KR102190987B1 - 동시 발화 구간에서 개별 화자의 음성을 생성하는 인공 신경망의 학습 방법 - Google Patents

Abstract

본 발명의 실시예들은 적어도 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 생성하는 인공 신경망을 학습시키는 방법에 관한 것이다.

Description

동시 발화 구간에서 개별 화자의 음성을 생성하는 인공 신경망의 학습 방법{Method for learning artificial neural network that generates individual speaker's voice in simultaneous speech section}

본 발명의 실시예들은 적어도 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 생성하는 인공 신경망을 학습시키는 방법에 관한 것이다.

다양한 분야에서 사람의 음성으로 사물을 제어하거나, 사람들 간의 대화를 인식하고 이를 이용하고자 하는 시도가 증가하고 있는 추세이다. 그러나 이러한 기술들은 둘 이상의 화자의 동시 발화가 이루어지는 구간에서 둘 이상의 화자의 음성이 중첩됨으로 인해 그 정확도나 인식률이 떨어지는 문제점이 있었다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 정확하게 생성하고자 한다.

또한 본 발명은 생성된 화자 별 음성을 보다 효율적으로 사용자에게 제공하고자 한다.

또한 본 발명은 생성된 화자 별 음성을 이용하여, 후행하는 다양한 처리들(예를 들어 STT를 이용한 녹취록 작성 등)이 높은 정확도로 수행될 수 있도록 하고자 한다.

본 발명의 일 실시예에 따른 적어도 둘 이상의 화자의 동시 발화(發話)가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 생성하는 방법은, 상기 음성 콘텐츠를 하나 이상의 단일 화자 구간 및 하나 이상의 다수 화자 구간으로 구분하는 단계; 상기 하나 이상의 단일 화자 구간 각각에 대응되는 화자 특징값을 결정하는 단계; 결정된 화자 특징값의 유사도에 기초하여 상기 하나 이상의 단일 화자 구간을 그룹화 하여 그룹화 정보를 생성 하는 단계; 상기 그룹화 정보를 참조하여, 개별 화자 별 화자 특징값을 결정하는 단계; 및 학습된 인공 신경망 및 상기 개별 화자 별 화자 특징값을 이용하여, 상기 하나 이상의 다수 화자 구간 각각으로부터 각각의 구간 내에서의 상기 다수 화자 각각의 음성을 생성하는 단계;를 포함할 수 있다. 이때 상기 인공 신경망은 테스트 화자의 음성이 표지된 적어도 하나의 학습 데이터에 기반하여, 상기 학습 데이터에 포함되는 상기 테스트 화자의 특징값 및 상기 테스트 화자를 포함하는 복수 화자의 동시 발화 음성과 상기 테스트 화자의 음성 간의 상관관계를 학습한 신경망일 수 있다.

본 발명의 일 실시예에 따른 개별 화자 별 음성 생성 방법은 상기 구분하는 단계 이전에, 학습 데이터를 이용하여 상기 인공 신경망을 학습시키는 단계;를 더 포함할 수 있다.

상기 인공 신경망을 학습시키는 단계는 제1 화자의 음성만을 포함하는 제1 음성 콘텐츠로부터 제1 특징값을 결정하는 단계; 상기 제1 음성 콘텐츠 및 상기 제1 화자와 상이한 제2 화자의 음성만을 포함하는 제2 음성 콘텐츠를 합성하여 합성 콘텐츠를 생성하는 단계; 및 상기 합성 콘텐츠 및 상기 제1 특징값의 입력에 대응하여 상기 제1 음성 콘텐츠를 출력하도록 상기 인공 신경망을 학습시키는 단계;를 포함할 수 있다.

상기 하나 이상의 다수 화자 구간은 제1 다수 화자 구간을 포함하고, 본 발명의 일 실시예에 따른 개별 화자 별 음성 생성 방법은 상기 다수 화자 각각의 음성을 생성하는 단계 이후에, 상기 제1 다수 화자 구간 및 상기 제1 다수 화자 구간 내에서의 다수 화자 각각의 음성에 기초하여 다수 화자 구간에만 음성이 존재하는 단일 화자의 음성을 추정하는 단계;를 더 포함할 수 있다.

상기 단일 화자의 음성을 추정하는 단계는 상기 제1 다수 화자 구간에서 상기 다수 화자 각각의 음성을 제거하여 상기 다수 화자 구간에만 음성이 존재하는 단일 화자의 음성을 생성하는 단계;를 포함할 수 있다.

