WO2023163270A1 - 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법 - Google Patents

개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법 Download PDF

Info

Publication number
WO2023163270A1
WO2023163270A1 PCT/KR2022/004384 KR2022004384W WO2023163270A1 WO 2023163270 A1 WO2023163270 A1 WO 2023163270A1 KR 2022004384 W KR2022004384 W KR 2022004384W WO 2023163270 A1 WO2023163270 A1 WO 2023163270A1
Authority
WO
WIPO (PCT)
Prior art keywords
text
processor
sound sources
electronic device
designated
Prior art date
Application number
PCT/KR2022/004384
Other languages
English (en)
French (fr)
Inventor
성준식
강신재
서브호지트차크라다
Original Assignee
삼성전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US17/712,699 priority Critical patent/US20230267925A1/en
Publication of WO2023163270A1 publication Critical patent/WO2023163270A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00—Speech synthesis; Text to speech systems
    • G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
    • G10L19/04—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using predictive techniques
    • G10L19/26—Pre-filtering or post-filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G10L25/60—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for measuring the quality of voice signals

Definitions

  • Various embodiments disclosed in this document relate to an electronic device and method for generating a personalized automatic speech recognition model.
  • ASR automatic speech recognition
  • the automatic speech recognition model may be generated using deep learning technology using an algorithm that classifies and learns characteristics of input data by itself in order to recognize, apply, and/or process human language and/or text. .
  • An electronic device includes a processor and a memory operatively connected to the processor, wherein the memory, when executed, personalized text-to-speech conversion (personalized text-to-speech) constructed by the voice of a user designated by the processor.
  • personalized text-to-speech conversion personalized text-to-speech
  • -text-to-speech model generate a plurality of sound sources for a specified text including at least one specified word, and use a personalized automatic speech recognition model using the generated plurality of sound sources. It can store instructions that allow machine learning (deep learning).
  • a method of an electronic device includes a specified text including at least one specified word based on a personalized-text-to-speech model built with a specified user's voice. It may include an operation of generating a plurality of sound sources for and an operation of deep learning a personalized automatic speech recognition model using the generated plurality of sound sources.
  • a plurality of voice data for a designated text based on a designated user utterance is generated using a personalized text-to-speech (P-TTS) model, and personalized automatic speech recognition is performed using the generated plurality of voice data.
  • P-TTS personalized text-to-speech
  • a personalized text-to-speech (P-TTS) model As a plurality of voice data for a specified text based on a specified user utterance is generated using a personalized text-to-speech (P-TTS) model, the user must repeatedly utter it to obtain voice data for learning. You can avoid the hassle of P-TTS.
  • P-TTS personalized text-to-speech
  • a large amount of voice data for learning can be generated by generating a plurality of voice data for a specified text based on a specified user utterance using a personalized text-to-speech conversion model (P-TTS), thereby generating personalized automatic voice.
  • P-TTS personalized text-to-speech conversion model
  • the recognition success rate of the recognition model can be improved.
  • FIG. 1 is a block diagram of an electronic device in a network environment, according to various embodiments.
  • FIG. 2 is a block diagram of an electronic device and a server according to various embodiments.
  • FIG. 3 is a flowchart illustrating an example of a method of generating a personalized automatic voice recognition model of an electronic device according to various embodiments.
  • FIG. 4 is a flowchart illustrating another example of a method of generating a personalized automatic voice recognition model of an electronic device according to various embodiments.
  • FIG. 5 is a flowchart illustrating another example of a method of generating a personalized automatic voice recognition model of an electronic device according to various embodiments.
  • FIG. 6 is a flowchart illustrating an operation of generating a plurality of sound sources according to various embodiments.
  • FIG. 7 is an example of a signal flow diagram between an electronic device and a server for generating a personalized automatic voice recognition model according to various embodiments.
  • FIG. 8 is another example of a signal flow diagram between an electronic device and a server for generating a personalized automatic voice recognition model according to various embodiments.
  • FIG. 9 is another example of a signal flow diagram between an electronic device and a server for generating a personalized automatic voice recognition model according to various embodiments.
  • FIG. 10 is a diagram for describing an operation of an electronic device based on a personalized automatic voice recognition model according to various embodiments.
  • FIG. 1 is a block diagram of an electronic device 101 within 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 through a second network 199. It may communicate with at least one of the electronic device 104 or the server 108 through (eg, a long-distance wireless communication network). According to one 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
  • the server 108 e.g, a long-distance wireless communication network
  • the electronic device 101 includes a processor 120, a memory 130, an input module 150, an audio output module 155, a display module 160, an audio module 170, 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 the antenna module 197 may be included.
  • at least one of these components eg, the connection terminal 178) may be omitted or one or more other components may be added.
  • some of these components eg, sensor module 176, camera module 180, or antenna module 197) are integrated into a single component (eg, display module 160). It can be.
  • the processor 120 for example, executes software (eg, the program 140) to cause at least one other component (eg, hardware or software component) of the electronic device 101 connected to the processor 120. It can control and perform various data processing or calculations. According to one embodiment, as at least part of data processing or operation, the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • software eg, the program 140
  • the processor 120 transfers instructions or data received from other components (e.g., sensor module 176 or communication module 190) to volatile memory 132. , processing commands or data stored in the volatile memory 132 , and storing resultant data in the non-volatile memory 134 .
  • the processor 120 may include a main processor 121 (eg, a central processing unit or an application processor) or a secondary processor 123 (eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor).
  • a main processor 121 eg, a central processing unit or an application processor
  • a secondary processor 123 eg, a graphic processing unit, a neural network processing unit ( NPU: neural processing unit (NPU), image signal processor, sensor hub processor, or communication processor.
  • NPU neural network processing unit
  • the secondary processor 123 may be implemented separately from or as part of the main processor 121 .
  • the secondary processor 123 may, for example, take the place of the main processor 121 while the main processor 121 is in an inactive (eg, sleep) state, or the main processor 121 is active (eg, running an application). ) state, 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 auxiliary processor 123 eg, image signal processor or communication processor
  • the auxiliary processor 123 may include a hardware structure specialized for processing an artificial intelligence model.
  • AI models can be created through machine learning. Such learning may be performed, for example, in the electronic device 101 itself where 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 foregoing, but is not limited to the foregoing examples.
  • the artificial intelligence model may include, in addition or alternatively, software structures in addition to hardware structures.
  • 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, program 140) and commands related thereto.
  • the memory 130 may include volatile memory 132 or 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 of the electronic device 101 (eg, a user).
  • 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 sound signals 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.
  • a receiver may be used to receive an incoming call. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
  • the display module 160 may visually provide information to the outside of the electronic device 101 (eg, a user).
  • the display module 160 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the device.
  • the display module 160 may include a touch sensor set to detect a touch or a pressure sensor set to measure the intensity of force generated by the touch.
  • the audio module 170 may convert sound into an electrical signal or vice versa. According to one embodiment, the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • the audio module 170 acquires sound through the input module 150, the sound output module 155, or an external electronic device connected directly or wirelessly to the electronic device 101 (eg: Sound may be output through the electronic device 102 (eg, a speaker or a headphone).
  • 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 detected state. can do.
  • the sensor module 176 may include, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a bio sensor, It may include a temperature sensor, humidity sensor, or light sensor.
  • the interface 177 may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device 101 to 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.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card interface
  • audio interface audio interface
  • connection terminal 178 may include a connector through which the electronic device 101 may 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 electrical signals into mechanical stimuli (eg, vibration or motion) or electrical stimuli that a user may perceive through tactile or kinesthetic senses.
  • 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 one 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 at least part of a power management integrated circuit (PMIC), for example.
  • PMIC power management integrated circuit
  • the battery 189 may supply power to at least one component of the electronic device 101 .
  • the 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). Establishment and communication through the established communication channel may be supported.
  • the communication module 190 may include one or more communication processors that operate independently of the processor 120 (eg, an application processor) and support direct (eg, wired) communication or wireless communication.
  • the communication module 190 is a wireless communication module 192 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 194 (eg, : a local area network (LAN) communication module or a power line communication module).
  • a wireless communication module 192 eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module
  • GNSS global navigation satellite system
  • wired communication module 194 eg, : a local area network (LAN) communication module or a power line communication module.
  • a corresponding communication module 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 telecommunications network such as a computer network (eg, a LAN or a WAN).
  • a telecommunications network such as a computer network (eg, a LAN or a WAN).
  • These various types of communication modules may be integrated as one component (eg, a single chip) or implemented as a plurality of separate components (eg, multiple chips).
  • 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, NR access technology (new radio access technology).
  • NR access technologies include high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access of multiple terminals (massive machine type communications (mMTC)), or high reliability and low latency (ultra-reliable and low latency (URLLC)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low latency
  • -latency communications can be supported.
  • the wireless communication module 192 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
  • the wireless communication module 192 uses various technologies for securing performance in a high frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. Technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna may be supported.
  • the wireless communication module 192 may support various requirements defined for 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 for eMBB realization (eg, 20 Gbps or more), a loss coverage for mMTC realization (eg, 164 dB or less), or a U-plane latency for URLLC realization (eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less) may be supported.
  • eMBB peak data rate for eMBB realization
  • a loss coverage for mMTC realization eg, 164 dB or less
  • U-plane latency for URLLC realization eg, Example: downlink (DL) and uplink (UL) each of 0.5 ms or less, or round trip 1 ms or less
  • the antenna module 197 may transmit or receive signals or power to the outside (eg, an external electronic device).
  • the antenna module 197 may include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (eg, PCB).
  • 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 selected from the plurality of antennas by the communication module 190, for example. can be chosen 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) may be additionally formed as a part of the antenna module 197 in addition to the radiator.
  • RFIC radio frequency integrated circuit
  • the antenna module 197 may form a mmWave antenna module.
  • the mmWave antenna module includes a printed circuit board, an RFIC disposed on or adjacent to a first surface (eg, a lower surface) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, array antennas) disposed on or adjacent to a second surface (eg, a top surface or a side surface) 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)
  • signal e.g. commands or data
  • commands or data may be transmitted or received between the electronic device 101 and the external electronic device 104 through the server 108 connected to the second network 199 .
  • Each of the external electronic devices 102 or 104 may be the same as or different from the electronic device 101 .
  • all or part of operations executed in the electronic device 101 may be executed in one or more external electronic devices among the external electronic devices 102 , 104 , or 108 .
  • the electronic device 101 when the electronic device 101 needs to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device 101 instead of executing the function or service by itself.
  • one or more external electronic devices may be requested to perform the function or at least part of the service.
  • One or more external electronic devices receiving 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 deliver the execution result to the electronic device 101 .
  • the electronic device 101 may provide the result as at least part of a response to the request as it is or additionally processed.
  • 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.
  • Server 108 may be an intelligent server using machine learning and/or neural networks. According to one embodiment, the external electronic device 104 or server 108 may be included in the second network 199 .
  • the electronic device 101 may be applied to intelligent services (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology. .
  • Electronic devices may be devices of various types.
  • 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.
  • 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 camera e.g., a camera
  • a wearable device e.g., a smart bracelet
  • first, second, or first or secondary may simply be used to distinguish a given component from other corresponding components, and may be used to refer to a given component in another aspect (eg, importance or order) is not limited.
  • a (e.g., first) component is said to be “coupled” or “connected” to another (e.g., second) component, with or without the terms “functionally” or “communicatively.”
  • the certain component may 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, logical blocks, parts, or circuits.
  • a module may be an integrally constructed component or a minimal unit of components or a portion thereof 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
  • a storage medium eg, internal memory 136 or external memory 138
  • a machine eg, electronic device 101
  • a processor eg, the processor 120
  • a 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.
  • the storage medium is a tangible device and does not contain a signal (e.g. electromagnetic wave), and this term refers to the case where data is stored semi-permanently in the storage medium. It does not discriminate when it is temporarily stored.
  • a signal e.g. electromagnetic wave
  • the method according to various embodiments disclosed in this document may be included and provided in a computer program product.
  • Computer program products may be traded between sellers and buyers as commodities.
  • a computer program product is distributed in the form of a device-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play StoreTM) or on two user devices (e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • a device-readable storage medium e.g. compact disc read only memory (CD-ROM)
  • an application store e.g. Play StoreTM
