KR102057926B1 - Apparatus for synthesizing speech and method thereof - Google Patents
Apparatus for synthesizing speech and method thereof Download PDFInfo
- Publication number
- KR102057926B1 KR102057926B1 KR1020190030903A KR20190030903A KR102057926B1 KR 102057926 B1 KR102057926 B1 KR 102057926B1 KR 1020190030903 A KR1020190030903 A KR 1020190030903A KR 20190030903 A KR20190030903 A KR 20190030903A KR 102057926 B1 KR102057926 B1 KR 102057926B1
- Authority
- KR
- South Korea
- Prior art keywords
- speech synthesis
- information
- neural network
- speech
- input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 54
- 230000002194 synthesizing effect Effects 0.000 title description 19
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 206
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 206
- 238000013528 artificial neural network Methods 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims abstract description 103
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000004931 aggregating effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 18
- 238000001308 synthesis method Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 8
- 230000033764 rhythmic process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
- G10L13/10—Prosody rules derived from text; Stress or intonation
- G10L2013/105—Duration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Signal Processing (AREA)
- Machine Translation (AREA)
Abstract
Description
본 개시는 음성 합성 장치 및 그 방법에 관한 것이다. 보다 자세하게는, 음정, 음의 세기 및 박자 조절 기능이 구비된 음성 합성 장치, 그 장치에서 수행되는 음성 합성 방법 및 상기 열거된 조절 기능이 구비된 신경망 기반의 음성 합성 모델을 구축하는 방법에 관한 것이다.The present disclosure relates to a speech synthesis apparatus and a method thereof. More specifically, the present invention relates to a speech synthesis apparatus equipped with pitch, sound intensity, and time signature control, a speech synthesis method performed in the apparatus, and a method for constructing a neural network-based speech synthesis model equipped with the above-described adjustment functions. .
음성 합성(speech synthesis) 기술은 입력된 텍스트로부터 사람이 말하는 소리와 유사한 소리를 합성해내는 기술로 흔히 TTS(Text-To-Speech) 기술로도 알려져 있다. 근래에 들어, 스마트폰, 전자 책 리더, 차량 네비게이션 등 개인 휴대용 장치의 개발과 보급이 활발하게 이루어짐으로써 음성 출력을 위한 음성 합성 기술에 대한 요구가 급속도로 증가하고 있다.Speech synthesis is a technique for synthesizing sounds similar to human speech from input text, and is also known as a text-to-speech technique. In recent years, the development and dissemination of personal portable devices such as smart phones, e-book readers, and vehicle navigation systems have been actively performed, and the demand for speech synthesis technology for voice output is rapidly increasing.
음성 합성 기술에 대한 요구가 증가함에 따라 그 요구사항 또한 세분화되고 있는데, 최근에는 단순히 주어진 텍스트에 대한 음성을 합성하는 것을 넘어서 음정 또는 박자 조절 기능에 대한 요구가 제기되고 있다.As the demand for speech synthesis technology increases, the requirements have also been subdivided. Recently, there has been a demand for pitch or time control functions beyond simply synthesizing speech for a given text.
종래의 경우, 머신 러닝을 통해 입력된 텍스트에서 음절 간의 포먼트(formant)를 추론하고, 추론된 포먼트에 기반하여 합성되는 음성의 음정을 조절하는 기법이 많이 활용되었다. 그러나, 종래의 방식으로 합성된 음성은 기계음이 섞여 들리는 등 자연스러움이 떨어진다는 문제점이 있었다.In the related art, a technique of inferring a formant between syllables from text input through machine learning and adjusting a pitch of a synthesized voice based on the inferred formant has been utilized. However, the voice synthesized in the conventional manner has a problem in that the natural sound is degraded, such as a machine sound is mixed.
따라서, 음정 및 박자에 대한 조절이 가능하면서도 자연스러운 음성을 합성할 수 있는 새로운 방법이 요구된다.Therefore, there is a need for a new method capable of synthesizing natural voices while being able to adjust pitch and time signature.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 음정 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.SUMMARY An object of the present disclosure is to provide a speech synthesizing apparatus and a method performed in the apparatus capable of performing pitch control together in synthesizing speech for a given text.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 박자 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.Another technical problem to be solved by some embodiments of the present disclosure is to provide a speech synthesizing apparatus and a method performed in the apparatus that can perform the time adjustment in synthesizing speech for a given text.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 또 다른 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 음의 세기 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.Another technical problem to be solved by some embodiments of the present disclosure is to provide a speech synthesis apparatus and a method performed in the apparatus that can perform the sound intensity control in synthesizing speech for a given text. will be.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present disclosure are not limited to the technical problems mentioned above, and other technical problems that are not mentioned will be clearly understood by those skilled in the art from the following description.
상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 박자 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 박자 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 박자 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.In order to solve the above technical problem, a speech synthesis apparatus according to some embodiments of the present disclosure may include a preprocessor for performing preprocessing on input text and inputting the preprocessed text and time signature information to a neural network-based speech synthesis model. And a speech synthesizer for synthesizing the target speech with the time information reflected on the input text, wherein the speech synthesis model includes: an embedding module for converting the preprocessed text into a character embedding vector, and the beat information and the character embedding vector. An aggregator module for generating an input vector constituting an input sequence by aggregating the encoder, an encoder neural network for encoding the input sequence to output an encoded vector, and an output sequence associated with the target speech by decoding the encoded vector. It may include a decoder neural network for outputting.
몇몇 실시예에서, 상기 음성 합성 모델은, 상기 인코더 신경망과 상기 디코더 신경망 사이에 위치하고 상기 디코더 신경망이 상기 인코딩된 벡터에서 집중할 부분을 결정하는 어텐션(attention) 모듈을 더 포함할 수 있다.In some embodiments, the speech synthesis model may further comprise an attention module located between the encoder neural network and the decoder neural network and determining an portion of the decoder neural network to concentrate in the encoded vector.
몇몇 실시예에서, 상기 인코더 신경망 및 상기 디코더 신경망은 RNN(Recurrent Neural Network) 또는 셀프 어텐션(self-attention) 기법에 기반하여 구현될 수 있다.In some embodiments, the encoder neural network and the decoder neural network may be implemented based on a Recurrent Neural Network (RNN) or a self-attention technique.
몇몇 실시예에서, 상기 애그리게이터 모듈은, 상기 문자 임베딩 벡터와 상기 박자 정보를 연결(concatenate)하여 상기 입력 벡터를 생성할 수 있다.In some embodiments, the aggregator module may concatenate the character embedding vector and the time signature to generate the input vector.
몇몇 실시예에서, 상기 박자 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음의 길이(duration) 정보일 수 있다.In some embodiments, the time signature information may be duration information of notes set for each phoneme or syllable for the input text.
몇몇 실시예에서, 상기 출력 시퀀스는 스펙트로그램(spectrogram) 형태의 데이터로 구성되고, 상기 음성 합성부는, 상기 출력 시퀀스를 상기 목표 음성으로 변환하는 보코더부를 더 포함할 수 있다.In some embodiments, the output sequence is composed of data in a spectrogram form, and the speech synthesis unit may further include a vocoder unit for converting the output sequence into the target voice.
몇몇 실시예에서, 상기 출력 시퀀스는 스펙트로그램 형태의 데이터로 구성되고, 상기 음성 합성부는, 상기 전처리부에 의해 전처리된 학습용 텍스트와 정답 박자 정보를 상기 음성 합성 모델에 입력하고, 그 결과로 획득된 예측 스펙트로그램 데이터를 정답 스펙트로그램 데이터와 비교하여 오차 값을 산출하며, 상기 산출된 오차 값을 역전파(back-propagation)하여 상기 음성 합성 모델을 학습시킬 수 있다.In some embodiments, the output sequence is composed of data in the form of spectrogram, and the speech synthesis unit inputs the training text and correct time signature information preprocessed by the preprocessing unit into the speech synthesis model, and is obtained as a result. The predicted spectrogram data may be compared with the correct answer spectrogram data to calculate an error value, and the speech synthesis model may be trained by back-propagation of the calculated error value.
상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 운율 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.According to another aspect of the present disclosure, there is provided a speech synthesis apparatus, which includes a preprocessor for performing preprocessing of input text, and inputs the preprocessed text and rhyme information into a neural network-based speech synthesis model. And a speech synthesizer configured to synthesize a target voice in which the rhyme information is reflected on the input text, wherein the speech synthesis model includes: an embedding module for converting the preprocessed text into a character embedding vector, and the rhyme information and the character embedding. An aggregator module that generates an input vector constituting an input sequence by aggregating a vector, an encoder neural network that encodes the input sequence to output an encoded vector, and an output associated with the target speech by decoding the encoded vector. May contain a decoder neural network that outputs a sequence have.
상술한 기술적 과제를 해결하기 위한 본 개시의 또 다른 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 문자 임베딩 벡터에 대한 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 상기 운율 정보를 이용하여 디코딩함으로써 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.According to another aspect of the present disclosure, there is provided a speech synthesis apparatus, which includes a preprocessor for performing preprocessing of input text and the preprocessed text and rhyme information in a neural network-based speech synthesis model. And a speech synthesizer configured to synthesize a target voice in which the rhyme information is reflected on the input text, wherein the speech synthesis model comprises: an embedding module for converting the preprocessed text into a character embedding vector, and for the character embedding vector. An encoder neural network that encodes an input sequence and outputs an encoded vector and a decoder neural network that outputs an output sequence associated with the target speech by decoding the encoded vector using the rhyme information.
도 1은 본 개시의 몇몇 실시예에 따른 음성 합성 장치의 입력 및 출력을 설명하기 위한 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 음성 합성 장치와 학습 과정에서의 데이터 흐름을 나타내는 예시적인 블록도이다.
도 3은 본 개시의 몇몇 실시예에 따른 전처리부를 나타내는 예시적인 블록도이다.
도 4는 본 개시의 몇몇 실시예에 따른 텍스트 전처리부의 동작을 설명하기 위한 예시도이다.
도 5는 본 개시의 몇몇 실시예에 따른 음성 분석부의 동작을 설명하기 위한 예시도이다.
도 6은 본 개시의 몇몇 실시예에 따른 음성 합성부를 나타내는 예시적인 블록도이다.
도 7은 본 개시의 몇몇 실시예에 따른 음성 합성 모델의 신경망 구조를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 애그리게이터 모듈의 동작을 설명하기 위한 예시도이다.
도 9는 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 이용될 수 있는 LSTM 순환 신경망을 나타내는 예시도이다.
도 10은 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 대한 학습 과정을 설명하기 위한 예시도이다.
도 11은 본 개시의 몇몇 실시예에 따른 음성 합성 장치와 합성 과정에서의 데이터 흐름을 나타내는 예시적인 블록도이다.
도 12 및 도 13은 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델의 신경망 구조를 설명하기 위한 도면이다.
도 14는 본 개시의 몇몇 실시예에 따른 음성 합성 방법을 나타내는 예시적인 흐름도이다.
도 15는 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 대한 학습 과정을 부연 설명하기 위한 예시적인 흐름도이다.
도 16은 본 개시의 몇몇 실시예에 따른 음성 합성 모델을 이용한 합성 과정을 부연 설명하기 위한 예시적인 흐름도이다.
도 17은 본 개시의 다양한 실시예에서 참조될 수 있는 음성 합성 결과를 나타내는 UI(User Interface)를 설명하기 위한 예시도이다.
도 18은 본 개시의 몇몇 실시예에 따른 음성 합성 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 설명하기 위한 도면이다.1 is a diagram illustrating an input and an output of a speech synthesis apparatus according to some embodiments of the present disclosure.
2 is an exemplary block diagram illustrating data flow in a speech synthesis apparatus and a learning process according to some embodiments of the present disclosure.
3 is an exemplary block diagram illustrating a preprocessor in accordance with some embodiments of the present disclosure.
4 is an exemplary diagram for describing an operation of a text preprocessor according to some embodiments of the present disclosure.
