WO2024096641A1 - 전자 장치 및 전자 장치의 음성 인식 방법 - Google Patents

전자 장치 및 전자 장치의 음성 인식 방법 Download PDF

Info

Publication number
WO2024096641A1
WO2024096641A1 PCT/KR2023/017431 KR2023017431W WO2024096641A1 WO 2024096641 A1 WO2024096641 A1 WO 2024096641A1 KR 2023017431 W KR2023017431 W KR 2023017431W WO 2024096641 A1 WO2024096641 A1 WO 2024096641A1
Authority
WO
WIPO (PCT)
Prior art keywords
electronic device
user
module
entity name
domain
Prior art date
Application number
PCT/KR2023/017431
Other languages
English (en)
French (fr)
Inventor
이태우
이길호
홍연아
권민석
김경태
송가진
신호선
이정인
정석영
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
Priority claimed from KR1020220181055A external-priority patent/KR20240062867A/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to EP23793982.2A priority Critical patent/EP4394762A1/en
Publication of WO2024096641A1 publication Critical patent/WO2024096641A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/1822—Parsing for meaning understanding
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G10L15/32—Multiple recognisers used in sequence or in parallel; Score combination systems therefor, e.g. voting systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/78—Detection of presence or absence of voice signals

Definitions

  • Embodiments disclosed in this document relate to electronic devices and methods of voice recognition in electronic devices.
  • voice assistance services that can provide intuitive interfaces between electronic devices have recently been developed.
  • the voice assistance service can perform natural language processing on the user's utterance to infer the user's intention and control the control device based on the inferred user's intention.
  • an electronic device must be able to recognize content (e.g., named entity) included in a user's utterance in order to determine the user's intention.
  • Various embodiments of the present disclosure seek to provide an electronic device capable of recognizing each consecutive entity name included in a user's utterance and a voice recognition method for the electronic device.
  • Various embodiments of the present disclosure provide an electronic device and a voice recognition method of the electronic device that can recognize text corresponding to an entity name included in a user's utterance and replace the recognized text with an entity name that matches the user's intent. I want to do it.
  • An electronic device may include a communication circuit, a memory, and a processor.
  • the memory can store instructions.
  • the instructions when executed by the processor, cause the electronic device to receive a voice signal according to a user's utterance from an external device, first decode at least a portion of the voice signal, and perform at least a part based on the first decoding result.
  • the domain corresponding to the user's utterance is determined, the voice signal is segmented into a plurality of segments, and the voice signal is divided based on the segmentation result and a language model corresponding to the determined domain.
  • Second decoding replacing at least part of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result, and replacing at least part of the text corresponding to the plurality of segments with a named entity (NE), based on the replacement result, It can be set to generate voice recognition results.
  • a voice recognition method for an electronic device includes receiving a voice signal according to a user's utterance from an external device, first decoding at least a portion of the voice signal, and generating the first decoding result.
  • an operation of second decoding the voice signal based on the second decoding result an operation of replacing at least some of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result, and It may include generating a voice recognition result based at least in part on the substitution result.
  • NE named entity
  • the storage medium when executed by a processor of an electronic device, allows the electronic device to receive a voice signal according to a user's utterance from an external device and generate at least a portion of the voice signal.
  • 1 decode, determine a domain corresponding to the user utterance based at least in part on the first decoding result, segment the speech signal into a plurality of segments, and segment the segmentation result and the determined Second decoding the speech signal based on a language model corresponding to the domain, and replacing at least some of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result ( replace), and a program (or instructions) that generates a voice recognition result based at least in part on the replacement result may be stored.
  • NE named entity
  • each consecutive entity name included in a user's utterance can be recognized.
  • text corresponding to an entity name included in a user's utterance can be recognized, and the recognized text can be replaced with an entity name that matches the user's intent.
  • the accuracy or performance of voice recognition can be improved by distinguishing and recognizing consecutive entity names included in user utterances.
  • FIG. 1 is a block diagram of an electronic device according to an embodiment.
  • Figure 2 is a block diagram of an electronic device according to one embodiment.
  • FIG. 3 is a diagram illustrating an entity name replacement operation of an electronic device according to an embodiment.
  • Figure 4 is a block diagram of an electronic device according to an embodiment.
  • Figure 5 is a flowchart of a voice recognition method for an electronic device according to an embodiment.
  • Figure 6 shows an electronic device in a network environment according to various embodiments.
  • Figure 7 is a block diagram showing an integrated intelligence system according to an embodiment.
  • Figure 8 is a diagram showing how relationship information between concepts and actions is stored in a database, according to an embodiment.
  • FIG. 9 is a diagram illustrating a user terminal displaying a screen for processing voice input received through an intelligent app, according to one embodiment.
  • FIG. 1 is a block diagram of an electronic device according to an embodiment.
  • FIG. 1 shows an electronic device 100 (e.g., the electronic device 400 of FIG. 4 and the electronic device 601 of FIG. 6) implemented based on a bi-directional recurrent neural networks (RNN) series model.
  • RNN bi-directional recurrent neural networks
  • the electronic device 100 includes a preprocessing module 111, a first decoder 112, a domain estimation module 113, a segmentation module 114, a second decoder 115, and a substitution module. It may include a module 116 and a controller 120.
  • the electronic device 100 may include a personal data sync service (PDSS) 130 and/or an external language model 150.
  • the external language model 150 may include a language model (e.g., a general language model (general LM) 151-1 and a music language model (151-2)) corresponding to at least one domain. You can.
  • the PDSS 130 and/or the external language model 150 may be implemented in an external electronic device (eg, an external server).
  • the preprocessing module 111 is a voice input (e.g., a voice signal according to a user utterance (e.g., a voice signal representing a user utterance, the voice signal is a digital signal corresponding to the user utterance received by a microphone). can be a signal) can be preprocessed.
  • the preprocessing module 111 may perform end point detection (EPD) of the speech signal (eg, to determine the end point of the user's utterance).
  • EPD end point detection
  • the preprocessing module 111 can extract features from the voice signal.
  • the preprocessing module 111 may perform cepstral mean variance normalization (CMVN) based on the voice signal.
  • CMVN cepstral mean variance normalization
  • CMVN cepstral mean variance normalization
  • the first decoder 112 may decode at least a portion of the voice signal.
  • the first decoder 112 may perform automatic speech recognition (ASR) based on a speech signal.
  • ASR automatic speech recognition
  • the first decoder 112 may be a decoder for neural network-based ASR.
  • the first decoder 112 may generate normalized text (eg, text normalization (TN) text) based on a speech recognition algorithm from a speech signal.
  • TN text normalization
  • the first decoder 112 may perform decoding using a model based on the bi-directional RNN series.
  • the first decoder 112 may partially accumulate and decode the voice signal by a specified length.
  • a speech signal can be decoded in steps, with each step decoding a specified length of the speech signal (e.g., from 400 ms to 800 ms, etc.) until the entire length of the speech signal has been decoded. (corresponding to a specific time length of the signal) can be decoded.
  • a voice signal may be decoded in a first step, a second step, and a third step. For example, if the total length of the voice signal according to the user's utterance is about 1200 ms and a transducer series ASR is used, the first decoder 112 decodes the first specified length (e.g., 400 ms) of about 0 to about 400 ms in step 1.
  • Decode the speech signal to generate a decoding result of the speech signal from about 0 to about 400 ms and in step 2, decode the speech signal from about 400 ms to about 800 ms to generate a decoding result of the speech signal from about 0 to about 800 ms, 3
  • a voice signal of about 800 ms to about 1200 ms can be decoded to generate a decoding result of a voice signal of about 0 to about 1200 ms.
  • the first decoder 112 decoders the steps 1 to 3.
  • the decoding result of the voice signal according to the entire user's utterance can be generated.
  • the first decoder 112 generates decoding results of steps 1 and 2 by accumulating the partial decoding result of step 1 and the partial decoding result of step 2 after partial decoding of step 2, and partial decoding of step 3.
  • the decoding results of steps 1 and 2 and the decoding results of step 3 can be accumulated to generate decoding results of voice signals according to all user utterances. That is, for example, a decoding result of a voice signal according to the entire user utterance (entire voice signal) may be generated by accumulating individual partial decoding results.
  • the first decoder 112 provides partial decoding results to the controller 120, and the controller 120 may provide partial decoding results accumulated in each step to the user. For example, the user can recognize the voice recognition process and whether the voice recognition is being performed properly through the partial decoding results.
  • the end-to-end (E2E) ASR method includes LAS (listen attend and spell) and transducer methods, and the transformer is implemented in a LAS structure to process all inputs at once. It can be configured, while the transducer can process the voice signal on a feature-by-feature basis.
  • the first decoder 112 is a bi-directional RNN-based transformer model decoder, it can receive and process the entire voice signal at once.
  • the electronic device 100 e.g., the controller 120
  • receives the voice signal according to the user's utterance in chunks from an external device accumulates and stores the received voice signal in chunks, and then stores the voice signal according to the user's utterance in chunks.
  • a voice signal of a unit may be provided to the first decoder 112.
  • a chunk may mean a designated reference unit (e.g., a designated volume (dB) or a designated length of time (ms)) of a voice signal (or voice data).
  • a chunk may refer to a unit of a speech signal that has meaning (e.g., a part of a speech signal that has recognizable importance according to predefined parameters).
  • the first decoder 112 performs operations such as processing a streaming voice signal (i.e., partially decoding a voice signal according to a user's utterance) by decoding the voice signal in a designated unit provided from the controller 120. operation) can be performed.
  • the first decoder 112 since the first decoder 112 repeatedly performs decoding on one user utterance, a smaller and faster module than the second decoder 115 may be used to reduce processing time. For example, the first decoder 112 uses a model with a relatively small number of parameters among the end-to-end (E2E) ASR models, and the second decoder 115 uses a model with a relatively large number of parameters. Available. For example, the first decoder 112 may perform decoding without applying a language model.
  • E2E end-to-end
  • the controller 120 may recognize whether the first decoder 112 has performed the last partial decoding. For example, when the first decoder 112 completes decoding the last part of the speech signal (under the control of the controller 120), the accumulated result (i.e., the decoding result of the entire speech signal) is sent to the domain estimation module 113. ) can be passed on.
  • the domain estimation module 113 may determine the domain corresponding to the user's utterance from the decoding result of the first decoder 112 based on a pre-designated keyword.
  • the domain estimation module 113 provides information about the determined domain to the weighted finite state transducer (WFST) fetch module 131, the NE pair fetch module 133, the segmentation module 114, and/or the controller 120. I can tell you.
  • WFST weighted finite state transducer
  • the segmentation module 114 may receive information about the domain corresponding to the user utterance from the domain estimation module 113. For example, when the domain corresponding to the user utterance is a designated domain (e.g., multiple contact domains (e.g., multi-contact domain)), the segmentation module 114 divides the voice signal according to the user utterance into multiple It can be subdivided into segments.
  • the multiple contact domain may be a domain that indicates when a user's utterance includes words related to a plurality of contacts (eg, contacts stored in the memory of the electronic device 100).
  • the segmentation module 114 may perform voice activity detection (VAD) on voice signals. For example, segmentation module 114 may apply a VAD algorithm to a voice signal. The segmentation module 114 may segment the voice signal based on the VAD performance result. For example, the segmentation module 114 may extract VAD information (eg, voice presence section information) from the voice signal. For example, VAD information may include a speech section (e.g., a segment) extracted from a speech signal (e.g., a speech segment may be a section of a speech signal that includes a recording of the user's voice or user utterance). there is.
  • VAD voice activity detection
  • the segmentation module 114 uses a band designated for cepstral mean and variance normalization (CMVN) calculation of the features of the input speech signal.
  • CMVN cepstral mean and variance normalization
  • Example: Mel filterbank may have individual average values. If the number of bands (e.g., filterbank bands) exceeding the first reference value specified based on the average value for each band of the specified filter is greater than or equal to the second reference value, the segmentation module 114 may determine the section of the corresponding voice signal to be a voice section. .
  • the segmentation module 114 may modify the determined segments through post-processing. For example, the segmentation module 114 may modify segments through the following operations 1) to 4). 1) When the segmentation module 114 recognizes a VAD result for a noise sound source (e.g., a noise sound source can be recognized when the number of divided segments (or divided sections) exceeds a specified upper limit), the corresponding VAD result may not be used. 2) The segmentation module 114 divides the start and end sections of VAD information (raw VAD) (e.g., segments) by a specified value in order to compensate for hangover time and/or combine adjacent segments. It can be expanded. 3) The segmentation module 114 may combine segments in which overlapping areas are created into one to prevent segments from being created into sections that are too short. 4) The segmentation module 114 may recognize and remove segments with a length less than a specified lower limit among segments as noise.
  • a noise sound source e.g., a noise sound source can be recognized when the number of divided segments (or divided sections) exceeds
  • the second decoder 115 may decode a voice signal.
  • the second decoder 115 may perform automatic speech recognition (ASR) based on the speech signal.
  • ASR automatic speech recognition
  • the second decoder 115 may be a decoder for neural network-based ASR.
  • the second decoder 115 may generate normalized text (eg, text normalization (TN) text) based on a speech recognition algorithm from the speech signal.
  • TN text normalization
  • the second decoder 115 may perform decoding of a speech signal based on a segmentation result and/or a language model corresponding to the determined domain.
  • the second decoder 115 retrieves the contact domain from the WFST fetch module 131. You can receive the WFST model (135-1, 135-2, ..., 135-N) for.
  • the second decoder 115 may decode the voice signal by shallow fusion of the received WFST models (135-1, 135-2, ..., 135-N).
  • the segmentation module 114 segments the speech signal into a plurality of segments
  • the second decoder 115 uses each segment as a language model (e.g., WFST model 135-1, 135-2, .
  • the second decoder 115 When generating a decoding result (text corresponding to a user utterance), the second decoder 115 provides information (e.g., designated text (e.g., ⁇ PAUSE>)) for distinguishing segments between texts corresponding to each segment. You can add
  • the result generated by the second decoder 115 may be in the form of “In the video call app, ⁇ PAUSE> Hong Gil-dong ⁇ PAUSE> Amazing Yoon Seong ⁇ PAUSE> Make a video call with Kim ⁇ PAUSE> -9.200345” there is.
  • -9.200345 represents the score of the voice recognition result (e.g., the degree to which the voice recognition model is confident that the result is accurate/confidence), and the larger the score (closer to 0), the more accurate the result is predicted to be.
  • the second decoder 115 may be implemented based on a bi-directional RNN series model (eg, transformer).
  • the second decoder 115 extracts features from the entire speech signal, calculates the encoder output once for the features, and repeats decoding multiple times while referring to the results to obtain a word (e.g. Word-piece) outputs can be generated.
  • the second decoder 115 may perform beam search to reduce the amount of computation in the decoding process.
  • the second decoder 115 may perform shallow fusion while performing beam search.
  • Shallow fusion is the probability distribution of a word (e.g., word-piece) that comes out during the decoder operation of a bi-directional RNN series model (e.g., transformer) during the beam search process and the external language model (150).
  • This may be a method of obtaining a combined probability distribution by weighted summing the obtained probability distributions and performing a beam search based on the obtained probability distribution.
  • the segmentation module 114 and the second decoder 115 may be implemented as an integrated configuration. For example, if the second decoder 115 and the segmentation module 114 are one configuration (e.g., the second decoder 115), the second decoder 115 may perform the operation of the segmentation module 114. You can.
  • the first decoder 112 and the second decoder 115 may be implemented as one decoder.
  • the electronic device 100 includes one decoder, and one decoder can perform the operations of the first decoder 112 and the second decoder 115 described above.
  • the first decoder 112 and the second decoder 115 may be configured to logically separate operations in which the same decoder performs decoding using different models.
  • the replacement module 116 may replace at least some text related to the entity name included in the text obtained as a result of the second decoding with a designated entity name.
  • the substitution module 116 recognizes the NE matching the text related to the entity name based on the NE pair information (137-1, 137-2, ..., 137-N) corresponding to the domain (e.g., contact domain), and , text related to the entity name can be replaced with a matching NE.
  • the substitution module 116 may determine a candidate NE based on the second decoding result.
  • the replacement module 116 may determine a candidate NE corresponding to at least part of the entity name included in the text based on keyword information previously indexed for each domain and/or the context of the text generated as a result of the second decoding.
  • the substitution module 116 may recognize an NE matching the candidate NE based on the NE pair information (137-1, 137-2, ..., 137-N). For example, the substitution module 116 calculates the Levinshtein distance (i.e., the NE included in the NE pair information (137-1, 137-2, ..., 137-N)) that matches the candidate NE.
  • the candidate NE can be replaced with a matching NE.
  • a specified threshold e.g., even in this case, the Levinstein distance may indicate a high level of similarity
  • the substitution module 116 may determine that the candidate NE and the matching NE correspond to each other even if they are not completely identical, and replace the candidate NE with the matching NE.
  • the replacement module 116 may include a NE replacer (NER) module and/or an inverse text normalization (ITN) module.
  • NER NE replacer
  • INN inverse text normalization
  • the NER module can recognize pre-defined information (e.g., text related to an entity name) from text input and replace the pre-defined information with the original entity name format specified by the user.
  • the pre-designated information may include information corresponding to the name, device name, and/or command registered (saved) by the user.
  • the second decoding result may be in the form of text normalization (TN).
  • the NER module converts text in TN format (e.g., text written in Korean) corresponding to pre-specified information into the original entity name format specified by the user (e.g., an object containing English, numbers, and/or symbols saved in the user's contacts). name) can be converted to
  • the ITN module can convert text in TN format to text in ITN format containing English and/or numbers.
  • the substitution module 116 may receive at least one NE pair information (137-1, 137-2, ..., 137-N) for the domain from the NE pair fetch module 133.
  • NE pair information (137-1, 137-2, ..., 137-N) may have the form of ⁇ domain/TN/ITN ⁇ , but is not limited to this.
  • NE pair information (137-1, 137-2, ..., 137-N) may include an index related to the NE pair.
  • the second decoding result includes information distinguishing a plurality of segments (e.g., information indicating a section without user voice (e.g., ⁇ PAUSE>)) and text corresponding to the user utterance (e.g., “ In the case of “Make a video call with Hong Gil-dong and the amazing Yoon Seong Kim” in the video call app, the substitution module 116 can operate as follows. For example, if the segmentation module 114 fails to segment a speech signal, or if the segmentation module 114 does not perform a segmentation operation (e.g., if the domain is not a specified domain), the substitution module 116 may: The entity name can be recognized by dividing the text through operations such as .
  • the replacement module 116 operates through the above steps to replace at least part of the entity name included in the text from the text generated as a result of decoding by the second decoder 115 with a matching NE to generate a final voice recognition result. .
  • the controller 120 may control the overall operation of the electronic device 100.
  • the controller 120 includes the above-described preprocessing module 111, first decoder 112, domain estimation module 113, segmentation module 114, second decoder 115, substitution module 116, And/or the operation of the PDSS 130 (e.g., the NE pair fetch module 133 and the WFST fetch module 131) may be controlled.
  • the controller 120 controls data included in the PDSS 130 (NE pair, index, and/or WFST models 135-1, 135-2, ..., 135-N) and/or external language models 150. ) can be managed.
  • the controller 120 determines that the segmentation module 114 may generate a voice signal according to the user utterance. can be controlled to be subdivided and provided to the second decoder 115. If the domain is not a designated domain, without segmenting the voice signal (i.e., without going through the segmentation module 114), the controller 120 determines that the domain corresponding to the user utterance is a designated domain (e.g., a contact domain or multiple contact domains).
  • a designated domain e.g., a contact domain or a multiple contact domain
  • the WFST fetch module 131 fetches the WFST models (135-1, 135-2, ..., 135-N) corresponding to the designated domain and provides them to the second decoder 115. You can control it to do so.
  • the controller 120 fetches and replaces at least one NE pair information (137-1, 137-2, ..., 137-N) corresponding to the designated domain by the NE pair fetch module 133. It can be controlled to be provided to the module 116.
  • the controller 120 uses an external language model ( 150) (e.g., general LM 151-1) is provided to the second decoder 115, and the second decoder 115 uses at least one of the external language models 150. This can be controlled to perform decoding.
  • an external language model e.g., general LM 151-1
  • the second decoder 115 uses at least one of the external language models 150. This can be controlled to perform decoding.
  • PDSS 130 includes contact information, music (e.g., music title, artist name, and/or album name), and/or movies (e.g., movie title, cast, and/or genre). It may be a service that stores and fetches personal information of users related to a specific domain.
  • the PDSS 130 includes at least one WFST model (135-1, 135-2, ..., 135-N), at least one NE pair information (137-1, 137-2, . .., 137-N), NE pair fetch module 133, and WFST fetch module 131.
  • WFST model (135-1, 135-2, ..., 135-N
  • NE pair information 137-1, 137-2, . .., 137-N
  • NE pair fetch module 133 e.g., 137-N
  • WFST fetch module 131 e.g., WFST fetch module
  • a NE pair may include text normalization (TN) information and inverse text normalization (ITN) information.
  • NE pair information (137-1, 137-2, ..., 137-N) (e.g. NE pair) may have the format of ⁇ domain/TN/ITN ⁇ .
  • PDSS 130 may include a language model (e.g., WFST model 135-1, 135-2, ..., 135-N) for a specific domain.
  • WFST model 135-1, 135-2, ..., 135-N for a specific domain.
  • PDSS 130 can use NE pair information (137-1, 137-2, ..., 137-N) to create an index according to the time of user information change, regardless of the time of user utterance. .
  • the electronic device 100 searches for (or fetches) NE pair information (137-1, 137-2, ..., 137-N) included in the PDSS 130 by searching for (or fetching) a specific NE (e.g. : When string matching is used for candidate NE), the latency that occurs in searching for matching NE pair information (137-1, 137-2, ..., 137-N) may be long. there is. PDSS 130 generates NE pair information (137-1, 137-2, ..., 137-N).
  • NE pair information (137-1, 137-2, ..., 137-N)
  • NE pair information (137-1, 137-2, ..., 137) matching the candidate NE -N) (i.e., NE matching the candidate NE) can be searched relatively quickly and easily.
  • the NE pair fetch module 133 may receive information about the domain corresponding to the user utterance from the domain estimation module 113.
  • the NE pair fetch module 133 can fetch NE pair information (137-1, 137-2, ..., 137-N) corresponding to the domain and provide it to the replacement module 116.
  • the NE pair fetch module 133 may recognize NE pair information (137-1, 137-2, ..., 137-N) corresponding to the domain based on a preset index.
  • the WFST fetch module 131 may receive information about the domain corresponding to the user utterance from the domain estimation module 113.
  • the WFST fetch module 131 may fetch the WFST models (135-1, 135-2, ..., 135-N) corresponding to the domain and provide them to the second decoder 115.
  • the external language model 150 may include a language model learned based on general-purpose sample data rather than a language model learned based on user data of the electronic device 100.
  • the external language model 150 may include a general language model 151-1 and a language model 151-2 related to a specific domain (eg, music).
  • the electronic device 100 uses a preset entity name even when a plurality of entity names are included in the user utterance, an unclear entity name is included, or the plurality of entity names are not clearly distinguished in the user utterance. (e.g., entity name recognized in previous speech signal) and related information (e.g., NE pair information (137-1, 137-2, ..., 137-N)) included in the user's utterance.
  • entity name recognized in previous speech signal e.g., entity name recognized in previous speech signal
  • related information e.g., NE pair information (137-1, 137-2, ..., 137-N)
  • the configuration of the electronic device 100 is not limited to that shown in FIG. 1, and at least some components may be integrated and implemented or omitted, and at least some components (e.g., the electronic device of FIG. 2 At least one of the components of the device 200, the electronic device 400 of FIG. 4, the electronic device 601 of FIG. 6, the user terminal 701 of FIG. 7, and/or the intelligent server 800) can be added. there is.
  • FIG. 2 is a block diagram of an electronic device according to one embodiment.
  • FIG. 2 shows an electronic device 200 (e.g., the electronic device 400 of FIG. 4, the electronic device 601 of FIG. 6, the user of FIGS. 7 to 9) implemented based on the RNN transducer series model. It shows the configuration of the terminal 701 or the intelligent server 800.
  • the electronic device 200 e.g., the electronic device 400 of FIG. 4, the electronic device 601 of FIG. 6, the user of FIGS. 7 to 9
  • FIG. 2 shows an electronic device 200 (e.g., the electronic device 400 of FIG. 4, the electronic device 601 of FIG. 6, the user of FIGS. 7 to 9) implemented based on the RNN transducer series model. It shows the configuration of the terminal 701 or the intelligent server 800.
  • FIG. 1 shows the configuration of the terminal 701 or the intelligent server 800.
  • the electronic device 200 includes a preprocessing module 211, a first decoder 212, a domain estimation module 213, a segmentation module 214, a second decoder 215, and a substitution module 216. , and may include a controller 220.
  • the electronic device 200 may include a PDSS 230 and/or an external language model 150.
  • the PDSS 230 and/or the external language model 150 may be implemented in the external electronic device 200 (eg, an external server).
  • the preprocessing module 211 may preprocess voice input (eg, voice signal according to user utterance). For example, the preprocessing module 211 may perform end point detection (EPD) of a voice signal. The preprocessing module 211 can extract features from the voice signal. The preprocessing module 211 may perform cepstral mean variance normalization (CMVN) based on the sound line signal.
  • voice input eg, voice signal according to user utterance
  • EPD end point detection
  • the preprocessing module 211 can extract features from the voice signal.
  • the preprocessing module 211 may perform cepstral mean variance normalization (CMVN) based on the sound line signal.
  • CMVN cepstral mean variance normalization
  • the first decoder 212 may decode at least a portion of the voice signal.
  • the first decoder 212 may perform automatic speech recognition (ASR) based on a voice signal.
  • ASR automatic speech recognition
  • the first decoder 212 may be a decoder for neural network-based ASR.
  • the first decoder 212 may generate normalized text (eg, text normalization (TN) text) based on a speech recognition algorithm from a speech signal.
  • the first decoder 212 may perform decoding without applying a language model.
  • the first decoder 212 may partially decode a voice signal (e.g., 1-pass ASR decoding) using a model based on the RNN-transducer series.
  • RNN-transducer may be capable of streaming output.
  • the first decoder 212 may partially decode a voice signal for a specified length without duplication (without accumulation). For example, if the total length of the voice signal according to the user's utterance is about 1200 ms, the first decoder 212 decodes the voice signal from about 0 to about 400 ms by the length specified in step 1 (e.g., 400 ms), and 2 In one step, a voice signal of about 400ms to about 800ms can be decoded, and in three steps, a voice signal of about 800ms to about 1200ms can be decoded. The first decoder 212 can output the partial decoding results of steps 1 to 3 as streaming.
  • a speech signal can be decoded in steps, with each step decoding a specified length of the speech signal (e.g., from 400 ms to 800 ms, etc.) until the entire length of the speech signal has been decoded. (corresponding to a specific time length of the signal) can be decoded.
  • a voice signal may be decoded in a first step, a second step, and a third step.
  • the first decoder 212 may provide partial decoding results to the controller 220, and the controller 220 may provide partial decoding results for each step to the user.
  • the user can recognize the voice recognition process and whether the voice recognition is being performed properly through the partial decoding results.
  • the domain estimation module 213 may determine the domain corresponding to the user's utterance from the decoding result of the first decoder 212 based on a pre-designated keyword.
  • the domain estimation module 213 may report information about the determined domain to the WFST fetch module 231, the NE pair fetch module 233, the segmentation module 214, and/or the controller 220.
  • the segmentation module 214 may receive information about the domain corresponding to the user utterance from the domain estimation module 213. For example, when the domain corresponding to the user utterance is a designated domain (eg, multiple contact domains), the segmentation module 214 may segment the voice signal according to the user utterance into a plurality of segments.
  • the domain corresponding to the user utterance is a designated domain (eg, multiple contact domains)
  • the segmentation module 214 may segment the voice signal according to the user utterance into a plurality of segments.
  • the segmentation module 214 generates a timestamp corresponding to at least one word or silent section included in the speech signal (e.g., a silent section between consecutive words included in the speech signal). Information can be recognized. For example, when the electronic device 200 uses an RNN-transducer series-based model, the segmentation module 214 processes speech signals based on the RNN-transducer series-based model, such as words of the speech signal (e.g. The speech signal can be segmented based on timestamp information stored in units of word pieces (e.g., the length of the speech signal corresponding to a single word).
  • the segmentation module 214 may segment the voice signal into a plurality of segments based on a location in the voice signal where the time stamp value difference is more than a specified time. For example, the segmentation module 214 may segment the voice signal and provide it to the second decoder 215.
  • the segmentation module 214 may perform at least some of the operations of the segmentation module 114 of FIG. 1 .
  • the second decoder 215 may decode a voice signal.
  • the second decoder 215 may perform automatic speech recognition (ASR) based on the speech signal.
  • ASR automatic speech recognition
  • the second decoder 215 may be a decoder for neural network-based ASR.
  • the second decoder 215 may generate normalized text (eg, text normalization (TN) text) based on a speech recognition algorithm from the speech signal.
  • the second decoder 215 may perform decoding (2-pass decoding) of the speech signal based on the segmentation result and/or a language model corresponding to the determined domain.
  • the second decoder 215 receives the WFST model (235-1, 235) for the contact domain from the WFST fetch module 231. -2, ..., 235-N) can be received.
  • the second decoder 215 when the second decoder 215 generates a decoding result (text corresponding to a user utterance), the second decoder 215 provides information distinguishing segments between texts corresponding to each segment (e.g., specified text (e.g., ⁇ PAUSE >)) can be added.
  • the result generated by the second decoder 215 may be in the form of “In the video call app, ⁇ PAUSE> Hong Gil-dong ⁇ PAUSE> Amazing Yoon Seong ⁇ PAUSE> Make a video call with Kim ⁇ PAUSE> -9.200345” there is.
  • -9.200345 represents the score of the voice recognition result (e.g., the degree to which the voice recognition model is confident that it is an accurate result/confidence), and a larger score (closer to 0) may indicate that it is predicted to be an accurate result (e.g. , higher scores correspond to more accurate results).
  • the second decoder 215 may perform decoding based on an RNN-transducer series model (eg, transformer) and/or LAS rescoring model.
  • an RNN-transducer model includes an encoder (or transcription network), a prediction network corresponding to the language model, and a joint network that synthesizes the results of the encoder and prediction network. It can be included.
  • the RNN-transducer end-to-end (E2E) model can obtain decoding values by processing the output of the joint network with a softmax function.
  • the LAS rescoring model can output rescored decoding results through additional decoding (e.g. LAS decoding) based on the partial decoding results and encoder results from the RNN-transducer model.
  • the substitution module 216 may perform at least some of the operations of the substitution module 116 of FIG. 1 .
  • the segmentation module 214 and the second decoder 215 may be implemented as an integrated configuration.
  • the second decoder 215 and the segmentation module 214 are one configuration (e.g., the second decoder 215), the second decoder 215 may perform the operation of the segmentation module 214. You can.
  • the first decoder 212 and the second decoder 215 may be implemented as one decoder.
  • the electronic device 200 includes one decoder, and one decoder can perform the operations of the first decoder 212 and the second decoder 215 described above.
  • the first decoder 212 and the second decoder 215 may be configured to logically separate operations in which the same decoder performs decoding using different models.
  • the replacement module 216 may replace at least some text related to the entity name included in the text obtained as a result of the second decoding with a designated entity name.
  • the substitution module 216 recognizes the NE matching the text related to the entity name based on the NE pair information (237-1, 237-2, ..., 237-N) corresponding to the domain (e.g., contact domain), and , text related to the entity name can be replaced with a matching NE.
  • the substitution module 216 may determine a candidate NE based on the second decoding result.
  • the replacement module 216 may determine a candidate NE corresponding to at least part of the entity name included in the text based on keyword information previously indexed for each domain and/or the context of the text generated as a result of the second decoding.
  • the substitution module 216 can recognize an NE matching the candidate NE based on the NE pair information (237-1, 237-2, ..., 237-N). For example, the substitution module 216 calculates the Levinshtein distance (i.e., the NE included in the NE pair information (237-1, 237-2, ..., 237-N)) that matches the candidate NE.
  • the candidate NE can be replaced with a matching NE.
  • a specified threshold e.g., even in this case, the Levinstein distance may indicate a high level of similarity
  • the substitution module 216 may determine that the candidate NE and the matching NE correspond to each other even if they are not completely identical, and replace the candidate NE with the matching NE.
  • the replacement module 216 may include a NE replacer (NER) module and/or an inverse text normalization (ITN) module.
  • NER NE replacer
  • INN inverse text normalization
  • the NER module can recognize pre-defined information (e.g., text related to an entity name) from text input and replace the pre-defined information with the original entity name format specified by the user.
  • the pre-designated information may include information corresponding to the name, device name, and/or command registered (saved) by the user.
  • the second decoding result may be in the form of text normalization (TN).
  • the NER module converts text in TN format (e.g., text written in Korean) corresponding to pre-specified information into the original entity name format specified by the user (e.g., an object containing English, numbers, and/or symbols saved in the user's contacts). name) can be converted to
  • the ITN module can convert text in TN format to text in ITN format containing English and/or numbers.
  • the substitution module 216 may receive at least one NE pair information (237-1, 237-2, ..., 237-N) for the domain from the NE pair fetch module 233.
  • NE pair information (237-1, 237-2, ..., 237-N) may have the form of ⁇ domain/TN/ITN ⁇ , but is not limited to this.
  • NE pair information (237-1, 237-2, ..., 237-N) may include an index related to the NE pair.
  • the substitution module 216 is configured to operate when the segmentation module 214 fails to segment the speech signal, or when the segmentation module 214 does not perform a segmentation operation (e.g., when the domain is not a designated domain). ) Based on the second decoding result, the text is divided into segments related to the entity name, and it is determined whether there is an entity name matching the divided segment (for example, whether an entity name matching at least one candidate entity name exists). judgment), and the text related to the entity name in the segment can be replaced with the matching entity name. According to one embodiment, the substitution module 216 may perform at least some of the operations of the substitution module 116 of FIG. 1 .
  • the controller 220 may control the overall operation of the electronic device 200.
  • the controller 220 includes the above-described preprocessing module 211, first decoder 212, domain estimation module 213, segmentation module 214, second decoder 215, substitution module 216, And/or the operation of the PDSS 230 (e.g., the NE pair fetch module 233 and the WFST fetch module 231) can be controlled.
  • the controller 220 controls data included in the PDSS 230 (NE pair, index, and/or WFST models 235-1, 235-2, ..., 235-N) and/or external language models 150. ) can be managed.
  • the controller 220 determines that the segmentation module 214 may generate a voice signal according to the user utterance. can be controlled to segment, and if the domain is not a designated domain, the voice signal can be provided to the second decoder 215 without segmenting (i.e., without going through the segmentation module 214).
  • the controller 220 If the domain corresponding to the user utterance is a designated domain (e.g., a contact domain or multiple contact domains), the controller 220 generates a WFST model (235- 1, 235-2, ..., 235-N) can be controlled to be fetched and provided to the second decoder 215. Based on the designated domain, the controller 220 fetches and replaces at least one NE pair information (237-1, 237-2, ..., 237-N) corresponding to the designated domain by the NE pair fetch module 233. It can be controlled to be provided to the module 216.
  • a designated domain e.g., a contact domain or multiple contact domains