  • two user devices e.g. It can be distributed (eg downloaded or uploaded) online, directly between smart phones.
  • at least part of the computer program product may be temporarily stored or temporarily created in a device-readable storage medium such as a manufacturer's server, an application store server, or a relay server's memory.
  • each component (eg, module or program) of the above-described components may include a single object or a plurality of entities, and some of the plurality of entities may be separately disposed in other components. there is.
  • one or more components or operations among the aforementioned corresponding components may be omitted, or one or more other components or operations may be added.
  • a plurality of components eg modules or programs
  • the integrated component may perform one or more functions of each of the plurality of components identically or similarly to those performed by a corresponding component of the plurality of components prior to the integration. .
  • the actions performed by a module, program, or other component are executed sequentially, in parallel, iteratively, or heuristically, or one or more of the actions are executed in a different order, or omitted. or one or more other actions may be added.
  • FIG. 2 is a block diagram of an electronic device (eg, the electronic device 101 of FIG. 1 ) and a server (eg, the server 108 of FIG. 1 ) according to various embodiments.
  • an electronic device eg, the electronic device 101 of FIG. 1
  • a server eg, the server 108 of FIG. 1
  • the electronic device 101 includes a processor (eg, the processor 120 of FIG. 1 ), a memory (eg, the memory 130 of FIG. 1 ), a microphone (eg, the input module 150 of FIG. 1 ). ), a speaker (eg, sound output module 155 of FIG. 1 ), and/or a communication module (eg, communication module 190 of FIG. 1 ).
  • a processor eg, the processor 120 of FIG. 1
  • a memory eg, the memory 130 of FIG. 1
  • a microphone eg, the input module 150 of FIG. 1
  • a speaker eg, sound output module 155 of FIG. 1
  • a communication module eg, communication module 190 of FIG. 1
  • the processor 120 may include an automatic speech recognition module (ASR module) 122 and/or a text-to-speech (TTS) engine 124.
  • ASR module automatic speech recognition module
  • TTS text-to-speech
  • the automatic voice recognition module 122 may convert a user's spoken voice input received through a microphone (eg, the input module 150) into text data.
  • the text-to-speech engine 124 may change text-type information into voice-type information.
  • the processor 120 may output information in the form of a changed voice through the speaker 155 .
  • the automatic voice recognition module 122 and the text-to-speech engine 124 are illustrated as being implemented as part of the processor 120, but are not limited thereto.
  • automatic speech recognition module 122 and text-to-speech engine 124 may be implemented with instructions stored in memory 130 and loaded from memory 130 by processor 120. there is.
  • the processor 120 may use a personalized automatic speech recognition model 133 to recognize a speech voice of a designated user.
  • the processor 120 may include an automatic voice recognition module 122 to recognize a designated user's spoken voice using the personalized automatic voice recognition model 133 .
  • the personalized automatic speech recognition model 133 may include an acoustic model and/or a language model, and may recognize speech data of a designated user and convert it into text data.
  • the acoustic model may include vocalization-related information
  • the language model may include unit phoneme information and information about a combination of unit phoneme information.
  • the personalized automatic voice recognition model 133 may be generated as a personalized model by learning or updating an automatic voice recognition model (not shown) to recognize a speech voice of a designated user.
  • the personalized automatic speech recognition model 133 is trained or updated to recognize a speech voice for a designated text including at least one designated word of a designated user with respect to an automatic speech recognition model (not shown). As a result, it can be created as a personalized model.
  • the personalized automatic voice recognition model 133 is designated as a wake-up word for a wake-up command for activating the intelligent voice recognition service, “Hi! Bixby” may be learned to recognize a specified user's spoken voice for text including at least one specified word.
  • the personalized automatic voice recognition model 133 may be referred to as a personalized wake-up voice recognition model.
  • the processor 120 of the electronic device 101 may recognize a wakeup command through the automatic voice recognition module 122 using the personalized automatic voice recognition model 133 .
  • the automatic voice recognition module 122 of the processor 120 of the electronic device 101 may include a wakeup voice recognition module (not shown) for recognizing a wakeup voice of a designated user.
  • the wake-up voice recognition module may be implemented in a low-power processor such as a processor included in an audio codec (eg, the co-processor 123 of FIG. 1 ).
  • the wake-up voice recognition module may be activated by a speech input for a wake-up word and/or a user input through a hardware key.
  • the automatic voice recognition module 122 including the wake-up voice recognition module may recognize a user's voice input using an automatic voice recognition algorithm.
  • An algorithm used to recognize the voice may be, for example, at least one of hidden markov model (HMM), artificial neural network (ANN), and dynamic time warping (DTW).
  • the personalized automatic speech recognition model 133 may generate a plurality of texts generated for each designated text including at least one word based on a designated user's voice with respect to an automatic speech recognition model (not shown). It can be generated by performing machine learning using voice to update.
  • the personalized automatic speech recognition model 133 is trained using a plurality of voices generated for each designated text including at least one word based on a designated user's voice and the speech voice of the designated user together.
  • the personalized automatic speech recognition model 133 is trained using a plurality of voices generated for each designated text based on a designated user's voice for an automatic speech recognition model (not shown). It can be created by doing According to an embodiment, the personalized automatic speech recognition model 133 may be trained based on a designated user voice by using a plurality of voices generated for each designated text together with a user's speech voice for the designated text. .
  • the automatic speech recognition method is a HMM (Hidden Markov Model) based method, an ANN (Artificial Neural Network) based method, an SVM (Support Vector Machine) based method, or a DTW (Dynamic Time Recognition) based method. Warping) based method may be used, but is not limited thereto. Automatic speech recognition models referred to according to automatic speech recognition methods may be different from each other.
  • DNN-HMM Deep Neural Network - Hidden Markov Model
  • An automatic speech recognition method based on the DNN-HMM may model an acoustic model (AM) using a DNN and model a language model (LM) using an HMM.
  • AM acoustic model
  • LM language model
  • AM or LM when using DNN-HMM as a speech recognition algorithm, AM or LM may be modified to personalize (update) an automatic speech recognition model.
  • the AM modification method can be implemented by adding an adaptation layer after the last layer of the neural network used in the AM model [Reference 2: S. Mirsamadi, and J. Hansen, “study on deep neural network acoustic model adaptation for robust far-field speech recognition,” INTERSPEECH, pages 2430-2434. ISCA, (2015)].
  • the pronunciation model which expresses words as a phoneme sequence (or senone sequence)
  • the automatic speech recognition model can be personalized.
  • the linguistic representation may be implemented as a weighted finite state transducer (FST) (wFST). Pronunciation of a designated word can be personalized by updating FST (or finite state acceptor (FSA)) information representing pronunciation among FSTs constituting the entire LM.
  • FST weighted finite state transducer
  • the FST of a designated word in the PM may be modified or a weight may be applied to the arc of the FST [Reference 3: Takaaki Hori, Chiori Hori, Yasuhiro Minami, and Atsushi Nakamura, "Efficient WFST-based one-pass decoding with on-the-fly hypothesis rescoring in extremely large vocabulary continuous speech recognition," IEEE Trans. on Audio, Speech and Lang. Process., vol. 15, no. 4, p. 1352-1365, 2007.].
  • the personalized automatic speech recognition model 133 is generated by performing machine learning by the processor 120 of the electronic device 101 or a model in which machine learning is performed by the server 108 is converted to the electronic device ( In 101, it may be received through the communication module 190 and stored in the memory 130.
  • a plurality of voices for a specified text based on a specified user's voice may be configured as a specified user's voice (or learned based on the specified user's voice) personalized-text-to-speech conversion. speech) model 131.
  • the personalized text-to-speech conversion model 131 built with the voice of a designated user may include a voice synthesis model (not shown) generating the voice of the designated user.
  • the personalized text-to-speech conversion model 131 acquires a certain amount or more of speech voices of ⁇ text, sound source ⁇ pairs from a designated user, and generates a speech synthesis model for text identical to the voice features extracted from the acquired speech. It may be generated by performing an operation of additionally learning a speech synthesis model so that the speech characteristics to be similar.
  • the personalized text-to-speech conversion model 131 built by performing additional learning a sufficient number of times may generate a sound source with a tone similar to that of a designated user.
  • the personalized text-to-speech model 131 may be built by the server 108 .
  • the server 108 may generate the personalized text-to-speech conversion model 131 by receiving a spoken voice of a designated user's ⁇ text, sound source ⁇ pair from the electronic device 101 and performing learning using the speech.
  • the electronic device 101 may receive the personalized text-to-speech conversion model 131 from the server 108 through the communication module 190 and store it in the memory 130, if necessary.
  • a plurality of voices for a specified text based on a specified user's voice may be generated using the personalized text-to-speech conversion model 131 built with the specified user's voice.
  • a plurality of voices based on a specified user voice or a plurality of voices for a specified text based on a specified user voice may be generated by the processor 120 of the electronic device 101 or generated by the server 108.
  • a plurality of voices based on a designated user voice or a plurality of voices for a designated text based on a designated user voice may include a speech voice of a designated user, for example, a microphone (eg, an input module ( 150)).
  • the processor 120 may perform a voice preprocessing operation on user's speech voice data.
  • the processor 120 may include an adaptive echo canceller (AEC) module (not shown), a noise suppression (NS) module (not shown), and end-point detection (not shown).
  • AEC adaptive echo canceller
  • NS noise suppression
  • AGC automatic gain control
  • the adaptive echo cancellation module may cancel an echo included in the user's spoken voice.
  • the noise suppression module may suppress background noise included in the user's spoken voice.
  • the end-point detection module may detect an end-point of the user's voice included in the user's spoken voice and find a part where the user's voice exists.
  • the automatic gain control module may adjust the volume of the user's spoken voice to be suitable for recognizing and processing the user's spoken voice.
  • a personalized text-to-speech conversion model 131 built with a designated user's voice when stored in the memory 130 of the electronic device 101, the processor 120 processes the designated user's voice.
  • the personalized text-to-speech conversion model 131 built as a plurality of voices based on a designated user's voice or a plurality of sound sources for designated text based on a designated user's voice can be generated.
  • the processor 120 of the electronic device 101 may generate, for example, a plurality of sound sources for a designated script using the personalized text-to-speech conversion model 131 built with a designated user's voice.
  • a designated script may contain an arbitrary set of sentences, prepared with phonetic balance, or text sentences extracted from news sentences or speech input by a designated user through an app such as a regular calling app. can include
  • the processor 120 of the electronic device 101 converts text-to-speech (text-to-speech) for generating a plurality of voices based on a designated user's voice or a plurality of sound sources for designated text based on a designated user's voice.
  • -speech text-to-speech engine 124.
  • the server 108 includes a communication interface 210, an automatic speech recognition learning engine 221, a text-to-speech training engine 223, a personalized text-to-speech model store 231, and a personalized automatic speech recognition model. storage 233 , text-to-speech model storage 235 , automatic speech recognition model storage 237 , and/or utterance data storage 239 .
  • the processor 120 or the server 108 of the electronic device 101 may store the stored personalized text-to-speech model 131 or the personalized text-to-speech of a designated user stored in the personalized text-to-speech model storage 231. Based on the conversion model 131, a plurality of sound sources may be generated by transforming at least one of a pitch or a pitch of each phoneme of a phoneme string included in a designated text including at least one or more words. According to an embodiment, the server 108 may perform a sound source generation operation to be described later through the text-to-speech learning engine 223.
  • the processor 120 or the server 108 of the electronic device 101 converts text including at least one specified word into a phoneme string, and converts the phonemes included in the converted phoneme string and/or the order of phonemes included in the phoneme string.
  • phoneme information necessary for generating a sound source may be extracted based on the relationship.
  • the processor 120 or the server 108 of the electronic device 101 may determine the number of prosody frames allocated to each phoneme included in the converted phoneme string. In general, several to dozens of prosody frames may be required to pronounce one phoneme.
  • the processor 120 or the server 108 of the electronic device 101 uses phoneme information extracted based on the order and/or relationship of the phonemes included in the converted phoneme string to convert the phoneme. Values of prosody frames assigned to each phoneme included in the column may be determined.
  • the processor 120 or the server 108 of the electronic device 101 converts prosody frame values determined for prosody frames assigned to each phoneme included in the converted phoneme string into spectrogram values.
  • a sound source for each phoneme can be generated.
  • the processor 120 or the server 108 of the electronic device 101 receives clustered prosody information corresponding to the converted phoneme sequence, and the order and/or relationship between phonemes included in the converted phoneme sequence.
  • prosody frame values may be determined by modifying at least one of the pitch or pitch of each phoneme based also on the clustered prosody information corresponding to the converted phoneme string.
  • the length of the clustered prosody information may be the same as the length of the converted phoneme string.
  • the clustered prosody information may be stored in the memory 130 or received from the server 108 .
  • the clustered prosody information is subdivided into 0.01 second units, for example, from 0.05 seconds to 0.50 seconds, in the case of the sound length, so that the generated sound source has a continuous pitch and / or utterance length, respectively. It is possible to include sufficient prosody information for the unit length of 0.01 second, and even in the case of pitch, it is possible to include sufficient prosody information for each unit height by subdividing the units into the lowest pitch and the highest pitch. Accordingly, for the clustered prosody information, it may be configured such that there is no shortage of example data for the designated sound length and/or pitch.
  • the processor 120 or the server 108 of the electronic device 101 may add various noise data that may occur in various environments to the generated sound source to be used for learning.
  • noise data may be generated by adaptive echo addition and/or noise addition.
  • the sound source generated by the processor 120 or the server 108 of the electronic device 101 may include sound source data that is significantly different from a real person's spoken voice.
  • the processor 120 of the electronic device 101 or the automatic speech recognition learning engine 221 and/or the text-to-speech learning engine 223 of the server 108 converts a plurality of generated sound sources. Filtering is performed, and the stored personalized automatic speech recognition model 133 or the personalized automatic speech recognition model of a designated user stored in the personalized automatic speech recognition model storage 233 may be machine-learned using the filtered sound sources.
  • a plurality of generated sound sources may be filtered based on various methods and/or criteria.