5 is an exemplary diagram for describing an operation of a voice analyzer according to an exemplary embodiment of the present disclosure.
6 is an exemplary block diagram illustrating a speech synthesis unit according to some embodiments of the present disclosure.
7 is a diagram for describing a neural network structure of a speech synthesis model according to some embodiments of the present disclosure.
8 is an exemplary diagram for describing an operation of an aggregator module according to some embodiments of the present disclosure.
9 is an exemplary diagram illustrating an LSTM cyclic neural network that may be used in a speech synthesis model according to some embodiments of the present disclosure.
10 is an exemplary diagram for describing a learning process of a speech synthesis model according to some embodiments of the present disclosure.
11 is an exemplary block diagram illustrating a data flow in a synthesis process with a speech synthesis device according to some embodiments of the disclosure.
12 and 13 are diagrams for describing a neural network structure of a modified speech synthesis model according to various embodiments of the present disclosure.
14 is an exemplary flowchart illustrating a speech synthesis method according to some embodiments of the present disclosure.
15 is an exemplary flowchart for further explaining a learning process for a speech synthesis model according to some embodiments of the present disclosure.
16 is an exemplary flowchart for further describing a synthesis process using a speech synthesis model, according to some embodiments of the present disclosure.
FIG. 17 is an exemplary diagram for describing a user interface (UI) indicating a speech synthesis result that may be referred to in various embodiments of the present disclosure.
FIG. 18 is a diagram for describing an example computing device that may implement a speech synthesis device according to some embodiments of the present disclosure.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.Hereinafter, exemplary embodiments of the present disclosure will be described in detail with reference to the accompanying drawings. Advantages and features of the present disclosure, and methods of accomplishing the same will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the technical spirit of the present disclosure is not limited to the following embodiments, and may be implemented in various forms, and only the following embodiments make the technical spirit of the present disclosure complete and in the technical field to which the present disclosure belongs. It is provided to fully inform those skilled in the art the scope of the present disclosure, and the technical spirit of the present disclosure is only defined by the scope of the claims.
각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.In adding reference numerals to the components of each drawing, it should be noted that the same reference numerals are assigned to the same components as much as possible even though they are shown in different drawings. In addition, in describing the present disclosure, when it is determined that a detailed description of a related known configuration or function may obscure the subject matter of the present disclosure, the detailed description thereof will be omitted.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.Unless otherwise defined, all terms used in the present specification (including technical and scientific terms) may be used in a sense that can be commonly understood by those skilled in the art to which the present disclosure belongs. In addition, the terms defined in the commonly used dictionaries are not ideally or excessively interpreted unless they are specifically defined clearly. The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the disclosure. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.In addition, in describing the components of the present disclosure, terms such as first, second, A, B, (a), and (b) may be used. These terms are only for distinguishing the components from other components, and the nature, order or order of the components are not limited by the terms. If a component is described as being "connected", "coupled" or "connected" to another component, that component may be directly connected to or connected to that other component, but there may be another configuration between each component. It is to be understood that the elements may be "connected", "coupled" or "connected".
명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.As used herein, “comprises” and / or “comprising” refers to a component, step, operation and / or element that is mentioned in the presence of one or more other components, steps, operations and / or elements. Or does not exclude additions.
본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.Prior to the description herein, some terms used herein will be clarified.
본 명세서에서, 운율(prosody) 정보란, 입력된 텍스트에 대한 음정(or 음높이, pitch), 음의 세기(즉, 강약) 등과 같이 합성음의 운율과 연관된 모든 종류의 정보를 포괄할 수 있다. 가령, 상기 운율 정보는 단위 텍스트 또는 단위 시간에 대응되는 음정 정보 또는 음의 세기 정보와 같이 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 단위 텍스트는 음소, 음절, 어절 또는 단어일 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음높이는 이를테면 주파수(e.g. 기본 주파수 F0)의 형태로 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음의 세기는 이를 테면 데시벨(decibel, dB)의 형태로 표시될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.In this specification, the prosody information may include all kinds of information related to the rhythm of the synthesized sound, such as pitch (or pitch, pitch), loudness (ie, strength and weakness) with respect to the input text. For example, the rhyme information may be expressed as tone information or tone intensity information corresponding to unit text or unit time, but the technical scope of the present disclosure is not limited thereto. The unit text may be a phoneme, a syllable, a word, or a word, but the technical scope of the present disclosure is not limited thereto. The pitch may be expressed, for example, in the form of a frequency (e.g. fundamental frequency F 0), but the technical scope of the present disclosure is not limited thereto. The sound intensity may be expressed in the form of decibels (dB), for example, but the technical scope of the present disclosure is not limited thereto.
본 명세서에서, 박자 정보란, 입력된 텍스트에 대한 음의 길이(duration) 정보 등과 같이 합성음의 박자와 연관된 모든 종류의 정보를 포괄할 수 있다. 가령, 상기 박자 정보는 단위 텍스트 또는 단위 시간에 대응되는 음의 길이 정보로 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 단위 텍스트는 음소, 음절, 어절 또는 단어일 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음의 길이는 이를테면 지속 시간과 같이 단일 값의 형태로 표현될 수 있고, (시작 시점, 종료 시점)과 같이 범위 값의 형태로 표현될 수도 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.In the present specification, the time signature information may include all kinds of information associated with the time signature of the synthesized sound, such as the duration information of the input text. For example, the time signature information may be represented by unit length text or sound length information corresponding to a unit time, but the technical scope of the present disclosure is not limited thereto. The unit text may be a phoneme, a syllable, a word, or a word, but the technical scope of the present disclosure is not limited thereto. The negative length may be expressed in the form of a single value, such as a duration, and may be expressed in the form of a range value, such as (start time, end time), but the technical scope of the present disclosure is limited thereto. no.
본 명세서에서, 목표 음성이란, 글자 그대로 주어진 텍스트로부터 생성하고자 하는 목표가 되는 합성음을 의미한다.In the present specification, the target voice literally means a synthesized sound that is a target to be generated from a given text.
본 명세서에서, 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.In the present specification, an instruction is a series of computer readable instructions grouped by function and refers to a component of a computer program and executed by a processor.
이하, 본 개시의 몇몇 실시예에 대하여 첨부된 도면에 따라 상세하게 설명한다.Hereinafter, some embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.
도 1은 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)의 입력 및 출력을 나타내는 예시적인 도면이다.1 is an exemplary diagram illustrating input and output of a
도 1에 도시된 바와 같이, 음성 합성 장치(10)는 텍스트(1)와 운율 정보(3) 및 박자 정보(5) 중 적어도 하나를 입력받고 그에 대응되는 음성(7)을 합성하여 출력하는 컴퓨팅 장치이다. 이때의 음성(7)은 입력된 운율 정보(3) 및/또는 박자 정보(5)가 반영된 목표 음성(즉, 목표 합성음)을 의미한다. 상기 컴퓨팅 장치는 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 일 예는 도 18을 더 참조하도록 한다.As shown in FIG. 1, the
도 1은 음성 합성 장치(10)가 단일 컴퓨팅 장치로 구현된 것을 예로써 도시하고 있으나, 음성 합성 장치(10)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있음은 물론이다.Although FIG. 1 illustrates that the
본 개시의 다양한 실시예들에 따르면, 음성 합성 장치(10)는 운율 정보(3) 및/또는 박자 정보(5)가 반영된 목표 음성을 합성하기 위해 신경망(neural network) 기반의 음성 합성 모델을 이용한다. 상기 음성 합성 모델의 신경망 구조 및 학습 방법에 대한 자세한 설명은 도 2 이하의 도면을 참조하여 상세하게 설명하도록 한다.According to various embodiments of the present disclosure, the
이하에서는, 음성 합성 장치(10)가 운율 정보(3) 및 박자 정보(5)가 반영된 목표 음성을 합성하는 것을 가정하여 설명을 이어가도록 한다. 다만, 음성 합성 장치(10)는 운율 정보(3)만이 반영되도록 동작할 수도 있고, 박자 정보(50)만이 반영되도록 동작할 수도 있음은 물론이다.Hereinafter, the description will be continued on the assumption that the
도 2는 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 나타내는 예시적인 블록도이다. 특히, 도 2는 음성 합성 모델(63)이 학습되는 과정에 대한 데이터 흐름을 함께 도시하고 있다.2 is an exemplary block diagram illustrating a
이해의 편의를 제공하기 위해, 음성 합성 모델(63)의 학습 과정에서의 각 구성요소(21 내지 27)의 동작에 대해서 먼저 설명하고, 음성 합성 과정에서의 각 구성요소(21 내지 27)의 동작은 도 11을 참조하여 후술하도록 한다.For convenience of understanding, the operation of each
도 2에 도시된 바와 같이, 음성 합성 장치(10)는 입력부(21), 전처리부(23), 저장부(25) 및 음성 합성부(27)를 포함할 수 있다. 다만, 도 2에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 또한, 도 2에 도시된 음성 합성 장치(10)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 복수의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다. 이하, 각 구성요소에 대하여 상세하게 설명한다.As illustrated in FIG. 2, the
입력부(21)는 학습용 텍스트와 정답 음성 데이터를 포함하는 학습용 데이터셋을 입력받는다. 상기 정답 음성 데이터는 상기 학습용 텍스트에 대응되는 음성 데이터인데, 상기 음성에는 화자의 어조에 따른 운율(즉, 음정과 음의 세기) 특성과 박자 특성이 반영되어 있다. 따라서, 상기 정답 음성 데이터에 반영된 운율 정보와 박자 정보를 기계 학습하는 경우, 운율 또는 박자 조절이 가능하면서도 자연스러운 음성을 합성할 수 있게 된다.The
상기 학습용 텍스트와 정답 음성 데이터는 전처리를 위해 전처리부(23)로 입력된다.The learning text and the correct answer voice data are input to the
다음으로, 전처리부(23)는 입력된 학습용 텍스트 및 정답 음성 데이터에 대한 전처리를 수행한다. 몇몇 실시예에 따른 전처리부(23)는 도 3에 도시된 바와 같이 텍스트 전처리부(31), 음성 분석부(33) 및 음성 전처리부(35)를 포함할 수 있다.Next, the
텍스트 전처리부(31)는 입력된 텍스트에 대한 전처리를 수행한다. 상기 전처리는 입력된 텍스트를 문장 단위로 분할하는 것, 문장 단위의 텍스트를 어절, 단어, 문자, 음소 등의 단위로 파싱하는 것, 숫자 및 특수 문자 등을 문자로 변환하는 것 등 다양한 방식이 될 수 있으며, 구체적인 전처리 방식은 실시예에 따라 얼마든지 달라질 수 있다. 전처리 과정의 몇몇 예시는 도 4에 도시되어 있다.The
도 4에 도시된 바와 같이, 텍스트 전처리부(31)는 입력된 텍스트(41)의 숫자를 문자로 변환하여 문자 형태의 텍스트(43)를 생성하고, 텍스트(43)를 음소 단위의 텍스트(45)로 변환할 수 있다. 그러나, 이는 텍스트 전처리부(31)의 동작을 설명하기 위한 일 예시에 불과할 뿐이고, 텍스트 전처리부(31)는 다양한 방식으로 자연어 전처리 기능을 수행할 수 있다.As shown in FIG. 4, the
다시 도 3을 참조하면, 음성 분석부(33)는 정답 음성 데이터에 대한 음성 분석을 통해 상기 정답 음성 데이터에 대한 박자 정보와 운율 정보를 추출한다. 음성 분석부(33)는 추출의 정확도를 높이기 위해 정답 음성 데이터와 함께 학습용 텍스트를 더 입력받을 수 있다.Referring back to FIG. 3, the
도 3에 도시된 바와 같이, 음성 분석부(33)는 박자 정보 추출부(33-1)와 운율 정보 추출부(33-2)를 포함할 수 있다. 박자 정보 추출부(33-1)는 오디오 형식의 정답 음성 데이터(e.g. wav 형식의 오디오)로부터 박자 정보를 추출하고, 운율 정보 추출부(33-2)는 오디오 형식의 정답 음성 데이터로부터 운율 정보를 추출한다. 가령, 박자 정보 추출부(33-1)는 상기 정답 음성 데이터를 분석하여 각 음소 또는 음절(또는 어절, 문장 등)에 대응되는 음의 길이를 추출할 수 있다. 또한, 운율 정보 추출부(33-2)는 상기 정답 음성 데이터를 분석하여 각 음소 또는 음절(또는 어절, 문장 등)에 대응되는 음의 높낮이(e.g. 주파수) 또는 음의 세기를 추출할 수 있다.As illustrated in FIG. 3, the
상기 박자 정보와 상기 운율 정보를 추출하기 위해, 당해 기술 분야에서 널리 알려진 하나 이상의 음성 분석 알고리즘이 이용될 수 있다. 이를테면, SPPAS 툴과 같이 당해 기술 분야에서 널리 알려진 음성 분석 및 어노테이션 툴이 이용될 수도 있을 것이다. 현재 SPPAS 툴은 오디오 음성을 분석하여 음소 단위로 음의 길이(duration)와 음정(pitch) 정보를 추출하는 기능을 제공한다.In order to extract the beat information and the rhyme information, one or more speech analysis algorithms well known in the art may be used. For example, speech analysis and annotation tools that are well known in the art may be used, such as the SPPAS tool. Currently, the SPPAS tool provides the ability to analyze the audio speech and extract the duration and pitch information in units of phonemes.