  • the controller 220 Based on the designated domain, the controller 220 fetches and replaces at least one NE pair information (237-1, 237-2, ..., 237-N) corresponding to the designated domain by the NE pair fetch module 233. It can be controlled to be provided to the module 216.
  • the controller 220 uses an external language model ( 150) (e.g., general language model (general LM)) is provided to the second decoder 215, and the second decoder 215 performs decoding using at least one of the external language models 150. You can control it.
  • an external language model e.g., general language model (general LM)
  • PDSS 230 may store contact information (e.g., contact information such as name, phone number, email address, social media username, etc.), music (e.g., music title, artist name, and/or It may be a service that stores and fetches a user's personal information related to a specific domain, including album names) and/or movies (e.g., movie titles, actors, and/or genres).
  • the PDSS 230 includes at least one WFST model (235-1, 235-2, ..., 235-N), at least one NE pair information (237-1, 237-2, . .., 237-N), NE pair fetch module, and WFST fetch module 231.
  • NE pair information (237-1, 237-2, ..., 237-N) may include an NE pair and index for a specific domain.
  • a NE pair may include text normalization (TN) information and inverse text normalization (ITN) information.
  • NE pair information (237-1, 237-2, ..., 237-N) (e.g. NE pair) may have the format of ⁇ domain/TN/ITN ⁇ .
  • PDSS 230 may include a language model (e.g., WFST model (235-1, 235-2, ..., 235-N)) for a specific domain.
  • PDSS 230 can use NE pair information (237-1, 237-2, ..., 237-N) to create an index according to the time of user information change, regardless of the time of user utterance.
  • An index is an operation of storing and/or managing data so that information (or data) can be quickly retrieved in response to the structure of a search engine (or search module), and/or storing and/or managing information to facilitate retrieval. It can mean one data (or information).
  • the electronic device 200 searches for (or fetches) NE pair information (237-1, 237-2, ..., 237-N) included in the PDSS 230 by searching for (or fetching) a specific NE (e.g.
  • the latency that occurs in searching for matching NE pair information (237-1, 237-2, ..., 237-N) may be long.
  • the time from query to result may be long, resulting in long latency.
  • PDSS 230 generates NE pair information (237-1, 237-2, ..., 237-N).
  • NE pair information (237-1, 237-2, ..., 237) matching the candidate NE -N) i.e., NE matching the candidate NE
  • the NE pair fetch module 233 may receive information about the domain corresponding to the user utterance from the domain estimation module 213.
  • the NE pair fetch module 233 fetches (or searches or obtains) NE pair information (237-1, 237-2, ..., 237-N) corresponding to the domain and provides it to the replacement module 216. You can.
  • the NE pair fetch module 233 recognizes (or identifies) NE pair information (237-1, 237-2, ..., 237-N) corresponding to the domain based on a preset index. can do.
  • the WFST fetch module 231 may receive (or obtain) information on the domain corresponding to the user utterance from the domain estimation module 213.
  • the WFST fetch module 231 may fetch the WFST models (235-1, 235-2, ..., 235-N) corresponding to the domain and provide them to the second decoder 215.
  • the external language model 150 may include a language model learned based on general-purpose sample data rather than a language model learned based on user data of the electronic device 200.
  • the external language model 150 may include a general language model 151-1 and a language model 151-2 related to a specific domain (eg, music).
  • the electronic device 200 uses a preset entity name and Improves recognition performance of user utterances by more clearly recognizing entity names included in user utterances based on related information (e.g. NE pair information (237-1, 237-2, ..., 237-N)) and reduce WER (word error rate).
  • related information e.g. NE pair information (237-1, 237-2, ..., 237-N)
  • WER word error rate
  • the configuration of the electronic device 200 is not limited to that shown in FIG. 2, and at least some components may be integrated and implemented or omitted, and at least some components (e.g., the electronic device of FIG. 1 At least one of the components of the device 100, the electronic device 400 of FIG. 4, the electronic device 601 of FIG. 6, the user terminal 701 of FIG. 7, and/or the intelligent server 800) can be added. there is.
  • FIG. 3 is a diagram illustrating an entity name replacement operation of an electronic device according to an embodiment.
  • each operation may be performed sequentially, but is not necessarily performed sequentially.
  • the order of each operation may be changed, and at least two operations may be performed in parallel.
  • operations 310 to 350 are performed on an electronic device (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and the electronic device of FIG. 6 ( 601), the processor of the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9 (e.g., the controller 120 of FIG. 1, the controller 220 of FIG. 2, the processor 430 of FIG. 4, FIG. It can be understood that it is performed in the processor 320 in Figure 6 and the processor 720 in Figure 7).
  • an electronic device e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and the electronic device of FIG. 6 ( 601), the processor of the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9 (e.g., the controller 120 of FIG. 1, the controller 220 of FIG. 2, the processor 430 of FIG. 4, FIG. It can be understood that it is performed in the processor 320 in Figure 6 and the processor 720 in Figure 7).
  • an electronic device may receive a voice signal according to the user's utterance (e.g., “Hi Bixby My Love Mommy Honey video call”).
  • the user utterance may include a wake up word (e.g., “Hi Bixby”) to activate the voice assistant system.
  • a user utterance may include information corresponding to at least one contact. (For example, contacts may be stored in the memory of an electronic device.
  • Contacts may include information such as name, phone number, email address, social media username, etc.
  • a user utterance may include at least one It may include a named entity (NE) (e.g., My Love, Mommy, and Honey).
  • NE named entity
  • An electronic device can obtain text corresponding to a user's utterance from a voice signal through voice recognition.
  • the electronic device may extract a candidate NE from a voice signal (or text obtained from a voice signal). For example, the electronic device may extract candidate NEs associated with a contact domain. For example, based on the result of recognizing the user's utterance, the electronic device may extract a candidate NE that can be inferred from the entity name included in the user's utterance. For example, the electronic device is a candidate NE associated with a user utterance, such as “my love,” “my love,” and “mami,” which are identical or similar to “my love,” “mami,” and “honey,” respectively, included in the user utterance. ”, “Mami”, “Honey”, “Heoni”, and “Honi” can be extracted.
  • the electronic device may determine whether there is an entity name matching the candidate NE based on information related to a preset entity name.
  • information related to a preset entity name may include PDSS pair information.
  • PDSS pair information may include domain information related to the entity name, text normalization (TN) information, and/or inverse text normalization (ITN) information.
  • TN text normalization
  • ITN inverse text normalization
  • PDSS pair information may have the format of ⁇ domain/TN/ITN ⁇ .
  • the electronic device can determine whether there is an NE included in the PDSS pair information among candidate NEs.
  • PDSS pair information may include ⁇ contact, mommy, mommy ⁇ , ⁇ contact, my love, my love ⁇ , and ⁇ contact, honey, honey ⁇ .
  • the electronic device can recognize that among the candidate NEs, there are NEs (e.g., “Mommy”, “My Love”, and “Honey”) included in the PDSS pair information. According to one embodiment, the electronic device performs operation 340 when there is an entity name matching the candidate NE (operation 330 - YES), and when there is no entity name matching the candidate NE (operation 330 - NO), the electronic device performs operation 340 to replace the NE. The action can be omitted.
  • NEs e.g., “Mommy”, “My Love”, and “Honey”
  • the electronic device may substitute NE.
  • the electronic device may replace at least one of the entity names included in the user's utterance with a matching NE.
  • the electronic device may replace “mommy” with “mommy,” “my love” with “my love,” and “honey” in text corresponding to the user’s utterance. .
  • the electronic device may generate a recognition result of the user's utterance.
  • the electronic device may display text corresponding to the result of recognizing the user's utterance (e.g., “Hi Bixby ⁇ ne_replacer> my love ⁇ /ne_replacer> ⁇ ne_replacer> mommy ⁇ /ne_replacer> ⁇ ne_replacer> honey ⁇ /ne_replacer> video)
  • ⁇ ne_replacer> and ⁇ /ne_replacer> may be text indicating the beginning and end of the replaced entity name, respectively, as the entity name recognized from the user's utterance, e.g.
  • the entity name corresponding to the TN included in the PDSS pair information may be replaced with a matching entity name (e.g., the entity name corresponding to the ITN included in the PDSS pair information). If it is determined that there is no NE (for example, if the user's utterance contains “myrup”, “mami”, “heoni”, or “honi”, the electronic device will display the corresponding entity name (e.g. “myrup”). , “Mom-i,” “Heon-i,” or “Ho-ni”) can be generated as speech recognition results without replacing them with other entity names.
  • the user’s utterance is “Hi Bixby, my love, Mommy Heoni.” If the utterance was “Honi, please make a video call,” the electronic device can generate the text “Hi Bixby My Love Mommy Huni, please make a Horny video call” as a voice recognition result (i.e., user utterance recognition result).
  • Figure 4 is a block diagram of an electronic device according to an embodiment.
  • an electronic device 400 (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 601 of FIG. 6, and the user terminal 701 of FIGS. 7 to 9 ) or the intelligent server 800) is a communication circuit 410 (e.g., the communication module 690 in FIG. 6 or the communication interface 790 in FIG. 7), a memory 420 (e.g., the memory 630 in FIG. 6, or Memory 730 in FIG. 7), and processor 430 (e.g., controller 120 in FIG. 1, controller 220 in FIG. 2, processor 620 in FIG. 6, processor 720 in FIG. 7, or It may include a natural language platform 820).
  • a communication circuit 410 e.g., the communication module 690 in FIG. 6 or the communication interface 790 in FIG. 7
  • a memory 420 e.g., the memory 630 in FIG. 6, or Memory 730 in FIG. 7
  • processor 430 e.g., controller 120 in FIG. 1, controller 220 in FIG. 2, processor
  • the communication circuit 410 may transmit and receive data and/or information with an external device.
  • the memory 420 may store instructions that control the operation of the electronic device 400 when executed by the processor 430.
  • the memory 420 may store information and/or data related to the operation of the electronic device 400.
  • memory 420 may store at least one language model.
  • a language model may be associated with at least one domain (e.g., a general domain and/or a specific domain (e.g., a contact-related domain).
  • Memory 420 may be used to store user utterances.
  • the memory 420 may store information related to an entity name (e.g., personal data sync service (PDSS) pair).
  • the memory 420 may include the NE pair information, the WFST model, and/or the language model of FIG. 2. , and/or may include a language model.
  • PDSS personal data sync service
  • the processor 430 may receive a voice signal according to a user's utterance from an external device (eg, a server) through the communication circuit 410. Alternatively or additionally, the processor 430 may receive a voice signal according to the user's speech through a microphone (not shown) of the electronic device 400.
  • a user utterance may include at least one word related to contact. The user utterance may include a call word to activate the voice assistant system and/or a command requesting the operation of a specific device.
  • the processor 430 may first decode at least a portion of the voice signal.
  • the processor 430 may generate text corresponding to the user's utterance by first decoding at least a portion of the voice signal.
  • the first decoding may include converting a voice signal according to a user's utterance into text.
  • the processor 430 may first decode the user utterance in designated time and/or length units.
  • Processor 430 accumulates user utterances based on specified time (e.g., msec, sec, etc.) and/or length units (e.g., specified portions of the speech signal, such as 1/5 of the length of the signal).
  • the first decoding can be performed.
  • the processor 430 may first decode the entire user utterance at once.
  • the processor 430 may preprocess the voice signal before first decoding. For example, the processor 430 may perform end point detection (EPD) of a voice signal. The processor 430 recognizes the end point (e.g., the point where the user utterance ends) of the speech signal (i.e., the user utterance) through preprocessing to improve speech recognition performance (e.g., accuracy) and/or computational efficiency of the user utterance. can be increased.
  • EPD end point detection
  • the processor 430 may provide the user with text corresponding to at least a portion of the voice signal generated as a result of the first decoding.
  • the processor 430 can output the generated text through a display or speaker.
  • the processor 430 may provide the user with text generated as a result of the first decoding, thereby allowing the user to recognize whether the voice recognition of the user's utterance was properly performed.
  • the user can check whether the text generated as a result of the first decoding meets the user's intention. In other words, users can check whether there are errors such as misinterpreted words in the generated text.
  • the processor 430 may determine a domain corresponding to the user's utterance based at least in part on the first decoding result.
  • the processor 430 may determine whether the domain corresponding to the user utterance includes a contact domain (eg, contact domain) and/or multiple contact domains (eg, multi-contact domains).
  • the processor 430 may recognize whether the domain corresponding to the user's utterance is a multi-contact domain (eg, multi-contact domain).
  • a contact domain may be a domain that corresponds when a user utterance includes at least one contact information
  • a multiple contact domain may be a domain that corresponds when a user utterance includes a plurality of contact information (e.g., name, phone number, email address, etc.). , social media username, etc.), it may be a corresponding domain.
  • the processor 430 may segment the voice signal into a plurality of segments based on the determined domain. For example, at least some of the plurality of segments may be related to contact information (eg, entity name).
  • the processor 430 may perform voice activity detection (VAD) on a voice signal and segment the voice signal based on the VAD performance result. For example, the processor 430 may detect and/or remove sounds other than the user's voice (eg, silence and/or noise signals) from the voice signal resulting from the user's utterance through the VAD. The processor 430 may recognize a section corresponding to the user's voice from the voice signal and segment the voice signal based on this.
  • VAD voice activity detection
  • the processor 430 may recognize timestamp information corresponding to at least one word included in the voice signal.
  • the processor 430 may segment the voice signal based on the difference in timestamp values between consecutive words included in the voice signal. For example, the processor 430 may distinguish between consecutive words when the timestamp value between the words is greater than or equal to a specified value.
  • the processor 430 segments the voice signal into a plurality of segments, and the determined domain is a domain related to a plurality of contacts (e.g., multi-contact). If the domain is not related to a contact, the voice signal may not be segmented.
  • the processor 430 may secondly decode the voice signal based on the segmentation result and a language model corresponding to the determined domain.
  • the language model may include at least one weighted finite state transducer (WFST) model.
  • WFST weighted finite state transducer
  • a WFST model may include a language model associated with a contact (and/or multiple contacts) domain.
  • the processor 430 may generate a WFST model learned for a specific domain.
  • the processor 430 may train a WFST model based on user data related to a specific domain.
  • the processor 430 may perform a second decoding of the voice signal to generate text corresponding to the user's utterance.
  • the processor 430 may generate text that corresponds to the voice signal and includes information distinguishing a plurality of segments through second decoding.
  • information that distinguishes segments may be information indicating a space between words (for example, a silent section without the user's voice) in text corresponding to a user's utterance.
  • the processor 430 fetches (or retrieves or obtains) WFST model and/or NE pair information from a personal data syn service (PDSS) that includes at least one WFST model and at least one NE pair information. )can do.
  • PDSS collects user personal information associated with a specific domain, including contact information, music (e.g., music title, artist name, and/or album name), and/or movies (e.g., movie title, cast, and/or genre). It may be a service that stores and fetches.
  • PDSS may include NE pair information including text normalization (TN) information and inverse text normalization (ITN) information.
  • NE pair information may have the format of ⁇ domain/TN/ITN ⁇ .
  • the processor 430 may replace at least part of the text corresponding to a plurality of segments with a named entity (NE) based on the second decoding result. For example, the processor 430 may determine at least one candidate entity name (candidate NE) based on the second decoding result. For example, the processor 430 may determine at least one candidate NE that is the same as or similar to a contact-related word included in the user's utterance. The processor 430 may determine whether an entity name matches at least one candidate entity name based on information (e.g., NE pair information) related to a preset entity name. The processor 430 may determine whether an entity name matches at least one candidate entity name.
  • information e.g., NE pair information
  • At least one candidate entity name may be replaced with the matching entity name. If there is NE pair information (e.g., an entity name matching the candidate NE included in the NE pair information) matching the candidate NE, the processor 430 replaces the candidate NE with the NE included in the NE pair information. )can do. For example, the processor 430 may determine the Levenshtein distance between at least one candidate entity name and the matching entity name. If the Levinstein distance is less than or equal to a preset threshold, the processor 430 may replace at least one candidate entity name with a matching entity name.
  • NE pair information e.g., an entity name matching the candidate NE included in the NE pair information
  • the processor 430 may determine the Levenshtein distance between at least one candidate entity name and the matching entity name. If the Levinstein distance is less than or equal to a preset threshold, the processor 430 may replace at least one candidate entity name with a matching entity name.
  • the processor 430 when the processor 430 cannot recognize an entity name (e.g., NE pair information) that matches at least one candidate entity name, it converts at least some of the text corresponding to the plurality of segments into multiple word units. It can be divided into The processor 430 may determine whether an entity name matches at least one word unit (segmented word) among a plurality of word units based on information (e.g., NE pair information) related to a preset entity name. For example, the processor 430 searches for NE pair information matching the text corresponding to the segmented segment, and if there is no NE pair information matching the text corresponding to the segment, divides the text corresponding to the segment into word units. And, it can be determined whether there is NE pair information matching the divided word.
  • entity name e.g., NE pair information
  • the processor 430 may replace the divided word with an NE included in the matching NE pair information.
  • the processor 430 may delete the text corresponding to the connecting word from the divided word.
  • the processor 430 may recognize whether there is an entity name (e.g., NE pair information) that matches the word from which the text corresponding to the linking word has been deleted. If there is an entity name that matches the word from which the text corresponding to the connecting word was deleted, the processor 430 may replace the word from which the text corresponding to the connecting word was deleted with the matching entity name.
  • the processor 430 when the processor 430 cannot recognize an entity name that matches a word from which the text corresponding to the linking word has been deleted, the processor 430 replaces at least a portion of the text corresponding to the user utterance with a designated entity name (e.g., a matching entity name).
  • a designated entity name e.g., a matching entity name
  • the processor 430 may recognize the user's utterance based at least in part on the substitution result. For example, the processor 430 may recognize consecutive entity names included in a user's utterance. For example, the processor 430 may generate text in which at least part of the text corresponding to the user utterance generated as a result of the second decoding is replaced with a designated entity name (e.g., a matching entity name included in NE pair information). there is. The electronic device 400 can recognize user utterances based on the generated text.
  • a designated entity name e.g., a matching entity name included in NE pair information
  • the electronic device 400 is. Even when a user utterance contains multiple entity names, an unclear entity name, or multiple entity names are not clearly distinguished in a user utterance, information related to the preset entity name (e.g. NE pair information) is used. By clearly recognizing entity names included in user utterances, recognition performance of user utterances can be improved and word error rate (WER) can be reduced.
  • WER word error rate
  • the processor 430 includes a preprocessing module 111, a first decoder 112, a domain estimation module 113, a segmentation module 114, and a second decoder ( 115), at least a portion of the substitution module 116, the controller 120, and the PDSS 130 are integrated and implemented, or the preprocessing module 111, the first decoder 112, the domain estimation module 113, and the segmentation module. (114), at least some of the operations of the second decoder 115, replacement module 116, controller 120, and PDSS 130 may be performed.
  • the processor 430 may include a preprocessing module 211, a first decoder 212, a domain estimation module 213, a segmentation module 214, and a second decoder ( 215), at least a portion of the substitution module 216, the controller 220, and the PDSS 230 are integrated and implemented, or the preprocessing module 211, the first decoder 212, and the domain estimation module of the electronic device 200 (213), at least some of the operations of the segmentation module 214, the second decoder 215, the permutation module 216, the controller 220, and the PDSS 230 may be performed.
  • the configuration of the electronic device 400 is not limited to that shown in FIG. 4, and includes at least some configurations (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, and the electronic device 200 of FIG. 6).
  • the configuration of the electronic device 601 or the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9 may be further added.
  • the electronic device may include a microphone (e.g., the input module 650 in FIG. 6 or the microphone 770 in FIG. 7), a speaker (e.g., the sound output module 655 in FIG. 6, or the speaker 755 in FIG. 7). ), and/or a display (eg, the display module 660 of FIG. 6 or the display 770 of FIG. 7).
  • the microphone can acquire voice signals according to the user's speech.
  • the speaker may output an audio signal (e.g., an audio signal corresponding to information generated by processing a voice signal according to a user's utterance (e.g., text generated as a result of voice recognition)).
  • the display can visually output information generated by processing voice signals according to user utterances (e.g., text generated as a result of voice recognition).
  • An electronic device may include a communication circuit, a memory, and a processor.
  • the processor may be set to receive a voice signal according to a user's speech from an external device.
  • the processor may be configured to first decode at least a portion of the voice signal.
  • the processor may be set to determine a domain corresponding to the user utterance based at least in part on the first decoding result.
  • the processor may be configured to segment the voice signal into a plurality of segments.
  • the processor may be set to second decode the speech signal based on the segmentation result and a language model corresponding to the determined domain.
  • the processor may be set to replace at least some of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result.
  • the processor may be set to generate a voice recognition result based at least in part on the substitution result.
  • the processor may be set to segment the voice signal into a plurality of segments when the determined domain is a domain related to a plurality of contacts.
  • the processor may be set to perform the second decoding without segmenting the voice signal when the determined domain is not a domain related to a plurality of contacts.
  • the processor may be set to determine at least one candidate entity name based on the second decoding result.
  • the processor may be set to determine whether an entity name matches the at least one candidate entity name, based on information related to a preset entity name. (For example, it may be determined whether an entity name matching at least one candidate entity name exists.)
  • the processor may be configured to replace the at least one candidate entity name with the matching entity name based at least in part on a determination that there is an entity name that matches the at least one candidate entity name.
  • the information related to the preset entity name may include corresponding domain information, text normalization (TN) information, and inverse text normalization (ITN) information.
  • TN text normalization
  • ITN inverse text normalization
  • the processor may be set to determine a Levenshtein distance between the at least one candidate entity name and the matching entity name.
  • the processor may be set to replace the at least one candidate entity name with the matching entity name when the Levinstein distance is less than or equal to a preset threshold.
  • the processor may be set to split at least a portion of the text corresponding to the plurality of segments into a plurality of word units when the entity name matching the at least one candidate entity name cannot be recognized. there is.
  • the processor may be set to determine whether an entity name matches at least one word unit (segmented word) among the plurality of word units, based on information related to the preset entity name.
  • the processor selects at least one word unit (segmented word) among the plurality of word units. ) can be set to delete the text corresponding to the linking word.
  • the processor may be set to determine whether an entity name matches at least one word unit among a plurality of word units from which text corresponding to the linking word has been deleted.
  • the language model may include at least one weighted finite state transducer (WFST) model.
  • WFST weighted finite state transducer
  • the processor may be set to provide the user with text corresponding to at least a portion of the voice signal generated as a result of the first decoding.
  • the processor may be configured to preprocess the voice signal before the first decoding.
  • the preprocessing may include end point detection (EPD) of the voice signal.
  • EPD end point detection
  • Figure 5 is a flowchart of a voice recognition method for an electronic device according to an embodiment.
  • operations 510 to 570 are performed on an electronic device (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and the electronic device of FIG. 6 ( 601), the processor of the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9 (e.g., the controller 120 of FIG. 1, the controller 220 of FIG. 2, the processor 430 of FIG. 4, FIG. It can be understood that it is performed in the processor 320 in Figure 6 and the processor 720 in Figure 7).
  • an electronic device e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and the electronic device of FIG. 6 ( 601), the processor of the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9 (e.g., the controller 120 of FIG. 1, the controller 220 of FIG. 2, the processor 430 of FIG. 4, FIG. It can be understood that it is performed in the processor 320 in Figure 6 and the processor 720 in Figure 7).
  • an electronic device may receive a voice signal according to the user's utterance from an external device.
  • the user utterance may include at least one word related to contact.
  • the user utterance may include a call word to activate the voice assistant system and/or a command requesting the operation of a specific device.
  • the electronic device may first decode at least a portion of the voice signal.
  • the electronic device may generate text corresponding to the user's utterance by first decoding at least a portion of the voice signal.
  • the first decoding may include converting a voice signal according to a user's utterance into text.
  • the electronic device may first decode the user's utterance in designated time and/or length units.
  • the electronic device may perform first decoding by accumulating user utterances based on designated time and/or length units. For example, the electronic device may first decode the entire user utterance at once.
  • the electronic device may preprocess the voice signal before first decoding.
  • an electronic device can perform end point detection (EPD) of a voice signal.
  • the electronic device may recognize the end point of the voice signal (ie, the user's utterance) through preprocessing to increase voice recognition performance (eg, accuracy) and/or computational efficiency of the user's utterance.
  • EPD end point detection
  • the electronic device may provide the user with text corresponding to at least a portion of the voice signal generated as a result of the first decoding.
  • the electronic device can output the generated text through a display or speaker.
  • the electronic device may provide the user with text generated as a result of the first decoding, thereby allowing the user to recognize whether the voice recognition of the user's utterance was properly performed. For example, you can check whether the text generated as a result of the first decoding meets your intention. In other words, users can check whether there are errors such as misinterpreted words in the generated text.
  • the electronic device may determine a domain corresponding to the user's utterance based at least in part on the first decoding result.
  • the electronic device may determine whether the domain corresponding to the user's utterance includes the contact domain.
  • the electronic device may recognize whether the domain corresponding to the user's utterance is a multiple contact domain (eg, a multi-contact domain).
  • the electronic device may segment the voice signal into a plurality of segments. For example, at least some of the plurality of segments may be related to contact information (eg, entity name).
  • the electronic device may perform voice activity detection (VAD) on a voice signal and segment the voice signal based on the VAD performance result. For example, the electronic device may detect and/or remove sounds other than the user's voice (e.g., silence and/or noise signals) from the voice signal resulting from the user's speech through the VAD. The electronic device can recognize a section corresponding to the user's voice from the voice signal and segment the voice signal based on this.
  • VAD voice activity detection
  • the electronic device can recognize timestamp information corresponding to at least one word included in the voice signal.
  • the electronic device may segment the voice signal based on the difference in timestamp values between consecutive words included in the voice signal. For example, an electronic device can distinguish between consecutive words if the timestamp value between them is greater than or equal to a specified value.
  • the electronic device may segment the voice signal into a plurality of segments based on the determined domain. For example, if the domain determined in operation 530 is a domain related to a plurality of contacts, the electronic device segments the voice signal into a plurality of segments in operation 540 and determines whether the determined domain is related to a plurality of contacts. If it is not a domain, operation 540 may be omitted and the voice signal may not be segmented.
  • the electronic device may secondly decode the voice signal based on the segmentation result and the language model corresponding to the determined domain.
  • the language model may include at least one weighted finite state transducer (WFST) model.
  • WFST weighted finite state transducer
  • a WFST model may include a language model associated with a contact (and/or multiple contacts (multi-contact)) domain.
  • the electronic device can generate a WFST model learned for a specific domain.
  • the electronic device can train a WFST model based on user data related to a specific domain.
  • the electronic device may perform a second decoding of the voice signal to generate text corresponding to the user's utterance.
  • the electronic device may generate text that corresponds to the voice signal and includes information distinguishing a plurality of segments through second decoding.
  • information that distinguishes segments may be information indicating a space between words (for example, a silent section without the user's voice) in text corresponding to a user's utterance.
  • the electronic device may fetch WFST model and/or NE pair information from a personal data syn service (PDSS) including at least one WFST model and at least one NE pair information.
  • a PDSS may include a database or server located inside or outside the electronic device.
  • PDSS collects user personal information associated with a specific domain, including contact information, music (e.g., music title, artist name, and/or album name), and/or movies (e.g., movie title, cast, and/or genre). It may be a service that stores and fetches.
  • PDSS may include NE pair information including text normalization (TN) information and inverse text normalization (ITN) information.
  • NE pair information may have the format of ⁇ domain/TN/ITN ⁇ .
  • PDSS can use NE pair information to create an index according to the time of user information change, regardless of the time of user utterance.
  • Index refers to the operation of storing and/or managing data so that information can be quickly retrieved in response to the structure of a search engine (or search module), and/or data stored and/or managed to facilitate information retrieval. You can. For example, when an electronic device uses string matching for a specific NE (e.g., candidate NE) to search (or fetch) NE pair information included in PDSS, matching NE pair information is searched. The latency that occurs may be long. PDSS generates NE pair information. By creating an index corresponding to NE pair information, it is possible to quickly and easily search for NE pair information matching a candidate NE (i.e., an NE matching a candidate NE).
  • the electronic device may replace at least some of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result. For example, the electronic device may determine at least one candidate entity name (candidate NE) based on the second decoding result. For example, the electronic device may determine at least one candidate NE that is the same as or similar to a contact-related word included in the user's utterance. The electronic device may determine whether an entity name matches at least one candidate entity name based on information (e.g., NE pair information) related to a preset entity name.
  • information e.g., NE pair information
  • the electronic device may replace at least one candidate entity name with the matching entity name, based at least in part on a determination that there is an entity name that matches at least one candidate entity name. For example, the electronic device may recognize (or fetch) NE pair information matching the candidate NE from the PDSS using the index. If there is NE pair information (e.g., an entity name matching the candidate NE included in the NE pair information) matching the candidate NE, the electronic device may replace the candidate NE with the NE included in the NE pair information. You can. For example, the electronic device may determine the Levenshtein distance between at least one candidate entity name and the matching entity name.
  • NE pair information e.g., an entity name matching the candidate NE included in the NE pair information
  • the electronic device may replace at least one candidate entity name with a matching entity name.
  • the electronic device may divide at least some of the text corresponding to a plurality of segments into word units. there is. The electronic device may determine whether an entity name matches the segmented word based on information (e.g., NE pair information) related to the preset entity name.
  • the electronic device searches for NE pair information matching the text corresponding to the segmented segment, and if there is no NE pair information matching the text corresponding to the segment, divides the text corresponding to the segment into words, It can be determined whether there is NE pair information matching the segmented word. If there is NE pair information matching the divided word, the electronic device can replace the divided word with the NE included in the matching NE pair information. According to one embodiment, if there is no entity name (e.g., NE pair information) matching the divided word, the electronic device may delete the text corresponding to the connecting word from the divided word. The electronic device can recognize whether there is an entity name (e.g., NE pair information) that matches the word from which the text corresponding to the linking word has been deleted.
  • entity name e.g., NE pair information
  • the electronic device may replace the word from which the text corresponding to the connecting word was deleted with the matching entity name.
  • the electronic device may replace the word from which the text corresponding to the connecting word was deleted with the matching entity name.
  • the electronic device may not recognize the entity name matching the word from which the text corresponding to the linking word has been deleted, at least part of the text corresponding to the user utterance is converted to the specified entity name (e.g., the matching entity name). ) may not be performed.
  • the electronic device may generate a voice recognition result based at least in part on the substitution result.
  • an electronic device can recognize consecutive entity names included in a user's utterance.
  • the electronic device may generate text in which at least part of the text corresponding to the user utterance generated as a result of the second decoding is replaced with a designated entity name (eg, a matching entity name included in NE pair information).
  • the electronic device can generate voice recognition results based on the generated text.
  • the electronic device can output voice recognition results.
  • the electronic device may provide voice recognition results to the user.
  • the operations shown in FIG. 5 may be performed sequentially, but are not necessarily performed sequentially.
  • at least some of the operations shown in FIG. 5 may be performed in parallel, the order of operations may be changed, at least some operations may be omitted, or at least some of the operations of the electronic device disclosed in this document may be performed in parallel. can be added.
  • a voice recognition method for an electronic device Even when a user utterance contains multiple entity names, an unclear entity name, or multiple entity names are not clearly distinguished in a user utterance, information related to the preset entity name (e.g. NE pair information) is used. By allowing entity names included in user utterances to be clearly recognized, the recognition performance of user utterances can be improved and WER (word error rate) can be reduced.
  • WER word error rate
  • a voice recognition method for an electronic device may include receiving a voice signal according to a user's utterance from an external device.
  • the method may include first decoding at least a portion of the voice signal.
  • the method may include determining a domain corresponding to the user utterance based at least in part on the first decoding result.
  • the method may include segmenting the voice signal into a plurality of segments.
  • the method may include second decoding the speech signal based on the segmentation result and a language model corresponding to the determined domain.
  • the method may include replacing at least some of the text corresponding to the plurality of segments with a named entity (NE) based on the second decoding result.
  • the method may include generating a voice recognition result based at least in part on the substitution result.
  • the segmentation operation may include performing voice activity detection (VAD) on the voice signal.
  • VAD voice activity detection
  • the segmentation operation may include segmenting the voice signal based on the VAD result.
  • the segmentation operation may include recognizing timestamp information corresponding to at least one word included in the voice signal. According to one embodiment, the segmentation operation may include segmenting the speech signal based on a difference in timestamp values between consecutive words included in the speech signal.
  • the method may include, when the voice signal is segmented, generating text that corresponds to the voice signal and includes information distinguishing the plurality of segments through the second decoding. there is.
  • the replacing operation may include determining at least one candidate entity name based on the second decoding result. According to one embodiment, the replacing operation may include determining whether an entity name matches the at least one candidate entity name, based on information related to a preset entity name. According to one embodiment, the replacing operation includes replacing the at least one candidate entity name with the matching entity name based at least in part on a determination that there is an entity name matching the at least one candidate entity name. can do.
