WO2022216059A1 - 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법 - Google Patents

개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법 Download PDF

Info

Publication number
WO2022216059A1
WO2022216059A1 PCT/KR2022/004982 KR2022004982W WO2022216059A1 WO 2022216059 A1 WO2022216059 A1 WO 2022216059A1 KR 2022004982 W KR2022004982 W KR 2022004982W WO 2022216059 A1 WO2022216059 A1 WO 2022216059A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
speaker
audio
target object
electronic device
Prior art date
Application number
PCT/KR2022/004982
Other languages
English (en)
French (fr)
Inventor
최광용
김미선
서미라
김상헌
정혜순
임연욱
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Publication of WO2022216059A1 publication Critical patent/WO2022216059A1/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
    • G10L17/00—Speaker identification or verification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use

Definitions

  • Various embodiments of the present document relate to an electronic device and method for providing personalized audio information.
  • the user's personal information may be included among the information according to the execution of various services or functions of the electronic device.
  • content is directly produced and shared in various ways according to various services or functions. For example, a video before a wedding ceremony, content to be uploaded from a sharing service, a video of a birthday party, a photo, a ppt slide video, etc. are produced and shared. Generally, music is used as a background for produced content, but narration is used for special content.
  • a customized voice is applied through various channels, or audio provided by a content manufacturer, such as a simple audio effect sound or the voice of a celebrity. Since voice is applied only with information, it was difficult to provide personalized voice suitable for content.
  • an electronic device and method for providing personalized audio information on content to which a personalized voice is applied may be provided.
  • an electronic device includes an audio module, a memory, and at least one processor electrically connected to the audio module and the memory, wherein the at least one processor receives user interaction information, Identifies characteristic information of a target object based on the received user interaction information, identifies at least one speaker by analyzing the identified characteristic information, and personalization corresponding to the characteristic information based on the identified at least one speaker It may be configured to generate audio information, create personalized content by mapping the personalized audio information to the target object, and store and execute the personalized content.
  • the method of operation in the electronic device includes receiving user interaction information, identifying characteristic information of a target object based on the received user interaction information, and analyzing the identified characteristic information to obtain at least one identifying a speaker of , generating personalized audio information corresponding to the feature information based on the identified at least one speaker, mapping the personalized audio information to the target object to generate personalized content; and It may include the operation of storing and executing personalized content.
  • the one or more programs when executed by a processor of an electronic device, include: receiving, by the electronic device, user interaction information; Identifying characteristic information of a target object based on the received user interaction information, analyzing the identified characteristic information to identify at least one speaker, and corresponding to the characteristic information based on the identified at least one speaker and instructions executable to execute an operation of generating the personalized audio information, an operation of generating the personalized content by mapping the personalized audio information to the target object, and an operation of storing and executing the personalized content.
  • personalized audio information may be mapped to input content to generate and provide content to which a personalized voice is applied, and thereby, audio according to the content It can provide information and can provide the voices of various speakers, so the user experience can be improved, and the received content information can be easily checked during other tasks.
  • various effects 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 diagram illustrating a configuration of an electronic device for wireless communication according to an embodiment.
  • FIG. 3 is a diagram illustrating a configuration of an electronic device for wireless communication according to an embodiment.
  • FIG. 4 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 5 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 6 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 7A is a diagram illustrating an example of a database for an operating method in an electronic device according to an embodiment.
  • FIG. 7B is a diagram illustrating an example of a speaker voice audio signal characteristic spectrum file for an operating method in an electronic device according to an embodiment.
  • 8A is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 8B is a diagram illustrating an example of a database for an operating method in an electronic device according to an embodiment.
  • FIG. 9 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 10 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 11 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 12A, 12B, 12C, 12D, and 12E are diagrams illustrating an example of speaker selection in an operating method in an electronic device according to an exemplary embodiment.
  • FIG. 13 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 14A is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 14B is a diagram illustrating an example of a database for an operating method in an electronic device according to an embodiment.
  • 15 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 16 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • 17 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • FIG. 18 is a diagram illustrating an example of a database for an operating method in an electronic device according to an embodiment.
  • 19 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the term user used in various embodiments may refer to a person who uses an electronic device or a device (eg, an artificial intelligence electronic device) using the electronic device.
  • a device eg, an artificial intelligence electronic device
  • 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 the 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 (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).
  • the 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 (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.
  • the main processor 121 e.g, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a
  • 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 ) connected directly or wirelessly with the electronic device 101 .
  • the electronic device 102) eg, a speaker or headphones
  • the electronic device 102 may output a sound.
  • 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 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 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 is a peak data rate (eg, 20 Gbps or more) for realizing 1eMBB, a loss range (coverage) for realizing mMTC (eg, 164 dB or less), or URLLC U-plane latency (eg, downlink (DL) and uplink (UL) respectively 0.5ms or less, or round trip 1ms or less) for realization may be supported.
  • a peak data rate eg, 20 Gbps or more
  • a loss range (coverage) for realizing mMTC eg, 164 dB or less
  • URLLC U-plane latency eg, downlink (DL) and uplink (UL) respectively 0.5ms or less, or round trip 1ms or less
  • 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, bottom side) 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 a part of operations executed in the electronic device 101 may be executed in 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 diagram illustrating a configuration of an electronic device according to various embodiments of the present disclosure
  • FIG. 3 is a diagram illustrating a configuration of an electronic device according to various embodiments of the present disclosure.
  • an electronic device 101 may implement a software module 201 (eg, the program 140 of FIG. 1 ) for providing personalized audio information.
  • the memory 130 of the electronic device 101 may store instructions (eg, instructions) to implement the software module 201 illustrated in FIG. 2 .
  • the at least one processor 120 may execute instructions stored in the memory 130 to implement the software module 201 shown in FIG. 2 , and hardware (eg, FIG. 1 ) associated with the function of the software module 201 . of the sensor module 176, the power management module 188, or the communication module 190).
  • the software module 201 of the electronic device 101 includes an application 210 (eg, the application 146 of FIG. 1 ), a framework (eg: The middleware 144 of FIG. 1 ) 220 , the HAL 230 or the kernel 240 may be included. At least a portion of the software module 201 may be preloaded on the electronic device 101 or may be downloadable from a server (eg, the server 108 ).
  • an application 210 eg, the application 146 of FIG. 1
  • a framework eg: The middleware 144 of FIG. 1
  • the kernel 240 may be included.
  • At least a portion of the software module 201 may be preloaded on the electronic device 101 or may be downloadable from a server (eg, the server 108 ).
  • the application 210 may be set to include an application (eg, a module, a manager, or a program) related to location search.
  • the application 210 may include various applications (app1 , app2 , and app3 ) related to the provision of personalized audio information by the electronic device 101 .
  • the application 210 may include an application related to reproduction of an image, video, or audio, an application related to content creation, and/or an application related to content sharing.
  • the application 210 may include an application received from an external electronic device (eg, the server 108 or the electronic devices 102 and 104 ). According to an embodiment, the application 210 may include a preloaded application or a third party application downloadable from a server.
  • Components of the software module 201 according to the illustrated embodiment and names of components may vary depending on the type of the operating system. According to an embodiment, at least a portion of the software module 201 may be implemented in software, firmware, hardware, or a combination of at least two or more thereof. At least a part of the software module 201 may be implemented (eg, executed) by, for example, a processor (eg, an AP). At least a portion of the software module 201 may include, for example, a module, a program, a routine, a set of instructions, or a process for performing at least one function.
  • the framework 220 provides a function commonly required by the applications 210 or enables the application 210 to efficiently use the limited system resources inside the electronic device 101 .
  • Various functions may be provided to the application 210 through an application programming interface (API) (not shown).
  • the framework 220 may include a personalized audio manager (PAM) 221 for providing personalized audio information, and a window manager interworking with the personalized audio management module 221 . ) 222 , a viewer system module 223 , a sensor manager 224 , an activity manager 225 and/or a system user interface module 227 ) may be included.
  • the framework 220 is not limited thereto and may be configured to further include other modules.
  • the framework 220 may include modules that form combinations of various functions of the above-described components.
  • the framework 220 may provide a specialized module for each type of operating system in order to provide differentiated functions.
  • the framework 220 may dynamically delete some existing components or add new components.
  • the HAL 230 may be configured to include an event hub 231 and a surface finger 233 .
  • the HAL 230 may be included in the kernel 240 and configured.
  • the kernel 240 is a hardware module (HW) 250 (eg, a sensor controller) 251 and a sensor driver (sensor driver) 241 that interworks with a display panel (display panel) (253). ) and a DDI driver (controller) 243 , and may include a system resource manager or a device driver, but is not limited thereto, and may be configured to further include other modules.
  • the system resource manager may control, allocate, or reclaim system resources.
  • the device driver may include, for example, a display driver, a camera driver, a Bluetooth driver, a shared memory driver, a USB driver, a keypad driver, a WIFI driver, an audio driver, or an inter-process communication (IPC) driver.
  • IPC inter-process communication
  • the processor 120 of the electronic device is a software-configured framework 220 . It is possible to execute the instructions stored in the memory 130 to implement the personalized audio management module 221 included in the .
  • the personalized audio management module 221 may include at least the processor 120 implemented in software. It may be some component.
  • the processor 120 may receive user interaction information in response to execution of a related application capable of acquiring user interaction information.
  • the processor 120 may identify the reception of the interaction information as a trigger action (or event) for initiating a function for mapping personalized audio.
  • the event may be an interface execution operation of executing instructions stored in the memory 130 to execute the personalized audio management module 221 when receiving at least one of audio, video, image, or text included in the interaction information. have.
  • the processor 120 may execute the personalized audio management module 221 in response to an event, and the personalized audio management module 221 may identify characteristic information of a target object.
  • the processor 120 generates personalized audio information (eg, TTS audio) based on the characteristic information identified by the personalized audio management module 221 and maps (or mixes) the personalized audio information generated to the target object. You can create content to run.
  • the processor 120 may store and execute the generated content in the memory 130 .
  • the target object may mean data such as a photo, GIF, audio, or video, and may be a part of data included in the received interaction information.
  • the specific information may mean at least one data type (eg, mime type) of audio, video, image, and text.
  • audio information is an audio format supported by the electronic device (eg wav, mp4, ogg, gsm, dct, flac, au, aiff, vox, raw, aac, atrac, ra, ram). , dss, msv, dvf, etc.).
  • a communication module eg, the communication module 180 in FIG. 1
  • an audio conversion device Covert
  • the personalized audio management module 221 includes a target object decision module (TODM) 310 and a target object analysis module (TOAM) 320 , a personalized content mapping module (PCMM) 330 and a personalized content save module (PCSM) 340 .
  • the personalized audio management module 221 may include a database (DB) module 350 .
  • the database module 350 may be included in the electronic device 101 or configured outside the electronic device 101 separately from the personalized audio management module 221 .
  • the target object determination module 310 is a module for determining the characteristic information of the target object for each data type (eg, mime type) of the characteristic information and determining the analysis operation of the characteristic information, the audio determination module ( a target object decision audio module (TODAM) (not shown), a target object decision video module (TODVM) (not shown), a target object decision image module (TODIM) (not shown), and It may include a target object decision text module (TODTM) (not shown).
  • the target object analysis module 320 is a module for performing an analysis operation of the characteristic information determined by the target object determination module 310, and an audio analysis module (TOAAM: target object analysis audio module) 321 .
  • the personalized audio management module 221 of the electronic device 101 may be configured by adding, replacing, changing, or excluding at least some components depending on the platform included in the electronic device 101 .
  • the audio analysis module 321 may perform an operation of analyzing the audio information by the audio analysis operation determined by the target object determination module 310 .
  • the audio analysis module 321 acquires audio information as a target object by executing a related application (eg, an interview, a phone call, or a music application), separates a human voice from the acquired audio information, and analyzes the separated voice. Recognizes a speaker, converts speech to text (STT) for each section to generate a speaker identifier (ID), and uses the generated speaker identifier in a designated database (eg, speaker voice audio information DB) of the database module 350 .
  • a related application eg, an interview, a phone call, or a music application
  • STT speech to text
  • ID speaker identifier
  • a designated database eg, speaker voice audio information DB
  • the speaker identifier is at least one of a personalized voice (eg, a girlfriend's voice, a family voice, a child's voice, one's own voice, a celebrity voice, or a voice extracted from audio) to be used when mapping personalized audio information to a target object. ) may be an identifier indicating the mapped speaker. According to another embodiment, at least some operations of the audio analysis module 321 may be performed by the audio determination module TODAM of the target object determination module 310 .
  • a personalized voice eg, a girlfriend's voice, a family voice, a child's voice, one's own voice, a celebrity voice, or a voice extracted from audio
  • the audio analysis module 321 may be performed by the audio determination module TODAM of the target object determination module 310 .
  • the video analysis module 322 may perform an operation of analyzing the video information by the video analysis operation determined by the target object determination module 310 .
  • the video analysis module 322 obtains video information as a target object by executing a related application (eg, a video production or playback application), separates audio information and image information from the obtained video information, and separates the audio information from the audio information.
  • a speaker is recognized by analyzing a voice, a speaker identifier (ID) is generated by converting speech to text (STT) for each section, and the generated speaker identifier is used in a designated database (eg, speaker) of the database module 350 . voice audio information DB).
  • the video analysis module 322 may analyze the scene and generate the analyzed scene as text.
  • at least some operations of the video analysis module 322 may be performed by the video determination module (TODVM) of the target object determination module 310 .
  • TODVM video determination module
  • the image analysis module 323 may perform an operation of analyzing image information by an image analysis operation determined by the target object determination module 310 .
  • the image analysis module 323 may acquire image information as a target object by executing a related application (eg, a camera, SNS, email, or Internet application), and may generate descriptive text by analyzing the acquired image information.
  • a related application eg, a camera, SNS, email, or Internet application
  • at least some operations of the image analysis module 323 may be performed by the image determination module TODIM of the target object determination module 310 .
  • the text analysis module 324 may perform an operation of analyzing text information by the text analysis operation determined by the target object analysis module 310 .
  • the text analysis module 324 may acquire text information as a target object by executing a related application (eg, SNS, email, or memo application), and correct typos and profanity in the acquired text information.
  • a related application eg, SNS, email, or memo application
  • the text analysis module 324 may transmit the text information to the personalized content mapping module 330 to map the personalized voice to the text information included in the received text message.
  • at least some operations of the text analysis module 324 may be performed in the text determination module (TODTM) of the target object determination module 310 .
  • TODTM text determination module
  • the personalized content mapping module 330 corresponds to the identified feature information and at least one speaker (or speaker identifier) stored in a designated database (eg, speaker voice audio information DB) of the database module 350 can be mapped.
  • the personalized content mapping module 330 may select at least one speaker (or speaker identifier) to be mapped through at least one of an explicit speaker selection, a quoted phrase speaker selection, or a speaker selection method by tone from a specified database. For example, if the sender of the target object is explicit, the personalized content mapping module 330 may use an explicit speaker selection method. If the sender of the target object is not explicit, the personalized content mapping module 330 may use one of a quoted phrase speaker selection method or a speaker selection method by tone as an implicit speaker selection method.
  • the personalized content mapping module 330 searches for a contact identifier corresponding to the sender in the contact database DB of the database module 350 using an explicit speaker selection method, and A target object identifier corresponding to the retrieved contact identifier is retrieved from the target object database DB, and the identified speaker identifier is obtained by identifying the speaker identifier mapped with the contact identifier in the speaker voice audio information database DB of the database module 350 You can choose.
  • the personalized content mapping module 330 may generate mapping information in which the searched speaker identifier and the target object identifier are mapped, and store the generated mapping information in the speaker mapping table database DB of the database module 350 .
  • the personalized content mapping module 330 uses a quoted phrase speaker selection method to correspond to a name included in data (eg, message) included in the received interaction information. retrieve the descriptive text from the descriptive text database DB of the database module 350, identify the target object identifier mapped to the retrieved descriptive text, and map the target object identifier mapped to the identified target object identifier from the target object database DB The identified speaker identifier may be selected by identifying the contact identifier and identifying the speaker identifier mapped to the contact identifier identified in the speaker voice audio information database DB. The personalized content mapping module 330 may generate mapping information in which the searched speaker identifier and the target object identifier are mapped, and store the generated mapping information in the speaker mapping table database DB.
  • the personalized content mapping module 330 uses a speaker selection method for each tone when the sender is not explicit or does not exist in the contact DB, data (eg, message) included in the received interaction information. Since there is no matching information, a tone analysis is performed to obtain an analysis result (eg, serious, serious, and official), the obtained analysis result is searched in the tone information DB of the database module 350, and the tone mapped to the searched tone identifier can be identified.
  • the personalized content mapping module 330 may select the identified speaker identifier by identifying the speaker identifier mapped to the tone identifier identified in the speaker voice information DB.
  • the personalized content mapping module 330 may generate mapping information in which the searched speaker identifier and the target object identifier are mapped, and store the generated mapping information in the speaker mapping table DB.
  • the personalized content mapping module 330 may use a sentimental analysis model for tone analysis.
  • the emotion analysis model can calculate a weight by generating a dictionary (corpus) from each word included in a text file, vectorizing the words (word2vec), and passing them through multiple layers of neurons.