SPPAS 툴을 이용하여 박자 정보를 추출하는 일 예시는 도 5에 도시되어 있다. 도 5에 도시된 바와 같이, SPPAS 툴은 오디오 형식의 음성 데이터(51)를 분석하여 음소 별로 음의 길이 정보(53)를 추출할 수 있다.An example of extracting beat information using the SPPAS tool is shown in FIG. 5. As illustrated in FIG. 5, the SPPAS tool may analyze
다시 도 3을 참조하면, 음성 전처리부(35)는 오디오 형식의 정답 음성 데이터(e.g. wav 형식의 오디오)를 스펙트로그램 형태의 데이터로 변환한다. 가령, 음성 전처리부(35)는 STFT(Short Time Fourier Transform) 신호 처리를 수행하여 음성 데이터를 STFT 스펙트로그램 데이터로 변환하거나 상기 STFT 스펙트로그램 데이터를 멜-스케일(mel-scale)로 변환할 수 있다. 상기 스펙트로그램 데이터는 음성 합성 모델(63)을 학습시키기 위해 이용될 수 있다.Referring back to FIG. 3, the
전처리부(23)에 의해 전처리가 수행된 데이터들(e.g. 전처리된 텍스트, 운율 정보, 박자 정보, 스펙트로그램 데이터 등)은 저장부(25)에 저장될 수 있다. 저장부(25)에 저장된 데이터들은 음성 합성 모델(63)에 대해 반복 학습을 수행하거나 다른 음성 합성 모델을 구축하거나 음성 합성 모델(63)을 다시 구축하기 위해 이용될 수 있다.Data preprocessed by the preprocessor 23 (e.g. preprocessed text, rhyme information, beat information, spectrogram data, etc.) may be stored in the
다시 도 2를 참조하면, 저장부(25)는 텍스트, 운율 정보, 박자 정보, 음성 데이터, 스펙트로그램 데이터 등의 각종 데이터를 저장하고 관리한다. 데이터의 효과적인 관리를 위해, 저장부(25)는 데이터베이스를 이용할 수 있다.Referring back to FIG. 2, the
다음으로, 음성 합성부(27)는 전처리된 학습용 텍스트와 정답 스펙트로그램 데이터를 입력받고 이를 이용하여 신경망 기반의 음성 합성 모델(63)을 구축한다. 이때, 음정, 음의 세기 및/또는 박자 조절 기능을 구비하기 위해, 운율 정보와 박자 정보가 음성 합성 모델(63)의 학습에 이용된다. 가령, 음정 조절 기능을 구비하고 싶은 경우라면 음정 정보를 더 학습하여 음성 합성 모델(63)이 구축될 수 있다. 또한, 박자 조절 기능을 구비하고 싶은 경우라면, 박자 정보를 더 학습하여 음성 합성 모델(63)이 구축될 수 있다.Next, the
도 6에 도시된 바와 같이, 몇몇 실시예에 따른 음성 합성부(27)는 학습부(61), 음성 합성 모델(63), 합성부(65) 및 보코더부(67)를 포함할 수 있다. 이하, 음성 합성부(27)의 세부 구성요소에 대하여 상세하게 설명한다.As illustrated in FIG. 6, the
학습부(61)는 학습용 데이터셋을 이용하여 음성 합성 모델(63)을 학습시킨다. 즉, 학습부(61)는 학습용 데이터셋을 이용하여 음성 합성 모델(63)의 예측 오차가 최소화되도록 음성 합성 모델(63)의 가중치를 갱신함으로써 음성 합성 모델(63)을 구축할 수 있다. 상기 학습용 데이터셋은 전처리부(23) 또는 저장부(25)로부터 제공받을 수 있을 것이다. 이해의 편의를 제공하기 위해, 음성 합성 모델(63)의 신경망 구조에 대해서 먼저 설명하고, 그 이후 학습부(61)의 동작에 대하여 상세하게 설명하도록 한다.The
음성 합성 모델(63)은 전처리된 텍스트와 운율 정보 및/또는 박자 정보를 입력받고, 그에 대응되는 음성을 합성하는 신경망 기반의 모델이다. 도 7에 도시된 바와 같이, 본 개시의 몇몇 실시예에 따른 음성 합성 모델(63)은 임베딩 모듈(71), 애그리게이터(aggregator) 모듈(73), 인코더 신경망(75), 어텐션(attention) 모듈(77) 및 디코더 신경망(79)을 포함할 수 있다.The
임베딩 모듈(71)은 임베딩(embedding) 기법을 통해 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 모듈이다. 이때, 임베딩 모듈(71)은 음소 단위로 문자 임베딩 벡터를 생성할 수 있고, 음절, 단어, 어절 등의 단위로 문자 임베딩 벡터를 생성할 수도 있다. 가령, 임베딩 모듈(71)은 fasttext 임베딩 기법, 오토-인코더(auto-encoder) 임베딩 기법, 셀프-어텐션(self-attention) 임베딩 기법 등을 이용하여 문자 임베딩 벡터를 생성할 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.The embedding
다음으로, 애그리게이터 모듈(75)은 입력된 정보를 애그리게이팅(aggregating)하여 인코더 신경망(75)을 위한 입력 시퀀스(sequence)를 구성하는 입력 벡터를 생성하는 모듈이다. 가령, 문자 임베딩 벡터, 운율 정보 및 박자 정보가 입력된 경우, 애그리게이터 모듈(75)은 상기 문자 임베딩 벡터, 상기 운율 정보 및 상기 박자 정보를 애그리게이팅하여 인코더 신경망(75)을 위한 입력 벡터를 생성할 수 있다. 또한, 상기 생성된 입력 벡터의 시퀀스가 인코더 신경망(75)으로 입력될 수 있다.Next, the
애그리게이팅이 수행되는 구체적인 방식은 실시예에 따라 얼마든지 달라질 수 있다.The specific way in which the aggregating is performed may vary depending on the embodiment.
몇몇 실시예에서, 애그리게이터 모듈(75)은 입력된 정보를 연결(concatenation)하는 방식으로 애그리게이팅을 수행할 수 있다. 이에 대한 실례는 도 8에 도시되어 있다. 특히, 도 8은 도 5에 도시된 음소 단위의 박자 정보(53)를 대응되는 문자 임베딩 벡터(81, 84)에 연결하여 입력 시퀀스를 생성하는 예를 도시하고 있다. 도 8에 도시된 바와 같이, 애그리게이터 모듈(73)은 음소(p)에 대한 제1 박자 정보(82)를 음소(p)에 대한 제1 문자 임베딩 벡터(81)와 연결하여 제1 입력 벡터(83)를 생성하고, 다음 음소(r)에 대한 제2 박자 정보(85)를 음소(r)에 대한 제2 문자 임베딩 벡터(84)와 연결하여 제2 입력 벡터(86)를 생성할 수 있다. 이렇게 생성된 입력 벡터(83, 86)들은 인코더 신경망(75)의 입력 시퀀스를 구성하게 된다. 운율 정보도 이와 유사한 방식으로 문자 임베딩 벡터에 연결될 수 있다.In some embodiments, the
다른 몇몇 실시예에서, 인공 신경망(e.g. 인코더 신경망 75 앞 단에 완전 연결 레이어를 배치)을 통해 입력된 정보가 애그리게이팅될 수 있다. 또는, 셀프-어텐션 또는 오토 인코더 기법을 이용하 애그리게이팅이 수행될 수도 있다.In some other embodiments, the information entered through the artificial neural network (positioning a fully connected layer in front of the e.g. encoder neural network 75) may be aggregated. Alternatively, aggregating may be performed using a self-attention or auto encoder technique.
또 다른 몇몇 실시예에서, 인공 신경망과 같은 비선형 모델 외에도 선형 모델(linear model)을 통해 애그리게이팅이 수행될 수도 있다. 가령, 선형 모델을 이용하여 문자 임베딩 벡터(e.g. 81, 84)와 박자 정보(e.g. 82, 85)이 애그리게이팅됨으로써, 인코더 신경망(75)의 입력 벡터(또는 시퀀스)가 생성될 수 있다. 그러나, 본 개시의 기술적 범위가 상기 열거된 예시에 한정되는 것은 아니다.In some other embodiments, aggregating may be performed through a linear model in addition to non-linear models such as artificial neural networks. For example, by using the linear model, the character embedding vectors e.g. 81 and 84 and the time signature information e.g. 82 and 85 are aggregated to generate an input vector (or sequence) of the encoder
다시 도 7을 참조하여 음성 합성 모델(63)의 다른 구성요소에 대하여 설명하도록 한다.Another component of the
인코더 신경망(75)은 하나 이상의 벡터로 구성된 입력 시퀀스를 입력받고, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 신경망이다. 학습이 진행됨에 따라 인코더 신경망(75)은 상기 입력 시퀀스에 내포된 컨텍스트(context)를 이해하고, 이해된 컨텍스트를 나타내는 인코딩된 벡터를 출력하게 된다. 상기 인코딩된 벡터는 당해 기술 분야에서 컨텍스트 벡터(context vector)란 용어로 명명될 수도 있다.The encoder
몇몇 실시예에서, 인코더 신경망(75) 및 디코더 신경망(79)은 시퀀스를 입력받고 출력하기에 적합하도록 RNN(Recurrent Neural Network)으로 구현될 수 있다. 이를테면, 인코더 신경망(75)과 디코더 신경망(79)은 도 9에 도시된 바와 같은 LSTM(Long Short-Term Memory Model) 신경망(90)으로 구현될 수 있다. 그러나, 이에 한정되는 것은 아니고, 인코더 신경망(75)과 디코더 신경망(79) 중 적어도 일부는 셀프 어텐션(self-attention), 트랜스포머 네트워크(transformer network) 등을 통해 구현될 수도 있다. 당해 기술 분야의 종사자라면, 셀프 어텐션, 트랜스포머 네트워크에 관하여 자명하게 이해할 수 있을 것인 바, 해당 기법에 대한 자세한 설명은 생략하도록 한다.In some embodiments, encoder
다시 도 7을 참조하면, 어텐션 모듈(77)은 디코더 신경망(79)에서 인코딩된 벡터에 대한 출력 시퀀스를 학습/예측할 때 어느 부분에 중점을 두어야(또는 어느 부분에 집중하여야) 하는지를 나타내는 어텐션 정보를 제공하는 모듈이다. 학습이 진행됨에 따라, 어텐션 모듈(77)은 인코딩된 벡터와 상기 출력 시퀀스 간의 매핑 관계를 학습하여 디코딩 시에 집중해야 될 부분과 그렇지 않은 부분을 나타내는 어텐션 정보를 제공할 수 있다. 상기 어텐션 정보는 가중치 벡터(또는 가중치 매트릭스)의 형태로 제공될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 당해 기술 분야의 당업자라면, 어텐션 메커니즘에 대해서 자명하게 이해할 수 있을 것인 바, 더 이상의 자세한 설명은 생략하도록 한다.Referring again to FIG. 7, the
디코더 신경망(79)은 상기 인코딩된 벡터와 상기 어텐션 정보를 입력받고 상기 인코딩된 벡터에 대응되는 출력 시퀀스를 출력한다. 보다 상세하게는, 디코더 신경망(79)은 상기 인코딩된 벡터와 상기 어텐션 정보를 이용하여 특정 운율 및 박자 정보가 반영된 음성에 대한 출력 시퀀스를 예측한다. 이때, 상기 출력 시퀀스는 프레임 단위의 스펙트로그램 데이터로 구성될 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.The decoder
디코더 신경망(79)이 순환 신경망으로 구현된 경우, 디코더 신경망(79)은 이전 프레임의 스펙트로그램 데이터를 더 입력받고 현재 프레임의 스펙트로그램 데이터를 순차적으로 출력함으로써 출력 시퀀스를 구성할 수 있다.When the decoder
상기 스펙트로그램 데이터는 음성 신호의 스펙트로그램을 나타내는 데이터로, STFT 스펙트로그램 데이터 또는 멜-스펙트로그램 데이터 등이 될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.The spectrogram data is data representing a spectrogram of a voice signal, and may be STFT spectrogram data or mel-spectrogram data. However, the technical scope of the present disclosure is not limited thereto.