  • the method may include dividing at least a portion of the text corresponding to the plurality of segments into word units when an entity name matching the at least one candidate entity name cannot be recognized. there is.
  • the method may further include determining whether an entity name matches the segmented word, based on information related to the preset entity name.
  • the method may include deleting text corresponding to a connecting word from the divided word when there is no entity name matching the divided word. According to one embodiment, the method may include determining whether an entity name matches a word from which text corresponding to the linking word has been deleted.
  • the recording medium may store programs and/or instructions that, when executed by an electronic device (e.g., a processor of an electronic device), cause the electronic device to perform the method (e.g., a voice recognition method). .
  • an electronic device e.g., a processor of an electronic device
  • the method e.g., a voice recognition method
  • FIG. 6 illustrates an electronic device 601 (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, and the electronic device 400 of FIG. 4) in a network environment 600, according to various embodiments. ), a block diagram of the user terminal 701 or the intelligent server 800 of FIGS. 7 to 9.
  • the electronic device 601 communicates with the electronic device 602 through a first network 698 (e.g., a short-range wireless communication network) or a second network 699. It is possible to communicate with at least one of the electronic device 604 or the server 608 through (e.g., a long-distance wireless communication network).
  • a first network 698 e.g., a short-range wireless communication network
  • a second network 699 e.g., a long-distance wireless communication network
  • the electronic device 601 may communicate with the electronic device 604 through the server 608.
  • the electronic device 601 includes a processor 620, a memory 630, an input module 650, an audio output module 655, a display module 660, an audio module 670, and a sensor module ( 676), interface 677, connection terminal 678, haptic module 679, camera module 680, power management module 688, battery 689, communication module 690, subscriber identification module 696 , or may include an antenna module 697.
  • at least one of these components eg, the connection terminal 678) may be omitted, or one or more other components may be added to the electronic device 601.
  • some of these components e.g., sensor module 676, camera module 680, or antenna module 697) are integrated into one component (e.g., display module 660). It can be.
  • the processor 620 for example, executes software (e.g., program 640) to operate at least one other component (e.g., hardware or software component) of the electronic device 601 connected to the processor 620. It can be controlled and various data processing or calculations can be performed. According to one embodiment, as at least part of data processing or computation, the processor 620 stores commands or data received from another component (e.g., sensor module 676 or communication module 690) in volatile memory 632. The commands or data stored in the volatile memory 632 can be processed, and the resulting data can be stored in the non-volatile memory 634.
  • software e.g., program 640
  • the processor 620 stores commands or data received from another component (e.g., sensor module 676 or communication module 690) in volatile memory 632.
  • the commands or data stored in the volatile memory 632 can be processed, and the resulting data can be stored in the non-volatile memory 634.
  • the processor 620 may include a main processor 621 (e.g., a central processing unit or an application processor) or an auxiliary processor 623 that can operate independently or together (e.g., a graphics processing unit, a neural network processing unit ( It may include a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
  • a main processor 621 e.g., a central processing unit or an application processor
  • auxiliary processor 623 e.g., a graphics processing unit, a neural network processing unit ( It may include a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor.
  • the electronic device 601 includes a main processor 621 and a auxiliary processor 623
  • the auxiliary processor 623 may be set to use lower power than the main processor 621 or be specialized for a designated function. You can.
  • the auxiliary processor 623 may be implemented separately from the main processor 621 or as part of it.
  • the auxiliary processor 623 may, for example, act on behalf of the main processor 621 while the main processor 621 is in an inactive (e.g., sleep) state, or while the main processor 621 is in an active (e.g., application execution) state. ), along with the main processor 621, at least one of the components of the electronic device 601 (e.g., the display module 660, the sensor module 676, or the communication module 690) At least some of the functions or states related to can be controlled.
  • co-processor 623 e.g., image signal processor or communication processor
  • may be implemented as part of another functionally related component e.g., camera module 680 or communication module 690. there is.
  • the auxiliary processor 623 may include a hardware structure specialized for processing artificial intelligence models.
  • Artificial intelligence models can be created through machine learning. For example, such learning may be performed in the electronic device 601 itself on which the artificial intelligence model is performed, or may be performed through a separate server (e.g., server 608).
  • Learning algorithms may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but It is not limited.
  • An artificial intelligence model may include multiple artificial neural network layers.
  • Artificial neural networks include deep neural network (DNN), convolutional neural network (CNN), recurrent neural network (RNN), restricted boltzmann machine (RBM), belief deep network (DBN), bidirectional recurrent deep neural network (BRDNN), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the examples described above.
  • artificial intelligence models may additionally or alternatively include software structures.
  • the memory 630 may store various data used by at least one component (eg, the processor 620 or the sensor module 676) of the electronic device 601. Data may include, for example, input data or output data for software (e.g., program 640) and instructions related thereto.
  • Memory 630 may include volatile memory 632 or non-volatile memory 634.
  • the program 640 may be stored as software in the memory 630 and may include, for example, an operating system 642, middleware 644, or application 646.
  • the input module 650 may receive commands or data to be used in a component of the electronic device 601 (e.g., the processor 620) from outside the electronic device 601 (e.g., a user).
  • the input module 650 may include, for example, a microphone, mouse, keyboard, keys (eg, buttons), or digital pen (eg, stylus pen).
  • the sound output module 655 may output sound signals to the outside of the electronic device 601.
  • the sound output module 655 may include, for example, a speaker or receiver. Speakers can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive incoming calls. According to one embodiment, the receiver may be implemented separately from the speaker or as part of it.
  • the display module 660 can visually provide information to the outside of the electronic device 601 (eg, a user).
  • the display module 660 may include, for example, a display, a hologram device, or a projector, and a control circuit for controlling the device.
  • the display module 660 may include a touch sensor configured to detect a touch, or a pressure sensor configured to measure the intensity of force generated by the touch.
  • the audio module 670 can convert sound into an electrical signal or, conversely, convert an electrical signal into sound. According to one embodiment, the audio module 670 acquires sound through the input module 650, the sound output module 655, or an external electronic device (e.g., directly or wirelessly connected to the electronic device 601). Sound may be output through an electronic device 602 (e.g., speaker or headphone).
  • an electronic device 602 e.g., speaker or headphone
  • the sensor module 676 detects the operating state (e.g., power or temperature) of the electronic device 601 or the external environmental state (e.g., user state) and generates an electrical signal or data value corresponding to the detected state. can do.
  • the sensor module 676 includes, 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 biometric sensor, It may include a temperature sensor, humidity sensor, or light sensor.
  • the interface 677 may support one or more designated protocols that can be used to connect the electronic device 601 directly or wirelessly with an external electronic device (e.g., the electronic device 602).
  • the interface 677 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
  • connection terminal 678 may include a connector through which the electronic device 601 can be physically connected to an external electronic device (eg, the electronic device 602).
  • the connection terminal 678 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 679 can convert electrical signals into mechanical stimulation (e.g., vibration or movement) or electrical stimulation that the user can perceive through tactile or kinesthetic senses.
  • the haptic module 679 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module 680 can capture still images and moving images.
  • the camera module 680 may include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module 688 can manage power supplied to the electronic device 601. According to one embodiment, the power management module 688 may be implemented as at least a part of, for example, a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • Battery 689 may supply power to at least one component of electronic device 601.
  • the battery 689 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
  • Communication module 690 is configured to provide a direct (e.g., wired) communication channel or wireless communication channel between the electronic device 601 and an external electronic device (e.g., electronic device 602, electronic device 604, or server 608). It can support establishment and communication through established communication channels. Communication module 690 operates independently of processor 620 (e.g., an application processor) and may include one or more communication processors that support direct (e.g., wired) communication or wireless communication.
  • processor 620 e.g., an application processor
  • the communication module 690 may be a wireless communication module 692 (e.g., a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 694 (e.g., : LAN (local area network) communication module, or power line communication module) may be included.
  • a wireless communication module 692 e.g., 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 694 e.g., : LAN (local area network) communication module, or power line communication module
  • the corresponding communication module is a first network 698 (e.g., a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 699 (e.g., legacy It may communicate with an external electronic device 604 through a telecommunication network such as a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., LAN or WAN).
  • a telecommunication network such as a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., LAN or WAN).
  • a telecommunication network such as a cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., LAN or WAN).
  • a telecommunication network such as a cellular network, a 5G network, a next-generation communication network
  • the wireless communication module 692 uses subscriber information (e.g., International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 696 within a communication network such as the first network 698 or the second network 699.
  • subscriber information e.g., International Mobile Subscriber Identifier (IMSI)
  • IMSI International Mobile Subscriber Identifier
  • the wireless communication module 692 may support 5G networks after 4G networks and next-generation communication technologies, for example, NR access technology (new radio access technology).
  • NR access technology provides high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access to multiple terminals (massive machine type communications (mMTC)), or ultra-reliable and low-latency (URLLC). -latency communications)) can be supported.
  • the wireless communication module 692 may support high frequency bands (e.g., mmWave bands), for example, to achieve high data rates.
  • the wireless communication module 692 uses various technologies to secure performance in high frequency bands, for example, beamforming, massive MIMO (multiple-input and multiple-output), and full-dimensional multiplexing.
  • the wireless communication module 692 may support various requirements specified in the electronic device 601, an external electronic device (e.g., electronic device 604), or a network system (e.g., second network 699). According to one embodiment, the wireless communication module 692 supports Peak data rate (e.g., 20 Gbps or more) for realizing eMBB, loss coverage (e.g., 164 dB or less) for realizing mmTC, or U-plane latency (e.g., 164 dB or less) for realizing URLLC.
  • Peak data rate e.g., 20 Gbps or more
  • loss coverage e.g., 164 dB or less
  • U-plane latency e.g., 164 dB or less
  • the antenna module 697 may transmit or receive signals or power to or from the outside (e.g., an external electronic device).
  • the antenna module 697 may include an antenna including a radiator made of a conductor or a conductive pattern formed on a substrate (eg, PCB).
  • the antenna module 697 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for the communication method used in the communication network, such as the first network 698 or the second network 699, is connected to the plurality of antennas by, for example, the communication module 690. can be selected. Signals or power may be transmitted or received between the communication module 690 and an external electronic device through the selected at least one antenna.
  • other components eg, radio frequency integrated circuit (RFIC) may be additionally formed as part of the antenna module 697.
  • RFIC radio frequency integrated circuit
  • antenna module 697 may form a mmWave antenna module.
  • a mmWave antenna module includes: a printed circuit board, an RFIC disposed on or adjacent to a first side (e.g., bottom side) of the printed circuit board and capable of supporting a designated high frequency band (e.g., mmWave band); And a plurality of antennas (e.g., array antennas) disposed on or adjacent to the second side (e.g., top or side) of the printed circuit board and capable of transmitting or receiving signals in the designated high frequency band. can do.
  • a mmWave antenna module includes: a printed circuit board, an RFIC disposed on or adjacent to a first side (e.g., bottom side) of the printed circuit board and capable of supporting a designated high frequency band (e.g., mmWave band); And a plurality of antennas (e.g., array antennas) disposed on or adjacent to the second side (e.g., top or side) of
  • peripheral devices e.g., 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 601 and the external electronic device 604 through the server 608 connected to the second network 699.
  • Each of the external electronic devices 602 or 104 may be of the same or different type as the electronic device 601.
  • all or part of the operations performed in the electronic device 601 may be executed in one or more of the external electronic devices 602, 104, or 108.
  • the electronic device 601 may perform the function or service instead of executing the function or service on its own.
  • one or more external electronic devices may be requested to perform at least part of the function or service.
  • One or more external electronic devices that have received the request may execute at least part of the requested function or service, or an additional function or service related to the request, and transmit the result of the execution to the electronic device 601.
  • the electronic device 601 may process the result as is or additionally and provide it as at least part of a response to the request.
  • cloud computing distributed computing, mobile edge computing (MEC), or client-server computing technology can be used.
  • the electronic device 601 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
  • the external electronic device 604 may include an Internet of Things (IoT) device.
  • Server 608 may be an intelligent server using machine learning and/or neural networks.
  • the external electronic device 604 or server 608 may be included in the second network 699.
  • the electronic device 601 may be applied to intelligent services (e.g., smart home, smart city, smart car, or healthcare) based on 5G communication technology and IoT-related technology.
  • Figure 7 is a block diagram showing an integrated intelligence system according to an embodiment.
  • the integrated intelligence system of one embodiment includes a user terminal 701 (e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and FIG. 6). may include an electronic device 601), an intelligent server 800, and a service server 900.
  • a user terminal 701 e.g., the electronic device 100 of FIG. 1, the electronic device 200 of FIG. 2, the electronic device 400 of FIG. 4, and FIG. 6
  • the user terminal 701 may be a terminal device (or electronic device) capable of connecting to the Internet, for example, a mobile phone, a smartphone, or a personal digital assistant (PDA). It may be a digital assistant, a laptop computer, a television (TV), a white appliance, a wearable device, a head mounted device (HMD), or a smart speaker.
  • a terminal device or electronic device capable of connecting to the Internet
  • PDA personal digital assistant
  • TV television
  • white appliance a white appliance
  • HMD head mounted device
  • smart speaker a smart speaker
  • the user terminal 701 may include a communication interface 790, a microphone 770, a speaker 755, a display 760, a memory 730, and/or a processor 720. there is.
  • the components listed above may be operatively or electrically connected to each other.
  • the communication interface 790 may be connected to an external device and configured to transmit and receive data.
  • the microphone 770 e.g., the audio module 670 in FIG. 6
  • the speaker 755 e.g., the sound output module 655 in FIG. 6
  • Display 760 may be configured to display images or video.
  • the display 760 in one embodiment may also display a graphic user interface (GUI) of an app (or application program) that is being executed.
  • GUI graphic user interface
  • Display 760 in one embodiment may be configured to display images or video.
  • the display 760 of one embodiment may also display a graphic user interface (GUI) of an app (or application program) being executed.
  • GUI graphic user interface
  • the display 760 in one embodiment may receive a touch input through a touch sensor.
  • the display 760 may receive text input through a touch sensor in the on-screen keyboard area displayed within the display 760.
  • the memory 730 may store a client module 731, a software development kit (SDK) 733, and a plurality of applications.
  • the client module 731 and SDK 733 may form a framework (or solution program) for performing general functions. Additionally, the client module 731 or SDK 733 may configure a framework for processing user input (eg, voice input, text input, touch input).
  • the plurality of applications may be programs for performing designated functions.
  • the plurality of applications may include a first app 735a and/or a second app 735b.
  • each of the plurality of applications may include a plurality of operations to perform a designated function.
  • the applications may include an alarm app, a messaging app, and/or a schedule app.
  • a plurality of applications are executed by the processor 720 to sequentially execute at least some of the plurality of operations.
  • the processor 720 in one embodiment may control the overall operation of the user terminal 701.
  • the processor 720 may be electrically connected to the communication interface 790, the microphone 770, the speaker 755, and the display 760 to perform a designated operation.
  • processor 720 may include at least one processor.
  • the processor 720 in one embodiment may also execute a program stored in the memory 730 to perform a designated function.
  • the processor 720 may execute at least one of the client module 731 or the SDK 733 and perform the following operations to process user input.
  • the processor 720 may control the operation of a plurality of applications through, for example, the SDK 733.
  • the following operations described as operations of the client module 731 or SDK 733 may be operations performed by execution of the processor 720.
  • the client module 731 in one embodiment may receive user input. For example, the client module 731 may generate a voice signal corresponding to a user utterance detected through the microphone 770. Alternatively, the client module 731 may receive a touch input detected through the display 760. Alternatively, the client module 731 may receive text input detected through a keyboard or visual keyboard. In addition, various types of user input detected through an input module included in the user terminal 701 or an input module connected to the user terminal 701 can be received. The client module 731 may transmit the received user input (eg, voice signal) to the intelligent server 800. The client module 731 may transmit status information of the user terminal 701 to the intelligent server 800 along with the received user input. The status information may be, for example, execution status information of an app.
  • the client module 731 may transmit the received user input (eg, voice signal) to the intelligent server 800.
  • the client module 731 may transmit status information of the user terminal 701 to the intelligent server 800 along with the received user input.
  • the status information may be, for example, execution
  • the client module 731 of one embodiment may receive a result corresponding to the received user input from the intelligent server 800. For example, when the intelligent server 800 can calculate a result corresponding to the received user input, the client module 731 may receive a result corresponding to the received voice input. The client module 731 may display the received result on the display 760. Additionally, the client module 731 may output the received result as audio through the speaker 755.
  • the client module 731 of one embodiment may receive a plan corresponding to the received user input.
  • the client module 731 may display the results of executing a plurality of operations of the app according to the plan on the display 760.
  • the client module 731 can sequentially display execution results of a plurality of operations on a display and output audio through the speaker 755.
  • the user terminal 701 may display only partial results of executing a plurality of operations (e.g., the result of the last operation) on the display and may output audio through the speaker 755.
  • the client module 731 may receive a request from the intelligent server 800 to obtain information necessary to calculate a result corresponding to the voice input.
  • Information needed to calculate the result may be, for example, status information of the user terminal 701.
  • the client module 731 may transmit the necessary information to the intelligent server 800 in response to the request.
  • the client module 731 in one embodiment may transmit information as a result of executing a plurality of operations according to the plan to the intelligent server 800.
  • the intelligent server 800 can use the result information to confirm that the received user input has been processed correctly.
  • the client module 731 in one embodiment may include a voice recognition module. According to one embodiment, the client module 731 can recognize voice input performing a limited function through the voice recognition module. For example, the client module 731 may execute an intelligent app for processing voice input by performing an organic action in response to a designated voice input (e.g., wake up!).
  • a voice recognition module e.g., a voice recognition module
  • the client module 731 may execute an intelligent app for processing voice input by performing an organic action in response to a designated voice input (e.g., wake up!).
  • the intelligent server 800 of one embodiment receives information related to the user voice input from the user terminal 701 through the network 799 (e.g., the first network 698 and/or the second network 699 in FIG. 6). You can receive it. According to one embodiment, the intelligent server 800 may change data related to the received voice input into text data. According to one embodiment, the intelligent server 800 may generate at least one plan to perform a task corresponding to the user's voice input based on the text data.
  • the plan may be generated by an artificial intelligence (AI) system.
  • An artificial intelligence system may be a rule-based system, a neural network-based system (e.g., a feedforward neural network (FNN)), and/or a recurrent neural network. network(RNN))). Alternatively, it may be a combination of the above or a different artificial intelligence system.
  • a plan may be selected from a set of predefined plans or may be generated in real time in response to a user request. For example, an artificial intelligence system can select at least one plan from a plurality of predefined plans.
  • the intelligent server 800 of one embodiment may transmit a result according to the generated plan to the user terminal 701 or transmit the generated plan to the user terminal 701.
  • the user terminal 701 may display results according to the plan on the display.
  • the user terminal 701 may display the results of executing an operation according to the plan on the display.
  • the intelligent server 800 of one embodiment includes a front end 810, a natural language platform 820, a capsule database 830, an execution engine 840, It may include an end user interface (850), a management platform (860), a big data platform (870), or an analytic platform (880).
  • the front end 810 of one embodiment may receive a user input received by the user terminal 701 from the user terminal 701.
  • the front end 810 may transmit a response corresponding to the user input to the user terminal 701.
  • the natural language platform 820 includes an automatic speech recognition module (ASR module) 821, a natural language understanding module (NLU module) 823, and a planner module (823). It may include a planner module (825), a natural language generator module (NLG module) (827), and/or a text to speech module (TTS module) (829).
  • ASR module automatic speech recognition module
  • NLU module natural language understanding module
  • TTS module text to speech module
  • the automatic voice recognition module 821 of one embodiment may convert voice input received from the user terminal 701 into text data.
  • the natural language understanding module 823 in one embodiment can determine the user's intention using text data of voice input. For example, the natural language understanding module 823 may determine the user's intention by performing syntactic analysis and/or semantic analysis on user input in the form of text data.
  • the natural language understanding module 823 in one embodiment uses linguistic features (e.g., grammatical elements) of morphemes or phrases to understand the meaning of words extracted from user input, and matches the meaning of the identified words to the user's intent. You can determine your intention.
  • the natural language understanding module 823 can acquire intent information corresponding to the user's utterance. Intention information may be information indicating the user's intention determined by interpreting text data. Intent information may include information indicating an action or function that the user wishes to perform using the device.
  • the planner module 825 in one embodiment may generate a plan using the intent and parameters determined by the natural language understanding module 823. According to one embodiment, the planner module 825 may determine a plurality of domains required to perform the task based on the determined intention. The planner module 825 may determine a plurality of operations included in each of the plurality of domains determined based on the intention. According to one embodiment, the planner module 825 may determine parameters required to execute the determined plurality of operations or result values output by executing the plurality of operations. The parameters and the result values may be defined as concepts of a specified type (or class). Accordingly, the plan may include a plurality of operations and/or a plurality of concepts determined by the user's intention.
  • the planner module 825 may determine the relationship between the plurality of operations and the plurality of concepts in a stepwise (or hierarchical) manner. For example, the planner module 825 may determine the execution order of a plurality of operations determined based on the user's intention based on a plurality of concepts. In other words, the planner module 825 may determine the execution order of the plurality of operations based on parameters required for execution of the plurality of operations and results output by executing the plurality of operations. Accordingly, the planner module 825 may generate a plan that includes association information (eg, ontology) between a plurality of operations and a plurality of concepts. The planner module 825 can create a plan using information stored in the capsule database 830, which stores a set of relationships between concepts and operations.
  • association information eg, ontology
  • the natural language generation module 827 in one embodiment can change specified information into text form.
  • the information changed to the text form may be in the form of natural language speech.
  • the text-to-speech conversion module 829 in one embodiment can change information in text form into information in voice form.
  • the user terminal 701 may include an automatic speech recognition module and/or a natural language understanding module. After the user terminal 701 recognizes the user's voice command, it can transmit text information corresponding to the recognized voice command to the intelligent server 800.
  • the user terminal 701 may include a text-to-speech module. The user terminal 701 may receive text information from the intelligent server 800 and output the received text information as voice.
  • the capsule database 830 may store information about the relationship between a plurality of concepts and operations corresponding to a plurality of domains.
  • a capsule may include a plurality of action objects (or action information) and/or concept objects (or concept information) included in the plan.
  • the capsule database 830 may store a plurality of capsules in the form of CAN (concept action network).
  • a plurality of capsules may be stored in a function registry included in the capsule database 830.
  • the capsule database 830 may include a strategy registry in which strategy information necessary for determining a plan corresponding to a voice input is stored.
  • the strategy information may include standard information for determining one plan when there are multiple plans corresponding to user input.
  • the capsule database 830 may include a follow up registry in which information on follow-up actions is stored to suggest follow-up actions to the user in a specified situation.
  • the follow-up action may include, for example, follow-up speech.
  • the capsule database 830 may include a layout registry that stores layout information of information output through the user terminal 701.
  • the capsule database 830 may include a vocabulary registry where vocabulary information included in capsule information is stored.
  • the capsule database 830 may include a dialogue registry in which information about dialogue (or interaction) with a user is stored.
  • the capsule database 830 can update stored objects through a developer tool.
  • the developer tool may include, for example, a function editor for updating operation objects or concept objects.
  • the developer tool may include a vocabulary editor for updating the vocabulary.
  • the developer tool may include a strategy editor that creates and registers a strategy for determining the plan.
  • the developer tool may include a dialogue editor that creates a dialogue with the user.
  • the developer tool may include a follow up editor that can edit follow-up utterances to activate follow-up goals and provide hints. The subsequent goal may be determined based on currently set goals, user preferences, or environmental conditions.
  • the capsule database 830 may also be implemented within the user terminal 701.
  • the execution engine 840 of one embodiment may calculate a result using the generated plan.
  • the end user interface 850 may transmit the calculated result to the user terminal 701. Accordingly, the user terminal 701 can receive the result and provide the received result to the user.
  • the management platform 860 of one embodiment can manage information used in the intelligent server 800.
  • the big data platform 870 in one embodiment may collect user data.
  • the analysis platform 880 of one embodiment may manage quality of service (QoS) of the intelligent server 800. For example, the analytics platform 880 can manage the components and processing speed (or efficiency) of the intelligent server 800.
  • QoS quality of service
  • the service server 900 in one embodiment may provide a designated service (eg, food ordering or hotel reservation) to the user terminal 701.
  • the service server 900 may be a server operated by a third party.
  • the service server 900 in one embodiment may provide the intelligent server 800 with information for creating a plan corresponding to the received user input. The provided information may be stored in the capsule database 830. Additionally, the service server 900 may provide result information according to the plan to the intelligent server 800.
  • the service server 900 may communicate with the intelligent server 800 and/or the user terminal 701 through the network 799.
  • the service server 900 can communicate with the intelligent server 800 through a separate connection.
  • the service server 900 is shown as one server in FIG. 7, the embodiments of this document are not limited thereto. At least one of the services 901, 902, and 903 of the service server 900 may be implemented as a separate server.
  • the user terminal 701 can provide various intelligent services to the user in response to user input.
  • the user input may include, for example, input through a physical button, touch input, or voice input.
  • the user terminal 701 may provide a voice recognition service through an internally stored intelligent app (or voice recognition app).
  • the user terminal 701 may recognize a user utterance or voice input received through the microphone and provide a service corresponding to the recognized voice input to the user. .
  • the user terminal 701 may perform a designated operation alone or together with the intelligent server and/or service server based on the received voice input. For example, the user terminal 701 may run an app corresponding to a received voice input and perform a designated operation through the executed app.
  • the user terminal 701 when the user terminal 701 provides a service together with the intelligent server 800 and/or the service server 900, the user terminal 701 uses the microphone 770 to It is possible to detect an utterance and generate a signal (or voice data) corresponding to the detected user utterance.
  • the user terminal 701 can transmit the voice data to the intelligent server 800 using the communication interface 790.
  • the intelligent server 800 In response to a voice input received from the user terminal 701, the intelligent server 800 according to one embodiment provides a plan for performing a task corresponding to the voice input, or an operation according to the plan. can produce results.
  • the plan may include a plurality of operations for performing a task corresponding to a user's voice input and/or a plurality of concepts related to the plurality of operations.
  • the concept may define parameters input to the execution of the plurality of operations or result values output by the execution of the plurality of operations.
  • the plan may include association information between a plurality of operations and/or a plurality of concepts.
  • the user terminal 701 in one embodiment may receive the response using the communication interface 790.
  • the user terminal 701 uses the speaker 755 to output a voice signal generated inside the user terminal 701 to the outside, or uses the display 760 to output an image generated inside the user terminal 701 to the outside. It can be output as .
  • Figure 8 is a diagram showing how relationship information between concepts and actions is stored in a database, according to an embodiment.
  • the capsule database (e.g., capsule database 830 of FIG. 7) of the intelligent server (e.g., intelligent server 800 of FIG. 7) may store a plurality of capsules in CAN (concept action network) format.
  • the capsule database may store operations for processing tasks corresponding to the user's voice input, and parameters necessary for the operations in CAN (concept action network) format.
  • the CAN may represent an organic relationship between an action and a concept that defines the parameters necessary to perform the action.
  • the capsule database may store a plurality of capsules (capsule A 831, capsule B 834) corresponding to each of a plurality of domains (eg, applications).
  • one capsule e.g., capsule A 831
  • one domain e.g., location (geo), application
  • one capsule contains at least one capsule of a service provider (e.g., CP 1 (832), CP 2 (833), CP3 (835), and/or CP4 (836) to perform functions for the domain associated with the capsule. )) can correspond.
  • a service provider e.g., CP 1 (832), CP 2 (833), CP3 (835), and/or CP4 (836) to perform functions for the domain associated with the capsule.
  • one capsule may include at least one operation 830a and at least one concept 830b for performing a designated function.
  • the natural language platform may generate a plan for performing a task corresponding to the received voice input using the capsule stored in the capsule database 830.
  • the planner module of the natural language platform e.g., planner module 825 in FIG. 7
  • create a plan 837 using the operations 831a, 832a and concepts 831b, 832b of capsule A (8310) and the operations 834a and concept 834b of capsule B (834). can do.
  • Figure 9 is a diagram illustrating a screen in which a user terminal processes voice input received through an intelligent app according to an embodiment.
  • the user terminal 701 may run an intelligent app to process user input through an intelligent server (e.g., the intelligent server 800 in FIG. 7).
  • an intelligent server e.g., the intelligent server 800 in FIG. 7.
  • the user terminal 701 when the user terminal 701 recognizes a designated voice input (eg, wake up! or receives an input through a hardware key (eg, a dedicated hardware key), the user terminal 701 It can run intelligent apps to process input. For example, the user terminal 701 may execute an intelligent app while executing a schedule app. According to one embodiment, the user terminal 701 may display an object (e.g., an icon) 911 corresponding to an intelligent app on a display (e.g., the display 760 of FIG. 7). According to one embodiment, the user terminal 701 may receive voice input through a user's utterance.
  • a designated voice input eg, wake up! or receives an input through a hardware key (eg, a dedicated hardware key)
  • the user terminal 701 It can run intelligent apps to process input. For example, the user terminal 701 may execute an intelligent app while executing a schedule app. According to one embodiment, the user terminal 701 may display an object (e.g., an icon) 911 corresponding to an intelligent app
  • the user terminal 701 may receive a voice input saying “Tell me this week’s schedule!”
  • the user terminal 701 may display a user interface (UI) 713 (e.g., input window) of an intelligent app displaying text data of a received voice input on the display 760.
  • UI user interface
  • the user terminal 701 may display a result corresponding to the received voice input on the display 760.
  • the user terminal 701 may receive a plan corresponding to the received user input and display 'this week's schedule' on the display 760 according to the plan.
  • Electronic devices may be of various types.
  • Electronic devices may include, for example, portable communication devices (e.g., smartphones), computer devices, portable multimedia devices, portable medical devices, cameras, wearable devices, or home appliances.
  • Electronic devices according to embodiments of this document are not limited to the above-described devices.
  • first, second, or first or second may be used simply to distinguish one component from another, and to refer to those components in other respects (e.g., importance or order) is not limited.
  • One (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.”
  • 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 logic, logic block, component, or circuit, for example. It can be used as A module may be an integrated part or a minimum unit of the parts or a part thereof that performs one or more functions. For example, according to one embodiment, the module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document are one or more instructions stored in a storage medium (e.g., built-in memory 636 or external memory 638) that can be read by a machine (e.g., electronic device 601). It may be implemented as software (e.g., program 640) including these.
  • a processor e.g., processor 620
  • a device e.g., electronic device 601
  • the one or more instructions may include code generated by a compiler or code that can be executed by an interpreter.
  • a storage medium that can be read by a device may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' only means that the storage medium is a tangible device and does not contain signals (e.g. electromagnetic waves). This term refers to cases where data is stored semi-permanently in the storage medium. There is no distinction between temporary storage cases.
  • Computer program products are commodities and can be traded between sellers and buyers.
  • the computer program product may be distributed in the form of a machine-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 (e.g. downloaded or uploaded) directly between smart phones) or online.
  • a machine-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 (e.g. downloaded or uploaded) directly between smart phones) or online.
  • at least a portion of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or a relay server.
  • each component (e.g., module or program) of the above-described components may include a single or plural entity, and some of the plurality of entities may be separately placed in other components. there is.
  • one or more of the components or operations described above may be omitted, or one or more other components or operations may be added.
  • multiple components eg, modules or programs
  • the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component of the plurality of components prior to the integration. .
  • operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order, or omitted. Alternatively, one or more other operations may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Machine Translation (AREA)