  • the processor 120 of the electronic device 101, or the speech recognition learning engine 221 and/or the text-to-speech learning engine 223 of the server 108 may generate a plurality of sound sources. Filtering may be performed through a sound quality test based on at least one sound quality test method including perceptual evaluation of speech quality (PESQ).
  • PESQ perceptual evaluation of speech quality
  • a personalized text-to-speech conversion model according to an embodiment is generated based on a speech voice of a designated user, and a sound source generated accordingly may include various noises due to the influence of various noises included in the speech speech of a designated user.
  • the processor 120 of the electronic device 101 or the automatic speech recognition learning engine 221 and/or the text-to-speech conversion learning engine 223 of the server 108 is configured by a personalized text-to-speech conversion model.
  • the sound quality is measured according to a sound quality measurement method such as PESQ for a plurality of sound sources for each designated text that is created, and the sound source whose measured value differs from other sound sources by more than the threshold is not created to meet the learning purpose. It can be regarded as a sound source and excluded from learning data.
  • the processor 120 of the electronic device 101, or the automatic speech recognition learning engine 221 and/or the text-to-speech learning engine 223 of the server 108 each of the generated designated text It is possible to perform automatic speech recognition on a plurality of sound sources for , convert them into text, and perform filtering by comparing the converted text with each designated text.
  • the processor 120 of the electronic device 101, or the automatic speech recognition learning engine 221 and/or the text-to-speech learning engine 223 of the server 108 each of the generated designated text
  • a plurality of sound sources for may be converted into text by, for example, automatic speech recognition.
  • the plurality of generated sound sources are for learning a personalized automatic speech recognition model, and if the text recognized through automatic speech recognition is different from the original text, an appropriate sound source that can be used for automatic speech recognition model learning to improve the actual speech recognition rate. It can be determined that it is not a sound source.
  • each of the generated designated text Pitch tracking may be performed on a plurality of sound sources for , and filtering may be performed on a plurality of sound sources generated based on a designated pitch range.
  • a designated pitch range For example, it is generally known that the female voice range is about 80 Hz to about 400 Hz and the male voice range is about 60 Hz to about 350 Hz.
  • the processor 120 of the electronic device 101, or the automatic speech recognition learning engine 221 and/or the text-to-speech learning engine 223 of the server 108 each of the generated designated text It is possible to determine a sound length for each phoneme included in a plurality of sound sources for , and to perform filtering on a plurality of sound sources generated based on a designated sound length range.
  • the length of phonemes according to people's speech may vary depending on the characteristics of language or the speech speed of the speaker, but it is known to be generally included in the range of 30 ms to 300 ms, based on this You can set a range and exclude sound sources outside the set range.
  • the processor 120 of the electronic device 101 or the automatic speech recognition learning engine 221 of the server 108 uses a plurality of sound sources for each generated designated text to create a personalized automatic speech recognition model.
  • 133 or a personalized automatic speech recognition model of a designated user stored in the personalized automatic speech recognition model storage 233 may be machine-learned.
  • the processor 120 of the electronic device 101 or the automatic speech recognition learning engine 221 of the server 108 receives a designated user's spoken voice in addition to a plurality of sound sources for each generated designated text. It can be used to deep learn a personalized automatic speech recognition model.
  • the generated personalized automatic voice recognition model may be stored in the memory 130 of the electronic device 101 or the personalized automatic voice recognition model storage 233 of the server 108 .
  • an electronic device may include a processor (eg, the processor 120 of FIG. 1 or 2 ); and a memory operatively coupled with the processor (e.g., memory 130 of FIG. 1 or 2), wherein the memory, when executed, causes the processor to:: personalized text-to-speech conversions built with the voice of a designated user; Based on the (personalized-text-to-speech) model, a plurality of sound sources for a specified text including at least one specified word are generated, and personalized automatic speech recognition is performed using the generated plurality of sound sources. ) can store instructions that allow the model to be machine-learned.
  • the processor may filter the plurality of generated sound sources and machine-learn the personalized automatic voice recognition model using the filtered sound sources.
  • the processor may perform the filtering through a sound quality test based on at least one sound quality test method including perceptual evaluation of speech quality (PESQ) for the plurality of generated sound sources.
  • PESQ perceptual evaluation of speech quality
  • the processor may perform automatic speech recognition on the generated plurality of sound sources, convert them into text, compare the converted text with the specified text, and perform the filtering.
  • the processor may perform pitch tracking on the generated plurality of sound sources and perform filtering on the generated plurality of sound sources based on a designated pitch range.
  • the processor may determine a sound length for each phoneme included in the generated plurality of sound sources, and perform filtering on the generated plurality of sound sources based on a designated sound length range. .
  • the processor is configured to generate the plurality of sound sources by modifying at least one of a pitch or a pitch of each phoneme of a phoneme string included in the text based on the personalized text-to-speech conversion model.
  • the processor may convert the text into the phoneme string and extract information necessary for generating the plurality of sound sources based on an order and relationship between phonemes included in the phoneme string.
  • the processor allocates at least one prosody frame to each phoneme included in the phoneme string, determines a value of the prosody frame based on the extracted information, and determines a value of the determined prosody frame. It is possible to generate a sound source for each phoneme by converting to a spectrogram value.
  • the processor receives clustered prosody information corresponding to the phoneme string, and modifies at least one of a pitch or a pitch of each phoneme based on the clustered prosody information.
  • FIG. 3 is a flowchart illustrating an example of a method of generating a personalized automatic voice recognition model according to various embodiments.
  • a method of generating a personalized automatic voice recognition model may be performed by the electronic device 101 and/or the server 108 of FIG. 2 .
  • a case of being performed by the processor 120 of the electronic device 101 will be described as an example, but various embodiments are not limited thereto.
  • the processor 120 may generate a plurality of sound sources for a specified text including one or more specified words, based on a personalized text-to-speech conversion model built with a specified user's voice. there is.
  • the personalized text-to-speech model built with the voice of the designated user may be generated by the processor 120 or received from the server 108 .
  • the processor 120 may modify at least one of a pitch or a pitch of each phoneme of a phoneme string included in a text including at least one or more words to generate a plurality of sound sources.
  • the processor 120 converts text including at least one specified word into a phoneme string, and converts phoneme information necessary for generating a sound source based on the order and/or relationship of phonemes included in the converted phoneme string.
  • the number of extracted and allocated prosody frames for each phoneme included in the converted phoneme string may be determined.
  • the processor 120 uses phoneme information extracted based on the order and/or relationship of the phonemes included in the converted phoneme string to determine prosody frames assigned to each phoneme included in the converted phoneme string.
  • a sound source for each phoneme may be generated by determining a value and converting the determined prosody frame values into a spectrogram value.
  • the processor 120 uses the clustered prosody information corresponding to the converted phoneme sequence together with phoneme information extracted based on the order and / or relationship of the phonemes included in the converted phoneme sequence, Prosody frame values may be determined by modifying at least one of the pitch length or pitch of each phoneme included in the converted phoneme string.
  • the processor 120 may perform deep learning on a personalized automatic voice recognition model using the generated sound sources.
  • the processor 120 selects a plurality of sound sources generated based on the above-described designated user voice with respect to an acoustic model and/or a language model included in an automatic voice recognition model.
  • the processor 120 By inputting, extracting information related to vocalization, for example, from a plurality of input sound source data, analyzing unit phoneme information and information on a combination of unit phoneme information, and learning to convert it into text data, the designated user's It can be updated to a personalized automatic speech recognition model that can recognize spoken speech.
  • FIG. 4 is a flowchart illustrating another example of a method of generating a personalized automatic voice recognition model according to various embodiments.
  • a method of generating a personalized automatic voice recognition model may be performed by the electronic device 101 and/or the server 108 of FIG. 2 .
  • a case of being performed by the processor 120 of the electronic device 101 will be described as an example, but various embodiments are not limited thereto.
  • the processor 120 may generate a plurality of sound sources for a specified text including at least one specified word based on a personalized text-to-speech conversion model built with a specified user's voice. there is.
  • the personalized text-to-speech conversion model built with the voice of a designated user may be generated by the processor 120 or received from the server 108 .
  • the processor 120 may modify at least one of a pitch or a pitch of each phoneme of a phoneme string included in a text including at least one or more words to generate a plurality of sound sources.
  • the processor 120 converts text including at least one specified word into a phoneme string, and converts phoneme information necessary for generating a sound source based on the order and/or relationship of phonemes included in the converted phoneme string.
  • the number of extracted and allocated prosody frames for each phoneme included in the converted phoneme string may be determined.
  • the processor 120 uses phoneme information extracted based on the order and/or relationship of the phonemes included in the converted phoneme string to determine prosody frames assigned to each phoneme included in the converted phoneme string.
  • a sound source for each phoneme may be generated by determining a value and converting the determined prosody frame values into a spectrogram value.
  • the processor 120 uses the clustered prosody information corresponding to the converted phoneme sequence together with phoneme information extracted based on the order and / or relationship of the phonemes included in the converted phoneme sequence, Prosody frame values may be determined by modifying at least one of the pitch length or pitch of each phoneme included in the converted phoneme string.
  • the processor 120 may filter the generated sound source.
  • a plurality of generated sound sources may be filtered based on various methods and/or criteria.
  • the processor 120 may filter the generated sound sources through a sound quality test based on at least one sound quality test method including PESQ.
  • a personalized text-to-speech conversion model according to an embodiment is generated based on a speech voice of a designated user, and the sound source generated accordingly may include various noises due to the influence of various noises included in the speech speech of a designated user. It is possible to filter sound sources whose sound quality values measured according to the same sound quality measurement method differ from other sound sources by more than a threshold.
  • the processor 120 may perform voice recognition on a plurality of generated sound sources, convert them into text, compare the converted text with designated text, and perform filtering.
  • the plurality of generated sound sources are for learning a personalized automatic speech recognition model, and if the text recognized through automatic speech recognition is different from the original text, they can be used to learn a personalized automatic speech recognition model to improve the actual speech recognition rate. It can be judged that it is not an appropriate sound source that exists.
  • the processor 120 may perform pitch tracking on a plurality of generated sound sources and perform filtering on a plurality of generated sound sources based on a designated pitch range. For example, the processor 120 may set the female voice range to about 80 Hz to 400 Hz and the male voice range to about 60 Hz to 350 Hz to exclude sound sources outside the specified pitch range.
  • the processor 120 determines the sound length of each phoneme included in the plurality of generated sound sources, and performs filtering on the plurality of generated sound sources based on the designated sound length range. can do.
  • the processor 120 may exclude sound sources outside of a set sound length range, such as about 30 ms to 300 ms.
  • the processor 120 may check whether the amount of filtered sound source data is sufficient for learning. According to an embodiment, when the filtered sound source data is insufficient, the processor 120 may return to operation 401 to additionally generate a plurality of sound sources.
  • the processor 120 may perform deep learning on a personalized automatic voice recognition model using the generated sound sources.
  • the processor 120 selects a plurality of sound sources generated based on the above-described designated user voice with respect to an acoustic model and/or a language model included in an automatic voice recognition model.
  • the speech voice of the designated user is input, extracts information related to vocalization, for example, from the input sound source data, analyzes information about unit phoneme information and information about a combination of unit phoneme information, and converts it into text data. can be updated to a personalized automatic speech recognition model that can recognize
  • FIG. 5 is a flowchart illustrating another example of a method of generating a personalized automatic voice recognition model according to various embodiments.
  • a method of generating a personalized automatic voice recognition model may be performed by the electronic device 101 and/or the server 108 of FIG. 2 .
  • a case of being performed by the processor 120 of the electronic device 101 will be described as an example, but various embodiments are not limited thereto.
  • the processor 120 may generate a plurality of sound sources for a specified text including one or more specified words, based on a personalized text-to-speech conversion model built with a specified user's voice. there is.
  • the personalized text-to-speech conversion model built with the voice of a designated user may be generated by the processor 120 or received from the server 108 .
  • the processor 120 may modify at least one of a pitch or a pitch of each phoneme of a phoneme string included in a text including at least one or more words to generate a plurality of sound sources.
  • the processor 120 converts text including at least one specified word into a phoneme string, and converts phoneme information necessary for generating a sound source based on the order and/or relationship of phonemes included in the converted phoneme string.
  • the number of extracted and allocated prosody frames for each phoneme included in the converted phoneme string may be determined.
  • the processor 120 uses phoneme information extracted based on the order and/or relationship of the phonemes included in the converted phoneme string to determine prosody frames assigned to each phoneme included in the converted phoneme string.
  • a sound source for each phoneme may be generated by determining a value and converting the determined prosody frame values into a spectrogram value.
  • the processor 120 may filter the generated sound source.
  • a plurality of generated sound sources may be filtered based on various methods and/or criteria.
  • the processor 120 may perform filtering on a plurality of generated sound sources using a sound quality test, text comparison based on automatic speech recognition, pitch range comparison, and/or sound length comparison.
  • the processor 120 performs and filters a sound quality test based on at least one sound quality test method including PESQ, performs automatic speech recognition on a plurality of generated sound sources, converts them into text, and converts the converted text into text. is compared with a designated text to perform filtering, or to perform pitch tracking on a plurality of generated sound sources, to perform filtering based on a designated pitch range, or to perform sound length range of each phoneme included in a plurality of generated sound sources Filtering can be performed by comparing .