참고로, 디코더 신경망(79)이 음성 신호가 아니고 스펙트로그램 데이터를 출력하도록 구성하는 이유는, 스펙트로그램 데이터로 학습을 수행하면 음성 신호에 비해 더 정확하게 예측 오차를 산출할 수 있기 때문이다. 또한, 정확한 예측 오차 산출이 가능해짐으로써, 보다 성능이 우수한 음성 합성 모델이 구축될 수 있기 때문이다.For reference, the reason why the decoder
지금까지 도 7 내지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 모델(63)의 신경망 구조와 동작 원리에 대하여 설명하였다. 이하에서는, 이상의 설명을 바탕으로 도 10을 참조하여 학습부(61)가 음성 합성 모델(63)을 학습시키는 과정에 대하여 설명한다.So far, the neural network structure and operating principle of the
도 10에 도시된 바와 같이, 각각의 학습 데이터(100)는 학습용 텍스트(101)와 정답 음성 데이터(102)를 포함할 수 있다. 물론, 학습 데이터(100)는 학습용 박자 정보 및 학습용 운율 정보 중 적어도 하나와 학습용 텍스트(101) 및 정답 스펙트로그램 데이터로 구성될 수도 있다.As illustrated in FIG. 10, each of the learning
정답 음성 데이터(102)는 텍스트(101)에 대응되는 오디오 형식의 음성 데이터이다. 학습이 수행되기 전에, 정답 음성 데이터(102)는 음성 전처리부(35)를 통해 정답 스펙트로그램 데이터(104)로 변환되고, 텍스트(101)는 텍스트 전처리부(31)에 의해 적절한 전처리가 수행될 수 있다. 또한, 전술한 바와 같이, 음성 분석부(33)는 정답 음성 데이터(102)를 분석하여 박자 정보 및/또는 운율 정보를 추출할 수 있다.The
학습부(61)에 의해 음성 합성 모델(63)이 학습되는 과정은 다음과 같다. 먼저, 전처리된 텍스트(101)가 임베딩 모듈(71)로 입력되면, 임베딩 모듈(71)에 의해 전처리된 텍스트(101)가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터와 상기 박자 정보 및/또는 운율 정보는 애그리게이터 모듈(73)에 의해 단일한 입력 벡터로 변환된다. 상기 입력 벡터의 시퀀스는 인코더 신경망(75)으로 입력되고, 그 결과 디코더 신경망(79)에서 예측 스펙트로그램 데이터(103)로 구성된 출력 시퀀스가 출력된다.The process of learning the
학습부(61)는 예측 스펙트로그램 데이터(103)와 정답 스펙트로그램 데이터(104)를 비교하여 예측 오차(105)를 산출하고, 예측 오차(105)를 역전파하여 음성 합성 모델(63)의 가중치를 갱신한다. 이때, 인코더 신경망(75), 어텐션 모듈(77) 및 디코더 신경망(79)의 가중치는 상기 역전파를 통해 한번에 갱신될 수 있다. 임베딩 모듈(71) 및/또는 애그리게이터 모듈(73)이 신경망의 일부 레이어로 구현된 경우, 임베딩 모듈(71) 및/또는 애그리게이터 모듈(73)의 가중치 또한 함께 갱신될 수 있다. 학습부(61)는 이와 같은 학습 과정을 다수의 학습 데이터에 대해 반복함으로써 음성 합성 모델(63)을 구축할 수 있다.The
한편, 본 개시의 몇몇 실시예에 따르면, 예측 오차(105)는 어텐션 오차(106) 값을 더 포함할 수 있다. 어텐션 오차(106)는 어텐션 모듈(77)이 제공하는 어텐션 정보(즉, 예측 정보)와 음성 분석부(33)에 의해 추출된 박자 정보(즉, 정답 박자 정보) 또는 운율 정보(즉, 정답 운율 정보) 간의 오차를 의미한다. 가령, 박자 정보를 토대로 학습을 수행하는 경우, 길이가 긴 음에 더 중점을 두고 디코딩이 수행될 것이기 때문에, 어텐션 정보는 상기 박자 정보와 유사한 값을 가져야 한다. 따라서, 어텐션 정보와 박자 정보 간의 차이(즉, 어텐션 오차 106)가 최소가 되도록 음성 합성 모델(63)의 가중치가 갱신되면, 음성 합성 모델(63)을 통해 보다 정확한 박자 조절 기능이 제공될 수 있게 된다. 다른 예를 들어, 운율 정보 중 음정 정보를 토대로 학습을 수행하는 경우, 음정이 높은 음에 더 중점을 두고 디코딩이 수행될 것이기 때문에, 어텐션 정보는 상기 음정 정보와 유사한 값을 가져야 한다. 따라서, 어텐션 정보와 음정 정보 간의 차이(즉, 어텐션 오차 106)가 최소가 되도록 음성 합성 모델(63)의 가중치가 갱신되면, 음성 합성 모델(63)을 통해 보다 정확한 음정 조절 기능이 제공될 수 있게 된다.Meanwhile, according to some embodiments of the present disclosure, the
몇몇 실시예에서, 전술한 어텐션 오차(106)가 예측 오차(105)에 반영되는 정도를 제어하기 위한 파라미터가 더 이용될 수도 있다. 상기 파라미터는 일종의 하이퍼파라미터(hyper-parameter)로써, 모델(63) 학습 전에 어텐션 오차(106)가 예측 오차(105)에 반영되는 정도를 조절하기 위해 설정될 수 있다. 가령, 상기 설정된 파라미터의 값이 어텐션 오차(106)에 반영(e.g. 곱셈, 덧셈 등)되어, 어텐션 오차(107)의 크기가 변경되고, 변경된 크기의 어텐션 오차(107)가 예측 오차(105)에 반영(e.g. 덧셈)될 수 있다. 몇몇 예시에서, 상기 파라미터의 값을 변경해가며, 음성 합성 모델(63)에 대한 학습이 수행될 수도 있다. 가령, 상기 파라미터를 제1 값으로 설정한 다음 제1 음성 합성 모델에 대한 학습이 수행되고, 상기 파라미터를 제2 값으로 설정한 다음 제2 음성 합성 모델에 대한 학습이 수행될 수 있다. 또한, 상기 제1 음성 합성 모델과 상기 제2 음성 합성 모델의 성능 평가 결과에 따라 실제 합성 과정에 이용될 음성 합성 모델이 결정될 수도 있다.In some embodiments, a parameter may be further used to control the degree to which the above-described
지금까지 도 7 내지 도 10을 참조하여 학습부(61) 및 음성 합성 모델(63)에 대해 설명하였다. 음성 합성부(27)의 다른 구성요소(65, 67)들은 실제 음성 합성 시에 이용되는 것들인 바, 도 11과 함께 설명하도록 한다.So far, the
도 11 또한 본 개시의 몇몇 실시예에 따른 음성 합성 장치(11)를 나타내는 예시적인 블록도인데, 도 11은 음성 합성 과정에서의 데이터 흐름을 함께 도시하고 있다. 이하, 도 6 및 도 11을 함께 참조하며 설명한다.FIG. 11 is also an exemplary block diagram illustrating a speech synthesis apparatus 11 in accordance with some embodiments of the present disclosure. FIG. 11 together illustrates a data flow in a speech synthesis process. Hereinafter, a description will be given with reference to FIGS. 6 and 11.
음성 합성 모델(63)이 구축되면, 합성용 텍스트에 대한 음성 합성 기능에 제공될 수 있다. 이하, 음성 합성 과정에서의 각 구성요소(21 내지 27)의 동작에 대하여 설명하도록 한다.Once the
입력부(21)는 합성용 정보(111)를 입력받는다. 합성용 정보(111)는 합성용 텍스트와 합성용 운율 정보 및 합성용 박자 정보를 포함한다. 이중에서 합성용 텍스트는 텍스트 전처리부(31)로 입력되고, 텍스트 전처리부(31)에 의해 전처리가 수행된다. 상기 합성용 운율 정보 및 상기 합성용 박자 정보는 음성 합성부(27)로, 정확하게는 합성부(65)로, 입력된다.The
합성부(65)는 음성 합성 모델(63)에 전처리된 합성용 텍스트, 상기 합성용 운율 정보 및 상기 합성용 박자 정보를 입력하고 그 결과로 목표 음성과 연관된 출력 시퀀스를 얻어온다. 전술한 바와 같이, 상기 출력 시퀀스는 예를 들어 프레임 단위의 스펙트로그램 데이터로 구성될 수 있다. 상기 출력 시퀀스는 오디오 형식의 목표 음성으로 변환되기 위해 보코더부(67)로 입력된다.The synthesizing
보코더부(67)는 상기 출력 시퀀스를 오디오 형식의 음성 데이터(즉, 목표 음성)로 변환한다. 상기 변환 기능을 수행할 수 있다면, 보코더부(67)는 어떠한 방식으로 구현되더라도 무방하다. 가령, 보코더부(67)는 당해 기술 분야에서 널리 알려진 하나 이상의 보코더 모듈(e.g. WaveNet, Griffin-lim)로 구현될 수 있을 것이다. 본 발명의 논지를 흐리지 않기 위해 보코더부(67)에 대한 자세한 설명은 생략하도록 한다.The
보코더부(67)에 의해 출력된 목표 음성은 합성용 운율 정보 및 합성용 박자 정보가 반영된 음성이다.The target voice output by the
참고로, 목표 음성의 운율을 변경하고 싶은 경우, 운율 정보를 변경하여 다시 음성을 합성하면 된다. 같은 맥락으로, 목표 음성의 박자를 변경하고 싶다면, 박자 정보를 변경하여 다시 음성을 합성하면 된다. 이와 같이, 본 개시의 다양한 실시예에 따른 음성 합성 모델(63)을 이용하면, 입력되는 운율 또는 박자 정보를 조절함으로써 최종적으로 합성되는 목표 음성의 운율 또는 박자를 조절할 수 있다.For reference, when the rhyme of the target voice is to be changed, the voice may be synthesized by changing the rhyme information. In the same vein, if you want to change the beat of the target voice, you can change the beat information and synthesize the voice again. As such, by using the
한편, 도 2, 도 3, 도 6 및 도 11에 도시된 구성요소 전부가 음성 합성 장치(10)를 구현하기 위한 필수 구성요소는 아닐 수도 있음에 유의하여야 한다. 즉, 본 개시의 다른 몇몇 실시예에 따른 음성 합성 장치(10)는 도 2, 도 3, 도 6 및 도 11에 도시된 구성요소 중 일부에 의해 구현될 수도 있다.Meanwhile, it should be noted that not all components illustrated in FIGS. 2, 3, 6, and 11 may be essential components for implementing the
도 2, 도 3, 도 6 및 도 11에 도시된 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.Each component shown in FIGS. 2, 3, 6, and 11 may refer to software or hardware such as a field programmable gate array (FPGA) or an application-specific integrated circuit (ASIC). have. However, the components are not limited to software or hardware, and may be configured to be in an addressable storage medium, or may be configured to execute one or more processors. The functions provided in the above components may be implemented by more detailed components, or may be implemented as one component that performs a specific function by combining a plurality of components.