Abstract

본 문서에 개시되는 일 실시 예에 따른 전자 장치는, 통신 회로, 메모리, 및 프로세서를 포함할 수 있다. 상기 프로세서는, 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하고, 상기 음성 신호의 적어도 일부를 제1 디코딩하고, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하고, 상기 음성 신호를 복수 개의 세그먼트(segment)로 세분화(segmentation)하고, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하고, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하고, 상기 치환 결과에 적어도 일부 기반하여, 음성 인식 결과를 생성하도록 설정될 수 있다. 이 외에도 명세서를 통해 파악되는 다양한 실시 예가 가능하다.

Description

전자 장치 및 전자 장치의 음성 인식 방법
본 문서에서 개시되는 실시 예들은, 전자 장치 및 전자 장치의 음성 인식하는 방법과 관련된다.
최근 들어, 음성 인식 기술이 발전함에 따라 마이크를 포함하는 다양한 전자 장치에서 음성 인식 기능이 구현될 수 있다. 예를 들어, 최근에는 전자 장치들 사이의 직관적인 인터페이스를 제공할 수 있는 음성 어시스턴스 서비스가 개발되고 있다. 음성 어시스턴스 서비스는 사용자의 발화(utterance)에 대한 자연 언어 처리를 수행하여 사용자의 의도를 추론하고, 추론된 사용자의 의도를 기초로 하여 제어 장치가 제어되도록 처리할 수 있다. 예를 들어, 전자 장치는 사용자의 의도를 파악하기 위하여 사용자 발화에 포함된 내용(예: 개체명(named entity))을 인식할 수 있어야 한다.
상술한 정보는 본 개시에 대한 이해를 돕기 위한 목적으로 하는 배경 기술(related art)로 제공될 수 있다. 상술한 내용 중 어느 것도 본 개시와 관련된 종래 기술(prior art)로서 적용될 수 있는지에 대하여 어떠한 주장이나 결정이 제기되지 않는다.
본 개시의 다양한 실시예들은, 사용자 발화에 포함된 연속되는 개체명 각각을 인식할 수 있는 전자 장치 및 전자 장치의 음성 인식 방법을 제공하고자 한다.
본 개시의 다양한 실시예들은, 사용자 발화에 포함된 개체명에 대응되는 텍스트를 인식하고, 인식한 텍스트를 사용자 의도에 부합하는 개체명으로 치환할 수 있는 전자 장치 및 전자 장치의 음성 인식 방법을 제공하고자 한다.
본 문서에서 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 개시되는 일 실시 예에 따른 전자 장치는, 통신 회로, 메모리, 및 프로세서를 포함할 수 있다. 상기 메모리는 인스트럭션들을 저장할 수 있다. 상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가, 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하고, 상기 음성 신호의 적어도 일부를 제1 디코딩하고, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하고, 상기 음성 신호를 복수 개의 세그먼트(segment)들로 세분화(segmentation)하고, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하고, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트들에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하고, 상기 치환 결과에 적어도 일부 기반하여, 음성 인식 결과를 생성하도록 설정될 수 있다.
본 문서에 개시되는 일 실시 예에 따른 전자 장치의 음성 인식 방법은, 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하는 동작, 상기 음성 신호의 적어도 일부를 제1 디코딩하는 동작, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하는 동작, 상기 음성 신호를 복수 개의 세그먼트(segment)들로 세분화(segmentation)하는 동작, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하는 동작, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트들에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하는 동작, 및 상기 치환 결과에 적어도 일부 기반하여, 음성 인식 결과를 생성하는 동작을 포함할 수 있다.
또한, 본 문서에 개시되는 일 실시 예에 따른 저장 매체는, 전자 장치의 프로세서에 의해 실행 시, 상기 전자 장치가 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하고, 상기 음성 신호의 적어도 일부를 제1 디코딩하고, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하고, 상기 음성 신호를 복수 개의 세그먼트(segment)들로 세분화(segmentation)하고, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하고, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트들에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하고, 상기 치환 결과에 적어도 일부 기반하여 음성 인식 결과를 생성하도록 하는 프로그램(또는, 인스트럭션들)을 저장할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 사용자 발화에 포함된 연속되는 개체명 각각을 인식할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 사용자 발화에 포함된 개체명에 대응되는 텍스트를 인식하고, 인식한 텍스트를 사용자 의도에 부합하는 개체명으로 치환할 수 있다.
본 문서에 개시되는 실시 예들에 따르면, 사용자 발화에 포함된 연속되는 개체명을 구분 및 인식함으로써, 음성 인식의 정확도 또는 성능을 향상시키 수 있다.
이 외에, 본 문서를 통해 직접적 또는 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시예에 따른 전자 장치의 블록도이다.
도 2는 일 실시예에 따른 전자 장치의 블록도이다.
도 3은 일 실시예에 따른 전자 장치의 개체명 치환 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 전자 장치의 블록도이다.
도 5는 일 실시예에 따른 전자 장치의 음성 인식 방법의 흐름도이다.
도 6은 다양한 실시예들에 따른 네트워크 환경 내의 전자 장치를 나타낸다.
도 7은 일 실시예에 따른 통합 지능(integrated intelligence) 시스템을 나타낸 블록도이다.
도 8는 일 실시예에 따른, 컨셉과 액션의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
도 9는 일 실시예에 따라, 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 표시하는 사용자 단말을 도시한 도면이다.
도면의 설명과 관련하여, 동일 또는 유사한 구성요소에 대해서는 동일 또는 유사한 참조 부호가 사용될 수 있다.
이하에서는 도면을 참조하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면의 설명과 관련하여, 동일하거나 유사한 구성요소에 대해서는 동일하거나 유사한 참조 부호가 사용될 수 있다. 또한, 도면 및 관련된 설명에서는, 잘 알려진 기능 및 구성에 대한 설명이 명확성과 간결성을 위해 생략될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 블록도이다. 일 실시예에 따르면, 도 1은 Bi-directional RNN(recurrent neural networks) 계열 모델을 기반으로 구현된 전자 장치(100)(예: 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))의 구성을 나타낸다.
일 실시예에 따르면, 전자 장치(100)는 전처리 모듈(111), 제1 디코더(112), 도메인 추정(domain estimation) 모듈(113), 세분화 모듈(114), 제2 디코더(115), 치환 모듈(116), 및 컨트롤러(120)를 포함할 수 있다. 일 실시예에 따르면, 전자 장치(100)는 PDSS(personal data sync service)(130) 및/또는 외부 언어 모델(150)을 포함할 수 있다. 외부 언어 모델(150)는 적어도 하나의 도메인에 대응하는 언어 모델(예를 들어, 일반 언어 모델(general language model, general LM)(151-1) 및 음악 언어 모델(151-2))을 포함할 수 있다. 일 실시예에 따르면, PDSS(130) 및/또는 외부 언어 모델(150)은 외부 전자 장치(예: 외부 서버)에 구현될 수 있다.
일 실시예에 따르면, 전처리 모듈(111)은 음성 입력(예: 사용자 발화에 따른 음성 신호(예를 들어, 사용자 발화를 나타내는 음성 신호, 상기 음성 신호는 마이크에 의해 수신된 사용자 발화에 대응하는 디지털 신호일 수 있음))를 전처리할 수 있다. 예를 들어, 전처리 모듈(111)은 (예를 들어, 사용자 발화의 종료 지점을 결정하기 위하여) 음성 신호의 종료점 검출(end point detection, EPD)를 수행할 수 있다. 전처리 모듈(111)은 음성 신호로부터 특징을 추출(feature extraction)할 수 있다. 전처리 모듈(111)은 음성 신호를 기반으로 CMVN(cepstral mean variance normalization)을 수행할 수 있다. 예를 들어, CMVN은 음성 인식을 위한 연산 정규화 기술로, 동일한 세그먼트 통계를 가지도록 켑스트럼 계수(cepstral coefficient) 선형 변화하여 특징 추출을 위해 노이즈에 의한 왜곡을 최소화할 수 있다.
일 실시예에 따르면, 제1 디코더(112)는 음성 신호의 적어도 일부를 디코딩할 수 있다. 예를 들어, 제1 디코더(112)는 음성 신호를 기반으로 자동 음성 인식(automatic speech recognition, ASR)을 수행할 수 있다. 제1 디코더(112)는 신경망 기반의 ASR을 위한 디코더일 수 있다. 예를 들어, 제1 디코더(112)는 음성 신호를 음성 인식 알고리듬에 기반하여 정규화된 텍스트(normalized text)(예: TN(text normalization) 텍스트)를 생성할 수 있다. 예를 들어, 제1 디코더(112)는 Bi-directional RNN 계열 기반의 모델을 이용하여 디코딩을 수행할 수 있다. 예를 들어, 제1 디코더(112)는 음성 신호를 지정된 길이만큼 부분적으로 누적하여 디코딩할 수 있다. 예를 들어, 음성 신호는 단계적으로 디코딩될 수 있으며, 각 단계에서 음성 신호의 전체 길이가 디코딩될 때까지 음성 신호의 지정된 길이(예를 들어, 음성 신호의 특정 부분은 400ms부터 800ms까지 등과 같은 음성 신호의 특정 시간 길이에 해당함)가 디코딩될 수 있다. 예를 들어, 음성 신호는 제1 단계, 제2 단계, 및 제3 단계로 디코딩될 수 있다. 예를 들어, 사용자 발화에 따른 음성 신호의 총 길이가 약 1200ms이고 transducer 계열 ASR이 쓰이는 경우, 제1 디코더(112)는 1단계로 제1 지정된 길이(예: 400ms)만큼 약 0 ~ 약 400ms의 음성 신호를 디코딩하여 약 0 ~ 약 400ms의 음성 신호의 디코딩 결과를 생성하고, 2단계로 약 400ms ~ 약 800ms의 음성 신호를 디코딩하여 약 0 ~ 약 800ms의 음성 신호의 디코딩 결과를 생성하고, 3단계로 약 800ms ~ 약 1200ms의 음성 신호를 디코딩하여 약 0 ~ 약 1200ms의 음성 신호의 디코딩 결과를 생성할 수 있다. 1단계 내지 3단계(또는, 다양한 실시예에 따르면 더 많거나 더 적은 단계가 있을 수 있음)의 부분 디코딩을 누적(추가, 연결, 또는 결합)함으로써, 제1 디코더(112)는 제1 단계 내지 3단계의 부분 디코딩 결과를 누적하여 전체 사용자 발화에 따른 음성 신호의 디코딩 결과를 생성할 수 있다. 예를 들어, 제1 디코더(112)는 2단계의 부분 디코딩 후 1단계의 부분 디코딩 결과와 2단계의 부분 디코딩 결과를 누적하여 1단계 및 2단계의 디코딩 결과를 생성하고, 3단계의 부분 디코딩 후 1단계 및 2단계의 디코딩 결과와 3단계의 디코딩 결과를 누적하여 전체 사용자 발화에 따른 음성 신호의 디코딩 결과를 생성할 수 있다. 즉, 예를 들어, 개별적인 부분 디코딩 결과를 누적하여 전체 사용자 발화(전체 음성 신호)에 따른 음성 신호의 디코딩 결과가 생성될 수 있다. 제1 디코더(112)는 부분 디코딩 결과를 컨트롤러(120)에 제공하고, 컨트롤러(120)는 단계 별로 누적된 부분 디코딩 결과를 사용자에게 제공할 수 있다. 예를 들어, 사용자는 부분 디코딩 결과를 통하여 음성 인식이 진행되는 과정 및 음성 인식이 제대로 수행되고 있는지 여부를 인식할 수 있다.
일 실시예에 따르면, E2E(end-to-end) ASR 방식은 LAS(listen attend and spell) 및 트랜스듀서(transducer) 방식이 있고, 트랜스포머는 LAS 구조로 구현되어 전체의 입력을 한 번에 처리하도록 구성될 수 있고, 반면에 트랜스듀서는 음성 신호를 특징(feature) 단위로 처리할 수 있다. 예를 들어, 제1 디코더(112)가 Bi-directional RNN 계열의 트랜스포머(transformer) 모델의 디코더인 경우, 전체 음성 신호를 한 번에 입력 받아 처리할 수 있다. 이 경우, 전자 장치(100)(예: 컨트롤러(120))는 외부 장치로부터 사용자 발화에 따른 음성 신호를 청크(chunk) 단위로 수신하고, 수신한 청크 단위의 음성 신호를 누적하여 저장 후, 지정된 단위(지정된 길이)의 음성 신호를 제1 디코더(112)에 제공할 수 있다. 예를 들어, 청크는 음성 신호(또는, 음성 데이터)의 지정된 기준 단위(예를 들어, 지정된 볼륨(dB) 또는 시간 길이(ms))를 의미할 수 있다. 예를 들어, 청크는 의미를 가지는 음성 신호의 단위(예를 들어, 기 정의된 파라미터에 따라 인식 가능한 중요성을 가지는 음성 신호의 일부)를 의미할 수 있다. 예를 들어, 제1 디코더(112)는 컨트롤러(120)로부터 제공되는 지정된 단위의 음성 신호를 디코딩함으로써, 스트리밍되는 음성 신호를 처리하는 것과 같은 동작(즉, 사용자 발화에 따른 음성 신호를 부분 디코딩하는 동작)을 수행할 수 있다. 일 실시예에 따르면, 제1 디코더(112)는 하나의 사용자 발화에 대하여 반복적으로 디코딩을 수행하기 때문에 처리 시간을 줄이기 위하여 제2 디코더(115)보다 작고 빠른 모듈이 사용될 수 있다. 예를 들어, 제1 디코더(112)는 E2E(end-to-end) ASR 모델 중 상대적으로 적은 파라미터 수를 가지는 모델을 이용하고, 제2 디코더(115)는 상대적으로 많은 파라미터 수를 가지는 모델을 이용할 수 있다. 예를 들어, 제1 디코더(112)는 언어 모델을 적용하지 않고 디코딩을 수행할 수 있다.
예를 들어, 112-1 동작에서, 컨트롤러(120)(또는, 제1 디코더(112))는 제1 디코더(112)가 마지막 부분 디코딩(partial decoding)을 수행하였는지 여부를 인식할 수 있다. 예를 들어, 제1 디코더(112)는 (컨트롤러(120)의 제어 하에) 음성 신호의 마지막 부분 디코딩을 완료한 경우, 누적된 결과(즉, 전체 음성 신호의 디코딩 결과)를 도메인 추정 모듈(113)에 전달할 수 있다.
일 실시예에 따르면, 도메인 추정 모듈(113)은 기 지정된 키워드를 기반으로 제1 디코더(112)의 디코딩 결과로부터 사용자 발화에 대응하는 도메인을 결정할 수 있다. 도메인 추정 모듈(113)은 결정한 도메인의 정보를 WFST(weighted finite state transducer) 페치(fetch) 모듈(131), NE pair 페치 모듈(133), 세분화 모듈(114), 및/또는 컨트롤러(120)에 알려줄 수 있다.
세분화 모듈(114)은 도메인 추정 모듈(113)로부터 사용자 발화에 대응하는 도메인의 정보를 수신할 수 있다. 예를 들어, 세분화 모듈(114)은 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 복수 연락처 도메인(예: 멀티 컨택트 도메인(multi-contact domain)))인 경우, 사용자 발화에 따른 음성 신호를 복수 개의 세그먼트들로 세분화할 수 있다. 예를 들어, 복수 연락처 도메인은 사용자 발화에 복수 개의 연락처(예: 전자 장치(100)의 메모리에 저장된 컨택트)와 관련된 단어가 포함된 경우를 나타내는 도메인일 수 있다.
세분화 모듈(114)은 음성 신호에 대해 VAD(voice activity detection)을 수행할 수 있다. 예를 들어, 세분화 모듈(114)은 음성 신호에 VAD 알고리즘을 적용할 수 있다. 세분화 모듈(114)은 VAD 수행 결과에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 세분화 모듈(114)은 음성 신호로부터 VAD 정보(예를 들어, 음성 존재 구간 정보)를 추출할 수 있다. 예를 들어, VAD 정보는 음성 신호로부터 추출된 음성 구간(예: 세그먼트)(예를 들어, 음성 구간은 사용자의 음성 또는 사용자 발화의 녹음을 포함하는 음성 신호의 구간일 수 있음)을 포함할 수 있다. 예를 들어, 세분화 모듈(114)(및/또는 제1 디코더 및/또는 제2 디코더(115))은 입력된 음성 신호의 특징(feature)의 CMVN(cepstral mean and variance normalization) 연산을 위해 지정된 대역(예: Mel filterbank) 별 평균(mean) 값을 가지고 있을 수 있다. 세분화 모듈(114)은 지정된 필터의 대역 별 평균 값을 기반으로 지정된 제1 기준값을 초과하는 대역(예: filterbank 대역) 수가 제2 기준값 이상인 경우, 해당 음성 신호의 구간을 음성 구간으로 판단할 수 있다.
세분화 모듈(114)은 결정된 세그먼트들을 후처리를 통해 수정할 수 있다. 예를 들어, 세분화 모듈(114)은 다음의 1) 내지 4) 동작을 통하여 세그먼트들을 수정할 수 있다. 1) 세분화 모듈(114)은 노이즈 음원에 대한 VAD 결과(예: 분할된 세그먼트(또는, 분할된 구간) 수가 지정된 상한값을 초과하는 경우 노이즈 음원이 인식될 수 있음)를 인식하는 경우, 해당 VAD 결과를 사용하지 않을 수 있다. 2) 세분화 모듈(114)은, 행오버 시간(hangover time)을 보상하고 및/또는 인접한 세그먼트들을 결합하기 위하여, VAD 정보(raw VAD)(예: 세그먼트들)의 시작 및 끝 구간을 지정된 값만큼 확장할 수 있다. 3) 세분화 모듈(114)은, 세그먼트가 너무 짧은 구간으로 생기는 것을 방지하기 위하여, 중첩되는 영역이 발생된 세그먼트들을 하나로 결합할 수 있다. 4) 세분화 모듈(114)은, 세그먼트들 중 지정된 하한값 미만의 길이를 가지는 세그먼트를 노이즈로 인식하고 제거할 수 있다.
일 실시예에 따르면, 제2 디코더(115)는 음성 신호를 디코딩할 수 있다. 예를 들어, 제2 디코더(115)는 음성 신호를 기반으로 자동 음성 인식(auto speech recognition, ASR)을 수행할 수 있다. 제2 디코더(115)는 신경망 기반의 ASR을 위한 디코더일 수 있다. 예를 들어, 제2 디코더(115)는 음성 신호를 음성 인식 알고리듬에 기반하여 정규화된 텍스트(normalized text)(예: TN(text normalization) 텍스트)를 생성할 수 있다. 예를 들어, 제2 디코더(115)는 세분화 결과 및/또는 결정된 도메인에 대응하는 언어 모델에 기반하여 음성 신호의 디코딩을 수행할 수 있다. 예를 들어, 도메인 추정 모듈(113)이 사용자 발화에 대응하는 도메인을 연락처 도메인(예: 컨택트 도메인(contact domain))으로 결정한 경우, 제2 디코더(115)는 WFST 페치 모듈(131)로부터 컨텍트 도메인에 대한 WFST 모델(135-1, 135-2, ..., 135-N)을 수신할 수 있다. 제2 디코더(115)는 수신한 WFST 모델(135-1, 135-2, ..., 135-N)을 쉘로우 퓨전(shallow fusion)하여 음성 신호를 디코딩할 수 있다. 예를 들어, 제2 디코더(115)는 세분화 모듈(114)이 음성 신호를 복수 개의 세그먼트로 세분화한 경우, 각 분할된 세그먼트를 언어 모델(예: WFST 모델(135-1, 135-2, ..., 135-N))을 이용하여 쉘로우 퓨전(shallow fusion)할 수 있다. 제2 디코더(115)는 디코딩 결과(사용자 발화에 대응하는 텍스트)를 생성하는 경우, 각 세그먼트들에 대응하는 텍스트 사이에 세그먼트들을 구분하는 정보(예: 지정된 텍스트(예: <PAUSE>))를 추가할 수 있다. 예를 들어, 제2 디코더(115)가 생성한 결과는 “영상 통화 앱에서 <PAUSE> 홍길동 <PAUSE> 신기한 윤성씨 <PAUSE> 김이랑 <PAUSE> 영상 통화 걸어줘 -9.200345”와 같은 형태가 될 수 있다. 여기서, -9.200345는 음성 인식 결과의 스코어(예를 들어, 음성 인식 모델에서 정확한 결과라고 확신하는 정도/신뢰도)를 나타내며, 클수록(0에 가까울수록) 정확한 결과라고 예측됨을 나타낼 수 있다.
예를 들어, 제2 디코더(115)는 Bi-directional RNN 계열 모델(예: transformer)에 기반하여 구현될 수 있다. 제2 디코더(115)는 전체 음성 신호에 대하여 특징(feature)를 추출하고, 특징에 대하여 인코더(encoder) 출력을 한 번 계산한 후, 그 결과를 참조하면서 복수 회 디코딩을 반복하면서 어절(예: 워드 피스(word-piece)) 출력들을 생성할 수 있다. 제2 디코더(115)는 디코딩 과정에서의 연산량을 감소시키기 위해 빔 서치(beam search)를 수행할 수 있다. 제2 디코더(115)는 빔 서치 수행 중 쉘로우 퓨전(shallow fusion)을 수행할 수 있다. 쉘로우 퓨전(shallow fusion)은 빔 서치 과정 중에 Bi-directional RNN 계열 모델(예: transformer) 디코더 연산 과정에서 나오는 어절(예: 워드 피스(word-piece))의 확률 분포와 외부 언어 모델(150)로부터 얻어진 확률 분포를 가중치된 합산(weighted sum)하여 결합된 확률 분포를 획득하고, 획득한 확률 분포에 기반하여 빔 서치를 수행하는 방식일 수 있다.
세분화 모듈(114) 및 제2 디코더(115)는 통합된 하나의 구성으로 구현될 수 있다. 예를 들어, 제2 디코더(115)와 세분화 모듈(114)이 하나의 구성(예: 제2 디코더(115))인 경우, 제2 디코더(115)가 세분화 모듈(114)의 동작을 수행할 수 있다.
일 실시예에 따르면, 제1 디코더(112) 및 제2 디코더(115)는 하나의 디코더로 구현될 수 있다. 예를 들어, 전자 장치(100)는 하나의 디코더를 포함하고, 하나의 디코더가 상술한 제1 디코더(112) 및 제2 디코더(115)의 동작을 수행할 수 있다. 예를 들어, 제1 디코더(112) 및 제2 디코더(115)는 동일한 디코더가 상이한 모델을 이용하여 디코딩을 수행하는 동작을 논리적으로 구분한 구성일 수 있다.
일 실시예에 따르면, 치환 모듈(116)은 제2 디코딩 결과 획득한 텍스트에 포함된 개체명에 관련된 적어도 일부 텍스트를 지정된 개체명으로 치환(replace)할 수 있다. 치환 모듈(116)은 도메인(예: 연락처 도메인)에 대응하는 NE pair 정보(137-1, 137-2, ..., 137-N)를 기반으로 개체명과 관련된 텍스트에 매칭되는 NE를 인식하고, 개체명과 관련된 텍스트를 매칭되는 NE로 치환할 수 있다. 예를 들어, 치환 모듈(116)은 제2 디코딩 결과에 기반하여 후보 NE를 결정할 수 있다. 치환 모듈(116)은 도메인 별로 기 인덱스된 키워드 정보 및/또는 제2 디코딩 결과 생성한 텍스트의 문맥을 기반으로 텍스트에 포함된 개체명과 관련된 적어도 일부에 대응하는 후보 NE를 결정할 수 있다. 치환 모듈(116)은 NE pair 정보(137-1, 137-2, ..., 137-N)를 기반으로 후보 NE에 매칭되는 NE를 인식할 수 있다. 예를 들어, 치환 모듈(116)은 후보 NE와 매칭되는 NE(즉, NE pair 정보(137-1, 137-2, ..., 137-N)에 포함된 NE)의 레빈슈타인 거리(Levenshtein distance)가 지정된 임계값 이하가 되는 경우 (예를 들어, 이 경우에도, 레빈슈타인 거리는 높은 레벨의 유사도를 나타낼 수 있음), 후보 NE를 매칭되는 NE로 대체할 수 있다. 예를 들어, 레빈슈타인 거리가 임계값 이하인 경우, 치환 모듈(116)은 후보 NE와 매칭되는 NE가 완전히 동일하지 않더라고 서로 대응된다고 결정하고, 후보 NE를 매칭되는 NE로 치환할 수 있다.
일 실시예에 따르면, 치환 모듈(116)은 NER(NE replacer) 모듈 및/또는 ITN(inverse text normalization) 모듈을 포함할 수 있다. 예를 들어, NER 모듈은 텍스트 입력으로부터 미리 지정한 정보(예: 개체명과 관련된 텍스트)를 인식 하고, 미리 정의한 정보를 사용자가 지정한 원본 개체명 형태로 대체할 수 있다. 예를 들어, 미리 지정한 정보는 사용자가 등록(저장)한 이름, 기기 명칭, 및/또는 명령어에 대응하는 정보를 포함할 수 있다. 예를 들어, 제2 디코딩 결과는 TN(text normalization)의 형태일 수 있다. NER 모듈은 미리 지정한 정보에 대응하는 TN 형태의 텍스트(예: 한글로 쓰여진 텍스트)를 사용자가 지정한 원본 개체명 형태(예: 사용자가 연락처에 저장한 영어, 숫자, 및/또는 기호를 포함하는 개체명)으로 변환할 수 있다. ITN 모듈은 TN 형태의 텍스트를 영어 및/또는 숫자를 포함하는 ITN 형태의 텍스트로 변환할 수 있다. 예를 들어, 치환 모듈(116)은 NE pair 페치 모듈(133)로부터 도메인에 대한 적어도 하나의 NE pair 정보(137-1, 137-2, ..., 137-N)를 수신할 수 있다. NE pair 정보(137-1, 137-2, ..., 137-N)는 {도메인/TN/ITN}의 형태를 가질 수 있으나, 이에 한정되는 것은 아니다. NE pair 정보(137-1, 137-2, ..., 137-N)는 NE pair와 관련된 인덱스를 포함할 수 있다.
일 실시예에 따르면, 제2 디코딩 결과가 복수 개의 세그먼트들을 구분하는 정보(예: 사용자 음성이 없는 구간을 나타내는 정보(예: <PAUSE>))를 포함하고 사용자 발화에 대응하는 텍스트(예: “영상 통화 앱에서 홍길동 신기한 윤성씨 김이랑 영상통화 걸어줘”)인 경우, 치환 모듈(116)은 다음과 같이 동작할 수 있다. 예를 들어, 치환 모듈(116)은 세분화 모듈(114)이 음성 신호의 세분화에 실패하거나, 또는 세분화 모듈(114)이 세분화 동작을 수행하지 않는 경우(예: 도메인이 지정된 도메인이 아닌 경우) 다음과 같은 동작을 통하여 텍스트를 분할하여 개체명을 인식할 수 있다.
(A) <PAUSE>(세그먼트들을 구분하는 정보) 기반으로 텍스트의 구간을 나누고, <PAUSE>를 삭제
(B) 구간들 중 도메인 진입 관련 구간(예: “영상 통화 앱에서”) 및 명령어 실행 관련 구간(예: “영상 통화 걸어줘”)을 삭제
(C) 남은 구간에 포함된 개체명 관련 정보(예: “홍길동”, “신기한 윤성씨”, “김이랑”)에 대해 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색
(C-1) 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 인식한 경우 - 개체명 관련 정보를 매칭되는 개체명으로 치환 후, 치한된 개체명 앞 뒤에 치환된 개체명임을 나타내는 정보(<ne_replacer> 및 </ne_replacer>)를 태깅하여 출력
예: (“홍길동”, “신기한 윤성씨”, 및 “김이랑”을 매칭되는 NE로 인식한 경우) “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer> <ne_replacer> 신기한 윤성씨 </ne_replacer> <ne_replacer> 김이랑 </ne_replacer> 영상 통화 걸어줘”
(C-2) 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 인식하지 못한 경우
(C-2-1) 띄어 쓰기 단위로 개체명 관련 텍스트를 더 작은 구간으로 나누어 가면서 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색 - “신기한 윤성씨”가 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)가 없는 경우, “신기한” 및 “윤성씨”로 나누어 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색
(C-2-1-1) 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 인식한 경우 (C-1)과 동일하게 처리
예: (“윤성씨”를 매칭되는 NE로 인식한 경우) “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer> 신기한 <ne_replacer> 윤성씨 </ne_replacer> <ne_replacer> 김이랑 </ne_replacer> 영상 통화 걸어줘”
(C-2-1-2) 개체명 관련 텍스트가 연결어를 포함하는 경우((C-2-1-1)에 의해 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 인식하지 못한 경우) - 개체명 관련 텍스트에서 연결어에 대응하는 텍스트(예: 한국어의 경우 “(이)랑”, “와(과)”, “그리고”, “하고”)를 삭제하고 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색
예: “영상 통화 앱에서 <PAUSE> 홍길동과 <PAUSE> 신기한 윤성씨 <PAUSE> 김이랑 <PAUSE> 영상통화 걸어줘”라는 디코딩 결과에 대하여, 아래의 i), ii), 또는 iii)의 음성 인식 결과를 생성
i) (홍길동“과”를 삭제하고 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)가 검색된 경우) “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer> <ne_replacer> 신기한 윤성씨 </ne_replacer> <ne_replacer> 김이랑 </ne_replacer> 영상 통화 걸어줘”
ii) (홍길동“과” 및 김이”랑”을 삭제하고 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)가 검색된 경우) “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer> <ne_replacer> 신기한 윤성씨 </ne_replacer> <ne_replacer> 김이 </ne_replacer> 영상 통화 걸어줘”
iii) (홍길동“과” 및 김”이랑”을 삭제하고 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)가 검색된 경우) “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer> <ne_replacer> 신기한 윤성씨 </ne_replacer> <ne_replacer> 김 </ne_replacer> 영상 통화 걸어줘”
(C-2-2) 사용자 발화 특성으로 인하여 <PAUSE>(세그먼트들을 구분하는 정보)가 부정확하게 검출된 경우
(C-2-2-1) 개체명 관련 텍스트 구간에서 연결어 및/또는 단어를 삭제하면서 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색
예: “영상 통화 앱에서 <PAUSE> 홍길동이랑 신기한 윤성씨 그리고 김이랑 <PAUSE> 영상 통화 걸어줘” 라는 디코딩 결과에 대하여, 개체명 관련 텍스트 구간(“홍길동이랑 신기한 윤성씨 그리고 김이랑”) 인식 후 다음의 단계들을 통하여 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색
a) “홍길동이랑 신기한 윤성씨 그리고 김이랑”, “홍길동이랑 신기한 윤성씨 그리고 김이”, “홍길동이랑 신기한 윤성씨 그리고 김”, “홍길동이랑 신기한 윤성씨 그리고”, “홍길동이랑 신기한 윤성씨”, “홍길동이랑 신기한”, “홍길동이랑”, “홍길동이”, “홍길동” 순서로 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 검색
b) (“홍길동”에 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 인식) 해당 부분을 “<ne_replacer> 홍길동 </ne_replacer>이랑”으로 대체
c) “신기한 윤성씨 그리고 김이랑”, ““신기한 윤성씨 그리고 김이”, “신기한 윤성씨 그리고 김”, “신기한 윤성씨 그리고”, “신기한 윤성씨” 순서로 매칭되는 NE pair 검색
d) (“신기한 윤성씨”에 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 인식) 해당 부분을 “<ne_replacer> 신기한 윤성씨 </ne_replacer>”로 대체
e) “그리고 김이랑”, “그리고 김이”, “그리고 김”, “그리고” 순서로 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 검색
f) “김이랑”에 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 검색
g) (“김이랑”에 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N) 인식) 해당 부분을 “<ne_replacer> 김이랑 </ne_replacer>”으로 대체
h) 최종 음성 인식 결과로서, “영상 통화 앱에서 <ne_replacer> 홍길동 </ne_replacer>이랑 <ne_replacer> 신기한 윤성씨 </ne_replacer> 그리고 <ne_replacer> 김이랑 </ne_replacer> 영상 통화 걸어줘”를 획득
치환 모듈(116)은 상기 단계들로 동작하여 제2 디코더(115)의 디코딩 결과 생성한 텍스트로부터 텍스트에 포함된 개체명과 관련된 적어도 일부를 매칭되는 NE로 대체하여 최종 음성 인식 결과를 생성할 수 있다.
일 실시예에 따르면, 컨트롤러(120)는 전자 장치(100)의 전반적인 동작을 제어할 수 있다. 예를 들어, 컨트롤러(120)는 상술한 전처리 모듈(111), 제1 디코더(112), 도메인 추정 모듈(113), 세분화 모듈(114), 제2 디코더(115), 치환 모듈(116), 및/또는 PDSS(130)(예: NE pair 페치 모듈(133) 및 WFST 페치 모듈(131))의 동작을 제어할 수 있다. 컨트롤러(120)는 PDSS(130)에 포함된 데이터(NE pair, index, 및/또는 WFST 모델(135-1, 135-2, ..., 135-N)) 및/또는 외부 언어 모델(150)을 관리할 수 있다. 예를 들어, 컨트롤러(120)는 도메인 추정 모듈(113)이 결정한 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 연락처 도메인 또는 복수 연락처 도메인)인 경우 세분화 모듈(114)이 사용자 발화에 따른 음성 신호를 세분화하도록 제어하고, 제2 디코더(115)로 제공할 수 있다. 도메인이 지정된 도메인이 아닌 경우 음성 신호를 세분화하지 않고(즉, 세분화 모듈(114)을 통하지 않고) 컨트롤러(120)는, 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 연락처 도메인 또는 복수 연락처 도메인)인 경우, 지정된 도메인에 기반하여 WFST 페치 모듈(131)이 지정된 도메인에 대응하는 WFST 모델(135-1, 135-2, ..., 135-N)을 페치하여 제2 디코더(115)로 제공하도록 제어할 수 있다. 컨트롤러(120)는 지정된 도메인에 기반하여 NE pair 페치 모듈(133)이 지정된 도메인에 대응하는 적어도 하나의 NE pair 정보(137-1, 137-2, ..., 137-N)를 페치하여 치환 모듈(116)에 제공하도록 제어할 수 있다. 컨트롤러(120)는 사용자 발화에 대응하는 도메인이 지정된 도메인이 아닌 경우 PDSS(130)에 포함된 WFST 모델(135-1, 135-2, ..., 135-N)이 아닌, 외부 언어 모델(150)(예: 일반 언어 모델(general LM)(151-1)) 중 적어도 하나를 제2 디코더(115)에 제공하고, 제2 디코더(115)가 외부 언어 모델(150) 중 적어도 하나를 이용하여 디코딩을 수행하도록 제어할 수 있다.
일 실시예에 따르면, PDSS(130)는 연락처(contact), 음악(예: 음악 제목, 가수명, 및/또는 앨범명) 및/또는 영화(예: 영화 제목, 출연자, 및/또는 장르)를 포함하는 특정 도메인과 관련된 사용자의 개인 정보를 저장 및 페치해주는 서비스일 수 있다. 일 실시예에 따르면, PDSS(130)는 적어도 하나의 WFST 모델(135-1, 135-2, ..., 135-N), 적어도 하나의 NE pair 정보(137-1, 137-2, ..., 137-N), NE pair 페치(fetch) 모듈(133), 및 WFST 페치 모듈(131)을 포함할 수 있다. 예를 들어, NE pair 정보(137-1, 137-2, ..., 137-N)는 특정 도메인에 대한 NE pair 및 인덱스(index)를 포함할 수 있다. 예를 들어, NE pair는 TN(text normalization) 정보 및 ITN(inverse text normalization) 정보를 포함할 수 있다. 예를 들어, NE pair 정보(137-1, 137-2, ..., 137-N)(예: NE pair)는 {도메인/TN/ITN}의 포맷을 가질 수 있다. 예를 들어, PDSS(130)는 특정 도메인에 대한 언어 모델(예: WFST 모델(135-1, 135-2, ..., 135-N))을 포함할 수 있다. PDSS(130)는 NE pair 정보(137-1, 137-2, ..., 137-N)를 이용하여 사용자 발화 시점과 무관하게 사용자의 정보 변경 시점에 맞춰 인덱스(index)를 생성할 수 있다. 인덱스는 검색 엔진(또는, 검색 모듈)의 구조에 대응하여 빠르게 정보를 검색할 수 있도록 데이터를 저장 및/또는 관리하는 동작 및/또는 정보를 검색하기 용이하게 저장 및/또는 관리한 데이터를 의미할 수 있다. 예를 들어, 전자 장치(100)가 PDSS(130)에 포함된 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색(또는, 페치)하기 위해 특정 NE(예: 후보 NE)에 대하여 스트링 매칭(string matching)을 이용할 경우, 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)를 검색하는데 발생하는 지연(latency)이 길어질 수 있다. PDSS(130)는 NE pair 정보(137-1, 137-2, ..., 137-N) 생성 시. NE pair 정보(137-1, 137-2, ..., 137-N)에 대응하는 인덱스를 생성함으로써, 후보 NE와 매칭되는 NE pair 정보(137-1, 137-2, ..., 137-N)(즉, 후보 NE와 매칭되는 NE)를 상대적으로 빠르고 용이하게 검색할 수 있도록 할 수 있다.