  • the processor 120 may receive a user's speech sound source.
  • a plurality of voices based on a designated user voice or a plurality of voices for a designated text based on a designated user voice may include a speech voice of a designated user, and may include, for example, a microphone (eg, in FIG. 2 ). It can be received through the microphone 150).
  • the processor 120 may perform a voice preprocessing operation on user's speech voice data. For example, the processor 120 may suppress echoes and/or background noise included in the user's spoken voice. For example, the processor 120 may detect an end point of the user's voice included in the user's spoken voice, find a portion where the user's voice exists, or adjust the volume of the user's spoken voice.
  • the processor 120 may perform deep learning on a personalized automatic speech recognition model using the generated plurality of sound sources and the received user's speech sound source.
  • the processor 120 selects a plurality of sound sources generated based on the above-described designated user voice with respect to an acoustic model and/or a language model included in an automatic voice recognition model.
  • the speech voice of the designated user is input, extracts information related to vocalization, for example, from the input sound source data, analyzes information about unit phoneme information and information about a combination of unit phoneme information, and converts it into text data. can be updated to a personalized automatic speech recognition model that can recognize
  • FIG. 6 is a flowchart illustrating an operation of generating a plurality of sound sources according to various embodiments.
  • a method for generating a plurality of sound sources may be performed by the electronic device 101 and/or the server 108 of FIG. 2 .
  • a case of being performed by the processor 120 of the electronic device 101 will be described as an example, but various embodiments are not limited thereto.
  • the flowchart of generating a plurality of sound sources shown in FIG. 6 may include operations for explaining in detail the operation for generating a plurality of sound sources (eg, operation 301, operation 401, or operation 501) of FIG. 3, 4, or 5, for example. can
  • the processor 120 may convert text including at least one specified word into a phoneme sequence.
  • the processor 120 may extract phoneme information necessary for generating a sound source based on the order and/or relationship of phonemes included in the converted phoneme string.
  • the processor 120 may determine the number of prosody frames allocated to each phoneme included in the converted phoneme string. In general, since several to several tens of prosody frames may be required to pronounce one phoneme, the processor 120 may allocate the required number of prosody frames to pronounce each phoneme.
  • the processor 120 may receive clustered prosody information corresponding to the converted phoneme sequence in operation 603 .
  • the length of the clustered prosody information may be the same as the length of the converted phoneme string.
  • the clustered prosody information is subdivided into 0.01 second units, for example, from 0.05 seconds to 0.50 seconds, in the case of the sound length, so that the generated sound source has a continuous pitch and / or utterance length, respectively. It is possible to include sufficient prosody information for the unit length of 0.01 second, and even in the case of pitch, it is possible to include sufficient prosody information for each unit height by subdividing the units into the lowest pitch and the highest pitch. Accordingly, for the clustered prosody information, it may be configured such that there is no shortage of example data for the designated sound length and/or pitch.
  • the processor 120 may determine a prosody frame value of each of the prosody frames corresponding to each phoneme of the converted phoneme string.
  • the processor 120 determines the sound of each phoneme based on phoneme information extracted based on the order and/or relationship of phonemes included in the converted phoneme sequence and clustered prosody information corresponding to the converted phoneme sequence.
  • Values of the prosody frame may be determined by modifying at least one of the length or pitch.
  • the processor 120 converts prosody frame values determined for prosody frames assigned to each phoneme included in the converted phoneme string into spectrogram values and decodes them, thereby converting prosody frame values for each phoneme. sound source can be created.
  • FIG. 7 illustrates an electronic device (eg, the electronic device 101 of FIG. 1 or 2) and a server (eg, the server 108 of FIG. 1 or 2) for generating a personalized automatic speech recognition model according to various embodiments. It is an example of a signal flow diagram between the liver.
  • server 108 may store a personalized text-to-speech model for a specified user in a personalized text-to-speech model repository (eg, personalized text-to-speech model repository 231 of FIG. 2 ), whereby Based on this, it is possible to generate a plurality of sound sources for a designated text including at least one word of a designated user.
  • the electronic device 101 receives a plurality of sound sources generated by the server 108, learns an automatic voice recognition model using the received plurality of sound sources, and generates a personalized automatic voice recognition model for a designated user. can be created.
  • the electronic device 101 transmits a sound source for text including at least one designated word for the designated user to the server 108 in order to generate a personalized automatic speech recognition model for the designated user. can be requested to
  • the electronic device 101 may transmit text including information about a designated user and at least one designated word to the server 108 .
  • the electronic device 101 may transmit to the server 108 a spoken voice for text including at least one specified word of a specified user.
  • the text including at least one designated word may include a wake up word or a designated script.
  • the server 108 may generate a plurality of sound sources for text including at least one designated word based on a personalized text-to-speech conversion model of the designated user in operation 703 .
  • the server 108 stores a personalized text-to-speech conversion model built based on the voice of the designated user from a personalized text-to-speech model repository (eg, the personalized text-to-speech model repository 231 of FIG. 2). can be obtained
  • the server 108 may use a text-to-speech learning engine (e.g., the text-to-speech learning engine 223 of FIG. ), a personalized text-to-speech conversion model may be generated, and the generated personalized text-to-speech conversion model may be stored in the personalized text-to-speech model storage 231 .
  • a text-to-speech learning engine e.g., the text-to-speech learning engine 223 of FIG.
  • a personalized text-to-speech conversion model may be generated, and the generated personalized text-to-speech conversion model may be stored in the personalized text-to-speech model storage 231 .
  • the server 108 may perform filtering on a plurality of sound sources generated based on a personalized text-to-speech conversion model of a designated user.
  • a plurality of generated sound sources may be filtered based on various methods and/or criteria.
  • the server 108 may perform filtering on a plurality of generated sound sources through a sound quality test based on at least one sound quality test method including perceptual evaluation of speech quality (PESQ).
  • PESQ perceptual evaluation of speech quality
  • the server 108 may perform automatic speech recognition on a plurality of generated sound sources, convert them into text, compare the converted text with designated text, and perform filtering.
  • the server 108 may perform pitch tracking on a plurality of generated sound sources and perform filtering on a plurality of generated sound sources based on a designated pitch range.
  • the server 108 determines the sound length of each phoneme included in the plurality of generated sound sources, and performs filtering on the plurality of generated sound sources based on the designated sound length range. can According to an embodiment, the server 108 may perform filtering as described above to exclude inappropriate sound sources and transmit the generated plurality of sound sources to the electronic device 101 . According to an embodiment, the server 108 may check whether a plurality of generated sound sources are generated in a sufficient number for learning, additionally generate a plurality of sound sources, and perform filtering.
  • the electronic device 101 may receive a plurality of sound sources from the server 108.
  • the electronic device 101 may deep learn a personalized automatic voice recognition model using the received plurality of sound sources.
  • the electronic device 101 may receive a speech voice of a designated user and learn a personalized automatic voice recognition model by using the received plurality of sound sources together with the speech voice of the designated user.
  • FIG. 8 illustrates an electronic device (eg, the electronic device 101 of FIG. 1 or 2) and a server (eg, the server 108 of FIG. 1 or 2) for generating a personalized automatic speech recognition model according to various embodiments.
  • a server eg, the server 108 of FIG. 1 or 2 for generating a personalized automatic speech recognition model according to various embodiments.
  • Another example of a signal flow diagram of the liver is another example of a signal flow diagram of the liver.
  • the server 108 may learn a personalized automatic speech recognition model through an automatic speech recognition learning engine (eg, the automatic speech recognition learning engine 221 of FIG. 2 ), and the electronic device 101
  • an automatic speech recognition learning engine eg, the automatic speech recognition learning engine 221 of FIG. 2
  • the electronic device 101 may transmit a plurality of generated sound sources to the server 108 and obtain a personalized automatic voice recognition model learned from the server 108 .
  • the electronic device 101 may acquire a plurality of sound sources for a specified text including one or more specified words.
  • the electronic device 101 may generate a plurality of sound sources for a designated text including at least one designated word based on a personalized text-to-speech conversion model built with a designated user's voice. According to an embodiment, in order to generate a plurality of sound sources, the electronic device 101 may modify at least one of a pitch or a pitch of each phoneme of a phoneme string included in a text including at least one or more words. .
  • the electronic device 101 may obtain, as a sound source, a specified user's speech voice for a specified text including one or more specified words.
  • the personalized text-to-speech conversion model built with the voice of a designated user may be generated by the electronic device 101 or received from the server 108 .
  • the electronic device 101 transmits a plurality of sound sources for text including at least one designated word for a designated user to a server to generate a personalized automatic speech recognition model for the designated user ( 108) can be sent.
  • a plurality of sound sources for text including at least one designated word for a designated user may be generated or acquired by the electronic device 101 as described above.
  • the electronic device 101 may transmit to the server 108 a plurality of sound sources for text including information about a designated user and at least one designated word. According to an embodiment, the electronic device 101 may transmit to the server 108 a spoken voice for text including at least one specified word of a specified user. According to an embodiment, the text including at least one designated word may include a wake up word or a designated script.
  • the server 108 may generate a personalized automatic speech recognition model using a plurality of sound sources for text including at least one specified word.
  • the server 108 may generate a personalized automatic voice recognition model for a specified user by learning a voice recognition model using a plurality of sound sources for text including at least one specified word.
  • the server 108 stores the personalized automatic speech recognition model learned based on the voice of the designated user in a personalized automatic speech recognition model storage (eg, the personalized automatic speech recognition model storage 233 of FIG. 2 ). can be saved
  • the electronic device 101 may receive the personalized automatic voice recognition model generated from the server 108 in operation 807 .
  • FIG. 9 illustrates an electronic device (eg, the electronic device 101 of FIG. 1 or 2 ) and a server (eg, the server 108 of FIG. 1 or 2 ) for generating a personalized automatic speech recognition model according to various embodiments.
  • a server eg, the server 108 of FIG. 1 or 2
  • Another example of a signal flow diagram of the liver is another example of a signal flow diagram of the liver.
  • the server 108 may learn a personalized automatic speech recognition model through an automatic speech recognition learning engine (eg, the automatic speech recognition learning engine 221 of FIG. 2 ).
  • an automatic speech recognition learning engine eg, the automatic speech recognition learning engine 221 of FIG. 2 .
  • a plurality of sound sources for designated text including at least one word may be created.
  • the electronic device 101 may acquire a personalized automatic voice recognition model learned from the server 108 .
  • the electronic device 101 may request a personalized automatic voice recognition model of a designated user from the server 108.
  • the electronic device 101 may transmit information about a designated user and information about text including at least one designated word to the server 108 .
  • the electronic device 101 may transmit to the server 108 a spoken voice for text including at least one specified word of a specified user.
  • the text including at least one designated word may include a wake up word or a designated script.
  • the server 108 may generate a plurality of sound sources for a specified text including at least one specified word based on a personalized text-to-speech conversion model built with a specified user's voice. there is.
  • the server 108 may modify at least one of a pitch or a pitch for each phoneme of a phoneme string included in a text including at least one or more words in order to generate a plurality of sound sources.
  • the server 108 may obtain, as a sound source, a speech voice of a specified user for a specified text including one or more specified words.
  • the server 108 may train a personalized automatic speech recognition model for the specified user using a plurality of sound sources for text including at least one specified word for the specified user.
  • the server 108 stores the personalized automatic speech recognition model learned based on the voice of the designated user in a personalized automatic speech recognition model storage (eg, the personalized automatic speech recognition model storage 233 of FIG. 2 ). can be saved
  • the electronic device 101 may receive the personalized automatic voice recognition model generated from the server 108 in operation 907 .
  • FIG. 10 is a diagram 1000 for explaining an operation of an electronic device (eg, the electronic device 101 of FIG. 2 ) based on a personalized automatic voice recognition model according to various embodiments.
  • the personalized automatic speech recognition model is a personalized automatic speech recognition model for recognizing a speech voice of a designated user and/or a speech speech for text including at least one designated word of a designated user (eg, wake up word). ) may include a wake-up voice recognition model for recognizing.
  • the electronic device 101 may execute an intelligent app to process a user input through an intelligent server (eg, the server 108 of FIG. 1 ).
  • an intelligent server eg, the server 108 of FIG. 1 .
  • the electronic device 101 recognizes a designated voice input (eg, wake up!) using a personalized automatic voice recognition model including a wake-up voice recognition model, or recognizes a hardware key (eg, wake up!) :
  • a designated voice input eg, wake up!
  • a hardware key e.g, wake up!
  • an intelligent app for processing voice input can be executed.
  • the electronic device 101 may, for example, execute an intelligent app in a state in which a schedule app is executed.
  • the electronic device 101 may display an object (eg, icon) 1011 corresponding to an intelligent app on a display (eg, the display module 160 of FIG. 1 ).
  • the electronic device 101 may receive a voice input by a user's speech.
  • the electronic device 101 may receive a voice input saying “tell me this week's schedule!”.
  • the electronic device 101 may recognize a received voice input using a personalized automatic voice recognition model and convert the received voice input into text.
  • the electronic device 101 may display a user interface (UI) 1013 (eg, an input window) of an intelligent app displaying text data of the received voice input on the display.
  • UI user interface
  • the electronic device 101 may display a result corresponding to the received voice input on the display.
  • the electronic device 101 receives an operation processing result corresponding to the received user input from the server 108 or determines the result of processing the operation in the electronic device 101, and determines 'this week's schedule' according to the received or determined operation processing result. can be displayed on the display.