본 발명의 일 실시예에 따른 개별 화자 별 음성 생성 방법은 상기 다수 화자 각각의 음성을 생성하는 단계 이후에, 상기 다수 화자 별 음성을 구분하여 상기 음성 콘텐츠를 제공하는 단계;를 더 포함할 수 있다.

상기 음성 콘텐츠를 제공하는 단계는 상기 다수 화자의 음성 각각을 서로 구분되는 채널로 제공하는 단계; 및 사용자의 적어도 하나의 채널 선택에 따라, 선택된 하나 이상의 다수 화자의 음성만을 재생하는 단계; 를 포함할 수 있다.

상기 다수 화자는 제3 화자를 포함하고, 상기 서로 구분되는 채널로 제공하는 단계는 상기 제3 화자의 음성을 시간의 흐름에 따라 나열되는 시각적 개체에 대응시켜 제공하되, 상기 제3 화자의 음성이 존재하는 시간대에 대응되는 구간에만 상기 시각적 개체를 표시하여 제공할 수 있다.

본 발명의 일 실시예에 따른 적어도 둘 이상의 화자의 동시 발화(發話)가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 생성하는 인공 신경망을 학습하는 방법은, 제1 화자의 음성만을 포함하는 제1 음성 콘텐츠로부터 제1 특징값을 결정하는 단계; 상기 제1 음성 콘텐츠 및 상기 제1 화자와 상이한 제2 화자의 음성만을 포함하는 제2 음성 콘텐츠를 합성하여 합성 콘텐츠를 생성하는 단계; 및 상기 합성 콘텐츠 및 상기 제1 특징값의 입력에 대응하여 상기 제1 음성 콘텐츠를 출력하도록 상기 인공 신경망을 학습시키는 단계;를 포함할 수 있다.

본 발명에 따르면, 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 정확하게 생성할 수 있다.

특히 본 발명에 따르면, 단지 음성 콘텐츠로부터 개별 화자 별 음성을 '추출'하거나 '분리'하는 것이 아니라, '생성'함으로써 각 화자의 음성을 명확하게 재현할 수 있다.

또한 본 발명에 따르면 생성된 화자 별 음성을 보다 효율적으로 사용자에게 제공할 수 있으며, 특히 각 화자의 음성을 개별적으로 청취할 수 있도록 한다.

또한 본 발명에 따르면 생성된 화자 별 음성을 이용하여, 후행하는 다양한 처리들(예를 들어 STT를 이용한 녹취록 작성 등)이 높은 정확도로 수행될 수 있도록 한다.

도 1은 본 발명의 일 실시예에 따른 음성 생성 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 서버(100)에 구비되는 음성 생성 장치(110)의 구성을 개략적으로 도시한 도면이다.
도 3 및 도 4는 본 발명의 음성 생성 장치(110)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 제어부(112)가 인공 신경망(520)을 학습 시키는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 제어부(112)가 학습 데이터(511)를 생성하는 과정을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 제어부(112)가 다수 화자 콘텐츠(610)를 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 및 하나 이상의 다수 화자 구간(MS1, MS2, MS3)으로 구분한 예시이다.
도 8은 본 발명의 일 실시예에 따른 제어부(112)가 학습된 인공 신경망(520)을 이용하여 다수 화자 각각의 음성(SV)을 생성하는 방법을 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에 따른 제어부(112)가 다수 화자 구간에만 음성이 존재하는 단일 화자의 다수 화자 구간에서의 음성을 추정하는 방법을 설명하기 위한 도면이다.
도 10은 다수 화자 콘텐츠가 사용자 단말(200)에 제공된 화면(700)의 예시이다.
도 11은 본 발명의 일 실시예에 따른 음성 생성 장치(110)에 의해 수행되는 개별 화자 별 음성 생성 방법을 설명하기 위한 흐름도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 형태는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

도 1은 본 발명의 일 실시예에 따른 음성 생성 시스템의 구성을 개략적으로 도시한 도면이다. 도 1을 참조하면, 본 발명의 일 실시예에 따른 음성 생성 시스템은 서버(100), 사용자 단말(200), 외부장치(300) 및 통신망(400)을 포함할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 시스템은 학습된 인공 신경망을 이용하여, 적어도 둘 이상의 화자의 동시 발화(發話)가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 각 개별 화자의 음성을 생성할 수 있다.

본 발명에서 '인공 신경망'은 서버(100) 및/또는 외부장치(300)가 수행하는 서비스에 적합하게 학습된 신경망으로, 머신 러닝(Machine Learning) 또는 딥러닝(Deep Learning) 기법에 의해 학습된 인공 신경망을 의미할 수 있다. 이와 같은 신경망의 구조에 대해서는 도 3 및 도 4를 참조하여 후술한다.