  • the personalized content mapping module 330 may acquire a tone by learning a received text message or a text file of an audio, image, or video through an emotion analysis model.
  • the personalized content mapping module 330 converts the descriptive text of the video object, the descriptive text of the image object, or the text of the text object into speech based on the audio characteristic value mapped to the selected speaker identifier (TTS).
  • TTS selected speaker identifier
  • Personalized audio information that is TTS audio may be generated.
  • the personalized content mapping module 330 may reprocess TTS audio tracks by mapping a plurality of TTS audios to a key video frame.
  • the plurality of TTS audio files may be reprocessed into a TTS audio file whose duration is adjusted, and may be applied to an operation of mixing a target object and personalized audio information that is TTS audio.
  • the personalized content mapping module 330 may generate content to which the personalized audio information is applied as a product to be provided by mixing the target object and personalized audio information that is the generated TTS audio. For example, when the target object is a text object, the personalized content mapping module 330 may use the generated TTS audio as dynamic content. For example, when the target object is an image target object, the personalized content mapping module 330 arranges the image according to the TTS audio, and then arranges the image in each frame of the video in the video module (not shown) of the video encoder.
  • the personalized content mapping module 330 may arrange the images based on the audio description for each region of the original image. For example, when the target object is a video object, the personalized content mapping module 330 may mix an audio part of the video object and TTS audio and encode and synthesize by an encoder to generate dynamic content in the form of a video.
  • the encoder is a known technology, a detailed description of the encoding operation will be omitted.
  • the personalized content storage module 340 mixes the target object and the personalized audio information (TTS audio) by the personalized content mapping module 330 to store content (eg, dynamic content) generated by the memory 130 .
  • content eg, dynamic content
  • the personalized content storage module 340 may determine a stored type corresponding to a data type (eg, mime type) of specific information of the target object.
  • the personalized content storage module 340 may execute the generated content (eg, dynamic content) through the audio module 170 and/or the display module 160 .
  • the content may be played by mapping a personalized voice to the generated video content.
  • the personalized content storage module 340 may execute content according to an event of a user interaction in response to an interface displayed on the display module 160 .
  • the interface may mean a content execution application.
  • the event may mean an operation of executing content.
  • the personalized content storage module 340 may generate and store content of an audio file in the case of an audio object, and may generate and store content of a video file in the case of a moving image or image object.
  • the personalized content storage module 340 may store and share the data in the buffer without storing it in a file.
  • the main components of the electronic device have been described with reference to the electronic device 101 of FIGS. 1 and 3 .
  • the electronic device 101 may be implemented by more components than the illustrated components, or fewer components.
  • the electronic device 101 may be implemented by Also, positions of major components of the electronic device 101 described above with reference to FIGS. 1 and 3 may be changeable according to various embodiments.
  • the electronic device (eg, the electronic device 101 of FIGS. 1 and 3 ) includes an audio module (eg, the audio module 170 of FIG. 1 ) and a memory (eg, the memory 130 of FIG. 1 ). ) and at least one processor (eg, the processor 120 of FIG. 1 ) electrically connected to the audio module and the memory, wherein the at least one processor receives user interaction information and receives the received user interaction Identifies characteristic information of the target object based on the information, identifies at least one speaker by analyzing the identified characteristic information, and generates personalized audio information corresponding to the characteristic information based on the identified at least one speaker, and , create personalized content by mapping the personalized audio information to the target object, and store and execute the personalized content.
  • an audio module eg, the audio module 170 of FIG. 1
  • a memory eg, the memory 130 of FIG. 1
  • at least one processor eg, the processor 120 of FIG. 1
  • the at least one processor receives user interaction information and receives the received user interaction
  • the target object represents at least one of audio, video, image, and text data included in the user interaction information
  • the feature information includes at least one data type of audio, video, image, or text. can do.
  • the at least one processor analyzes the audio information of the target object to classify at least one user voice from the audio information, and Set to identify at least one speaker based on the tone of one user's voice, and generate the personalized audio information corresponding to the at least one speaker based on an audio signal characteristic value mapped to the identified at least one speaker can be
  • the at least one processor is configured to identify the at least one speaker using a speaker voice audio information database stored in the memory, and to identify an audio signal characteristic value mapped to the at least one speaker can be
  • the at least one processor analyzes the audio information of the target object to divide the audio information into sections, and the divided sub-audio for each section Converts information into text, generates descriptive text corresponding to the converted text for each section, and compares the descriptive texts generated for each section with mapping information stored in the target object database stored in the memory to select at least one speaker and to generate personalized audio information corresponding to the at least one speaker based on the audio signal characteristic value mapped to the identified at least one speaker.
  • the at least one processor analyzes video information of the target object and extracts at least one image for at least one main scene from the video information and generating descriptive text corresponding to the scene of the at least one image based on a result of analyzing the scene of the at least one image, and using the generated descriptive text with mapping information stored in the target object database stored in the memory;
  • the comparison may be configured to identify at least one speaker, and generate personalized audio information corresponding to the at least one speaker based on an audio signal characteristic value mapped to the identified at least one speaker.
  • the at least one processor analyzes the image information of the target object to analyze at least one main scene from the image information, and collects the analysis result. generating descriptive text corresponding to the at least one main scene based on the at least one main scene, comparing the generated descriptive text with mapping information stored in a target object database stored in the memory to identify at least one speaker, and the identified at least one It may be configured to generate personalized audio information corresponding to the at least one speaker based on the audio signal characteristic value mapped to the speaker of .
  • the at least one processor analyzes image information of the target object to identify a typo or profanity in the text information, and the identified typo or profanity Generates corrected text information by replacing It may be configured to generate personalized audio information corresponding to the at least one speaker based on the audio signal characteristic value mapped to the speaker.
  • the at least one processor when the user information is identified based on the analysis result of the target object, is mapped to the user information using a contact database and a speaker voice audio information database stored in the memory. It may be configured to identify the at least one speaker.
  • the at least one processor converts text information included in the target information or at least some data of the target information. and identify the at least one speaker mapped to the descriptive text using a descriptive text database, a target object database and a speaker voice audio information database stored in the memory.
  • FIG. 4 is a diagram illustrating an example of an operation method in an electronic device according to an embodiment.
  • an electronic device eg, the electronic device 101 of FIGS. 1 and 3
  • includes a personalized audio management module eg, FIG. 3 ) of a software module implemented by the processor 120 .
  • An operation method for providing the personalized audio information by the personalized audio management module 221 of may be performed.
  • the electronic device may receive user interaction information in response to execution of a related application capable of acquiring user interaction information.
  • the electronic device may identify the reception of the interaction information as a trigger action (or event) for starting a function for mapping personalized audio. For example, when the event receives at least one of audio, video, image, or text included in the interaction information, executing instructions stored in the memory (eg, the memory 130 of FIG. 1 ) to execute the personalized audio management module It may be an interface execution operation.
  • the electronic device may identify/determine characteristic information of the target object, which is data included in the received interaction information, by the personalized audio management module executed in response to the event.
  • the target object may mean data such as a photo, GIF, audio, or video, and may be a part of data included in the received interaction information.
  • the specific information may mean at least one data type (eg, mime type) of audio, video, image, and text.
  • the electronic device may analyze the target object based on the characteristic information identified by the personalized audio management module.
  • the electronic device may analyze the target object for each data type of the feature information, and identify a speaker related to the target object based on the analysis result.
  • the electronic device uses at least one of a related database (eg, a speaker voice audio information DB, a contact DB, a target object DB, and a description text DB) included in the database module (eg, the database module 350 of FIG. 3 ). 1) may be used to select a speaker identifier corresponding to the analysis result, and a speaker for the target object may be identified by the selected speaker identifier.
  • a related database eg, a speaker voice audio information DB, a contact DB, a target object DB, and a description text DB
  • the electronic device generates personalized audio information (eg, TTS audio) in response to the identified characteristic information based on the analysis result by the personalized audio management module, and maps the generated personalized audio information to the target object (or mix) to create content to run.
  • personalized audio information eg, TTS audio
  • the electronic device may store and execute the personalized audio information generated by the personalized audio management module in a memory.
  • the electronic device may store content (eg, dynamic content) generated by mixing a target object and personalized audio information (TTS audio) in a memory (eg, the memory 130 of FIG. 1 ) by the personalized audio management module.
  • content eg, dynamic content
  • TTS audio personalized audio information
  • audio information or file
  • audio format supported by the electronic device (eg, wav, mp4, ogg, gsm, dct, flac, au, aiff, vox, raw, aac, atrac, ra, ram, dss, msv, dvf, etc.).
  • Audio information is TTS audio obtained by converting text into speech through an audio conversion device (not shown), and may be applied to an audio portion of a target object in the form of speech or narration.
  • audio information or file
  • a format stored in a memory corresponding to a user interface can mean
  • FIG. 5 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment
  • FIG. 6 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment
  • It is a diagram illustrating an example of a database for an operation method in an electronic device
  • FIG. 7B is a diagram illustrating an example of a speaker voice audio signal characteristic spectrum file for an operation method in an electronic device according to an embodiment
  • 8A is a diagram illustrating an example of an operation method in an electronic device according to an embodiment
  • FIG. 8B is a diagram illustrating an example of a database for an operation method in an electronic device according to an embodiment.
  • the electronic device receives a related application (eg, an interview, a phone call, or a music application) by executing it.
  • a related application eg, an interview, a phone call, or a music application
  • Audio information eg, file, signal, data, or content
  • the electronic device identifies an audio type (eg, human voice, music, natural sound, and/or machine sound) included in the acquired audio information, and an audio corresponding to at least one user's voice in the acquired audio information Data can be classified.
  • an audio type eg, human voice, music, natural sound, and/or machine sound
  • the electronic device may select only a speech using a sound recognition model (eg, a sound recognition deep learning model) 610 .
  • the sound recognition model 610 may include an audio signal feature extract model, a synthetic neural network (CNN) model, and a softmax model.
  • CNN synthetic neural network
  • the electronic device may recognize at least one speaker by analyzing only the voice classified from the separated audio data. For example, as shown in FIG. 6 , the electronic device may identify a speaker identifier (ID) using a speaker recognition model (eg, speaker recognition deep learning model) 620 .
  • a speaker recognition model eg, speaker recognition deep learning model
  • the electronic device classifies speech through a synthetic neural network (CNN) model trained with sound train data composed of sounds other than speech (human voice), including sounds from natural environments, and Only the sound classified as , the most similar speaker's voice is selected through a synthetic neural network (CNN) model trained with voice data of several people, and the speaker ID is distinguished through a softmax model.
  • CNN synthetic neural network
  • mel spectrum obtained through a mel frequency cepstral coefficient (MFCC) algorithm may be used.
  • prosody information including the speaker's base frequency, loudness, and base pitch may be stored.
  • the electronic device may store or update information on the identified speaker in a specified database DB (eg, speaker voice audio information DB).
  • a specified database DB eg, speaker voice audio information DB
  • the electronic device may obtain a parameter obtained through extraction of voice features for each speaker in a speaker voice audio information database (DB) 710 as shown in FIG. 7A and speaker voice audio as shown in FIG. 7B .
  • Signal characteristic spectrum files 721 and 723 may be used and stored.
  • the speaker voice audio information database 710 as shown in FIG. 7A maps information related to voice characteristics personalized for each speaker and may be stored in the form of a table, and a speaker identifier (ID), audio signal characteristic value, and audio for each speaker.
  • ID speaker identifier
  • a signal characteristic value graph path (Path), a contact identifier (ID), and a tone identifier (ID) may be mapped.
  • the speaker's voice audio information database 710 may be linked with the speaker's voice audio signal characteristic spectrum files 721 and 723 as shown in FIG. 7B .
  • the speaker voice audio information DB 710 is downloaded from the market, such as the personal table 711, the voice information of another user who is the user's acquaintance extracted from the user's voice recording audio, and the market table 713. It is possible to store voice information of one other speaker.
  • the contact ID may be used to select a speaker by designating a contact in the electronic device, and the tone ID may be used to implicitly select the speaker.
  • the electronic device may perform speech to text (STT) for each section.
  • STT speech to text
  • the electronic device divides the audio information for each section and sub-audio for each section.
  • a voice included in information (or sub audio files) 803 may be converted into text (STT: speech to text) 805 .
  • the electronic device may generate an STT summary and descriptive text. For example, the electronic device summarizes the converted text file 807 for each section through a text summary deep learning model 809 using sound train data. You can create summary text (eg descriptive text).
  • the text summary model 809 may include a word presentation frequency model, a synthetic neural network (CNN) model, and a softmax model.
  • the electronic device may store the generated summary text in the description text DB 811 by mapping the generated summary text with a description text identifier ID and a target object identifier ID.
  • the description text DB 811 may be linked with the target object DB as shown in FIG. 8B through the target object identifier (ID).
  • the target object DB may include a table in which a target object identifier (ID), a target object data type (mime type), a target object file system path, a contact identifier (ID), and a description text (text) ID are mapped.
  • ID target object identifier
  • a speaker identifier (ID) is a personalized voice (eg, at least one of a girlfriend's voice, a family voice, a child's voice, your own voice, a celebrity's voice, or a voice extracted from audio) to be used when mapping personalized audio information to a target object. It may be an identifier indicating a mapped speaker.
  • FIG. 9 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the electronic device determines that the video analysis module ( TOAVM) (eg, the video analysis module 322 of FIG. 3 ) may analyze video information (or file) of the target object.
  • TOAVM video analysis module
  • the electronic device uses video information (e.g. files, signals, data or content).
  • video information e.g. files, signals, data or content.
  • the electronic device may analyze a scene from the obtained video information.
  • the electronic device uses a video summary model (eg, a video summary deep learning model) to convert video information (or files) to a long and short-term memory model (LSTM) (not shown) by a video analysis module (TOAVM).
  • a video summary model may first decompress a video file to generate a set of video frames, and input the video frames in order to the LSTM to output 1 if it is a main scene, and 0 otherwise. .
  • LTM Long and short-term memory model
  • the electronic device may identify main scenes (or key frames) based on the scene analysis result.
  • the electronic device maps the key frames to the decompress result based on the binary output result (eg, 1) of the key frames to generate a key video frame image. can be extracted.
  • the electronic device may generate descriptive text corresponding to key frames extracted by analyzing the video information.
  • the electronic device may map and store the video information of the target object and the generated description text.
  • the electronic device may store a table in which video information of the target object and the generated description text are mapped in the target object DB as shown in FIG. 8B .
  • FIG. 10 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the image analysis module eg, the image analysis module 323 of FIG. 3
  • TOAIM the image analysis module 323 of FIG. 3
  • the electronic device uses an image as a target object included in interaction information received by execution of a related application (eg, an application related to photographing, album execution, image editing, or image transmission/reception).
  • a related application eg, an application related to photographing, album execution, image editing, or image transmission/reception.
  • Information eg, files, signals, data, or content
  • the electronic device may analyze scenes of the acquired image information by the image analysis module TOAVM (eg, the image analysis module 323 of FIG. 3 ).
  • the electronic device may use an image caption deep learning model including a convolutional neural network and a long-term memory neural network (LSTM) for scene analysis.
  • LSTM long-term memory neural network
  • a convolutional neural network divides an image into small windows, obtains the sum of pixel values for each window, obtains window characteristic values, and sets a constant value to a set of window characteristic values. Filter characteristic values may be obtained by applying a size filter.
  • the convolutional neural network rearranges filter feature values in one dimension to generate a fully connected layer value, and through supervised learning, the value of the fully connected layer of several sample images and the corresponding image It is possible to store the parameter values obtained by training using the label as the training data (image train data).
  • the electronic device may generate descriptive text for each scene of image information by the image analysis module TOAVM (eg, the image analysis module 323 of FIG. 3 ).
  • the electronic device infers what type of image the user's image is by using an image caption model (eg, an image caption deep learning model), and acquires labels (or words) through image inference can do.
  • the electronic device may arrange words using a long-term memory neural network (LSTM) for correct sentences, receive each generated word as an input, and rearrange the words in an order close to a natural language.
  • LSTM long-term memory neural network
  • Long and short-term memory neural network (LSTM) is a model with parameters for natural language sequence through supervised learning. Thus, the set of words received as input can be inferred into the correct sentence structure.
  • the image caption model can generate descriptive text for image information through image caption deep learning modeling.
  • the electronic device may map and store image information of the target object and the generated description text.
  • the electronic device may store a table in which image information of the target object and the generated description text are mapped in the target object DB as shown in FIG. 8B .
  • a text analysis module (TOATM) ( Example: The text information of the target object may be analyzed by the text analysis module 324 of FIG. 3 ), and typos or profanity may be corrected in the analysis result.
  • the electronic device may map the corrected text information with the personalized audio information by a personalized content mapping module (eg, the personalized content mapping module (PCMM) 330 of FIG. 3 ).
  • a personalized content mapping module eg, the personalized content mapping module (PCMM) 330 of FIG. 3 ).
  • FIG. 11 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the electronic device eg, the electronic device 101 of FIGS. 1 and 2
  • the electronic device performs at least one speaker (or speaker identifier) as in operation 407 of FIG. 4 .
  • personalized audio information that is audio obtained by converting text into speech (TTS) into voice corresponding to at least one speaker may be generated based on the audio signal characteristic value mapped to the selected at least one speaker.
  • the electronic device may identify and reprocess the TTS audio track mapping information.
  • the electronic device may re-process TTS audio tracks by mapping a plurality of TTS audios to a key video frame.
  • the plurality of TTS audio files may be reprocessed into a TTS audio file whose duration is adjusted, and may be applied to an operation of mixing a target object and personalized audio information that is TTS audio.
  • the electronic device may generate content to be provided by mixing personalized audio information that is the generated TTS audio and a target object (or original content).
  • 12A to 12E are diagrams illustrating an example of speaker selection in an operating method in an electronic device according to an exemplary embodiment.