Abstract

본 문서에 개시된 다양한 실시 예에 따른 전자 장치는, 프로세서 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고, 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장할 수 있다.

Description

개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법
본 문서에 개시된 다양한 실시예들은, 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법에 관한 것이다.
기술의 발달과 함께 전자 장치는 사용자 니즈에 따라 다양한 기능을 수행할 수 있도록 진화하고 있다.
최근에는 자동 음성 인식(automatic speech recognition, ASR) 모델을 이용하여 사용자의 발화(utterance)를 인식하고, 발화에 대응하는 텍스트 데이터에 기초하여 전자 장치의 기능 또는 동작을 제어하려는 시도가 활발하다.
자동 음성 인식 모델은 인간의 언어 및/또는 문자를 인식하고 응용 및/또는 처리하기 위해, 입력 데이터들의 특징을 스스로 분류하고 학습하는 알고리즘을 이용하는 기계 학습(deep learning) 기술을 사용하여 생성될 수 있다.
개인화 웨이크 업 워드 인식 또는 개인화 자동 음성 인식 모델 생성 시, 사용자에 대한 불편함 야기로 인해 학습을 위해 필요한 충분한 양의 학습용 사용자 발화 데이터를 확보하기가 용이하지 않을 수 있다.
본 문서에 개시된 다양한 실시예들은 개인화 텍스트 음성 변환(personalized text-to-speech, P-TTS) 모델을 사용하여 복수의 음성 데이터를 생성하고, 생성된 복수의 음성 데이터를 사용하여 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법을 제공하기 위한 것이다.
본 개시에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 문서에 개시된 다양한 실시 예에 따른 전자 장치는, 프로세서 및 상기 프로세서와 작동적으로 연결된 메모리를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고, 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장할 수 있다.
본 문서에 개시된 다양한 실시 예에 따른 전자 장치의 방법은, 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하는 동작 및 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 개인화 텍스트 음성 변환(P-TTS) 모델을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성하고, 생성된 복수의 음성 데이터를 사용하여 개인화 자동 음성 인식 모델을 생성할 수 있다.
다양한 실시 예에 따르면, 개인화 텍스트 음성 변환(P-TTS) 모델을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성함에 따라 학습용 음성 데이터를 획득하기 위해 사용자가 반복적으로 발화하여야 하는 번거로움을 피할 수 있다.
다양한 실시예에 따르면, 개인화 텍스트 음성 변환 모델(P-TTS)을 사용하여 지정된 사용자 발화 음성에 기초한 지정된 텍스트에 대한 복수의 음성 데이터를 생성함에 따라 다량의 학습용 음성 데이터를 생성할 수 있어 개인화 자동 음성 인식 모델의 인식 성공률을 향상시킬 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도면의 설명과 관련하여, 동일 또는 유사한 구성 요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 다양한 실시예에 따른 전자 장치와 서버의 블록도이다.
도 3은 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델 생성 방법의 일 예를 설명하기 위한 흐름도이다.
도 4는 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델을 생성하는 방법의 다른 예를 설명하기 위한 흐름도이다.
도 5는 다양한 실시예에 따른 전자 장치의 개인화 자동 음성 인식 모델을 생성하는 방법의 또다른 예를 설명하기 위한 흐름도이다.
도 6은 다양한 실시예에 따른 복수의 음원 생성 동작을 설명하기 위한 흐름도이다.
도 7은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 일 예이다.
도 8은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 다른 예이다.
도 9는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치와 서버 간의 신호 흐름도의 또 다른 예이다.
도 10은 다양한 실시예에 따른 개인화 자동 음성 인식 모델에 기초한 전자 장치의 동작을 설명하기 위한 도면이다.
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 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 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. .
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 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.
도 2는 다양한 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))와 서버(예: 도 1의 서버(108))의 블록도이다.
도 2를 참조하면, 전자 장치(101)는 프로세서(예: 도 1의 프로세서(120)), 메모리(예: 도 1의 메모리(130)), 마이크(예: 도 1의 입력 모듈(150)), 스피커(예: 도 1의 음향 출력 모듈(155)), 및/또는 통신 모듈(예: 도 1의 통신 모듈(190))을 포함할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모듈(automatic speech recognition module, ASR module)(122) 및/또는 텍스트 음성 변환(text-to-speech, TTS) 엔진(124)을 포함할 수 있다. 일 실시예에 따르면, 자동 음성 인식 모듈(122)은 마이크(예: 입력 모듈(150))를 통해 수신된 사용자의 발화 음성 입력을 텍스트 데이터로 변환할 수 있다. 일 실시예에 따르면, 텍스트 음성 변환 엔진(124)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다. 일 실시예에 따르면, 프로세서(120)는 변경된 음성 형태의 정보를 스피커(155)를 통해 출력할 수 있다. 도 2를 참조하면, 자동 음성 인식 모듈(122) 및 텍스트 음성 변환 엔진(124)이 프로세서(120)의 일부로 구현된 것으로 도시되어 있으나, 이에 한정되지 않는다. 예를 들어, 자동 음성 인식 모듈(122) 및 텍스트 음성 변환 엔진(124)은 메모리(130)에 저장되어, 프로세서(120)에 의해 메모리(130)로부터 로드되는 인스트럭션(instruction)들로 구현될 수도 있다.
다양한 실시예에 따르면, 프로세서(120)는 개인화 자동 음성 인식(personalized automatic speech recognition) 모델(133)을 사용하여 지정된 사용자의 발화 음성을 인식할 수 있다. 일 실시예에 따르면 프로세서(120)는 개인화 자동 음성 인식 모델(133)을 사용하여 지정된 사용자의 발화 음성을 인식하기 위해 자동 음성 인식 모듈(122)을 포함할 수 있다.
일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 음향 모델(acoustic model) 및/또는 언어 모델(language model)을 포함할 수 있으며, 지정된 사용자의 음성 데이터를 인식하고 텍스트 데이터로 변환할 수 있도록 학습될 수 있다. 예를 들면 음향 모델은 발성에 관련된 정보를 포함할 수 있고, 언어 모델은 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 포함할 수 있다.
다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 발화 음성을 인식하도록 학습 또는 업데이트됨으로써 개인화된 모델로서 생성될 수 있다.
다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 발화 음성을 인식하도록 학습 또는 업데이트됨으로써 개인화된 모델로서 생성될 수 있다.
다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지능형 음성 인식 서비스를 활성화하기 위한 웨이크 업(wake up) 명령을 위한 웨이크업 워드로 지정된, “하이! 빅스비”와 같은 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 지정된 사용자의 발화 음성을 인식하도록 학습될 수 있다. 이 경우 개인화 자동 음성 인식 모델(133)은 개인화 웨이크업 음성 인식 모델로 칭할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 개인화 자동 음성 인식 모델(133)을 사용하여 자동 음성 인식 모듈(122)을 통해 웨이크업 명령을 인식하도록 할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 프로세서(120)의 자동 음성 인식 모듈(122)은 지정된 사용자의 웨이크업 음성을 인식하는 웨이크업 음성 인식 모듈(미도시)을 포함할 수 있다.
일 실시 예에 따르면, 웨이크업 음성 인식 모듈은 오디오 코덱에 포함된 프로세서와 같은 저전력 프로세서(예: 도 1의 보조프로세서(123))에 구현될 수 있다. 일 실시 예에 따르면, 웨이크업 음성 인식 모듈은, 웨이크 업 워드에 대한 발화 입력 및/또는 하드웨어 키를 통한 사용자 입력에 의해 활성화될 수 있다.
다양한 실시예에 따르면, 웨이크업 음성 인식 모듈을 포함하는 자동 음성 인식 모듈(122)은 자동 음성 인식 알고리즘을 이용하여 사용자 음성 입력을 인식할 수 있다. 상기 음성을 인식하기 위해 사용되는 알고리즘은, 예를 들어, HMM(hidden markov model), ANN(artificial neural network) 또는 DTW(dynamic time warping) 중 적어도 하나일 수 있다.
다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 음성에 기초한 적어도 하나의 단어를 포함하는 각각의 지정된 텍스트에 대하여 생성된 복수의 음성을 사용하여 기계학습을 수행하여 업데이트함으로써 생성할 수 있다.
일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지정된 사용자 음성에 기초한 적어도 하나의 단어를 포함하는 각각의 지정된 텍스트에 대하여 생성된 복수의 음성 및 지정된 사용자의 발화 음성을 함께 사용하여 학습될 수 있다.
다양한 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은, 자동 음성 인식 모델(미도시)에 대해, 지정된 사용자의 음성에 기초하여, 각각의 지정된 텍스트에 대해 생성된 복수의 음성을 사용하여 학습을 수행함으로써 생성할 수 있다. 일 실시예에 따르면, 개인화 자동 음성 인식 모델(133)은 지정된 사용자 음성에 기초하여, 각각의 지정된 텍스트에 대해 생성된 복수의 음성 및 지정된 텍스트에 대한 사용자의 발화 음성을 함께 사용하여 학습될 수 있다.
다양한 실시예에 따르면, 자동 음성 인식 방법(또는 자동 음석 인식 알고리즘)은 HMM(Hidden Markov Model) 기반 방법, ANN(Artificial Neural Network) 기반 방법, SVM(Support Vector Machine) 기반 방법, 또는 DTW(Dynamic Time Warping) 기반 방법 중 적어도 하나의 방법이 사용될 수 있으나 이에 한정하는 것은 아니다. 자동 음성 인식 방법에 따라 참조하는 자동 음성 인식 모델은 서로 상이할 수 있다.
일 실시예에 따르면, 자동 음성 인식 방법으로 DNN-HMM (Deep Neural Network - Hidden Markov Model)이 사용될 수 있다[참조 1: G. E. Dahl, D. Yu, L. Deng, and A. Acero, “pretrained deep neural networks for large-vocabulary speech recognition,”Audio, Speech, and Language Processing, IEEE Transactions on, vol. 20, no. 1, pp. 30-42, 2012]. DNN-HMM에 기반한 자동 음성 인식 방법은, 음향 모델(acoustic model; AM)을 DNN을 이용하여 모델링하고, 언어 모델(language model; LM)을 HMM을 이용하여 모델링하는 것일 수 있다.
일 실시예에 따르면, DNN-HMM을 음성 인식 알고리즘으로 사용할 경우, 자동 음성 인식 모델을 개인화(업데이트)하기 위해 AM 또는 LM이 수정될 수 있다. AM을 수정하는 방법은 AM 모델에 사용한 뉴럴 네트워크(neural network)의 마지막 레이어(layer) 이후에 adaptation layer을 추가함으로써 구현될 수 있다[참조 2: S. Mirsamadi, and J. Hansen, “study on deep neural network acoustic model adaptation for robust far-field speech recognition,”INTERSPEECH, page 2430-2434. ISCA, (2015)].
다양한 실시예에 따르면, 자동 음성 인식 모델의 개인화를 위해 LM을 수정하는 방법이 있을 수 있다. LM에서도 단어들을 음소열(또는 senone sequence)로 표현하는 pronunciation model(PM)이 수정됨으로써 자동 음성 인식 모델의 개인화가 가능할 수 있다. 상술한 바와 같이, DNN-HMM에서 언어적 표현은 wFST(weighted FST(finite state transducer))로 구현될 수 있다. 전체 LM을 구성하는 FST 중 pronunciation을 표현하는 FST(또는 finite state acceptor(FSA)) 정보가 업데이트됨으로써 지정된 단어에 대한 발음이 개인화될 수 있다. 예를 들어, PM의 지정된 단어의 FST가 수정되거나 상기 FST의 arc에 가중치가 적용될 수 있다 [참조 3: Takaaki Hori, Chiori Hori, Yasuhiro Minami, and Atsushi Nakamura, "Efficient WFST-based one-pass decoding with on-the-fly hypothesis rescoring in extremely large vocabulary continuous speech recognition," IEEE Trans. on Audio, Speech and Lang. Process., vol. 15, no. 4, pp. 1352-1365, 2007.].
다양한 실시예에 따르면 개인화 자동 음성 인식 모델(133)은, 전자 장치(101)의 프로세서(120)에 의해 기계 학습을 수행하여 생성되거나 서버(108)에 의해 기계 학습이 수행된 모델을 전자 장치(101)에서 통신 모듈(190)을 통해 수신하여 메모리(130)에 저장될 수 있다.
다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 음성으로 구축된(또는 지정된 사용자의 음성에 기초하여 학습된) 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델(131)을 사용하여 생성될 수 있다.
다양한 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)은 지정된 사용자의 음성을 생성하는 음성 합성 모델(미도시)을 포함할 수 있다. 일 실시예에 따르면 개인화 텍스트 음성 변환 모델(131)은 지정된 사용자로부터 {텍스트, 음원} 쌍의 일정량 이상의 발화 음성을 획득하고, 획득된 발화로부터 추출된 음성 특징과 동일한 텍스트에 대해 음성 합성 모델이 생성하는 음성 특징이 유사해지도록 음성 합성 모델을 추가적으로 학습하는 동작을 수행하여 생성될 수 있다. 충분한 횟수의 추가적 학습을 수행하여 구축된 개인화 텍스트 음성 변환 모델(131)은, 지정된 사용자의 음성과 유사한 음색의 음원을 생성할 수 있다.
일 실시예에 따르면, 개인화 텍스트 음성 변환 모델(131)은 서버(108)에 의해구축될 수 있다. 예를 들면 서버(108)는 전자 장치(101)로부터 지정된 사용자의 {텍스트, 음원} 쌍의 발화 음성을 수신하고 이를 사용하여 학습을 수행함으로써 개인화 텍스트 음성 변환 모델(131)을 생성할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 필요한 경우 서버(108)로부터 개인화 텍스트 음성 변환 모델(131)을 통신 모듈(190)을 통해 수신하여 메모리(130)에 저장할 수 있다.
다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여 생성될 수 있다.
다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 전자 장치(101)의 프로세서(120)에 의해 생성되거나 서버(108)에서 생성될 수 있다.
다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 발화 음성을 포함할 수 있으며, 예를 들면 마이크(예: 입력 모듈(150))를 통해 수신할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 사용자의 발화 음성 데이터에 대해 음성 전처리 동작을 수행할 수 있다. 예를 들어, 프로세서(120)는 적응 반향 제거(adaptive echo canceller)(AEC) 모듈(미도시), 노이즈 억제(noise suppression)(NS) 모듈(미도시), 종점 검출(end-point detection)(EPD) 모듈(미도시) 또는 자동 이득 제어(automatic gain control)(AGC) 모듈(미도시)을 포함할 수 있다. 상기 적응 반향 제거 모듈은 상기 사용자 발화 음성에 포함된 에코(echo)를 제거할 수 있다. 상기 노이즈 억제 모듈은 상기 사용자 발화 음성에 포함된 배경 잡음을 억제할 수 있다. 상기 종점 검출 모듈은 상기 사용자 발화 음성에 포함된 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾을 수 있다. 상기 자동 이득 제어 모듈은 상기 사용자 발화 음성을 인식하여 처리하기 적합하도록 상기 사용자 발화 음성의 음량을 조절할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 예를 들어 메모리(130)에 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)이 저장되어 있는 경우, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자의 음성에 기초한 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델(131)을 사용하여, 예를 들면 지정된 스크립트에 대한 복수의 음원을 생성할 수 있다. 예를 들어 지정된 스크립트는 임의의 문장 세트를 포함할 수 있으며, 발음 밸런스(phonetic balance)를 맞추어 준비되거나 뉴스 문장들 또는 지정된 사용자가 평소 통화 앱과 같은 앱을 통해 입력한 음성으로부터 추출된 텍스트 문장들을 포함할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 프로세서(120)는 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자의 음성에 기초한 지정된 텍스트에 대한 복수의 음원을 생성하기 위한 텍스트 음성 변환(text-to-speech) 엔진(124)을 포함할 수 있다.