일 실시예에 따르면, NE pair 페치 모듈(133)은 도메인 추정 모듈(113)로부터 사용자 발화에 대응하는 도메인의 정보를 수신할 수 있다. NE pair 페치 모듈(133)은 도메인에 대응하는 NE pair 정보(137-1, 137-2, ..., 137-N)를 페치하여 치환 모듈(116)에 제공할 수 있다. 예를 들어, NE pair 페치 모듈(133)은 기 설정한 인덱스에 기반하여 도메인에 대응하는 NE pair 정보(137-1, 137-2, ..., 137-N)를 인식할 수 있다.
일 실시예에 따르면, WFST 페치 모듈(131)은 도메인 추정 모듈(113)로부터 사용자 발화에 대응하는 도메인의 정보를 수신할 수 있다. WFST 페치 모듈(131)은 도메인에 대응하는 WFST 모델(135-1, 135-2, ..., 135-N)을 페치하여 제2 디코더(115)에 제공할 수 있다.
일 실시예에 따르면, 외부 언어 모델(150)은 전자 장치(100)의 사용자 데이터에 기반하여 학습된 언어 모델이 아니라 범용의 표본 데이터에 기반하여 학습된 언어 모델을 포함할 수 있다. 예를 들어, 외부 언어 모델(150)은 일반(general) 언어 모델(151-1) 및 특정 도메인(예: 음악)과 관련된 언어 모델(151-2)을 포함할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 사용자 발화에 복수의 개체명들이 포함되거나, 불명료한 개체명이 포함되거나, 또는 사용자 발화에서 복수의 개체명들이 명확하게 구분되지 않는 경우에도 기 설정된 개체명(예를 들어, 이전의 음성 신호에서 인식된 개체명)과 관련된 정보(예: NE pair 정보(137-1, 137-2, ..., 137-N))를 기반으로 사용자 발화에 포함된 개체명을 보다 명확하게 인식함으로써, 사용자 발화의 인식 성능을 향상시키고 WER(word error rate)를 상대적으로 감소시킬 수 있다.
다양한 실시예에 따르면, 전자 장치(100)의 구성은 도 1에 도시된 바에 한정되지 않으며, 적어도 일부 구성 요소는 통합되어 구현되거나, 생략될 수 있고, 적어도 일부 구성 요소(예: 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7의 사용자 단말(701) 및/또는 지능형 서버(800)의 구성 요소 중 적어도 하나)가 추가될 수 있다.
도 2는 일 실시예에 따른 전자 장치의 블록도이다. 일 실시예에 따르면, 도 2는 RNN transducer 계열 모델을 기반으로 구현된 전자 장치(200)(예: 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))의 구성을 나타낸다. 이하에서, 도 1과 중복되는 설명은 생략하거나 간략히 설명한다.
일 실시예에 따르면, 전자 장치(200)는 전처리 모듈(211), 제1 디코더(212), 도메인 추정 모듈(213), 세분화 모듈(214), 제2 디코더(215), 치환 모듈(216), 및 컨트롤러(220)를 포함할 수 있다. 일 실시예에 따르면, 전자 장치(200)는 PDSS(230) 및/또는 외부 언어 모델(150)을 포함할 수 있다. 일 실시예에 따르면, PDSS(230) 및/또는 외부 언어 모델(150)은 외부 전자 장치(200)(예: 외부 서버)에 구현될 수 있다.
일 실시예에 따르면, 전처리 모듈(211)은 음성 입력(예: 사용자 발화에 따른 음성 신호)를 전처리할 수 있다. 예를 들어, 전처리 모듈(211)은 음성 신호의 종료점 검출(end point detection, EPD)를 수행할 수 있다. 전처리 모듈(211)은 음성 신호로부터 특징을 추출(feature extraction)할 수 있다. 전처리 모듈(211)은 음선 신호를 기반으로 CMVN(cepstral mean variance normalization)을 수행할 수 있다.
일 실시예에 따르면, 제1 디코더(212)는 음성 신호의 적어도 일부를 디코딩할 수 있다. 예를 들어, 제1 디코더(212)는 음성 신호를 기반으로 자동 음성 인식(auto speech recognition, ASR)을 수행할 수 있다. 제1 디코더(212)는 신경망 기반의 ASR을 위한 디코더일 수 있다. 예를 들어, 제1 디코더(212)는 음성 신호를 음성 인식 알고리듬에 기반하여 정규화된 텍스트(normalized text)(예: TN(text normalization) 텍스트)를 생성할 수 있다. 예를 들어, 제1 디코더(212)는 언어 모델을 적용하지 않고 디코딩을 수행할 수 있다. 예를 들어, 제1 디코더(212)는 RNN-transducer 계열 기반의 모델을 이용하여 음성 신호를 부분적으로 디코딩(예: 1-pass ASR decoding)을 수행할 수 있다. 예를 들어, RNN-transducer 는 스트리밍 출력이 가능할 수 있다. 예를 들어, 제1 디코더(212)는 음성 신호를 지정된 길이만큼 부분적으로 중복 없이(누적 없이) 디코딩할 수 있다. 예를 들어, 사용자 발화에 따른 음성 신호의 총 길이가 약 1200ms인 경우, 제1 디코더(212)는 1단계로 지정된 길이(예: 400ms)만큼 약 0 ~ 약 400ms의 음성 신호를 디코딩하고, 2단계로 약 400ms ~ 약 800ms의 음성 신호를 디코딩하고, 3단계로 약 800ms ~ 약 1200ms의 음성 신호를 디코딩할 수 있다. 제1 디코더(212)는 1단계 내지 3단계의 부분 디코딩 결과를 스트리밍으로 출력할 수 있다. 예를 들어, 음성 신호는 단계적으로 디코딩될 수 있으며, 각 단계에서 음성 신호의 전체 길이가 디코딩될 때까지 음성 신호의 지정된 길이(예를 들어, 음성 신호의 특정 부분은 400ms부터 800ms까지 등과 같은 음성 신호의 특정 시간 길이에 해당함)가 디코딩될 수 있다. 예를 들어, 음성 신호는 제1 단계, 제2 단계, 및 제3 단계로 디코딩될 수 있다. 예를 들어, 제1 디코더(212)는 부분 디코딩 결과를 컨트롤러(220)에 제공하고, 컨트롤러(220)는 단계 별 부분 디코딩 결과를 사용자에게 제공할 수 있다. 예를 들어, 사용자는 부분 디코딩 결과를 통하여 음성 인식이 진행되는 과정 및 음성 인식이 제대로 수행되고 있는지 여부를 인식할 수 있다.
일 실시예에 따르면, 도메인 추정 모듈(213)은 기 지정된 키워드를 기반으로 제1 디코더(212)의 디코딩 결과로부터 사용자 발화에 대응하는 도메인을 결정할 수 있다. 도메인 추정 모듈(213)은 결정한 도메인의 정보를 WFST 페치 모듈(231), NE pair 페치 모듈(233), 세분화 모듈(214), 및/또는 컨트롤러(220)에 알려줄 수 있다.
일 실시예에 따르면, 세분화 모듈(214)은 도메인 추정 모듈(213)로부터 사용자 발화에 대응하는 도메인의 정보를 수신할 수 있다. 예를 들어, 세분화 모듈(214)은 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 복수 연락처 도메인)인 경우, 사용자 발화에 따른 음성 신호를 복수 개의 세그먼트로 세분화할 수 있다.
일 실시예에 따르면, 세분화 모듈(214)은 음성 신호에 포함된 적어도 하나의 단어 또는 묵음 구간(예를 들어, 음성 신호에 포함된 연속되는 단어 사이의 묵음 구간)에 대응하는 타임스탬프(timestamp) 정보를 인식할 수 있다. 예를 들어, 전자 장치(200)가 RNN-transducer 계열 기반 모델을 사용하는 경우, 세분화 모듈(214)은, 상기 RNN-transducer 계열 기반 모델을 기반으로 음성 신호 처리 중, 음성 신호의 어절(예: 워드 피스(word piece); 예를 들어, 단일 단어에 해당하는 음성 신호의 길이) 단위로 저장되는 타임스탬프 정보에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 음성 신호에서 연속하여 출력되는 두 어절 사이의 타임스탬프 값 차이가 지정된 시간 이상인 경우를 인식하고, 해당 지점을 기반으로 음성 신호(즉, 두 어절 사이를) 세분화할 수 있다. 예를 들어, 세분화 모듈(214)은 음성 신호에서 타임스탬프 값 차이가 지정된 시간 이상인 위치를 기반으로 음성 신호를 복수의 세그먼트들로 세분화할 수 있다. 예를 들어, 세분화 모듈(214)은 음성 신호를 세분화하여 제2 디코더(215)에 제공할 수 있다.
일 실시예에 따르면, 세분화 모듈(214)은 도 1의 세분화 모듈(114)의 동작 중 적어도 일부를 수행할 수 있다.
일 실시예에 따르면, 제2 디코더(215)는 음성 신호를 디코딩할 수 있다. 예를 들어, 제2 디코더(215)는 음성 신호를 기반으로 자동 음성 인식(auto speech recognition, ASR)을 수행할 수 있다. 제2 디코더(215)는 신경망 기반의 ASR을 위한 디코더일 수 있다. 예를 들어, 제2 디코더(215)는 음성 신호를 음성 인식 알고리듬에 기반하여 정규화된 텍스트(normalized text)(예: TN(text normalization) 텍스트)를 생성할 수 있다. 예를 들어, 제2 디코더(215)는 세분화 결과 및/또는 결정된 도메인에 대응하는 언어 모델에 기반하여 음성 신호의 디코딩(2-pass 디코딩)을 수행할 수 있다. 예를 들어, 도메인 추정 모듈(213)이 사용자 발화에 대응하는 도메인을 연락처 도메인으로 결정한 경우, 제2 디코더(215)는 WFST 페치 모듈(231)로부터 컨텍트 도메인에 대한 WFST 모델(235-1, 235-2, ..., 235-N)을 수신할 수 있다. 예를 들어, 제2 디코더(215)는 디코딩 결과(사용자 발화에 대응하는 텍스트)를 생성하는 경우, 각 세그먼트들에 대응하는 텍스트 사이에 세그먼트들을 구분하는 정보(예: 지정된 텍스트(예: <PAUSE>))를 추가할 수 있다. 예를 들어, 제2 디코더(215)가 생성한 결과는 “영상 통화 앱에서 <PAUSE> 홍길동 <PAUSE> 신기한 윤성씨 <PAUSE> 김이랑 <PAUSE> 영상 통화 걸어줘 -9.200345”와 같은 형태가 될 수 있다. 여기서, -9.200345는 음성 인식 결과의 스코어(예를 들어, 음성 인식 모델에서 정확한 결과라고 확신하는 정도/신뢰도)를 나타내며, 클수록(0에 가까울수록) 정확한 결과라고 예측됨을 나타낼 수 있다 (예를 들어, 높은 스코어는 더 정확한 결과에 대응함).
예를 들어, 제2 디코더(215)는 RNN-transducer 계열 모델(예: transformer) 및/또는 LAS 리스코어링(rescoring) 모델에 기반하여 디코딩을 수행할 수 있다. 예를 들어, RNN-transducer 모델은 인코더(또는, 전사 네트워크(transcription network)), 언어 모델에 대응하는 예측 네트워크(prediction network), 및 인코더와 예측 네트워크의 결과를 종합하는 조인트 네트워크(joint network)를 포함할 수 있다. RNN-transducer end-to-end(E2E) 모델은 조인트 네트워크의 출력을 소프트맥스(softmax) 함수로 처리하여 디코딩 값을 획득할 수 있다. LAS 리스코어링 모델은 RNN-transducer 모델에서 나온 부분 디코딩 결과와 인코더 결과를 기반으로 추가적인 디코딩(예: LAS 디코딩)을 통해 리스코어링된 디코딩 결과를 출력할 수 있다. 일 실시예에 따르면, 치환 모듈(216)은 도 1의 치환 모듈(116)의 동작 중 적어도 일부를 수행할 수 있다.
일 실시예에 따르면, 세분화 모듈(214) 및 제2 디코더(215)는 통합된 하나의 구성으로 구현될 수 있다. 예를 들어, 제2 디코더(215)와 세분화 모듈(214)이 하나의 구성(예: 제2 디코더(215))인 경우, 제2 디코더(215)가 세분화 모듈(214)의 동작을 수행할 수 있다.
일 실시예에 따르면, 제1 디코더(212) 및 제2 디코더(215)는 하나의 디코더로 구현될 수 있다. 예를 들어, 전자 장치(200)는 하나의 디코더를 포함하고, 하나의 디코더가 상술한 제1 디코더(212) 및 제2 디코더(215)의 동작을 수행할 수 있다. 예를 들어, 제1 디코더(212) 및 제2 디코더(215)는 동일한 디코더가 상이한 모델을 이용하여 디코딩을 수행하는 동작을 논리적으로 구분한 구성일 수 있다.
일 실시예에 따르면, 치환 모듈(216)은 제2 디코딩 결과 획득한 텍스트에 포함된 개체명에 관련된 적어도 일부 텍스트를 지정된 개체명으로 치환(replace)할 수 있다. 치환 모듈(216)은 도메인(예: 연락처 도메인)에 대응하는 NE pair 정보(237-1, 237-2, ..., 237-N)를 기반으로 개체명과 관련된 텍스트에 매칭되는 NE를 인식하고, 개체명과 관련된 텍스트를 매칭되는 NE로 치환할 수 있다. 예를 들어, 치환 모듈(216)은 제2 디코딩 결과에 기반하여 후보 NE를 결정할 수 있다. 치환 모듈(216)은 도메인 별로 기 인덱스된 키워드 정보 및/또는 제2 디코딩 결과 생성한 텍스트의 문맥을 기반으로 텍스트에 포함된 개체명과 관련된 적어도 일부에 대응하는 후보 NE를 결정할 수 있다. 치환 모듈(216)은 NE pair 정보(237-1, 237-2, ..., 237-N)를 기반으로 후보 NE에 매칭되는 NE를 인식할 수 있다. 예를 들어, 치환 모듈(216)은 후보 NE와 매칭되는 NE(즉, NE pair 정보(237-1, 237-2, ..., 237-N)에 포함된 NE)의 레빈슈타인 거리(Levenshtein distance)가 지정된 임계값 이하가 되는 경우(예를 들어, 이 경우에도, 레빈슈타인 거리는 높은 레벨의 유사도를 나타낼 수 있음), 후보 NE를 매칭되는 NE로 대체할 수 있다. 예를 들어, 레빈슈타인 거리가 임계값 이하인 경우, 치환 모듈(216)은 후보 NE와 매칭되는 NE가 완전히 동일하지 않더라고 서로 대응된다고 결정하고, 후보 NE를 매칭되는 NE로 치환할 수 있다.
일 실시예에 따르면, 치환 모듈(216)은 NER(NE replacer) 모듈 및/또는 ITN(inverse text normalization) 모듈을 포함할 수 있다. 예를 들어, NER 모듈은 텍스트 입력으로부터 미리 지정한 정보(예: 개체명과 관련된 텍스트)를 인식 하고, 미리 정의한 정보를 사용자가 지정한 원본 개체명 형태로 대체할 수 있다. 예를 들어, 미리 지정한 정보는 사용자가 등록(저장)한 이름, 기기 명칭, 및/또는 명령어에 대응하는 정보를 포함할 수 있다. 예를 들어, 제2 디코딩 결과는 TN(text normalization)의 형태일 수 있다. NER 모듈은 미리 지정한 정보에 대응하는 TN 형태의 텍스트(예: 한글로 쓰여진 텍스트)를 사용자가 지정한 원본 개체명 형태(예: 사용자가 연락처에 저장한 영어, 숫자, 및/또는 기호를 포함하는 개체명)으로 변환할 수 있다. ITN 모듈은 TN 형태의 텍스트를 영어 및/또는 숫자를 포함하는 ITN 형태의 텍스트로 변환할 수 있다. 예를 들어, 치환 모듈(216)은 NE pair 페치 모듈(233)로부터 도메인에 대한 적어도 하나의 NE pair 정보(237-1, 237-2, ..., 237-N)를 수신할 수 있다. NE pair 정보(237-1, 237-2, ..., 237-N)는 {도메인/TN/ITN}의 형태를 가질 수 있으나, 이에 한정되는 것은 아니다. NE pair 정보(237-1, 237-2, ..., 237-N)는 NE pair와 관련된 인덱스를 포함할 수 있다.
일 실시예에 따르면, 치환 모듈(216)은 세분화 모듈(214)이 음성 신호의 세분화에 실패하거나, 또는 세분화 모듈(214)이 세분화 동작을 수행하지 않는 경우(예: 도메인이 지정된 도메인이 아닌 경우) 제2 디코딩 결과를 기반으로 자체적으로 텍스트를 개체명과 관련된 세그먼트로 구분하고, 구분된 세그먼트에 매칭되는 개체명이 있는지 판단(예를 들어, 적어도 하나의 후보 개체명에 매칭되는 개체명이 존재하는지 여부를 판단)하고, 세그먼트 내의 개체명과 관련된 텍스트를 매칭되는 개체명으로 대체할 수 있다. 일 실시예에 따르면, 치환 모듈(216)은 도 1의 치환 모듈(116)의 동작 중 적어도 일부를 수행할 수 있다.
일 실시예에 따르면, 컨트롤러(220)는 전자 장치(200)의 전반적인 동작을 제어할 수 있다. 예를 들어, 컨트롤러(220)는 상술한 전처리 모듈(211), 제1 디코더(212), 도메인 추정 모듈(213), 세분화 모듈(214), 제2 디코더(215), 치환 모듈(216), 및/또는 PDSS(230)(예: NE pair 페치 모듈(233) 및 WFST 페치 모듈(231))의 동작을 제어할 수 있다. 컨트롤러(220)는 PDSS(230)에 포함된 데이터(NE pair, index, 및/또는 WFST 모델(235-1, 235-2, ..., 235-N)) 및/또는 외부 언어 모델(150)을 관리할 수 있다. 예를 들어, 컨트롤러(220)는 도메인 추정 모듈(213)이 결정한 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 연락처 도메인 또는 복수 연락처 도메인)인 경우 세분화 모듈(214)이 사용자 발화에 따른 음성 신호를 세분화하도록 제어하고, 도메인이 지정된 도메인이 아닌 경우 음성 신호를 세분화하지 않고(즉, 세분화 모듈(214)을 통하지 않고) 제2 디코더(215)로 제공할 수 있다. 컨트롤러(220)는, 사용자 발화에 대응하는 도메인이 지정된 도메인(예: 연락처 도메인 또는 복수 연락처 도메인)인 경우, 지정된 도메인에 기반하여 WFST 페치 모듈(231)이 지정된 도메인에 대응하는 WFST 모델(235-1, 235-2, ..., 235-N)을 페치하여 제2 디코더(215)로 제공하도록 제어할 수 있다. 컨트롤러(220)는 지정된 도메인에 기반하여 NE pair 페치 모듈(233)이 지정된 도메인에 대응하는 적어도 하나의 NE pair 정보(237-1, 237-2, ..., 237-N)를 페치하여 치환 모듈(216)에 제공하도록 제어할 수 있다. 컨트롤러(220)는 사용자 발화에 대응하는 도메인이 지정된 도메인이 아닌 경우 PDSS(230)에 포함된 WFST 모델(235-1, 235-2, ..., 235-N)이 아닌, 외부 언어 모델(150)(예: 일반 언어 모델(general LM)) 중 적어도 하나를 제2 디코더(215)에 제공하고, 제2 디코더(215)가 외부 언어 모델(150) 중 적어도 하나를 이용하여 디코딩을 수행하도록 제어할 수 있다.
일 실시예에 따르면, PDSS(230)는 연락처(contact)(예를 들어, 이름, 전화 번호, 이메일 주소, 소셜 미디어 사용자 이름 등의 연락처 정보), 음악(예: 음악 제목, 가수명, 및/또는 앨범명) 및/또는 영화(예: 영화 제목, 출연자, 및/또는 장르)를 포함하는 특정 도메인과 관련된 사용자의 개인 정보를 저장 및 페치해주는 서비스일 수 있다. 일 실시예에 따르면, PDSS(230)는 적어도 하나의 WFST 모델(235-1, 235-2, ..., 235-N), 적어도 하나의 NE pair 정보(237-1, 237-2, ..., 237-N), NE pair 페치(fetch) 모듈, 및 WFST 페치 모듈(231)을 포함할 수 있다. 예를 들어, NE pair 정보(237-1, 237-2, ..., 237-N)는 특정 도메인에 대한 NE pair 및 인덱스(index)를 포함할 수 있다. 예를 들어, NE pair는 TN(text normalization) 정보 및 ITN(inverse text normalization) 정보를 포함할 수 있다. 예를 들어, NE pair 정보(237-1, 237-2, ..., 237-N)(예: NE pair)는 {도메인/TN/ITN}의 포맷을 가질 수 있다. 예를 들어, PDSS(230)는 특정 도메인에 대한 언어 모델(예: WFST 모델(235-1, 235-2, ..., 235-N))을 포함할 수 있다. PDSS(230)는 NE pair 정보(237-1, 237-2, ..., 237-N)를 이용하여 사용자 발화 시점과 무관하게 사용자의 정보 변경 시점에 맞춰 인덱스(index)를 생성할 수 있다. 인덱스는 검색 엔진(또는, 검색 모듈)의 구조에 대응하여 빠르게 정보(또는, 데이터)를 검색할 수 있도록 데이터를 저장 및/또는 관리하는 동작 및/또는 정보를 검색하기 용이하게 저장 및/또는 관리한 데이터(또는, 정보)를 의미할 수 있다. 예를 들어, 전자 장치(200)가 PDSS(230)에 포함된 NE pair 정보(237-1, 237-2, ..., 237-N)를 검색(또는, 페치)하기 위해 특정 NE(예: 후보 NE)에 대하여 스트링 매칭(string matching)을 이용할 경우, 매칭되는 NE pair 정보(237-1, 237-2, ..., 237-N)를 검색하는데 발생하는 지연(latency)이 길어질 수 있다 (예를 들어, 문자열 매칭을 사용하는 경우 질의(query)부터 결과까지의 시간이 기렁져 지연 시간이 길어질 수 있음). PDSS(230)는 NE pair 정보(237-1, 237-2, ..., 237-N) 생성 시. NE pair 정보(237-1, 237-2, ..., 237-N)에 대응하는 인덱스를 생성함으로써, 후보 NE와 매칭되는 NE pair 정보(237-1, 237-2, ..., 237-N)(즉, 후보 NE와 매칭되는 NE)를 상대적으로 빠르고 용이하게 검색할 수 있도록 할 수 있다.
일 실시예에 따르면, NE pair 페치 모듈(233)은 도메인 추정 모듈(213)로부터 사용자 발화에 대응하는 도메인의 정보를 수신할 수 있다. NE pair 페치 모듈(233)은 도메인에 대응하는 NE pair 정보(237-1, 237-2, ..., 237-N)를 페치(또는, 검색 또는 획득)하여 치환 모듈(216)에 제공할 수 있다. 예를 들어, NE pair 페치 모듈(233)은 기 설정한 인덱스에 기반하여 도메인에 대응하는 NE pair 정보(237-1, 237-2, ..., 237-N)를 인식(또는, 식별)할 수 있다.
일 실시예에 따르면, WFST 페치 모듈(231)은 도메인 추정 모듈(213)로부터 사용자 발화에 대응하는 도메인의 정보를 수신(또는, 획득)할 수 있다. WFST 페치 모듈(231)은 도메인에 대응하는 WFST 모델(235-1, 235-2, ..., 235-N)을 페치하여 제2 디코더(215)에 제공할 수 있다.
일 실시예에 따르면, 외부 언어 모델(150)은 전자 장치(200)의 사용자 데이터에 기반하여 학습된 언어 모델이 아니라 범용의 표본 데이터에 기반하여 학습된 언어 모델을 포함할 수 있다. 예를 들어, 외부 언어 모델(150)은 일반(general) 언어 모델(151-1) 및 특정 도메인(예: 음악)과 관련된 언어 모델(151-2)을 포함할 수 있다.
일 실시예에 따르면, 전자 장치(200)는 사용자 발화에 복수의 개체명들이 포함되거나, 불명료한 개체명이 포함되거나, 또는 사용자 발화에서 복수의 개체명들이 명확하게 구분되지 않는 경우에도 기 설정된 개체명과 관련된 정보(예: NE pair 정보(237-1, 237-2, ..., 237-N))를 기반으로 사용자 발화에 포함된 개체명을 보다 명확하게 인식함으로써, 사용자 발화의 인식 성능을 향상시키고 WER(word error rate)를 감소시킬 수 있다.
다양한 실시예에 따르면, 전자 장치(200)의 구성은 도 2에 도시된 바에 한정되지 않으며, 적어도 일부 구성 요소는 통합되어 구현되거나, 생략될 수 있고, 적어도 일부 구성 요소(예: 도 1의 전자 장치(100), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7의 사용자 단말(701) 및/또는 지능형 서버(800)의 구성 요소 중 적어도 하나)가 추가될 수 있다.
도 3은 일 실시예에 따른 전자 장치의 개체명 치환 동작을 설명하기 위한 도면이다.
이하 실시예에서 각 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.
일 실시 예에 따르면, 310 동작 내지 350 동작은 전자 장치(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))의 프로세서(예: 도 1의 컨트롤러(120), 도 2의 컨트롤러(220), 도 4의 프로세서(430), 도 6의 프로세서(320), 도 7의 프로세서(720))에서 수행되는 것으로 이해될 수 있다.
일 실시예에 따르면, 310 동작에서, 전자 장치(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))는 사용자 발화(예: “하이 빅스비 마이러브 마미 허니 영상 통화해줘”)에 따른 음성 신호를 수신할 수 있다. 예를 들어, 사용자 발화는 음성 어시스턴트 시스템을 활성화하기 위한 호출어(wake up word)(예: “하이 빅스비”)를 포함할 수 있다. 예를 들어, 사용자 발화는 적어도 하나의 컨택트에 대응하는 정보를 포함할 수 있다. (예를 들어, 컨택트는 전자 장치의 메모리에 저장될 수 있다. 컨택트는 이름, 전화번호, 이메일 주소, 소셜 미디어 사용자이름 등의 정보를 포함할 수 있다.) 예를 들어, 사용자 발화는 적어도 하나의 개체명(named entity, NE)(예: 마이러브, 마미, 및 허니)을 포함할 수 있다. 전자 장치는 음성 인식을 통하여 음성 신호로부터 사용자 발화에 대응하는 텍스트를 획득할 수 있다.
일 실시예에 따르면, 320 동작에서, 전자 장치는 음성 신호(또는, 음성 신호로부터 획득한 텍스트)로부터 후보 NE를 추출할 수 있다. 예를 들어, 전자 장치는 연락처 도메인과 관련된 후보 NE를 추출할 수 있다. 예를 들어, 전자 장치는 사용자 발화를 인식한 결과에 기반하여, 사용자 발화에 포함된 개체명으로 유추할 수 있는 후보 NE를 추출할 수 있다. 예를 들어, 전자 장치는 사용자 발화와 관련된 후보 NE로서, 사용자 발화에 포함된 “마이러브”, “마미”, 및 “허니” 각각과 동일 또는 유사한 “마이러브”, “마이럽”, “마미”, “맘이”, “허니”, “헌이”, 및 “호니”를 추출할 수 있다.
일 실시예에 따르면, 330 동작에서, 전자 장치는 기 설정된 개체명과 관련된 정보에 기반하여 후보 NE와 매칭되는 개체명이 있는지 판단할 수 있다. 예를 들어, 기 설정된 개체명과 관련된 정보는 PDSS pair 정보를 포함할 수 있다. PDSS pair 정보는 개체명과 관련된 도메인 정보, TN(text normalization) 정보, 및/또는 ITN(inverse text normalization) 정보를 포함할 수 있다. 예를 들어, PDSS pair 정보는 {도메인/TN/ITN}의 포맷을 가질 수 있다. 전자 장치는 후보 NE 중에서 PDSS pair 정보에 포함된 NE가 있는지 판단할 수 있다. 예를 들어, 도 3을 참조하면, PDSS pair 정보는 {contact, 마미, mommy}, {contact, 마이러브, my love}, 및 {contact, 허니, honey}를 포함할 수 있다. 이 경우, 전자 장치는 후보 NE 중에서 PDSS pair 정보에 포함된 NE(예: “마미”, “마이러브”, 및 “허니”)가 있음을 인식할 수 있다. 일 실시예에 따르면, 전자 장치는 후보 NE와 매칭되는 개체명이 있는 경우(330 동작 - YES) 340 동작을 수행하고, 후보 NE와 매칭되는 개체명이 없는 경우(330 동작 - NO) NE를 치환하는 340 동작을 생략할 수 있다.
일 실시예에 따르면, 340 동작에서, 전자 장치는 NE를 치환할 수 있다. 예를 들어, 전자 장치는 사용자 발화에 포함된 개체명 중 적어도 하나를 매칭되는 NE로 치환할 수 있다. 예를 들어, 전자 장치는 사용자 발화에 대응하는 텍스트 중 “마미”를 “mommy”로 치환하고, “마이러브”를 “my love”로 치환하고, “허니”를 “honey”로 치환할 수 있다.
일 실시예에 따르면, 350 동작에서, 전자 장치는 사용자 발화의 인식 결과를 생성할 수 있다. 예를 들어, 전자 장치는 사용자 발화를 인식한 결과에 대응하는 텍스트(예: “하이 빅스비 <ne_replacer> my love </ne_replacer> <ne_replacer> mommy </ne_replacer> <ne_replacer> honey </ne_replacer> 영상 통화해줘”를 생성할 수 있다. 예를 들어, <ne_replacer> 및 </ne_replacer>는 각각 치환된 개체명의 시작과 끝을 나타내는 텍스트일 수 있다. 전자 장치는 사용자 발화로부터 인식된 개체명(예: PDSS pair 정보에 포함된 TN에 대응하는 개체명)을 매칭되는 개체명(예: PDSS pair 정보에 포함된 ITN에 대응하는 개체명)으로 치환할 수 있다. 예를 들어, 330 동작에서, 매칭되는 NE가 없다고 판단한 경우(예를 들어, 사용자 발화에 “마이럽”, “맘이”, “헌이”, 또는 "호니”가 포함된 경우, 전자 장치는 해당 개체명(예: “마이럽”, “맘이”, “헌이”, 또는 "호니”)을 다른 개체명으로 치환하지 않고, 음성 인식 결과를 생성할 수 있다. 예를 들어, 사용자 발화가 “하이 빅스비 마이럽 맘미 헌이 호니 영상 통화해줘”라는 발화였다면, 전자 장치는 음성 인식 결과(즉, 사용자 발화 인식 결과)로서, “하이 빅스비 마이럽 맘미 헌이 호니 영상 통화해줘”라는 텍스트를 생성할 수 있다.
도 4는 일 실시예에 따른 전자 장치의 블록도이다.
일 실시예에 따르면, 전자 장치(400)(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))는 통신 회로(410)(예: 도 6의 통신 모듈(690) 또는 도 7의 통신 인터페이스(790), 메모리(420)(예: 도 6의 메모리(630) 또는 도 7의 메모리(730)), 및 프로세서(430)(예: 도 1의 컨트롤러(120), 도 2의 컨트롤러(220), 도 6의 프로세서(620), 도 7의 프로세서(720), 또는 자연어 플랫폼(820))를 포함할 수 있다.
일 실시예에 따르면, 통신 회로(410)는 외부 장치와 데이터 및/또는 정보를 송수신할 수 있다.
일 실시예에 따르면, 메모리(420)는 프로세서(430)에 의해 실행 시, 전자 장치(400)의 동작을 제어하는 인스트럭션들을 저장할 수 있다. 메모리(420)는 전자 장치(400)의 동작과 관련된 정보 및/또는 데이터를 저장할 수 있다. 예를 들어, 메모리(420)는 적어도 하나의 언어 모델을 저장할 수 있다. 예를 들어, 언어 모델은 적어도 하나의 도메인(예를 들어, 일반(general) 도메인 및/또는 특정 도메인(예: 컨택트(contact) 관련 도메인)과 관련될 수 있다. 메모리(420)는 사용자 발화에 따른 음성 신호 및/또는 음성 신호와 관련된 정보(예: 음성 신호 또는 묵음 구간의 타임스탬프)를 저장할 수 있다. 메모리(420)는 개체명과 관련된 정보(예: PDSS(personal data sync service) 페어)를 저장할 수 있다. 일 실시예에 따르면, 메모리(420)는 도 1의 NE pair 정보, WFST 모델, 및/또는 언어 모델을 포함할 수 있다. 메모리(420)는 도 2의 NE pair 정보, WFST 모델, 및/또는 언어 모델을 포함할 수 있다.
일 실시예에 따르면, 프로세서(430)는, 통신 회로(410)를 통하여 외부 장치(예를 들어, 서버)로부터 사용자 발화에 따른 음성 신호를 수신할 수 있다. 대안적으로 또는 추가적으로, 프로세서(430)는 전자 장치(400)의 마이크(미도시)를 통하여 사용자 발화에 따른 음성 신호를 수신할 수 있다. 예를 들어, 사용자 발화는 컨택트(contact)와 관련된 적어도 하나의 단어를 포함할 수 있다. 사용자 발화는 음성 어시스턴트 시스템을 활성화하기 위한 호출어 및/또는 특정 장치의 동작을 요청하는 명령어를 포함할 수 있다.
일 실시예에 따르면, 프로세서(430)는 음성 신호의 적어도 일부를 제1 디코딩할 수 있다. 예를 들어, 프로세서(430)는 음성 신호의 적어도 일부를 제1 디코딩하여 사용자 발화에 대응하는 텍스트를 생성할 수 있다. 예를 들어, 제1 디코딩은 사용자 발화에 따른 음성 신호를 텍스트로 변환하는 동작을 포함할 수 있다. 예를 들어, 프로세서(430)는 사용자 발화를 지정된 시간 및/또는 길이 단위로 제1 디코딩할 수 있다. 프로세서(430)는 사용자 발화를 지정된 시간(예를 들어, msec, sec, 등) 및/또는 길이 단위(예를 들어, 신호 길의의 1/5과 같은 음성 신호의 지정된 부분)를 기준으로 누적하여 제1 디코딩을 수행할 수 있다. 예를 들어, 프로세서(430)는 사용자 발화를 사용자 발화의 전체를 한 번에 제1 디코딩할 수 있다.
일 실시예에 따르면, 프로세서(430)는 제1 디코딩 전에 음성 신호를 전처리할 수 있다. 예를 들어 프로세서(430)는 음성 신호의 종료점 검출(end point detection, EPD)를 수행할 수 있다. 프로세서(430)는 전처리를 통하여 음성 신호(즉, 사용자 발화)의 종료점(예를 들어, 사용자 발화가 종료되는 지점)을 인식하여 사용자 발화의 음성 인식 성능(예: 정확도) 및/또는 연산 효율을 증가시킬 수 있다.
일 실시예에 따르면, 프로세서(430)는 제1 디코딩 결과 생성한 음성 신호의 적어도 일부에 대응하는 텍스트를 사용자에게 제공할 수 있다. 프로세서(430)는 생성한 텍스트를 디스플레이 또는 스피커를 통하여 출력할 수 있다. 예를 들어, 프로세서(430)는 제1 디코딩 결과 생성한 텍스트를 사용자에게 제공함으로써, 사용자가 사용자 발화의 음성 인식이 제대로 수행되었는지 여부를 인식할 수 있도록 할 수 있다. 예를 들어, 사용자는 제1 디코딩 결과로 생성된 텍스트가 자신의 의도에 부합하는지 확인할 수 있다. 즉, 사용자는 생성된 텍스트에 잘못 해석된 단어 등의 오류가 있는지 확인할 수 있다.
일 실시예에 따르면, 프로세서(430)는 제1 디코딩 결과에 적어도 일부 기반하여 사용자 발화에 대응하는 도메인을 결정할 수 있다. 프로세서(430)는 사용자 발화에 대응하는 도메인이 연락처 도메인(예: 컨택트 도메인) 및/또는 복수 연락처 도메인(예: 멀티 컨택트 도메인)을 포함하는지 판단할 수 있다. 예를 들어, 프로세서(430)는 사용자 발화에 대응하는 도메인이 복수 연락처 도메인(예: multi-contact 도메인)인지 여부를 인식할 수 있다. 예를 들어, 연락처 도메인은 사용자 발화가 적어도 하나의 연락처 정보를 포함하는 경우에 대응하는 도메인일 수 있고, 복수 연락처 도메인은 사용자 발화가 복수 개의 연락처 정보(예를 들어, 이름, 전화번호, 이메일 주소, 소셜 미디어 사용자이름(username) 등)를 포함하는 경우에 대응하는 도메인일 수 있다.
일 실시예에 따르면, 프로세서(430)는 결정된 도메인에 기반하여, 음성 신호를 복수 개의 세그먼트들로 세분화(segmentation)할 수 있다. 예를 들어, 복수 개의 세그먼트들 중 적어도 일부는 연락처(예: 개체명)와 관련될 수 있다. 일 실시예에 따르면, 프로세서(430)는 음성 신호에 VAD(voice activity detection)을 수행하고, VAD 수행 결과에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 프로세서(430)는 VAD를 통하여 사용자 발화에 따른 음성 신호로부터 사용자의 음성이 아닌 소리(예: 묵음 및/또는 노이즈 신호)를 검출 및/또는 제거할 수 있다. 프로세서(430)는 음성 신호로부터 사용자의 음성에 대응하는 구간을 인식하고, 이를 기반으로 음성 신호를 세분화할 수 있다.
일 실시예에 따르면, 프로세서(430)는 음성 신호에 포함된 적어도 하나의 단어에 대응하는 타임스탬프(timestamp) 정보를 인식할 수 있다. 프로세서(430)는 음성 신호에 포함된 연속되는 단어 사이의 타임스탬프 값 차이에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 프로세서(430)는 연속되는 단어 사이의 타임스탬프 값이 지정된 값 이상인 경우 해당 단어 사이를 구분할 수 있다.
일 실시예에 따르면, 프로세서(430)는 결정한 도메인이 복수의 연락처(예: 멀티-컨택트)와 관련된 도메인인 경우 음성 신호를 복수 개의 세그먼트(segment)들로 세분화(segmentation)하고, 결정된 도메인이 복수의 연락처와 관련된 도메인이 아닌 경우 음성 신호를 세분화하지 않을 수 있다.
일 실시예에 따르면, 프로세서(430)는 세분화한 결과 및 결정된 도메인에 대응하는 언어 모델에 기반하여 음성 신호를 제2 디코딩할 수 있다. 예를 들어, 언어 모델은 적어도 하나의 WFST(weighted finite state transducer) 모델을 포함할 수 있다. 예를 들어, WFST 모델은 연락처(및/또는, 복수 연락처) 도메인과 관련된 언어 모델을 포함할 수 있다. 예를 들어, 프로세서(430)는 특정 도메인에 대하여 학습된 WFST 모델을 생성할 수 있다. 프로세서(430)는 특정 도메인과 관련된 사용자 데이터를 기반으로 WFST 모델을 훈련할 수 있다. 프로세서(430)는 음성 신호를 제2 디코딩하여 사용자 발화에 대응하는 텍스트를 생성할 수 있다. 예를 들어, 프로세서(430)는 음성 신호를 세분화한 경우, 제2 디코딩을 통해 음성 신호에 대응되고 복수 개의 세그먼트들을 구분하는 정보가 포함된 텍스트를 생성할 수 있다. 예를 들어, 세그먼트들을 구분하는 정보는 사용자 발화에 대응하는 텍스트 중에서 단어와 단어 사이의 공백(예를 들어, 사용자의 음성이 없는 무음 구간)을 나타내는 정보일 수 있다.