지금까지 도 2 내지 도 11을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)에 대하여 설명하였다. 상술한 바에 따르면, 화자의 실제 음성 데이터에 반영된 박자 정보 및 운율 정보를 합성하여 신경망 기반의 음성 합성 모델이 구축되기 때문에, 박자 및 운율 조절이 가능하면서도 자연스러운 합성음이 생성될 수 있다. 이를테면, 운율 정보 상의 음의 강약 또는 음정을 조절함으로써 합성되는 목표 음성에 담긴 박자 또는 운율이 조절될 수 있다.So far, the
이하에서는, 도 12 및 도 13을 참조하여 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델의 신경망 구조에 대하여 설명하도록 한다. 이하의 실시예들을 설명함에 있어서, 상술한 음성 합성 모델(63)과 중복되는 부분에 대한 설명은 생략하도록 한다.Hereinafter, a neural network structure of a modified speech synthesis model according to various embodiments of the present disclosure will be described with reference to FIGS. 12 and 13. In the following embodiments, the description of the overlapping part with the above-described
도 12는 본 개시의 제1 실시예에 따른 변형된 음성 합성 모델(120)의 신경망 구조를 도시한다.12 illustrates a neural network structure of the modified
도 12에 도시된 바와 같이, 상기 제1실시예에 따른 음성 합성 모델(120)의 구성요소들(121 내지 125)은 전술한 음성 합성 모델(63)과 유사하다. 다만, 애그리게이터 모듈(122)이 박자 정보(126)와 문자 임베딩 벡터를 기초로 입력 시퀀스를 생성하고, 운율 정보(127)가 디코더 신경망(125)으로 제공되는 점에서 전술한 음성 합성 모델(63)과 차이가 있다.As shown in FIG. 12, the
몇몇 실시예에서, 운율 정보(127)가 디코더 신경망(125)으로 제공될 때, 운율 정보(127)는 디코더 신경망(125)의 디코딩 간격에 따라 변환될 수 있다. 가령, 운율 정보(127)가 음소 단위로 설정된 음정 정보인 경우, 상기 음정 정보는 음소 단위로 구분되지 않고 스펙트로그램 데이터의 프레임 단위로 구분되어 디코더 신경망(125)으로 제공될 수 있다.In some embodiments, when
상기 제1 실시예에서, 디코더 신경망(125)은 인코딩된 벡터와 어텐션 정보를 디코딩하여 출력 시퀀스를 출력하는데, 이때 운율 정보(127)를 함께 이용하여 디코딩을 수행한다. 다른 모듈(121, 123, 124)의 동작은 전술한 바와 유사하다.In the first embodiment, the decoder
상기 제1 실시예에 따르면, 합성된 음성의 운율 디코딩 시에 입력된 운율 정보에 기초하여 조절될 수 있다. 즉, 디코딩 직전에 입력된 운율 정보에 기초하여 운율 조절이 수행될 것인 바, 보다 정밀하게 운율 조절이 수행될 수 있다는 장점이 있다. 이상에서 언급된 효과는 박자 정보의 경우에도 동일하게 적용될 수 있다.According to the first embodiment, it may be adjusted based on rhyme information input at the time of rhythm decoding of the synthesized speech. That is, since the rhyme adjustment is performed based on the rhyme information input immediately before decoding, there is an advantage that the rhyme adjustment can be performed more precisely. The effects mentioned above may be equally applied to the time signature information.
도 13은 본 개시의 제2 실시예에 따른 변형된 음성 합성 모델(130)의 신경망 구조를 도시한다.13 illustrates a neural network structure of a modified
도 13에 도시된 바와 같이, 상기 제2실시예에 따른 음성 합성 모델(130)의 구성요소들(131 내지 135)은 전술한 음성 합성 모델(63 or 130)과 유사하다. 다만, 운율 정보(137)가 애그리게이터 모듈(123)로 입력되고 디코더 신경망(135)로도 입력되는 점에서 전술한 음성 합성 모델(63)과 차이가 있다.As shown in FIG. 13, the
상기 제1 실시예와 마찬가지로, 디코더 신경망(135)은 인코딩된 벡터와 어텐션 정보를 디코딩하여 출력 시퀀스를 출력하는데, 이때 운율 정보(137)를 함께 이용하여 디코딩을 수행한다. 다른 모듈(131, 133, 134)의 동작은 전술한 바와 유사하다.As in the first embodiment, the decoder
인코더 신경망으로 운율 정보가 입력되는 경우, 텍스트 정보와 함께 운율 조절 기능이 학습되기 때문에, 사용자가 느끼기에 보다 직관적으로(즉, 보다 자연스럽게) 합성 음성의 운율이 조절된다는 장점이 있다. 따라서, 상기 제2 실시예에 따르면, 합성 음성에 대해 자연스럽고도 세밀한 운율 조절이 수행될 수 있다. 이상에서 언급된 효과는 박자 정보의 경우에도 동일하게 적용될 수 있다.When the rhyme information is input to the encoder neural network, since the rhyme adjusting function is learned along with the text information, the rhythm of the synthesized voice is adjusted more intuitively (ie, more naturally) for the user to feel. Therefore, according to the second embodiment, natural and fine rhyme control can be performed on the synthesized voice. The effects mentioned above may be equally applied to the time signature information.
지금까지 도 12 및 도 13을 참조하여 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델들(120, 130)에 대하여 설명하였다. 이하에서는, 도 14 내지 도 17을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 상세하게 설명하도록 한다.So far, the modified
상기 음성 합성 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 음성 합성 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 음성 합성 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 음성 합성 방법의 각 단계가 음성 합성 장치(10)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 다만, 설명의 편의를 위해, 상기 음성 합성 방법에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다.Each step of the speech synthesis method may be performed by a computing device. In other words, each step of the speech synthesis method may be implemented with one or more instructions executed by a processor of the computing device. All steps included in the speech synthesis method may be performed by one physical computing device, but the first steps of the method are performed by a first computing device and the second steps of the method are second computing devices. It may also be performed by. In the following description, it is assumed that each step of the speech synthesis method is performed by the
도 14는 본 개시의 몇몇 실시예에 따른 음성 합성 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.14 is an exemplary flowchart illustrating a speech synthesis method according to some embodiments of the present disclosure. However, this is only a preferred embodiment for achieving the object of the present disclosure, of course, some steps may be added or deleted as necessary.
도 14에 도시된 바와 같이, 상기 음성 합성 방법은 음성 합성 모델을 구축하는 학습 과정과 상기 음성 합성 모델을 이용하여 음성을 합성하는 합성 과정으로 구성된다.As shown in FIG. 14, the speech synthesis method includes a learning process of constructing a speech synthesis model and a synthesis process of synthesizing a speech using the speech synthesis model.
상기 학습 과정은 학습용 데이터셋을 획득하는 단계 S100에서 시작된다. 이때, 상기 학습용 데이터셋에 포함된 각각의 학습용 데이터는 학습용 텍스트와 및 정답 음성 데이터로 구성된다.The learning process begins at step S100 of obtaining a learning dataset. In this case, each of the learning data included in the learning data set is composed of learning text and correct answer voice data.
단계 S200에서, 상기 학습용 데이터셋을 이용하여 신경망 기반의 음성 합성 모델이 구축된다. 상기 음성 합성 모델의 구조는 이미 전술한 바와 같으므로, 더 이상의 설명은 생략하도록 하고, 본 단계 S200의 세부 내용은 도 15를 참조하여 후술한다.In step S200, a neural network based speech synthesis model is constructed using the training dataset. Since the structure of the speech synthesis model has already been described above, a further description thereof will be omitted, and details of this step S200 will be described later with reference to FIG. 15.
상기 합성 과정은 합성용 데이터를 획득하는 단계 S300에서 시작된다. 상기 합성용 데이터는 합성용 텍스트, 합성용 운율 정보 및 합성용 박자 정보로 구성된다. 물론, 합성될 음성의 운율을 조절하지 않는 경우라면, 상기 합성용 운율 정보는 상기 합성용 데이터에서 제외될 수 있다. 마찬가지로, 합성될 음성의 박자를 조절하지 않는 경우라면, 상기 합성용 박자 정보는 상기 합성용 데이터에서 제외될 수 있을 것이다.The synthesis process starts at step S300 of acquiring synthesis data. The synthesis data is composed of synthesis text, synthesis rhyme information, and synthesis time signature information. Of course, if the rhyme of the voice to be synthesized is not adjusted, the synthesis rhyme information may be excluded from the synthesis data. Likewise, if the time signature of the voice to be synthesized is not controlled, the time signature for synthesis may be excluded from the synthesis data.
단계 S400에서, 음성 합성 모델을 이용하여 상기 합성용 텍스트에 대한 목표 음성이 합성되어 출력된다. 보다 구체적으로, 음성 합성 모델로부터 스펙트로그램 데이터로 구성된 출력 시퀀스가 출력되고, 상기 출력 시퀀스를 보코딩하여 상기 목표 음성이 출력될 수 있다. 이때, 상기 목표 음성은 상기 합성용 운율 정보와 상기 합성용 박자 정보가 반영된 음성이다. 상기 합성된 목표 음성의 실례에 대해서는 도 17을 참조하도록 한다.In step S400, a target speech for the synthesis text is synthesized and output using the speech synthesis model. More specifically, an output sequence consisting of spectrogram data may be output from a speech synthesis model, and the target voice may be output by vocoding the output sequence. In this case, the target voice is a voice in which the synthesis rhyme information and the synthesis time information are reflected. See FIG. 17 for an example of the synthesized target voice.
본 단계 S400에서, 운율 정보 상의 음정 또는 음의 세기를 조절함으로써, 합성되는 목표 음성의 운율이 조절될 수 있다. 또한, 박자 정보 상의 음의 길이를 조절함으로써, 합성되는 목표 음성의 박자가 조절될 수 있다.In this step S400, by adjusting the pitch or the intensity of the sound on the rhyme information, the rhyme of the synthesized target voice can be adjusted. Also, by adjusting the length of the sound on the beat information, the beat of the target voice to be synthesized can be adjusted.
참고로, 전술한 단계 S100 내지 S400 중에서, 단계 S100 및 S200은 입력부(21), 전처리부(23) 및 학습부(61)에 의해 수행되고, 단계 S300 및 S400은 입력부(21), 전처리부(23), 합성부(65) 및 보코더부(67)에 의해 수행될 수 있다.For reference, among the above-described steps S100 to S400, steps S100 and S200 are performed by the
지금까지 도 14를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 설명하였다. 이하에서는, 도 15를 참조하여 단계 S200에서 수행될 수 있는 음성 합성 모델 구축 방법에 대하여 보다 상세하게 설명하도록 한다.So far, the speech synthesis method according to some embodiments of the present disclosure has been described with reference to FIG. 14. Hereinafter, a method for constructing a speech synthesis model that can be performed in step S200 will be described in more detail with reference to FIG. 15.
도 15는 본 개시의 몇몇 실시예에 따른 음성 합성 모델의 학습 과정을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.15 is an exemplary flowchart illustrating a learning process of a speech synthesis model according to some embodiments of the present disclosure. However, this is only a preferred embodiment for achieving the object of the present disclosure, of course, some steps may be added or deleted as necessary.