다양한 실시예에 따르면, 서버(108)는 통신 인터페이스(210), 자동 음성 인식 학습 엔진(221), 텍스트 음성 변환 학습 엔진(223), 개인화 텍스트 음성 변환 모델 저장소(231), 개인화 자동 음성 인식 모델 저장소(233), 텍스트 음성 변환 모델 저장소(235), 자동 음성 인식 모델 저장소(237), 및/또는 발화 데이터 저장소(239)를 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 저장된 개인화 텍스트 음성 변환 모델(131) 또는 개인화 텍스트 음성 변환 모델 저장소(231)에 저장된 지정된 사용자의 개인화 텍스트 음성 변환 모델(131)에 기초하여, 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 서버(108)는 텍스트 음성 변환 학습 엔진(223)을 통해 후술하는 음원 생성 동작을 수행할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다. 일반적으로 하나의 음소를 발음하는데 수개 내지 수십개의 운율(prosody) 프레임이 필요할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 포함된 각 음소에 대해 할당된 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 전환된 음소열에 대응하는 군집화한 운율 정보를 수신하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보에 더해 추가적으로, 전환된 음소열에 대응하는 군집화한 운율 정보에 또한 기초하여, 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임 값들을 결정할 수 있다. 예를 들면 군집화한 운율 정보의 길이는 전환된 음소열의 길이와 동일할 수 있다. 일 실시예에 따르면 군집화한 운율 정보는 메모리(130)에 저장되거나 서버(108)로부터 수신할 수 있다.
일 실시예에 따르면 군집화한 운율 정보는, 생성되는 음원이 연속적인 음고 및/또는 발화 길이를 갖도록 하기 위해, 음길이의 경우 예를 들어, 0.05초부터 0.50초까지 0.01초 단위로 세분하여, 각각의 0.01초 단위 길이에 대한 충분한 운율 정보를 포함할 수 있도록 할 수 있으며 음고의 경우에도 최저 음고와 최고 음고까지 단위를 세분하여 각 단위 높이에 대해 충분한 운율 정보를 포함할 수 있도록 할 수 있다. 이에 따라 군집화한 운율 정보에 대해, 지정된 음길이 및/또는 음고에 대한 예시 데이터가 부족하지 않도록 구성될 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)는, 생성된 음원에 대해 다양한 환경에서 발생할 수 있는 다양한 잡음 데이터를 추가하여 학습에 사용하도록 할 수 있다. 예를 들어, 잡음 데이터는 적응 반향(adaptive echo) 추가 및/또는 노이즈(noise) 추가에 의해 생성될 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120) 또는 서버(108)에 의해 생성된 음원은 실제 사람의 발화 음성과는 상당히 차이가 있는 음원 데이터를 포함할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 복수의 음원들을 필터링하고, 필터링된 음원들을 사용하여 저장된 개인화 자동 음성 인식 모델(133) 또는 개인화 자동 음성 인식 모델 저장소(233)에 저장된 지정된 사용자의 개인화 자동 음성 인식 모델을 기계 학습하도록 할 수 있다.
다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 복수의 음원들에 대해 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행하도록 할 수 있다. 일 실시예에 따른 개인화 텍스트 음성 변환 모델은 지정된 사용자의 발화 음성에 기초하여 생성되며, 이에 따라 생성된 음원은 지정된 사용자 발화 음성에 포함된 다양한 노이즈의 영향으로 다양한 노이즈를 포함할 수 있다.
일 실시예에 따르면 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 개인화 텍스트 음성 변환 모델에 의해 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 대해 PESQ와 같은 음질 측정 방식에 따라 음질을 측정하고, 측정 값이 타 음원들과 문턱값 이상 차이가 나는 음원은, 학습 목적에 맞도록 생성되지 않은 음원으로 간주하여, 학습 데이터에서 배제하도록 할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 각각의 지정된 텍스트와 비교하여 필터링을 수행하도록 할 수 있다.
일 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 대해 예를 들면 자동 음성 인식을 수행하여 텍스트로 변환할 수 있다. 생성되는 복수의 음원들은 개인화된 자동 음성 인식 모델을 학습하기 위한 것으로서, 자동 음성 인식을 통해 인식된 텍스트가 원 텍스트와 상이하면, 실제 음성 인식율을 향상시키기 위해 자동 음성 인식 모델 학습에 사용할 수 있는 적절한 음원이 아닌 것으로 판단할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 일반적으로 여성의 음역대는 약 80 Hz 내지 약 400 Hz이고 남성의 음역대는 약 60 Hz 내지 약 350 Hz 로 알려져 있어, 이에 기초하여 지정된 피치 범위를 설정함으로써, 실제 사용자에 의한 발화 음성과 차이가 날 것으로 판단되는, 지정된 피치 범위를 벗어나는 음원을 배제하도록 할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)의 프로세서(120), 또는 서버(108)의 자동 음성 인식 학습 엔진(221) 및/또는 텍스트 음성 변환 학습 엔진(223)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 일반적으로 사람들의 발화에 따른 음소의 길이는, 언어의 특성 또는 화자의 발성 속도에 따라 차이가 있을 수 있으나, 대체로 30 ms 내지 300 ms 범위 내에 포함되는 것으로 알려져 있어, 이에 기초하여 음길이 범위를 설정하고, 설정된 범위에서 벗어나는 음원들을 배제하도록 할 수 있다.
다양한 실시예에 따르면 전자 장치(101)의 프로세서(120) 또는 서버(108)의 자동 음성 인식 학습 엔진(221)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원을 사용하여 개인화 자동 음성 인식 모델(133) 또는 개인화 자동 음성 인식 모델 저장소(233)에 저장된 지정된 사용자의 개인화 자동 음성 인식 모델을 기계 학습(deep learning)할 수 있다.
다양한 실시예에 따르면 전자 장치(101)의 프로세서(120) 또는 서버(108)의 자동 음성 인식 학습 엔진(221)은, 생성된 각각의 지정된 텍스트에 대한 복수의 음원에 더해 지정된 사용자의 발화 음성을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)할 수 있다.
다양한 실시예에 따르면, 생성된 개인화 자동 음성 인식 모델은 전자 장치(101)의 메모리(130) 또는 서버(108)의 개인화 자동 음성 인식 모델 저장소(233)에 저장될 수 있다.
다양한 실시예에 따르면, 전자 장치(예: 도 1 또는 도 2의 전자 장치(101))은 프로세서(예: 도 1 또는 도 2의 프로세서(120)); 및 상기 프로세서와 작동적으로 연결된 메모리(예: 도 1 또는 도 2의 메모리(130));를 포함하고, 상기 메모리는, 실행 시, 상기 프로세서가: 지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고, 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원을 필터링하고, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원에 대한 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 상기 필터링을 수행하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 생성된 복수의 음원에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 개인화 텍스트 음성 변환 모델에 기초하여, 상기 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 상기 복수의 음원을 생성하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 텍스트를 상기 음소열로 전환하고 상기 음소열에 포함된 음소들의 순서 및 관계에 기초하여 상기 복수의 음원 생성에 필요한 정보를 추출하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는, 상기 음소열에 포함된 각 음소에 대해 적어도 하나의 운율 프레임을 할당하고, 상기 추출된 정보에 기초하여 상기 운율 프레임의 값을 결정하고, 상기 결정된 운율 프레임의 값을 스펙트로그램 값으로 변환하여 상기 각 음소에 대한 음원을 생성하도록 할 수 있다.
다양한 실시예에 따르면, 상기 프로세서는 상기 음소열에 대응하는 군집화한 운율 정보를 수신하고, 상기 군집화한 운율 정보에 기초하여 상기 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하도록 하는 전자 장치.
도 3은 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법의 일 예를 설명하기 위한 흐름도이다.
도 3을 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.
다양한 실시예에 따르면, 동작 301에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 프로세서(120)에 의해 생성되거나 서버(108)로부터 수신될 수 있다.
일 실시예에 따르면, 프로세서(120)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출하고, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정하고, 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 대응하는 군집화한 운율 정보를 상술한 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보와 함께 이용하여, 전환된 음소열에 포함된 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임 값들을 결정할 수 있다.
다양한 실시예에 따르면, 동작 303에서, 프로세서(120)는 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.
일 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모델에 포함된 음향 모델(acoustic model) 및/또는 언어 모델(language model)에 대해, 상술한 지정된 사용자 음성에 기초하여 생성된 복수의 음원을 입력하여, 입력된 복수의 음원 데이터에 대해 예를 들면 발성에 관련된 정보를 추출하고, 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 분석하여 텍스트 데이터로 변환할 수 있도록 학습시킴으로써, 지정된 사용자의 발화 음성을 인식할 수 있는 개인화 자동 음성 인식 모델로 업데이트할 수 있다.
도 4는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하는 방법의 다른 예를 설명하기 위한 흐름도이다.
도 4를 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.
다양한 실시예에 따르면, 동작 401에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 프로세서(120)에 의해 생성되거나 서버(108)로부터 수신할 수 있다.
일 실시예에 따르면, 프로세서(120)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출하고, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정하고, 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 대응하는 군집화한 운율 정보를 상술한 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보와 함께 이용하여, 전환된 음소열에 포함된 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임 값들을 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 403에서, 생성된 음원을 필터링할 수 있다.
다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 PESQ를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행하도록 할 수 있다. 일 실시예에 따른 개인화 텍스트 음성 변환 모델은 지정된 사용자의 발화 음성에 기초하여 생성되며, 이에 따라 생성된 음원은 지정된 사용자 발화 음성에 포함된 다양한 노이즈의 영향으로 다양한 노이즈를 포함할 수 있어, PESQ와 같은 음질 측정 방식에 따라 측정된 음질 값이 타 음원들과 문턱값 이상 차이가 나는 음원을 필터링할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행하도록 할 수 있다. 생성된 복수의 음원들은 개인화된 자동 음성 인식 모델을 학습하기 위한 것으로서, 자동 음성 인식을 통해 인식된 텍스트가 원 텍스트와 상이하면, 실제 음성 인식율을 향상시키기 위해 개인화된 자동 음성 인식 모델 학습에 사용할 수 있는 적절한 음원이 아닌 것으로 판단할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 프로세서(120)는 여성의 음역대는 약 80 Hz 내지 400 Hz 로, 남성의 음역대는 약 60 Hz 내지 350 Hz 의 피치 범위로 설정하여, 지정된 피치 범위를 벗어나는 음원을 배제하도록 할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행하도록 할 수 있다. 예를 들면 프로세서(120)는, 약 30 ms 내지 300 ms 와 같은 설정된 음길이 범위에서 벗어나는 음원들을 배제하도록 할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 405에서, 필터링된 음원 데이터가 학습에 필요한 충분한 양인지 확인할 수 있다. 일 실시예에 따르면 프로세서(120)는, 필터링된 음원 데이터가 부족한 경우 동작 401로 회귀하여 복수의 음원을 추가적으로 생성하도록 할 수 있다.
다양한 실시예에 따르면, 동작 407에서, 프로세서(120)는 생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.
일 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모델에 포함된 음향 모델(acoustic model) 및/또는 언어 모델(language model)에 대해, 상술한 지정된 사용자 음성에 기초하여 생성된 복수의 음원을 입력하여, 입력된 음원 데이터에 대해 예를 들면 발성에 관련된 정보를 추출하고, 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 분석하여 텍스트 데이터로 변환할 수 있도록 학습시킴으로써, 지정된 사용자의 발화 음성을 인식할 수 있는 개인화 자동 음성 인식 모델로 업데이트할 수 있다.
도 5는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하는 방법의 또다른 예를 설명하기 위한 흐름도이다.
도 5를 참고하면, 다양한 실시예에 따른 개인화 자동 음성 인식 모델 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다.
다양한 실시예에 따르면, 동작 501에서, 프로세서(120)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 프로세서(120)에 의해 생성되거나 서버(108)로부터 수신할 수 있다.
일 실시예에 따르면, 프로세서(120)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환하고, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출하고, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보를 이용하여, 전환된 음소열에 포함된 각 음소에 할당된 운율 프레임들의 값을 결정하고, 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 각 음소에 대한 음원을 생성할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 503에서, 생성된 음원을 필터링할 수 있다.
다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다.
다양한 실시예에 따르면, 프로세서(120)는, 생성된 복수의 음원들에 대해 음질 테스트, 자동 음성 인식에 의한 텍스트 비교, 피치 범위 비교 및/또는 음길이 비교 방식으로 필터링을 수행할 수 있다. 예를 들면 프로세서(120)는 PESQ를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 수행하여 필터링하거나, 생성된 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행하거나, 생성된 복수의 음원에 대해 피치 트레킹을 수행하고, 지정된 피치 범위에 기초하여 필터링을 수행하거나, 생성된 복수의 음원들에 포함된 각 음소의 음길이 범위를 비교하여 필터링을 수행할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 505에서, 사용자 발화 음원을 수신할 수 있다.
다양한 실시예에 따르면, 지정된 사용자 음성에 기초한 복수의 음성 또는 지정된 사용자 음성에 기초한 지정된 텍스트에 대한 복수의 음성은, 지정된 사용자의 발화 음성을 포함할 수 있으며, 예를 들면 마이크(예: 도 2의 마이크(150))를 통해 수신할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 사용자의 발화 음성 데이터에 대해 음성 전처리 동작을 수행할 수 있다. 예를 들어, 프로세서(120)는 사용자 발화 음성에 포함된 에코(echo) 및/또는 배경 잡음을 억제할 수 있다. 예를 들어, 프로세서(120)는 사용자 발화 음성에 포함된 사용자 음성의 종점을 검출하여 사용자의 음성이 존재하는 부분을 찾거나 사용자 발화 음성의 음량을 조절할 수 있다.
다양한 실시예에 따르면, 동작 507에서, 프로세서(120)는 생성된 복수의 음원과 수신된 사용자 발화 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.
일 실시예에 따르면, 프로세서(120)는 자동 음성 인식 모델에 포함된 음향 모델(acoustic model) 및/또는 언어 모델(language model)에 대해, 상술한 지정된 사용자 음성에 기초하여 생성된 복수의 음원을 입력하여, 입력된 음원 데이터에 대해 예를 들면 발성에 관련된 정보를 추출하고, 단위 음소 정보 및 단위 음소 정보의 조합에 대한 정보를 분석하여 텍스트 데이터로 변환할 수 있도록 학습시킴으로써, 지정된 사용자의 발화 음성을 인식할 수 있는 개인화 자동 음성 인식 모델로 업데이트할 수 있다.
도 6은 다양한 실시예에 따른 복수의 음원 생성 동작을 설명하기 위한 흐름도이다.
도 6을 참조하면, 다양한 실시예에 따른 복수의 음원 생성 방법은 도 2의 전자 장치(101) 및/또는 서버(108)에 의해 수행될 수 있다. 이하, 전자 장치(101)의 프로세서(120)에 의해 수행되는 경우를 예를 들어 설명하나 다양한 실시예는 이에 한정되지 않는다. 도 6에 도시된 복수의 음원 생성 동작 흐름도는 예를 들면 도 3, 도 4 또는 도 5의 복수의 음원 생성 동작(예: 동작 301, 동작 401 또는 동작 501)을 보다 상세히 설명하는 동작들을 포함할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 601에서, 지정된 적어도 하나의 단어를 포함하는 텍스트를 음소열로 전환할 수 있다.
일 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 음원 생성에 필요한 음소 정보를 추출할 수 있다.