예를 들어, 프로세서(430)는 적어도 하나의 WFST 모델 및 적어도 하나의 NE pair 정보를 포함하는 PDSS(personal data syn service)로부터 WFST 모델 및/또는 NE pair 정보를 페치(fetch)(또는 검색 또는 획득)할 수 있다. PDSS는 연락처(contact), 음악(예: 음악 제목, 가수명, 및/또는 앨범명) 및/또는 영화(예: 영화 제목, 출연자, 및/또는 장르)를 포함하는 특정 도메인과 관련된 사용자의 개인 정보를 저장 및 페치해주는 서비스일 수 있다. PDSS는 TN(text normalization) 정보 및 ITN(inverse text normalization) 정보를 포함하는 NE 페어(pair) 정보를 포함할 수 있다. NE pair 정보는 {도메인/TN/ITN}의 포맷을 가질 수 있다.
일 실시예에 따르면, 프로세서(430)는 제2 디코딩 결과에 기반하여 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 개체명(NE, named entity)으로 치환(replace)할 수 있다. 예를 들어, 프로세서(430)는 제2 디코딩 결과에 기반하여 적어도 하나의 후보 개체명(후보 NE)를 결정할 수 있다. 예를 들어, 프로세서(430)는 사용자 발화에 포함되는 연락처 관련 단어와 동일 또는 유사한 적어도 하나의 후보 NE를 결정할 수 있다. 프로세서(430)는 기 설정된 개체명과 관련된 정보(예: NE pair 정보)에 기반하여, 적어도 하나의 후보 개체명과 매칭되는 개체명이 있는지 판단할 수 있다 프로세서(430)는 적어도 하나의 후보 개체명과 매칭되는 개체명이 있다는 판단에 적어도 일부 기반하여, 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체(replace)할 수 있다. 프로세서(430)는 후보 NE에 매칭되는 NE pair 정보(예를 들어, NE pair 정보에 포함된 후보 NE에 매칭되는 개체명)가 있는 경우, 후보 NE를 NE pair 정보에 포함된 NE로 대체(replace)할 수 있다. 예를 들어, 프로세서(430)는 적어도 하나의 후보 개체명과 매칭되는 개체명 사이의 레빈슈타인 거리(Levenshtein distance)를 판단할 수 있다. 프로세서(430)는 레빈슈타인 거리가 기 설정된 임계값 이하인 경우, 적어도 하나의 후보 개체명을 매칭되는 개체명으로 대체할 수 있다. 일 실시예에 따르면, 프로세서(430)는 적어도 하나의 후보 개체명과 매칭되는 개체명(예: NE pair 정보)을 인식할 수 없는 경우, 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 복수의 단어 단위로 분할할 수 있다. 프로세서(430)는 기 설정된 개체명과 관련된 정보(예: NE pair 정보)에 기반하여, 복수의 단어 단위들 중 적어도 하나의 단어 단위(분할된 단어)에 매칭되는 개체명이 있는지 판단할 수 있다. 예를 들어, 프로세서(430)는 세분화한 세그먼트에 대응하는 텍스트와 매칭되는 NE pair 정보를 검색하고, 세그먼트에 대응하는 텍스트와 매칭되는 NE pair 정보가 없는 경우 세그먼트에 대응하는 텍스트를 단어 단위로 분할하고, 분할된 단어에 매칭되는 NE pair 정보가 있는지 판단할 수 있다. 프로세서(430)는 분할된 단어에 매칭되는 NE pair 정보가 있는 경우, 분할된 단어를 매칭되는 NE pair 정보에 포함된 NE로 대체할 수 있다. 일 실시예에 따르면, 프로세서(430)는 분할된 단어에 매칭되는 개체명(예: NE pair 정보)가 없는 경우, 분할된 단어에서 연결어에 대응하는 텍스트를 삭제할 수 있다. 프로세서(430)는 연결어에 대응하는 텍스트를 삭제한 단어와 매칭되는 개체명(예: NE pair 정보)이 있는지 여부를 인식할 수 있다. 프로세서(430)는 연결어에 대응하는 텍스트를 삭제한 단어와 매칭되는 개체명이 있는 경우, 연결어에 대응하는 텍스트를 삭제한 단어를 매칭되는 개체명으로 대체할 수 있다. 일 실시예에 따르면, 프로세서(430)는 연결어에 대응하는 텍스트를 삭제한 단어를 매칭되는 개체명을 인식할 수 없는 경우, 사용자 발화에 대응하는 텍스트의 적어도 일부를 지정된 개체명(예: 매칭되는 개체명)으로 대체하는 동작을 수행하지 않을 수 있다.
일 실시예에 따르면, 프로세서(430)는 치환 결과에 적어도 일부 기반하여, 사용자 발화를 인식할 수 있다. 예를 들어, 프로세서(430)는 사용자 발화에 포함된 연속되는 개체명을 인식할 수 있다. 예를 들어, 프로세서(430)는 제2 디코딩 결과 생성한 사용자 발화에 대응하는 텍스트로부터 적어도 일부가 지정된 개체명(예: NE pair 정보에 포함된 매칭되는 개체명)으로 치환된 텍스트를 생성할 수 있다. 전자 장치(400)는 생성한 텍스트에 기반하여 사용자 발화를 인식할 수 있다.
일 실시예에 따른 전자 장치(400)는. 사용자 발화에 복수의 개체명들이 포함되거나, 불명료한 개체명이 포함되거나, 또는 사용자 발화에서 복수의 개체명들이 명확하게 구분되지 않는 경우에도 기 설정된 개체명과 관련된 정보(예: NE pair 정보)를 기반으로 사용자 발화에 포함된 개체명을 명확하게 인식함으로써, 사용자 발화의 인식 성능을 향상시키고 WER(word error rate)를 감소시킬 수 있다.
일 실시예에 따르면, 프로세서(430)는 도 1의 전자 장치(100)의 전처리 모듈(111), 제1 디코더(112), 도메인 추정 모듈(113), 세분화 모듈(114), 제2 디코더(115), 치환 모듈(116), 컨트롤러(120), 및 PDSS(130) 중 적어도 일부가 통합되어 구현되거나, 전처리 모듈(111), 제1 디코더(112), 도메인 추정 모듈(113), 세분화 모듈(114), 제2 디코더(115), 치환 모듈(116), 컨트롤러(120), 및 PDSS(130) 중 적어도 일부의 동작을 수행할 수 있다. 대안적으로 또는 추가적으로, 프로세서(430)는 도 2의 전자 장치(200)의 전처리 모듈(211), 제1 디코더(212), 도메인 추정 모듈(213), 세분화 모듈(214), 제2 디코더(215), 치환 모듈(216), 컨트롤러(220), 및 PDSS(230) 중 적어도 일부가 통합되어 구현되거나, 전자 장치(200)의 전처리 모듈(211), 제1 디코더(212), 도메인 추정 모듈(213), 세분화 모듈(214), 제2 디코더(215), 치환 모듈(216), 컨트롤러(220), 및 PDSS(230) 중 적어도 일부의 동작을 수행할 수 있다.
일 실시예에 따르면, 전자 장치(400)의 구성은 도 4에 도시된 바와 한정되지 않으며, 적어도 일부 구성(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 6의 전자 장치(601)의 구성 또는 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))이 더 추가될 수 있다. 예를 들어, 전자 장치는 마이크(예: 도 6의 입력 모듈(650) 또는 도 7의 마이크(770)), 스피커(예: 도 6의 음향 출력 모듈(655) 또는 도 7의 스피커(755)), 및/또는 디스플레이(예: 도 6의 디스플레이 모듈(660) 또는 도 7의 디스플레이(770))를 더 포함할 수 있다. 마이크는 사용자 발화에 따른 음성 신호를 획득할 수 있다. 스피커는 오디오 신호(예: 사용자 발화에 따른 음성 신호를 처리함에 따라 생성되는 정보(예: 음성 인식 결과 생성한 텍스트)에 대응하는 오디오 신호)를 출력할 수 있다. 디스플레이는 사용자 발화에 따른 음성 신호를 처리함에 따라 생성되는 정보(예: 음성 인식 결과 생성한 텍스트)를 시각적으로 출력할 수 있다.
일 실시예에 따른 전자 장치는, 통신 회로, 메모리, 및 프로세서를 포함할 수 있다. 일 실시예에 따르면, 상기 프로세서는, 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 음성 신호의 적어도 일부를 제1 디코딩하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 음성 신호를 복수 개의 세그먼트로 세분화하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환하도록 설정될 수 있다. 일 실시예에 따르면, 프로세서는, 상기 치환 결과에 적어도 일부 기반하여 음성 인식 결과를 생성하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 결정된 도메인이 복수의 연락처와 관련된 도메인인 경우, 상기 음성 신호를 복수 개의 세그먼트(segment)로 세분화(segmentation)하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 결정된 도메인이 복수의 연락처와 관련된 도메인이 아닌 경우, 상기 음성 신호를 세분화하지 않고 상기 제2 디코딩을 수행하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 제2 디코딩 결과에 기반하여, 적어도 하나의 후보 개체명을 결정하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 기 설정된 개체명과 관련된 정보에 기반하여, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있는지 판단하도록 설정될 수 있다. (예를 들어, 적어도 하나의 후보 개체명에 매칭되는 개체명이 존재하는지 판단될 수 있다.)
일 실시예에 따르면, 프로세서는, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있다는 판단에 적어도 일부 기반하여, 상기 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체하도록 설정될 수 있다.
일 실시예에 따르면, 상기 기 설정된 개체명과 관련된 정보는, 서로 대응되는 도메인 정보, TN(text normalization) 정보, 및 ITN(inverse text normalization) 정보를 포함할 수 있다.
일 실시예에 따르면, 프로세서는, 상기 적어도 하나의 후보 개체명과 상기 매칭되는 개체명 사이의 레빈슈타인 거리(Levenshtein distance)를 판단하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 레빈슈타인 거리가 기 설정된 임계값 이하인 경우, 상기 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명을 인식할 수 없는 경우, 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 복수의 단어 단위들로 분할하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 기 설정된 개체명과 관련된 정보에 기반하여, 상기 복수의 단어 단위들 중 적어도 하나의 단어 단위(분할된 단어)에 매칭되는 개체명이 있는지 판단하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 복수의 단어 단위들 중 적어도 하나의 단어 단위(분할된 단어)에 매칭되는 개체명이 없는 경우, 상기 복수의 단어 단위들 중 적어도 하나의 단어 단위(분할된 단어)에서 연결어에 대응하는 텍스트를 삭제하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 연결어에 대응하는 텍스트를 삭제한 복수의 단어 단위들 중 적어도 하나의 단어 단위와 매칭되는 개체명이 있는지 판단하도록 설정될 수 있다.
일 실시예에 따르면, 상기 언어 모델은, 적어도 하나의 WFST(weighted finite state transducer) 모델을 포함할 수 있다.
일 실시예에 따르면, 프로세서는, 상기 제1 디코딩 결과 생성한 상기 음성 신호의 적어도 일부에 대응하는 텍스트를 사용자에게 제공하도록 설정될 수 있다.
일 실시예에 따르면, 프로세서는, 상기 제1 디코딩 전에 상기 음성 신호를 전처리하도록 설정될 수 있다. 일 실시예에 따르면, 상기 전처리는 상기 음성 신호의 종료점 검출(end point detection, EPD)를 포함할 수 있다.
도 5는 일 실시예에 따른 전자 장치의 음성 인식 방법의 흐름도이다.
일 실시 예에 따르면, 510 동작 내지 570 동작은 전자 장치(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))의 프로세서(예: 도 1의 컨트롤러(120), 도 2의 컨트롤러(220), 도 4의 프로세서(430), 도 6의 프로세서(320), 도 7의 프로세서(720))에서 수행되는 것으로 이해될 수 있다.
일 실시예에 따르면, 510 동작에서, 전자 장치(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))는 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신할 수 있다. 예를 들어, 사용자 발화는 연락처(contact)와 관련된 적어도 하나의 단어를 포함할 수 있다. 사용자 발화는 음성 어시스턴트 시스템을 활성화하기 위한 호출어 및/또는 특정 장치의 동작을 요청하는 명령어를 포함할 수 있다.
일 실시예에 따르면, 520 동작에서, 전자 장치는 음성 신호의 적어도 일부를 제1 디코딩할 수 있다. 예를 들어, 전자 장치는 음성 신호의 적어도 일부를 제1 디코딩하여 사용자 발화에 대응하는 텍스트를 생성할 수 있다. 예를 들어, 제1 디코딩은 사용자 발화에 따른 음성 신호를 텍스트로 변환하는 동작을 포함할 수 있다. 예를 들어, 전자 장치는 사용자 발화를 지정된 시간 및/또는 길이 단위로 제1 디코딩할 수 있다. 전자 장치는 사용자 발화를 지정된 시간 및/또는 길이 단위를 기준으로 누적하여 제1 디코딩을 수행할 수 있다. 예를 들어, 전자 장치는 사용자 발화를 사용자 발화의 전체를 한 번에 제1 디코딩할 수 있다.
일 실시예에 따르면, 전자 장치는 제1 디코딩 전에 음성 신호를 전처리할 수 있다. 예를 들어, 전자 장치는 음성 신호의 종료점 검출(end point detection, EPD)를 수행할 수 있다. 전자 장치는 전처리를 통하여 음성 신호(즉, 사용자 발화)의 종료점을 인식하여 사용자 발화의 음성 인식 성능(예: 정확도) 및/또는 연산 효율을 증가시킬 수 있다.
일 실시예에 따르면, 전자 장치는 제1 디코딩 결과 생성한 음성 신호의 적어도 일부에 대응하는 텍스트를 사용자에게 제공할 수 있다. 전자 장치는 생성한 텍스트를 디스플레이 또는 스피커를 통하여 출력할 수 있다. 예를 들어, 전자 장치는 제1 디코딩 결과 생성한 텍스트를 사용자에게 제공함으로써, 사용자가 사용자 발화의 음성 인식이 제대로 수행되었는지 여부를 인식할 수 있도록 할 수 있다. 예를 들어, 제1 디코딩 결과로 생성된 텍스트가 자신의 의도에 부합하는지 확인할 수 있다. 즉, 사용자는 생성된 텍스트에 잘못 해석된 단어 등의 오류가 있는지 확인할 수 있다.
일 실시예에 따르면, 530 동작에서, 전자 장치는 제1 디코딩 결과에 적어도 일부 기반하여 사용자 발화에 대응하는 도메인을 결정할 수 있다. 전자 장치는 사용자 발화에 대응하는 도메인이 연락처 도메인을 포함하는지 판단할 수 있다. 예를 들어, 전자 장치는 사용자 발화에 대응하는 도메인이 복수 연락처 도메인(예: 멀티 컨택트 도메인)인지 여부를 인식할 수 있다.
일 실시예에 따르면, 540 동작에서, 전자 장치는 음성 신호를 복수 개의 세그먼트로 세분화(segmentation)할 수 있다. 예를 들어, 복수 개의 세그먼트 중 적어도 일부는 연락처(예: 개체명)와 관련될 수 있다. 일 실시예에 따르면, 전자 장치는 음성 신호에 VAD(voice activity detection)을 수행하고, VAD 수행 결과에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 전자 장치는 VAD를 통하여 사용자 발화에 따른 음성 신호로부터 사용자의 음성이 아닌 소리(예: 묵음 및/또는 노이즈 신호)를 검출 및/또는 제거할 수 있다. 전자 장치는, 음성 신호로부터 사용자의 음성에 대응하는 구간을 인식하고, 이를 기반으로 음성 신호를 세분화할 수 있다.
일 실시예에 따르면, 전자 장치는 음성 신호에 포함된 적어도 하나의 단어에 대응하는 타임스탬프(timestamp) 정보를 인식할 수 있다. 전자 장치는 음성 신호에 포함된 연속되는 단어 사이의 타임스탬프 값 차이에 기반하여 음성 신호를 세분화할 수 있다. 예를 들어, 전자 장치는 연속되는 단어 사이의 타임스탬프 값이 지정된 값 이상인 경우 해당 단어 사이를 구분할 수 있다.
일 실시예에 따르면, 전자 장치는 결정된 도메인에 기반하여 음성 신호를 복수 개의 세그먼트들로 세분화할 수 있다. 예를 들어, 전자 장치는, 530 동작에서 결정한 도메인이 복수의 연락처와 관련된 도메인인 경우, 540 동작에서 음성 신호를 복수 개의 세그먼트(segment)로 세분화(segmentation)하고, 결정된 도메인이 복수의 연락처와 관련된 도메인이 아닌 경우, 540 동작을 생략하고 음성 신호를 세분화하지 않을 수 있다.
일 실시예에 따르면, 550 동작에서, 전자 장치는 세분화한 결과 및 결정된 도메인에 대응하는 언어 모델에 기반하여 음성 신호를 제2 디코딩할 수 있다. 예를 들어, 언어 모델은 적어도 하나의 WFST(weighted finite state transducer) 모델을 포함할 수 있다. 예를 들어, WFST 모델은 연락처(컨택트)(및/또는, 복수 연락처(멀티 컨택트)) 도메인과 관련된 언어 모델을 포함할 수 있다. 예를 들어, 전자 장치는 특정 도메인에 대하여 학습된 WFST 모델을 생성할 수 있다. 전자 장치는 특정 도메인과 관련된 사용자 데이터를 기반으로 WFST 모델을 훈련할 수 있다. 전자 장치는 음성 신호를 제2 디코딩하여 사용자 발화에 대응하는 텍스트를 생성할 수 있다. 예를 들어, 전자 장치는 음성 신호를 세분화한 경우, 제2 디코딩을 통해 음성 신호에 대응되고 복수 개의 세그먼트들을 구분하는 정보가 포함된 텍스트를 생성할 수 있다. 예를 들어, 세그먼트들을 구분하는 정보는 사용자 발화에 대응하는 텍스트 중에서 단어와 단어 사이의 공백(예를 들어, 사용자의 음성이 없는 무음 구간)을 나타내는 정보일 수 있다.
예를 들어, 전자 장치는 적어도 하나의 WFST 모델 및 적어도 하나의 NE pair 정보를 포함하는 PDSS(personal data syn service)로부터 WFST 모델 및/또는 NE pair 정보를 페치(fetch)할 수 있다. 예를 들어, PDSS는 전자 장치 내부 또는 외부에 위치하는 데이터베이스 또는 서버를 포함할 수 있다. PDSS는 연락처(contact), 음악(예: 음악 제목, 가수명, 및/또는 앨범명) 및/또는 영화(예: 영화 제목, 출연자, 및/또는 장르)를 포함하는 특정 도메인과 관련된 사용자의 개인 정보를 저장 및 페치해주는 서비스일 수 있다. PDSS는 TN(text normalization) 정보 및 ITN(inverse text normalization) 정보를 포함하는 NE 페어(pair) 정보를 포함할 수 있다. NE pair 정보는 {도메인/TN/ITN}의 포맷을 가질 수 있다. PDSS는 NE pair 정보를 이용하여 사용자 발화 시점과 무관하게 사용자의 정보 변경 시점에 맞춰 인덱스(index)를 생성할 수 있다. 인덱스는 검색 엔진(또는, 검색 모듈)의 구조에 대응하여 빠르게 정보를 검색할 수 있도록 데이터를 저장 및/또는 관리하는 동작 및/또는 정보를 검색하기 용이하게 저장 및/또는 관리한 데이터를 의미할 수 있다. 예를 들어, 전자 장치가 PDSS에 포함된 NE pair 정보를 검색(또는, 페치)하기 위해 특정 NE(예: 후보 NE)에 대하여 스트링 매칭(string matching)을 이용할 경우, 매칭되는 NE pair 정보를 검색하는데 발생하는 지연(latency)이 길어질 수 있다. PDSS는 NE pair 정보 생성 시. NE pair 정보에 대응하는 인덱스를 생성함으로써, 후보 NE와 매칭되는 NE pair 정보(즉, 후보 NE와 매칭되는 NE)를 빠르고 용이하게 검색할 수 있도록 할 수 있다.
일 실시예에 따르면, 560 동작에서, 전자 장치는 제2 디코딩 결과에 기반하여 복수 개의 세그먼트들에 대응하는 텍스트 중 적어도 일부를 개체명(NE, named entity)으로 치환(replace)할 수 있다. 예를 들어, 전자 장치는 제2 디코딩 결과에 기반하여 적어도 하나의 후보 개체명(후보 NE)를 결정할 수 있다. 예를 들어, 전자 장치는 사용자 발화에 포함되는 연락처 관련 단어와 동일 또는 유사한 적어도 하나의 후보 NE를 결정할 수 있다. 전자 장치는 기 설정된 개체명과 관련된 정보(예: NE pair 정보)에 기반하여, 적어도 하나의 후보 개체명과 매칭되는 개체명이 있는지 판단할 수 있다. 전자 장치는 적어도 하나의 후보 개체명과 매칭되는 개체명이 있다는 판단에 적어도 일부 기반하여, 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체(replace)할 수 있다. 예를 들어, 전자 장치는 인덱스를 이용하여 PDSS로부터 후보 NE에 매칭되는 NE pair 정보를 인식(또는, 페치(fetch))할 수 있다. 전자 장치는 후보 NE에 매칭되는 NE pair 정보(예를 들어, NE pair 정보에 포함된 후보 NE에 매칭되는 개체명)가 있는 경우, 후보 NE를 NE pair 정보에 포함된 NE로 대체(replace)할 수 있다. 예를 들어, 전자 장치는 적어도 하나의 후보 개체명과 매칭되는 개체명 사이의 레빈슈타인 거리(Levenshtein distance)를 판단할 수 있다. 전자 장치는 레빈슈타인 거리가 기 설정된 임계값 이하인 경우, 적어도 하나의 후보 개체명을 매칭되는 개체명으로 대체할 수 있다. 일 실시예에 따르면, 전자 장치는 적어도 하나의 후보 개체명과 매칭되는 개체명(예: NE pair 정보)을 인식할 수 없는 경우, 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 단어 단위로 분할할 수 있다. 전자 장치는 기 설정된 개체명과 관련된 정보(예: NE pair 정보)에 기반하여, 분할된 단어에 매칭되는 개체명이 있는지 판단할 수 있다. 예를 들어, 전자 장치는 세분화한 세그먼트에 대응하는 텍스트와 매칭되는 NE pair 정보를 검색하고, 세그먼트에 대응하는 텍스트와 매칭되는 NE pair 정보가 없는 경우 세그먼트에 대응하는 텍스트를 단어 단위로 분할하고, 분할된 단어에 매칭되는 NE pair 정보가 있는지 판단할 수 있다. 전자 장치는 분할된 단어에 매칭되는 NE pair 정보가 있는 경우, 분할된 단어를 매칭되는 NE pair 정보에 포함된 NE로 대체할 수 있다. 일 실시예에 따르면, 전자 장치는 분할된 단어에 매칭되는 개체명(예: NE pair 정보)가 없는 경우, 분할된 단어에서 연결어에 대응하는 텍스트를 삭제할 수 있다. 전자 장치는 연결어에 대응하는 텍스트를 삭제한 단어와 매칭되는 개체명(예: NE pair 정보)이 있는지 여부를 인식할 수 있다. 전자 장치는 연결어에 대응하는 텍스트를 삭제한 단어와 매칭되는 개체명이 있는 경우, 연결어에 대응하는 텍스트를 삭제한 단어를 매칭되는 개체명으로 대체할 수 있다. 일 실시예에 따르면, 전자 장치는 연결어에 대응하는 텍스트를 삭제한 단어를 매칭되는 개체명을 인식할 수 없는 경우, 사용자 발화에 대응하는 텍스트의 적어도 일부를 지정된 개체명(예: 매칭되는 개체명)으로 대체하는 동작을 수행하지 않을 수 있다.
일 실시예에 따르면, 570 동작에서, 전자 장치는 치환 결과에 적어도 일부 기반하여 음성 인식 결과를 생성할 수 있다. 예를 들어, 전자 장치는 사용자 발화에 포함된 연속되는 개체명을 인식할 수 있다. 예를 들어, 전자 장치는 제2 디코딩 결과 생성한 사용자 발화에 대응하는 텍스트로부터 적어도 일부가 지정된 개체명(예: NE pair 정보에 포함된 매칭되는 개체명)으로 치환된 텍스트를 생성할 수 있다. 전자 장치는 생성한 텍스트에 기반하여 음성 인식 결과를 생성할 수 있다. 전자 장치는 음성 인식 결과를 출력할 수 있다. 전자 장치는 음성 인식 결과를 사용자에게 제공할 수 있다.
다양한 실시예에 따르면, 도 5에 도시된 동작들은 순차적으로 수행될 수도 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 도5에 도시된 동작들 중 적어도 일부는 병렬적으로 수행되거나, 또는 동작 순서가 변경될 수 있으며, 적어도 일부 동작이 생략되거나, 또는 본 문서에 개시되는 전자 장치의 동작 중 적어도 일부가 추가될 수 있다.
일 실시예에 따른 전자 장치의 음성 인식 방법은. 사용자 발화에 복수의 개체명들이 포함되거나, 불명료한 개체명이 포함되거나, 또는 사용자 발화에서 복수의 개체명들이 명확하게 구분되지 않는 경우에도 기 설정된 개체명과 관련된 정보(예: NE pair 정보)를 기반으로 사용자 발화에 포함된 개체명을 명확하게 인식할 수 있도록 하여 사용자 발화의 인식 성능을 향상시키고 WER(word error rate)를 감소시킬 수 있다.
일 실시예에 따른 전자 장치의 음성 인식 방법은, 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 음성 신호의 적어도 일부를 제1 디코딩하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 음성 신호를 복수 개의 세그먼트로 세분화하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 세분화한 결과 및 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 제2 디코딩 결과에 기반하여 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 치환 결과에 적어도 일부 기반하여 음성 인식 결과를 생성하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 세분화하는 동작은, 상기 음성 신호에 VAD(voice activity detection)를 수행하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 세분화하는 동작은, 상기 VAD 결과에 기반하여, 상기 음성 신호를 세분화하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 세분화하는 동작은, 상기 음성 신호에 포함된 적어도 하나의 단어에 대응하는 타임스탬프(timestamp) 정보를 인식하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 세분화하는 동작은, 상기 음성 신호에 포함된 연속되는 단어 사이의 타임스탬프(timestamp) 값 차이에 기반하여, 상기 음성 신호를 세분화하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 방법은, 상기 음성 신호를 세분화한 경우, 상기 제2 디코딩을 통해 상기 음성 신호에 대응되고 상기 복수 개의 세그먼트들을 구분하는 정보가 포함된 텍스트를 생성하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 치환하는 동작은, 상기 제2 디코딩 결과에 기반하여, 적어도 하나의 후보 개체명을 결정하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 치환하는 동작은, 기 설정된 개체명과 관련된 정보에 기반하여, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있는지 판단하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 치환하는 동작은, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있다는 판단에 적어도 일부 기반하여, 상기 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체하는 동작을 포함할 수 있다.
일 실시예에 따르면, 상기 방법은, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명을 인식할 수 없는 경우, 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 단어 단위로 분할하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 기 설정된 개체명과 관련된 정보에 기반하여, 상기 분할된 단어에 매칭되는 개체명이 있는지 판단하는 동작을 더 포함할 수 있다.
일 실시예에 따르면, 상기 방법은, 상기 분할된 단어에 매칭되는 개체명이 없는 경우, 상기 분할된 단어에서 연결어에 대응하는 텍스트를 삭제하는 동작을 포함할 수 있다. 일 실시예에 따르면, 상기 방법은, 상기 연결어에 대응하는 텍스트를 삭제한 단어와 매칭되는 개체명이 있는지 판단하는 동작을 포함할 수 있다.
일 실시예에 따른 기록 매체는, 전자 장치(예: 전자 장치의 프로세서)에 의해 실행 시, 상기 전자 장치가 상기 방법(예: 음성 인식 방법)을 수행하도록 하는 프로그램 및/또는 인스트럭션들을 저장할 수 있다.
도 6은, 다양한 실시예들에 따른, 네트워크 환경(600) 내의 전자 장치(601)(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 7 내지 9의 사용자 단말(701) 또는 지능형 서버(800))의 블록도이다. 도 6을 참조하면, 네트워크 환경(600)에서 전자 장치(601)는 제 1 네트워크(698)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(602)와 통신하거나, 또는 제 2 네트워크(699)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(604) 또는 서버(608) 중 적어도 하나와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(601)는 서버(608)를 통하여 전자 장치(604)와 통신할 수 있다. 일 실시예에 따르면, 전자 장치(601)는 프로세서(620), 메모리(630), 입력 모듈(650), 음향 출력 모듈(655), 디스플레이 모듈(660), 오디오 모듈(670), 센서 모듈(676), 인터페이스(677), 연결 단자(678), 햅틱 모듈(679), 카메라 모듈(680), 전력 관리 모듈(688), 배터리(689), 통신 모듈(690), 가입자 식별 모듈(696), 또는 안테나 모듈(697)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(601)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(678))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(676), 카메라 모듈(680), 또는 안테나 모듈(697))은 하나의 구성요소(예: 디스플레이 모듈(660))로 통합될 수 있다.
프로세서(620)는, 예를 들면, 소프트웨어(예: 프로그램(640))를 실행하여 프로세서(620)에 연결된 전자 장치(601)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(620)는 다른 구성요소(예: 센서 모듈(676) 또는 통신 모듈(690))로부터 수신된 명령 또는 데이터를 휘발성 메모리(632)에 저장하고, 휘발성 메모리(632)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(634)에 저장할 수 있다. 일 실시예에 따르면, 프로세서(620)는 메인 프로세서(621)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(623)(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(601)가 메인 프로세서(621) 및 보조 프로세서(623)를 포함하는 경우, 보조 프로세서(623)는 메인 프로세서(621)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(623)는 메인 프로세서(621)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(623)는, 예를 들면, 메인 프로세서(621)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(621)를 대신하여, 또는 메인 프로세서(621)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(621)와 함께, 전자 장치(601)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(660), 센서 모듈(676), 또는 통신 모듈(690))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시예에 따르면, 보조 프로세서(623)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(680) 또는 통신 모듈(690))의 일부로서 구현될 수 있다. 일 실시예에 따르면, 보조 프로세서(623)(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(601) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(608))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(630)는, 전자 장치(601)의 적어도 하나의 구성요소(예: 프로세서(620) 또는 센서 모듈(676))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(640)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(630)는, 휘발성 메모리(632) 또는 비휘발성 메모리(634)를 포함할 수 있다.
프로그램(640)은 메모리(630)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(642), 미들 웨어(644) 또는 어플리케이션(646)을 포함할 수 있다.
입력 모듈(650)은, 전자 장치(601)의 구성요소(예: 프로세서(620))에 사용될 명령 또는 데이터를 전자 장치(601)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(650)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(655)은 음향 신호를 전자 장치(601)의 외부로 출력할 수 있다. 음향 출력 모듈(655)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(660)은 전자 장치(601)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(660)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시예에 따르면, 디스플레이 모듈(660)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(670)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시예에 따르면, 오디오 모듈(670)은, 입력 모듈(650)을 통해 소리를 획득하거나, 음향 출력 모듈(655), 또는 전자 장치(601)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(602))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(676)은 전자 장치(601)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시예에 따르면, 센서 모듈(676)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(677)는 전자 장치(601)가 외부 전자 장치(예: 전자 장치(602))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시예에 따르면, 인터페이스(677)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(678)는, 그를 통해서 전자 장치(601)가 외부 전자 장치(예: 전자 장치(602))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시예에 따르면, 연결 단자(678)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(679)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시예에 따르면, 햅틱 모듈(679)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(680)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시예에 따르면, 카메라 모듈(680)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(688)은 전자 장치(601)에 공급되는 전력을 관리할 수 있다. 일 실시예에 따르면, 전력 관리 모듈(688)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(689)는 전자 장치(601)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시예에 따르면, 배터리(689)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(690)은 전자 장치(601)와 외부 전자 장치(예: 전자 장치(602), 전자 장치(604), 또는 서버(608)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(690)은 프로세서(620)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시예에 따르면, 통신 모듈(690)은 무선 통신 모듈(692)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(694)(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(698)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(699)(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(604)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(692)은 가입자 식별 모듈(696)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(698) 또는 제 2 네트워크(699)와 같은 통신 네트워크 내에서 전자 장치(601)를 확인 또는 인증할 수 있다.