본 발명에서 '발화'(發話)는 사람이 소리를 내어 말을 하는 현실적인 언어 행위를 의미할 수 있다. 따라서 적어도 둘 이상의 화자가 동시에 발화 하는 것은 적어도 둘 이상의 화자가 동시에 소리를 내어 말을 하여 두 화자의 음성이 중첩되는 상태가 되는 것을 의미할 수 있다.

본 발명에서 '구간'은 시점 시각과 종점 시각으로 정의되는 시구간을 의미할 수 있다. 가령 구간은 0.037초부터 0.72초까지와 같이 두 개의 시각으로 정의되는 시구간일 수 있다.

본 발명에서 '적어도 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠'(이하 다수 화자 콘텐츠)는 화자가 둘 이상이여서 두 화자의 목소리가 중첩되는 구간을 포함하는 멀티미디어 개체를 의미할 수 있다. 이와 같은 다수 화자 콘텐츠는 음성만을 포함하는 개체일 수도 있고, 음성과 영상을 포함하는 개체로부터 음성만이 분리된 것 일 수도 있다.

본 발명에서 음성의 '생성'은 음성을 구성하는 하나 성분(시간 도메인 에서의 성분 및/또는 주파수 도메인에서의 성분)을 이용하여 음성을 발생시키는 것으로, 음성의 '합성'과 구별되는 개념일 수 있다. 따라서 음성의 생성은 소정의 단위로 미리 녹음된 음성의 조각(가령 음소 단위로 녹음된 음성의 조각)을 대상 문자열의 순서에 따라 단순히 이어붙이는 음성의 합성 방식과 상이한 방식을 의미한다.

본 발명의 일 실시예에 따른 사용자 단말(200)은 사용자가 서버(100) 및/또는 외부장치(300)에 의해 제공되는 다양한 서비스를 이용할 수 있도록 사용자와 서버(100) 및/또는 외부장치(300)를 매개하는 다양한 형태의 장치를 의미할 수 있다. 바꾸어 말하면, 본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100) 및/또는 외부장치(300)와 데이터를 송수신 하는 다양한 장치를 의미할 수 있다.

본 발명의 일 실시예에 따른 사용자 단말(200)은 서버(100)로 다수 화자 콘텐츠를 전송하고, 서버(100)로부터 생성된 다수 화자 각각의 음성을 수신하는 장치일 수 있다. 이와 같은 사용자 단말(200)은 도 1에 도시된 바와 같이, 휴대용 단말(201, 202, 203)을 의미할 수도 있고, 컴퓨터(204)를 의미할 수도 있다.

한편 사용자 단말(200)은 상술한 기능을 수행하기 위해 콘텐츠 등을 표시하기 위한 표시수단, 이러한 콘텐츠에 대한 사용자의 입력을 획득하기 위한 입력수단을 구비할 수 있다. 이 때 입력수단 및 표시수단은 다양하게 구성될 수 있다. 가령 입력수단은 키보드, 마우스, 트랙볼, 마이크, 버튼, 터치패널 등을 포함할 수 있으나 이에 한정되지 않는다.

본 발명의 일 실시예에 따른 외부장치(300)는 음성 생성 서비스를 제공하는 장치를 의미할 수 있다. 가령 외부장치(300)는 다수 화자 콘텐츠를 서버(100)로 전송하고, 서버(100)로부터 다수 화자 각각의 음성을 수신하고, 외부장치(300)에 연결된 다양한 장치(예를 들어 클라이언트 단말(미도시) 등)에 서버(100)로부터 수신된 음성을 제공하는 장치일 수 있다.

바꾸어말하면 외부장치(300)는 서버(100)가 제공하는 음성 생성 서비스를 자신의 서비스에 이용하기 위한 제3 자의 장치일 수 있다. 다만 이는 예시적인것으로, 외부장치(300)의 용도, 목적 및/또는 수량이 상술한 내용에 의해 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 통신망(400)은 음성 생성 시스템의 각 구성 간의 데이터 송수신을 매개하는 통신망을 의미할 수 있다. 가령 통신망(400)은 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 서버(100)는 전술한 바와 같이 학습된 인공 신경망을 이용하여, 적어도 둘 이상의 화자의 동시 발화가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 각 개별 화자의 음성을 생성할 수 있다.

도 2는 본 발명의 일 실시예에 따른 서버(100)에 구비되는 음성 생성 장치(110)의 구성을 개략적으로 도시한 도면이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 음성 생성 장치(110)는 통신부(111), 제어부(112) 및 메모리(113)를 포함할 수 있다. 또한 도면에는 도시되지 않았으나, 본 실시예에 따른 음성 생성 장치(110)는 입/출력부, 프로그램 저장부 등을 더 포함할 수 있다.

통신부(111)는 음성 생성 장치(110)가 사용자 단말(200) 및/또는 외부장치(300)와 같은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.

제어부(112)는 프로세서(Processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(Processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

메모리(113)는 음성 생성 장치(110)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 메모리는 자기 저장 매체(Magnetic Storage Media) 또는 플래시 저장 매체(Flash Storage Media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 가령 메모리(113)는 인공 신경망을 구성하는 데이터들(가령 계수들)을 일시적 및/또는 영구적으로 저장할 수 있다. 물론 메모리(113)는 인공 신경망을 학습하기 위한 학습 데이터도 저장할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

도 3 및 도 4는 본 발명의 음성 생성 장치(110)에 의해 학습된 인공 신경망의 예시적인 구조를 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 인공 신경망은 도 3에 도시된 바와 같은 합성 곱 신경망(CNN: Convolutional Neural Network) 모델에 따른 인공 신경망일 수 있다. 이때 CNN 모델은 복수의 연산 레이어(Convolutional Layer, Pooling Layer)를 번갈아 수행하여 최종적으로는 입력 데이터의 특징을 추출하는 데 사용되는 계층 모델일 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 학습 데이터를 지도학습(Supervised Learning) 기법에 따라 처리하여 인공 신경망 모델을 구축하거나 학습시킬 수 있다. 제어부(112)가 인공 신경망을 학습시키는 방법에 대한 상세한 설명은 후술한다.

본 발명의 일 실시예에 따른 제어부(112)는 입력 데이터의 특징 값을 추출하기 위한 컨볼루션 레이어(Convolution layer), 추출된 특징 값을 결합하여 특징 맵을 구성하는 풀링 레이어(pooling layer)를 생성할 수 있다.

또한 본 발명의 일 실시예에 따른 제어부(112)는 생성된 특징 맵을 결합하여, 입력 데이터가 복수의 항목 각각에 해당할 확률을 결정할 준비를 하는 풀리 커넥티드 레이어(Fully Conected Layer)를 생성할 수 있다.

마지막으로 제어부(112)는 입력 데이터에 대응되는 출력을 포함하는 아웃풋 레이어(Output Layer)를 산출할 수 있다. 가령 제어부(112)는 개별 화자의 음성을 구성하는 적어도 하나의 주파수 성분을 포함하는 아웃풋 레이어를 산출할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

도 3에 도시된 예시에서는, 입력 데이터가 5X7 형태의 블록으로 나누어지며, 컨볼루션 레이어의 생성에 5X3 형태의 단위 블록이 사용되고, 풀링 레이어의 생성에 1X4 또는 1X2 형태의 단위 블록이 사용되는 것으로 도시되었지만, 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 입력 데이터의 종류 및/또는 각 블록의 크기는 다양하게 구성될 수 있다.

한편 이와 같은 인공 신경망은 전술한 메모리(113)에 인공 신경망을 구성하는 적어도 하나의 노드의 계수, 노드의 가중치 및 인공 신경망을 구성하는 복수의 레이어 간의 관계를 정의하는 함수의 계수들의 형태로 저장될 수 있다. 물론 인공 신경망의 구조 또한 메모리(113)에 소스코드 및/또는 프로그램의 형태로 저장될 수 있다.

본 발명의 일 실시예에 따른 인공 신경망은 도 4에 도시된 바와 같은 순환 신경망(Recurrent Neural Network, RNN) 모델에 따른 인공 신경망일 수 있다.

도 4를 참조하면, 이와 같은 순환 신경망(RNN) 모델에 따른 인공 신경망은 적어도 하나의 입력 노드(N1)를 포함하는 입력 레이어(L1), 복수의 히든 노드(N2)를 포함하는 히든 레이어(L2) 및 적어도 하나의 출력 노드(N3)를 포함하는 출력 레이어(L3)를 포함할 수 있다. 이때 입력 레이어(L1)의 적어도 하나의 입력 노드(N1)에는 개별 화자의 화자 특징값 및 다수 화자 콘텐츠가 입력될 수 있다. 개별 화자의 화자 특징값에 대한 상세한 설명은 후술한다.