도 15에 도시된 바와 같이, 상기 학습 과정은 학습용 텍스트와 정답 음성 데이터를 전처리하는 단계 S210에서 시작된다. 정답용 음성 데이터는 전처리를 통해 정답 스펙트로그램 데이터로 변환될 수 있다. 상기 전처리에 대한 내용은 앞서 설명한 바와 같으므로, 더 이상의 설명은 생략하도록 한다.As shown in FIG. 15, the learning process starts at step S210 of preprocessing the learning text and the correct answer voice data. The correct answer voice data may be converted into correct answer spectrogram data through preprocessing. Since the details of the preprocessing are as described above, further description thereof will be omitted.
단계 S220에서, 정답 음성 데이터를 분석하여 학습용 텍스트에 대한 박자 정보와 운율 정보가 추출된다.In step S220, the time information and the rhyme information for the text for learning are extracted by analyzing the correct answer voice data.
단계 S230에서, 임베딩을 통해 전처리된 텍스트가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터는 음소 별로 생성될 수 있고, 음절 별로 생성될 수도 있으며, 이는 실시예에 따라 얼마든지 달라질 수 있다. 상기 임베딩은 음성 합성 모델(e.g. 도 7의 73)을 구성하는 임베딩 모듈(e.g. 도 7의 71)에서 수행될 수 있을 것이나, 별도의 임베딩 모듈에서 수행될 수도 있다.In step S230, the text preprocessed through embedding is converted into a character embedding vector. The character embedding vector may be generated for each phoneme or for each syllable, which may vary depending on the embodiment. The embedding may be performed in the embedding module (e.g. 71 in FIG. 7) constituting the speech synthesis model (e.g. 73 in FIG. 7), but may be performed in a separate embedding module.
단계 S240에서, 음성 합성 모델의 애그리게이터 모듈(e.g. 도 7의 73)에서 문자 임베딩 벡터와 운율 정보 및 박자 정보를 애그리게이팅하여 인코더 신경망(e.g. 도 7의 75)의 입력 시퀀스를 구성하는 입력 벡터가 생성된다. 이를테면, 문자 임베딩 벡터에 상기 운율 정보 및 상기 박자 정보를 연결함으로 상기 입력 벡터가 생성될 수 있고, 상기 입력 벡터의 시퀀스가 상기 인코더 신경망의 입력 시퀀스가 될 수 있다. 다만, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.In step S240, the aggregator module of the speech synthesis model (eg, 73 in FIG. 7) aggregates the character embedding vector, the rhyme information, and the beat information to form an input sequence of the encoder neural network (
단계 S250에서, 인코더 신경망(e.g. 도 7의 75)에서 입력 시퀀스에 대해 인코딩이 수행된다. 이를 통해, 상기 입력 시퀀스가 인코딩된 벡터로 변환되고, 상기 인코딩된 벡터가 상기 인코더 신경망에서 출력된다.In step S250, encoding is performed on the input sequence in the encoder neural network (e. G. 75 in FIG. 7). Through this, the input sequence is converted into an encoded vector, and the encoded vector is output from the encoder neural network.
단계 S240에서, 음성 합성 모델의 디코더 신경망(e.g. 도 7의 79)에서 상기 인코딩된 벡터에 대한 디코딩이 수행된다. 이를 통해, 상기 인코딩된 벡터가 예측 스펙트로그램 데이터로 구성된 출력 시퀀스로 변환되고, 상기 출력 시퀀스가 상기 디코더 신경망에서 출력된다.In step S240, decoding of the encoded vector is performed in the decoder neural network (e. G. 79 of FIG. 7) of the speech synthesis model. Through this, the encoded vector is converted into an output sequence consisting of prediction spectrogram data, and the output sequence is output from the decoder neural network.
몇몇 실시예에서, 상기 디코더 신경망은 상기 인코더 신경망과 상기 디코더 신경망의 사이에 위치한 어텐션 모듈(e.g. 도 7의 77)로부터 어텐션 정보를 더 입력받을 수 있다.In some embodiments, the decoder neural network may further receive attention information from an attention module (e. G. 77 of FIG. 7) located between the encoder neural network and the decoder neural network.
또한, 몇몇 실시예에서, 상기 디코더 신경망은 이전 프레임의 예측 스펙트로그램 데이터를 입력받고, 이를 더 이용하여 현재 프레임의 예측 스펙트로그램 데이터를 출력할 수 있다.In addition, in some embodiments, the decoder neural network may receive the prediction spectrogram data of the previous frame, and may further output the prediction spectrogram data of the current frame.
단계 S250에서, 정답 스펙트로그램 데이터와 예측 스펙트로그램 데이터 간의 오차 값을 역전파하여 음성 합성 모델의 가중치가 갱신된다. 이때, 상기 오차 역전파를 통해 상기 인코더 신경망과 상기 디코더 신경망의 가중치가 한번에 갱신될 수 있다. 음성 합성 모델에 임베딩 모듈이 포함되어 있다면, 상기 임베딩 모듈의 가중치도 같이 갱신될 수 있다.In step S250, the error value between the correct answer spectrogram data and the predicted spectrogram data is backpropagated to update the weight of the speech synthesis model. In this case, weights of the encoder neural network and the decoder neural network may be updated at one time through the error backpropagation. If the embedding module is included in the speech synthesis model, the weight of the embedding module may also be updated.
몇몇 실시예에서, 상기 오차 값은 어텐션 오차를 더 포함할 수 있다. 상기 어텐션 오차에 대해서는 전술한 바와 같으므로, 더 이상의 설명은 생략하도록 한다.In some embodiments, the error value may further include an attention error. Since the attention error is the same as described above, further description thereof will be omitted.
전술한 단계 S210 내지 S270이 다수의 학습용 데이터에 대하여 수행됨으로써, 음성 합성 모델이 구축될 수 있다. 또한, 전술한 단계 S210 내지 S270 중에서, 단계 S210은 텍스트 전처리부(31)와 음성 전처리부(35)에 의해 수행되고, 단계 S220은 음성 분석부(33)에서 수행되며, 나머지 단계 S230 내지 S270은 학습부(61)와 음성 합성 모델(63)에 의해 수행될 수 있다.By performing the above-described steps S210 to S270 on the plurality of training data, a speech synthesis model can be constructed. In addition, among the above-described steps S210 to S270, step S210 is performed by the
지금까지 도 15를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 모델 구축 방법에 대하여 설명하였다. 상술한 방법에 따르면, 운율 및 박자 조절이 가능한 음성 합성 모델이 구축될 수 있다.So far, the method for constructing the speech synthesis model according to some embodiments of the present disclosure has been described. According to the above-described method, a speech synthesis model capable of controlling rhyme and time signature can be constructed.
이하에서는, 도 16을 참조하여 단계 S400에서 수행될 수 있는 음성 합성 과정에 대하여 상세하게 설명하도록 한다.Hereinafter, a speech synthesis process that may be performed in step S400 will be described in detail with reference to FIG. 16.
도 16은 본 개시의 몇몇 실시예에 따른 음성 합성 모델 기반의 음성 합성 과정을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.16 is an exemplary flowchart illustrating a speech synthesis process based on a speech synthesis model according to some embodiments of the present disclosure. However, this is only a preferred embodiment for achieving the object of the present disclosure, of course, some steps may be added or deleted as necessary.
도 16에 도시된 바와 같이, 상기 음성 합성 방법은 합성용 텍스트를 전처리하는 단계 S410에서 시작된다.As shown in FIG. 16, the speech synthesis method starts at step S410 of preprocessing synthesis text.
단계 S420에서, 임베딩을 통해 전처리된 합성용 텍스트가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터는 음소 별로 생성될 수 있고, 음절 별로 생성될 수도 있으며, 이는 실시예에 따라 얼마든지 달라질 수 있다. 상기 임베딩은 음성 합성 모델(e.g. 도 7의 73)을 구성하는 임베딩 모듈(e.g. 도 7의 71)에서 수행될 수 있을 것이나, 별도의 임베딩 모듈에서 수행될 수도 있다.In step S420, the synthesis text preprocessed through embedding is converted into a character embedding vector. The character embedding vector may be generated for each phoneme or for each syllable, which may vary depending on the embodiment. The embedding may be performed in the embedding module (e.g. 71 in FIG. 7) constituting the speech synthesis model (e.g. 73 in FIG. 7), but may be performed in a separate embedding module.
단계 S430에서, 음성 합성 모델의 애그리게이터 모듈(e.g. 도 7의 73)에서 문자 임베딩 벡터와 합성용 운율 정보 및 합성용 박자 정보를 애그리게이팅하여 인코더 신경망(e.g. 도 7의 75)의 입력 시퀀스를 구성하는 입력 벡터가 생성된다. 이를테면, 문자 임베딩 벡터에 상기 운율 정보 및 상기 박자 정보를 연결함으로 상기 입력 벡터가 생성될 수 있고, 상기 입력 벡터의 시퀀스가 상기 인코더 신경망의 입력 시퀀스가 될 수 있다. 다만, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.In step S430, the aggregator module of the speech synthesis model (eg, 73 in FIG. 7) is aggregated to construct an input sequence of the encoder neural network (
단계 S440에서, 인코더 신경망(e.g. 도 7의 75)에서 입력 시퀀스에 대해 인코딩이 수행된다. 이를 통해, 상기 입력 시퀀스가 인코딩된 벡터로 변환되고, 상기 인코딩된 벡터가 상기 인코더 신경망에서 출력된다.In step S440, encoding is performed on the input sequence in the encoder neural network (e. G. 75 in FIG. 7). Through this, the input sequence is converted into an encoded vector, and the encoded vector is output from the encoder neural network.
단계 S450에서, 음성 합성 모델의 디코더 신경망(e.g. 도 7의 79)에서 상기 인코딩된 벡터에 대한 디코딩이 수행된다. 이를 통해, 상기 인코딩된 벡터가 프레임 단위의 스펙트로그램 데이터로 구성된 출력 시퀀스로 변환되고, 상기 출력 시퀀스가 상기 디코더 신경망에서 출력된다.In step S450, decoding of the encoded vector is performed in a decoder neural network (e. G. 79 of FIG. 7) of the speech synthesis model. Through this, the encoded vector is converted into an output sequence consisting of spectrogram data in units of frames, and the output sequence is output from the decoder neural network.
몇몇 실시예에서, 상기 디코더 신경망은 상기 인코더 신경망과 상기 디코더 신경망의 사이에 위치한 어텐션 모듈(e.g. 도 7의 77)로부터 어텐션 정보를 더 입력받고, 상기 어텐션 정보를 더 이용하여 디코딩을 수행할 수 있다.In some embodiments, the decoder neural network may further receive attention information from an attention module (eg, 77 of FIG. 7) located between the encoder neural network and the decoder neural network, and perform decoding by further using the attention information. .
또한, 몇몇 실시예에서, 상기 디코더 신경망은 이전 프레임의 스펙트로그램 데이터를 입력받고, 이를 더 이용하여 현재 프레임의 스펙트로그램 데이터를 출력할 수 있다.In addition, in some embodiments, the decoder neural network may receive spectrogram data of a previous frame and further output spectrogram data of the current frame.
단계 S450에서, 출력 시퀀스에 포함된 프레임 단위의 스펙트로그램 데이터를 보코딩하여 오디오 형식의 목표 음성이 합성된다. 이때, 상기 목표 음성은 합성용 운율 정보 및 합성용 박자 정보가 반영된 음성이 된다.In step S450, the spectrogram data in units of frames included in the output sequence is vocoded to synthesize a target voice in an audio format. At this time, the target voice is a voice in which the synthesis rhyme information and the synthesis beat information are reflected.