일 실시예에 따르면, 프로세서(120)는, 전환된 음소열에 포함된 각 음소에 대해 할당되는 운율(prosody) 프레임의 개수를 결정할 수 있다. 일반적으로 하나의 음소를 발음하는데 수개 내지 수십개의 운율(prosody) 프레임이 필요할 수 있어, 프로세서(120)는 각 음소를 발음하는데 필요한 개수의 운율 프레임을 할당할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 603에서, 전환된 음소열에 대응하는 군집화한 운율 정보를 수신할 수 있다. 예를 들면 군집화한 운율 정보의 길이는 전환된 음소열의 길이와 동일할 수 있다.
일 실시예에 따르면 군집화한 운율 정보는, 생성되는 음원이 연속적인 음고 및/또는 발화 길이를 갖도록 하기 위해, 음길이의 경우 예를 들면, 0.05초부터 0.50초까지 0.01초 단위로 세분하여, 각각의 0.01초 단위 길이에 대한 충분한 운율 정보를 포함할 수 있도록 할 수 있으며 음고의 경우에도 최저 음고와 최고 음고까지 단위를 세분하여 각 단위 높이에 대해 충분한 운율 정보를 포함할 수 있도록 할 수 있다. 이에 따라 군집화한 운율 정보에 대해, 지정된 음길이 및/또는 음고에 대한 예시 데이터가 부족하지 않도록 구성될 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 605에서, 전환된 음소열의 각음소에 대응하는 운율 프레임들의 각각의 운율 프레임 값을 결정할 수 있다.
일 실시예에 따르면, 프로세서(120)는 전환된 음소열에 포함된 음소들의 순서 및/또는 관계에 기초하여 추출된 음소 정보 및 전환된 음소열에 대응하는 군집화한 운율 정보에 기초하여, 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하여 운율 프레임의 값들을 결정할 수 있다.
다양한 실시예에 따르면, 프로세서(120)는 동작 607에서, 전환된 음소열에 포함된 각 음소에 대해 할당된 운율 프레임들에 대해 결정된 운율 프레임 값들을 스펙트로그램 값으로 변환하여 복호화함으로써, 각 음소에 대한 음원을 생성할 수 있다.
도 7은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 일 예이다.
도 7의 실시예에서, 서버(108)는 지정된 사용자에 대한 개인화 텍스트 음성 변환 모델을 개인화 텍스트 음성 변환 모델 저장소(예: 도 2의 개인화 텍스트 음성 변환 모델 저장소(231))에 저장할 수 있으며, 이에 기초하여 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로부터 생성된 복수의 음원을 수신하고, 수신된 복수의 음원을 사용하여 자동 음성 인식 모델을 학습하여 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하도록 할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 동작 701에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하기 위해, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 음원을 서버(108)에 요청할 수 있다.
일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트를 서버(108)로 전송할 수 있다.
일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다.
일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.
일 실시예에 따르면, 서버(108)는 동작 703에서, 지정된 사용자의 개인화 텍스트 음성 변환 모델에 기초하여 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 서버(108)는 개인화 텍스트 음성 변환 모델 저장소(예: 도 2의 개인화 텍스트 음성 변환 모델 저장소(231))에서 상기 지정된 사용자의 음성에 기초하여 구축된 개인화 텍스트 음성 변환 모델을 획득할 수 있다.
일 실시예에 따르면, 서버(108)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성에 기초하여, 텍스트 음성 변환 학습 엔진(예: 도 2의 텍스트 음성 변환 학습 엔진(223))을 통해 개인화 텍스트 음성 변환 모델을 생성하고, 생성된 개인화 텍스트 음성 변환 모델을 개인화 텍스트 음성 변환 모델 저장소(231)에 저장할 수 있다.
일 실시예에 따르면, 서버(108)는 지정된 사용자의 개인화 텍스트 음성 변환 모델에 기초하여 생성된 복수의 음원에 대해 필터링을 수행할 수 있다.
다양한 실시예에 따르면, 생성된 복수의 음원들은 다양한 방식 및/또는 기준에 기초하여 필터링될 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원들에 대해 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원들에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 변환된 텍스트를 지정된 텍스트와 비교하여 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는, 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 생성된 복수의 음원에 대한 필터링을 수행할 수 있다. 일 실시예에 따르면, 서버(108)는, 생성된 복수의 음원들에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 생성된 복수의 음원들에 대한 필터링을 수행할 수 있다. 일 실시예에 따르면 서버(108)는 상술한 바와 같이 필터링을 수행하여 부적절한 음원들을 배제하고 생성된 복수의 음원을 전자 장치(101)로 전송할 수 있다. 일 실시예에 따르면, 서버(108)는 생성된 복수의 음원이 학습에 충분할 정도의 개수로 생성되었는지 확인하고, 추가적으로 복수의 음원을 생성하고 필터링을 수행할 수 있다.
다양한 실시예에 따르면, 동작 705에서 전자 장치(101)는, 서버(108)로부터 복수의 음원을 수신할 수 있다.
다양한 실시예에 따르면, 동작 707에서 전자 장치(101)는 수신된 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 기계 학습(deep learning)하도록 할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 지정된 사용자의 발화 음성을 수신할 수 있으며, 수신된 복수의 음원과 지정된 사용자의 발화 음성을 함께 사용하여 개인화 자동 음성 인식 모델을 학습하도록 할 수 있다.
도 8은 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 다른 예이다.
도 8의 실시예에서, 서버(108)는 자동 음성 인식 학습 엔진(예: 도 2의 자동 음성 인식 학습 엔진(221))을 통해 개인화 자동 음성 인식 모델을 학습할 수 있으며, 전자 장치(101)는 이를 위해 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하여 서버(108)로 전송할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로 생성된 복수의 음원을 전송하고, 서버(108)로부터 학습된 개인화 자동 음성 인식 모델을 획득할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 동작 801에서, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 획득할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 지정된 사용자의 발화 음성을 음원으로 획득할 수 있다.
일 실시예에 따르면, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델은 전자 장치(101)에 의해 생성되거나 서버(108)로부터 수신할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 동작 803에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 생성하기 위해, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 서버(108)에 전송할 수 있다. 예를 들면, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원은 상술한 바와 같이 전자 장치(101)에 의해 생성 또는 획득될 수 있다.
일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.
일 실시예에 따르면, 서버(108)는 동작 805에서, 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 개인화 자동 음성 인식 모델을 생성할 수 있다.
일 실시예에 따르면, 서버(108)는 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 음성 인식 모델을 학습하여, 지정된 사용자에 대한 개인화 자동 음성 인식 모델을 생성할 수 있다.
일 실시예에 따르면, 서버(108)는 개인화 자동 음성 인식 모델 저장소(예: 도 2의 개인화 자동 음성 인식 모델 저장소(233))에 상기 지정된 사용자의 음성에 기초하여 학습된 개인화 자동 음성 인식 모델을 저장할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 동작 807에서, 서버(108)로부터 생성된 개인화 자동 음성 인식 모델을 수신할 수 있다.
도 9는 다양한 실시예에 따른 개인화 자동 음성 인식 모델을 생성하기 위한전자 장치(예: 도 1 또는 도 2의 전자 장치(101))와 서버(예: 도 1 또는 도 2의 서버(108)) 간의 신호 흐름도의 또 다른 예이다.
도 9의 실시예에서, 서버(108)는 자동 음성 인식 학습 엔진(예: 도 2의 자동 음성 인식 학습 엔진(221))을 통해 개인화 자동 음성 인식 모델을 학습할 수 있으며, 이를 위해 지정된 사용자의 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 서버(108)로부터 학습된 개인화 자동 음성 인식 모델을 획득할 수 있다.
다양한 실시예에 따르면, 전자 장치(101)는 동작 901에서, 지정된 사용자의 개인화 자동 음성 인식 모델을 서버(108)에 요청할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자에 대한 정보와 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 정보를 서버(108)로 전송할 수 있다. 일 실시예에 따르면 전자 장치(101)는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성을 서버(108)로 전송할 수 있다. 일 실시예에 따르면 지정된 적어도 하나의 단어를 포함하는 텍스트는 웨이크 업 워드 또는 지정된 스크립트를 포함할 수 있다.
다양한 실시예에 따르면, 서버(108)는 동작 903에서, 지정된 사용자의 음성으로 구축된 개인화 텍스트 음성 변환 모델에 기초하여, 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성할 수 있다.
일 실시예에 따르면, 서버(108)는 복수의 음원을 생성하기 위해, 적어도 하나 이상의 단어를 포함하는 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형할 수 있다.
일 실시예에 따르면, 서버(108)는 지정된 적어도 하나 이상의 단어를 포함하는 지정된 텍스트에 대한 지정된 사용자의 발화 음성을 음원으로 획득할 수 있다.
다양한 실시예에 따르면, 서버(108)는 동작 905에서, 지정된 사용자에 대한 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 복수의 음원을 사용하여 지정된 사용자의 개인화 자동 음성 인식 모델을 학습시킬 수 있다.
일 실시예에 따르면, 서버(108)는 개인화 자동 음성 인식 모델 저장소(예: 도 2의 개인화 자동 음성 인식 모델 저장소(233))에 상기 지정된 사용자의 음성에 기초하여 학습된 개인화 자동 음성 인식 모델을 저장할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 동작 907에서, 서버(108)로부터 생성된 개인화 자동 음성 인식 모델을 수신할 수 있다.
도 10은 다양한 실시예에 따른 개인화 자동 음성 인식 모델에 기초한 전자 장치(예: 도 2의 전자 장치(101))의 동작을 설명하기 위한 도면(1000)이다.
다양한 실시예에 따르면 개인화 자동 음성 인식 모델은 지정된 사용자의 발화 음성을 인식하기 위한 개인화 자동 음성 인식 모델 및/또는 지정된 사용자의 지정된 적어도 하나의 단어를 포함하는 텍스트에 대한 발화 음성(예: 웨이크 업 워드)을 인식하기 위한 웨이크 업 음성 인식 모델을 포함할 수 있다.
일 실시예에 따르면 전자 장치(101)는 지능형 서버(예: 도 1의 서버(108))를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.
일 실시 예에 따르면, 1010 화면에서, 전자 장치(101)는 지정된 음성 입력(예: 웨이크 업!)을 웨이크 업 음성 인식 모델을 포함하는 개인화 자동 음성 인식 모델을 사용하여 인식하거나, 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 전자 장치(101)는, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다.
일 실시 예에 따르면, 전자 장치(101)는 지능형 앱에 대응되는 오브젝트(예: 아이콘)(1011)를 디스플레이(예: 도 1의 디스플레이 모듈(160))에 표시할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 전자 장치(101)는 “이번주 일정 알려줘!”라는 음성 입력을 수신할 수 있다. 일 실시예에 따르면 전자 장치(101)는 개인화 자동 음성 인식 모델을 사용하여 수신된 음성 입력을 인식하고 수신된 음성 입력을 텍스트로 변환할 수 있다. 일 실시 예에 따르면, 전자 장치(101)는 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(1013)(예: 입력창)를 디스플레이에 표시할 수 있다.
일 실시 예에 따르면, 1020 화면에서, 전자 장치(101)는 수신된 음성 입력에 대응되는 결과를 디스플레이에 표시할 수 있다. 예를 들어, 전자 장치(101)는 수신된 사용자 입력에 대응되는 동작 처리 결과를 서버(108)로부터 수신하거나, 전자 장치(101)에서 결정하고, 수신 또는 결정된 동작 처리 결과에 따라 '이번주 일정'을 디스플레이에 표시할 수 있다.
본 문서에 개시된 실시 예들은 기술 내용을 쉽게 설명하고 이해를 돕기 위한 예로서 제시한 것일 뿐이며, 본 문서에 개시된 기술의 범위를 한정하고자 하는 것은 아니다. 따라서 본 문서에 개시된 기술의 범위는 여기에 개시된 실시 예들 이외에도 본 문서에 개시된 다양한 실시 예의 기술적 사상을 바탕으로 도출되는 모든 변경 또는 변형된 형태를 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 전자 장치에 있어서,
    프로세서; 및
    상기 프로세서와 작동적으로 연결된 메모리;를 포함하고,
    상기 메모리는, 실행 시, 상기 프로세서가:
    지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하고,
    생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하도록 하는 인스트럭션들을 저장하는,
    전자 장치.
  2. 제1항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 생성된 복수의 음원을 필터링하고, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하도록 하는 전자 장치.
  3. 제2항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 생성된 복수의 음원에 대한 PESQ(perceptual evaluation of speech quality)를 포함하는 적어도 하나의 음질 테스트 방식에 기초한 음질 테스트를 통해 상기 필터링을 수행하도록 하는 전자 장치.
  4. 제2항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 생성된 복수의 음원에 대해 자동 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하도록 하는 전자 장치.
  5. 제2항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 하는 전자 장치.
  6. 제2항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하도록 하는 전자 장치.
  7. 제1항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 개인화 텍스트 음성 변환 모델에 기초하여, 상기 텍스트에 포함된 음소열의 각각의 음소의 대해 음길이 또는 음높이 중 적어도 하나를 변형하여 상기 복수의 음원을 생성하도록 하는 전자 장치.
  8. 제7항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 텍스트를 상기 음소열로 전환하고 상기 음소열에 포함된 음소들의 순서 및 관계에 기초하여 상기 복수의 음원 생성에 필요한 정보를 추출하도록 하는 전자 장치.
  9. 제8항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는, 상기 음소열에 포함된 각 음소에 대해 적어도 하나의 운율 프레임을 할당하고, 상기 추출된 정보에 기초하여 상기 운율 프레임의 값을 결정하고, 상기 결정된 운율 프레임의 값을 스펙트로그램 값으로 변환하여 상기 각 음소에 대한 음원을 생성하도록 하는 전자 장치.
  10. 제9항에 있어서,
    상기 메모리는, 실행 시, 상기 프로세서는 상기 음소열에 대응하는 군집화한 운율 정보를 수신하고, 상기 군집화한 운율 정보에 기초하여 상기 각 음소의 음길이 또는 음높이 중 적어도 하나를 변형하도록 하는 전자 장치.
  11. 전자 장치의 방법에 있어서,
    지정된 사용자의 목소리로 구축된 개인화 텍스트 음성 변환(personalized-text-to-speech) 모델에 기초하여, 지정된 적어도 하나의 단어를 포함하는 지정된 텍스트에 대한 복수의 음원을 생성하는 동작; 및
    생성된 복수의 음원을 사용하여 개인화 자동 음성 인식 (personalized automatic speech recognition) 모델을 기계 학습(deep learning)하는 동작;을 포함하는, 방법.
  12. 제11항에 있어서,
    상기 생성된 복수의 음원을 필터링하는 동작을 더 포함하고,
    상기 기계 학습 동작은, 필터링된 음원들을 사용하여 상기 개인화 자동 음성 인식 모델을 기계 학습하는 방법.
  13. 제12항에 있어서,
    상기 필터링 동작은, 상기 생성된 복수의 음원에 대해 음성 인식을 수행하여 텍스트로 변환하고, 상기 변환된 텍스트를 상기 지정된 텍스트와 비교하여 상기 필터링을 수행하는 방법.
  14. 제12항에 있어서,
    상기 필터링 동작은, 상기 생성된 복수의 음원에 대해 피치 트레킹(pitch tracking)을 수행하고, 지정된 피치 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하는 방법.
  15. 제12항에 있어서,
    상기 필터링 동작은, 상기 생성된 복수의 음원에 포함된 각 음소에 대한 음길이를 결정하고, 지정된 음길이 범위에 기초하여 상기 생성된 복수의 음원에 대한 필터링을 수행하는 방법.
PCT/KR2022/004384 2022-02-22 2022-03-29 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법 WO2023163270A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/712,699 US20230267925A1 (en) 2022-02-22 2022-04-04 Electronic device for generating personalized automatic speech recognition model and method of the same

