손실 정보의 값 보다 제1 손실 정보의 값이 더 감소되는 방향으로 제1 신경망 모델(1000)이 학습될 수 있다.
다만, 이에 한정되지 않고, 학습 모듈(125)는 제1 손실 정보 및 제2 손실 정보 각각에 다양한 가중치를 두어 제1 신경망 모델(1000)을 학습할 수 있다.
학습 모듈(125)을 통해 제1 신경망 모델을 학습하는 구체적인 실시 예에 대해서는 도 6 및 도 7을 통해 후술하도록 한다.
도 4는 종래의 제1 신경망 모델을 학습하는 방법을 설명하기 위한 도면이다.
종래에는 하나의 손실 정보를 바탕으로 제1 신경망 모델에 대한 학습이 수행되었다. 구체적으로, 도 4를 참조하면, 제1 음성 데이터(200-1) 및 노이즈 데이터(300)가 합성된 제1 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제1 타겟 음성 데이터가 출력될 수 있다.
그리고, 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.
그리고, 제2 음성 데이터(200-2) 및 노이즈(300)데이터가 합성된 제2 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제2 타겟 음성 데이터가 출력될 수 있다.
그리고, 제2 음성 데이터(200-2)와 제2 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제2 음성 데이터(200-2)와 제1 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.
그리고, 제N 음성 데이터(200-N) 및 노이즈(300)데이터가 합성된 제2 오디오 데이터가 제1 신경망 모델(1000)에 입력되어 제N 타겟 음성 데이터가 출력될 수 있다.
그리고, 제N 음성 데이터(200-N)와 제N 타겟 음성 데이터를 비교하여 획득된 손실 정보를 바탕으로, 제1 신경망 모델(1000)이 학습될 수 있다. 즉, 제N 음성 데이터(200-N)와 제N 타겟 음성 데이터를 비교하여 획득된 손실 정보의 값이 감소되는 방향으로, 제1 신경망 모델(1000)에 대한 학습이 수행될 수 있다.
제1 신경망 모델(1000)은 복수의 음성 데이터(200) 각각에 대해 상술한 과정을 반복하여 획득된 복수의 손실 함수를 바탕으로 학습이 수행될 수 있다.
즉, 종래에는 제1 신경망 모델(1000)을 학습시키기 위해 한번의 학습 과정에서 하나의 타겟 화자의 음성 데이터만을 이용하였다. 즉, N 개의 타겟 화자의 음성 데이터를 통해 제1 신경망 모델(1000)을 학습시키기 위해서는 N번 학습을 수행하여야 하였다.
이에, 본 개시에 따른 제2 손실 함수를 더 이용하는 경우, 한번의 학습 과정에서 타겟 화자의 복수의 음성 데이터(200)에 대한 정보가 모두 반영되어 제1 신경망 모델(1000)의 학습이 수행될 수 있다.
도 5는 음성 데이터를 통해 화자를 식별하기 위한 제2 신경망 모델에 관한 도면이다.
제2 신경망 모델(2000)은 음성 데이터를 입력 받아, 입력된 음성 데이터에 대응되는 화자의 목소리 특성에 대한 정보인 화자 성분 정보를 출력하기 위한 구성이다. 일 예로, 제2 신경망 모델(2000)은 Speaker recognition 모델로 구현될 수 있다. 즉, 제2 신경망 모델(2000)에서 출력된 화자 성분 정보를 통해 입력된 음성 데이터가 어떠한 화자의 음성인지 식별할 수 있다. 화자 성분 정보는 복수의 화자 각각의 목소리 특성에 대한 정보를 포함하며, 일 예로, 1 x 512 vector 데이터로 구현될 수 있다.
구체적으로 도 5를 참조하면, 전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제2 신경망 모델(2000)에 입력하여 제1 음성 데이터(200-1)에 대응되는 화자 성분 정보(210-1)를 획득할 수 있다. 그리고, 전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200) 중 제2 음성 데이터(200-2)를 제2 신경망 모델(2000)에 입력하여 제2 음성 데이터(200-2)에 대응되는 화자 성분 정보(210-2)를 획득할 수 있다.
전자 장치(100)는 이러한 과정을 복수의 음성 데이터(200) 각각에 수행하여 복수의 음성 데이터(200) 각각 대응되는 화자 성분 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 복수의 음성 데이터(200) 각각 대응되는 화자 성분 정보의 평균 값을 계산하여 타겟 화자에 대응되는 화자 식별 정보(250)를 획득할 수 있다. 즉, 화자 식별 정보(250)는 타겟 화자의 복수의 음성 데이터(200)를 종합하여 획득된 타겟 화자의 목소리 특성에 대한 정보일 수 있다.
도 6은 본 개시에 따른 제1 신경망 모델을 학습하는 실시 예를 설명하기 위한 도면이다.
도 6을 참조하면, 전자 장치(100)는 제1 음성 데이터(200-1)를 노이즈 데이터(300)와 합성하여 제1 오디오 데이터를 획득할 수 있다. 일 실시 예로, 전자 장치(100)는 노이즈 데이터(300) 중 하나를 제1 음성 데이터(200-1)와 합성하여 제1 오디오 데이터를 획득할 수 있으나, 이에 한정되지 않는다. 즉, 전자 장치(100)는 노이즈 데이터(300) 중 적어도 하나를 제1 음성 데이터(200-1)와 합성하여 제1 오디오 데이터를 획득할 수 있다.
그리고, 전자 장치(100)는 제1 오디오 데이터를 제1 신경망 모델(1000)에 입력하여 제1 타겟 음성 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 음성 데이터(200-1)와 제1 타겟 음성 데이터를 비교하여 제1 손실 정보를 획득할 수 있다.
그리고, 전자 장치(100)는 제1 타겟 음성 데이터를 제2 신경망 모델(2000)에 입력하여 제1 타겟 화자 식별 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 타겟 화자 식별 정보를 도 5를 통해 획득한 화자 식별 정보(250)와 비교하여 제2 손실 정보를 획득할 수 있다.
화자 식별 정보(250)는 도 5에서 설명한 바와 같이, 타겟 화자의 복수의 음성 데이터(200)를 바탕으로 획득된 화자 식별 정보일 수 있으나, 이에 한정되지 않고, 화자 식별 정보(250)는 타겟 화자의 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제외한 음성 데이터를 바탕으로 획득된 화자 식별 정보일 수 있다.
제1 손실 정보 및 제2 손실 정보가 획득되면, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다. 구체적으로, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 제1 손실 정보 및 제2 손실 정보의 값이 감소되는 방향으로 제1 신경망 모델(1000)을 학습할 수 있다.
도 6에는 전자 장치(100)가 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 이용하여 제1 신경망 모델(1000)을 학습하는 과정을 도시한 것으로, 본 개시에 따른 전자 장치(100)는 도 6의 과정을 복수의 음성 데이터(200) 각각에 대해 수행하여 획득되는 제1 손실 정보 및 제3 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다.
일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제N 음성 데이터(200-N)를 노이즈 데이터(300) 중 적어도 하나와 합성하여, 제N 오디오 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 신경망 모델(1000)에 제N 오디오 데이터를 입력하여, 제N 타겟 음성 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제N 타겟 음성 데이터를 제N 음성 데이터(200-N)와 비교하여 제N 음성 데이터(200-N)에 대응되는 제1 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제2 신경망 모델(2000)에 제N 타겟 음성 데이터를 입력하여 제N 타겟 화자 식별 정보를 획득하고, 도 6의 과정을 통해 획득한 화자 식별 정보(250)와 제N 타겟 화자 식별 정보를 비교하여 제N 음성 데이터(200-N)에 대응되는 제2 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제N 음성 데이터(200-N)에 대응되는 제1 손실 정보와 제N 음성 데이터(200-N)에 대응되는 제2 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.
도 7은 본 개시에 따른 제1 신경망 모델을 학습하는 또 다른 실시 예를 설명하기 위한 도면이다.
본 개시에 따르면, 전자 장치(100)는 도 5 및 도 6과 같이 타겟 화자의 복수의 음성 데이터(200)를 제2 신경망 모델(2000)에 입력하여 획득할 수 있는 화자 식별 정보(250)를 이용하여 제2 손실 정보를 획득하고, 획득한 제2 손실 정보를 제1 손실 정보와 함께 이용하여 제1 신경망 모델(1000)을 학습할 수 있으나, 본 개시는 이에 한정되지 않는다.
즉, 도 7을 참조하면, 전자 장치(100)는 노이즈 식별 정보(700)를 이용하여 제3 손실 정보를 획득하고, 획득한 제3 손실 정보를 더 이용하여 제1 신경망 모델(1000)을 학습할 수 있다.
노이즈 식별 정보(700)는 노이즈 데이터(300) 각각을 제2 신경망 모델(2000)에 입력하여 획득할 수 있는 정보로, 구체적으로, 전자 장치(100)는 노이즈 데이터(300) 각각을 제2 신경망 모델(2000)에 입력하여 출력되는 정보들의 평균 값을 노이즈 식별 정보(700)로 획득할 수 있다.
구체적으로, 도 7을 참조하면, 일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300) 중 적어도 하나와 합성하여, 제1 오디오 데이터를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 신경망 모델(1000)에 제1 오디오 데이터를 입력하여, 제1 타겟 음성 데이터 및 제1 타겟 노이즈 데이터를 획득할 수 있다.
타겟 노이즈 데이터란 제1 오디오 데이터에서 제1 타겟 음성 데이터에 대응되는 성분이 제거된 데이터일 수 있다. 즉, 타겟 노이즈 데이터는 제1 오디오 데이터에서 타겟 화자의 발화 음성이 제거된 데이터일 수 있다.
그리고, 전자 장치(100)는 제1 타겟 음성 데이터를 제1 음성 데이터(200-1)와 비교하여 제1 음성 데이터(200-1)에 대응되는 제1 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제2 신경망 모델(2000)에 제1 노이즈 음성 데이터를 입력하여 제1 타겟 노이즈 식별 정보를 획득할 수 있다.
그리고, 전자 장치(100)는 제1 타겟 노이즈 식별 정보와 노이즈 식별 정보(700)를 비교하여 제1 음성 데이터(200-1에 대응되는 제3 손실 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 제1 음성 데이터(200-1)에 대응되는 제1 손실 정보와 제1 음성 데이터(200-1)에 대응되는 제3 손실 정보를 바탕으로, 제1 신경망 모델(1000)을 학습할 수 있다.
도 6에는 전자 장치(100)가 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 이용하여 제1 신경망 모델(1000)을 학습하는 과정을 도시한 것으로, 본 개시에 따른 전자 장치(100)는 도 7의 과정을 복수의 음성 데이터(200) 각각에 대해 수행하여 획득되는 제1 손실 정보 및 제3 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다.
도 8은 본 개시에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
전자 장치(100)는 타겟 화자의 복수의 음성 데이터(200)를 획득할 수 있다(S810). 일 실시 예로, 전자 장치(100)는 전자 장치(100)에 부착된 마이크를 통해 타겟 화자의 복수의 음성 데이터(200)를 획득하거나, 외부 서버 또는 외부 장치로부터 타겟 화자의 복수의 음성 데이터(200)를 획득할 수 있다.
그리고, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300)와 합성하여 제1 오디오 데이터를 획득할 수 있다(S820). 일 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 노이즈 데이터(300) 중 적어도 하나와 합성하여 제1 오디오 데이터를 획득할 수 있다. 노이즈 데이터는 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함할 수 있다.
그리고, 전자 장치(100)는 오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델(1000)에 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득할 수 있다(S830).
그리고, 전자 장치(100)는 제1 타겟 음성 데이터와 제1 음성 데이터를 비교하여 제1 손실 정보를 획득할 수 있다(S840).
그리고, 전자 장치(100)는 화자를 식별하기 위한 제2 신경망 모델(2000)에 복수의 음성 데이터(200)를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보(250)를 획득하고, 제2 신경망 모델(2000)에 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득할 수 있다(S850). 일 실시 예로, 전자 장치(100)는 제2 신경망 모델(2000)에 복수의 음성 데이터(200)를 각각 입력하여 복수의 화자 성분 정보를 획득하고, 복수의 화자 성분 정보의 평균 값을 화자 식별 정보(250)로 식별할 수 있다. 또한, 일 실시 예로, 전자 장치(100)는 복수의 음성 데이터(200) 중 제1 음성 데이터(200-1)를 제외한 나머지 음성 데이터를 제2 신경망 모델(2000)에 입력하여 복수의 화자 성분 정보를 획득하고, 획득한 복수의 화자 성분 정보의 평균 값을 화자 식별 정보(250)로 식별할 수 있다.
그리고, 전자 장치(100)는 화자 식별 정보(250)와 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득할 수 있다(S860).
그리고, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다(S870). 일 실시 예로, 전자 장치(100)는 제1 손실 정보 및 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 제1 신경망 모델(1000)을 학습할 수 있다. 일 실시 예로, 전자 장치(100)는 제1 손실 정보의 값과 제2 손실 정보의 값이 감소하는 방향으로 제1 신경망 모델(1000)을 학습할 수 있다.
도 9는 본 개시에 따른 전자 장치의 구체적인 구성을 설명하기 위한 블록도이다.
도 9에 도시된 바와 같이, 전자 장치(900)는 메모리(910), 프로세서(920), 통신 인터페이스(930), 디스플레이(940), 입력 인터페이스(950) 및 마이크(960)를 포함할 수 있다. 한편, 도 9에 도시된 전자 장치(900)의 구성은 전자 장치(900)의 유형에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다. 메모리(910) 및 프로세서(920)에 대해서는 도 1의 메모리(110) 및 프로세서(120)에서 설명하였으므로, 자세한 내용은 생략하도록 한다.
통신 인터페이스(930), 통신 인터페이스(930)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스(930)는 와이파이칩, 블루투스 칩, 무선 통신 칩, NFC 칩을 포함할 수 있다. 전자 장치(900)는 통신 인터페이스(930)를 이용하여 각종 외부 장치와 통신을 수행할 수 있다. 구체적으로 본 개시에 따르면, 통신 인터페이스(930)를 통해 전자 장치(100)는 외부 장치로부터 복수의 음성 데이터(200) 및 노이즈 데이터(300)를 수신할 수 있다. 또한, 전자 장치(100)는 통신 인터페이스(930)를 통해 외부 장치로부터 제1 신경망 모델(1000) 및 제2 신경망 모델(2000)을 수신할 수 있다.
디스플레이(940)는 프로세서(920)의 제어에 따라 다양한 정보를 표시할 수 있다. 디스플레이(940)는 전자 장치(900)에서 포 그라운드로 실행되는 화면을 표시할 수 있다.
그리고, 이와 같은, 디스플레이(940)는 LCD(Liquid Crystal Display Panel), LED(light emitting diode), OLED(Organic Light Emitting Diodes), LCoS(Liquid Crystal on Silicon), DLP(Digital Light Processing) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 또한, 디스플레이(940) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 또한, 디스플레이(940)는 폴더블 디스플레이, 롤러블 디스플레이 등 다양한 디스플레이로 구현될 수 있다. 또한, 디스플레이(940)는 터치 감지부와 결합되어 터치 스크린으로 구현될 수도 있다.
입력 인터페이스(950)는 전자 장치(100)를 제어하기 위한 사용자 명령을 입력 받기 위한 구성이다. 입력 인터페이스(950)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(900)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.
마이크(960)는 오디오 신호를 입력 받을 수 있다. 이때, 마이크(960)는 타겟 화자의 복수의 음성 데이터를 입력 받을 수 있다. 그리고, 전자 장치(100)는 입력 받은 음성 데이터를 저장하여 타겟 화자에 대응되는 복수의 음성 데이터(200)를 획득할 수 있다.
또한, 전자 장치(100)는 마이크(960)를 통해 전자 장치(900) 주변에서 발생되는 노이즈 오디오를 수신하여 노이즈 데이터를 획득할 수 있다.
마이크(960)는 전자 장치(900)의 본체에 복수 개 구비될 수 있으나, 이는 일 실시 예에 불과할 뿐, 외부에 위치하여 전자 장치(900)와 전기적으로 연결될 수 있다.
본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하였다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.
덧붙여, 상술한 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.
대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
실시 예에 있어서 '' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '' 혹은 '부'를 제외하고는 적어도 하나의 로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.
한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.
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 들로 구현될 수 있다. 상기 소프트웨어 들 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,
    타겟 화자의 복수의 음성 데이터를 획득하는 단계;
    상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하는 단계;
    오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하는 단계;
    상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하는 단계;
    화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하는 단계;
    상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하는 단계; 및
    상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 단계;를 포함하는 제어 방법.
  2. 제1항에 있어서,
    상기 화자 식별 정보를 획득하는 단계는
    상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하는 단계; 및
    상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 단계;를 포함하는 제어방법.
  3. 제2항에 있어서,
    상기 복수의 화자 성분 정보를 획득하는 단계는
    상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 단계인 제어 방법.
  4. 제1항에 있어서,
    상기 학습하는 단계는,
    상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 단계인 제어 방법.
  5. 제1항에 있어서,
    상기 학습하는 단계는,
    상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습하는 제어 방법.
  6. 제1항에 있어서,
    상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함하는 제어 방법.
  7. 제1항에 있어서,
    상기 제1 음성 데이터는 음성 인식을 수행하는 신경망 모델을 활성화하기 위한 트리거 음성을 포함하는 제어 방법.
  8. 제1항에 있어서,
    상기 제1 타겟 음성 데이터를 획득하는 단계는,
    상기 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 상기 제1 타겟 음성 데이터 및 상기 제1 오디오 데이터에서 상기 제1 타겟 음성 데이터에 대응되는 성분이 제거된 제1 타겟 노이즈 데이터를 획득하는 단계인 제어 방법.
  9. 제8항에 있어서,
    상기 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 노이즈 식별 정보를 획득하고, 상기 제1 타겟 노이즈 데이터를 상기 제2 신경망 모델에 입력하여 제1 타겟 노이즈 식별 정보를 획득하는 단계;
    상기 제1 노이즈 식별 정보와 상기 제1 타겟 노이즈 식별 정보를 비교하여 제3 손실 정보를 획득하는 단계;및
    상기 제3 손실 정보를 더 이용하여 상기 제1 신경망 모델을 학습하는 단계;를 더 포함하는 제어 방법.
  10. 전자 장치에 있어서,
    적어도 하나의 명령어를 저장하는 메모리;
    상기 메모리와 연결되어 상기 전자 장치를 제어하는 프로세서;를 포함하며,
    상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
    타겟 화자의 복수의 음성 데이터를 획득하고,
    상기 복수의 음성 데이터 중 제1 음성 데이터를 노이즈 데이터와 합성하여 제1 오디오 데이터를 획득하고,
    오디오 데이터에서 타겟 화자의 음성을 분리하기 위한 제1 신경망 모델에 상기 제1 오디오 데이터를 입력하여 제1 타겟 음성 데이터를 획득하고,
    상기 제1 타겟 음성 데이터와 상기 제1 음성 데이터를 비교하여 제1 손실 정보를 획득하고,
    화자를 식별하기 위한 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 타겟 화자에 대응되는 화자 식별 정보를 획득하고, 상기 제2 신경망 모델에 상기 제1 타겟 음성 데이터를 입력하여 제1 타겟 화자 식별 정보를 획득하고,
    상기 화자 식별 정보와 상기 제1 타겟 화자 식별 정보를 비교하여 제2 손실 정보를 획득하고,
    상기 제1 손실 정보 및 상기 제2 손실 정보를 바탕으로 상기 제1 신경망 모델을 학습하는 전자 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 제2 신경망 모델에 상기 복수의 음성 데이터를 각각 입력하여 복수의 화자 성분 정보를 획득하고,
    상기 복수의 화자 성분 정보의 평균 값을 상기 화자 식별 정보로 식별하는 전자 장치.
  12. 제11항에 있어서,
    상기 프로세서는,
    상기 복수의 음성 데이터 중 상기 제1 음성 데이터를 제외한 적어도 하나의 음성 데이터를 상기 제2 신경망 모델에 입력하여 복수의 화자 성분 정보를 획득하는 전자 장치.
  13. 제10항에 있어서,
    상기 프로세서는,
    상기 제1 손실 정보 및 상기 제2 손실 정보 각각에 기 설정된 가중치를 바탕으로 상기 제1 신경망 모델을 학습하는 전자 장치.
  14. 제10항에 있어서,
    상기 프로세서는,
    상기 제1 손실 정보의 값과 상기 제2 손실 정보의 값이 감소하는 방향으로 상기 제1 신경망 모델을 학습하는 전자 장치.
  15. 제10항에 있어서,
    상기 노이즈 데이터는 상기 타겟 화자와 상이한 적어도 하나의 화자의 음성 데이터 및 환경 노이즈 데이터 중 적어도 하나를 포함하는 전자 장치.
PCT/KR2021/014195 2020-10-22 2021-10-14 전자 장치 및 이의 제어 방법 WO2022086045A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2020-0137515 2020-10-22
KR20200137515 2020-10-22
KR1020210059246A KR20220053456A (ko) 2020-10-22 2021-05-07 전자 장치 및 이의 제어 방법
KR10-2021-0059246 2021-05-07

Publications (1)

Publication Number Publication Date
WO2022086045A1 true WO2022086045A1 (ko) 2022-04-28

Family

ID=81290829

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/014195 WO2022086045A1 (ko) 2020-10-22 2021-10-14 전자 장치 및 이의 제어 방법

Country Status (1)

Country Link
WO (1) WO2022086045A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024053844A1 (ko) * 2022-09-05 2024-03-14 삼성전자주식회사 오디오 신호에 포함된 음성 신호에 이용하여 타겟 화자를 업데이트하는 전자 장치 및 그의 타겟 화자 업데이트 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170131585A (ko) * 2015-09-04 2017-11-29 구글 엘엘씨 화자 검증을 위한 신경망들
US20190392842A1 (en) * 2016-09-12 2019-12-26 Pindrop Security, Inc. End-to-end speaker recognition using deep neural network
KR20200023893A (ko) * 2018-08-27 2020-03-06 삼성전자주식회사 화자 인증 방법, 화자 인증을 위한 학습 방법 및 그 장치들
CN111524521A (zh) * 2020-04-22 2020-08-11 北京小米松果电子有限公司 声纹提取模型训练方法和声纹识别方法、及其装置和介质
KR20200116225A (ko) * 2019-04-01 2020-10-12 한양대학교 산학협력단 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170131585A (ko) * 2015-09-04 2017-11-29 구글 엘엘씨 화자 검증을 위한 신경망들
US20190392842A1 (en) * 2016-09-12 2019-12-26 Pindrop Security, Inc. End-to-end speaker recognition using deep neural network
KR20200023893A (ko) * 2018-08-27 2020-03-06 삼성전자주식회사 화자 인증 방법, 화자 인증을 위한 학습 방법 및 그 장치들
KR20200116225A (ko) * 2019-04-01 2020-10-12 한양대학교 산학협력단 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치
CN111524521A (zh) * 2020-04-22 2020-08-11 北京小米松果电子有限公司 声纹提取模型训练方法和声纹识别方法、及其装置和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024053844A1 (ko) * 2022-09-05 2024-03-14 삼성전자주식회사 오디오 신호에 포함된 음성 신호에 이용하여 타겟 화자를 업데이트하는 전자 장치 및 그의 타겟 화자 업데이트 방법

Similar Documents

Publication Publication Date Title
WO2015167160A1 (en) Command displaying method and command displaying device
WO2020159288A1 (ko) 전자 장치 및 그 제어 방법
WO2020017898A1 (en) Electronic apparatus and control method thereof
WO2020153626A1 (en) Electronic apparatus and control method thereof
WO2021071110A1 (en) Electronic apparatus and method for controlling electronic apparatus
WO2021096091A1 (en) Electronic apparatus and control method thereof
WO2022086045A1 (ko) 전자 장치 및 이의 제어 방법
WO2019142988A1 (ko) 전자 장치, 그 제어 방법 및 컴퓨터 판독가능 기록 매체
WO2020045794A1 (ko) 전자 장치 및 그 제어 방법
WO2020231151A1 (en) Electronic device and method of controlling thereof
WO2021172749A1 (ko) 전자 장치 및 그 제어 방법
WO2021045503A1 (en) Electronic apparatus and control method thereof
EP3850623A1 (en) Electronic device and method of controlling thereof
WO2020166796A1 (ko) 전자 장치 및 그 제어 방법
WO2023177108A1 (en) Method and system for learning to share weights across transformer backbones in vision and language tasks
WO2020080812A1 (en) Electronic device and controlling method of electronic device
WO2020141769A1 (en) Display apparatus, display system having the same, and method thereof
WO2022039494A1 (ko) 단말의 모델을 갱신하는 서버 및 그 동작 방법
WO2022139122A1 (ko) 전자 장치 및 이의 제어 방법
WO2022139327A1 (en) Method and apparatus for detecting unsupported utterances in natural language understanding
WO2022092487A1 (ko) 전자 장치 및 그 제어 방법
WO2021162260A1 (en) Electronic apparatus and control method thereof
WO2021071249A1 (en) Electronic apparatus and control method thereof
KR20220053456A (ko) 전자 장치 및 이의 제어 방법
WO2022186450A1 (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: 21883116

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: 21883116

Country of ref document: EP

Kind code of ref document: A1