몇몇 실시예에서는, GUI(Graphical User Interface)를 통해 상기 목표 음성이 시각적으로 제공될 수도 있다. 상기 GUI에 대한 실례는 도 17에 도시되어 있다. 도 17의 상단에 도시된 표(171)는 합성용 텍스트/운율/박자 정보를 음절 단위로 표시한 것이고, 도 17의 하단에 도시된 GUI(175)는 표(171)의 합성용 정보로부터 합성된 목표 음성을 음성 파형의 형태로 표시한 것이다. 특히, 상기 도시된 음성 파형은 전술한 실시예들에 따라 구축된 음성 합성 모델을 통해 합성된 실제 결과를 도시한 것이다.In some embodiments, the target voice may be provided visually via a graphical user interface (GUI). An example of such a GUI is shown in FIG. 17. The table 171 shown at the top of FIG. 17 displays text / rhyme / beat information for synthesis in syllable units, and the
도 17에 도시된 바와 같이, 합성용 운율 정보와 합성용 박자 정보에 따라 목표 음성이 정확하게 합성되는 것을 확인할 수 있다. 가령, 음절("이")의 음정 정보(173)는 "660Hz"이고, 음절("이")의 음정 정보(174)는 "663Hz"이므로 다른 음절에 비해 상대적으로 높은 음정 값으로 설정되었는데, 음절("이")와 음절("름")의 음성 파형(177, 178)이 높은 음정으로 합성된 것을 확인할 수 있다. 또한, 음절("요")의 박자 정보(172)는 "0.5sec"로 다른 음절에 비해 상대적으로 음길이가 길게 설정되었는데, 음절("요")의 음성 파형(176)이 긴 음길이로 합성된 것을 확인할 수 있다.As shown in FIG. 17, it can be confirmed that the target voice is accurately synthesized according to the synthesis rhyme information and the synthesis time information. For example, since the
전술한 단계 S410 내지 S460 중에서, 단계 S410은 텍스트 전처리부(31)에 의해 수행되고, 단계 S420 내지 S450은 합성부(65)와 음성 합성 모델(63)에 의해 수행되며, 단계 S460은 보코더부(67)에 의해 수행될 수 있다.Among the above-described steps S410 to S460, step S410 is performed by the
지금까지 도 14 내지 도 17을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 설명하였다. 이하에서는, 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)에 대하여 설명하도록 한다.So far, the speech synthesis method according to some embodiments of the present disclosure has been described with reference to FIGS. 14 to 17. Hereinafter, an
도 18은 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)를 나타내는 하드웨어 구성도이다.18 is a hardware diagram illustrating an
도 18에 도시된 바와 같이, 컴퓨팅 장치(180)는 하나 이상의 프로세서(181), 버스(183), 통신 인터페이스(184), 프로세서(181)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(182)와, 컴퓨터 프로그램(186)을 저장하는 스토리지(185)를 포함할 수 있다. 다만, 도 18에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 18에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.As shown in FIG. 18, the
프로세서(181)는 컴퓨팅 장치(180)의 각 구성의 전반적인 동작을 제어한다. 프로세서(181)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(181)는 본 개시의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(180)는 하나 이상의 프로세서를 구비할 수 있다.The
메모리(182)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(182)는 본 개시의 실시예들에 따른 음성 합성 방법을 실행하기 위하여 스토리지(185)로부터 하나 이상의 프로그램(186)을 로드할 수 있다. 가령, 메모리(182)에 컴퓨터 프로그램(186)이 로드되면, 도 2에 도시된 바와 같은 모듈이 메모리(182) 상에 구현될 수 있다. 메모리(182)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.The
버스(183)는 컴퓨팅 장치(180)의 구성 요소 간 통신 기능을 제공한다. 버스(183)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.The
통신 인터페이스(184)는 컴퓨팅 장치(180)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(184)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(184)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.The
몇몇 실시예에 따르면, 통신 인터페이스(184)는 생략될 수도 있다.According to some embodiments,
스토리지(185)는 상기 하나 이상의 프로그램(186)과 각종 데이터를 비임시적으로 저장할 수 있다. 가령, 컴퓨팅 장치(180)를 통해 음성 합성 장치(10)가 구현되는 경우라면, 상기 각종 데이터는 저장부(25)에 의해 관리되는 데이터를 포함할 수 있다.The
스토리지(185)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(186)은 메모리(182)에 로드될 때 프로세서(181)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(181)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.
예를 들어, 컴퓨터 프로그램(186)은 학습용 데이터셋을 획득하는 동작, 상기 학습용 데이터셋을 이용하여 음성 합성 모델을 구축하는 동작, 합성용 데이터를 획득하는 동작 및 상기 음성 합성 모델을 이용하여 상기 합성용 데이터에 대한 목표 음성을 합성하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(180)를 통해 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)가 구현될 수 있다.For example, the
지금까지 도 1 내지 도 18을 참조하여 본 개시의 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)에 대하여 설명하였다.So far, the
지금까지 도 1 내지 도 18을 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.So far, various embodiments of the present disclosure and effects according to the embodiments have been described with reference to FIGS. 1 to 18. Effects according to the technical spirit of the present disclosure are not limited to the above-mentioned effects, other effects not mentioned will be clearly understood by those skilled in the art from the following description.
지금까지 도 1 내지 도 18을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.The technical idea of the present disclosure described above with reference to FIGS. 1 to 18 may be implemented as computer readable codes on a computer readable medium. The computer-readable recording medium may be, for example, a removable recording medium (CD, DVD, Blu-ray disc, USB storage device, removable hard disk) or a fixed recording medium (ROM, RAM, computer equipped hard disk). Can be. The computer program recorded on the computer-readable recording medium may be transmitted to another computing device and installed in the other computing device through a network such as the Internet, thereby being used in the other computing device.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.In the above description, it is described that all the elements constituting the embodiments of the present disclosure are combined or operated as one, but the technical spirit of the present disclosure is not necessarily limited to these embodiments. That is, within the scope of the present disclosure, all of the components may be selectively operated in one or more combinations.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.Although the operations are shown in a specific order in the drawings, it should not be understood that the operations must be performed in the specific order or sequential order shown or that all the illustrated operations must be executed to achieve the desired results. In certain circumstances, multitasking and parallel processing may be advantageous. Moreover, the separation of the various configurations in the embodiments described above should not be understood as requiring that separation, and the described program components and systems may generally be integrated together into a single software product or packaged into multiple software products. Should be understood.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.While the embodiments of the present disclosure have been described with reference to the accompanying drawings, a person of ordinary skill in the art may implement the present disclosure in other specific forms without changing the technical spirit or essential features. I can understand that there is. Therefore, it should be understood that the embodiments described above are exemplary in all respects and are not intended to be limiting. The protection scope of the present disclosure should be interpreted by the following claims, and all technical ideas within the scope equivalent thereto shall be interpreted as being included in the scope of the technical idea defined by the present disclosure.
Claims (16)
상기 전처리된 텍스트와 박자 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 박자 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되,
상기 음성 합성 모델은,
상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈;
상기 박자 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈;
상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망; 및
상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함하고,
상기 음성 합성부는,
상기 전처리부에 의해 전처리된 학습용 텍스트와 정답 박자 정보를 상기 음성 합성 모델에 입력하고, 그 결과로 획득된 예측 스펙트로그램 데이터를 정답 스펙트로그램 데이터와 비교하여 오차 값을 산출하며, 상기 산출된 오차 값에 어텐션 오차 값을 더 포함시켜 역전파(back-propagation)하여 상기 음성 합성 모델을 학습시키고,
상기 음성 합성 모델은,
상기 인코더 신경망과 상기 디코더 신경망 사이에 위치하고 상기 디코더 신경망이 상기 인코딩된 벡터에서 집중할 부분을 나타내는 어텐션 정보를 제공하는 어텐션(attention) 모듈을 더 포함하되,
상기 어텐션 오차 값은 상기 어텐션 정보와 상기 정답 박자 정보 간의 오차 값인,
음성 합성 장치.A preprocessor for preprocessing the input text; And
A speech synthesizer for inputting the preprocessed text and time signature information into a neural network-based speech synthesis model to synthesize a target voice reflecting the time signature information with respect to the input text;
The speech synthesis model,
An embedding module for converting the preprocessed text into a character embedding vector;
An aggregator module for generating an input vector constituting an input sequence by aggregating the beat information and the character embedding vector;
An encoder neural network that encodes the input sequence and outputs an encoded vector; And
A decoder neural network for decoding the encoded vector and outputting an output sequence associated with the target speech;
The speech synthesis unit,
The training text and correct time signature information preprocessed by the preprocessor are input to the speech synthesis model, and the predicted spectrogram data obtained as a result is compared with the correct answer spectrogram data to calculate an error value. Further include an attention error value to back-propagation to train the speech synthesis model,
The speech synthesis model,
An attention module located between the encoder neural network and the decoder neural network and providing attention information indicating a portion of the decoder neural network to concentrate in the encoded vector;
The attention error value is an error value between the attention information and the correct time signature information,
Speech synthesis device.
상기 인코더 신경망 및 상기 디코더 신경망은 RNN(Recurrent Neural Network) 또는 셀프 어텐션(self-attention) 기법에 기반하여 구현되는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The encoder neural network and the decoder neural network may be implemented based on a recurrent neural network (RNN) or a self-attention technique.
Speech synthesis device.
상기 애그리게이터 모듈은,
상기 문자 임베딩 벡터와 상기 박자 정보를 연결(concatenate)하여 상기 입력 벡터를 생성하는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The aggregator module,
Characterized in that the input vector is generated by concatenating the character embedding vector and the time signature.
Speech synthesis device.
상기 애그리게이터 모듈은,
소정의 모델을 이용하여 상기 문자 임베딩 벡터와 상기 박자 정보를 애그리게이팅하여 상기 입력 벡터를 생성하는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The aggregator module,
Characterized in that the input vector is generated by aggregating the character embedding vector and the time signature information using a predetermined model.
Speech synthesis device.
상기 박자 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음의 길이(duration) 정보인 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The time signature information may be duration information set for each phoneme or syllable for the input text.
Speech synthesis device.
상기 출력 시퀀스는 스펙트로그램(spectrogram) 형태의 데이터로 구성되고,
상기 음성 합성부는,
상기 출력 시퀀스를 상기 목표 음성으로 변환하는 보코더부를 더 포함하는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The output sequence is composed of data in the form of a spectrogram,
The speech synthesis unit,
Further comprising a vocoder for converting the output sequence into the target voice.
Speech synthesis device.
상기 역전파를 통해 상기 인코더 신경망의 가중치와 상기 디코더 신경망의 가중치가 함께 갱신되는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The weight of the encoder neural network and the weight of the decoder neural network is updated together through the backpropagation,
Speech synthesis device.
상기 전처리부는,
오디오 형식의 정답 음성 데이터를 상기 정답 스펙트로그램 데이터로 변환하는 음성 전처리부; 및
상기 정답 음성 데이터를 분석하여 상기 정답 박자 정보를 추출하는 박자 정보 추출부를 포함하는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The preprocessing unit,
A speech preprocessor for converting correct answer speech data in an audio format into the correct answer spectrogram data; And
Characteristic information analysis unit for extracting the correct time signature information by analyzing the correct answer voice data, characterized in that
Speech synthesis device.
상기 애그리게이터 모듈은,
상기 입력된 텍스트에 대한 운율 정보를 더 애그리게이팅하여 상기 입력 벡터를 생성하고,
상기 인코더 신경망은,
상기 목표 음성에 상기 운율 정보가 더 반영되도록 상기 입력 벡터에 포함된 상기 운율 정보를 함께 인코딩하여 상기 인코딩된 벡터를 생성하는 것을 특징으로 하는,
음성 합성 장치.According to claim 1,
The aggregator module,
Generating the input vector by further aggregating rhyme information on the input text,
The encoder neural network,
And encoding the rhyme information included in the input vector together to further reflect the rhyme information in the target voice to generate the encoded vector.
Speech synthesis device.