  • At least one speaker may be selected (eg, operation 407 of FIG. 4 ).
  • the electronic device maps through at least one of an explicit speaker selection method, a quoted phrase speaker selection method, or a speaker selection method by tone using DBs designated by a personalized content mapping module (PCMM) (eg, the personalized content mapping module 330). It is possible to select at least one speaker (or speaker identifier) to be used. For example, if the sender of the target object is explicit, the electronic device may use the explicit speaker selection method. If the sender of the target object is not explicit, the electronic device may use one of a quoted phrase speaker selection method or a speaker selection method for each tone as an implicit speaker selection method.
  • PCMM personalized content mapping module
  • the electronic device searches for a contact identifier (eg, C1 ) corresponding to a sender in the contact DB 1220 using an explicit speaker selection method, and in the target object DB 1210 , A target object identifier (eg, O1) corresponding to the retrieved contact identifier (eg, C1) may be identified.
  • the electronic device may identify the contact identifier (eg, C1) and the mapped speaker identifier (eg, S1) in the speaker voice audio information DB 1230 .
  • the electronic device may select the identified speaker identifier (eg, S1 ) as a speaker for mapping with the target object.
  • the electronic device generates mapping information (or table) 1241 in which the searched speaker identifier (eg, S1) and the target object identifier (eg, O1) are mapped, and stores the generated mapping information 1241 in the speaker mapping table DB 1240 ) can be stored in
  • the generated mapping information 1241 may include a mapping table identifier (ID) (eg, M1), a target object identifier (ID) (eg, O1), a start offset (eg 0), and an end offset (eg, end ) and a speaker identifier (ID) (eg, S1).
  • the target object DB 1210 may include a target object ID, a data type of the target object (eg, mime type), a target object file system path, a contact ID, and a description text ID as mapping information of the target object.
  • the contact DB 1220 may include contact ID, name, contact information, and email as contact mapping information.
  • the speaker voice audio information DB 1230 is mapping information related to the generation of personalized audio information, and may include a speaker ID, an audio signal characteristic value, an audio signal characteristic value graph path, a contact ID, and a tone ID.
  • the electronic device uses a quoted phrase speaker selection method to provide a target object (eg, a text message or a voice message) of the received interaction information.
  • a description text eg mike asks the due data
  • the retrieved description text eg mike asks the Due data
  • the mapped target object identifier eg, O1
  • mapping information or table
  • the descriptive text DB 1250 may include descriptive text ID, target object ID, and descriptive text as mapping information of descriptive text.
  • the electronic device identifies the contact identifier (eg, C1) mapped to the target object identifier (eg, O1) identified in the target object DB 1210, and the contact identifier (eg, C1) identified in the speaker voice audio information DB 1230
  • a speaker identifier (eg, S1) mapped to C1) may be identified.
  • the sender eg, sally
  • the electronic device may identify a contact ID (eg, C2) mapped to a name (eg, mike) to be searched by the electronic device in the contact DB 1220 .
  • the electronic device may identify and select a caller (eg, sally) and a speaker (eg, mike) of the searched name based on the identified contact IDs (C1 and C2).
  • the electronic device generates mapping information (or tables) 1241 and 1242 in which a target object identifier (eg, O1) is mapped to each of the identified speaker identifiers (eg, S1 and S2), and the generated mapping information (or tables) 1241 and 1242 may be stored in the speaker mapping table DB 1240 .
  • a target object identifier eg, O1
  • the generated mapping information (or tables) 1241 and 1242 may be stored in the speaker mapping table DB 1240 .
  • the electronic device when the sender is not explicit or does not exist in the contact DB, the electronic device according to an embodiment uses a speaker selection method for each tone, and a target object of the received interaction information (eg: Since there is no information matching the text message or voice message), a sentimental analysis deep learning 1260 may be used for tone analysis for tone analysis.
  • the electronic device acquires an analysis result (eg, serious, serious, and official) 1261 through the emotion analysis model 1260 for tone analysis, identifies a speaker based on the obtained analysis result 1261, and identifies the identified Mapping information (or table) corresponding to the speaker may be generated.
  • an analysis result eg, serious, serious, and official
  • the electronic device identifies a target object ID (eg, O1) mapped to a data type (eg, text) of the characteristic information of the target object, and a descriptive text ID mapped to the identified target object ID (eg, O1) (eg D1) can be identified.
  • the electronic device may identify the descriptive text ID (eg, D1) and the descriptive text (eg, [safety character] *Month* hour COVID19 status) mapped to the target object ID (eg O1) in the descriptive text DB 1250. have.
  • the electronic device searches the tone information DB 1270 for the analysis result 1261 obtained through tone analysis, and a tone identifier (eg, serious, serious) mapped to the tone (eg, serious, serious) retrieved from the speaker's voice information DB 1230 .
  • M1 can be identified.
  • the electronic device may identify a speaker identifier (eg, S1) mapped to a tone identifier (eg, M1) identified in the speaker's voice information DB 1230 .
  • the electronic device generates mapping information (or table) 1241 in which the searched speaker identifier (eg, S1) and the target object identifier (eg, O1) are mapped, and stores the generated mapping information 1241 in the speaker mapping table DB 1240 ) can be stored in
  • the emotion analysis model 1260 may calculate a weight by generating a corpus from each word included in the text file, vectorizing the words (word2vec), and passing them through multiple layers of neurons.
  • the electronic device may acquire a tone by learning a received text message or a text file of an audio, image, or video through an emotion analysis model.
  • FIG. 13 is a diagram illustrating an example of an operation method in an electronic device according to an embodiment
  • FIG. 14A is a diagram illustrating an example of an operation method in an electronic device according to an embodiment
  • FIG. 14B is an embodiment It is a diagram illustrating an example of a database for an operating method in an electronic device.
  • audio track mapping information identification and reprocessing operations may be performed.
  • the electronic device based on the mapping information (or table) 1241 corresponding to the identified speaker, an audio signal characteristic value (eg, M1) mapped to the speaker identifier (eg, S1) in the speaker's voice audio information DB 1230 Based on the identified audio signal characteristic value (e.g., M1), the descriptive text of the video object, the descriptive text of the image object, or the TTS audio of the text of the text object is generated by TTS audio. can do.
  • the electronic device may re-process TTS audio tracks by mapping a plurality of TTS audios to a key video frame.
  • the plurality of TTS audio files may be reprocessed into a TTS audio file whose duration is adjusted, and may be applied to an operation of mixing a target object and personalized audio information that is TTS audio.
  • the electronic device may map a plurality of TTS audios to a key video frame.
  • the electronic device maps TTS audio to a plurality of main scenes, as shown in FIG. 13 , conditions (eg, case1, case2) between the TTS audio and the duration of a video frame and case 3), the TTS audio tracks may be reprocessed.
  • the first condition (case 1) may be a condition in which a duration of a scene of a video frame and a duration of a TTS audio match.
  • the second condition (case 2) may be a condition in which the duration of the scene of the video frame and the duration of the TTS audio do not match.
  • the third condition (case 3) may be a condition in which the duration of a scene of a video frame matches the duration of TTS audio, but different TTS audios overlap each other.
  • the electronic device may perform a mixing operation by reprocessing a plurality of TTS audio files into a TTS audio file whose duration is adjusted.
  • the electronic device may initialize a video object and a pointer of a first table (eg, a description text relation table 1431 ) as shown in FIG. 14B to 0 .
  • a first table eg, a description text relation table 1431
  • the electronic device may inquire an item (or mapping information) pointed to by the pointer in the video object and descriptive text relationship table. For example, when the pointer is 1 as shown in FIG. 14B , the electronic device may identify a start time and an end time mapped to a text ID (eg, 1) in the first table 1421 .
  • a text ID eg, 1
  • TTS_audio_duration audio_paly_time(item.textid.path)
  • the electronic device may insert a silence equal to a value obtained by subtracting the audio duration from the depiction duration and fade out processing as it identifies that the depiction duration is greater than the TTS audio duration. have.
  • the electronic device may set a value obtained by subtracting the depiction duration from the TTS audio duration as a threshold value as the electronic device identifies that the TTS audio duration is greater than the depiction duration at the same time as operation 1409 .
  • the electronic device may divide the TTS audio into small sections and calculate audio energy for each section.
  • the electronic device may align the audio energy for each section and remove a section having the smallest calculated value, and then accumulate audio energy values for each section.
  • the electronic device continues to operation 1417 ; otherwise, in operation 1423 , the pointer is a last item among items included in the video object and descriptive text relationship table 1431 .
  • the electronic device increases the pointer by 1 and then performs operation 1403 .
  • the operation may be terminated.
  • 15 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the electronic device eg, the electronic device 101 of FIGS. 1 and 2
  • a content creation operation may be performed differently for each data type of feature information (eg, text, image, or video).
  • the electronic device may generate dynamic content by mixing the generated TTS audio and the target object.
  • the electronic device When the electronic device identifies the target object as the image target object in operation 1505, the electronic device arranges the image according to the TTS audio in operation 1507 to 1513, and then executes each frame of the moving picture in the video module (not shown) of the video encoder.
  • TTS audio By mapping the images arranged in , TTS audio may be mixed with the audio part of the moving picture, and the arranged images and TTS audio may be encoded.
  • the electronic device may generate dynamic content in the form of a moving picture.
  • the electronic device may arrange the images based on the audio description for each region of the original image.
  • the electronic device When the electronic device identifies the target object as a moving picture object in operation 1515, the electronic device mixes the audio part of the moving image object and TTS audio in operations 1517 to 1519, and encodes the mixed content in operation 1521 to create a dynamic video format You can create content.
  • the electronic device when arranging images as in operation 1507 of FIG. 15 , in operation 1601 , the electronic device generates an image object and a description text relation tabel 1711 as illustrated in FIG. 17 . Pointers can be initialized to zero.
  • the electronic device may inquire mapping information included in the item (or table) pointed to by the pointer in the image object and description text relationship table 1711 as shown in FIG. 17 .
  • the electronic device may copy an image to a video frame area for the duration of the TTS audio.
  • the electronic device may determine whether the pointer is smaller than a last item (or item value) among items included in the image object and descriptive text relation table 1711 . As a result of the check, if the pointer is smaller than the last item, in operation 1611 , the electronic device may increase the pointer by 1 and then perform operation 1603 .
  • operation 1609 if it is checked that the pointer is not smaller than the last item, the operation may be terminated.
  • the electronic device may arrange the images based on the audio description for each region of the original image. For example, the electronic device arranges the images corresponding to the first image coordinate area ((start_x1, start_y1) to (end_x1, end_y1) area) based on the original image, and describes the images arranged in the first image coordinate area.
  • a first TTS audio (audio description 1) may be obtained as a result of arranging the first description text (text description 1) and converting the first description text (text description 1) into audio through TTS.
  • the electronic device may generate a moving picture by copying the image of the first image coordinate area according to the first TTS audio (audio description 1).
  • the electronic device arranges images corresponding to the second image coordinate area (area (start_x2, start_y2) to (end_x2, end_y2)) based on the original image, and describes the images arranged in the second image coordinate area.
  • a second TTS audio (audio description 2) may be obtained as a result of arranging the second description text (text description 2) and converting the second description text (text description 2) into audio through TTS.
  • the electronic device may generate a moving picture by copying the image of the second image coordinate area in accordance with the second TTS audio (audio description 2).
  • 19 is a diagram illustrating an example of an operating method in an electronic device according to an embodiment.
  • the electronic device eg, the electronic device 101 of FIGS. 1 and 2
  • the electronic device when the electronic device (eg, the electronic device 101 of FIGS. 1 and 2 ) according to an embodiment generates content in operation 407 of FIG. 4 , in the case of a video target object, It may have an audio part, and may perform an operation of mixing TTS audio and an audio part of a moving picture (video object).
  • the electronic device may initialize the pointer of the video object and description text relation table 1431 to 0 as shown in FIG. 14B .
  • the electronic device may inquire an item (or mapping information) pointed to by the pointer from the video object and description text relationship table 1431 .
  • the electronic device may analyze a voice component of a target item.
  • the electronic device may select a voice to be emphasized from among the voice of the target item and the narration voice.
  • the electronic device may increase the volume of the voice to be emphasized and decrease the volume of the remaining audio.
  • the electronic device may synthesize the TTS audio of the corresponding section with the audio part of the video object after fade in/out before/after the corresponding section.
  • the electronic device may determine whether the pointer is a last item among items included in the video object and descriptive text relationship table 1431 . As a result of the check, if the pointer is smaller than the last item (or item value), in operation 1917 , the electronic device may increase the pointer by 1 and then perform operation 1903 . In operation 1915, if it is checked that the pointer is not smaller than the last item, the operation may be terminated.
  • the electronic device receives a text from an acquaintance while driving, for example, and identifies the received text as a target object (eg, text information or audio information) when the TTS is set to read. and the data type of the target object (text or Audio), the speaker can be identified.
  • the electronic device may generate personalized audio information from a voice of an acquaintance based on information mapped to the identified speaker.
  • the electronic device may output personalized audio information corresponding to the text received through the voice of the acquaintance by applying the personalized audio information generated by the voice of the acquaintance to the received text.
  • the electronic device generates personalized audio information (TTS audio) to which one's own voice is personalized for text information (handwriting) input through the memo application as the memo application is executed,
  • personalized audio information TTS audio
  • text information By mixing personalized audio information (TTS audio) with text information, the text information may be output as personalized audio information of one's own voice.
  • the electronic device analyzes features in an audio file that is an interview recording file to emphasize narration among the interview recording files, identifies a separated speaker for emphasizing narration according to the analysis result, and the voice of the separated speaker to create personalized audio information.
  • the electronic device may record and store a summary or emphasis as a narration in the middle of the recording file using the personalized audio information generated by the separated speaker's voice.
  • the electronic device may generate image content to which a personalized voice is applied by mapping personalized audio information generated in response to the image to the image.
  • the electronic device may provide a narration function for mapping a personalized voice to a 10-second image generated from a single-take image.
  • the electronic device in order to notify the user of the text input by the user by voice, the electronic device selects “user input text” as an alarm sound and inputs the text.
  • the user It is possible to display the inputted text on the screen of the display module, and simultaneously output the text as a generated personalized voice (personalized audio information).
  • the electronic device can directly register a child's or own voice as an alarm sound rather than a hard mechanical sound, and select "Alarm sound > Record” You can record and register the alarm content you want to hear.
  • the electronic device may register the recording of the alarm content as "Mom! It's time for San-e to go to the English language school, get ready soon!"
  • the electronic device may provide an alarm sound sharing and search function, and may set various alarm sounds created by other users as my alarm sounds while sharing interesting alarm sounds that individuals have made.
  • an operation method in an electronic device includes an operation of receiving user interaction information, and characteristic information of a target object based on the received user interaction information. identifying at least one speaker by analyzing the identified characteristic information, generating personalized audio information corresponding to the characteristic information based on the identified at least one speaker, and generating the personalized audio information It may include an operation of generating personalized content by mapping to the target object, and an operation of storing and executing the personalized content.
  • the target object is an object representing at least one of audio, video, image, and text data included in the user interaction information
  • the characteristic information is at least one of audio, video, image, or text. It can contain one data type.
  • the identifying of the at least one speaker may include, when the feature information is identified as an audio type, analyzing audio information of the target object and classifying at least one user voice from the audio information , identifying at least one speaker based on a tone of the classified at least one user voice, wherein the generating of the personalized audio information includes an audio signal characteristic value mapped to the identified at least one speaker Based on , the personalized audio information corresponding to the at least one speaker may be generated.
  • the identifying of the at least one speaker may include, when the feature information is identified as an audio type, analyzing audio information of the target object and dividing the audio information into sections, each section Converting the divided sub-audio information into text, generating descriptive text corresponding to the converted text for each section, and mapping the descriptive texts generated for each section with mapping information stored in the target object database stored in the memory;
  • the comparison may include identifying at least one speaker.
  • the identifying of the at least one speaker when the feature information is identified as a video type, the video information of the target object is analyzed and at least one of at least one main scene in the video information is identified. extracting an image of , generating descriptive text corresponding to the scene of the at least one image based on a result of analyzing the scene of the at least one image, and storing the generated descriptive text in the memory as a target object It may include an operation of identifying at least one speaker by comparing the mapping information stored in the database.
  • the identifying of the at least one speaker may include, when the feature information is identified as an image type, analyzing image information of the target object to analyze at least one main scene from the image information , generating descriptive text corresponding to the at least one main scene based on the analysis result, and comparing the generated descriptive text with mapping information stored in a target object database stored in the memory to identify at least one speaker It can include actions.
  • the identifying of the at least one speaker may include, when the characteristic information is identified as a text type, analyzing image information of the target object to identify a typo or profanity in the text information; An operation of generating corrected text information in which the identified typo or profanity is replaced with another language, and an operation of identifying at least one speaker using mapping information stored in the target object database stored in the memory based on the generated descriptive text may include
  • the identifying of the at least one speaker may include, when user information is identified based on an analysis result of the target object, the user using a contact database and a speaker voice audio information database stored in the memory. and identifying the at least one speaker mapped to information.
  • identifying of the at least one speaker when user information is not identified based on the analysis result of the target object, text information included in the target information or at least some data of the target information identifying the descriptive text converted from ; and identifying the at least one speaker mapped to the descriptive text by using a descriptive text database, a target object database, and a speaker voice audio information database stored in the memory.
  • the one or more programs when executed by a processor of an electronic device, include: receiving, by the electronic device, user interaction information; Identifying characteristic information of a target object based on the received user interaction information, analyzing the identified characteristic information to identify at least one speaker, and corresponding to the characteristic information based on the identified at least one speaker and instructions executable to execute an operation of generating the personalized audio information, an operation of generating the personalized content by mapping the personalized audio information to the target object, and an operation of storing and executing the personalized content.
  • 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”. When referenced, it means 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 as included in a 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 portion of the computer program product may be temporarily stored or temporarily generated in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a memory of 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.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

본 문서는 개인화 오디오 정보를 제공하기 위한 전자 장치, 전자 장치에서의 동작 방법 및 비일시적 저장 매체에 관한 것으로서, 일 실 시예에 따르면, 전자 장치는, 오디오 모듈, 메모리 및 상기 오디오 모듈 및 상기 메모리에 전기적으로 연결된 적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는, 사용자 인터랙션 정보를 수신하고, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하고, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하고, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하고, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하고, 상기 개인화된 콘텐츠를 저장 및 실행하도록 설정될 수 있다. 다른 실시예도 가능하다.

Description

개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법
본 문서의 다양한 실시 예들은 개인화 오디오 정보를 제공하기 위한 제공하기 위한 전자 장치 및 방법에 관한 것이다.
최근에는 전자 장치가 사용자의 편의를 위해 다양한 형태로 발전하고 있으며, 다양한 서비스 또는 기능이 제공되고 있다.
전자 장치의 다양한 서비스 또는 기능 실행에 따른 정보들 중에는 사용자의 개인적인 정보도 포함될 수 있다.
종래에는 다양한 서비스 또는 기능됨에 따라 다양한 방법으로 콘텐츠를 직접 제작하여 공유하고 있다. 예를 들어, 결혼식 식전영상, 공유 서비스에서 업로드할 콘텐츠, 생일잔치 영상, 사진, ppt 슬라이드 영상 등을 제작하여 공유하고 있다. 일반적으로 제작되는 콘텐츠에 음악을 배경으로 사용하게 되는데, 특별한 콘텐츠의 경우 나레이션을 사용하게 된다.
종래의 콘텐츠 제작 및 공유 서비스와 같은 기술에서 제공되는 콘텐츠는 나레이션과 같은 음성을 제공할 때, 다양한 경로를 통해 주문 제작한 음성이 적용되거나 단순한 오디오 효과음 또는 유명 인사의 목소리 등 컨텐츠 제조사가 제공하는 오디오 정보만으로 음성이 적용되므로 콘텐츠에 알맞은 개인화된 음성을 제공하기 어려웠다.
본 문서의 일 실시 예에 따르면, 개인화된 음성을 적용한 콘텐츠에 대한 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법이 제공될 수 있다.
본 문서의 일 실시예에 따르면, 전자 장치는, 오디오 모듈, 메모리 및 상기 오디오 모듈 및 상기 메모리에 전기적으로 연결된 적어도 하나의 프로세서를 포함하며, 상기 적어도 하나의 프로세서는, 사용자 인터랙션 정보를 수신하고, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하고, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하고, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하고, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하고, 상기 개인화된 콘텐츠를 저장 및 실행하도록 설정될 수 있다.
일 실시 예에 따르면, 전자 장치에서의 동작 방법은 사용자 인터랙션 정보를 수신하는 동작, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작 및 상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 하나 이상의 프로그램을 저장한 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서, 상기 하나 이상의 프로그램은, 전자 장치의 프로세서에 의한 실행 시, 상기 전자 장치가, 사용자 인터랙션 정보를 수신하는 동작, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작 및 상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 실행하도록 실행 가능한 명령을 포함할 수 있다.
일 실시 예에 따르면, 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법을 제공함으로써, 입력 콘텐츠에 개인화 오디오 정보를 매핑하여 개인화된 음성이 적용된 콘텐츠를 생성하여 제공할 수 있으며, 이로 인해 콘텐츠에 맞게 오디오 정보를 제공할 수 있고, 다양한 화자의 음성을 제공할 수 있으므로 사용자 경험을 향상시킬 수 있으며, 다른 작업 중에도 수신된 콘텐츠 정보를 쉽게 확인할 수 있다. 이외에도 다양한 효과가 제공될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 일 실시예에 따른 무선 통신을 위한 전자 장치의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 무선 통신을 위한 전자 장치의 구성을 나타내는 도면이다.
도 4는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 5는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 6은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 7a는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
도 7b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 화자 음성 오디오 신호 특성 스펙트럼 파일의 예를 나타내는 도면이다.
도 8a는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 8b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
도 9는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 10은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 11은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 12a, 도 12b, 도 12c, 도 12d 및 12e는 일 실시예에 따른 전자 장치에서의 동작 방법에서 화자 선택의 예를 나타내는 도면이다.
도 13은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 14a는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 14b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
도 15는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 16은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 17은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 18은 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
도 19는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하, 첨부된 도면들을 참조하여 다양한 실시예에 따른 전자 장치에 대해서 살펴본다. 다양한 실시예에서 이용되는 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예를 들어, 인공지능 전자 장치)를 지칭할 수 있다.
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. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 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. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 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. 일실시예에 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. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 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. 인공지능 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. 인공지능 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. 일실시예에 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. 일실시예에 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. 일실시예에 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. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)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. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(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. 일실시예에 따르면, 무선 통신 모듈(192)은 1eMBB 실현을 위한 피크 데이터 율(peak data rate)(예: 20Gbps 이상), mMTC 실현을 위한 손실 범위(coverage)(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane 지연 시간(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. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 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. 일실시예에 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.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 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. 일실시예에 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 실시 예들에 따른 전자 장치의 구성을 나타내는 도면이고, 도 3는 다양한 실시 예들에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1 및 도 2를 참조하면, 일 실시 예에 따른 전자 장치(101)는 개인화된 오디오 정보를 제공하기 위한 소프트웨어 모듈(201)(예: 도 1의 프로그램(140))을 구현할 수 있다. 전자 장치(101)의 메모리(130)는 도 2에 도시된 소프트웨어 모듈(201)을 구현하기 위해 명령어들(예: 인스트럭션들(instructions))을 저장할 수 있다. 적어도 하나의 프로세서(120)는 도 2에 도시된 소프트웨어 모듈(201)을 구현하기 위해 메모리(130)에 저장된 명령어들을 실행시킬 수 있고, 소프트웨어 모듈(201)의 기능과 연관된 하드웨어(예: 도 1의 센서 모듈(176), 전력 관리 모듈(188) 또는 통신 모듈(190))를 제어할 수 있다.
도 2를 참조하면, 일 실시 예에 따른 전자 장치(101)의 소프트웨어 모듈(201)은 어플리케이션(application)(210)(예: 도 1의 어플리케이션(146)), 프레임워크(framework)(예: 도 1의 미들웨어(144))(220), HAL(230) 또는 커널(kernel)(240)을 포함할 수 있다. 소프트웨어 모듈(201)의 적어도 일부는 전자 장치(101) 상에 프리로드(preload)되거나, 서버(예: 서버(108))로부터 다운로드(download) 가능할 수 있다.
일 실시 예에 따르면, 어플리케이션(210)은 위치 탐색에 관련된 어플리케이션(예: 모듈, 매니저 또는 프로그램)을 포함하여 설정될 수 있다. 예를 들어, 어플리케이션(210)은 전자 장치(101)의 개인화된 오디오 정보의 제공에 관련된 다양한 어플리케이션들(app1, app2 및 app3)을 포함할 수 있다. 예를 들어, 어플리케이션(210)은 이미지, 비디오 또는 오디오의 재생에 관련된 어플리케이션, 콘텐츠 제작에 관련된 어플리케이션 및/또는 콘텐츠 공유에 관련된 어플리케이션을 포함할 수 있다.
어플리케이션(210)은 외부 전자 장치(예: 서버(108) 또는 전자 장치(102, 104))로부터 수신된 어플리케이션을 포함할 수 있다. 일 실시 예에 따르면, 어플리케이션(210)은 프리로드 어플리케이션(preloaded application) 또는 서버로부터 다운로드 가능한 제3자 어플리케이션(third party application)을 포함할 수 있다. 도시된 실시 예에 따른 소프트웨어 모듈(201)의 구성요소들 및 구성요소들의 명칭은 운영 체제의 종류에 따라서 달라질 수 있다. 일 실시 예에 따르면, 소프트웨어 모듈(201)의 적어도 일부는 소프트웨어, 펌웨어, 하드웨어, 또는 이들 중 적어도 둘 이상의 조합으로 구현될 수 있다. 소프트웨어 모듈(201)의 적어도 일부는, 예를 들면, 프로세서(예: AP)에 의해 구현(implement)(예: 실행)될 수 있다. 소프트웨어 모듈(201)의 적어도 일부는 적어도 하나의 기능을 수행하기 위한, 예를 들면, 모듈, 프로그램, 루틴, 명령어 세트(sets of instructions) 또는 프로세스 중을 포함할 수 있다.
일 실시 예에 따르면, 프레임워크(framework)(220)는 어플리케이션(210)이 공통적으로 필요로 하는 기능을 제공하거나, 어플리케이션(210)이 전자 장치(101) 내부의 제한된 시스템 자원을 효율적으로 사용할 수 있도록 API(application programming interface)(도시되지 않음)를 통해 다양한 기능들을 어플리케이션(210)으로 제공할 수 있다. 프레임워크(220)는 개인화된 오디오 정보를 제공하기 위한 개인화 오디오 관리 모듈(PAM: personalized audio manager)(221)을 포함할 수 있으며, 개인화 오디오 관리 모듈(221)과 연동하는 윈도우 관리 모듈(window manager)(222), 뷰어 시스템 모듈(view system)(223), 센서 관리 모듈(sensor manager)(224), 활성화 관리 모듈(activity manager)(225) 및/또는 시스템 사용자 인터페이스 모듈(system UI)(227)을 포함할 수 있다. 프레임워크(220)는 이에 한정되지 않고 다른 모듈을 더 포함하여 설정될 수 있다. 프레임워크(220)는 전술한 구성 요소들의 다양한 기능의 조합을 형성하는 모듈을 포함할 수 있다. 프레임워크(220)는 차별화된 기능을 제공하기 위해 운영 체제의 종류별로 특화된 모듈을 제공할 수 있다. 프레임워크(220)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다.
일 실시 예에 따르면, HAL(230)은 이벤트 허브(event hub)(231) 및 서페이스 핑거(surface finger)(233)를 포함하여 설정될 수 있다. HAL(230)은 커널(240)에 포함되어 설정될 수 있다. 커널(240)은 하드웨어 모듈(HW: hardware)(250)(예: 센서 제어기(sensor controller))(251) 및 디스플레이 패널(display panel)(253))과 연동하는 센서 드라이버(sensor driver)(241) 및 DDI 드라이버(controller)(243)를 포함할 수 있으며, 시스템 리소스 매니저 또는 디바이스 드라이버를 포함할 수 있으며, 이에 한정되지 않고 다른 모듈을 더 포함하여 설정될 수 있다. 시스템 리소스 매니저는 시스템 리소스의 제어, 할당, 또는 회수 중을 수행할 수 있다. 디바이스 드라이버는, 예를 들어, 디스플레이 드라이버, 카메라 드라이버, 블루투스 드라이버, 공유 메모리 드라이버, USB 드라이버, 키패드 드라이버, WIFI 드라이버, 오디오 드라이버, 또는 IPC(inter-process communication) 드라이버를 포함할 수 있다.
일 실시예에 따르면, 전자 장치(예, 도 1 및 도 2의 전자 장치(101)(이하, 제1 전자 장치(101)라 칭함)의 프로세서(120)는 소프트웨어적으로 구성된 프레임워크(220)에 포함된 개인화 오디오 관리 모듈(221)을 구현하기 위해 메모리(130)에 저장된 명령어들을 실행시킬 수 있다. 예를 들어, 개인화 오디오 관리 모듈(221)은 소프트웨어적으로 구현된 프로세서(120)의 적어도 일부 구성 요소일 수 있다.
일 실시예에 따르면, 프로세서(120)는 사용자 인터랙션 정보를 획득할 수 있는 관련 어플리케이션 실행에 응답하여, 사용자 인터랙션 정보를 수신할 수 있다. 프로세서(120)는 인터랙션 정보의 수신을 개인화된 오디오를 매핑하기 위한 기능을 시작하기 위한 트리거 동작(또는 이벤트)으로 식별할 수 있다. 예를 들어, 이벤트는 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 중 적어도 하나를 수신하면, 개인화 오디오 관리 모듈(221)을 실행하도록 메모리(130)에 저장된 명령어들을 실행시키는 인터페이스 실행 동작일 수 있다.
일 실시예에 따르면, 프로세서(120)는 이벤트에 대응하여 개인화 오디오 관리 모듈(221)을 실행시킬 수 있으며, 개인화 오디오 관리 모듈(221)에 의해, 타겟 객체(Target Object)의 특징 정보를 식별할 수 있다. 프로세서(120)는 개인화 오디오 관리 모듈(221)에 의해, 식별된 특징 정보에 기반하여 개인화 오디오 정보(예: TTS 오디오)를 생성하고, 타겟 객체에 생성된 개인화 오디오 정보를 매핑(또는 믹싱)하여 실행할 콘텐츠를 생성할 수 있다. 프로세서(120)는 생성된 콘텐츠를 메모리(130)에 저장 및 실행할 수 있다. 타겟 객체는 사진, GIF, 오디오, 비디오 등의 데이터를 의미할 수 있으며, 수신된 인터랙션 정보에 포함된 데이터의 일부일 수 있다. 특정 정보는 오디오, 비디오, 이미지 또는 텍스트 중 적어도 하나의 데이터 타입(예: mime type)을 의미할 수 있다. 예를 들어 오디오 정보(또는 파일(File))는 전자장치에서 지원되는 오디오 포맷(예: wav, mp4, ogg, gsm, dct, flac, au, aiff, vox, raw, aac, atrac, ra, ram, dss, msv, dvf 등)을 의미할 수 있다. 또한, 오디오 정보(또는 파일(File))는 오디오의 변환 장치(Covert)(도시되지 않음)를 통해 통신 모듈(예: 도 1의 통신 모듈(180))을 통해 네트워크에 데이터 형태로 전송될 때 사용자 인터페이스에 대응하여 메모리(예: 도 1의 메모리(130))에 저장되는 포맷을 의미할 수 있다.
도 2 및 도 3을 참조하면, 일 실시예에 따른 개인화 오디오 관리 모듈(221)은 타겟 객체 결정 모듈(TODM: target object decision module)(310), 타겟 객체 분석 모듈(TOAM: target object analysis module)(320), 개인화 콘텐트 매핑 모듈(PCMM: personalized content mapping module)(330) 및 개인화 콘텐트 저장 모듈(PCSM: personalized content save module)(340)을 포함할 수 있다. 개인화 오디오 관리 모듈(221)은 데이터베이스(DB: database) 모듈(350)을 포함할 수 있다. 여기서, 데이터베이스 모듈(350)은 개인화 오디오 관리 모듈(221)과 별도로 전자 장치(101)에 포함 또는 전자 장치(101)의 외부에 구성될 수 있다. 일 실시예에 따르면, 타겟 객체 결정 모듈(310)은 특징 정보의 데이터 타입(예: mime type) 별로 타겟 객체의 특징 정보를 결정 및 특징 정보의 분석 동작을 결정하기 위한 모듈들로서, 오디오 결정 모듈(TODAM: target object decision audio module)(도시되지 않음), 비디오 결정 모듈(TODVM: target object decision video module)(도시되지 않음), 이미지 결정 모듈(TODIM: target object decision image module)(도시되지 않음) 및 텍스트 결정 모듈(TODTM: target object decision text module)(도시되지 않음)을 포함할 수 있다. 일 실시예에 따르면, 타겟 객체 분석 모듈(320)은 타겟 객체 결정 모듈(310)로부터 결정된 특징 정보의 분석 동작을 수행하기 위한 모듈들로서, 오디오 분석 모듈(TOAAM: target object analysis audio module)(321), 비디오 분석 모듈(TOAVM: target object analysis video module)(322), 이미지 분석 모듈(TOAIM: target object analysis image module)(323) 및 텍스트 분석 모듈(TOATM: target object analysis text module)(324)을 포함할 수 있다. 이에 한정되지 않고, 전자 장치(101)의 개인화 오디오 관리 모듈(221)은 전자 장치(101)가 포함하는 플랫폼에 따라 적어도 일부의 구성 요소가 추가, 대체, 변경 또는 제외되어 구성될 수 있다.