무선 통신 모듈(692)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(692)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(692)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(692)은 전자 장치(601), 외부 전자 장치(예: 전자 장치(604)) 또는 네트워크 시스템(예: 제 2 네트워크(699))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시예에 따르면, 무선 통신 모듈(692)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(697)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시예에 따르면, 안테나 모듈(697)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시예에 따르면, 안테나 모듈(697)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(698) 또는 제 2 네트워크(699)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(690)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(690)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(697)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(697)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(699)에 연결된 서버(608)를 통해서 전자 장치(601)와 외부의 전자 장치(604)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(602, 또는 104) 각각은 전자 장치(601)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시예에 따르면, 전자 장치(601)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(602, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(601)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(601)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(601)로 전달할 수 있다. 전자 장치(601)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(601)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(604)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(608)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시예에 따르면, 외부의 전자 장치(604) 또는 서버(608)는 제 2 네트워크(699) 내에 포함될 수 있다. 전자 장치(601)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 7는 일 실시예에 따른 통합 지능 (integrated intelligence) 시스템을 나타낸 블록도이다.
도 7를 참조하면, 일 실시예의 통합 지능 시스템은 사용자 단말(701)(예: 도 1의 전자 장치(100), 도 2의 전자 장치(200), 도 4의 전자 장치(400), 도 6의 전자 장치(601)), 지능형 서버(800), 및 서비스 서버(900)를 포함할 수 있다.
일 실시 예의 사용자 단말(701)(예: 도 6의 전자 장치(601))은, 인터넷에 연결 가능한 단말 장치(또는, 전자 장치)일 수 있으며, 예를 들어, 휴대폰, 스마트폰, PDA(personal digital assistant), 노트북 컴퓨터, TV(television), 백색 가전, 웨어러블 장치, HMD (head mounted device), 또는 스마트 스피커일 수 있다.
도시된 실시 예에 따르면, 사용자 단말(701)은 통신 인터페이스(790), 마이크(770), 스피커(755), 디스플레이(760), 메모리(730), 및/또는 프로세서(720)를 포함할 수 있다. 상기 열거된 구성요소들은 서로 작동적으로 또는 전기적으로 연결될 수 있다.
통신 인터페이스(790)(예: 도 6의 통신 모듈(690))는 외부 장치와 연결되어 데이터를 송수신하도록 구성될 수 있다. 마이크(770)(예: 도 6의 오디오 모듈(670))는 소리(예: 사용자 발화)를 수신하여, 전기적 신호로 변환할 수 있다. 스피커(755)(예: 도 6의 음향 출력 모듈(655))는 전기적 신호를 소리(예: 음성)로 출력할 수 있다. 디스플레이(760)(예: 도 6의 디스플레이 모듈(660))는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시 예의 디스플레이(760)는 또한 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface, GUI)를 표시할 수 있다.
일 실시예의 디스플레이(760)는 이미지 또는 비디오를 표시하도록 구성될 수 있다. 일 실시예의 디스플레이(760)는 또한 실행되는 앱(app)(또는, 어플리케이션 프로그램(application program))의 그래픽 사용자 인터페이스(graphic user interface)(GUI)를 표시할 수 있다. 일 실시예의 디스플레이(760)는 터치 센서를 통해 터치 입력을 수신할 수 있다. 예를 들어, 디스플레이(760)는 디스플레이(760) 내에 표시되는 화상 키보드 영역의 터치 센서를 통해 텍스트 입력을 수신할 수 있다.
일 실시 예의 메모리(730)(예: 도 6의 메모리(630))는 클라이언트 모듈(731), SDK(software development kit)(733), 및 복수의 어플리케이션들을 저장할 수 있다. 상기 클라이언트 모듈(731), 및 SDK(733)는 범용적인 기능을 수행하기 위한 프레임워크(framework)(또는, 솔루션 프로그램)를 구성할 수 있다. 또한, 클라이언트 모듈(731) 또는 SDK(733)는 사용자 입력(예: 음성 입력, 텍스트 입력, 터치 입력)을 처리하기 위한 프레임워크를 구성할 수 있다.
상기 복수의 어플리케이션들(예: 755a, 755b)은 지정된 기능을 수행하기 위한 프로그램일 수 있다. 일 실시 예에 따르면, 복수의 어플리케이션들은 제1 앱(735a), 및/또는 제2 앱(735b)을 포함할 수 있다. 일 실시 예에 따르면, 복수의 어플리케이션들 각각은 지정된 기능을 수행하기 위한 복수의 동작들을 포함할 수 있다. 예를 들어, 상기 어플리케이션들은, 알람 앱, 메시지 앱, 및/또는 스케줄 앱을 포함할 수 있다. 일 실시 예에 따르면, 복수의 어플리케이션들은 프로세서(720)에 의해 실행되어 상기 복수의 동작들 중 적어도 일부를 순차적으로 실행할 수 있다.
일 실시 예의 프로세서(720)는 사용자 단말(701)의 전반적인 동작을 제어할 수 있다. 예를 들어, 프로세서(720)는 통신 인터페이스(790), 마이크(770), 스피커(755), 및 디스플레이(760)와 전기적으로 연결되어 연결되어 지정된 동작을 수행할 수 있다. 예를 들어, 프로세서(720)는 적어도 하나의 프로세서를 포함할 수 있다.
일 실시 예의 프로세서(720)는 또한 상기 메모리(730)에 저장된 프로그램을 실행하여 지정된 기능을 수행할 수 있다. 예를 들어, 프로세서(720)는 클라이언트 모듈(731) 또는 SDK(733) 중 적어도 하나를 실행하여, 사용자 입력을 처리하기 위한 이하의 동작을 수행할 수 있다. 프로세서(720)는, 예를 들어, SDK(733)를 통해 복수의 어플리케이션들의 동작을 제어할 수 있다. 클라이언트 모듈(731) 또는 SDK(733)의 동작으로 설명된 이하의 동작들은 프로세서(720)의 실행에 의하여 수행되는 동작일 수 있다.
일 실시 예의 클라이언트 모듈(731)은 사용자 입력을 수신할 수 있다. 예를 들어, 클라이언트 모듈(731)은 마이크(770)를 통해 감지된 사용자 발화에 대응되는 음성 신호를 생성할 수 있다. 또는, 클라이언트 모듈(731)은 디스플레이(760)를 통해 감지된 터치 입력을 수신할 수 있다. 또는, 클라이언트 모듈(731)은 키보드 또는 화상 키보드를 통해 감지된 텍스트 입력을 수신할 수 있다. 이 외에도, 사용자 단말(701)에 포함된 입력 모듈 또는 사용자 단말(701)에 연결된 입력 모듈을 통해 감지되는 다양한 형태의 사용자 입력을 수신할 수 있다. 상기 클라이언트 모듈(731)은 수신된 사용자 입력(예: 음성 신호)을 지능형 서버(800)로 송신할 수 있다. 클라이언트 모듈(731)은 수신된 사용자 입력과 함께, 사용자 단말(701)의 상태 정보를 지능형 서버(800)로 송신할 수 있다. 상기 상태 정보는, 예를 들어, 앱의 실행 상태 정보일 수 있다.
일 실시 예의 클라이언트 모듈(731)은 수신된 사용자 입력에 대응되는 결과를 지능형 서버(800)로부터 수신할 수 있다. 예를 들어, 클라이언트 모듈(731)은 지능형 서버(800)에서 상기 수신된 사용자 입력에 대응되는 결과를 산출할 수 있는 경우, 수신된 음성 입력에 대응되는 결과를 수신할 수 있다. 클라이언트 모듈(731)은 상기 수신된 결과를 디스플레이(760)에 표시할 수 있다. 또한, 클라이언트 모듈(731)은 상기 수신된 결과를 스피커(755)를 통해 오디오로 출력할 수 있다.
일 실시 예의 클라이언트 모듈(731)은 수신된 사용자 입력에 대응되는 플랜을 수신할 수 있다. 클라이언트 모듈(731)은 플랜에 따라 앱의 복수의 동작들을 실행한 결과를 디스플레이(760)에 표시할 수 있다. 클라이언트 모듈(731)은, 예를 들어, 복수의 동작의 실행 결과를 순차적으로 디스플레이에 표시할 수 있고 스피커(755)를 통해 오디오를 출력할 수 있다. 사용자 단말(701)은, 다른 예를 들어, 복수의 동작을 실행한 일부 결과(예: 마지막 동작의 결과)만을 디스플레이에 표시할 수 있으며, 스피커(755)를 통해 오디오를 출력할 수 있다.
일 실시 예에 따르면, 클라이언트 모듈(731)은 지능형 서버(800)로부터 음성 입력에 대응되는 결과를 산출하기 위해 필요한 정보를 획득하기 위한 요청을 수신할 수 있다. 상기 결과를 산출하기 위해 필요한 정보는, 예를 들어, 사용자 단말(701)의 상태 정보일 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(731)은 상기 요청에 대응하여 상기 필요한 정보를 지능형 서버(800)로 송신할 수 있다.
일 실시 예의 클라이언트 모듈(731)은 플랜에 따라 복수의 동작을 실행한 결과 정보를 지능형 서버(800)로 송신할 수 있다. 지능형 서버(800)는 상기 결과 정보를 이용하여 수신된 사용자 입력이 올바르게 처리된 것을 확인할 수 있다.
일 실시 예의 클라이언트 모듈(731)은 음성 인식 모듈을 포함할 수 있다. 일 실시 예에 따르면, 클라이언트 모듈(731)은 상기 음성 인식 모듈을 통해 제한된 기능을 수행하는 음성 입력을 인식할 수 있다. 예를 들어, 클라이언트 모듈(731)은 지정된 음성 입력(예: 웨이크 업!)에 대응하여 유기적인 동작을 수행함으로써 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다.
일 실시 예의 지능형 서버(800)는 네트워크(799)(예: 도 6의 제1 네트워크(698) 및/또는 제2 네트워크(699))을 통해 사용자 단말(701)로부터 사용자 음성 입력과 관련된 정보를 수신할 수 있다. 일 실시 예에 따르면, 지능형 서버(800)는 수신된 음성 입력과 관련된 데이터를 텍스트 데이터(text data)로 변경할 수 있다. 일 실시 예에 따르면, 지능형 서버(800)는 상기 텍스트 데이터에 기초하여 사용자 음성 입력과 대응되는 태스크(task)를 수행하기 위한 적어도 하나의 플랜(plan)을 생성할 수 있다
일 실시 예에 따르면, 플랜은 인공 지능(artificial intelligent)(AI) 시스템에 의해 생성될 수 있다. 인공지능 시스템은 룰 베이스 시스템(rule-based system) 일 수도 있고, 신경망 베이스 시스템(neual network-based system)(예: 피드포워드 신경망(feedforward neural network(FNN)), 및/또는 순환 신경망(recurrent neural network(RNN))) 일 수도 있다. 또는, 전술한 것의 조합 또는 이와 다른 인공지능 시스템일 수도 있다. 일 실시 예에 따르면, 플랜은 미리 정의된 플랜들의 집합에서 선택될 수 있거나, 사용자 요청에 응답하여 실시간으로 생성될 수 있다. 예를 들어, 인공지능 시스템은 미리 정의 된 복수의 플랜들 중 적어도 하나의 플랜을 선택할 수 있다.
일 실시 예의 지능형 서버(800)는 생성된 플랜에 따른 결과를 사용자 단말(701)로 송신하거나, 생성된 플랜을 사용자 단말(701)로 송신할 수 있다. 일 실시 예에 따르면, 사용자 단말(701)은 플랜에 따른 결과를 디스플레이에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(701)은 플랜에 따른 동작을 실행한 결과를 디스플레이에 표시할 수 있다.
일 실시 예의 지능형 서버(800)는 프론트 엔드(front end)(810), 자연어 플랫폼(natural language platform)(820), 캡슐 데이터베이스(capsule database)(830), 실행 엔진(execution engine)(840), 엔드 유저 인터페이스(end user interface)(850), 매니지먼트 플랫폼(management platform)(860), 빅 데이터 플랫폼(big data platform)(870), 또는 분석 플랫폼(analytic platform)(880)을 포함할 수 있다.
일 실시 예의 프론트 엔드(810)는 사용자 단말(701)에 의하여 수신된 사용자 입력을 사용자 단말(701)로부터 수신할 수 있다. 프론트 엔드(810)는 상기 사용자 입력에 대응되는 응답을 사용자 단말(701)로 송신할 수 있다.
일 실시 예에 따르면, 자연어 플랫폼(820)은 자동 음성 인식 모듈(automatic speech recognition module)(ASR module)(821), 자연어 이해 모듈(natural language understanding module)(NLU module)(823), 플래너 모듈(planner module)(825), 자연어 생성 모듈(natural language generator module)(NLG module)(827), 및/또는 텍스트 음성 변환 모듈(text to speech module)(TTS module)(829)를 포함할 수 있다.
일 실시 예의 자동 음성 인식 모듈(821)은 사용자 단말(701)로부터 수신된 음성 입력을 텍스트 데이터로 변환할 수 있다. 일 실시 예의 자연어 이해 모듈(823)은 음성 입력의 텍스트 데이터를 이용하여 사용자의 의도를 파악할 수 있다. 예를 들어, 자연어 이해 모듈(823)은 텍스트 데이터 형태의 사용자 입력에 대하여 문법적 분석(syntactic analyze) 및/또는 의미적 분석(semantic analyze)을 수행하여 사용자의 의도를 파악할 수 있다. 일 실시 예의 자연어 이해 모듈(823)은 형태소 또는 구의 언어적 특징(예: 문법적 요소)을 이용하여 사용자 입력으로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 의도에 매칭시켜 사용자의 의도를 결정할 수 있다. 자연어 이해 모듈(823)은 사용자 발화에 대응되는 의도 정보(intent information)를 획득할 수 있다. 의도 정보는 텍스트 데이터를 해석하여 판단되는 사용자의 의도를 나타내는 정보일 수 있다. 의도 정보는 사용자가 디바이스를 이용하여 실행하고자 하는 동작 또는 기능을 나타내는 정보를 포함할 수 있다.
일 실시 예의 플래너 모듈(825)은 자연어 이해 모듈(823)에서 결정된 의도 및 파라미터를 이용하여 플랜을 생성할 수 있다. 일 실시 예에 따르면, 플래너 모듈(825)은 상기 결정된 의도에 기초하여 태스크를 수행하기 위해 필요한 복수의 도메인들을 결정할 수 있다. 플래너 모듈(825)은 상기 의도에 기초하여 결정된 복수의 도메인들 각각에 포함된 복수의 동작들을 결정할 수 있다. 일 실시 예에 따르면, 플래너 모듈(825)은 상기 결정된 복수의 동작들을 실행하는데 필요한 파라미터나, 상기 복수의 동작들의 실행에 의해 출력되는 결과 값을 결정할 수 있다. 상기 파라미터, 및 상기 결과 값은 지정된 형식(또는, 클래스)의 컨셉으로 정의될 수 있다. 이에 따라, 플랜은 사용자의 의도에 의해 결정된 복수의 동작들, 및/또는 복수의 컨셉들을 포함할 수 있다. 상기 플래너 모듈(825)은 상기 복수의 동작들, 및 상기 복수의 컨셉들 사이의 관계를 단계적(또는, 계층적)으로 결정할 수 있다. 예를 들어, 플래너 모듈(825)은 복수의 컨셉들에 기초하여 사용자의 의도에 기초하여 결정된 복수의 동작들의 실행 순서를 결정할 수 있다. 다시 말해, 플래너 모듈(825)은 복수의 동작들의 실행에 필요한 파라미터, 및 복수의 동작들의 실행에 의해 출력되는 결과에 기초하여, 복수의 동작들의 실행 순서를 결정할 수 있다. 이에 따라, 플래너 모듈(825)는 복수의 동작들 및 복수의 컨셉들 사이의 연관 정보(예: 온톨로지(ontology))가 포함된 플랜를 생성할 수 있다. 상기 플래너 모듈(825)은 컨셉과 동작의 관계들의 집합이 저장된 캡슐 데이터베이스(830)에 저장된 정보를 이용하여 플랜을 생성할 수 있다.
일 실시 예의 자연어 생성 모듈(827)은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 일 실시 예의 텍스트 음성 변환 모듈(829)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다.
일 실시 예에 따르면, 자연어 플랫폼(820)의 기능의 일부 기능 또는 전체 기능은 사용자 단말(701)에서도 구현가능 할 수 있다. 예를 들어, 사용자 단말(701)이 자동 음성 인식 모듈 및/또는 자연어 이해 모듈을 포함할 수 있다. 사용자 단말(701)이 사용자 음성 명령을 인식한 뒤, 인식된 음성 명령에 대응하는 텍스트 정보를 지능형 서버(800)로 송신할 수 있다. 예를 들어, 사용자 단말(701)이 텍스트 음성 변환 모듈을 포함할 수 있다. 사용자 단말(701)이 지능형 서버(800)로부터 텍스트 정보를 수신하고, 수신된 텍스트 정보를 음성으로 출력할 수 있다.
상기 캡슐 데이터베이스(830)는 복수의 도메인들에 대응되는 복수의 컨셉들과 동작들의 관계에 대한 정보를 저장할 수 있다. 일 실시예에 따른 캡슐은 플랜에 포함된 복수의 동작 오브젝트(action object)(또는 동작 정보)들 및/또는 컨셉 오브젝트(concept object)(또는 컨셉 정보)들을 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(830)는 CAN(concept action network)의 형태로 복수의 캡슐들을 저장할 수 있다. 일 실시 예에 따르면, 복수의 캡슐들은 캡슐 데이터베이스(830)에 포함된 기능 저장소(function registry)에 저장될 수 있다.
상기 캡슐 데이터베이스(830)는 음성 입력에 대응되는 플랜을 결정할 때 필요한 전략 정보가 저장된 전략 레지스트리(strategy registry)를 포함할 수 있다. 상기 전략 정보는 사용자 입력에 대응되는 복수의 플랜들이 있는 경우, 하나의 플랜을 결정하기 위한 기준 정보를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(830)는 지정된 상황에서 사용자에게 후속 동작을 제안하기 위한 후속 동작의 정보가 저장된 후속 동작 레지스트리(follow up registry)를 포함할 수 있다. 상기 후속 동작은, 예를 들어, 후속 발화를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(830)는 사용자 단말(701)을 통해 출력되는 정보의 레이아웃(layout) 정보를 저장하는 레이아웃 레지스트리(layout registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(830)는 캡슐 정보에 포함된 어휘(vocabulary) 정보가 저장된 어휘 레지스트리(vocabulary registry)를 포함할 수 있다. 일 실시 예에 따르면, 캡슐 데이터베이스(830)는 사용자와의 대화(dialog)(또는, 인터렉션(interaction)) 정보가 저장된 대화 레지스트리(dialog registry)를 포함할 수 있다. 상기 캡슐 데이터베이스(830)는 개발자 툴(developer tool)을 통해 저장된 오브젝트를 업데이트(update)할 수 있다. 상기 개발자 툴은, 예를 들어, 동작 오브젝트 또는 컨셉 오브젝트를 업데이트하기 위한 기능 에디터(function editor)를 포함할 수 있다. 상기 개발자 툴은 어휘를 업데이트하기 위한 어휘 에디터(vocabulary editor)를 포함할 수 있다. 상기 개발자 툴은 플랜을 결정하는 전략을 생성 및 등록 하는 전략 에디터(strategy editor)를 포함할 수 있다. 상기 개발자 툴은 사용자와의 대화를 생성하는 대화 에디터(dialog editor)를 포함할 수 있다. 상기 개발자 툴은 후속 목표를 활성화하고, 힌트를 제공하는 후속 발화를 편집할 수 있는 후속 동작 에디터(follow up editor)를 포함할 수 있다. 상기 후속 목표는 현재 설정된 목표, 사용자의 선호도 또는 환경 조건에 기초하여 결정될 수 있다. 일 실시 예에서는 캡슐 데이터베이스(830)가 사용자 단말(701) 내에도 구현될 수 있다.
일 실시 예의 실행 엔진(840)은 상기 생성된 플랜을 이용하여 결과를 산출할 수 있다. 엔드 유저 인터페이스(850)는 산출된 결과를 사용자 단말(701)로 송신할 수 있다. 이에 따라, 사용자 단말(701)은 상기 결과를 수신하고, 상기 수신된 결과를 사용자에게 제공할 수 있다. 일 실시 예의 매니지먼트 플랫폼(860)은 지능형 서버(800)에서 이용되는 정보를 관리할 수 있다. 일 실시 예의 빅 데이터 플랫폼(870)은 사용자의 데이터를 수집할 수 있다. 일 실시 예의 분석 플랫폼(880)을 지능형 서버(800)의 QoS(quality of service)를 관리할 수 있다. 예를 들어, 분석 플랫폼(880)은 지능형 서버(800)의 구성 요소 및 처리 속도(또는, 효율성)를 관리할 수 있다.
일 실시 예의 서비스 서버(900)는 사용자 단말(701)에 지정된 서비스(예: 음식 주문 또는 호텔 예약)를 제공할 수 있다. 일 실시 예에 따르면, 서비스 서버(900)는 제3 자에 의해 운영되는 서버일 수 있다. 일 실시 예의 서비스 서버(900)는 수신된 사용자 입력에 대응되는 플랜을 생성하기 위한 정보를 지능형 서버(800)에 제공할 수 있다. 상기 제공된 정보는 캡슐 데이터베이스(830)에 저장될 수 있다. 또한, 서비스 서버(900)는 플랜에 따른 결과 정보를 지능형 서버(800)에 제공할 수 있다. 서비스 서버(900)는 네트워크(799)를 통하여 지능형 서버(800) 및/또는 사용자 단말(701)과 통신할 수 있다. 서비스 서버(900)는 별도의 연결을 통하여 지능형 서버(800)와 통신할 수 있다. 도 7에는 서비스 서버(900)가 하나의 서버로 도시되어 있으나, 본 문서의 실시예들이 이에 제한되는 것은 아니다. 서비스 서버(900)의 각각의 서비스(901, 902, 및 903)들 중 적어도 하나는 별도의 서버로 구현될 수 있다.
위에 기술된 통합 지능 시스템에서, 상기 사용자 단말(701)은, 사용자 입력에 응답하여 사용자에게 다양한 인텔리전트 서비스를 제공할 수 있다. 상기 사용자 입력은, 예를 들어, 물리적 버튼을 통한 입력, 터치 입력 또는 음성 입력을 포함할 수 있다.
일 실시 예에서, 상기 사용자 단말(701)은 내부에 저장된 지능형 앱(또는, 음성 인식 앱)을 통해 음성 인식 서비스를 제공할 수 있다. 이 경우, 예를 들어, 사용자 단말(701)은 상기 마이크를 통해 수신된 사용자 발화(utterance) 또는 음성 입력(voice input)를 인식하고, 인식된 음성 입력에 대응되는 서비스를 사용자에게 제공할 수 있다.
일 실시 예에서, 사용자 단말(701)은 수신된 음성 입력에 기초하여, 단독으로 또는 상기 지능형 서버 및/또는 서비스 서버와 함께 지정된 동작을 수행할 수 있다. 예를 들어, 사용자 단말(701)은 수신된 음성 입력에 대응되는 앱을 실행시키고, 실행된 앱을 통해 지정된 동작을 수행할 수 있다.
일 실시 예에서, 사용자 단말(701)이 지능형 서버(800) 및/또는 서비스 서버(900)와 함께 서비스를 제공하는 경우에는, 상기 사용자 단말(701)은, 상기 마이크(770)를 이용하여 사용자 발화를 감지하고, 상기 감지된 사용자 발화에 대응되는 신호(또는, 음성 데이터)를 생성할 수 있다. 상기 사용자 단말(701)은, 상기 음성 데이터를 통신 인터페이스(790)를 이용하여 지능형 서버(800)로 송신할 수 있다.
일 실시 예에 따른 지능형 서버(800)는 사용자 단말(701)로부터 수신된 음성 입력에 대한 응답으로써, 음성 입력에 대응되는 태스크(task)를 수행하기 위한 플랜, 또는 상기 플랜에 따라 동작을 수행한 결과를 생성할 수 있다. 상기 플랜은, 예를 들어, 사용자의 음성 입력에 대응되는 태스크(task)를 수행하기 위한 복수의 동작들 및/또는 상기 복수의 동작들과 관련된 복수의 컨셉들을 포함할 수 있다. 상기 컨셉은 상기 복수의 동작들의 실행에 입력되는 파라미터나, 복수의 동작들의 실행에 의해 출력되는 결과 값을 정의한 것일 수 있다. 상기 플랜은 복수의 동작들 및/또는 복수의 컨셉들 사이의 연관 정보를 포함할 수 있다.
일 실시 예의 사용자 단말(701)은, 통신 인터페이스(790)를 이용하여 상기 응답을 수신할 수 있다. 사용자 단말(701)은 상기 스피커(755)를 이용하여 사용자 단말(701) 내부에서 생성된 음성 신호를 외부로 출력하거나, 디스플레이(760)를 이용하여 사용자 단말(701) 내부에서 생성된 이미지를 외부로 출력할 수 있다.
도 8는 일 실시 예에 따른, 컨셉과 동작의 관계 정보가 데이터베이스에 저장된 형태를 나타낸 도면이다.
상기 지능형 서버(예: 도 7의 지능형 서버(800))의 캡슐 데이터베이스(예: 도 7의 캡슐 데이터베이스(830))는 CAN (concept action network) 형태로 복수의 캡슐들을 저장할 수 있다. 상기 캡슐 데이터베이스는 사용자의 음성 입력에 대응되는 태스크를 처리하기 위한 동작, 및 상기 동작을 위해 필요한 파라미터를 CAN(concept action network) 형태로 저장될 수 있다. 상기 CAN은 동작(action)과 상기 동작을 수행하는데 필요한 파라미터(parameter)를 정의한 컨셉(concept) 사이의 유기적인 관계를 나타낸 것일 수 있다.
상기 캡슐 데이터베이스는 복수의 도메인(예: 어플리케이션)들 각각에 대응되는 복수의 캡슐(캡슐A(831), 캡슐B(834))들을 저장할 수 있다. 일 실시 예에 따르면, 하나의 캡슐(예: 캡슐A(831))은 하나의 도메인(예: 위치(geo), 어플리케이션)에 대응될 수 있다. 또한, 하나의 캡슐에는 캡슐과 관련된 도메인에 대한 기능을 수행하기 위한 적어도 하나의 서비스 제공자의 캡슐(예: CP 1(832), CP 2 (833), CP3 (835), 및/또는 CP4 (836))이 대응될 수 있다. 일 실시 예에 따르면, 하나의 캡슐은 지정된 기능을 수행하기 위한 적어도 하나 이상의 동작(830a) 및 적어도 하나 이상의 컨셉(830b)을 포함할 수 있다.
상기, 자연어 플랫폼(예: 도 7의 자연어 플랫폼(820))은 캡슐 데이터베이스(830)에 저장된 캡슐을 이용하여 수신된 음성 입력에 대응하는 태스크를 수행하기 위한 플랜을 생성할 수 있다. 예를 들어, 자연어 플랫폼의 플래너 모듈(예: 도 7의 플래너 모듈(825))은 캡슐 데이터베이스에 저장된 캡슐을 이용하여 플랜을 생성할 수 있다. 예를 들어, 캡슐 A(8310) 의 동작들(831a, 832a) 과 컨셉들(831b, 832b) 및 캡슐 B(834)의 동작(834a) 과 컨셉(834b)를 이용하여 플랜(837)을 생성할 수 있다.
도 9는 일 실시 예에 따른 사용자 단말이 지능형 앱을 통해 수신된 음성 입력을 처리하는 화면을 나타낸 도면이다.
사용자 단말(701)은 지능형 서버(예: 도 7의 지능형 서버(800))를 통해 사용자 입력을 처리하기 위해 지능형 앱을 실행할 수 있다.
일 실시 예에 따르면, 제1 화면(910)에서, 사용자 단말(701)은 지정된 음성 입력(예: 웨이크 업!)를 인식하거나 하드웨어 키(예: 전용 하드웨어 키)를 통한 입력을 수신하면, 음성 입력을 처리하기 위한 지능형 앱을 실행할 수 있다. 사용자 단말(701)은, 예를 들어, 스케줄 앱을 실행한 상태에서 지능형 앱을 실행할 수 있다. 일 실시 예에 따르면, 사용자 단말(701)은 지능형 앱에 대응되는 오브젝트(예: 아이콘)(911)를 디스플레이(예: 도 7의 디스플레이(760))에 표시할 수 있다. 일 실시 예에 따르면, 사용자 단말(701)은 사용자 발화에 의한 음성 입력을 수신할 수 있다. 예를 들어, 사용자 단말(701)은 "이번주 일정 알려줘!"라는 음성 입력을 수신할 수 있다. 일 실시 예에 따르면, 사용자 단말(701)은 수신된 음성 입력의 텍스트 데이터가 표시된 지능형 앱의 UI(user interface)(713)(예: 입력창)를 디스플레이(760)에 표시할 수 있다.
일 실시 예에 따르면, 제2 화면(915)에서, 사용자 단말(701)은 수신된 음성 입력에 대응되는 결과를 디스플레이(760)에 표시할 수 있다. 예를 들어, 사용자 단말(701)은 수신된 사용자 입력에 대응되는 플랜을 수신하고, 플랜에 따라 '이번주 일정'을 디스플레이(760)에 표시할 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, 일 실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(601)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(636) 또는 외장 메모리(638))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(640))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(601))의 프로세서(예: 프로세서(620))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어™)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    통신 회로;
    인스트럭션들을 저장하는 메모리; 및
    프로세서를 포함하고,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    마이크를 통해 또는 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하고,
    상기 음성 신호의 적어도 일부를 제1 디코딩하고,
    상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하고,
    상기 음성 신호에 대응하는 텍스트를 획득하기 위하여 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하고,
    상기 제2 디코딩 결과 및 상기 도메인에 대하여 이전에 인덱싱된 키워드 정보에 기반하여 상기 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하고,
    상기 치환 결과에 적어도 일부 기반하여, 음성 인식 결과를 생성하도록 설정된 전자 장치.
  2. 청구항 1에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 음성 신호를 복수의 세그먼트들로 세분화(segmentation)하도록 하고,
    상기 제2 디코딩은 상기 세분화 결과에 더 기반하여 수행되고,
    상기 치환되는 상기 텍스트 중 적어도 일부는 상기 복수의 세그먼트들에 대응되는, 전자 장치.
  3. 청구항 1에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 음성 신호에 VAD(voice activity detection)를 수행하고,
    상기 VAD 결과에 기반하여, 상기 음성 신호를 세분화하도록 하는 전자 장치.
  4. 청구항 2에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 음성 신호에 포함된 적어도 하나의 단어 또는 적어도 하나의 묵음 구간 중 적어도 하나에 대응하는 타임스탬프(timestamp) 정보를 인식하고,
    상기 음성 신호에 포함된 연속되는 단어 사이의 타임스탬프(timestamp) 값 차이에 기반하여, 상기 음성 신호를 세분화하도록 하는 전자 장치.
  5. 청구항 2에 있어서,
    상기 텍스트는 상기 복수 개의 세그먼트들을 구분하는 정보를 포함하는 전자 장치.
  6. 청구항 2에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 결정된 도메인이 복수의 연락처와 관련된 도메인인 경우, 상기 음성 신호를 복수 개의 세그먼트(segment)로 세분화(segmentation)하고,
    상기 결정된 도메인이 복수의 연락처와 관련된 도메인이 아닌 경우, 상기 음성 신호를 세분화하지 않고 상기 제2 디코딩을 수행하도록 하는 전자 장치.
  7. 청구항 1에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 제2 디코딩 결과에 기반하여, 적어도 하나의 후보 개체명을 결정하고,
    기 설정된 개체명과 관련된 정보에 기반하여, 상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있는지 판단하고,
    상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 있다는 판단에 적어도 일부 기반하여, 상기 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체하도록 하는 전자 장치.
  8. 청구항 7에 있어서,
    상기 기 설정된 개체명과 관련된 정보는, 서로 대응되는 도메인 정보, TN(text normalization) 정보, 및 ITN(inverse text normalization) 정보를 포함하는 전자 장치.
  9. 청구항 7에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 적어도 하나의 후보 개체명과 상기 매칭되는 개체명 사이의 레빈슈타인(Levenshtein) 거리를 판단하고,
    상기 레빈슈타인 거리가 기 설정된 임계값 이하인 경우, 상기 적어도 하나의 후보 개체명을 상기 매칭되는 개체명으로 대체하도록 하는 전자 장치.
  10. 청구항 7에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 적어도 하나의 후보 개체명과 매칭되는 개체명이 없다고 판단하는 경우, 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 복수의 단어 단위들로 분할하고,
    상기 기 설정된 개체명과 관련된 정보에 기반하여, 상기 복수의 단어 단위들 중 적어도 하나의 단어 단위에 매칭되는 개체명이 있는지 판단하도록 하는 전자 장치.
  11. 청구항 10에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 복수의 단어 단위들 중 상기 적어도 하나의 단어 단위에 매칭되는 개체명이 없는 경우, 상기 복수의 단어 단위들에서 연결어에 대응하는 텍스트를 삭제하고,
    상기 연결어에 대응하는 텍스트를 삭제한 상기 복수의 단어 단위들 중 적어도 하나의 단어 단위와 매칭되는 개체명이 있는지 판단하도록 하는 전자 장치.
  12. 청구항 1에 있어서,
    상기 언어 모델은, 적어도 하나의 WFST(weighted finite state transducer) 모델을 포함하는 전자 장치.
  13. 청구항 1에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 제1 디코딩 결과 생성한 상기 음성 신호의 적어도 일부에 대응하는 텍스트를 사용자에게 제공하도록 하는 전자 장치.
  14. 청구항 1에 있어서,
    상기 인스트럭션들은, 상기 프로세서에 의해 실행 시, 상기 전자 장치가,
    상기 제1 디코딩 전에 상기 음성 신호를 전처리하도록 하고,
    상기 전처리는 상기 음성 신호의 종료점 검출(end point detection, EPD)를 포함하는 전자 장치.
  15. 전자 장치의 음성 인식 방법에 있어서,
    마이크를 통해 또는 외부 장치로부터 사용자 발화에 따른 음성 신호를 수신하는 동작;
    상기 음성 신호의 적어도 일부를 제1 디코딩하는 동작;
    상기 제1 디코딩 결과에 적어도 일부 기반하여 상기 사용자 발화에 대응하는 도메인을 결정하는 동작;
    상기 음성 신호에 대응하는 텍스트를 획득하기 위하여 상기 결정된 도메인에 대응하는 언어 모델에 기반하여 상기 음성 신호를 제2 디코딩하는 동작;
    상기 제2 디코딩 결과 및 상기 도메인에 대해 이전에 인덱싱된 키워드 정보에 기반하여 상기 복수 개의 세그먼트에 대응하는 텍스트 중 적어도 일부를 개체명(named entity, NE)으로 치환(replace)하는 동작; 및
    상기 치환 결과에 적어도 일부 기반하여, 음성 인식 결과를 생성하는 동작을 포함하는 방법.
PCT/KR2023/017431 2022-11-02 2023-11-02 전자 장치 및 전자 장치의 음성 인식 방법 WO2024096641A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP23793982.2A EP4394762A1 (en) 2022-11-02 2023-11-02 Electronic device, and voice recognition method of electronic device