정답 음성 데이터에 대한 음성 분석을 통해 상기 정답 음성 데이터에 대한 운율 정보를 추출하는 음성 분석부; 및
상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되,
상기 음성 합성 모델은,
상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈;
상기 문자 임베딩 벡터를 이용하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈;
상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망; 및
상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함하되,
상기 디코더 신경망은 상기 음성 분석부로부터 운율 정보를 직접 제공받아 상기 인코딩된 벡터와 함께 디코딩함으로써, 상기 출력 시퀀스를 출력하는 것을 특징으로 하는,
음성 합성 장치.A preprocessor for preprocessing the input text;
A speech analyzing unit configured to extract rhyme information on the correct speech data through speech analysis on the correct speech data; And
A speech synthesizer for inputting the preprocessed text and rhyme information into a neural network-based speech synthesis model to synthesize a target voice reflecting the rhyme information with respect to the input text;
The speech synthesis model,
An embedding module for converting the preprocessed text into a character embedding vector;
An aggregator module for generating an input vector constituting an input sequence using the character embedding vector;
An encoder neural network that encodes the input sequence and outputs an encoded vector; And
A decoder neural network for decoding the encoded vector and outputting an output sequence associated with the target speech,
The decoder neural network receives rhyme information directly from the speech analyzer and decodes the encoded vector together with the encoded vector to output the output sequence.
Speech synthesis device.
상기 운율 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음정(pitch) 정보를 포함하는 것을 특징으로 하는,
음성 합성 장치.The method of claim 13,
The rhyme information includes pitch information set for each phoneme or syllable for the input text.
Speech synthesis device.
상기 음성 합성 모델은,
박자 정보를 더 반영하기 위해 상기 문자 임베딩 벡터와 상기 박자 정보를 애그리게이팅하여 상기 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈을 더 포함하고,
상기 인코더 신경망은,
상기 목표 음성에 상기 박자 정보가 더 반영되도록 상기 입력 벡터에 포함된 상기 박자 정보를 함께 인코딩하여 상기 인코딩된 벡터를 생성하는 것을 특징으로 하는,
음성 합성 장치.The method of claim 13,
The speech synthesis model,
And an aggregator module for generating an input vector constituting the input sequence by aggregating the character embedding vector and the time signature information to further reflect time signature information.
The encoder neural network,
And encoding the beat information included in the input vector together so that the beat information is further reflected in the target voice to generate the encoded vector.
Speech synthesis device.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190030903A KR102057926B1 (en) | 2019-03-19 | 2019-03-19 | Apparatus for synthesizing speech and method thereof |
PCT/KR2020/003753 WO2020190050A1 (en) | 2019-03-19 | 2020-03-19 | Speech synthesis apparatus and method therefor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190030903A KR102057926B1 (en) | 2019-03-19 | 2019-03-19 | Apparatus for synthesizing speech and method thereof |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190167462A Division KR20200111608A (en) | 2019-12-16 | 2019-12-16 | Apparatus for synthesizing speech and method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102057926B1 true KR102057926B1 (en) | 2019-12-20 |
Family
ID=69062788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190030903A KR102057926B1 (en) | 2019-03-19 | 2019-03-19 | Apparatus for synthesizing speech and method thereof |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102057926B1 (en) |
WO (1) | WO2020190050A1 (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020190050A1 (en) * | 2019-03-19 | 2020-09-24 | 휴멜로 주식회사 | Speech synthesis apparatus and method therefor |
KR102168529B1 (en) | 2020-05-29 | 2020-10-22 | 주식회사 수퍼톤 | Method and apparatus for synthesizing singing voice with artificial neural network |
CN112542153A (en) * | 2020-12-02 | 2021-03-23 | 北京沃东天骏信息技术有限公司 | Duration prediction model training method and device, and speech synthesis method and device |
CN113035169A (en) * | 2021-03-12 | 2021-06-25 | 北京帝派智能科技有限公司 | Voice synthesis method and system capable of training personalized tone library on line |
WO2021127821A1 (en) * | 2019-12-23 | 2021-07-01 | 深圳市优必选科技股份有限公司 | Speech synthesis model training method, apparatus, computer device, and storage medium |
KR102277205B1 (en) | 2020-03-18 | 2021-07-15 | 휴멜로 주식회사 | Apparatus for converting audio and method thereof |
KR20210108293A (en) * | 2020-02-25 | 2021-09-02 | 휴멜로 주식회사 | Apparatus for generating text and method thereof |
KR20220021257A (en) | 2020-08-13 | 2022-02-22 | 국방과학연구소 | Voice synthesis device and method using attention mechanism |
WO2022045651A1 (en) * | 2020-08-27 | 2022-03-03 | 네오사피엔스 주식회사 | Method and system for applying synthetic speech to speaker image |
WO2022065603A1 (en) * | 2020-09-25 | 2022-03-31 | 주식회사 딥브레인에이아이 | Text-based voice synthesis method and device |
WO2022253061A1 (en) * | 2021-06-03 | 2022-12-08 | 华为技术有限公司 | Voice processing method and related device |
US11983626B2 (en) | 2020-05-25 | 2024-05-14 | Samsung Electronics Co., Ltd. | Method and apparatus for improving quality of attention-based sequence-to-sequence model |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786006B (en) * | 2021-01-13 | 2024-05-17 | 北京有竹居网络技术有限公司 | Speech synthesis method, synthesis model training method, device, medium and equipment |
CN112887789B (en) * | 2021-01-22 | 2023-02-21 | 北京百度网讯科技有限公司 | Video generation model construction method, video generation device, video generation equipment and video generation medium |
CN112885328B (en) * | 2021-01-22 | 2024-06-28 | 华为技术有限公司 | Text data processing method and device |
CN113205793B (en) * | 2021-04-30 | 2022-05-31 | 北京有竹居网络技术有限公司 | Audio generation method and device, storage medium and electronic equipment |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006084967A (en) * | 2004-09-17 | 2006-03-30 | Advanced Telecommunication Research Institute International | Method for creating predictive model and computer program therefor |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100835374B1 (en) * | 2006-11-20 | 2008-06-04 | 한국전자통신연구원 | Method for predicting phrase break using static/dynamic feature and Text-to-Speech System and method based on the same |
KR102222122B1 (en) * | 2014-01-21 | 2021-03-03 | 엘지전자 주식회사 | Mobile terminal and method for controlling the same |
JP6251145B2 (en) * | 2014-09-18 | 2017-12-20 | 株式会社東芝 | Audio processing apparatus, audio processing method and program |
KR102137523B1 (en) * | 2017-08-09 | 2020-07-24 | 한국과학기술원 | Method of text to speech and system of the same |
KR102057926B1 (en) * | 2019-03-19 | 2019-12-20 | 휴멜로 주식회사 | Apparatus for synthesizing speech and method thereof |
-
2019
- 2019-03-19 KR KR1020190030903A patent/KR102057926B1/en active IP Right Grant
-
2020
- 2020-03-19 WO PCT/KR2020/003753 patent/WO2020190050A1/en active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006084967A (en) * | 2004-09-17 | 2006-03-30 | Advanced Telecommunication Research Institute International | Method for creating predictive model and computer program therefor |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020190050A1 (en) * | 2019-03-19 | 2020-09-24 | 휴멜로 주식회사 | Speech synthesis apparatus and method therefor |
WO2021127821A1 (en) * | 2019-12-23 | 2021-07-01 | 深圳市优必选科技股份有限公司 | Speech synthesis model training method, apparatus, computer device, and storage medium |
KR102398993B1 (en) | 2020-02-25 | 2022-05-17 | 휴멜로 주식회사 | Apparatus for generating text and method thereof |
KR20210108293A (en) * | 2020-02-25 | 2021-09-02 | 휴멜로 주식회사 | Apparatus for generating text and method thereof |
KR102277205B1 (en) | 2020-03-18 | 2021-07-15 | 휴멜로 주식회사 | Apparatus for converting audio and method thereof |
US11983626B2 (en) | 2020-05-25 | 2024-05-14 | Samsung Electronics Co., Ltd. | Method and apparatus for improving quality of attention-based sequence-to-sequence model |
KR102168529B1 (en) | 2020-05-29 | 2020-10-22 | 주식회사 수퍼톤 | Method and apparatus for synthesizing singing voice with artificial neural network |
KR20220021257A (en) | 2020-08-13 | 2022-02-22 | 국방과학연구소 | Voice synthesis device and method using attention mechanism |
WO2022045651A1 (en) * | 2020-08-27 | 2022-03-03 | 네오사피엔스 주식회사 | Method and system for applying synthetic speech to speaker image |
WO2022065603A1 (en) * | 2020-09-25 | 2022-03-31 | 주식회사 딥브레인에이아이 | Text-based voice synthesis method and device |
KR20220041448A (en) * | 2020-09-25 | 2022-04-01 | 주식회사 딥브레인에이아이 | Method and apparatus for synthesizing voice of based text |
KR102392904B1 (en) * | 2020-09-25 | 2022-05-02 | 주식회사 딥브레인에이아이 | Method and apparatus for synthesizing voice of based text |
KR20220054772A (en) * | 2020-09-25 | 2022-05-03 | 주식회사 딥브레인에이아이 | Method and apparatus for synthesizing voice of based text |
KR102586737B1 (en) * | 2020-09-25 | 2023-10-10 | 주식회사 딥브레인에이아이 | Method and apparatus for synthesizing voice of based text |
US12080270B2 (en) | 2020-09-25 | 2024-09-03 | Deepbrain Ai Inc. | Method and apparatus for text-based speech synthesis |
CN112542153A (en) * | 2020-12-02 | 2021-03-23 | 北京沃东天骏信息技术有限公司 | Duration prediction model training method and device, and speech synthesis method and device |
CN113035169B (en) * | 2021-03-12 | 2021-12-07 | 北京帝派智能科技有限公司 | Voice synthesis method and system capable of training personalized tone library on line |
CN113035169A (en) * | 2021-03-12 | 2021-06-25 | 北京帝派智能科技有限公司 | Voice synthesis method and system capable of training personalized tone library on line |
WO2022253061A1 (en) * | 2021-06-03 | 2022-12-08 | 华为技术有限公司 | Voice processing method and related device |
Also Published As
Publication number | Publication date |
---|---|
WO2020190050A1 (en) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102057926B1 (en) | Apparatus for synthesizing speech and method thereof | |
KR102057927B1 (en) | Apparatus for synthesizing speech and method thereof | |
US12033611B2 (en) | Generating expressive speech audio from text data | |
US11990118B2 (en) | Text-to-speech (TTS) processing | |
US11410684B1 (en) | Text-to-speech (TTS) processing with transfer of vocal characteristics | |
US10418025B2 (en) | System and method for generating expressive prosody for speech synthesis | |
KR20200111609A (en) | Apparatus for synthesizing speech and method thereof | |
US10692484B1 (en) | Text-to-speech (TTS) processing | |
US11763797B2 (en) | Text-to-speech (TTS) processing | |
US9978359B1 (en) | Iterative text-to-speech with user feedback | |
US9484012B2 (en) | Speech synthesis dictionary generation apparatus, speech synthesis dictionary generation method and computer program product | |
US20220246132A1 (en) | Generating Diverse and Natural Text-To-Speech Samples | |
JP2007249212A (en) | Method, computer program and processor for text speech synthesis | |
JP7379756B2 (en) | Prediction of parametric vocoder parameters from prosodic features | |
GB2603776A (en) | Methods and systems for modifying speech generated by a text-to-speech synthesiser | |
KR20200111608A (en) | Apparatus for synthesizing speech and method thereof | |
EP4014228B1 (en) | Speech synthesis method and apparatus | |
KR20230148048A (en) | Method and system for synthesizing emotional speech based on emotion prediction | |
US6178402B1 (en) | Method, apparatus and system for generating acoustic parameters in a text-to-speech system using a neural network | |
JP2001265375A (en) | Ruled voice synthesizing device | |
KR102277205B1 (en) | Apparatus for converting audio and method thereof | |
WO2023182291A1 (en) | Speech synthesis device, speech synthesis method, and program | |
EP1589524B1 (en) | Method and device for speech synthesis | |
EP1640968A1 (en) | Method and device for speech synthesis | |
Naik et al. | Voice Cloning in Real Time |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |