WO2022173104A1 - 음성 구간 인식의 향상을 지원하는 전자 장치 - Google Patents

음성 구간 인식의 향상을 지원하는 전자 장치 Download PDF

Info

Publication number
WO2022173104A1
WO2022173104A1 PCT/KR2021/019047 KR2021019047W WO2022173104A1 WO 2022173104 A1 WO2022173104 A1 WO 2022173104A1 KR 2021019047 W KR2021019047 W KR 2021019047W WO 2022173104 A1 WO2022173104 A1 WO 2022173104A1
Authority
WO
WIPO (PCT)
Prior art keywords
audio
audio signal
module
processor
electronic device
Prior art date
Application number
PCT/KR2021/019047
Other languages
English (en)
French (fr)
Inventor
유승범
박성재
오혁
최명용
최준권
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US17/570,557 priority Critical patent/US20220254369A1/en
Publication of WO2022173104A1 publication Critical patent/WO2022173104A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
    • 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
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—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
    • G10L15/06—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
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—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
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise

Definitions

  • Various embodiments relate to a method and apparatus for providing an artificial intelligent (AI) agent service to a user using voice activity detection (VAD) in user utterances.
  • AI artificial intelligent
  • VAD voice activity detection
  • An artificial intelligence system is a computer system that implements human-level intelligence. It is a system in which a machine learns and judges on its own, and the recognition rate improves the more it is used.
  • Artificial intelligence technology can be composed of machine learning technology that uses an algorithm that classifies/learns the characteristics of input data by itself, and element technology that uses machine learning technology to simulate functions such as cognition and judgment of the human brain. have.
  • element technologies are linguistic understanding technology that recognizes human language/text, visual understanding technology that recognizes objects as if they were human eyes, reasoning/prediction technology that logically infers and predicts information by judging information, and human experience information. It may include at least one of knowledge expression technology that processes knowledge data, autonomous driving of a vehicle, and motion control technology for controlling movement of a robot.
  • Linguistic understanding technology is a technology for recognizing and applying/processing human language/text, and may include natural language processing, machine translation, dialogue system, question answering, voice recognition/synthesis, and the like.
  • the electronic device may generate text data corresponding to the utterance by recognizing a user's utterance using an automatic speech recognition (ASR) model generated by training with a machine learning technology.
  • ASR automatic speech recognition
  • the electronic device recognizes a section in which the user's voice (speech) is in the audio signal, understands the user's intention in the user's speech within the recognized section, and outputs a response corresponding to the user's intention as an artificial intelligent (artificial intelligent) ( AI) agent service can be provided to users.
  • voice speech
  • AI artificial intelligent
  • ambient noise eg, a voice from a TV, a noise from a vacuum cleaner, or a voice from a neighbor
  • ambient noise may be an obstacle that makes it difficult to recognize the user's voice section.
  • the response to user commands may be VAD dependent. For example, if the start and/or end of the user's voice is incorrectly recognized, the user may be frustrated because the response is slow, or the user's utterance may be cut off because the response is too fast.
  • Various embodiments may provide an electronic device that implements a VAD that is robust to ambient noise.
  • the technical problems to be achieved in the present disclosure are not limited to the technical problems mentioned above, and other technical problems not mentioned can be clearly understood by those of ordinary skill in the art to which the present invention belongs from the description below. There will be.
  • an electronic device may include a microphone; audio connector; radio communication circuit; a processor operatively coupled to the microphone, the audio connector, and the wireless communication circuitry; and a memory operatively coupled to the processor, wherein the memory, when executed, causes the processor to: receive a first audio signal via the microphone, the audio connector, or the wireless communication circuitry; extract audio characteristic information from a signal, and use the audio characteristic information to recognize a voice section in a second audio signal received through the microphone, the audio connector, or the wireless communication circuit after the first audio signal instructions can be stored.
  • a method of operating an electronic device includes: receiving a first audio signal through a microphone, an audio connector, or a wireless communication circuit; extracting audio characteristic information from the first audio signal; and recognizing a voice section in a second audio signal received through the microphone, the audio connector, or the wireless communication circuit after the first audio signal by using the audio characteristic information.
  • the electronic device may accurately recognize a voice section in the user's utterance even when there is noise in the environment when the user utters the utterance.
  • various effects directly or indirectly identified through this document may be provided.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments of the present disclosure
  • FIG. 2 is a block diagram of an audio module, according to various embodiments.
  • FIG. 3 is a block diagram illustrating an integrated intelligence system according to an embodiment.
  • FIG. 4 is a diagram illustrating a form in which relation information between a concept and an operation is stored in a database, according to various embodiments of the present disclosure
  • FIG. 5 is a diagram illustrating a screen in which a user terminal processes a voice input received through an intelligent app according to various embodiments of the present disclosure
  • FIG. 6 is a block diagram of an electronic device 600 configured to provide a noise-resistant voice assistant service according to various embodiments of the present disclosure.
  • FIG. 7 is a block diagram of the speech section recognition module of FIG. 6 , according to an embodiment.
  • FIG. 8 shows an example of an operation of generating training data used for recognizing a speech section.
  • FIG. 9 is a diagram for describing operations of an audio conversion module, a feature extraction module, and a voice section recognition module according to an embodiment.
  • FIG. 10 is a diagram for describing operations of an audio conversion module, a feature extraction module, and a speech section recognition module according to an embodiment.
  • FIG. 11 is a diagram for describing operations of an audio conversion module, a feature extraction module, and a speech section recognition module according to an embodiment.
  • FIG. 12 is a flowchart illustrating operations for recognizing a voice section, according to an embodiment.
  • FIG. 13 is a flowchart illustrating operations for recognizing a voice section, according to an embodiment.
  • FIG. 1 is a block diagram of an electronic device 101 in a network environment 100, according to various embodiments.
  • an electronic device 101 communicates with an electronic device 102 through a first network 198 (eg, a short-range wireless communication network) or a second network 199 . It may communicate with at least one of the electronic device 104 and the server 108 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • a first network 198 eg, a short-range wireless communication network
  • a second network 199 e.g., a second network 199
  • the electronic device 101 may communicate with the electronic device 104 through the server 108 .
  • the electronic device 101 includes a processor 120 , a memory 130 , an input module 150 , a sound output module 155 , a display module 160 , an audio module 170 , and a sensor module ( 176), interface 177, connection terminal 178, haptic module 179, camera module 180, power management module 188, battery 189, communication module 190, subscriber identification module 196 , or an antenna module 197 .
  • at least one of these components eg, the connection terminal 178
  • some of these components are integrated into one component (eg, display module 160 ). can be
  • the processor 120 for example, executes software (eg, a program 140) to execute at least one other component (eg, a hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or operations. According to one embodiment, as at least part of data processing or operation, the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 . may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • software eg, a program 140
  • the processor 120 converts commands or data received from other components (eg, the sensor module 176 or the communication module 190 ) to the volatile memory 132 .
  • the volatile memory 132 may be stored in , process commands or data stored in the volatile memory 132 , and store the result data in the non-volatile memory 134 .
  • the processor 120 is a main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • a main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit
  • NPU neural processing unit
  • an image signal processor e.g., a sensor hub processor, or a communication processor.
  • the secondary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or when the main processor 121 is active (eg, executing an application). ), together with the main processor 121, at least one of the components of the electronic device 101 (eg, the display module 160, the sensor module 176, or the communication module 190) It is possible to control at least some of the related functions or states.
  • the coprocessor 123 eg, an image signal processor or a communication processor
  • may be implemented as part of another functionally related component eg, the camera module 180 or the communication module 190. have.
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself on which the artificial intelligence model is performed, or may be performed through a separate server (eg, the server 108).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
  • the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
  • the memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176 ) of the electronic device 101 .
  • the data may include, for example, input data or output data for software (eg, the program 140 ) and instructions related thereto.
  • the memory 130 may include a volatile memory 132 or a non-volatile memory 134 .
  • the program 140 may be stored as software in the memory 130 , and may include, for example, an operating system 142 , middleware 144 , or an application 146 .
  • the input module 150 may receive a command or data to be used by a component (eg, the processor 120 ) of the electronic device 101 from the outside (eg, a user) of the electronic device 101 .
  • the input module 150 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
  • the sound output module 155 may output a sound signal to the outside of the electronic device 101 .
  • the sound output module 155 may include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from or as part of the speaker.
  • the display module 160 may visually provide information to the outside (eg, a user) of the electronic device 101 .
  • the display module 160 may include, for example, a control circuit for controlling a display, a hologram device, or a projector and a corresponding device.
  • the display module 160 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module 170 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 170 acquires a sound through the input module 150 or an external electronic device (eg, a sound output module 155 ) directly or wirelessly connected to the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the sensor module 176 detects an operating state (eg, power or temperature) of the electronic device 101 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface 177 may support one or more specified protocols that may be used by the electronic device 101 to directly or wirelessly connect with an external electronic device (eg, the electronic device 102 ).
  • the interface 177 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • the connection terminal 178 may include a connector through which the electronic device 101 can be physically connected to an external electronic device (eg, the electronic device 102 ).
  • the connection terminal 178 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
  • the haptic module 179 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
  • the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 180 may capture still images and moving images. According to an embodiment, the camera module 180 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 188 may manage power supplied to the electronic device 101 .
  • the power management module 188 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • battery 189 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • the communication module 190 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 101 and an external electronic device (eg, the electronic device 102, the electronic device 104, or the server 108). It can support establishment and communication performance through the established communication channel.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : It may include a local area network (LAN) communication module, or a power line communication module.
  • a corresponding communication module among these communication modules is a first network 198 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 199 (eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a first network 198 eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network 199 eg, legacy It may communicate with the external electronic device 104 through a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (eg, a telecommunication network such as a LAN or a WAN).
  • a telecommunication network
  • the wireless communication module 192 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 196 within a communication network such as the first network 198 or the second network 199 .
  • subscriber information eg, International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the electronic device 101 may be identified or authenticated.
  • the wireless communication module 192 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
  • NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • a high frequency band eg, mmWave band
  • the wireless communication module 192 uses various techniques for securing performance in a high-frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
  • the wireless communication module 192 may support various requirements defined in the electronic device 101 , an external electronic device (eg, the electronic device 104 ), or a network system (eg, the second network 199 ).
  • the wireless communication module 192 may include a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC ( Example: Downlink (DL) and uplink (UL) each 0.5 ms or less, or round trip 1 ms or less) can be supported.
  • a peak data rate eg, 20 Gbps or more
  • loss coverage eg, 164 dB or less
  • U-plane latency for realizing URLLC
  • the antenna module 197 may transmit or receive a signal or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
  • the antenna module 197 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication method used in a communication network such as the first network 198 or the second network 199 is connected from the plurality of antennas by, for example, the communication module 190 . can be selected. A signal or power may be transmitted or received between the communication module 190 and an external electronic device through the selected at least one antenna.
  • other components eg, a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, underside) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
  • peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • the command or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or part of the operations performed by the electronic device 101 may be executed by one or more external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 may perform the function or service itself instead of executing the function or service itself.
  • one or more external electronic devices may be requested to perform at least a part of the function or the service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 101 .
  • the electronic device 101 may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device 101 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 104 may include an Internet of things (IoT) device.
  • the server 108 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 104 or the server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
  • FIG. 2 is a block diagram 200 of an audio module 170, in accordance with various implementations.
  • the audio module 170 includes, for example, an audio input interface (eg, including an audio input circuit) 210 , an audio input mixer 220 , and an analog to digital converter (ADC) 230 . , an audio signal processor (eg, including an audio processing circuit) 240 , a digital to analog converter (DAC) 250 , an audio output mixer 260 , and/or an audio output interface (eg, including an audio output circuit) (270).
  • an audio input interface eg, including an audio input circuit
  • an audio input mixer 220 e.g, an audio input mixer 220
  • ADC analog to digital converter
  • DAC digital to analog converter
  • an audio output mixer 260 e.g, including an audio output circuit
  • an audio output interface eg, including an audio output circuit
  • the audio input interface 210 is acquired from the outside of the electronic device 101 as part of the input module 150 or through a microphone (eg, a dynamic microphone, a condenser microphone, or a piezo microphone) configured separately from the electronic device 101 .
  • An audio signal corresponding to the sound may be received.
  • the audio input interface 210 is directly connected to the external electronic device 102 through the connection terminal 178 . , or wirelessly (eg, via Bluetooth communication) through the wireless communication module 192 to receive an audio signal.
  • the audio input interface 210 may receive a control signal (eg, a volume adjustment signal received through an input button) related to an audio signal obtained from the external electronic device 102 .
  • the audio input interface 210 may include a plurality of audio input channels, and may receive a different audio signal for each corresponding audio input channel among the plurality of audio input channels.
  • the audio input interface 210 may receive an audio signal from another component of the electronic device 101 (eg, the processor 120 or the memory 130 ).
  • the audio input mixer 220 may synthesize a plurality of input audio signals into at least one audio signal.
  • the audio input mixer 220 may synthesize a plurality of analog audio signals input through the audio input interface 210 into at least one analog audio signal.
  • the ADC 230 may convert an analog audio signal into a digital audio signal.
  • the ADC 230 converts an analog audio signal received via the audio input interface 210, or additionally or alternatively, an analog audio signal synthesized via the audio input mixer 220 to digital audio. can be converted into a signal.
  • the audio signal processor 240 may perform various processing on the digital audio signal input through the ADC 230 or the digital audio signal received from other components of the electronic device 101 .
  • the audio signal processor 240 may change a sampling rate for one or more digital audio signals, apply one or more filters, perform interpolation processing, amplify or attenuate all or part of a frequency band, You can perform noise processing (such as noise or echo reduction), changing channels (such as switching between mono and stereo), mixing, or specified signal extraction.
  • one or more functions of the audio signal processor 240 may be implemented in the form of an equalizer.
  • the DAC 250 may convert a digital audio signal into an analog audio signal.
  • the DAC 250 is a digital audio signal processed by the audio signal processor 240 , or another component of the electronic device 101 (eg, the processor 120 or the memory 130 ). ))) can be converted into an analog audio signal.
  • the audio output mixer 260 may synthesize a plurality of audio signals to be output into at least one audio signal.
  • the audio output mixer 260 may include an audio signal converted to analog through the DAC 250 and another analog audio signal (eg, an analog audio signal received through the audio input interface 210 ). ) can be synthesized into at least one analog audio signal.
  • the audio output interface 270 transmits an analog audio signal converted through the DAC 250 or an analog audio signal synthesized by the audio output mixer 260 additionally or alternatively through the audio output module 155 to the electronic device 101 . ) can be printed out.
  • the sound output module 155 may include, for example, a speaker such as a dynamic driver or a balanced armature driver, or a receiver.
  • the sound output module 155 may include a plurality of speakers.
  • the audio output interface 270 may output an audio signal having a plurality of different channels (eg, stereo or 5.1 channel) through at least some of the plurality of speakers.
  • the audio output interface 270 is directly connected to the external electronic device 102 (eg, an external speaker or headset) through the connection terminal 178 or wirelessly through the wireless communication module 192 . to output an audio signal.
  • the audio module 170 does not separately include the audio input mixer 220 or the audio output mixer 260 , and uses at least one function of the audio signal processor 240 to provide a plurality of digital audio signals. At least one digital audio signal may be generated by synthesizing them.
  • the audio module 170 is an audio amplifier (not shown) capable of amplifying an analog audio signal input through the audio input interface 210 or an audio signal to be output through the audio output interface 270 . (eg speaker amplification circuit).
  • the audio amplifier may be configured as a module separate from the audio module 170 .
  • the electronic device may have various types of devices.
  • the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
  • a portable communication device eg, a smart phone
  • a computer device e.g., a smart phone
  • a portable multimedia device e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a camera e.g., a portable medical device
  • a wearable device e.g., a smart bracelet
  • a home appliance device e.g., a home appliance
  • first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. Where mentioned, it is meant that one component can be connected to the other component directly (eg, by wire), wirelessly, or through a third component.
  • module used in various embodiments of this document may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as, for example, logic, logic block, component, or circuit.
  • a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
  • the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document include one or more instructions stored in a storage medium (eg, internal memory 136 or external memory 138) readable by a machine (eg, electronic device 101).
  • a storage medium eg, internal memory 136 or external memory 138
  • the processor eg, the processor 120
  • the device eg, the electronic device 101
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the device-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
  • a signal eg, electromagnetic wave
  • the method according to various embodiments disclosed in this document may be provided in a computer program product (computer program product).
  • Computer program products may be traded between sellers and buyers as commodities.
  • the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly or online between smartphones (eg: smartphones).
  • a part of the computer program product may be temporarily stored or temporarily created in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.
  • each component eg, a module or a program of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. have.
  • one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg, a module or a program
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, or omitted. , or one or more other operations may be added.
  • FIG. 3 is a block diagram illustrating an integrated intelligence system according to an embodiment.
  • the integrated intelligent system 300 may include a user terminal 301 , an intelligent server 302 , and a service server 303 .
  • the user terminal 301 may be a terminal device (or electronic device) connectable to the Internet, for example, a mobile phone, a smart phone, a personal digital assistant (PDA), a notebook computer, a TV, It could be a white goods appliance, a wearable device, an HMD, or a smart speaker.
  • a terminal device or electronic device connectable to the Internet
  • a mobile phone for example, a mobile phone, a smart phone, a personal digital assistant (PDA), a notebook computer, a TV, It could be a white goods appliance, a wearable device, an HMD, or a smart speaker.
  • PDA personal digital assistant
  • the user terminal 301 (eg, the electronic device 101 of FIG. 1 ) includes a communication interface 311 , a microphone 312 , a speaker 313 , a display 314 , a memory 315 , and a processor 316 .
  • the components listed above may be operatively or electrically connected to each other.
  • the communication interface 311 may be configured to be connected to an external device to transmit/receive data.
  • the microphone 312 may receive a sound (eg, a user's utterance) and convert it into an electrical signal.
  • the speaker 313 may output an electrical signal as a sound (eg, voice).
  • the display 314 may be configured to display an image or video.
  • the display 314 may display a graphic user interface (GUI) of an executed app (or an application program).
  • GUI graphic user interface
  • the memory 315 may store a client module 317 , a software development kit (SDK) 318 , and a plurality of apps 319_1 and 319_2 .
  • the client module 317 and the SDK 318 may constitute a framework (or a solution program) for performing a general function.
  • the client module 317 or SDK 318 may configure a framework for processing voice input.
  • the memory 315 may be a program for performing a specified function of the plurality of apps 319_1 and 319_2.
  • the plurality of apps 319_1 and 319_2 may include a first app 319_1 and a second app 319_2 .
  • each of the plurality of apps 319_1 and 319_2 may include a plurality of operations for performing a specified function.