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0144742 2022-11-02
KR20220144742 2022-11-02
KR10-2022-0181055 2022-12-21
KR1020220181055A KR20240062867A (ko) 2022-11-02 2022-12-21 전자 장치 및 전자 장치의 음성 인식 방법

Publications (1)

Publication Number Publication Date
WO2024096641A1 true WO2024096641A1 (ko) 2024-05-10

Family

ID=88647516

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/017431 WO2024096641A1 (ko) 2022-11-02 2023-11-02 전자 장치 및 전자 장치의 음성 인식 방법

Country Status (2)

Country Link
EP (1) EP4394762A1 (ko)
WO (1) WO2024096641A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190083629A (ko) * 2019-06-24 2019-07-12 엘지전자 주식회사 음성 인식 방법 및 음성 인식 장치
KR20200074624A (ko) * 2018-12-17 2020-06-25 주식회사 한글과컴퓨터 도메인 기반의 음성 인식 모델의 최적화가 가능한 음성 인식 장치 및 그 동작 방법
KR102134201B1 (ko) * 2016-03-29 2020-07-15 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 숫자 음성 인식에 있어서 음성 복호화 네트워크를 구성하기 위한 방법, 장치, 및 저장 매체
KR20210146368A (ko) * 2019-05-03 2021-12-03 구글 엘엘씨 숫자 시퀀스에 대한 종단 간 자동 음성 인식
KR20220062349A (ko) * 2019-10-16 2022-05-16 아이플라이텍 캄파니 리미티드 디코딩 네트워크 구축 방법, 음성 인식 방법, 디바이스 및 장치, 및 저장 매체

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102134201B1 (ko) * 2016-03-29 2020-07-15 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 숫자 음성 인식에 있어서 음성 복호화 네트워크를 구성하기 위한 방법, 장치, 및 저장 매체
KR20200074624A (ko) * 2018-12-17 2020-06-25 주식회사 한글과컴퓨터 도메인 기반의 음성 인식 모델의 최적화가 가능한 음성 인식 장치 및 그 동작 방법
KR20210146368A (ko) * 2019-05-03 2021-12-03 구글 엘엘씨 숫자 시퀀스에 대한 종단 간 자동 음성 인식
KR20190083629A (ko) * 2019-06-24 2019-07-12 엘지전자 주식회사 음성 인식 방법 및 음성 인식 장치
KR20220062349A (ko) * 2019-10-16 2022-05-16 아이플라이텍 캄파니 리미티드 디코딩 네트워크 구축 방법, 음성 인식 방법, 디바이스 및 장치, 및 저장 매체

Also Published As

Publication number Publication date
EP4394762A1 (en) 2024-07-03

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
WO2020130447A1 (ko) 페르소나에 기반하여 문장을 제공하는 방법 및 이를 지원하는 전자 장치
WO2020167006A1 (en) Method of providing speech recognition service and electronic device for same
WO2021029643A1 (en) System and method for modifying speech recognition result
WO2022010157A1 (ko) 인공지능 가상 비서 서비스에서의 화면 제공 방법 및 이를 지원하는 사용자 단말 장치 및 서버
WO2024063507A1 (ko) 전자 장치 및 전자 장치의 사용자 발화 처리 방법
WO2023113502A1 (ko) 전자 장치 및 전자 장치의 음성 명령어 추천 방법
WO2022177224A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022131566A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2022092796A1 (ko) 전자 장치 및 전자 장치의 음성 인식 수행 방법
WO2023048379A1 (ko) 사용자 발화를 처리하는 서버, 전자 장치 및 그의 동작 방법
WO2022163963A1 (ko) 전자 장치 및 전자 장치의 단축 명령어 수행 방법
WO2022139420A1 (ko) 전자 장치 및 그의 연속성을 가지는 사용자 입력에 대한 실행 정보를 공유하는 방법
WO2022211590A1 (en) Electronic device for processing user utterance and controlling method thereof
WO2024096641A1 (ko) 전자 장치 및 전자 장치의 음성 인식 방법
WO2022211413A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023043094A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2024072142A1 (ko) 서술어를 포함하지 않는 발화를 처리하는 전자 장치, 동작 방법 및 저장 매체
WO2022139515A1 (ko) 음성 기반 콘텐츠 제공 방법 및 그 전자 장치
WO2023054942A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023106649A1 (ko) 추천 명령어를 이용하여 음성 인식을 수행하는 전자 장치
WO2024080745A1 (ko) 발화 캐시에 기반하여 사용자 발화를 분석하기 위한 방법 및 이를 지원하는 전자 장치
WO2022177221A1 (ko) 전자 장치 및 전자 장치의 동작 방법
WO2023132470A1 (ko) 사용자 발화를 처리하는 서버, 전자 장치 및 그의 동작 방법

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2023793982

Country of ref document: EP

Effective date: 20231102

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

Ref document number: 23793982

Country of ref document: EP

Kind code of ref document: A1