일 실시예에 따르면, 오디오 분석 모듈(321)은 타겟 객체 결정 모듈(310)로부터 결정된 오디오의 분석 동작에 의해 오디오 정보를 분석하는 동작을 수행할 수 있다. 오디오 분석 모듈(321)은 관련 어플리케이션(예: 인터뷰, 전화 또는 음악 어플리케이션)의 실행에 의해 타겟 객체로서 오디오 정보를 획득하고, 획득한 오디오 정보에서 사람의 음성을 분리하고, 분리된 음성을 분석하여 화자를 인식하고, 구간 별 음성을 텍스트로 변환(STT: speech to text)하여 화자 식별자(ID)를 생성하고, 생성된 화자 식별자를 데이터베이스 모듈(350)의 지정된 데이터베이스(예: 화자음성 오디오 정보 DB)에 저장할 수 있다. 여기서, 화자 식별자(ID)는 타겟 객체에 개인화 오디오 정보를 매핑 시 이용할 개인화된 음성(예: 여자 친구의 목소리, 가족의 목소리, 아이 목소리, 본인 목소리, 연예인 목소리 또는 오디오에서 추출된 목소리 중 적어도 하나)을 매핑된 화자를 나타내는 식별자일 수 있다. 다른 실시예에 따르면, 오디오 분석 모듈(321)의 적어도 일부 동작은 타겟 객체 결정 모듈(310)의 오디오 결정 모듈(TODAM)에서 수행될 수 있다.
일 실시예에 따르면, 비디오 분석 모듈(322)은 타겟 객체 결정 모듈(310)로부터 결정된 비디오의 분석 동작에 의해 비디오 정보를 분석하는 동작을 수행할 수 있다. 비디오 분석 모듈(322)은 관련 어플리케이션(예: 동영상 제작 또는 재생 어플리케이션)의 실행에 의해 타겟 객체로서 비디오 정보를 획득하고, 획득한 비디오 정보에서 오디오 정보와 이미지 정보를 분리하고, 오디오 정보에서 분리된 음성을 분석하여 화자를 인식하고, 구간 별 음성을 텍스트로 변환(STT: speech to text)하여 화자 식별자(ID)를 생성하고, 생성된 화자 식별자를 데이터베이스 모듈(350)의 지정된 데이터베이스(예: 화자음성 오디오 정보 DB)에 저장할 수 있다. 비디오 분석 모듈(322)은 장면을 분석하여 분석된 장면을 텍스트로 생성할 수 있다. 다른 실시예에 따르면, 비디오 분석 모듈(322)의 적어도 일부 동작은 타겟 객체 결정 모듈(310)의 비디오 결정 모듈(TODVM)에서 수행될 수 있다.
일 실시예에 따르면, 이미지 분석 모듈(323)은 타겟 객체 결정 모듈(310)로부터 결정된 이미지의 분석 동작에 의해 이미지 정보를 분석하는 동작을 수행할 수 있다. 이미지 분석 모듈(323)은 관련 어플리케이션(예: 카메라, SNS, 이메일 또는 인터넷 어플리케이션)의 실행에 의해 타겟 객체로서 이미지 정보를 획득하고, 획득한 이미지 정보를 분석하여 묘사 텍스트를 생성할 수 있다. 다른 실시예에 따르면, 이미지 분석 모듈(323)의 적어도 일부 동작은 타겟 객체 결정 모듈(310)의 이미지 결정 모듈(TODIM)에서 수행될 수 있다.
일 실시예에 따르면, 텍스트 분석 모듈(324)은 타겟 객체 분석 모듈(310)로부터 결정된 텍스트의 분석 동작에 의해 텍스트 정보를 분석하는 동작을 수행할 수 있다. 텍스트 분석 모듈(324)은 관련 어플리케이션(예: SNS, 이메일 또는 메모 어플리케이션)의 실행에 의해 타겟 객체로서 텍스트 정보를 획득하고, 획득한 텍스트 정보에서 오타 및 욕설을 교정할 수 있다. 예를 들어, 사용자가 수신된 문자 메시지를 확인하기 어려운 상황(예: 운전 중 또는 다른 작업 중)으로서 텍스트를 음성으로 변환하는 기능(TTS: text to speech)을 실행할 때, 텍스트 분석 모듈(324)은 수신된 문자 메시지에 포함된 텍스트 정보에 개인화된 음성을 매핑하도록 텍스트 정보를 개인화 콘텐트 매핑 모듈(330)로 전달할 수 있다. 다른 실시예에 따르면, 텍스트 분석 모듈(324)의 적어도 일부 동작은 타겟 객체 결정 모듈(310)의 텍스트 결정 모듈(TODTM)에서 수행될 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 식별된 특징 정보에 대응하여 데이터베이스 모듈(350)의 지정된 데이터베이스(예: 화자 음성 오디오 정보 DB)에 저장된 적어도 하나의 화자(또는 화자 식별자)를 매핑할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 지정된 데이터베이스에서 명시적 화자 선택, 인용구문 화자 선택 또는 어조별 화자 선택 방식 중 적어도 하나를 통해 매핑할 적어도 하나의 화자(또는 화자 식별자)를 선택할 수 있다. 예를 들어, 개인화 콘텐트 매핑 모듈(330)은 타겟 객체의 발신인이 명시적이면, 명시적 화자 선택 방식을 이용할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 타겟 객체의 발신인이 명시적이지 않으면, 암묵적 화자 선택 방식으로 인용구문 화자 선택 또는 어조별 화자 선택 방식 중 하나를 이용할 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 명시적 화자 선택 방식을 이용하여 데이터베이스 모듈(350)의 연락처 데이터베이스(DB)에서 발신인에 대응하는 연락처 식별자를 검색하고, 데이터베이스 모듈(350)의 타겟 객체 데이터베이스(DB)에서 검색된 연락처 식별자에 대응하는 타겟 객체 식별자를 검색하고, 데이터베이스 모듈(350)의 화자 음성 오디오 정보 데이터베이스(DB)에서 연락처 식별자와 매핑된 화자 식별자를 식별하여 식별된 화자 식별자를 선택할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 검색된 화자 식별자 및 타겟 객체 식별자를 매핑한 매핑 정보를 생성하고, 생성된 매핑 정보를 데이터베이스 모듈(350)의 화자 매핑 테이블 데이터베이스(DB)에 저장할 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 발신인이 명시적이지 않으면, 인용 구문 화자 선택 방식을 이용하여, 수신된 인터랙션 정보에 포함된 데이터(예: 메시지)에 포함된 이름에 대응하는 묘사 텍스트(text)를 데이터베이스 모듈(350)의 묘사 텍스트 데이터베이스(DB)에서 검색하고, 검색된 묘사 텍스트에 매핑된 타겟 객체 식별자를 식별하고, 타겟 객체 데이터베이스(DB)에서 식별된 타겟 객체 식별자에 매핑된 연락처 식별자를 식별하고, 화자 음성 오디오 정보 데이터베이스(DB)에서 식별된 연락처 식별자에 매핑된 화자 식별자를 식별하여 식별된 화자 식별자를 선택할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 검색된 화자 식별자 및 타겟 객체 식별자를 매핑한 매핑 정보를 생성하고, 생성된 매핑 정보를 화자 매핑 테이블 데이터베이스(DB)에 저장할 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 발신인이 명시적이지 않거나 연락처 DB에 존재하지 않는 경우, 어조별 화자 선택 방식을 이용하여, 수신된 인터랙션 정보에 포함된 데이터(예: 메시지)에 매칭되는 정보가 없으므로 어조 분석을 하여, 분석 결과(예: 심각, 진지 및 공식)를 획득하고, 획득한 분석 결과를 데이터베이스 모듈(350)의 어조 정보 DB에서 검색하고, 검색된 어조에 매핑된 어조 식별자를 식별할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 화자 음성 정보 DB에서 식별된 어조 식별자에 매핑되는 화자 식별자를 식별하여 식별된 화자 식별자를 선택할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 검색된 화자 식별자 및 타겟 객체 식별자를 매핑한 매핑 정보를 생성하고, 생성된 매핑 정보를 화자 매핑 테이블 DB에 저장할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 어조 분석을 위해 감정 분석 모델(sentimental analysis 모델)을 이용할 수 있다. 감정 분석 모델은 텍스트 파일에 포함된 각 단어들로부터 사전(corpus)을 생성하고 해당 단어들을 벡터화(word2vec)한 후 여러 겹의 뉴런 계층에 통과시켜 가중치를 계산할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 수신된 텍스트 메시지 또는 오디오, 이미지 또는 동영상의 텍스트 파일을 감정 분석 모델을 통해 학습(learning)하여 어조를 획득할 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 선택된 화자 식별자에 매핑된 오디오 특성 값을 기반하여 비디오 객체의 묘사 텍스트, 이미지 객체의 묘사 텍스트 또는 텍스트 객체의 텍스트를 음성으로 변환(TTS)하여 TTS 오디오인 개인화 오디오 정보를 생성할 수 있다. 개인화 콘텐트 매핑 모듈(330)은 타겟 객체가 시간 정보를 포함하는 동영상인 경우, 키 비디오 프레임(key video frame)에 대한 복수개의 TTS 오디오를 매핑하여 TTS 오디오 트랙들을 재가공할 수 있다. 복수의 TTS 오디오 파일들은 지속 시간(duration)이 조절된 TTS 오디오 파일로 재가공 되어, 타겟 객체와 TTS 오디오인 개인화 오디오 정보를 믹싱하는 동작에 적용될 수 있다.
일 실시예에 따르면, 개인화 콘텐트 매핑 모듈(330)은 타겟 객체와 생성된 TTS 오디오인 개인화 오디오 정보를 믹싱하여 제공될 산출물로서 개인화 오디오 정보가 적용된 콘텐츠를 생성할 수 있다. 예를 들어, 개인화 콘텐트 매핑 모듈(330)은 타겟 객체가 텍스트 객체인 경우, 생성된 TTS 오디오가 다이나믹 콘텐츠로 사용될 수 있다. 예를 들어, 개인화 콘텐트 매핑 모듈(330)은 타겟 객체가 이미지 타겟 객체인 경우, 이미지를 TTS 오디오에 맞추어 배열한 후, 비디오 인코더의 비디오 모듈(도시되지 않음)에서 동영상의 각 프레임에 배열된 이미지들을 매핑하고, 비디오 인코더의 오디오 모듈(도시되지 않음)로 TTS 오디오를 전달하여 동영상의 오디오 부분에 TTS 오디오를 믹싱하고, 배열된 이미지들 및 TTS 오디오를 인코더에 의해 인코딩 합성하여 동영상 형태의 다이나믹 컨텐츠를 생성할 수 있다. 여기서, 개인화 콘텐트 매핑 모듈(330)은 이미지 원본의 영역별 오디오 묘사(audio description)를 기반하여 이미지를 배열할 수 있다. 예를 들어, 개인화 콘텐트 매핑 모듈(330)은 타겟 객체가 동영상 객체인 경우, 동영상 객체의 오디오 부분과 TTS 오디오를 믹싱하고 인코더에 의해 인코딩 합성하여 동영상 형태의 다이나믹 컨텐츠를 생성할 수 있다. 여기서, 인코더는 공지 기술로서, 구체적인 인코딩 동작에 대한 설명은 생략하기로 한다.
일 실시예에 따르면, 개인화 콘텐트 저장 모듈(340)은 개인화 콘텐트 매핑 모듈(330)에 의해 타겟 객체와 개인화 오디오 정보(TTS 오디오)를 믹싱하여 생성한 콘텐츠(예: 다이나믹 콘텐츠)를 메모리(130)에 저장할 수 있다. 개인화 콘텐트 저장 모듈(340)은 타겟 객체의 특정 정보의 데이터 타입(예: mime type)에 대응하여 저장되는 타입을 결정할 수 있다. 개인화 콘텐트 저장 모듈(340)은 생성한 콘텐츠(예: 다이나믹 콘텐츠)를 오디오 모듈(170) 및/또는 디스플레이 모듈(160)을 통해 실행할 수 있다. 예를 들어, 콘텐츠는 생성된 비디오 콘텐츠에 개인화된 음성이 매핑되어 재생될 수 있다. 개인화 콘텐트 저장 모듈(340)은 디스플레이 모듈(160)에 표시되는 인터페이스에 대응하여 사용자 인터랙션의 이벤트에 따라 콘텐츠를 실행할 수 있다. 여기서, 인터페이스는 콘텐츠 실행 어플리케이션을 의미할 수 있다. 이벤트는 콘텐츠를 실행하는 동작을 의미할 수 있다. 예를 들어, 개인화 콘텐트 저장 모듈(340)은 오디오 객체인 경우, 오디오 파일의 콘텐츠를 생성 및 저장할 수 있고, 동영상 또는 이미지 객체인 경우, 동영상 파일의 콘텐츠를 생성 및 저장할 수 있다. 다른 예를 들어, 개인화 콘텐트 저장 모듈(340)은 실시간 스트리밍 중에 네트워크로부터 전송되어지는 네트워크 데이터가 메모리 버퍼에 저장되는 형태인 경우, 파일에 저장하지 않고 버퍼에 저장하고 공유할 수 있다.
이와 같이, 일 실시 예에서는 도 1 및 3의 전자 장치(101)를 통해 전자 장치의 주요 구성 요소에 대해 설명하였다. 그러나 다양한 실시 예에서는 도 1 및 3을 통해 도시된 구성 요소가 모두 필수 구성 요소인 것은 아니며, 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(101)가 구현될 수도 있고, 그 보다 적은 구성 요소에 의해 전자 장치(101)가 구현될 수도 있다. 또한, 도 1 및 3을 통해 상술한 전자 장치(101)의 주요 구성 요소의 위치는 다양한 실시 예에 따라 변경 가능할 수 있다.
일 실시예에 따르면, 전자 장치(예, 도 1 및 도 3의 전자 장치(101))는 오디오 모듈(예: 도 1의 오디오 모듈(170)), 메모리(예: 도 1의 메모리(130)) 및 상기 오디오 모듈 및 상기 메모리에 전기적으로 연결된 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하며, 상기 적어도 하나의 프로세서는, 사용자 인터랙션 정보를 수신하고, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하고, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하고, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하고, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하고, 상기 개인화된 콘텐츠를 저장 및 실행하도록 설정될 수 있다.
일 실시예에 따르면, 상기 타겟 객체는 상기 사용자 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 데이터 중 적어도 하나를 나타내며, 상기 특징 정보는 오디오, 비디오, 이미지 또는 텍스트 중의 적어도 하나의 데이터 타입을 포함할 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보에서 적어도 하나의 사용자 음성을 분류하고, 상기 분류된 적어도 하나의 사용자 음성의 어조를 기반하여 적어도 하나의 화자를 식별하고, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 상기 개인화 오디오 정보를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 메모리에 저장된 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 적어도 하나의 화자를 식별하고, 상기 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 식별하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보를 구간별로 분할하고, 상기 구간별로 상기 분할된 서브 오디오 정보를 텍스트로 변환하고, 상기 구간별로 변환된 텍스트에 대응하는 묘사 텍스트를 생성하고, 상기 각 구간별 생성된 묘사 텍스트들을 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 특징 정보가 비디오 타입으로 식별될 때, 상기 타겟 객체의 비디오 정보를 분석하여 상기 비디오 정보에서 적어도 하나의 주요 장면에 대한 적어도 하나의 이미지를 추출하고, 상기 적어도 하나의 이미지의 장면을 분석한 결과를 기반하여 상기 적어도 하나의 이미지의 장면에 대응하는 묘사 텍스트를 생성하고, 상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 특징 정보가 이미지 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 이미지 정보에서 적어도 하나의 주요 장면을 분석하고, 상기 분석 결과를 기반하여 상기 적어도 하나의 주요 장면에 대응하는 묘사 텍스트를 생성하고, 상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 특징 정보가 텍스트 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 텍스트 정보에서 오타 또는 비속어를 식별하고, 상기 식별된 오타 또는 비속어를 다른 언어로 대체한 교정된 텍스트 정보를 생성하고, 상기 생성된 묘사 텍스트를 기반으로 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보를 이용하여 적어도 하나의 화자를 식별하고, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별될 때, 상기 메모리에 저장된 연락처 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 사용자 정보에 매핑되는 상기 적어도 하나의 화자를 식별하도록 설정될 수 있다.
일 실시예에 따르면, 상기 적어도 하나의 프로세서는, 상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별되지 않을 때, 상기 타겟 정보에 포함된 텍스트 정보 또는 상기 타겟 정보의 적어도 일부 데이터를 변환한 묘사 텍스트를 식별하고, 상기 메모리에 저장된 묘사 텍스트 데이터베이스, 타겟 객체 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 묘사 텍스트에 매핑되는 상기 적어도 하나의 화자를 식별하도록 설정될 수 있다.
도 4는 일 실시 예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 4를 참조하면, 일 실시 예에 따른 전자 장치(예: 도 1 및 도 3의 전자 장치(101))는, 프로세서(120)에 의해 구현되는 소프트웨어 모듈의 개인화 오디오 관리 모듈(예: 도 3의 개인화 오디오 관리 모듈(221))에 의해 개인화 오디오 정보를 제공하기 위한 동작 방법을 수행할 수 있다.
401 동작에서, 일 실시 예에 따른 전자 장치는 사용자 인터랙션 정보를 획득할 수 있는 관련 어플리케이션 실행에 응답하여, 사용자 인터랙션 정보를 수신할 수 있다. 전자 장치는 인터랙션 정보의 수신을 개인화된 오디오를 매핑하기 위한 기능을 시작하기 위한 트리거 동작(또는 이벤트)으로 식별할 수 있다. 예를 들어, 이벤트는 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 중 적어도 하나를 수신하면, 개인화 오디오 관리 모듈을 실행하도록 메모리(예: 도 1의 메모리(130))에 저장된 명령어들을 실행시키는 인터페이스 실행 동작일 수 있다.
403 동작에서, 전자 장치는 이벤트에 대응하여 실행된 개인화 오디오 관리 모듈에 의해, 수신된 인터랙션 정보에 포함된 데이터인 타겟 객체의 특징 정보를 식별/결정할 수 있다. 타겟 객체는 사진, GIF, 오디오, 비디오 등의 데이터를 의미할 수 있으며, 수신된 인터랙션 정보에 포함된 데이터의 일부일 수 있다. 특정 정보는 오디오, 비디오, 이미지 또는 텍스트 중 적어도 하나의 데이터 타입(예: mime type)을 의미할 수 있다.
405 동작에서, 전자 장치는 개인화 오디오 관리 모듈에 의해, 식별된 특징 정보에 기반하여 타겟 객체를 분석할 수 있다. 전자 장치는 특징 정보의 데이터 타입별로 타겟 객체를 분석하고, 분석 결과를 기반하여 타겟 객체에 관련된 화자를 식별할 수 있다. 전자 장치는 화자를 식별하기 위해, 데이터베이스 모듈(예: 도 3의 데이터베이스 모듈(350))에 포함된 관련 데이터베이스(예: 화자 음성 오디오 정보 DB, 연락처 DB, 타겟 객체 DB, 또는 묘사 텍스트 DB 중 적어도 하나)를 이용하여 분석 결과에 대응하는 화자 식별자를 선택하고, 선택된 화자 식별자에 의해 타겟 객체에 대한 화자를 식별할 수 있다.
407 동작에서, 전자 장치는 개인화 오디오 관리 모듈에 의해, 분석 결과를 기반하여, 식별된 특징 정보에 대응하여 개인화 오디오 정보(예: TTS 오디오)를 생성하고, 타겟 객체에 생성된 개인화 오디오 정보를 매핑(또는 믹싱)하여 실행할 콘텐츠를 생성할 수 있다.
409 동작에서, 전자 장치는 개인화 오디오 관리 모듈에 의해, 생성된 개인화 오디오 정보를 메모리에 저장 및 실행할 수 있다. 전자 장치는 개인화 오디오 관리 모듈에 의해, 타겟 객체와 개인화 오디오 정보(TTS 오디오)를 믹싱하여 생성한 콘텐츠(예: 다이나믹 콘텐츠)를 메모리(예: 도 1의 메모리(130))에 저장할 수 있다. 예를 들어, 오디오 정보(또는 파일(file))는 전자장치에서 지원되는 오디오 포맷(예: wav, mp4, ogg, gsm, dct, flac, au, aiff, vox, raw, aac, atrac, ra, ram, dss, msv, dvf 등)을 의미할 수 있다. 오디오 정보(또는 파일(File))는 오디오의 변환 장치(도시되지 않음)를 통해 텍스트를 음성(speech)으로 변환한 TTS 오디오로서, 타겟 객체의 오디오 부분에 음성 또는 나레이션 형태로 적용될 수 있다. 다른 예를 들어, 오디오 정보(또는 파일(file))는 통신 모듈(예: 도 1의 통신 모듈(180))을 통해 네트워크에 데이터 형태로 전송될 때, 사용자 인터페이스에 대응하여 메모리에 저장되는 포맷을 의미할 수 있다.
도 5는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이고, 도 6은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이고, 도 7a는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이고, 도 7b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 화자 음성 오디오 신호 특성 스펙트럼 파일의 예를 나타내는 도면이다. 도 8a는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이고, 도 8b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
도 5를 참조하면, 일 실시 예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 501 동작에서, 관련 어플리케이션(예: 인터뷰, 전화 또는 음악 어플리케이션)의 실행에 의해 수신된 인터랙션 정보에 포함된 타겟 객체로서 오디오 정보(예: 파일, 신호, 데이터 또는 콘텐츠)를 획득할 수 있다.
503 동작에서, 전자 장치는 획득한 오디오 정보에 포함된 오디오 종류(예: 사람의 음성, 음악, 자연 소리 및/또는 기계음)를 식별하여 획득한 오디오 정보에서 적어도 하나의 사용자의 음성에 해당하는 오디오 데이터를 분류할 수 있다. 예를 들어, 전자 장치는 도 6에 도시된 바와 같이, 소리 인식 모델(예: sound recognition deep learning model)(610)을 이용하여 음성(speech)만을 선별할 수 있다. 여기서, 소리 인식 모델(610)은 오디오 신호 특징 추출(audio signal feature extract) 모델, 합성신경망(CNN) 모델 및 소프트맥스(softmax) 모델을 포함할 수 있다.
505 동작에서, 전자 장치는 분리된 오디오 데이터에서 분류된 음성만을 분석하여 적어도 하나의 화자를 인식할 수 있다. 예를 들어, 전자 장치는 도 6에 도시된 바와 같이, 화자 인식 모델(예: speaker recognition deep learning model) (620)을 이용하여 화자 식별자(ID)를 식별할 수 있다. 예를 들어, 전자 장치는 자연 환경의 소리를 비롯한 음성(사람의 목소리)이 아닌 소리로 구성된 소리 트래인 데이터(sound train data)로 훈련된 합성신경망(CNN) 모델을 통해 음성을 구분하고, 음성으로 분류된 소리만을 다시 여러 사람의 목소리 데이터로 훈련된 합성신경망(CNN) 모델을 통해 가장 유사한 화자의 목소리를 선택하여 소프트맥스(softmax) 모델을 통해 화자 ID를 구분한다. 오디오 신호적 특성(audio signal feature)은 여러 가지 종류가 있을 수 있으며, 예를 들어, MFCC(mel frequency cepstral coefficient) 알고리즘을 통해 얻은 멜 스펙트럼(mel spectrum)을 이용할 수 있다. 또 다른 예로 화자의 기저 주파수, 라우드니스, 기저 피치를 비롯한 운율적인 정보를 저장할 수도 있다.
507 동작에서, 전자 장치는 식별된 화자에 대한 정보를 지정된 데이터베이스(DB)(예: 화자 음성 오디오 정보 DB)에 저장 또는 갱신할 수 있다. 예를 들어, 전자 장치는 화자 별 음성 특징 추출을 통해 획득한 파라미터를 도 7a에 도시된 바와 같은 화자(speaker) 음성 오디오 정보 데이터베이스(DB)(710) 및 도 7b에 도시된 바와 같은 화자 음성 오디오 신호 특성 스펙트럼 파일(721 및 723)을 이용하여 저장할 수 있다. 도 7a에 도시된 바와 같은 화자 음성 오디오 정보 데이터베이스(710)는 화자별로 개인화된 음성 특징에 관련된 정보들을 매핑하여 테이블 형태로 저장될 수 있으며, 화자 별로 화자 식별자(ID), 오디오 신호 특성 값, 오디오 신호 특성값 그래프 패스(Path), 연락처 식별자(ID) 및 어조 식별자(ID)가 매핑될 수 있다. 화자 음성 오디오정보 데이터베이스(710)는 도 7b에 도시된 바와 같은 화자 음성 오디오 신호 특성 스펙트럼 파일(721 및 723)과 연동될 수 있다. 화자 음성 오디오 정보 DB(710)는 개인화(personal) 테이블(711)과 같이 사용자의 음성 녹음 오디오에서 추출한 사용자의 지인인 다른 사용자의 음성 정보 및 마켓(market) 테이블(713)과 같이, 마켓에서 다운로드한 다른 화자의 음성 정보를 저장할 수 있다. 개인화(personal) 테이블(711)의 음성 정보 중 연락처의 ID는 전자 장치 내 연락처를 지정하여 화자 선택 시 이용될 수 있으며, 어조 ID는 암묵적 화자 선택 시 이용될 수 있다.
509 동작에서, 전자 장치는 구간별 STT(speech to text)를 수행할 수 있다. 전자 장치는 도 8a에 도시된 바와 같이, 획득한 오디오 정보(또는 오디오 파일)(audio file)(801)가 요약이 필요한 오디오 정보인 경우, 구간 별로 오디오 정보를 분할하고, 분할된 구간 별로 서브 오디오 정보(또는 서브 오디오 파일들)(sub audio files)(803)에 포함된 음성을 텍스트로 변환(STT: speech to text)(805)할 수 있다.
511 동작 및 513 동작에서, 전자 장치는 STT 요약 및 묘사 텍스트 생성을 수행할 수 있다. 예를 들어, 전자 장치는 구간별 변환된 텍스트 파일(text file)(807)을 소리 트래인 데이터(sound train data)를 이용하여 텍스트 요약 모델(text summary deep learning model)(809)을 통해 요약하여 요약 텍스트(summary text)(예: 묘사 텍스트)를 생성할 수 있다. 여기서, 텍스트 요약 모델(809)은 워드 제시 빈도(word presentation frequency) 모델, 합성신경망(CNN) 모델 및 소프트맥스(softmax) 모델을 포함할 수 있다. 전자 장치는 생성된 요약 텍스트(summary text)를 묘사 텍스트(text) 식별자(ID) 및 타겟 객체 식별자(ID)와 매핑하여 묘사 텍스트 DB(811)에 저장할 수 있다. 묘사(description) 텍스트 DB(811)는 타겟 객체 식별자(ID)를 통해 도 8b에 도시된 바와 같은 타겟 객체 DB과 연동될 수 있다. 타겟 객체 DB는 타겟 객체 식별자(ID), 타겟 객체 데이터 타입(mime type), 타겟 객체 파일 시스템 패스(path), 연락처 식별자(ID), 묘사 텍스트(text) ID를 매핑한 테이블을 포함할 수 있다. 여기서, 음성을 텍스트로 변환(STT: speech to text)(805) 동작은 공지 기술을 이용할 수 있으므로 구체적인 설명은 생략하기로 한다. 화자 식별자(ID)는 타겟 객체에 개인화 오디오 정보를 매핑 시 이용할 개인화된 음성(예: 여자 친구의 목소리, 가족의 목소리, 아이 목소리, 본인 목소리, 연예인 목소리 또는 오디오에서 추출된 목소리 중 적어도 하나)에 매핑된 화자를 나타내는 식별자일 수 있다.
도 9는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
일 실시 예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 403 및 405 동작에서, 타겟 객체의 특징 정보가 비디오 정보(또는 컨텐츠)이면, 비디오 분석 모듈(TOAVM)(예: 도 3의 비디오 분석 모듈(322))에 의해, 타겟 객체의 비디오 정보(또는 파일)를 분석할 수 있다.
도 9를 참조하면, 901 동작에서, 전자 장치는 관련 어플리케이션(예: 비디오 촬영, 화상 회의, 영상 통화 또는 영상 편집에 관련된 어플리케이션)의 실행에 의해 수신된 인터랙션 정보에 포함된 타겟 객체로서 비디오 정보(예: 파일, 신호, 데이터 또는 콘텐츠)를 획득할 수 있다.
903 동작에서, 전자 장치는 획득한 비디오 정보에서 장면을 분석할 수 있다. 예를 들어, 전자 장치는 비디오 분석 모듈(TOAVM)에 의해, 비디오 정보(또는 파일)를 비디오 요약 모델(예: video summary deep learning model)을 이용하여 장단기메모리모델(LSTM)(도시되지 않음)을 통해 주요 장면(key video frame)을 바이너리 형태로 출력할 수 있다. 예를 들어, 비디오 요약 모델은 비디오 파일을 우선 압축 해제(decompress)하여 비디오 프레임들의 집합을 생성하고, 비디오 프레임들을 LSTM에 순서대로 입력하여 주요 장면일 경우 1, 그렇지 않을 경우 0을 출력할 수 있다. 장단기메모리모델(LSTM)은 지도형 학습(supervised learning)으로서, 다수의 비디오 파일에 대해 주요 장면 및 비 주요 장면을 학습한 후 학습 결과에 대한 파라미터를 가지고 사용자의 비디오에 대한 바이너리 형태의 주요 장면 결과를 추론(infer)할 수 있다. 전자 장치는 장면 분석 결과를 기반하여 주요 장면들(또는 키 프레임들(key frames))을 식별할 수 있다. 전자 장치는 주요 장면(key frames)의 바이너리 형태의 출력 결과(예: 1)를 기반하여 주요 장면(key frames)을 압축 해제(decompress) 결과와 매핑하여 주요 장면의 이미지(key video frame image)를 추출할 수 있다.
905 동작에서, 전자 장치는 비디오 정보에서 분석하여 추출된 주요 장면(key frames)에 대응하는 묘사 텍스트를 생성할 수 있다. 전자 장치는 타겟 객체의 비디오 정보와 생성된 묘사 텍스트를 매핑하여 저장할 수 있다. 예를 들어, 전자 장치는 타겟 객체의 비디오 정보와 생성된 묘사 텍스트를 매핑한 테이블을 도 8b에 도시된 바와 같은 타겟 객체 DB에 저장할 수 있다.
도 10은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
일 실시 예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 404 및 405 동작에서, 타겟 객체의 특징 정보가 이미지 정보(또는 컨텐츠)이면, 이미지 분석 모듈(TOAIM)(예: 도 3의 이미지 분석 모듈(323))에 의해, 타겟 객체의 이미지 정보를 분석할 수 있다.
도 10을 참조하면, 1001 동작에서, 전자 장치는 관련 어플리케이션(예: 사진 촬영, 앨범 실행, 이미지 편집 또는 이미지 송/수신에 관련된 어플리케이션)의 실행에 의해 수신된 인터랙션 정보에 포함된 타겟 객체로서 이미지 정보(예: 파일, 신호, 데이터 또는 콘텐츠)를 획득할 수 있다.
1003 동작에서, 전자 장치는 이미지 분석 모듈(TOAVM)(예: 도 3의 이미지 분석 모듈(323))에 의해, 획득한 이미지 정보의 장면들 분석할 수 있다. 예를 들어, 전자 장치는 장면 분석을 위해 합성곱신경망(convolutional neural network) 및 장단기메모리신경망(LSTM)을 포함하는 이미지 캡션 모델(image caption deep learning model)을 이용할 수 있다. 예를 들어, 합성곱 신경망(convolutional neural network)은 이미지 한 장을 작은 윈도우(window)들로 분할한 후 각 윈도우 별 픽셀값들의 합을 구하여 윈도우 특성값들을 획득하고, 윈도우 특성값들의 집합에 일정크기의 필터를 적용하여 필터 특성값들을 획득할 수 있다. 합성곱 신경망은 필터 특성값들을 1차원으로 재배열하여 완전곱신경층(fully connected layer)된 값을 생성하고, 지도형 학습(supervised learning)을 통해 여러 샘플 이미지들의 완전곱신경층 값과 해당 이미지의 종류(label)를 학습데이터(image train data)로 이용하여 훈련(train)하여 얻은 파라미터 값을 저장할 수 있다.
1005 동작에서, 전자 장치는 이미지 분석 모듈(TOAVM)(예: 도 3의 이미지 분석 모듈(323))에 의해, 이미지 정보의 장면 별로 묘사 텍스트를 생성할 수 있다. 전자 장치는 이미지 캡션 모델(예: image caption deep learning model)을 이용하여 사용자의 이미지가 어떤 종류(label)의 이미지인지 추론(infer)하고, 이미지 추론을 통해 레벨(label)(또는 단어)들을 획득할 수 있다. 전자 장치는 올바른 문장을 위해 장단기메모리신경망(LSTM)을 이용하여 단어들을 배열하고, 생성된 각 단어들을 입력으로 받아 자연어에 가까운 순서로 재배열할 수 있다. 장단기메모리신경망(LSTM)은 지도형 학습(supervised learning)을 통해 자연어 순서에 대한 파라메터를 가지는 모델로서, 수많은 문장구조를 통해 특정 단어 이후에 나와야 할 단어가 무엇인지에 대해 학습하고 학습된 데이터를 이용하여 입력으로 받은 단어들의 집합을 올바른 문장구조로 추론(infer)할 수 있다. 이미지 캡션 모델은 이미지 캡션 딥 러닝 모델링을 통해 이미지 정보에 대한 묘사 텍스트를 생성할 수 있다.
1007 동작에서 전자 장치는 타겟 객체의 이미지 정보와 생성된 묘사 텍스트를 매핑하여 저장할 수 있다. 예를 들어, 전자 장치는 타겟 객체의 이미지 정보와 생성된 묘사 텍스트를 매핑한 테이블을 도 8b에 도시된 바와 같은 타겟 객체 DB에 저장할 수 있다.
일 실시 예에 따르면, 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 403 및 405 동작에서, 타겟 객체의 특징 정보가 텍스트 정보이면, 텍스트 분석 모듈(TOATM)(예: 도 3의 텍스트 분석 모듈(324))에 의해, 타겟 객체의 텍스트 정보를 분석하고, 분석 결과에서 오타 또는 비속어를 교정할 수 있다. 전자 장치는 개인화 콘텐트 매핑 모듈(예: 도 3의 개인화 콘텐트 매핑 모듈(PCMM)(330))에 의해, 교정된 텍스트 정보를 개인화 오디오 정보와 매핑할 수 있다.
도 11은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 11을 참조하면, 1101 동작에서, 일 실시 예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 407 동작과 같이, 적어도 하나의 화자(또는 화자 식별자)를 선택할 수 있다. 1103 동작에서, 선택된 적어도 하나의 화자에 매핑된 오디오 신호 특성값을 기반하여 적어도 하나의 화자에 대응하는 음성으로 텍스트를 스피치로 변환(TTS)한 오디오인 개인화 오디오 정보를 생성할 수 있다.
1105 동작에서, 전자 장치는 TTS 오디오 트랙 매핑 정보를 식별 및 재가공할 수 있다. 전자 장치는 타겟 객체가 시간 정보를 포함하는 동영상인 경우, 키 비디오 프레임(key video frame)에 대한 복수개의 TTS 오디오를 매핑하여 TTS 오디오 트랙들을 재가공할 수 있다. 복수의 TTS 오디오 파일들은 지속 시간(duration)이 조절된 TTS 오디오 파일로 재가공 되어, 타겟 객체와 TTS 오디오인 개인화 오디오 정보를 믹싱하는 동작에 적용될 수 있다.
1107 동작에서, 전자 장치는 생성된 TTS 오디오인 개인화 오디오 정보 및 타겟 객체(또는 원본 컨텐츠)를 믹싱하여 제공할 콘텐츠를 생성할 수 있다.
도 12a 내지 12e는 일 실시예에 따른 전자 장치에서의 동작 방법에서 화자 선택의 예를 나타내는 도면이다.
일 실시 예에 따르면, 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 타겟 객체에 생성된 개인화 오디오 정보를 매핑(또는 믹싱)할 때, 적어도 하나의 화자(또는 화자 식별자)를 선택할 수 있다(예: 도 4의 407 동작). 전자 장치는 개인화 콘텐트 매핑 모듈(PCMM)(예: 개인화 콘텐트 매핑 모듈(330))에 의해, 지정된 DB들을 이용하여 명시적 화자 선택, 인용구문 화자 선택 또는 어조별 화자 선택 방식 중 적어도 하나를 통해 매핑할 적어도 하나의 화자(또는 화자 식별자)를 선택할 수 있다. 예를 들어, 전자 장치는 타겟 객체의 발신인이 명시적이면, 명시적 화자 선택 방식을 이용할 수 있다. 전자 장치는 타겟 객체의 발신인이 명시적이지 않으면, 암묵적 화자 선택 방식으로 인용구문 화자 선택 또는 어조별 화자 선택 방식 중 하나를 이용할 수 있다.
도 12a를 참조하면, 일 실시예에 따른 전자 장치는 명시적 화자 선택 방식을 이용하여 연락처 DB(1220)에서 발신인에 대응하는 연락처 식별자(예: C1)를 검색하고, 타겟 객체 DB(1210)에서 검색된 연락처 식별자(예: C1)에 대응하는 타겟 객체 식별자(예: O1)를 식별할 수 있다. 전자 장치는 화자 음성 오디오 정보 DB(1230)에서 연락처 식별자(예: C1)와 매핑된 화자 식별자(예: S1)를 식별할 수 있다. 전자 장치는 식별된 화자 식별자(예: S1)를 타겟 객체와 매핑하기 위한 화자로 선택할 수 있다. 전자 장치는 검색된 화자 식별자(예: S1) 및 타겟 객체 식별자(예: O1)를 매핑한 매핑 정보(또는 테이블)(1241)를 생성하고, 생성된 매핑 정보(1241)를 화자 매핑 테이블 DB(1240)에 저장할 수 있다. 예를 들어, 생성된 매핑 정보(1241)는 매핑 테이블 식별자(ID)(예: M1), 타겟 객체 식별자(ID)(예: O1), 시작 오프셋(예: 0), 종료 오프셋(예: end) 및 화자 식별자(ID)(예: S1)를 포함할 수 있다. 예를 들어, 타겟 객체 DB(1210)는 타겟 객체의 매핑 정보로서, 타겟 객체 ID, 타겟 객체의 데이터 타입(예: mime type), 타겟 객체 파일 시스템 패스, 연락처 ID 및 묘사 텍스트 ID를 포함할 수 있다. 예를 들어, 연락처 DB(1220)는 연락처 매핑 정보로서, 연락처 ID, 이름, 연락처 및 이메일을 포함할 수 있다. 예를 들어, 화자 음성 오디오 정보 DB(1230)는 개인화 오디오 정보의 생성에 관련된 매핑 정보로서, 화자 ID, 오디오 신호 특성 값, 오디오 신호 특성값 그래프 패스(path), 연락처 ID 및 어조 ID를 포함할 수 있다.
도 12b 및 도 12c를 참조하면, 일 실시예에 따른 전자 장치는 발신인이 명시적이지 않으면, 인용 구문 화자 선택 방식을 이용하여, 수신된 인터랙션 정보의 타겟 객체(예: 문자 메시지 또는 음성 메시지)에 포함된 검색할 이름(예: mike)에 대응하는 묘사 텍스트(text)(예: mike asks the due data)를 묘사(description) 텍스트 DB(1250)에서 검색하고, 검색된 묘사 텍스트(예: mike asks the due data)를 포함하는 매핑 정보(또는 테이블)(1251)에서 매핑된 타겟 객체 식별자(예: O1)를 식별할 수 있다. 예를 들어, 묘사 텍스트 DB(1250)는 묘사 텍스트의 매핑 정보로서, 묘사 텍스트 ID, 타겟 객체 ID 및 묘사 텍스트를 포함할 수 있다. 전자 장치는 타겟 객체 DB(1210)에서 식별된 타겟 객체 식별자(예: O1)에 매핑된 연락처 식별자(예: C1)를 식별하고, 화자 음성 오디오 정보 DB(1230)에서 식별된 연락처 식별자(예: C1)에 매핑된 화자 식별자(예: S1)를 식별할 수 있다. 타겟 객체 식별자(예: O1)에 매핑된 연락처 식별자(예: S1)를 기반하여 연락처 DB(1220)에서 발신인(예: sally)을 식별할 수 있다. 전자 장치는 연락처 DB(1220)에서 전자 장치는 검색할 이름(예: mike)에 매핑되는 연락처 ID(예: C2)를 식별할 수 있다. 전자 장치는 식별된 연락처 ID들(C1 및 C2)을 기반하여 발신인인 화자(예: sally) 및 검색한 이름의 화자(예: mike)를 식별 및 선택할 수 있다. 전자 장치는 식별된 화자 식별자들(예: S1 및 S2) 각각에 타겟 객체 식별자(예: O1)를 매핑한 매핑 정보(또는 테이블들)(1241 및 1242)를 생성하고, 생성된 매핑 정보(또는 테이블들)(1241 및 1242)를 화자 매핑 테이블 DB(1240)에 저장할 수 있다.
도 12d 및 도 12e를 참조하면, 일 실시예에 따른 전자 장치는 발신인이 명시적이지 않거나 연락처 DB에 존재하지 않는 경우, 어조별 화자 선택 방식을 이용하여, 수신된 인터랙션 정보의 타겟 객체(예: 문자 메시지 또는 음성 메시지)에 매칭되는 정보가 없으므로 어조 분석을 위해 어조 분석을 위해 감정 분석 모델(sentimental analysis deep learning)(1260)을 이용할 수 있다. 전자 장치는 어조 분석을 위해 감정 분석 모델(1260)을 통해 분석 결과(예: 심각, 진지 및 공식)(1261)를 획득하고, 획득한 분석 결과(1261)를 기반하여 화자를 식별하고, 식별된 화자에 대응하는 매핑 정보(또는 테이블)를 생성할 수 있다. 예를 들어, 전자 장치는 타겟 객체의 특징 정보의 데이터 타입(예: text) 매핑된 타겟 객체 ID(예: O1)를 식별하고, 식별된 타겟 객체 ID(예: O1)에 매핑된 묘사 텍스트 ID(예: D1)을 식별할 수 있다. 전자 장치는 묘사 텍스트 DB(1250)에서 묘사 텍스트 ID(예: D1) 및 타겟 객체 ID(예: O1)에 매핑된 묘사 텍스트(예: [안전문자]*월*시 COVID19 현황)를 식별할 수 있다. 전자 장치는 어조 분석을 통해 획득한 분석 결과(1261)를 어조 정보 DB(1270)에서 검색하고, 화자 음성 정보 DB(1230)에서 검색된 어조(예: 심각, 진지)에 매핑된 어조 식별자(예: M1)를 식별할 수 있다. 전자 장치는 화자 음성 정보 DB(1230)에서 식별된 어조 식별자(예: M1)에 매핑되는 화자 식별자(예: S1)를 식별할 수 있다. 전자 장치는 검색된 화자 식별자(예: S1) 및 타겟 객체 식별자(예: O1)를 매핑한 매핑 정보(또는 테이블)(1241)를 생성하고, 생성된 매핑 정보(1241)를 화자 매핑 테이블 DB(1240)에 저장할 수 있다. 예를 들어, 감정 분석 모델(1260)은 텍스트 파일에 포함된 각 단어들로부터 사전(corpus)을 생성하고 해당 단어들을 벡터화(word2vec)한 후 여러 겹의 뉴런 계층에 통과시켜 가중치를 계산할 수 있다. 전자 장치는 수신된 텍스트 메시지 또는 오디오, 이미지 또는 동영상의 텍스트 파일을 감정 분석 모델을 통해 학습(learning)하여 어조를 획득할 수 있다.
도 13은 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이고, 도 14a는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이고, 도 14b는 일 실시 예에 따른 전자 장치에서의 동작 방법을 위한 데이터베이스의 예를 나타내는 도면이다.
일 실시예에 따르면, 전자 장치는 일 실시예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 407 동작과 같이, TTS 오디오인 개인화 오디오 정보를 생성할 때, 오디오 트랙 매핑 정보 식별 및 재가공 동작을 수행할 수 있다. 전자 장치는 식별된 화자에 대응하는 매핑 정보(또는 테이블)(1241)를 기반하여, 화자 음성 오디오 정보 DB(1230)에서 화자 식별자(예: S1)에 매핑된 오디오 신호 특성값(예: M1)을 식별하고, 식별된 오디오 신호 특성값(예: M1)을 기반하여 비디오 객체의 묘사 텍스트, 이미지 객체의 묘사 텍스트 또는 텍스트 객체의 텍스트를 음성으로 변환(TTS)한 TTS 오디오인 개인화 오디오 정보를 생성할 수 있다. 전자 장치는 타겟 객체가 시간 정보를 포함하는 동영상인 경우, 키 비디오 프레임(key video frame)에 대한 복수개의 TTS 오디오를 매핑하여 TTS 오디오 트랙들을 재가공할 수 있다. 복수의 TTS 오디오 파일들은 지속 시간(duration)이 조절된 TTS 오디오 파일로 재가공되어, 타겟 객체와 TTS 오디오인 개인화 오디오 정보를 믹싱하는 동작에 적용될 수 있다. 전자 장치는 타겟 객체가 동영상인 경우, 주요 장면(key video frame)에 대한 복수개의 TTS 오디오를 매핑할 수 있다. 전자 장치는 복수의 주요 장면에 TTS 오디오를 매핑할 때, 도 13에 도시된 바와 같이, TTS 오디오와 비디오 프레임(video frame)의 지속 시간(duration)의 관계에 조건들(예: case1, case 2 및 case 3)을 고려하여 TTS 오디오 트랙들을 재가공할 수 있다. 예를 들어, 제1 조건(case 1)은 비디오 프레임의 장면의 지속 시간(duration)과 TTS 오디오의 지속 시간(duration)이 일치하는 경우의 조건일 수 있다. 예를 들어, 제 2 조건(case 2)은 비디오 프레임의 장면의 지속 시간과 TTS 오디오의 지속시간이 불일치하는 경우의 조건일 수 있다. 예를 들어, 제3 조건(case 3)은 비디오 프레임의 장면의 지속 시간과 TTS 오디오의 지속 시간이 일치하지만, 서로 다른 TTS 오디오가 서로 중첩(overlap)되는 경우의 조건일 수 있다.
도 14a를 참조하면, 전자 장치는 복수의 TTS 오디오 파일들을 지속 시간(duration)이 조절된 TTS 오디오 파일로 재가공하여 믹싱 동작을 수행할 수 있다.
1401 동작에서, 전자 장치는 비디오 객체 및 도 14b에 도시된 바와 같은 제1 테이블(예: 묘사 텍스트 관계 테이블(description text relation table)(1431)의 포인터를 0으로 초기화할 수 있다.
1403 동작에서, 전자 장치는 비디오 객체 및 묘사 텍스트 관계 테이블에서 포인터가 가리키는 항목(item)(또는 매핑 정보)을 조회할 수 있다. 예를 들어, 도 14b에 도시된 바와 같이 포인터가 1일 때, 전자 장치는 제1 테이블(1421)에서 텍스트 ID(예: 1)에 매핑된 시작 시간 및 종료 시간을 식별할 수 있다.
1405 동작에서, 전자 장치는 항목(item)의 묘사(description)가 만족되는 지속 시간(duration)을 산출(예: 묘사(desc) = item.desc_end_time = item.desc_start_time)할 수 있다.
1407 동작에서, 전자 장치는 도 14b에 도시된 바와 같은 제1 테이블(1431) 및 제2 테이블(예: description text information table)(1432) 및 파일 시스템(file system)(1433)을 이용하여 항목(item)에 해당하는 TTS 오디오의 지속 시간(duration)을 산출(예: TTS_audio_duration = audio_paly_time(item.textid.path))할 수 있다.
1409 동작 및 1411 동작에서, 전자 장치는 묘사 지속 시간이 TTS 오디오 지속시간보다 큰 것으로 식별함에 따라 묘사 지속 시간에서 오디오 지속 시간을 뺀 값만큼 무음을 삽입하고, 페이드 아웃(fade out) 처리를 할 수 있다.
1413 동작 및 1415 동작에서, 전자 장치는 1409 동작과 동시에 전자 장치는 TTS 오디오 지속시간이 묘사 지속 시간보다 큰 것을 식별함에 따라 TTS 오디오 지속시간에서 묘사 지속 시간을 뺀 값을 임계값으로 설정할 수 있다. 1417 동작에서, 전자 장치는 TTS 오디오를 작은 구간으로 나누어 각 구간별로 오디오 에너지를 계산할 수 있다. 1419 동작에서, 전자 장치는 구간별 오디오 에너지를 정렬하여 계산된 값이 최소인 구간을 제거한 후 각 구간 별 오디오 에너지 값들을 누적할 수 있다. 1421 동작에서, 전자 장치는 누적량이 임계값 보다 작으면, 계속해서 1417 동작을 수행하고, 그렇지 않으면, 1423 동작에서, 포인터가 비디오 객체 및 묘사 텍스트 관계 테이블(1431)에 포함된 항목들 중 마지막 항목인지를 확인할 수 있다. 확인 결과, 마지막 항목(또는 항목 값)보다 작으면, 1425 동작에서, 전자 장치는 포인터를 1만큼 증가시킨 후 1403 동작을 수행할 수 있다. 1419 동작에서 확인한 결과, 포인터가 마지막 항목(또는 항목 값)보다 작지 않으면, 동작을 종료할 수 있다.
도 15는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 15를 참조하면, 전자 장치는 일 실시예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 407 동작과 같이, 생성된 TTS 오디오인 개인화 오디오 정보를 타겟 객체와 매핑하여 콘텐츠를 생성할 때, 특징 정보의 데이터 타입 별(예: 텍스트, 이미지 또는 동영상)로 콘텐츠 생성 동작을 다르게 수행할 수 있다.
1501 동작에서 전자 장치가 타겟 객체를 텍스트 객체로 식별한 경우, 및 1503 동작에서, 전자 장치는 생성된 TTS 오디오와 타겟 객체를 믹싱하여 다이나믹 콘텐츠를 생성할 수 있다.
1505 동작에서 전자 장치가 타겟 객체를 이미지 타겟 객체로 식별한 경우, 1507 내지 1513 동작에서 전자 장치는 이미지를 TTS 오디오에 맞추어 배열한 후, 비디오 인코더의 비디오 모듈(도시되지 않음)에서 동영상의 각 프레임에 배열된 이미지들을 매핑하여 동영상의 오디오 부분에 TTS 오디오를 믹싱하고, 배열된 이미지들 및 TTS 오디오를 인코딩할 수 있다. 전자 장치는 1521 동작에서, 동영상 형태의 다이나믹 컨텐츠를 생성할 수 있다. 여기서, 전자 장치는 이미지 원본의 영역별 오디오 묘사(audio description)를 기반하여 이미지를 배열할 수 있다.
1515 동작에서 전자 장치가 타겟 객체를 동영상 객체로 식별한 경우, 1517 내지 1519 동작에서 전자 장치는 동영상 객체의 오디오 부분과 TTS 오디오를 믹싱하고, 1521 동작에서, 믹싱된 콘텐츠를 인코딩하여 동영상 형태의 다이나믹 컨텐츠를 생성할 수 있다.
도 16을 참조하면, 도 15의 1507 동작과 같이 이미지를 배열할 때, 1601 동작에서, 전자 장치는 도 17에 도시된 바와 같은 이미지 객체 및 묘사 텍스트 관계 테이블(description text relation tabel)(1711)의 포인터를 0으로 초기화할 수 있다.
1603 동작에서, 전자 장치는 도 17에 도시된 바와 같은 이미지 객체 및 묘사 텍스트 관계 테이블(1711)에서 포인터가 가리키는 항목(item)(또는 테이블)에 포함된 매핑 정보를 조회할 수 있다.
1605 동작에서, 전자 장치는 도 17에 도시된 바와 같은 묘사 텍스트 정보 테이블(1712) 및 파일 시스템(1713)을 기반하여 항목에 해당하는 TTS 오디오의 지속 시간을 계산(예: TTS_audio_duration = audio_play_time(item.textid.path))할 수 있다.
1607 동작에서, 전자 장치는 TTS 오디오 지속 시간만큼 비디오 프레임(video frame) 영역에 이미지를 복사할 수 있다.
1609 동작에서, 전자 장치는 포인터가 이미지 객체 및 묘사 텍스트 관계 테이블(1711)에 포함된 항목들 중 마지막 항목(또는 항목 값)보다 작은지를 확인할 수 있다. 확인 결과, 포인터가 마지막 항목보다 작으면, 1611 동작에서, 전자 장치는 포인터를 1만큼 증가한 후 1603 동작을 수행할 수 있다.
1609 동작에서, 확인한 결과, 포인터가 마지막 항목보다 작지 않으면, 동작을 종료할 수 있다.
일 실시예에 따르면, 전자 장치는 도 18에 도시된 바와 같이, 이미지 원본의 영역별로 오디오 묘사(audio description)를 기반하여 이미지를 배열할 수 있다. 예를 들어, 전자 장치는 이미지 원본 기준으로 제1 이미지 좌표 영역((start_x1, start_y1) ~ (end_x1, end_y1) 영역)에 대응하여 이미지를 배열하고, 제1 이미지 좌표 영역에 배열된 이미지들을 묘사한 제1 묘사 텍스트(text description 1)를 배열하고, TTS를 통해 제1 묘사 텍스트(text description 1)를 audio로 변환한 결과로서 제1 TTS 오디오(audio description 1)를 획득할 수 있다. 전자 장치는 제1 TTS 오디오(audio description 1)에 맞추어 제1 이미지 좌표 영역의 이미지를 복사하여 동영상을 생성할 수 있다. 예를 들어, 전자 장치는 이미지 원본 기준으로 제2 이미지 좌표 영역((start_x2, start_y2) ~ (end_x2, end_y2) 영역)에 대응하여 이미지를 배열하고, 제2 이미지 좌표 영역에 배열된 이미지들을 묘사한 제2 묘사 텍스트(text description 2)를 배열하고, TTS를 통해 제2 묘사 텍스트(text description 2)를 오디오로 변환한 결과로서 제2 TTS 오디오(audio description 2)를 획득할 수 있다. 전자 장치는 제2 TTS 오디오(audio description 2)에 맞추어 제2 이미지 좌표 영역의 이미지를 복사하여 동영상을 생성할 수 있다.
도 19는 일 실시예에 따른 전자 장치에서의 동작 방법의 예를 나타내는 도면이다.
도 19를 참조하면, 전자 장치는 일 실시예에 따른 전자 장치(예: 도 1 및 도 2의 전자 장치(101))는 도 4의 407 동작에서 콘텐츠를 생성할 때, 동영상 타겟 객체의 경우, 오디오 부분을 가지고 있을 수 있으며, TTS 오디오와 동영상(비디오 객체)의 오디오 부분을 믹싱하는 동작을 수행할 수 있다.
1901 동작에서, 전자 장치는 도 14b에 도시된 바와 같은, 비디오 객체 및 묘사 텍스트 관계 테이블(description text relation table)(1431)의 포인터를 0으로 초기화할 수 있다.
1903 동작에서, 전자 장치는 비디오 객체 및 묘사 텍스트 관계 테이블(1431)에서 포인터가 가리키는 항목(item)(또는 매핑 정보)를 조회할 수 있다.
1905 동작에서, 전자 장치는 비디오 타겟 객체의 매핑될 구간(target item)(예: target item = item의 desc_start_time ~ desc end time)을 조회할 수 있다.
1907 동작에서, 전자 장치는 타겟 항목(target item)의 목소리 성분을 분석할 수 있다.
1909 동작에서, 전자 장치는 타겟 항목의 목소리와 나레이션 목소리 중 강조할 목소리를 선택할 수 있다.
1911 동작에서, 전자 장치는 강조할 목소리의 음량(loudness)을 증가시키고, 나머지 오디오의 음량을 감소시킬 수 있다.
1913 동작에서, 전자 장치는 해당 구간의 전/후를 fade in/out 처리 후 비디오 객체의 오디오 부분에 해당 구간의 TTS 오디오를 합성할 수 있다.
1915 동작에서, 전자 장치는 포인터가 비디오 객체 및 묘사 텍스트 관계 테이블(1431)에 포함된 항목들 중 마지막 항목인지를 확인할 수 있다. 확인 결과, 포인터가 마지막 항목(또는 항목 값)보다 작으면, 1917 동작에서, 전자 장치는 포인터를 1만큼 증가한 후 1903 동작을 수행할 수 있다. 1915 동작에서, 확인한 결과, 포인터가 마지막 항목보다 작지 않으면, 동작을 종료할 수 있다.
상술한 바와 같은 일 실시예에 따라, 전자 장치는 예를 들어, 운전 중 지인으로부터 문자를 수신하고, TTS로 읽기로 설정된 경우, 수신된 문자를 타겟 객체(예: 텍스트 정보 또는 오디오 정보)로서 식별하고, 수신된 문자를 발신한 지인 또는 수신한 문자에 포함된 지인의 이름을 지정된 DB들(예: 도 12a 내지 도 12e에 도시된 DB들)을 이용하여 식별된 타겟 객체의 데이터 타입(텍스트 또는 오디오)에 따라 화자를 식별할 수 있다. 전자 장치는 식별된 화자에 매핑된 정보를 기반하여 지인의 음성으로 개인화 오디오 정보를 생성할 수 있다. 전자 장치는 지인의 음성으로 생성된 개인화 오디오 정보를 수신된 문자에 적용하여 지인의 음성으로 수신된 문자에 대응하는 개인화 오디오 정보를 출력할 수 있다.
다른 예를 들어, 전자 장치는 메모 어플리케이션을 실행함에 따라 메모 어플리케이션을 통해 입력되는 텍스트 정보(핸드라이팅)를 개인화된 본인 목소리를 적용한 개인화 오디오 정보(TTS 오디오)를 생성하고, 본인의 목소리로 생성된 개인화 오디오 정보(TTS 오디오)를 텍스트 정보에 믹싱하여 텍스트 정보를 본인의 목소리의 개인화 오디오 정보로 출력할 수 있다.
다른 예를 들어, 전자 장치는 인터뷰 녹음 파일 중에서 나레이션을 강조하기 위해 인터뷰 녹음 파일인 오디오 파일에서 특징을 분석하고, 분석 결과에 따라 나레이션을 강조하기 위한 분리된 화자를 식별하고, 분리된 화자의 목소리로 개인화 오디오 정보를 생성할 수 있다. 전자 장치는 분리된 화자의 목소리로 생성된 개인화 오디오 정보를 이용하여 녹음 파일의 중간에 요약 또는 강조 내용을 나레이션으로 녹음하여 저장할 수 있다.
다른 예를 들어, 전자 장치는 스타일러스 펜(전자 펜)으로 이미지(예: GIF 애니메이션) 생성 시 이미지에 대응하여 생성된 개인화 오디오 정보를 이미지에 매핑하여 개인화된 음성이 적용된 이미지 콘텐츠를 생성할 수 있다. 전자 장치는 싱글 테이크 영상에서 생성된 10초 영상에 개인화된 음성을 매핑할 나레이션 기능을 제공할 수 있다.
상술한 바와 같은 일 실시예에 따라, 전자 장치는 사용자가 입력한 텍스트를 음성으로 알려주기 위해, 사용자가 알람음을 "사용자 입력 텍스트"를 선택하고 텍스트를 입력한 후, 알람 시간이 되면, 사용자가 입력한 텍스트를 디스플레이 모듈의 화면에 표시하고, 동시에 텍스트를 생성된 개인화된 음성(개인화 오디오 정보)으로 함께 출력할 수 있다.
상술한 바와 같은 일 실시예에 따라, 전자 장치는 알람음(목소리) 녹음하기 기능으로서, 딱딱한 기계음 보다는 자녀나 본인 목소리를 알람음으로 바로 등록할 수 있으며, "알람음 > 녹음하기"를 선택하여 듣고 싶은 알람 내용을 녹음하여 등록할 수 있다. 예를 들어, 전자 장치는 알람 내용의 녹음을 "엄마! 산이 영어학원 가는 시간, 빨리 준비하세요!"로 등록할 수 있다. 예를 들어, 전자 장치는 알람음 공유 및 탐색 기능을 제공할 수 있으며, 개인들이 직접 만든 재미있는 알람 소리들을 공유하면서, 다른 사용자가 만든 다양한 알람음을 내 알람음으로 설정할 수 있다.
일 실시 예에 따르면, 전자 장치(예: 도 1 및 도 2의 전자 장치(101))에서의 동작 방법은 사용자 인터랙션 정보를 수신하는 동작, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작 및 상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 방법은, 상기 타겟 객체는 상기 사용자 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 데이터 중 적어도 하나를 나타내는 객체이며, 상기 특징 정보는 오디오, 비디오, 이미지 또는 텍스트 중의 적어도 하나의 데이터 타입을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보에서 적어도 하나의 사용자 음성을 분류하는 동작, 상기 분류된 적어도 하나의 사용자 음성의 어조를 기반하여 적어도 하나의 화자를 식별하는 동작을 포함하며, 상기 개인화 오디오 정보를 생성하는 동작은, 상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 상기 개인화 오디오 정보를 생성할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보를 구간별로 분할하는 동작, 상기 구간별로 상기 분할된 서브 오디오 정보를 텍스트로 변환하는 동작, 상기 구간별로 변환된 텍스트에 대응하는 묘사 텍스트를 생성하는 동작 및 상기 각 구간별 생성된 묘사 텍스트들을 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 특징 정보가 비디오 타입으로 식별될 때, 상기 타겟 객체의 비디오 정보를 분석하여 상기 비디오 정보에서 적어도 하나의 주요 장면에 대한 적어도 하나의 이미지를 추출하는 동작, 상기 적어도 하나의 이미지의 장면을 분석한 결과를 기반하여 상기 적어도 하나의 이미지의 장면에 대응하는 묘사 텍스트를 생성하는 동작 및 상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 특징 정보가 이미지 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 이미지 정보에서 적어도 하나의 주요 장면을 분석하는 동작, 상기 분석 결과를 기반하여 상기 적어도 하나의 주요 장면에 대응하는 묘사 텍스트를 생성하는 동작 및 상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 특징 정보가 텍스트 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 텍스트 정보에서 오타 또는 비속어를 식별하는 동작, 상기 식별된 오타 또는 비속어를 다른 언어로 대체한 교정된 텍스트 정보를 생성하는 동작 및 상기 생성된 묘사 텍스트를 기반으로 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보를 이용하여 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별될 때, 상기 메모리에 저장된 연락처 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 사용자 정보에 매핑되는 상기 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 상기 적어도 하나의 화자를 식별하는 동작은, 상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별되지 않을 때, 상기 타겟 정보에 포함된 텍스트 정보 또는 상기 타겟 정보의 적어도 일부 데이터를 변환한 묘사 텍스트를 식별하는 동작; 및 상기 메모리에 저장된 묘사 텍스트 데이터베이스, 타겟 객체 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 묘사 텍스트에 매핑되는 상기 적어도 하나의 화자를 식별하는 동작을 포함할 수 있다.
일 실시 예에 따르면, 하나 이상의 프로그램을 저장한 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서, 상기 하나 이상의 프로그램은, 전자 장치의 프로세서에 의한 실행 시, 상기 전자 장치가, 사용자 인터랙션 정보를 수신하는 동작, 상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작, 상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작, 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작, 상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작 및 상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 실행하도록 실행 가능한 명령을 포함할 수 있다.
그리고 본 문서에 개시된 실시예는 개시된, 기술 내용의 설명 및 이해를 위해 제시된 것이며, 본 문서에서 기재된 기술의 범위를 한정하는 것은 아니다. 따라서, 본 문서의 범위는, 본 문서의 기술적 사상에 근거한 모든 변경 또는 다양한 다른 실시예를 포함하는 것으로 해석되어야 한다.
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 단수형은 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, 그것은 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. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 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.
일실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 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.

Claims (15)

  1. 전자 장치에 있어서,
    오디오 모듈;
    메모리; 및
    상기 오디오 모듈 및 상기 메모리에 전기적으로 연결된 적어도 하나의 프로세서를 포함하며,
    상기 적어도 하나의 프로세서는,
    사용자 인터랙션 정보를 수신하고,
    상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하고,
    상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하고,
    식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하고,
    상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하고,
    상기 개인화된 콘텐츠를 저장 및 실행하도록 설정된, 전자 장치.
  2. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보에서 적어도 하나의 사용자 음성을 분류하고,
    상기 분류된 적어도 하나의 사용자 음성의 어조를 기반하여 적어도 하나의 화자를 식별하고,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 상기 개인화 오디오 정보를 생성하도록 설정되며,
    상기 타겟 객체는 상기 사용자 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 데이터 중 적어도 하나를 나타내며,
    상기 특징 정보는 오디오, 비디오, 이미지 또는 텍스트 중의 적어도 하나의 데이터 타입을 포함하는, 전자 장치.
  3. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 메모리에 저장된 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 적어도 하나의 화자를 식별하고, 상기 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 식별하도록 설정된, 전자 장치.
  4. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보를 구간별로 분할하고,
    상기 구간별로 상기 분할된 서브 오디오 정보를 텍스트로 변환하고,
    상기 구간별로 변환된 텍스트에 대응하는 묘사 텍스트를 생성하고,
    상기 각 구간별 생성된 묘사 텍스트들을 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정된, 전자 장치.
  5. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 특징 정보가 비디오 타입으로 식별될 때, 상기 타겟 객체의 비디오 정보를 분석하여 상기 비디오 정보에서 적어도 하나의 주요 장면에 대한 적어도 하나의 이미지를 추출하고,
    상기 적어도 하나의 이미지의 장면을 분석한 결과를 기반하여 상기 적어도 하나의 이미지의 장면에 대응하는 묘사 텍스트를 생성하고,
    상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정된, 전자 장치.
  6. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 특징 정보가 이미지 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 이미지 정보에서 적어도 하나의 주요 장면을 분석하고,
    상기 분석 결과를 기반하여 상기 적어도 하나의 주요 장면에 대응하는 묘사 텍스트를 생성하고,
    상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하고,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정된, 전자 장치.
  7. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 특징 정보가 텍스트 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 텍스트 정보에서 오타 또는 비속어를 식별하고,
    상기 식별된 오타 또는 비속어를 다른 언어로 대체한 교정된 텍스트 정보를 생성하고,
    상기 생성된 묘사 텍스트를 기반으로 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보를 이용하여 적어도 하나의 화자를 식별하고,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 개인화 오디오 정보를 생성하도록 설정된, 전자 장치.
  8. 제1항에 있어서, 상기 적어도 하나의 프로세서는,
    상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별될 때, 상기 메모리에 저장된 연락처 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 사용자 정보에 매핑되는 상기 적어도 하나의 화자를 식별하고,
    상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별되지 않을 때, 상기 타겟 정보에 포함된 텍스트 정보 또는 상기 타겟 정보의 적어도 일부 데이터를 변환한 묘사 텍스트를 식별하고, 상기 메모리에 저장된 묘사 텍스트 데이터베이스, 타겟 객체 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 묘사 텍스트에 매핑되는 상기 적어도 하나의 화자를 식별하도록 설정된, 전자 장치.
  9. 전자 장치에서의 동작 방법에 있어서,
    사용자 인터랙션 정보를 수신하는 동작;
    상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작;
    상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작;
    식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작;
    상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작; 및
    상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 포함하는, 방법.
  10. 제9항에 있어서, 상기 적어도 하나의 화자를 식별하는 동작은,
    상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보에서 적어도 하나의 사용자 음성을 분류하는 동작;
    상기 분류된 적어도 하나의 사용자 음성의 어조를 기반하여 적어도 하나의 화자를 식별하는 동작을 포함하며,
    상기 개인화 오디오 정보를 생성하는 동작은,
    상기 식별된 적어도 하나의 화자에 매핑된 오디오 신호 특성 값을 기반하여 상기 적어도 하나의 화자에 대응하는 상기 개인화 오디오 정보를 생성하며,
    상기 타겟 객체는 상기 사용자 인터랙션 정보에 포함된 오디오, 비디오, 이미지 또는 텍스트 데이터 중 적어도 하나를 나타내며,
    상기 특징 정보는 오디오, 비디오, 이미지 또는 텍스트 중의 적어도 하나의 데이터 타입을 포함하는, 방법.
  11. 제9항에 있어서, 상기 적어도 하나의 화자를 식별하는 동작은,
    상기 특징 정보가 오디오 타입으로 식별될 때, 상기 타겟 객체의 오디오 정보를 분석하여 상기 오디오 정보를 구간별로 분할하는 동작;
    상기 구간별로 상기 분할된 서브 오디오 정보를 텍스트로 변환하는 동작;
    상기 구간별로 변환된 텍스트에 대응하는 묘사 텍스트를 생성하는 동작; 및
    상기 각 구간별 생성된 묘사 텍스트들을 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함하는, 방법.
  12. 제9항에 있어서, 상기 적어도 하나의 화자를 식별하는 동작은,
    상기 특징 정보가 비디오 타입으로 식별될 때, 상기 타겟 객체의 비디오 정보를 분석하여 상기 비디오 정보에서 적어도 하나의 주요 장면에 대한 적어도 하나의 이미지를 추출하는 동작;
    상기 적어도 하나의 이미지의 장면을 분석한 결과를 기반하여 상기 적어도 하나의 이미지의 장면에 대응하는 묘사 텍스트를 생성하는 동작; 및
    상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함하는, 방법.
  13. 제9항에 있어서, 상기 적어도 하나의 화자를 식별하는 동작은,
    상기 특징 정보가 이미지 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 이미지 정보에서 적어도 하나의 주요 장면을 분석하는 동작;
    상기 분석 결과를 기반하여 상기 적어도 하나의 주요 장면에 대응하는 묘사 텍스트를 생성하는 동작; 및
    상기 생성된 묘사 텍스트를 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보와 비교하여 적어도 하나의 화자를 식별하는 동작을 포함하는, 방법.
  14. 제9항에 있어서, 상기 적어도 하나의 화자를 식별하는 동작은,
    상기 특징 정보가 텍스트 타입으로 식별될 때, 상기 타겟 객체의 이미지 정보를 분석하여 상기 텍스트 정보에서 오타 또는 비속어를 식별하는 동작;
    상기 식별된 오타 또는 비속어를 다른 언어로 대체한 교정된 텍스트 정보를 생성하는 동작; 및
    상기 생성된 묘사 텍스트를 기반으로 상기 메모리에 저장된 타겟 객체 데이터베이스에 저장된 매핑 정보를 이용하여 적어도 하나의 화자를 식별하는 동작을 포함하며,
    상기 적어도 하나의 화자를 식별하는 동작은,
    상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별될 때, 상기 메모리에 저장된 연락처 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 사용자 정보에 매핑되는 상기 적어도 하나의 화자를 식별하는 동작; 및
    상기 타겟 객체의 분석 결과를 기반하여 사용자 정보가 식별되지 않을 때, 상기 타겟 정보에 포함된 텍스트 정보 또는 상기 타겟 정보의 적어도 일부 데이터를 변환한 묘사 텍스트를 식별하고, 상기 메모리에 저장된 묘사 텍스트 데이터베이스, 타겟 객체 데이터베이스 및 화자 음성 오디오 정보 데이터베이스를 이용하여 상기 묘사 텍스트에 매핑되는 상기 적어도 하나의 화자를 식별하는 동작을 포함하는, 방법.
  15. 하나 이상의 프로그램을 저장한 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서, 상기 하나 이상의 프로그램은, 전자 장치의 프로세서에 의한 실행 시, 상기 전자 장치가,
    사용자 인터랙션 정보를 수신하는 동작;
    상기 수신된 사용자 인터랙션 정보를 기반하여 타겟 객체의 특징 정보를 식별하는 동작;
    상기 식별된 특징 정보를 분석하여 적어도 하나의 화자를 식별하는 동작; 식별된 적어도 하나의 화자를 기반하여 상기 특징 정보에 대응하는 개인화 오디오 정보를 생성하는 동작;
    상기 개인화 오디오 정보를 상기 타겟 객체에 매핑하여 개인화된 콘텐츠를 생성하는 동작; 및
    상기 개인화된 콘텐츠를 저장 및 실행하는 동작을 실행하도록 실행 가능한 명령을 포함하는, 비 일시적 저장 매체.
PCT/KR2022/004982 2021-04-06 2022-04-06 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법 WO2022216059A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210044622A KR20220138669A (ko) 2021-04-06 2021-04-06 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법
KR10-2021-0044622 2021-04-06

Publications (1)

Publication Number Publication Date
WO2022216059A1 true WO2022216059A1 (ko) 2022-10-13

Family

ID=83545564

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/004982 WO2022216059A1 (ko) 2021-04-06 2022-04-06 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20220138669A (ko)
WO (1) WO2022216059A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024085605A1 (ko) * 2022-10-17 2024-04-25 삼성전자 주식회사 동영상을 처리하기 위한 장치 및 이의 동작 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150066942A (ko) * 2013-12-09 2015-06-17 주식회사 케이티 관중석의 음성 분석을 통한 컨텐츠 제공 시스템 및 이를 이용한 컨텐츠 제공 방법
US20190102531A1 (en) * 2016-05-19 2019-04-04 Alibaba Group Holding Limited Identity authentication method and apparatus
US20190206423A1 (en) * 2018-01-04 2019-07-04 Harman International Industries, Incorporated Biometric personalized audio processing system
WO2020246641A1 (ko) * 2019-06-07 2020-12-10 엘지전자 주식회사 복수의 화자 설정이 가능한 음성 합성 방법 및 음성 합성 장치
KR102190986B1 (ko) * 2019-07-03 2020-12-15 주식회사 마인즈랩 개별 화자 별 음성 생성 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150066942A (ko) * 2013-12-09 2015-06-17 주식회사 케이티 관중석의 음성 분석을 통한 컨텐츠 제공 시스템 및 이를 이용한 컨텐츠 제공 방법
US20190102531A1 (en) * 2016-05-19 2019-04-04 Alibaba Group Holding Limited Identity authentication method and apparatus
US20190206423A1 (en) * 2018-01-04 2019-07-04 Harman International Industries, Incorporated Biometric personalized audio processing system
WO2020246641A1 (ko) * 2019-06-07 2020-12-10 엘지전자 주식회사 복수의 화자 설정이 가능한 음성 합성 방법 및 음성 합성 장치
KR102190986B1 (ko) * 2019-07-03 2020-12-15 주식회사 마인즈랩 개별 화자 별 음성 생성 방법

Also Published As

Publication number Publication date
KR20220138669A (ko) 2022-10-13

Similar Documents

Publication Publication Date Title
WO2021060728A1 (ko) 사용자 발화를 처리하는 전자 장치 및 그 작동 방법
WO2022154270A1 (ko) 요약 영상 생성 방법 및 그 전자 장치
WO2022216059A1 (ko) 개인화 오디오 정보를 제공하기 위한 전자 장치 및 방법
WO2020080771A1 (ko) 변형 발화 텍스트를 제공하는 전자 장치 및 그것의 동작 방법
WO2020180008A1 (en) Method for processing plans having multiple end points and electronic device applying the same method
WO2020180000A1 (ko) 음성 인식 모델에서 사용되는 언어를 확장시키는 방법 및 음성 인식 모델을 포함하는 전자 장치
WO2022131566A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023048379A1 (ko) 사용자 발화를 처리하는 서버, 전자 장치 및 그의 동작 방법
WO2022177164A1 (ko) 온디바이스 인공지능 서비스를 제공하는 전자 장치 및 방법
WO2022139420A1 (ko) 전자 장치 및 그의 연속성을 가지는 사용자 입력에 대한 실행 정보를 공유하는 방법
WO2022098168A1 (ko) 화상 회의를 제공하는 전자 장치 및 화상 회의를 제공하는 방법
WO2022191395A1 (ko) 사용자 명령을 처리하는 장치 및 그 동작 방법
WO2022250383A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022211413A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2024071921A1 (ko) 인공지능과 음성 인식을 기반으로 동작하는 전자 장치 및 이의 제어 방법
WO2021235890A1 (ko) 인공지능 가상 비서 서비스에서의 텍스트 출력 방법 및 이를 지원하는 전자 장치
WO2024106913A1 (ko) 발화를 처리하기 위한 전자 장치, 그 동작 방법 및 저장 매체
WO2022154487A1 (ko) 클립보드 기능을 제공하기 위한 방법 및 이를 지원하는 전자 장치
WO2022231126A1 (ko) 전자 장치 및 전자 장치의 프로소디 제어를 위한 tts 모델 생성 방법
WO2022196994A1 (ko) 개인화 텍스트 투 스피치 모듈을 포함하는 전자 장치 및 이의 제어 방법
WO2022196925A1 (ko) 전자 장치 및 전자 장치의 개인화 음성 모델 생성 방법
WO2023090667A1 (ko) 발화 기반 퀵 커맨드 재구성 방법 및 이를 위한 전자 장치
WO2024029851A1 (ko) 전자 장치 및 음성 인식 방법
WO2024029850A1 (ko) 언어 모델에 기초하여 사용자 발화를 처리하는 방법 및 전자 장치
WO2022191418A1 (ko) 전자 장치 및 미디어 콘텐츠의 재생구간 이동 방법

Legal Events

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

Ref document number: 22784968

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: 22784968

Country of ref document: EP

Kind code of ref document: A1