  • the plurality of apps 319_1 and 319_2 may include at least one of an alarm app, a message app, and a schedule app.
  • the plurality of apps 319_1 and 319_2 may be executed by the processor 316 to sequentially execute at least some of the plurality of operations.
  • the processor 316 may control the overall operation of the user terminal 301 .
  • the processor 316 may be electrically connected to the communication interface 311 , the microphone 312 , the speaker 313 , the display 314 , and the memory 315 to perform a specified operation.
  • the processor 316 may also execute a program stored in the memory 315 to perform a designated function.
  • the processor 316 may execute at least one of the client module 317 and the SDK 318 to perform the following operations for processing a voice input.
  • the processor 316 may control the operation of the plurality of apps 319_1 and 319_2 through the SDK 318, for example.
  • the operation may be an operation by execution of the processor 316 .
  • the client module 317 may receive a voice input. For example, the client module 317 may generate a voice signal corresponding to the user's utterance sensed through the microphone 312 . The client module 317 may transmit the received voice input to the intelligent server 302 . According to an embodiment, the client module 317 may transmit the state information of the user terminal 301 to the intelligent server 302 together with the received voice input. The state information may be, for example, execution state information of an app.
  • the client module 317 may receive a result corresponding to the received voice input.
  • the client module 317 may receive a result corresponding to the voice input from the intelligent server 302 .
  • the client module 317 may display the received result on the display 314 .
  • the client module 317 may receive a plan corresponding to the received voice input.
  • the client module 317 may display a result of executing a plurality of operations of the app according to the plan on the display 314 .
  • the client module 317 may sequentially display execution results of a plurality of operations on the display.
  • the user terminal 301 may display only a partial result of executing a plurality of operations (eg, a result of the last operation) on the display.
  • the client module 317 may receive a request for obtaining information necessary for calculating a result corresponding to a voice input from the intelligent server 302 .
  • the information necessary to calculate the result may be, for example, status information of the electronic device 300 .
  • the client module 317 may transmit the necessary information to the intelligent server 302 in response to the request.
  • the client module 317 may transmit result information of executing a plurality of operations according to a plan to the intelligent server 302 .
  • the intelligent server 302 may confirm that the received voice input has been correctly processed through the result information.
  • the client module 317 may include a voice recognition module. According to an embodiment, the client module 317 may recognize a voice input performing a limited function through the voice recognition module. For example, the client module 317 may execute an intelligent app for processing a voice input for performing an organic operation through a specified input (eg, wake up!). The client module 317 may recognize a call utterance (eg, Hi Bixby) from the audio signal received from the microphone 312 and start the AI agent service in response to the call utterance.
  • a call utterance eg, Hi Bixby
  • the intelligent server 302 may receive information related to a user's voice input from the user terminal 301 through a communication network. According to an embodiment, the intelligent server 302 may change data related to the received voice input into text data. According to an embodiment, the intelligent server 302 may generate a plan for performing a task corresponding to the user's voice input based on the text data.
  • the plan may be generated by an artificial intelligent (AI) system.
  • the artificial intelligence system may be a rule-based system, a neural network-based system (eg, a feedforward neural network (FNN)), a recurrent neural network (RNN)). Alternatively, it may be a combination of the above or a different artificial intelligence system.
  • the plan may be selected from a set of predefined plans or may be generated in real time in response to a user request. For example, the artificial intelligence system may select at least one plan from among a plurality of predefined plans.
  • the intelligent server 302 may transmit a result calculated according to the generated plan to the user terminal 301 or transmit the generated plan to the user terminal 301 .
  • the user terminal 301 may display a result calculated according to the plan on the display.
  • the user terminal 301 may display the result of executing the operation according to the plan on the display.
  • the intelligent server 302 includes a front end 321 , a natural language platform 322 , a capsule DB 323 , an execution engine ( 324 , an end user interface 325 , a management platform 326 , a big data platform 327 , and an analytics platform 328 .
  • a front end 321 a natural language platform 322 , a capsule DB 323 , an execution engine ( 324 , an end user interface 325 , a management platform 326 , a big data platform 327 , and an analytics platform 328 .
  • the front end 321 may receive a voice input received from the user terminal 301 .
  • the front end 321 may transmit a response corresponding to the voice input.
  • the natural language platform 322 may include various modules.
  • the modules may each include processing circuitry and/or executable program instructions.
  • the modules include an automatic speech recognition module (ASR module) 322a, a natural language understanding module (NLU module) 322b, a planner module 322c, and natural language generation.
  • ASR module automatic speech recognition module
  • NLU module natural language understanding module
  • NSR module natural language generator module
  • TTS module text to speech module
  • the automatic voice recognition module 322a may convert a voice input received from the user terminal 301 into text data.
  • the natural language understanding module 322b may determine the user's intention by using text data of the voice input. For example, the natural language understanding module 322b may determine the user's intention by performing syntactic analysis or semantic analysis. According to an embodiment, the natural language understanding module 322b recognizes a meaning of a word extracted from a voice input using a linguistic feature (eg, a grammatical element) of a morpheme or phrase, and matches the meaning of the identified word to an intention to determine the user's intentions.
  • a linguistic feature eg, a grammatical element
  • the planner module 322c may generate a plan using the intent and parameters determined by the natural language understanding module 322b. According to an embodiment, the planner module 322c may determine a plurality of domains required to perform a task based on the determined intention. The planner module 322c may determine a plurality of operations included in each of the plurality of domains determined based on the intention. According to an embodiment, the planner module 322c may determine a parameter required to execute the determined plurality of operations or a result value output by the execution of the plurality of operations. The parameter and the result value may be defined as a concept related to a specified type (or class). Accordingly, the plan may include a plurality of actions and a plurality of concepts determined by the user's intention.
  • the planner module 322c may determine the relationship between the plurality of operations and the plurality of concepts in stages (or hierarchically). For example, the planner module 322c may determine an execution order of a plurality of operations determined based on a user's intention based on a plurality of concepts. In other words, the planner module 322c may determine the execution order of the plurality of operations based on parameters necessary for the execution of the plurality of operations and a result output by the execution of the plurality of operations. Accordingly, the planner module 322c may generate a plan including a plurality of operations and related information (eg, an ontology) between a plurality of concepts. The planner module 322c may generate a plan using information stored in the capsule database 323 in which a set of relationships between concepts and operations is stored.
  • the natural language generating module 322d may change the specified information into a text form.
  • the information changed to the text form may be in the form of natural language utterance.
  • the text-to-speech conversion module 322e may change information in a text format into information in a voice format.
  • the capsule database 323 may store information on a relationship between a plurality of concepts and operations corresponding to a plurality of domains.
  • the capsule database 323 may store a plurality of capsules including a plurality of action objects (action objects or action information) and a concept object (concept objects or concept information) of the plan.
  • the capsule database 323 may store the plurality of capsules in the form of a concept action network (CAN).
  • the plurality of capsules may be stored in a function registry included in the capsule database 323 .
  • the capsule database 323 may include a strategy registry in which strategy information necessary for determining a plan corresponding to a voice input is stored.
  • the strategy information may include reference information for determining one plan when there are a plurality of plans corresponding to the voice input.
  • the capsule database 323 may include a follow up registry in which information on a subsequent operation for suggesting a subsequent operation to the user in a specified situation is stored. The subsequent operation may include, for example, a subsequent utterance.
  • the capsule database 323 may include a layout registry that stores layout information of information output through the user terminal 301 .
  • the capsule database 323 may include a vocabulary registry in which vocabulary information included in the capsule information is stored.
  • the capsule database 323 may include a dialog registry (dialog registry) in which dialog (or interaction) information with the user is stored.
  • the capsule database 323 may update a stored object through a developer tool.
  • the developer tool may include, for example, a function editor for updating an action object or a concept object.
  • the developer tool may include a vocabulary editor for updating the vocabulary.
  • the developer tool may include a strategy editor for creating and registering strategies for determining plans.
  • the developer tool may include a dialog editor that creates a conversation with the user.
  • the developer tool can include a follow up editor that can edit subsequent utterances that activate follow-up goals and provide hints. The subsequent goal may be determined based on a currently set goal, a user's preference, or an environmental condition.
  • the capsule database 323 may also be implemented in the user terminal 301 .
  • the user terminal 301 may include a capsule database 323 that stores information for determining an operation corresponding to a voice input.
  • the execution engine 324 may calculate a result using the generated plan.
  • the end user interface 325 may transmit the calculated result to the user terminal 301 .
  • the user terminal 301 may receive the result and provide the received result to the user.
  • the management platform 326 may manage information used in the intelligent server 302 .
  • the big data platform 327 may collect user data.
  • the analysis platform 328 may manage the quality of service (QoS) of the intelligent server 302 .
  • the analytics platform 328 may manage the components and processing speed (or efficiency) of the intelligent server 302 .
  • the service server 303 may provide a specified service (eg, food order or hotel reservation) to the user terminal 301 .
  • the service server 303 may be a server operated by a third party.
  • the service server 303 may include a first service server 331 , a second service server 332 , and a third service server 333 operated by different third parties.
  • the service server 303 may provide information for generating a plan corresponding to the received voice input to the intelligent server 302 .
  • the provided information may be stored, for example, in the capsule database 323 .
  • the service server 303 may provide the result information according to the plan to the intelligent server 302 .
  • the user terminal 301 may provide various intelligent services to the user in response to a user input.
  • the user input may include, for example, an input through a physical button, a touch input, or a voice input.
  • the user terminal 301 may provide a voice recognition service through an intelligent app (or a voice recognition app) stored therein.
  • the user terminal 301 may recognize a user utterance or a voice input received through the microphone, and provide a service corresponding to the recognized voice input to the user. .
  • the user terminal 301 may perform a designated operation alone or together with the intelligent server 302 and/or the service server 303 based on the received voice input. For example, the user terminal 301 may execute an app corresponding to the received voice input and perform a specified operation through the executed app.
  • the user terminal 301 uses the microphone 312 to utter the user's speech. may be detected, and a signal (or voice data) corresponding to the sensed user's utterance may be generated.
  • the user terminal 301 may transmit the voice data to the intelligent server 302 using the communication interface 311 .
  • Intelligent server 302 is a response to the voice input received from the user terminal 301, a plan for performing a task corresponding to the voice input, or performing an operation according to the plan results can be generated.
  • the plan may include, for example, a plurality of actions for performing a task corresponding to a user's voice input, and a plurality of concepts related to the plurality of actions.
  • the concept may define parameters input to the execution of the plurality of operations or result values output by the execution of the plurality of operations.
  • the plan may include a plurality of actions and association information between a plurality of concepts.
  • the user terminal 301 may receive the response using the communication interface 311 .
  • the user terminal 301 outputs a voice signal generated inside the user terminal 301 using the speaker 313 to the outside, or an image generated inside the user terminal 301 using the display 314 to the outside. can be output as
  • FIG. 4 is a diagram illustrating a form in which relation information between a concept and an operation is stored in a database, according to various embodiments of the present disclosure
  • the capsule database (eg, capsule database 323) of the intelligent server 302 may store the capsule in the form of a concept action network (CAN) 400 .
  • the capsule database may store an operation for processing a task corresponding to a user's voice input and parameters necessary for the operation in the form of a concept action network (CAN).
  • the CAN may indicate an organic relationship between an action and a concept defining parameters necessary for performing the action.
  • the capsule database may store a plurality of capsules (eg, capsule A 401, capsule B 402) corresponding to each of a plurality of domains (eg, applications).
  • one capsule eg, capsule A 401 may correspond to one domain (eg, application).
  • one capsule is at least one service provider (eg, CP 1 (403), CP 2 (404), CP 3 (405), CP 4 (406)) for performing a function for the domain related to the capsule. can be matched.
  • one capsule may include at least one operation 410 and at least one concept 420 for performing a specified function.
  • the natural language platform 322 may generate a plan for performing a task corresponding to the received voice input by using the capsule stored in the capsule database.
  • the planner module 322c of the natural language platform 322 may generate a plan using capsules stored in the capsule database.
  • the planner module 322c uses operations 4011 and 4013 and concepts 4012 and 4014 of Capsule A 401 and operations 4041 and concept 4042 of Capsule B 402 using A plan 407 may be created.
  • FIG. 5 is a diagram illustrating a screen in which a user terminal processes a voice input received through an intelligent app according to various embodiments of the present disclosure
  • the user terminal 301 may execute an intelligent app to process user input through the intelligent server 302 .
  • the user terminal 301 processes the voice input.
  • You can run intelligent apps for The user terminal 301 may, for example, run the intelligent app in a state in which the schedule app is running.
  • the user terminal 301 may display an object (eg, an icon) 511 corresponding to an intelligent app on the display 314 .
  • the user terminal 301 may receive a voice input by the user's utterance.
  • the user terminal 301 may receive a voice input "Tell me about this week's schedule!
  • the user terminal 301 may display a user interface (UI) 513 (eg, an input window) of an intelligent app in which text data of the received voice input is displayed on the display.
  • UI user interface
  • the user terminal 301 may display a result corresponding to the received voice input on the display.
  • the user terminal 301 may receive a plan corresponding to the received user input, and display 'this week's schedule' on the display according to the plan.
  • FIG. 6 is a block diagram of an electronic device 600 configured to provide a noise-resistant voice assistant service according to various embodiments of the present disclosure.
  • 7 is a block diagram of the speech section recognition module 605 of FIG. 6 , according to an embodiment. 8 shows an example of an operation of generating training data used for recognizing a speech section.
  • the electronic device 600 eg, the electronic device 101 of FIG.
  • the components of the electronic device 600 may be operatively or electrically connected to each other. Each of the components may include a circuit and/or executable program instructions for performing a corresponding function.
  • the audio input module 601 may receive an audio signal.
  • the audio input module 601 may receive an audio signal from a microphone configured in the input module 150 of FIG. 1 .
  • the audio input module 601 may receive an audio signal from an external device (eg, a headset, a microphone) connected by wire through an audio connector configured in the connection terminal 178 of FIG. 1 .
  • the audio input module 601 may receive an audio signal from an external device wirelessly (eg, Bluetooth communication) connected to the electronic device 600 through a wireless communication circuit (eg, the wireless communication module 192 of FIG. 1 ). .
  • the wakeup module 602 may recognize that the user calls the AI agent (or voice assistant).
  • the wake-up module 602 receives an audio signal from the audio input module 601, and in the received audio signal, an utterance designated to call the AI agent (or drive the AI agent) (eg : Hi Bixby) can be recognized.
  • the wakeup module 602 detects a starting point and an endpoint of a user's utterance in the audio signal, so that a portion in the audio signal in which the user's utterance exists (eg, a first corresponding to 'high') part and the second part corresponding to 'Bixby') can be obtained.
  • the wakeup module 602 may determine whether a call utterance (or a driving utterance) is included in the audio signal by comparing the acquired utterance portion with pre-stored voice data. In another embodiment, the wakeup module 602 may support the user to call the AI agent by a method other than voice. For example, the wake-up module 602 may recognize two consecutive presses of the power key of the input module 150 as a call. As another example, the wakeup module 602 may recognize a touch input received from the touch circuit of the display module 160 as a call.
  • the audio conversion module 603 may convert a format constituting an audio signal to facilitate voice section recognition.
  • the audio transform module 603 may perform a Fourier transform (eg, discrete fourier transform (DFT), fast (FFT) Fourier transform)) function can be used to transform a spectrum signal in the frequency domain.
  • the audio conversion module 603 may convert a spectrum signal of a frequency domain into a spectrogram signal of a mel scale.
  • the audio conversion module 603 uses a filter called “mel filter bank” to log a component of a specified frequency or higher (eg, about 1 kHz or higher, which is relatively less sensitive to human hearing) in a spectrum signal using a filter called “mel filter bank”. (log scale), it is possible to convert the spectral signal of each frame into a spectral signal (eg, log-mel signal).
  • the feature extraction module 604 may extract information representing audio features from the audio signal.
  • the feature extraction module 604 is configured to provide audio feature information (eg, voice & noise) including information representing features of the speaker's voice in the audio signal and information representing features of noise around the speaker in the audio signal. feature vector) can be extracted.
  • the feature extraction module 604 may perform an extraction operation as a call utterance (eg, high Bixby) is recognized by the wakeup module 602 .
  • the feature extraction module 604 may receive the spectogram signal from the audio conversion module 603 and extract speech & noise feature vectors from the spectogram signal.
  • the feature extraction module 604 may extract audio feature information (eg, noise feature vector) including information indicating features of noise around the speaker from the audio signal.
  • audio feature information eg, noise feature vector
  • the speaker may call the AI agent using a key input (eg, power key input, touch input) rather than a call utterance.
  • the feature extraction module 604 may perform an extraction operation.
  • the feature extraction module 604 may extract a noise feature vector from the spectogram signal received from the audio conversion module 603 .
  • the feature extraction module 604 uses pre-prepared training data to provide information representing features of audio in an audio signal (eg, a speech & noise feature vector representing features of the speaker's voice and noise around the speaker or the speaker).
  • a noise feature vector representing the characteristics of ambient noise can be extracted.
  • the training data may be stored in the memory 688 as a combination of the speaker's (user's) speech and noise.
  • the feature extraction module 604 may extract audio feature information including feature vectors and noise state information from an audio signal using a model learned using an artificial intelligence algorithm.
  • the feature extraction module 604 uses a CNN model that is learned using training data and stored in the memory 688, received from the audio input module 601 through the audio conversion module 603 in frame units.
  • a feature vector (eg, a voice & noise feature vector or a noise feature vector) may be extracted from an audio signal (eg, log-mel signal) (hereinafter, audio frame). If an audio frame is input to the CNN model as an input value, the CNN model can output a feature vector.
  • the total number of audio frames input to the feature extraction module 604 is 80 (1/6 seconds/20 ms), and accordingly A total of 80 feature vectors may be output from the feature extraction module 604 .
  • the feature extraction module 604 may use the RNN model that is learned using the training data and stored in the memory 688 to extract noise state information representing temporal changes in the noise around the speaker in the entire section of the audio signal. If the entire section of the audio signal is input as an input value to the RNN model, the RNN model can output noise state information.
  • the artificial intelligence model used for extracting the audio feature information is not limited to the CNN model and the RNN model described above, and may vary.
  • the speech section recognition module 605 may recognize a speech section in the second audio signal based on the audio feature information of the first audio signal extracted by the feature extraction module 604 .
  • the second audio signal may include an audio signal received by the audio input module 601 after the first audio signal is received by the audio input module 601 .
  • the feature extraction module 604 receives a first audio signal including a first utterance (eg, a call utterance) of the speaker from the audio input module 601 through the audio conversion module 603, Audio characteristic information may be extracted from the first audio signal.
  • the voice section recognition module 605 receives the second audio signal including the speaker's second utterance (eg, a subsequent utterance after the call utterance) from the audio input module 601 through the audio conversion module 603 , and Using the audio characteristic information of the audio signal, in the second audio signal, it is possible to distinguish between a noise section in which there is no speaker's utterance and only ambient noise and a voice section in which the speaker's utterance is present.
  • the voice section recognition module 605 includes a voice section including the starting point and ending point of “today” and the starting point and ending point of “weather” in the second audio signal.
  • a voice section to say and a voice section including a start point and an end point of “Tell me” may be recognized using the audio characteristic information of the first audio signal.
  • the speech section recognition module 605 includes an artificial intelligence model (eg, the CNN model 710 and the RNN model 740 of FIG. 7 ) generated through machine learning and audio feature information of the first audio signal. can be used to recognize the voice section(s) in the second audio signal by distinguishing the audio frames of the second audio signal into a voice frame including the voice signal and a noise frame not including the voice signal.
  • an artificial intelligence model eg, the CNN model 710 and the RNN model 740 of FIG. 7
  • the speech section recognition module 605 includes an artificial intelligence model (eg, the CNN model 710 and the RNN model 740 of FIG. 7 ) generated through machine learning and audio feature information of the first audio signal. can be used to recognize the voice section(s) in the second audio signal by distinguishing the audio frames of the second audio signal into a voice frame including the voice signal and a noise frame not including the voice signal.
  • the speech section recognition module 605 includes feature vectors (FV (feature vector) 1_1, FV1_2, ..., FV1_N) 701 of the first audio signal and noise state information 702 of the first audio signal. ) can be received.
  • FV1 means a feature vector extracted from the frame of the first audio signal, and “1, 2, ... , and N” refer to each frame number.
  • the voice section recognition module 605 receives the audio frames “F(frame)2_1, F2_2, ... , and F2_M”.
  • F2 means the frame of the second audio signal, and “1, 2, ... , M” means each frame number.
  • the speech segment recognition module 605 uses the CNN model 710 consisting of a plurality of artificial neural network layers, and in the F2_m 703, the feature vector FV2_m (where m is 1, 2, ..., or M) ( 704), where FV2_m means a feature vector extracted from the mth frame of the second audio signal
  • FV2_m means a feature vector extracted from the mth frame of the second audio signal
  • the CNN model 710 may output the feature vector FV2_m 704.
  • the speech section recognition module 605 uses an attention mechanism 720 (eg, dot product attention), and the feature vector FV2_m is the first audio signal. It is possible to calculate an attention value (AV (attention value)_m) 705 indicating how similar to the feature vectors 701 of .
  • AV attention value
  • the speech segment recognition module 605 uses a concatenation mechanism 730 to calculate F2_m. 703 , FV2_m 704 , and AV_m 705 may be combined into one data (C (concatenation)_m) 706.
  • the speech segment recognition module 605 is configured as a plurality of artificial neural network layers. It is possible to recognize whether a voice exists in the F2_m 703 from the C_m 706 and the noise state information 702 using the RNN model 740. For example, the noise state in the RNN model 740 By inputting information 702, the RNN model 740 may be set to an initial state operable to output an output value, combining data 706 as an input value to the RNN model 740 set to the initial state.
  • the RNN model 740 can output a predicted value (PV (predict value)_m) 707 indicating whether a voice is present in “F2_m(703)”, which is the m-th audio frame of the 2 audio signal.
  • the voice section recognition module 605 is based on the PV_m (707), and F2_m (703) is negative. It is possible to determine whether it is a sex frame or not.
  • the speech section recognition module 605 may recognize whether the F2_m 703 is a start point, an end point, or an intermediate point of a user's speech based on the predicted values output from the RNN model 740 . For example, when PV_m-1 is determined as a noise frame and PV_m is determined as a voice frame, the voice section recognition module 605 may recognize PV_m 707 as the start point of the voice section.
  • the feature extraction module 604 extracts audio feature information from the second audio signal
  • the speech section recognition module 605 uses the audio feature information extracted from the second audio signal from the third audio signal. It can be used to recognize a section.
  • the training data generation module 606 is a training data for learning an artificial intelligence model (eg, CNN model, RNN model) used to extract audio feature information by synthesizing the speech data and noise data of the user (speaker). can create For example, referring to FIG. 8 , the training data generation module 606 may randomly select one or more pieces of speech data from the speech list 810 . For example, the training data generating module 606 may select the preceding utterance data 811 and the subsequent uttering data 812 from the utterance list 810 . The training data generation module 606 may randomly select one piece of noise data 821 from a noise list (eg, a TV noise list) 820 .
  • a noise list eg, a TV noise list
  • the training data generation module 606 may generate the training data 830 by combining the preceding speech data 811 and the subsequent speech data 812 with the noise data 821 in chronological order. Although not shown, the training data generation module 606 may generate training data by combining only the subsequent speech data 812 with the noise data 821 without the preceding speech data 811 . Speech data corresponding to the actual driving utterance (eg, high Bixby) may be selected as the preceding utterance data 811 .
  • Speech data corresponding to the actual driving utterance eg, high Bixby
  • the ASR 607 may convert a voice signal within a voice section recognized by the voice section recognition module 605 from the second audio signal into text data.
  • the NLU 608 eg, the natural language understanding module 322b of FIG. 3
  • the execution module 609 eg, the execution engine 324 of FIG. 3
  • the NLG 610 may change specified information (eg, an execution result) into text form.
  • the TTS 611 eg, the text-to-speech module 322e of FIG. 3
  • the audio output module 612 may output a voice signal received from the TTS 611 .
  • the audio output module 612 may output a voice signal to a speaker configured in the sound output module 155 of FIG. 1 .
  • the audio output module 612 may output a voice signal to an external device (eg, a headset, a speaker) connected by wire through an audio connector configured in the connection terminal 178 of FIG. 1 .
  • the audio output module 612 may output a voice signal to an external device wirelessly (eg, Bluetooth communication) connected to the electronic device 600 through a wireless communication circuit (eg, the wireless communication module 192 of FIG. 1 ). .
  • At least one of the modules 601 , 602 , 603 , 604 , 605 , 606 , 607 , 608 , 609 , 610 , 611 , and 612 includes instructions in the memory 588 (eg, the memory 130 of FIG. 1 ). instructions) and may be executed by the processor 599 (eg, the processor 120 of FIG. 1 ). At least one of the modules 601 , 602 , 603 , 604 , 605 , 606 , 607 , 608 , 609 , 610 , 611 , and 612 is configured by a processor (eg, a coprocessor 123 ) specialized in processing an artificial intelligence model. may be executed.
  • a processor eg, a coprocessor 123
  • At least one of the modules 601 , 602 , 603 , 604 , 605 , 606 , 607 , 608 , 609 , 610 , 611 , and 612 may be omitted from the electronic device 600 .
  • At least one of the NLG 610 and the TTS 611 may be implemented in an external device (eg, the server 108 of FIG. 1 ).
  • FIG. 9 is a diagram for explaining operations of the audio conversion module 603 , the feature extraction module 604 , and the speech section recognition module 605 according to an embodiment.
  • the audio conversion module 603 may convert a first audio signal 901 including a call utterance into a specified format for every frame and output the converted first audio signal 901 to the feature extraction module 604 .
  • the feature extraction module 604 may extract the voice & noise feature vector 911 and the noise characteristic information 912 from the format-converted first audio signal 901 and deliver it to the voice section recognition module 605 .
  • the audio conversion module 603 may convert the second audio signal 902 after the first audio signal 901 into the same format and transmit it to the voice section recognition module 605 .
  • the audio conversion module 603 recognizes the end point of the call utterance through the wake-up module 602 and selects a destination to receive the second audio signal 902 received thereafter from the voice section in the feature extraction module 604 It can be changed by the recognition module 605 .
  • the speech section recognition module 605 recognizes a speech section from the format-converted second audio signal 902 based on the speech & noise feature vector 911 and the noise characteristic information 912, and information VAD ( 920) can be output.
  • FIG. 10 is a diagram for explaining operations of the audio conversion module 603 , the feature extraction module 604 , and the speech section recognition module 605 according to an embodiment.
  • the audio conversion module 603 may recognize the call key input 1010 through the wake-up module 602 , and accordingly, the first call key input 1010 within a specified time from the recognized time point.
  • the audio signal 1001 may be converted into a specified format for every frame and output to the feature extraction module 604 .
  • the feature extraction module 604 may extract the noise feature vector 1021 and the noise characteristic information 1022 from the format-converted first audio signal 1001 and transmit it to the voice section recognition module 605 .
  • the audio conversion module 603 may convert the second audio signal 1002 after the first audio signal 1001 into the same format and transmit it to the voice section recognition module 605 .
  • the audio conversion module 603 may recognize the expiration of the specified time and transmit the second audio signal 1002 received thereafter to the voice section recognition module 605 .
  • the voice section recognition module 605 recognizes the voice section(s) in the format-converted second audio signal 1002 based on the noise feature vector 1021 and the noise characteristic information 1022, and information VAD indicating the voice section (1030) can be output.
  • 11 is a diagram for explaining operations of the audio conversion module 603 , the feature extraction module 604 , and the speech section recognition module 605 according to an embodiment.
  • the audio conversion module 603 includes a second audio signal 1102 including the speaker's utterance (eg, the first main utterance after the call utterance (eg, “set an alarm”))
  • the second audio signal 902 of FIG. 9 or the second audio signal 1002 of FIG. 10) may be output to the feature extraction module 604 by converting a specified format for every frame.
  • the feature extraction module 604 may extract the voice & noise feature vector 1111 and the noise characteristic information 1112 from the format-converted second audio signal 1102 and deliver it to the voice section recognition module 605 .
  • the audio conversion module 603 may convert the third audio signal 1103 after the second audio signal 1102 into the same format and transmit it to the voice section recognition module 605 .
  • the audio conversion module 603 recognizes that the AI agent voice 1120 (eg, “When should I set it?”) is output in response to the user's utterance through the audio output module 612 , and thereafter
  • the received third audio signal 1103 may be transmitted to the voice section recognition module 605 .
  • the speech section recognition module 605 is based on the speech & noise feature vector 1111 and the noise property information 1112, in the format-converted third audio signal 1103 to the speech section(s) (eg, “tomorrow”).
  • a corresponding voice section, a voice section corresponding to “am”, and a voice section corresponding to “7 o’clock” may be recognized, and information VAD 1130 indicating the voice section may be output.
  • FIG. 12 is a flowchart illustrating operations for recognizing a voice section, according to an embodiment.
  • the processor 699 may recognize a user input for calling the AI agent through an input device.
  • the processor 699 may recognize a call utterance (eg, Hi Bixby) designated in the first audio signal received from the microphone.
  • the processor 699 may recognize a key input received from a physical button or a soft button displayed on the display as a key input for calling the AI agent.
  • the processor 699 may extract feature information from the first audio signal received from the microphone in response to the AI agent call.
  • the processor 699 may convert the first audio signal to have a specified format.
  • the processor 699 may convert the first audio signal from an audio frame in the time domain to an audio frame in the frequency domain in units of a designated frame.
  • the processor 699 may convert the frequency domain audio frame into a mel scale audio frame using a filter (eg, mel filter bank).
  • the processor 699 puts a Mel-scale audio frame as an input value to the CNN model, and a feature vector (eg, a voice & noise feature vector, noise feature vector).
  • the processor 699 puts Mel-scale audio frames corresponding to the entire section of the first audio signal as an input value to the RNN model, and from the result value output from the RNN model to the entire section (input value) of the first audio signal You can check the noise state information indicating the temporal change of the noise around the speaker.
  • the processor 699 may recognize a voice section in the second audio signal by using the characteristic information of the first audio signal.
  • the processor 699 may convert the second audio signal to have the same format as the format-converted first audio signal.
  • the processor 699 may convert the second audio signal from an audio frame in the time domain to an audio frame in the frequency domain for every frame.
  • the processor 699 may convert the frequency domain audio frame into a mel scale audio frame using a filter (eg, mel filter bank).
  • the processor 699 may input the audio frame “F2_m” of the second audio signal as an input value to the CNN model, and check the feature vector “FV2_m” indicating the characteristic of F2_m from the result value output from the CNN model.
  • the processor 699 may calculate “AV_m” indicating to what extent FV2_m is similar to the feature vectors of the first audio signal.
  • the processor 699 may combine F2_m, FV2_m, and AV_m into one data “C_m”.
  • the processor 699 may input noise state information of the first audio signal into the RNN model as an input value to set the RNN model to an initial state operable to output an output value.
  • the processor 699 may input C_m to the RNN model as an input value, and check a predicted value “PV_m” indicating whether a voice exists in F2_m from a result value output from the RNN model.
  • the processor 699 may determine F2_m as a voice frame or a noise frame based on PV_m.
  • the processor 699 may determine whether F2_m is a start point, an end point of a voice section, or a voice frame within a voice section, based on result values output from the RNN model. For example, when F2_m-1 is determined as a noise frame and F2_m is determined as a voice frame, the processor 699 may recognize F2_m as a start point of a voice section. When F2_m is determined as a voice frame and F2_m+1 is determined as a noise frame, the processor 699 may recognize F2_m as the end point of the voice section.
  • the processor 699 may determine F2_m as a voice frame within the voice section.
  • the processor 699 may recognize the speech section(s) in the second audio signal by determining whether all frames F2_1, F2_2, ..., F2_M of the second audio signal are speech frames.
  • FIG. 13 is a flowchart illustrating operations for recognizing a voice section, according to an embodiment.
  • the processor 699 may recognize a user input for calling the AI agent through an input device.
  • the processor 699 may recognize a call utterance (eg, Hi Bixby) designated in the first audio signal received from the microphone.
  • the processor 699 may recognize a key input received from a physical button or a soft button displayed on the display as a key input for calling the AI agent.
  • the processor 699 may extract feature information from the first audio signal received from the microphone in response to the AI agent call. For example, the processor 699 may extract feature information in the same manner as in operation 1220 .
  • the processor 699 may recognize a voice section in the second audio signal using the characteristic information of the first audio signal, and extract characteristic information from the second audio signal. For example, in the second audio signal in the same manner as in operation 1230 , the processor 699 selects a voice section (s) (eg, a voice section corresponding to “alarm”, a voice section corresponding to “setup”, and “do” in the second audio signal. corresponding voice section) can be recognized. The processor 699 may extract feature information from the second audio signal in the same manner as in operation 1320 .
  • a voice section eg, a voice section corresponding to “alarm”, a voice section corresponding to “setup”, and “do” in the second audio signal. corresponding voice section
  • the processor 699 uses the characteristic information of the second audio signal to perform voice section(s) in the third audio signal (eg, a voice section corresponding to “tomorrow”, a voice section corresponding to “morning”, “ 7 o'clock”) can be recognized.
  • the processor 699 may convert the third audio signal from an audio frame in the time domain to an audio frame in the frequency domain for every frame.
  • the processor 699 may convert the frequency domain audio frame into a mel scale audio frame using a filter (eg, mel filter bank).
  • the processor 699 may input the audio frame “F3_i” of the third audio signal as an input value to the CNN model, and check the feature vector “FV3_i” indicating the characteristics of F3_i from the result value output from the CNN model.
  • F3_i means the i-th frame of the third audio signal
  • FV3_i means the feature vector extracted from F3_i.
  • the processor 699 may calculate “AV_i” indicating how similar FV3_i is to feature vectors of the second audio signal.
  • the processor 699 may combine F3_i, FV3_i, and AV_i into one data “C_i”.
  • the processor 699 may input noise state information of the second audio signal to the RNN model as an input value to set the RNN model to an initial state operable to output an output value.
  • the processor 699 may input C_i to the RNN model as an input value, and check a predicted value “PV_i” indicating whether a voice exists in F3_i from a result value output from the RNN model.
  • the processor 699 may determine F3_i as a voice frame or a noise frame based on PV_i. When F3_i is a voice frame, the processor 699 may determine whether F3_i is a start point, an end point of a voice section, or a voice frame within a voice section, based on result values output from the RNN model.
  • the processor 699 may recognize F3_i as a start point of a voice section.
  • F3_i is determined as a voice frame and F3_i+1 is determined as a noise frame
  • the processor 699 may recognize F3_i as an end point of the voice section.
  • the processor 699 may determine F3_i as a voice frame within the voice section.
  • the processor 699 may recognize voice section(s) in the third audio signal by determining whether they are voice frames for all frames F3_1, F3_2, ..., F3_I of the third audio signal.
  • the electronic device may include a microphone; audio connector; radio communication circuit; a processor operatively coupled to the microphone, the audio connector, and the wireless communication circuitry; and a memory operatively coupled to the processor, wherein the memory, when executed, causes the processor to: receive a first audio signal via the microphone, the audio connector, or the wireless communication circuitry; extract audio characteristic information from a signal, and use the audio characteristic information to recognize a voice section in a second audio signal received through the microphone, the audio connector, or the wireless communication circuit after the first audio signal instructions can be stored.
  • the instructions may cause the processor to: put the first audio signal as an input value into an artificial intelligence model learned using an artificial intelligence algorithm, and obtain the audio characteristic information from a result value output from the artificial intelligence model. .
  • the instructions may cause the processor to: use a first convolutional neural network (CNN) model and a first recurrent neural network (RNN) model as the artificial intelligence model.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the instructions include, by the processor: inputting the first audio signal to the first CNN model in units of a designated frame, and corresponding to the frames of the first audio signal in the result value output from the first CNN model, respectively obtaining vectors, inputting the first audio signal to the first RNN model in units of the frame, and calculating the temporal change of noise in the entire section of the first audio signal from the result value output from the first RNN model
  • the indicated noise state information may be obtained, and a voice section may be recognized in the second audio signal by using the feature vectors and the noise state information.
  • the instructions allow the processor to: put the n-th frame of the second audio signal into a second CNN model to obtain an n-th feature vector for the n-th frame, and the n-th feature vector is a feature of the first audio signal Calculate an n-th attention value indicating how similar the vectors are, and put the noise state information, the n-th frame, the n-th feature vector, and the n-th attention value into a second RNN model to put the n Obtaining an n-th prediction value indicating whether a speech is present in the second frame, and obtaining from the second RNN model, the speech interval of the second audio signal from prediction values respectively corresponding to frames of the second audio signal can be made to recognize
  • the instructions cause the processor to: recognize an utterance designated as calling an artificial intelligent (AI) agent in the first audio signal, and input the first audio signal to the artificial intelligence model as the call utterance is recognized.
  • AI artificial intelligent
  • the instructions allow the processor to: recognize a key input designated as calling an artificial intelligent (AI) agent from an input device provided in the electronic device, and output the first audio signal received after the call key input is recognized. It can be fed into an artificial intelligence model.
  • AI artificial intelligent
  • the instructions may cause the processor to: extract the audio feature information using an artificial intelligence model trained with training data generated by synthesizing noise data and utterance data of a speaker designated for voice recognition.
  • the instructions allow the processor to: convert the first audio signal from an audio frame in a time domain to an audio frame in a frequency domain in a designated frame unit, and convert the audio frame in the frequency domain to a mel scale using a filter. It may be converted into an audio frame, and the audio characteristic information may be extracted from the audio frames of the first audio signal converted to the mel scale.
  • the instructions enable the processor to: extract audio characteristic information from the second audio signal, use the audio characteristic information of the second audio signal, and then, after the second audio signal, include the microphone, the audio connector, or the wireless It is possible to recognize a voice section in the third audio signal received through the communication circuit.
  • a method of operating an electronic device may include: receiving a first audio signal through a microphone, an audio connector, or a wireless communication circuit; extracting audio characteristic information from the first audio signal; and recognizing a voice section in a second audio signal received through the microphone, the audio connector, or the wireless communication circuit after the first audio signal by using the audio characteristic information.
  • the operation of extracting the audio characteristic information includes putting the first audio signal as an input value into an artificial intelligence model learned using an artificial intelligence algorithm, and obtaining the audio characteristic information from a result value output from the artificial intelligence model. It can include actions.
  • the operation of acquiring the audio characteristic information may include acquiring the audio characteristic information by using a first convolutional neural network (CNN) model and a first recurrent neural network (RNN) model as the artificial intelligence model. have.
  • CNN convolutional neural network
  • RNN recurrent neural network
  • the operation of obtaining the audio characteristic information includes inputting the first audio signal to the first CNN model in units of a specified frame, and adding the first audio signal to each of the frames of the first audio signal from the result value output from the first CNN model. obtaining corresponding feature vectors; and inputting the first audio signal to the first RNN model in units of frames, and noise state information representing temporal changes in noise in the entire section of the first audio signal from the result value output from the first RNN model may include the operation of obtaining
  • the operation of recognizing the voice section may include an operation of recognizing the voice section in the second audio signal using the feature vectors and the noise state information.
  • the operation of recognizing the speech section may include: obtaining an n-th feature vector for the n-th frame by putting the n-th frame of the second audio signal in a second CNN model; calculating an n-th attention value indicating how similar the n-th feature vector is to the feature vectors of the first audio signal; adding the noise state information, the nth frame, the nth feature vector, and the nth attention value to a second RNN model to obtain an nth prediction value indicating whether speech is present in the nth frame; and recognizing a speech section of the second audio signal from predicted values respectively corresponding to frames of the second audio signal obtained from the second RNN model.
  • the acquiring of the audio characteristic information may include: recognizing an utterance designated as calling an artificial intelligent (AI) agent in the first audio signal; and inputting the first audio signal to the artificial intelligence model as the call utterance is recognized.
  • AI artificial intelligent
  • the acquiring of the audio characteristic information may include: recognizing a key input designated as calling an artificial intelligent (AI) agent from an input device provided in the electronic device; and inputting the first audio signal received after the call key input is recognized to the artificial intelligence model.
  • AI artificial intelligent
  • the operation of extracting the audio characteristic information may include the operation of extracting the audio characteristic information by using an artificial intelligence model learned with training data generated by synthesizing noise data and utterance data of a speaker designated for voice recognition.
  • the extracting of the audio characteristic information may include: converting the first audio signal from an audio frame in a time domain to an audio frame in a frequency domain in units of a specified frame; converting the frequency domain audio frame into a mel scale audio frame using a filter; and extracting the audio characteristic information from audio frames of the first audio signal converted to the mel scale.
  • the method includes: extracting audio characteristic information from the second audio signal; and recognizing a voice section in a third audio signal received through the microphone, the audio connector, or the wireless communication circuit after the second audio signal by using the audio characteristic information of the second audio signal.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Telephone Function (AREA)

Abstract

다양한 실시예에서, 전자 장치는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다.

Description

음성 구간 인식의 향상을 지원하는 전자 장치
다양한 실시예는 사용자 발화에서 음성 구간 인식(voice activity detection)(VAD)을 이용한 인공 지능(artificial intelligent)(AI) 에이전트 서비스를 사용자에게 제공하는 방법 및 장치에 관한 것이다.
인공 지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템으로서 기계가 스스로 학습하고 판단하며, 사용할수록 인식률이 향상되는 시스템이다.
인공 지능 기술은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘을 이용하는 기계학습(deep learning) 기술 및 기계학습 기술을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 요소 기술들로 구성될 수 있다.
예컨대, 요소기술들은 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 이해 기술은 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함할 수 있다. 언어적 이해 기술의 한 예로 전자 장치가, 기계 학습 기술로 훈련하여 생성된 ASR(automatic speech recognition) 모델을 이용하여 사용자의 발화(utterance)를 인식함으로써, 발화에 대응하는 텍스트 데이터를 생성할 수 있다.
전자 장치는 오디오 신호에서 사용자 음성(발화)이 있는 구간을 인식하고, 인식된 구간 내 사용자 발화에서 사용자의 의도를 이해하고, 사용자 의도에 대응하는 응답을 음성으로 출력하는 인공 지능(artificial intelligent)(AI) 에이전트 서비스를 사용자에게 제공할 수 있다.
사용자 발화 시 주변 소음(예: TV에서 흘러나오는 음성, 청소기 소음, 주변인 음성)은 사용자의 음성 구간을 인식하는 것을 어렵게 하는 방해 요소일 수 있다.
사용자 명령에 대한 응답은 VAD에 의존적일 수 있다. 예컨대, 사용자 음성의 시작 및/또는 끝이 잘못 인식되면, 응답이 느려 사용자를 답답하게 하거나 응답이 너무 빨라 사용자의 발화를 끊을 수 있다.
다양한 실시예는 주변 소음에 강인한 VAD를 구현하는 전자 장치를 제공할 수 있다. 본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 실시예에서, 전자 장치는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시예에서, 전자 장치를 동작하는 방법은, 마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작; 상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치는 사용자가 발화할 때 주변이 소음이 있어도 사용자 발화에서 음성 구간을 정확하게 인식할 수 있다. 이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1 은, 다양한 실시예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2 는, 다양한 실시에 따른, 오디오 모듈의 블록도이다.
도 3 은 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 4는 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
도 5는 다양한 실시 예에 따른 사용자 단말이 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
도 6은, 다양한 실시예에 따른, 소음에 강인한 음성 비서 서비스를 제공하도록 구성된 전자 장치(600)의 블록도이다.
도 7은, 일 실시예에 따른, 도 6의 음성 구간 인식 모듈의 블록도이다.
도 8은 음성 구간을 인식하기 위해 이용되는 훈련 데이터를 생성하는 동작의 일례를 나타낸다.
도 9는, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 10은, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 11은, 일 실시예에 따른, 오디오 변환 모듈, 특징 추출 모듈, 및 음성 구간 인식 모듈의 동작들을 설명하기 위한 도면이다.
도 12는, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.
도 13은, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공 지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공 지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공 지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공 지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공 지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는, 다양한 실시에 따른, 오디오 모듈(170)의 블록도(200)이다.
도 2를 참조하면, 오디오 모듈(170)은, 예를 들면, 오디오 입력 인터페이스(예: 오디오 입력 회로를 포함)(210), 오디오 입력 믹서(220), ADC(analog to digital converter)(230), 오디오 신호 처리기(예: 오디오 처리 회로를 포함)(240), DAC(digital to analog converter)(250), 오디오 출력 믹서(260), 및/또는 오디오 출력 인터페이스(예: 오디오 출력 회로를 포함)(270)를 포함할 수 있다.
오디오 입력 인터페이스(210)는 입력 모듈(150)의 일부로서 또는 전자 장치(101)와 별도로 구성된 마이크(예: 다이나믹 마이크, 콘덴서 마이크, 또는 피에조 마이크)를 통하여 전자 장치(101)의 외부로부터 획득한 소리에 대응하는 오디오 신호를 수신할 수 있다. 예를 들어, 오디오 신호가 외부의 전자 장치(102)(예: 헤드셋 또는 마이크)로부터 획득되는 경우, 오디오 입력 인터페이스(210)는 상기 외부의 전자 장치(102)와 연결 단자(178)를 통해 직접, 또는 무선 통신 모듈(192)을 통하여 무선으로(예: Bluetooth 통신) 연결되어 오디오 신호를 수신할 수 있다. 일실시예에 따르면, 오디오 입력 인터페이스(210)는 상기 외부의 전자 장치(102)로부터 획득되는 오디오 신호와 관련된 제어 신호(예: 입력 버튼을 통해 수신된 볼륨 조정 신호)를 수신할 수 있다. 오디오 입력 인터페이스(210)는 복수의 오디오 입력 채널들을 포함하고, 상기 복수의 오디오 입력 채널들 중 대응하는 오디오 입력 채널 별로 다른 오디오 신호를 수신할 수 있다. 일실시예에 따르면, 추가적으로 또는 대체적으로, 오디오 입력 인터페이스(210)는 전자 장치(101)의 다른 구성 요소(예: 프로세서(120) 또는 메모리(130))로부터 오디오 신호를 입력 받을 수 있다.
오디오 입력 믹서(220)는 입력된 복수의 오디오 신호들을 적어도 하나의 오디오 신호로 합성할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 입력 믹서(220)는, 오디오 입력 인터페이스(210)를 통해 입력된 복수의 아날로그 오디오 신호들을 적어도 하나의 아날로그 오디오 신호로 합성할 수 있다.
ADC(230)는 아날로그 오디오 신호를 디지털 오디오 신호로 변환할 수 있다. 예를 들어, 일실시예에 따르면, ADC(230)는 오디오 입력 인터페이스(210)을 통해 수신된 아날로그 오디오 신호, 또는 추가적으로 또는 대체적으로 오디오 입력 믹서(220)를 통해 합성된 아날로그 오디오 신호를 디지털 오디오 신호로 변환할 수 있다.
오디오 신호 처리기(240)는 ADC(230)를 통해 입력 받은 디지털 오디오 신호, 또는 전자 장치(101)의 다른 구성 요소로부터 수신된 디지털 오디오 신호에 대하여 다양한 처리를 수행할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 신호 처리기(240)는 하나 이상의 디지털 오디오 신호들에 대해 샘플링 비율 변경, 하나 이상의 필터 적용, 보간(interpolation) 처리, 전체 또는 일부 주파수 대역의 증폭 또는 감쇄, 노이즈 처리(예: 노이즈 또는 에코 감쇄), 채널 변경(예: 모노 및 스테레오간 전환), 합성(mixing), 또는 지정된 신호 추출을 수행할 수 있다. 일실시예에 따르면, 오디오 신호 처리기(240)의 하나 이상의 기능들은 이퀄라이저(equalizer)의 형태로 구현될 수 있다.
DAC(250)는 디지털 오디오 신호를 아날로그 오디오 신호로 변환할 수 있다. 예를 들어, 일실시예에 따르면, DAC(250)는 오디오 신호 처리기(240)에 의해 처리된 디지털 오디오 신호, 또는 전자 장치(101)의 다른 구성 요소(예: 프로세서(120) 또는 메모리(130))로부터 획득한 디지털 오디오 신호를 아날로그 오디오 신호로 변환할 수 있다.
오디오 출력 믹서(260)는 출력할 복수의 오디오 신호들을 적어도 하나의 오디오 신호로 합성할 수 있다. 예를 들어, 일실시예에 따르면, 오디오 출력 믹서(260)는 DAC(250)를 통해 아날로그로 전환된 오디오 신호 및 다른 아날로그 오디오 신호(예: 오디오 입력 인터페이스(210)을 통해 수신한 아날로그 오디오 신호)를 적어도 하나의 아날로그 오디오 신호로 합성할 수 있다.
오디오 출력 인터페이스(270)는 DAC(250)를 통해 변환된 아날로그 오디오 신호, 또는 추가적으로 또는 대체적으로 오디오 출력 믹서(260)에 의해 합성된 아날로그 오디오 신호를 음향 출력 모듈(155)을 통해 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들어, dynamic driver 또는 balanced armature driver 같은 스피커, 또는 리시버를 포함할 수 있다. 일실시예에 따르면, 음향 출력 모듈(155)은 복수의 스피커들을 포함할 수 있다. 이런 경우, 오디오 출력 인터페이스(270)는 상기 복수의 스피커들 중 적어도 일부 스피커들을 통하여 서로 다른 복수의 채널들(예: 스테레오, 또는 5.1채널)을 갖는 오디오 신호를 출력할 수 있다. 일실시예에 따르면, 오디오 출력 인터페이스(270)는 외부의 전자 장치(102)(예: 외부 스피커 또는 헤드셋)와 연결 단자(178)를 통해 직접, 또는 무선 통신 모듈(192)을 통하여 무선으로 연결되어 오디오 신호를 출력할 수 있다.
일실시예에 따르면, 오디오 모듈(170)은 오디오 입력 믹서(220) 또는 오디오 출력 믹서(260)를 별도로 구비하지 않고, 오디오 신호 처리기(240)의 적어도 하나의 기능을 이용하여 복수의 디지털 오디오 신호들을 합성하여 적어도 하나의 디지털 오디오 신호를 생성할 수 있다.
일실시예에 따르면, 오디오 모듈(170)은 오디오 입력 인터페이스(210)를 통해 입력된 아날로그 오디오 신호, 또는 오디오 출력 인터페이스(270)를 통해 출력될 오디오 신호를 증폭할 수 있는 오디오 증폭기(미도시)(예: 스피커 증폭 회로)를 포함할 수 있다. 일실시예에 따르면, 상기 오디오 증폭기는 오디오 모듈(170)과 별도의 모듈로 구성될 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
도 3은 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 3을 참조하면, 일 실시예의 통합 지능화 시스템(300)은 사용자 단말(301), 지능형 서버(302), 및 서비스 서버(303)를 포함할 수 있다.
일 실시 예에 따르면, 사용자 단말(301)은, 인터넷에 연결 가능한 단말 장치(또는, 전자 장치)일 수 있으며, 예를 들어, 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV, 백색 가전, 웨어러블 장치, HMD, 또는 스마트 스피커일 수 있다.
일 실시 예에 따르면, 사용자 단말(301)(예: 도 1의 전자 장치(101))은 통신 인터페이스(311), 마이크(312), 스피커(313), 디스플레이(314), 메모리(315), 및 프로세서(316)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.
일 실시 예에 따르면, 통신 인터페이스(311)는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 일 실시 예에 따르면, 마이크(312)는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 일 실시예의 스피커(313)는 전기적 신호를 소리(예: 음성)으로 출력할 수 있다. 일 실시 예에 따르면, 디스플레이(314)는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예에 따르면, 디스플레이(314)는 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다.
일 실시 예에 따르면, 메모리(315)는 클라이언트 모듈(317), SDK(software development kit)(318), 및 복수의 앱들(319_1, 319_2)을 저장할 수 있다. 상기 클라이언트 모듈(317), 및 SDK(318)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램(solution program))를 구성할 수 있다. 또한, 클라이언트 모듈(317) 또는 SDK(318)는 음성 입력을 처리하기 위한 프레임워크를 구성할 수 있다.
일 실시예에 따르면, 메모리(315)는 상기 복수의 앱들(319_1, 319_2)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 앱(319_1, 319_2)은 제1 앱(319_1), 제2 앱(319_2)을 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱(319_1, 319_2) 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 복수의 앱들(319_1, 319_2)은, 알람 앱, 메시지 앱, 및 스케줄 앱 중에서 적어도 하나를 포함할 수 있다. 일 실시 예에 따르면, 복수의 앱들((319_1, 319_2)은 프로세서(316)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.
일 실시 예에 따르면, 프로세서(316)는 사용자 단말(301)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(316)는 통신 인터페이스(311), 마이크(312), 스피커(313), 디스플레이(314), 및 메모리(315)와 전기적으로 연결되어 지정된 동작을 수행할 수 있다.
일 실시 예에 따르면, 프로세서(316)는 또한 상기 메모리(315)에 저장된 프로그램을 실행시켜 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(316)는 클라이언트 모듈(317) 또는 SDK(318) 중 적어도 하나를 실행하여, 음성 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(316)는, 예를 들어, SDK(318)를 통해 복수의 앱((319_1, 319_2)의 동작을 제어할 수 있다. 클라이언트 모듈(317) 또는 SDK(318)의 동작으로 설명된 이하의 동작은 프로세서(316)의 실행에 의한 동작일 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 음성 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(317)은 마이크(312)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 생성할 수 있다. 클라이언트 모듈(317)은 수신된 음성 입력을 지능형 서버(302)로 송신할 수 있다. 일 실시예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력과 함께, 사용자 단말(301)의 상태 정보를 지능형 서버(302)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 예를 들어, 클라이언트 모듈(317)은 지능형 서버(302)로부터 음성 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(317)은 상기 수신된 결과를 디스플레이(314)에 표시할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 수신된 음성 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(317)은 플랜에 따라 앱의 복수의 동작을 실행한 결과를 디스플레이(314)에 표시할 수 있다. 예를 들어, 클라이언트 모듈(317)은 복수의 동작의 실행 결과를 순차적으로 디스플레이에 표시할 수 있다. 다른 예를 들어, 사용자 단말(301)은 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이에 표시할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 지능형 서버(302)로부터 음성 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 상기 결과를 산출하기 위해 필요한 정보는 예를 들어, 전자 장치(300)의 상태 정보일 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(317)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(302)로 송신할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(302)로 송신할 수 있다. 지능형 서버(302)는 상기 결과 정보를 통해 수신된 음성 입력이 올바르게 처리된 것을 확인할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(317)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(317)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(317)은 지정된 입력(예: 웨이크 업!)을 통해 유기적인 동작을 수행하기 위한 음성 입력을 처리하기 위한 지능형 앱을 수행할 수 있다. 클라이언트 모듈(317)은 마이크(312)로부터 수신된 오디오 신호에서 호출 발화(예: 하이 빅스비)를 인식하고 호출 발화에 반응하여 AI 에이전트 서비스를 시작할 수 있다.
일 실시 예에 따르면, 지능형 서버(302)(예: 도 1의 서버(108))는 통신 망을 통해 사용자 단말(301)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(302)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(302)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 플랜(plan)을 생성할 수 있다
일 실시 예에 따르면, 플랜은 인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공 지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network)(FNN)), 순환 신경망(recurrent neural network)(RNN)) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 상이한 인공지능 시스템일 수도 있다. 일 실시 예에 따르면, 플랜은 미리 정의된 플랜의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의 된 복수의 플랜 중 적어도 하나의 플랜을 선택할 수 있다.
일 실시 예에 따르면, 지능형 서버(302)는 생성된 플랜에 따라 산출된 결과를 사용자 단말(301)로 송신하거나, 생성된 플랜을 사용자 단말(301)로 송신할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 플랜에 따라 산출된 결과를 디스플레이에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 플랜에 따른 동작을 실행한 결과를 디스플레이에 표시할 수 있다.
일 실시 예에 따르면, 지능형 서버(302)는 프론트 엔드(front end)(321), 자연어 플랫폼(natual language platform)(322), 캡슐 데이터베이스(capsule DB)(323), 실행 엔진(execution engine)(324), 엔드 유저 인터페이스(end user interface)(325), 매니지먼트 플랫폼(management platform)(326), 빅 데이터 플랫폼(big data platform)(327), 및 분석 플랫폼(analytic platform)(328)을 포함할 수 있다.
일 실시 예에 따르면, 프론트 엔드(321)는 사용자 단말(301)로부터 수신된 음성 입력을 수신할 수 있다. 프론트 엔드(321)는 상기 음성 입력에 대응되는 응답을 송신할 수 있다.
일 실시 예에 따르면, 자연어 플랫폼(322)은 다양한 모듈들을 포함할 수 있다. 상기 모듈들은 각각, 프로세싱 회로 및/또는 실행 가능한 프로그램 인스트럭션들을 포함할 수 있다. 상기 모듈들은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(322a), 자연어 이해 모듈(natural language understanding module)(NLU module)(322b), 플래너 모듈(planner module)(322c), 자연어 생성 모듈(natural language generator module)(NLG module)(322d), 및 텍스트 음성 변환 모듈(text to speech module)(TTS module)(322e)를 포함할 수 있다.
일 실시 예에 따르면, 자동 음성 인식 모듈(322a)은 사용자 단말(301)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다.
일 실시 예에 따르면, 자연어 이해 모듈(322b)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(322b)은 문법적 분석(syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 일 실시 예에 따르면, 자연어 이해 모듈(322b)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 음성 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다.
일 실시 예에 따르면, 플래너 모듈(322c)은 자연어 이해 모듈(322b)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 일 실시 예에 따르면, 플래너 모듈(322c)은 상기 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인을 결정할 수 있다. 플래너 모듈(322c)은 상기 의도에 기초하여 결정된 복수의 도메인 각각에 포함된 복수의 동작을 결정할 수 있다. 일 실시 예에 따르면, 플래너 모듈(322c)은 상기 결정된 복수의 동작을 실행하는데 필요한 파라미터나, 상기 복수의 동작의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 상기 파라미터, 및 상기 결과 값은 지정된 형식(또는, 클래스)과 관련된 컨셉으로 정의될 수 있다. 이에 따라, 플랜은 사용자의 의도에 의해 결정된 복수의 동작, 및 복수의 컨셉을 포함할 수 있다. 상기 플래너 모듈(322c)은 상기 복수의 동작, 및 상기 복수의 컨셉 사이의 관계를 단계적(또는, 계층적)으로 결정할 수 있다. 예를 들어, 플래너 모듈(322c)은, 복수의 컨셉에 기초하여, 사용자의 의도에 기초하여 결정된 복수의 동작의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(322c)은 복수의 동작의 실행에 필요한 파라미터, 및 복수의 동작의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(322c)는 복수의 동작, 및 복수의 컨셉 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜를 생성할 수 있다. 상기 플래너 모듈(322c)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(323)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.
일 실시 예에 따르면, 자연어 생성 모듈(322d)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다.
일 실시 예에 따르면, 텍스트 음성 변환 모듈(322e)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.
일 실시 예에 따르면, 캡슐 데이터베이스(323)는 복수의 도메인에 대응되는 복수의 컨셉과 동작들의 관계에 대한 정보를 저장할 수 있다. 예를 들어, 캡슐 데이터베이스(323)는 플랜의 복수의 동작 오브젝트(action object 또는, 동작 정보) 및 컨셉 오브젝트(concept object 또는 컨셉 정보)를 포함하는 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 CAN(concept action network)의 형태로 상기 복수의 캡슐을 저장할 수 있다. 일 실시 예에 따르면, 복수의 캡슐은 캡슐 데이터베이스(323)에 포함된 기능 저장소(function registry)에 저장될 수 있다.
일 실시예에 따르면, 캡슐 데이터베이스(323)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 상기 전략 정보는 음성 입력에 대응되는 복수의 플랜이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 상기 후속 동작은, 예를 들어, 후속 발화를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자 단말(301)을 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자와의 대화(dialog)(또는, 인터렉션(interaction)) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다.
일 실시예에 따르면, 캡슐 데이터베이스(323)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 상기 개발자 툴은, 예를 들어, 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 상기 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 상기 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록 하는 전략 에디터(strategy editor)를 포함할 수 있다. 상기 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 상기 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 상기 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다.
일 실시 예에 따르면, 캡슐 데이터베이스(323)는 사용자 단말(301) 내에도 구현될 수 있다. 다시 말해, 사용자 단말(301)은 음성 입력에 대응되는 동작을 결정하기 위한 정보를 저장하는 캡슐 데이터베이스(323)를 포함할 수 있다.
일 실시 예에 따르면, 실행 엔진(324)은 상기 생성된 플랜을 이용하여 결과를 산출할 수 있다. 일 실시예에 따르면, 엔드 유저 인터페이스(325)는 산출된 결과를 사용자 단말(301)로 송신할 수 있다. 이에 따라, 사용자 단말(301)은 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예에 따르면, 매니지먼트 플랫폼(326)은 지능형 서버(302)에서 이용되는 정보를 관리할 수 있다. 일 실시 예에 따르면, 빅 데이터 플랫폼(327)은 사용자의 데이터를 수집할 수 있다. 일 실시 예에 따르면, 분석 플랫폼(328)은 지능형 서버(302)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(328)은 지능형 서버(302)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.
일 실시 예에 따르면, 서비스 서버(303)는 사용자 단말(301)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(303)는 제3 자에 의해 운영되는 서버일 수 있다. 예를 들어, 서비스 서버(303)는 서로 다른 제3 자에 의해 운영되는 제1 서비스 서버(331), 제2 서비스 서버(332), 및 제3 서비스 서버(333)를 포함할 수 있다. 일 실시 예에 따르면, 서비스 서버(303)는 수신된 음성 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(302)에 제공할 수 있다. 상기 제공된 정보는, 예를 들어, 캡슐 데이터베이스(323)에 저장될 수 있다. 또한, 서비스 서버(303)는 플랜에 따른 결과 정보를 지능형 서버(302)에 제공할 수 있다.
상기에 기술된 통합 지능화 시스템(300)에서, 상기 사용자 단말(301)은, 사용자 입력에 응답하여 사용자에게 다양한 지능형(intelligent) 서비스를 제공할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.
일 실시 예에서, 상기 사용자 단말(301)은 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 사용자 단말(301)은 상기 마이크를 통해 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)를 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.
일 실시 예에서, 사용자 단말(301)은 수신된 음성 입력에 기초하여, 단독으로 또는 지능형 서버(302) 및/또는 서비스 서버(303)와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 사용자 단말(301)은 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.
일 실시 예에서, 사용자 단말(301)이 지능형 서버(302) 및/또는 서비스 서버(303)와 함께 서비스를 제공하는 경우에는, 사용자 단말(301)은, 상기 마이크(312)를 이용하여 사용자 발화를 감지하고, 감지된 사용자 발화에 대응되는 신호(또는, 음성 데이터)를 생성할 수 있다. 사용자 단말(301)은, 음성 데이터를 통신 인터페이스(311)를 이용하여 지능형 서버(302)로 송신할 수 있다.
일 실시 예에 따른 지능형 서버(302)는 사용자 단말(301)로부터 수신된 음성 입력에 대한 응답으로서, 음성 입력에 대응되는 태스크(task)를 수행하기 위한 플랜, 또는 상기 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 상기 플랜은, 예를 들어, 사용자의 음성 입력에 대응되는 태스크(task)를 수행하기 위한 복수의 동작, 및 상기 복수의 동작과 관련된 복수의 컨셉을 포함할 수 있다. 상기 컨셉은 상기 복수의 동작의 실행에 입력되는 파라미터나, 복수의 동작의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 상기 플랜은 복수의 동작, 및 복수의 컨셉 사이의 연관 정보를 포함할 수 있다.
일 실시 예에 따르면, 사용자 단말(301)은, 통신 인터페이스(311)를 이용하여 상기 응답을 수신할 수 있다. 사용자 단말(301)은 상기 스피커(313)를 이용하여 사용자 단말(301) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이(314)를 이용하여 사용자 단말(301) 내부에서 생성된 이미지를 외부로 출력할 수 있다.
도 4는 다양한 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
지능형 서버(302)의 캡슐 데이터베이스(예: 캡슐 데이터베이스(323))는 CAN (concept action network)(400) 형태로 캡슐을 저장할 수 있다. 상기 캡슐 데이터베이스는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작, 및 상기 동작을 위해 필요한 파라미터를 CAN(concept action network) 형태로 저장될 수 있다. 상기 CAN은 동작(action)과 상기 동작을 수행하는데 필요한 파라미터(parameter)를 정의한 컨셉(concept) 사이의 유기적인 관계를 나타낸 것일 수 있다.
상기 캡슐 데이터베이스는 복수의 도메인(예: 어플리케이션) 각각에 대응되는 복수의 캡슐(예: capsule A(401), capsule B(402))을 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: capsule A(401))은 하나의 도메인(예: 어플리케이션)에 대응될 수 있다. 또한, 하나의 캡슐은 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자(예: CP 1(403), CP 2 (404), CP 3(405), CP 4(406))에 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(410) 및 적어도 하나 이상의 컨셉(420)을 포함할 수 있다.
일 실시예에 따르면, 자연어 플랫폼(322)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 예를 들어, 자연어 플랫폼(322)의 플래너 모듈(322c)은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 플래너 모듈(322c)은 Capsule A (401)의 동작들(4011, 4013)과 컨셉들(4012,4014) 및 Capsule B(402)의 동작(4041)과 컨셉(4042)을 이용하여 플랜(407)을 생성할 수 있다.
도 5는 다양한 실시 예에 따른 사용자 단말이 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
사용자 단말(301)은 지능형 서버(302)를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.
일 실시 예에 따르면, 510 화면에서, 사용자 단말(301)은 지정된 음성 입력(예: 웨이크 업!)를 인식하거나 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 사용자 단말(301)은, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 지능형 앱에 대응되는 오브젝트(예: 아이콘)(511)를 디스플레이(314)에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 사용자 단말(301)은 “이번주 일정 알려줘!”라는 음성 입력을 수신할 수 있다. 일 실시 예에 따르면, 사용자 단말(301)은 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(513)(예: 입력창)를 디스플레이에 표시할 수 있다.
일 실시 예에 따르면, 520 화면에서, 사용자 단말(301)은 수신된 음성 입력에 대응되는 결과를 디스플레이에 표시할 수 있다. 예를 들어, 사용자 단말(301)은 수신된 사용자 입력에 대응되는 플랜을 수신하고, 플랜에 따라 ‘이번주 일정’을 디스플레이에 표시할 수 있다.
도 6은, 다양한 실시예에 따른, 소음에 강인한 음성 비서 서비스를 제공하도록 구성된 전자 장치(600)의 블록도이다. 도 7은, 일 실시예에 따른, 도 6의 음성 구간 인식 모듈(605)의 블록도이다. 도 8은 음성 구간을 인식하기 위해 이용되는 훈련 데이터를 생성하는 동작의 일례를 나타낸다. 도 6을 참조하면, 전자 장치(600)(예: 도 1의 전자 장치(101))는, 오디오 입력 모듈(601), 웨이크 업 모듈(602), 오디오 변환 모듈(603), 특징 추출 모듈(604), 음성 구간 인식 모듈(605), 훈련 데이터 생성 모듈(606), ASR(607), NLU(608), 실행 모듈(609), NLG(610), TTS(611), 오디오 출력 모듈(612), 메모리(688), 또는 프로세서(699)를 포함할 수 있다. 전자 장치(600)의 상기 구성 요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다. 상기 구성 요소들은 각각, 해당 기능을 수행하기 위한 회로 및/또는 실행 가능한 프로그램 인스트럭션들을 포함할 수 있다.
오디오 입력 모듈(601)은 오디오 신호를 수신할 수 있다. 예컨대, 오디오 입력 모듈(601)은 도 1의 입력 모듈(150)에 구성된 마이크로부터 오디오 신호를 수신할 수 있다. 오디오 입력 모듈(601)은 도 1의 연결 단자(178)에 구성된 오디오 커넥터를 통해 유선으로 연결된 외부 장치(예: 헤드셋, 마이크)로부터 오디오 신호를 수신할 수도 있다. 오디오 입력 모듈(601)은 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 전자 장치(600)에 무선으로(예: Bluetooth 통신) 연결된 외부 장치로부터 오디오 신호를 수신할 수도 있다.
웨이크 업 모듈(602)은 사용자가 AI 에이전트(또는, 음성 비서)를 호출하는 것을 인식할 수 있다. 일 실시예에서, 웨이크 업 모듈(602)은 오디오 입력 모듈(601)로부터 오디오 신호를 수신하고, 수신된 오디오 신호에서 AI 에이전트를 호출(또는, AI 에이전트를 구동)하도록 지정된 발화(utterance)(예: 하이 빅스비)를 인식할 수 있다. 예를 들어, 웨이크업 모듈(602)은 오디오 신호에서 사용자 발화의 시작점(starting point)과 종점(endpoint)을 검출함으로써 오디오 신호에서 사용자 발화가 존재하는 부분(예: ‘하이’에 해당하는 제 1 부분과 ‘빅스비’에 해당하는 제 2부분)을 획득할 수 있다. 웨이크업 모듈(602)은 획득된 발화 부분을 미리 저장된 음성 데이터와 비교함으로써 오디오 신호에 호출 발화(또는, 구동 발화)가 포함되어 있는지 여부를 판단할 수 있다. 다른 실시예에서, 웨이크업 모듈(602)은 사용자가 음성이 아닌 다른 방법으로 AI 에이전트를 호출할 수 있도록 지원할 수 있다. 예를 들어, 웨이크업 모듈(602)은 입력 모듈(150)의 전원 키에 대한 두 번 연속 누름을 호출로 인식할 수 있다. 다른 예로, 웨이크업 모듈(602)은 디스플레이 모듈(160)의 터치 회로로부터 수신된 터치 입력을 호출로 인식할 수도 있다.
오디오 변환 모듈(603)은 오디오 신호를 구성하는 포맷을 음성 구간 인식이 용이하도록 변환할 수 있다. 예를 들어, 오디오 변환 모듈(603) 은 오디오 입력 모듈(601)로부터 수신된 시간 도메인의 오디오 신호를 매 프레임(예: 약 20ms)마다 푸리에 변환(예: DFT(discrete fourier transform), FFT(fast fourier transform)) 함수를 이용하여, 주파수 도메인의 스펙트럼 신호로 변환할 수 있다. 오디오 변환 모듈(603)은 주파수 도메인의 스펙트럼 신호를 멜 스케일(mel scale)의 스펙토그렘(spectrogram) 신호로 변환할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 스펙트럼(spectrum) 신호에서 지정된 주파수 이상(예: 상대적으로 사람의 청력에 덜 민감한 약 1kHz 이상)의 성분을 “mel filter bank”라는 필터를 이용하여 로그 스케일(log scale)로 변환함으로써, 각 프레임의 스펙트럼 신호를 스펙토그렘 신호(예: log-mel 신호)로 변환할 수 있다.
특징 추출 모듈(604)은 오디오 신호에서 오디오의 특징을 나타내는 정보를 추출할 수 있다.
일 실시예에서, 특징 추출 모듈(604)은 오디오 신호에서 화자의 음성이 갖는 특징을 나타내는 정보와 오디오 신호에서 화자 주변의 소음이 갖는 특징을 나타내는 정보를 포함하는 오디오 특징 정보(예: 음성&소음 특징 벡터)를 추출할 수 있다. 예를 들어, 일 실시예에서, 특징 추출 모듈(604)은 웨이크 업 모듈(602)에 의해 호출 발화(예: 하이 빅스비)가 인식됨에 따라 추출 동작을 수행할 수 있다. 특징 추출 모듈(604)은 오디오 변환 모듈(603)로부터 스펙토그렘 신호를 수신하고, 스펙토그렘 신호에서 음성&소음 특징 벡터를 추출할 수 있다.
일 실시예에서, 특징 추출 모듈(604)은 오디오 신호에서 화자 주변의 소음이 갖는 특징을 나타내는 정보를 포함하는 오디오 특징 정보(예: 소음 특징 벡터)를 추출할 수 있다. 예를 들어, 화자(사용자)는 호출 발화가 아닌 키 입력(예: 전원 키 입력, 터치 입력)을 이용하여 AI 에이전트를 호출할 수도 있다. 이러한 호출에 반응하여, 특징 추출 모듈(604)은 추출 동작을 수행할 수 있다. 특징 추출 모듈(604)은 오디오 변환 모듈(603)로부터 수신된 스펙토그렘 신호에서 소음 특징 벡터를 추출할 수 있다.
일 실시예에서, 특징 추출 모듈(604)은 미리 준비된 훈련 데이터를 이용하여 오디오 신호에서 오디오의 특징을 나타내는 정보(예: 화자의 음성과 화자 주변의 소음의 특징을 나타내는 음성&소음 특징 벡터 또는 화자 주변의 소음의 특징을 나타내는 소음 특징 벡터)를 추출할 수 있다. 훈련 데이터는 화자(사용자)의 발화와 소음이 합성된 것으로 메모리(688)에 저장될 수 있다.
일 실시예에서, 특징 추출 모듈(604)은 인공 지능 알고리즘을 이용하여 학습된 모델을 이용하여, 오디오 신호에서 특징 벡터와 소음 상태 정보를 포함하는 오디오 특징 정보를 추출할 수 있다. 예를 들어, 특징 추출 모듈(604)은 훈련 데이터를 이용하여 학습되어 메모리(688)에 저장된 CNN 모델을 이용하여, 프레임 단위로 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신되는 오디오 신호(예: log-mel 신호)(이하, 오디오 프레임)에서 특징 벡터(예: 음성&소음 특징 벡터 또는 소음 특징 벡터)를 추출할 수 있다. CNN 모델에 입력 값으로 오디오 프레임을 넣어주면, CNN 모델은 특징 벡터를 출력할 수 있다. 특징이 추출되어야 할 오디오 신호의 전체 구간이 1.6초이고 하나의 오디오 프레임이 20ms인 경우, 특징 추출 모듈(604)로 입력되는 오디오 프레임의 개수는 총 80(1/6초/20ms)이고 이에 따라 특징 추출 모듈(604)에서 총 80개의 특징 벡터가 출력될 수 있다. 특징 추출 모듈(604)은 훈련 데이터를 이용하여 학습되어 메모리(688)에 저장된 RNN 모델을 이용하여, 오디오 신호의 전체 구간에서 화자 주변 소음의 시간적인 변화를 나타내는 소음 상태 정보를 추출할 수 있다. RNN 모델에 입력 값으로 오디오 신호의 전체 구간을 넣어주면, RNN 모델은 소음 상태 정보를 출력할 수 있다. 오디오 특징 정보를 추출하기 위해 이용되는 인공 지능 모델은 상기의 CNN 모델 및 RNN 모델로 한정되지 않고 다양할 수 있다.
음성 구간 인식 모듈(605)은, 특징 추출 모듈(604)에 의해 추출된 제1 오디오 신호의 오디오 특징 정보에 기반하여, 제2오디오 신호에서 음성 구간을 인식할 수 있다. 제2오디오 신호는 제1오디오 신호가 오디오 입력 모듈(601)로 수신된 이후에 오디오 입력 모듈(601)로 수신된 오디오 신호를 포함할 수 있다.
일 실시예에 따르면, 특징 추출 모듈(604)은 화자의 제1발화(예: 호출 발화)를 포함하는 제1오디오 신호를 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신하고, 제1오디오 신호에서 오디오 특징 정보를 추출할 수 있다. 음성 구간 인식 모듈(605)은 화자의 제2발화(예: 호출 발화 이후 후속 발화)를 포함하는 제2오디오 신호를 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 수신하고, 제1오디오 신호의 오디오 특징 정보를 이용하여, 제2오디오 신호에서 화자의 발화는 없고 주변 소음만 존재하는 소음 구간과 화자의 발화가 있는 음성 구간을 구별할 수 있다. 제2 발화가 예컨대, “오늘 날씨 알려줘”라고 할 때, 음성 구간 인식 모듈(605)은 제2오디오 신호에서 “오늘”의 시작점과 종점을 포함하는 음성 구간, “날씨”의 시작점과 종점을 포함하는 음성 구간, 및 “알려줘”의 시작점과 종점을 포함하는 음성 구간을 제1오디오 신호의 오디오 특징 정보를 이용하여 인식할 수 있다.
일 실시예에 따르면, 음성 구간 인식 모듈(605)은 기계 학습을 통해 생성된 인공 지능 모델(예: 도 7의 CNN 모델(710), RNN 모델(740))과 제1오디오 신호의 오디오 특징 정보를 이용하여, 제2오디오 신호의 오디오 프레임들을 음성 신호를 포함하는 음성 프레임과 음성 신호를 포함하고 있지 않은 소음 프레임으로 구별함으로써 제2오디오 신호에서 음성 구간(들)을 인식할 수 있다.
도 7 을 참조하면, 음성 구간 인식 모듈(605)은 제1오디오 신호의 특징 벡터들(FV(feature vector) 1_1, FV1_2, …, FV1_N)(701)과 제1오디오 신호의 소음 상태 정보(702)를 수신할 수 있다. 여기서, FV1은 제1오디오 신호의 프레임에서 추출된 특징 벡터를 의미하고, “1, 2, …, 및 N”은 각 프레임 번호를 의미한다. 음성 구간 인식 모듈(605)은 오디오 변환 모듈(603)을 통해 오디오 입력 모듈(601)로부터 제2오디오 신호의 오디오 프레임들 “F(frame)2_1, F2_2, …, 및 F2_M”을 수신할 수 있다. 여기서, F2는 제2오디오 신호의 프레임이라는 의미이고 “1, 2, …, M”은 각 프레임 번호를 의미한다. 음성 구간 인식 모듈(605)은 복수의 인공 신경망 레이어들로 이루어진 CNN 모델(710)을 이용하여, F2_m(703)에서 특징 벡터 FV2_m((여기서, m은 1, 2, …, 또는 M임)(704)를 추출할 수 있다. 여기서, FV2_m은 제2오디오 신호의 m번째 프레임에서 추출된 특징 벡터를 의미한다. 입력 값으로 CNN 모델(710)에 F2_m(703)이 입력되면, CNN 모델(710)은 특징 벡터 FV2_m(704)를 출력할 수 있다. 음성 구간 인식 모듈(605)은 어텐션 메커니즘(attention mechanism)(720)(예: dot product attention)을 이용하여, 특징 벡터 FV2_m가 제1오디오 신호의 특징 벡터들(701)과 얼마나 유사한지를 나타내는 어텐션 값(AV(attention value)_m)(705)을 계산할 수 있다. 음성 구간 인식 모듈(605)은 결합(concatenation) 매커니즘(730)를 이용하여 F2_m(703), FV2_m(704), 및 AV_m(705)을 하나의 데이터(C(concatenation)_m)(706)로 결합할 수 있다. 음성 구간 인식 모듈(605)은, 복수의 인공 신경망 레이어들로 이루어진 RNN 모델(740)을 이용하여, C_m(706) 및 소음 상태 정보(702)로부터 F2_m(703)에 음성이 존재하는지 여부를 인식할 수 있다. 예를 들어, RNN 모델(740)에 소음 상태 정보(702)가 입력됨으로써 RNN 모델(740)이 출력 값을 내보내도록 동작 가능한 초기 상태(initial state)로 설정될 수 있다. 초기 상태로 설정된 RNN 모델(740)에 입력 값으로 결합 데이터(706)를 넣어주면, RNN 모델(740)은 2오디오 신호의 m번째 오디오 프레임인 “F2_m(703)”에 음성이 존재하는지 여부를 나타내는 예측 값(PV(predict value)_m)(707)을 출력할 수 있다. 음성 구간 인식 모듈(605)은 PV_m(707)에 기반하여, F2_m(703)이 음성 프레임인지 여부를 판단할 수 있다. 또한, 음성 구간 인식 모듈(605)은 F2_m(703)이 사용자 발화의 시작점인지, 종점인지, 또는 사용자 발화 중간인지를 RNN 모델(740)에서 출력된 예측 값들에 기반하여 인식할 수 있다. 예를 들어, PV_m-1이 소음 프레임으로 판정되고 PV_m이 음성 프레임으로 판정된 경우, 음성 구간 인식 모듈(605)은 PV_m(707)을 음성 구간의 시작점으로 인식할 수 있다.
일 실시예에 따르면, 특징 추출 모듈(604)은 제2오디오 신호에서 오디오 특징 정보를 추출하고, 음성 구간 인식 모듈(605)은 제2오디오 신호로부터 추출된 오디오 특징 정보를 제3오디오 신호에서 음성 구간을 인식하기 위해 이용할 수 있다.
훈련 데이터 생성 모듈(606)은 사용자(화자)의 발화 데이터와 소음 데이터를 합성함으로써, 오디오 특징 정보를 추출하기 위해 이용되는 인공 지능 모델(예: CNN 모델, RNN 모델)을 학습하기 위한 훈련 데이터를 생성할 수 있다. 예를 들어, 도 8을 참조하면, 훈련 데이터 생성 모듈(606)은 발화 리스트(810) 중에서 랜덤하게 하나 이상의 발화 데이터를 선택할 수 있다. 예를 들어, 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811)와 후속 발화 데이터(812)를 발화 리스트(810)에서 선택할 수 있다. 훈련 데이터 생성 모듈(606)은 소음 리스트(예: TV 소음 리스트)(820)에서 랜덤하게 하나의 소음 데이터(821)를 선택할 수 있다. 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811)와 후속 발화 데이터(812)를 시간 순으로 소음 데이터(821)에 결합하여 훈련 데이터(830)를 생성할 수 있다. 도시하지는 않지만, 훈련 데이터 생성 모듈(606)은 선행 발화 데이터(811) 없이 후속 발화 데이터(812) 만을 소음 데이터(821)와 결합하여 훈련 데이터를 생성할 수도 있다. 실제 구동 발화(예: 하이 빅스비)에 대응하는 발화 데이터가 선행 발화 데이터(811)로 선택될 수도 있다.
ASR(607)(예: 도 3의 자동 음성 인식 모듈(322a))은 제2오디오 신호에서 음성 구간 인식 모듈(605)에 의해 인식된 음성 구간 내 음성 신호를 텍스트 데이터로 변환할 수 있다. NLU(608)(예: 도 3의 자연어 이해 모듈(322b))은 텍스트 데이터를 이용하여 사용자의 의도(예: 실행 명령)를 파악할 수 있다. 실행 모듈(609)(예: 도 3의 실행 엔진(324))은 사용자 의도에 대응하는 기능을 실행할 수 있다. NLG(610)(예: 도 3의 자연어 생성 모듈(322d))은 지정된 정보(예: 실행 결과)를 텍스트 형태로 변경할 수 있다. TTS(611)(예: 도 3의 텍스트 음성 변환 모듈(322e))은 텍스트 형태의 정보를 음성 신호로 변경할 수 있다.
오디오 출력 모듈(612)은 TTS(611)로부터 수신된 음성 신호를 출력할 수 있다. 예를 들어, 오디오 출력 모듈(612)은 도 1의 음향 출력 모듈(155)에 구성된 스피커로 음성 신호를 출력할 수 있다. 오디오 출력 모듈(612)은 도 1의 연결 단자(178)에 구성된 오디오 커넥터를 통해 유선으로 연결된 외부 장치(예: 헤드셋, 스피커)로 음성 신호를 출력할 수도 있다. 오디오 출력 모듈(612)은 무선 통신 회로(예: 도 1의 무선 통신 모듈(192))를 통해 전자 장치(600)에 무선으로(예: Bluetooth 통신) 연결된 외부 장치로 음성 신호를 출력할 수도 있다.
모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 메모리(588)(예: 도 1의 메모리(130))에 인스트럭션들(instructions)로 저장되고, 프로세서(599)(예: 도 1의 프로세서(120))에 의해 실행될 수 있다. 모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 인공 지능 모델의 처리에 특화된 프로세서(예: 보조 프로세서(123))에 의해 실행될 수도 있다. 모듈들(601, 602, 603, 604, 605, 606, 607, 608, 609, 610, 611, 612) 중에서 적어도 하나는 전자 장치(600)에서 생략될 수 있다. 예를 들어, 오디오 변환 모듈(603), 특징 추출 모듈(604), 음성 구간 인식 모듈(605), 훈련 데이터 생성 모듈(606), ASR(607), NLU(608), 실행 모듈(609), NLG(610), 및 TTS(611) 중에서 적어도 하나는 외부 장치(예: 도 1의 서버(108))에 구현될 수 있다.
도 9는, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다.
앞서 설명된 도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 9를 참조하면, 오디오 변환 모듈(603)은 호출 발화를 포함하는 제1오디오 신호(901)를 매 프레임마다 지정된 포맷으로 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제1오디오 신호(901)에서 음성&소음 특징 벡터(911)와 소음 특성 정보(912)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제1오디오 신호(901) 이후의 제2오디오 신호(902)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 웨이크 업 모듈(602)을 통해 호출 발화의 종점을 인식하고 그 이후 수신된 제2오디오 신호(902)를 받을 수신처를 특징 추출 모듈(604)에서 음성 구간 인식 모듈(605)로 변경할 수 있다. 음성 구간 인식 모듈(605)은 음성&소음 특징 벡터(911)와 소음 특성 정보(912)에 기반하여, 포맷 변환된 제2오디오 신호(902)에서 음성 구간을 인식하고 음성 구간을 나타내는 정보 VAD(920)를 출력할 수 있다.
도 10은, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다.
앞서 설명된 도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 10을 참조하면, 오디오 변환 모듈(603)은 호출 키 입력(1010)을 웨이크 업 모듈(602)을 통해 인식할 수 있고 이에 따라 호출 키 입력(1010)이 인식된 시점으로부터 지정된 시간 내 제1오디오 신호(1001)를 매 프레임마다 지정된 포맷으로 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제1오디오 신호(1001)에서 소음 특징 벡터(1021)와 소음 특성 정보(1022)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제1오디오 신호(1001) 이후의 제2오디오 신호(1002)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 상기 지정된 시간의 만료를 인식하고 그 이후 수신된 제2오디오 신호(1002)를 음성 구간 인식 모듈(605)로 전달할 수 있다. 음성 구간 인식 모듈(605)은 소음 특징 벡터(1021)와 소음 특성 정보(1022)에 기반하여, 포맷 변환된 제2오디오 신호(1002)에서 음성 구간(들)을 인식하고 음성 구간을 나타내는 정보 VAD(1030)를 출력할 수 있다.
도 11은, 일 실시예에 따른, 오디오 변환 모듈(603), 특징 추출 모듈(604), 및 음성 구간 인식 모듈(605)의 동작들을 설명하기 위한 도면이다.
도 6의 구성과 중복되는 구성에 대한 설명은 생략 또는 간략히 기재된다. 도 11을 참조하면, 오디오 변환 모듈(603)은 화자의 발화(예: 호출 발화 이후 제1본 발화(예: “알람 설정해 줘”))를 포함하는 제2오디오 신호(1102)(예: 도 9의 제2오디오 신호(902) 또는 도 10의 제2오디오 신호(1002))를 매 프레임마다 지정된 포맷을 변환하여 특징 추출 모듈(604)로 출력할 수 있다. 특징 추출 모듈(604)은 포맷 변환된 제2오디오 신호(1102)에서 음성&소음 특징 벡터(1111)와 소음 특성 정보(1112)를 추출하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 오디오 변환 모듈(603)은 제2오디오 신호(1102) 이후의 제3오디오 신호(1103)를 동일한 포맷으로 변환하여 음성 구간 인식 모듈(605)로 전달할 수 있다. 예를 들어, 오디오 변환 모듈(603)은 오디오 출력 모듈(612)을 통해 사용자 발화에 대한 응답으로 AI 에이전트 음성(1120)(예: “언제로 설정할까요?”)이 출력된 것을 인식하고 그 이후 수신된 제3오디오 신호(1103)을 음성 구간 인식 모듈(605)로 전달할 수 있다. 음성 구간 인식 모듈(605)은 음성&소음 특징 벡터(1111)와 소음 특성 정보(1112)에 기반하여, 포맷 변환된 제3오디오 신호(1103)에서 음성 구간(들)(예: “내일”에 해당하는 음성 구간, “오전”에 해당하는 음성 구간, “7시”에 해당하는 음성 구간)을 인식하고 음성 구간을 나타내는 정보 VAD(1130)를 출력할 수 있다.
도 12는, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.
동작 1210에서 프로세서(699)는 AI 에이전트를 호출하는 사용자 입력을 입력 장치를 통해 인식할 수 있다. 예를 들어, 프로세서(699)는 마이크로부터 수신된 제1오디오 신호에서 지정된 호출 발화(예: 하이 빅스비)를 인식할 수 있다. 다른 예로, 프로세서(699)는 물리적인 버튼 또는 디스플레이에 표시된 소프트 버튼으로부터 수신된 키 입력을 AI 에이전트를 호출하는 키 입력으로 인식할 수 있다.
동작 1220에서 프로세서(699)는 AI 에이전트 호출에 반응하여 마이크로부터 수신된 제1오디오 신호에서 특징 정보를 추출할 수 있다. 일 실시예에서, 프로세서(699)는 제1오디오 신호를 지정된 포맷을 갖도록 변환할 수 있다. 예를 들어, 프로세서(699)는 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 CNN 모델에 입력 값으로 멜 스케일의 오디오 프레임을 넣어주고, CNN 모델에서 출력된 결과 값에서 오디오 프레임(입력 값)의 특징을 나타내는 특징 벡터(예: 음성&소음 특징 벡터, 소음 특징 벡터)를 확인할 수 있다. 프로세서(699)는 RNN 모델에 입력 값으로 제1오디오 신호의 전체 구간에 해당하는 멜 스케일의 오디오 프레임들을 넣어 주고, RNN 모델에서 출력된 결과 값에서 제1오디오 신호의 전체 구간(입력 값)에서 화자 주변 소음의 시간적인 변화를 나타내는 소음 상태 정보를 확인할 수 있다.
동작 1230에서 프로세서(699)는 제1오디오 신호의 특징 정보를 이용하여 제2오디오 신호에서 음성 구간을 인식할 수 있다. 일 실시예에서, 프로세서(699)는 제2오디오 신호를 상기 포맷 변환된 제1오디오 신호와 동일한 포맷을 갖도록 변환할 수 있다. 예를 들어, 프로세서(699)는 제2오디오 신호를 매 프레임마다 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 제2오디오 신호의 오디오 프레임 “F2_m”을 CNN 모델에 입력 값으로 넣어주고, CNN 모델에서 출력된 결과 값에서 F2_m의 특징을 나타내는 특징 벡터 “FV2_m”을 확인할 수 있다. 프로세서(699)는 FV2_m이 제1오디오 신호의 특징 벡터들과 어느 정도 유사한지를 나타내는 “AV_m”을 계산할 수 있다. 프로세서(699)는 F2_m, FV2_m, 및 AV_m을 하나의 데이터 “C_m”으로 결합할 수 있다. 프로세서(699)는 RNN 모델에 제1오디오 신호의 소음 상태 정보를 입력 값으로 넣어주어 RNN 모델을 출력 값을 내보내도록 동작 가능한 초기 상태로 설정할 수 있다. 프로세서(699)는 RNN 모델에 C_m을 입력 값으로 넣어주고, RNN 모델에서 출력된 결과 값에서 F2_m에 음성이 존재하는지 여부를 나타내는 예측 값 “PV_m”을 확인할 수 있다. 프로세서(699)는 PV_m에 기반하여 F2_m을 음성 프레임 또는 소음 프레임으로 결정할 수 있다. F2_m이 음성 프레임인 경우 프로세서(699)는 F2_m이 음성 구간의 시점인지, 종점인지, 또는 음성 구간 내 음성 프레임인지 여부를 RNN 모델에서 출력된 결과 값들에 기반하여 판단할 수 있다. 예를 들어, F2_m-1이 소음 프레임으로 판정되고 F2_m이 음성 프레임으로 판정된 경우, 프로세서(699)은 F2_m을 음성 구간의 시작점으로 인식할 수 있다. F2_m이 음성 프레임으로 판정되고 F2_m+1이 소음 프레임으로 판정된 경우 프로세서(699)은 F2_m을 음성 구간의 종점으로 인식할 수 있다. F2_m-1, F2_m, 및 F2_m+1이 모두 음성 프레임으로 판정된 경우 프로세서(699)은 F2_m을 음성 구간 내 음성 프레임으로 판정할 수 있다. 프로세서(699)는 제2오디오 신호의 모든 프레임들(F2_1, F2_2, …, F2_M)에 대해 음성 프레임인지 여부를 판정함으로써 제2오디오 신호에서 음성 구간(들)을 인식할 수 있다.
도 13은, 일 실시예에 따른, 음성 구간을 인식하기 위한 동작들을 설명하기 위한 흐름도이다.
동작 1310에서 프로세서(699)는 AI 에이전트를 호출하는 사용자 입력을 입력 장치를 통해 인식할 수 있다. 예를 들어, 프로세서(699)는 마이크로부터 수신된 제1오디오 신호에서 지정된 호출 발화(예: 하이 빅스비)를 인식할 수 있다. 다른 예로, 프로세서(699)는 물리적인 버튼 또는 디스플레이에 표시된 소프트 버튼으로부터 수신된 키 입력을 AI 에이전트를 호출하는 키 입력으로 인식할 수 있다.
동작 1320에서 프로세서(699)는 AI 에이전트 호출에 반응하여 마이크로부터 수신된 제1오디오 신호에서 특징 정보를 추출할 수 있다. 예컨대, 프로세서(699)는 상기 동작 1220에서와 동일한 방식으로 특징 정보를 추출할 수 있다.
동작 1330에서 프로세서(699)는 제1오디오 신호의 특징 정보를 이용하여 제2오디오 신호에서 음성 구간을 인식하고, 제2오디오 신호에서 특징 정보를 추출할 수 있다. 예컨대, 프로세서(699)는 상기 동작 1230에서와 동일한 방식으로 제2오디오 신호에서 음성 구간(들)(예: “알람”에 해당하는 음성 구간, “설정”에 해당하는 음성 구간, “해줘”에 해당하는 음성 구간)을 인식할 수 있다. 프로세서(699)는 동작 1320과 동일한 방식으로 제2오디오 신호에서 특징 정보를 추출할 수 있다.
동작 1340에서 프로세서(699)는 제2오디오 신호의 특징 정보를 이용하여 제3오디오 신호에서 음성 구간(들)(예: “내일”에 해당하는 음성 구간, “오전”에 해당하는 음성 구간, “7시”에 해당하는 음성 구간)을 인식할 수 있다. 예컨대, 프로세서(699)는 프로세서(699)는 제3오디오 신호를 매 프레임마다 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 주파수 도메인의 오디오 프레임을 필터(예: mel filter bank)를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환할 수 있다. 프로세서(699)는 제3오디오 신호의 오디오 프레임 “F3_i”을 CNN 모델에 입력 값으로 넣어주고, CNN 모델에서 출력된 결과 값에서 F3_i의 특징을 나타내는 특징 벡터 “FV3_i”를 확인할 수 있다. 여기서, F3_i는 제3오디오 신호의 i번째 프레임이라는 의미이고, “FV3_i”는 F3_i에서 추출된 특징 벡터를 의미한다. 프로세서(699)는 FV3_i이 제2오디오 신호의 특징 벡터들과 어느 정도 유사한지를 나타내는 “AV_i”를 계산할 수 있다. 프로세서(699)는 F3_i, FV3_i, 및 AV_i를 하나의 데이터 “C_i” 로 결합할 수 있다. 프로세서(699)는 RNN 모델에 제2오디오 신호의 소음 상태 정보를 입력 값으로 넣어주어 RNN 모델을 출력 값을 내보내도록 동작 가능한 초기 상태로 설정할 수 있다. 프로세서(699)는 RNN 모델에 C_i를 입력 값으로 넣어주고, RNN 모델에서 출력된 결과 값에서 F3_i에 음성이 존재하는지 여부를 나타내는 예측 값 “PV_i”를 확인할 수 있다. 프로세서(699)는 PV_i에 기반하여 F3_i를 음성 프레임 또는 소음 프레임으로 결정할 수 있다. F3_i가 음성 프레임인 경우 프로세서(699)는 F3_i가 음성 구간의 시점인지, 종점인지, 또는 음성 구간 내 음성 프레임인지 여부를 RNN 모델에서 출력된 결과 값들에 기반하여 판단할 수 있다. 예를 들어, F3_i-1이 소음 프레임으로 판정되고 F3_i가 음성 프레임으로 판정된 경우, 프로세서(699)은 F3_i를 음성 구간의 시작점으로 인식할 수 있다. F3_i가 음성 프레임으로 판정되고 F3_i+1이 소음 프레임으로 판정된 경우 프로세서(699)은 F3_i를 음성 구간의 종점으로 인식할 수 있다. F3_i-1, F3_i, 및 F3_i+1가 모두 음성 프레임으로 판정된 경우 프로세서(699)는 F3_i를 음성 구간 내 음성 프레임으로 판정할 수 있다. 프로세서(699)는 제3오디오 신호의 모든 프레임들(F3_1, F3_2, …, F3_I)에 대해 음성 프레임인지 여부를 판정함으로써 제3오디오 신호에서 음성 구간(들)을 인식할 수 있다.
다양한 실시예에서, 전자 장치(예: 도 6의 전자 장치(600))는, 마이크; 오디오 커넥터; 무선 통신 회로; 상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및 상기 프로세서에 작동적으로 연결됨 메모리를 포함하고, 상기 메모리는, 실행될 때, 상기 프로세서가: 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고, 상기 제1오디오 신호에서 오디오 특징 정보를 추출하고, 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하고, 상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하고, 상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하고, 상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하고, 상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하고, 상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하고, 상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하고, 상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하고, 상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하고, 상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하도록 할 수 있다.
상기 인스트럭션들은 상기 프로세서가: 상기 제2오디오 신호에서 오디오 특징 정보를 추출하고, 상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하도록 할 수 있다.
다양한 실시예에서, 전자 장치(예: 도 6의 전자 장치(600))를 동작하는 방법은, 마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작; 상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 추출하는 동작은, 인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 획득하는 동작은, 상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하여, 상기 오디오 특징 정보를 획득하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 획득하는 동작은, 상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하는 동작; 및 상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하는 동작을 포함할 수 있다. 상기 음성 구간을 인식하는 동작은, 상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함할 수 있다.
상기 음성 구간을 인식하는 동작은, 제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하는 동작; 상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하는 동작; 상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하는 동작; 및 상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 획득하는 동작은, 상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하는 동작; 및 상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 획득하는 동작은, 상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하는 동작; 및 상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 추출하는 동작은, 소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하는 동작을 포함할 수 있다.
상기 오디오 특징 정보를 추출하는 동작은, 상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하는 동작; 상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하는 동작; 및 상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하는 동작을 포함할 수 있다.
상기 방법은, 상기 제2오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및 상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하는 동작을 더 포함할 수 있다.
본 명세서와 도면에 개시된 본 발명의 실시예들은 본 발명의 실시예에 따른 기술 내용을 쉽게 설명하고 본 발명의 실시예의 이해를 돕기 위해 특정 예를 제시한 것일 뿐이며, 본 발명의 실시예의 범위를 한정하고자 하는 것은 아니다. 따라서 본 발명의 다양한 실시예의 범위는 여기에 개시된 실시예들 이외에도 본 발명의 다양한 실시예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태가 본 발명의 다양한 실시예의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    마이크;
    오디오 커넥터;
    무선 통신 회로;
    상기 마이크, 상기 오디오 커넥터 및 상기 무선 통신 회로에 작동적으로 연결된 프로세서; 및
    상기 프로세서에 작동적으로 연결됨 메모리를 포함하고,
    상기 메모리는, 실행될 때, 상기 프로세서가:
    상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 제1오디오 신호를 수신하고,
    상기 제1오디오 신호에서 오디오 특징 정보를 추출하고,
    상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하도록 하는 인스트럭션들을 저장하는 전자 장치.
  2. 제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하도록 하는 전자 장치.
  3. 제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 인공 지능 모델로서 제1 CNN(convolutional neural network) 모델 및 제 1 RNN(recurrent neural network) 모델을 이용하도록 하는 전자 장치.
  4. 제3항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 제 1 CNN 모델에 상기 제1오디오 신호를 지정된 프레임 단위로 입력하고, 상기 제 1 CNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 프레임들에 각각 대응하는 특징 벡터들을 획득하고,
    상기 제 1 RNN 모델에 상기 제1오디오 신호를 상기 프레임 단위로 입력하고, 상기 제 1 RNN 모델에서 출력된 결과 값에서 상기 제1오디오 신호의 전체 구간에서 소음의 시간적인 변화를 나타내는 소음 상태 정보를 획득하고,
    상기 특징 벡터들과 상기 소음 상태 정보를 이용하여, 상기 제2오디오 신호에서 음성 구간을 인식하도록 하는 전자 장치.
  5. 제4항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    제 2 CNN 모델에 상기 제2오디오 신호의 n번째 프레임을 넣어서 상기 n번째 프레임에 대한 n번째 특징 벡터를 획득하고,
    상기 n번째 특징 벡터가 상기 제1오디오 신호의 특징 벡터들과 얼마나 유사한지를 나타내는 n번째 어텐션(attention value) 값을 계산하고,
    상기 소음 상태 정보, 상기 n번째 프레임, 상기 n번째 특징 벡터, 및 상기 n번째 어텐션 값을 제 2 RNN 모델에 넣어서 상기 n번째 프레임에 음성이 존재하는지 여부를 나타내는 n번째 예측 값을 획득하고,
    상기 제 2 RNN 모델로부터 획득된, 상기 제2오디오 신호의 프레임들에 각각 대응하는 예측 값들로부터 상기 제2오디오 신호의 음성 구간을 인식하도록 하는 전자 장치.
  6. 제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 제1오디오 신호에서 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 발화를 인식하고,
    상기 호출 발화가 인식됨에 따라 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 하는 전자 장치.
  7. 제2항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 전자 장치에 구비된 입력 장치로부터 AI(artificial intelligent) 에이전트를 호출하는 것으로 지정된 키 입력을 인식하고,
    상기 호출 키 입력이 인식된 이후 수신된 상기 제1오디오 신호를 상기 인공 지능 모델에 입력하도록 하는 전자 장치.
  8. 제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하도록 하는 전자 장치.
  9. 제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하고,
    상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하고,
    상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하도록 하는 전자 장치.
  10. 제1항에 있어서, 상기 인스트럭션들은 상기 프로세서가:
    상기 제2오디오 신호에서 오디오 특징 정보를 추출하고,
    상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하도록 하는 전자 장치.
  11. 전자 장치를 동작하는 방법에 있어서,
    마이크, 오디오 커넥터, 또는 무선 통신 회로를 통해 제1오디오 신호를 수신하는 동작;
    상기 제1오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및
    상기 오디오 특징 정보를 이용하여, 상기 제1오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제2오디오 신호에서 음성 구간을 인식하는 동작을 포함하는 방법.
  12. 제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
    인공 지능 알고리즘을 이용하여 학습된 인공 지능 모델에 상기 제1오디오 신호를 입력 값으로 넣어주고 상기 인공 지능 모델에서 출력된 결과 값에서 상기 오디오 특징 정보를 획득하는 동작을 포함하는 방법.
  13. 제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
    소음 데이터와 음성 인식하도록 지정된 화자의 발화 데이터의 합성에 의해 생성된 훈련 데이터로 학습된 인공 지능 모델을 이용하여, 상기 오디오 특징 정보를 추출하는 동작을 포함하는 방법.
  14. 제11항에 있어서, 상기 오디오 특징 정보를 추출하는 동작은,
    상기 제1오디오 신호를 지정된 프레임 단위로 시간 도메인의 오디오 프레임에서 주파수 도메인의 오디오 프레임으로 변환하는 동작;
    상기 주파수 도메인의 오디오 프레임을 필터를 이용하여 멜 스케일(mel scale)의 오디오 프레임으로 변환하는 동작; 및
    상기 멜 스케일로 변환된 상기 제1오디오 신호의 오디오 프레임들에서 상기 오디오 특징 정보를 추출하는 동작을 포함하는 방법.
  15. 제11항에 있어서,
    상기 제2오디오 신호에서 오디오 특징 정보를 추출하는 동작; 및
    상기 제2오디오 신호의 오디오 특징 정보를 이용하여, 상기 제2오디오 신호 이후에 상기 마이크, 상기 오디오 커넥터, 또는 상기 무선 통신 회로를 통해 수신된 제3오디오 신호에서 음성 구간을 인식하는 동작을 더 포함하는 방법.
PCT/KR2021/019047 2021-02-10 2021-12-15 음성 구간 인식의 향상을 지원하는 전자 장치 WO2022173104A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/570,557 US20220254369A1 (en) 2021-02-10 2022-01-07 Electronic device supporting improved voice activity detection

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210019490A KR20220115453A (ko) 2021-02-10 2021-02-10 음성 구간 인식의 향상을 지원하는 전자 장치
KR10-2021-0019490 2021-02-10

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/570,557 Continuation US20220254369A1 (en) 2021-02-10 2022-01-07 Electronic device supporting improved voice activity detection

Publications (1)

Publication Number Publication Date
WO2022173104A1 true WO2022173104A1 (ko) 2022-08-18

Family

ID=82837739

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/019047 WO2022173104A1 (ko) 2021-02-10 2021-12-15 음성 구간 인식의 향상을 지원하는 전자 장치

Country Status (2)

Country Link
KR (1) KR20220115453A (ko)
WO (1) WO2022173104A1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100115033A (ko) * 2009-04-17 2010-10-27 고려대학교 산학협력단 모음 특징을 이용한 음성구간 검출 시스템 및 방법과 이에 사용되는 음향 스펙트럼 유사도 측정 방법
KR20100115093A (ko) * 2009-04-17 2010-10-27 삼성전자주식회사 음성 검출 장치 및 방법
KR20160112793A (ko) * 2015-03-20 2016-09-28 한국전자통신연구원 잡음 환경에서의 음성 인식을 위한 특징 보상 장치 및 방법
KR20170030923A (ko) * 2015-09-10 2017-03-20 삼성전자주식회사 음향 모델 생성 장치 및 방법, 음성 인식 장치 및 방법
KR20200073718A (ko) * 2018-12-14 2020-06-24 삼성전자주식회사 전자 장치 및 이의 제어 방법
US20200234717A1 (en) * 2018-05-28 2020-07-23 Ping An Technology (Shenzhen) Co., Ltd. Speaker separation model training method, two-speaker separation method and computing device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100115033A (ko) * 2009-04-17 2010-10-27 고려대학교 산학협력단 모음 특징을 이용한 음성구간 검출 시스템 및 방법과 이에 사용되는 음향 스펙트럼 유사도 측정 방법
KR20100115093A (ko) * 2009-04-17 2010-10-27 삼성전자주식회사 음성 검출 장치 및 방법
KR20160112793A (ko) * 2015-03-20 2016-09-28 한국전자통신연구원 잡음 환경에서의 음성 인식을 위한 특징 보상 장치 및 방법
KR20170030923A (ko) * 2015-09-10 2017-03-20 삼성전자주식회사 음향 모델 생성 장치 및 방법, 음성 인식 장치 및 방법
US20200234717A1 (en) * 2018-05-28 2020-07-23 Ping An Technology (Shenzhen) Co., Ltd. Speaker separation model training method, two-speaker separation method and computing device
KR20200073718A (ko) * 2018-12-14 2020-06-24 삼성전자주식회사 전자 장치 및 이의 제어 방법

Also Published As

Publication number Publication date
KR20220115453A (ko) 2022-08-17

Similar Documents

Publication Publication Date Title
WO2020040595A1 (ko) 사용자 발화를 처리하는 전자 장치, 및 그 전자 장치의 제어 방법
WO2020080635A1 (ko) 동작 상태에 기반하여 선택한 마이크를 이용하여 음성 인식을 수행하는 전자 장치 및 그의 동작 방법
WO2022177103A1 (ko) 사용자와 대화하는 인공 지능 에이전트 서비스를 지원하는 전자 장치
WO2022065879A1 (ko) 음성 인식 서비스를 위한 등록 사용자에 대한 화자 인증 학습 장치 및 그 동작 방법
WO2022191395A1 (ko) 사용자 명령을 처리하는 장치 및 그 동작 방법
WO2022131566A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022173104A1 (ko) 음성 구간 인식의 향상을 지원하는 전자 장치
WO2021096281A1 (en) Voice input processing method and electronic device supporting same
WO2021075820A1 (en) Method of generating wakeup model and electronic device therefor
WO2024071921A1 (ko) 인공지능과 음성 인식을 기반으로 동작하는 전자 장치 및 이의 제어 방법
WO2022196994A1 (ko) 개인화 텍스트 투 스피치 모듈을 포함하는 전자 장치 및 이의 제어 방법
WO2024071946A1 (ko) 음성 특성 기반 번역 방법 및 이를 위한 전자 장치
WO2023008714A1 (ko) 전자 장치 및 무선 오디오 장치의 연결 전환을 제공하는 방법
WO2024072036A1 (ko) 음성인식 장치 및 음성인식 장치의 동작방법
WO2024029875A1 (ko) 전자 장치, 지능형 서버, 및 화자 적응형 음성 인식 방법
WO2022025448A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023075160A1 (ko) 발화 수신에 기반한 목적 장치의 식별 방법 및 이를 위한 전자 장치
WO2022114520A1 (ko) 사용자 발화를 처리하는 전자 장치 및 그 작동 방법
WO2023136449A1 (ko) 전자 장치 및 음성 인식 서비스를 활성화하는 방법
WO2023058944A1 (ko) 전자 장치 및 응답 제공 방법
WO2022177186A1 (ko) 스피커 및 마이크를 포함하는 전자 장치 및 그 동작 방법
WO2022231126A1 (ko) 전자 장치 및 전자 장치의 프로소디 제어를 위한 tts 모델 생성 방법
WO2024080745A1 (ko) 발화 캐시에 기반하여 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
WO2024039191A1 (ko) 전자 장치 및 사용자 발화 처리 방법
WO2024029850A1 (ko) 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21925924

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: 21925924

Country of ref document: EP

Kind code of ref document: A1