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2022-0023245 2022-02-22
KR1020220023245A KR20230126123A (ko) 2022-02-22 2022-02-22 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/712,699 Continuation US20230267925A1 (en) 2022-02-22 2022-04-04 Electronic device for generating personalized automatic speech recognition model and method of the same

Publications (1)

Publication Number Publication Date
WO2023163270A1 true WO2023163270A1 (ko) 2023-08-31

Family

ID=87766076

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/004384 WO2023163270A1 (ko) 2022-02-22 2022-03-29 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법

Country Status (2)

Country Link
KR (1) KR20230126123A (ko)
WO (1) WO2023163270A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009288456A (ja) * 2008-05-28 2009-12-10 Oki Electric Ind Co Ltd テキスト音声合成装置、方法及びプログラム
JP2011002494A (ja) * 2009-06-16 2011-01-06 Nippon Telegr & Teleph Corp <Ntt> 音声認識装置とその方法と、プログラムと記録媒体
US20110165912A1 (en) * 2010-01-05 2011-07-07 Sony Ericsson Mobile Communications Ab Personalized text-to-speech synthesis and personalized speech feature extraction
KR20140028336A (ko) * 2012-08-28 2014-03-10 삼성전자주식회사 음성 변환 장치 및 이의 음성 변환 방법
KR20200007496A (ko) * 2018-07-13 2020-01-22 삼성전자주식회사 개인화 ASR(automatic speech recognition) 모델을 생성하는 전자 장치 및 이를 동작하는 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009288456A (ja) * 2008-05-28 2009-12-10 Oki Electric Ind Co Ltd テキスト音声合成装置、方法及びプログラム
JP2011002494A (ja) * 2009-06-16 2011-01-06 Nippon Telegr & Teleph Corp <Ntt> 音声認識装置とその方法と、プログラムと記録媒体
US20110165912A1 (en) * 2010-01-05 2011-07-07 Sony Ericsson Mobile Communications Ab Personalized text-to-speech synthesis and personalized speech feature extraction
KR20140028336A (ko) * 2012-08-28 2014-03-10 삼성전자주식회사 음성 변환 장치 및 이의 음성 변환 방법
KR20200007496A (ko) * 2018-07-13 2020-01-22 삼성전자주식회사 개인화 ASR(automatic speech recognition) 모델을 생성하는 전자 장치 및 이를 동작하는 방법

Also Published As

Publication number Publication date
KR20230126123A (ko) 2023-08-29

Similar Documents

Publication Publication Date Title
WO2020105856A1 (en) Electronic apparatus for processing user utterance and controlling method thereof
WO2022019538A1 (ko) 언어 모델 및 이를 포함하는 전자 장치
WO2022131566A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022065879A1 (ko) 음성 인식 서비스를 위한 등록 사용자에 대한 화자 인증 학습 장치 및 그 동작 방법
WO2023163270A1 (ko) 개인화 자동 음성 인식 모델을 생성하는 전자 장치 및 그 방법
WO2022177224A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2021096281A1 (en) Voice input processing method and electronic device supporting same
WO2022196925A1 (ko) 전자 장치 및 전자 장치의 개인화 음성 모델 생성 방법
WO2022265210A1 (ko) 전자 장치 및 전자 장치의 개인화된 음성 처리 방법
WO2023149644A1 (ko) 전자 장치 및 사용자 언어 모델 생성 방법
WO2022196994A1 (ko) 개인화 텍스트 투 스피치 모듈을 포함하는 전자 장치 및 이의 제어 방법
WO2024076214A1 (ko) 음성 인식을 수행하는 전자 장치와 이의 동작 방법
WO2022231126A1 (ko) 전자 장치 및 전자 장치의 프로소디 제어를 위한 tts 모델 생성 방법
WO2024080745A1 (ko) 발화 캐시에 기반하여 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
WO2024029845A1 (ko) 전자 장치 및 이의 음성 인식 방법
WO2022234919A1 (ko) 오호출을 식별하는 서버 및 이의 제어 방법
WO2024029851A1 (ko) 전자 장치 및 음성 인식 방법
WO2024043592A1 (ko) 전자 장치 및 텍스트 음성 변환의 속도 제어 방법
WO2022173104A1 (ko) 음성 구간 인식의 향상을 지원하는 전자 장치
WO2024071946A1 (ko) 음성 특성 기반 번역 방법 및 이를 위한 전자 장치
WO2024043670A1 (ko) 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
WO2024071921A1 (ko) 인공지능과 음성 인식을 기반으로 동작하는 전자 장치 및 이의 제어 방법
WO2023158076A1 (ko) 전자 장치 및 전자 장치의 발화 처리 방법
WO2024072036A1 (ko) 음성인식 장치 및 음성인식 장치의 동작방법
WO2022220559A1 (en) Electronic device for processing user utterance and control method thereof

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: 22929022

Country of ref document: EP

Kind code of ref document: A1