히든 레이어(L2)는 도시된 바와 같이 전체적으로 연결된(Fully Connected) 하나 이상의 레이어를 포함할 수 있다. 히든 레이어(L2)가 복수의 레이어를 포함하는 경우, 인공 신경망은 각각의 히든 레이어 사이의 관계를 정의하는 함수(미도시)를 포함할 수 있다.

출력 레이어(L3)의 적어도 하나의 출력 노드(N3)는 제어부(112)의 제어에 따라 인공 신경망이 입력 레이어(L1)의 입력 값으로부터 생성한 출력 값을 포함할 수 있다. 가령 출력 레이어(L3)는 전술한 개별 화자의 화자 특징값 및 다수 화자 콘텐츠에 대응되는 개별 화자의 음성을 구성하는 데이터를 포함할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

각 레이어의 각 노드에 포함되는 값은 벡터일 수 있다. 또한 각 노드는 해당 노드의 중요도에 대응되는 가중치를 포함할 수도 있다.

한편 인공 신경망은 입력 레이어(L1)와 히든 레이어(L2)의 관계를 정의하는 제1 함수(F1) 및 히든 레이어(L2)와 출력 레이어(L3)의 관계를 정의하는 제2 함수(F2)를 포함할 수 있다.

제1 함수(F1)는 입력 레이어(L1)에 포함되는 입력 노드(N1)와 히든 레이어(L2)에 포함되는 히든 노드(N2)간의 연결관계를 정의할 수 있다. 이와 유사하게, 제2 함수(F2)는 히든 레이어(L2)에 포함되는 히든 노드(N2)와 출력 레이어(L2)에 포함되는 출력 노드(N2)간의 연결관계를 정의할 수 있다.

이와 같은 제1 함수(F1), 제2 함수(F2) 및 히든 레이어 사이의 함수들은 이전 노드의 입력에 기초하여 결과물을 출력하는 순환 신경망 모델을 포함할 수 있다.

제어부(112)에 의해 인공 신경망이 학습되는 과정에서, 복수의 학습 데이터에 기초하여 제1 함수(F1) 및 제2 함수(F2)가 학습될 수 있다. 물론 인공 신경망이 학습되는 과정에서 전술한 제1 함수(F1) 및 제2 함수(F2) 외에 복수의 히든 레이어 사이의 함수들 또한 학습될 수 있다.

본 발명의 일 실시예에 따른 인공 신경망은 표지(Labeled)된 학습 데이터를 기반으로 지도학습(Supervised Learning) 방식으로 학습될 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 복수의 학습 데이터를 이용하여, 어느 하나의 입력 데이터를 인공 신경망에 입력하여 생성된 출력 값이 해당 학습 데이터에 표지된 값에 근접하도록 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신하는 과정을 반복하여 수행함으로써 인공 신경망을 학습시킬 수 있다.

이때 본 발명의 일 실시예에 따른 제어부(112)는 역전파(Back Propagation) 알고리즘에 따라 전술한 함수들(F1, F2, 히든 레이어 사이의 함수들 등)을 갱신할 수 있다. 다만 이는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

한편 도 3 및 도 4에서 설명한 인공 신경망의 종류 및/또는 구조는 예시적인 것으로 본 발명의 사상이 이에 한정되는 것은 아니다. 따라서 다양한 종류의 모델의 인공 신경망이 명세서를 통하여 설명하는 '인공 신경망'에 해당할 수 있다.

이하에서는 인공 신경망의 학습 과정에 대해서 먼저 설명하고, 학습된 인공 신경망을 이용하여 음성을 생성하는 방법을 나중에 설명한다.

도 5는 본 발명의 일 실시예에 따른 제어부(112)가 인공 신경망(520)을 학습 시키는 과정을 설명하기 위한 도면이다.

본 발명에서 인공 신경망(520)은 테스트 화자의 음성이 표지된 적어도 하나의 학습 데이터(510)에 기반하여, 학습 데이터에 포함되는 테스트 화자의 특징값 및 테스트 화자를 포함하는 복수 화자의 동시 발화 음성과 테스트 화자의 음성 간의 상관관계를 학습한(또는 학습 하는) 신경망을 의미할 수 있다.

바꾸어말하면, 본 발명에서 인공 신경망(520)은 화자 특징값 및 다수 화자 콘텐츠의 입력에 대응하여 입력된 화자 특징값에 대응되는 음성을 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.

한편 인공 신경망(520)의 학습을 위한 적어도 하나의 학습 데이터(510)는 전술한 바와 같이 테스트 화자의 특징값, 테스트 화자를 포함하는 복수 화자의 동시 발화 음성을 포함하고, 테스트 화자의 음성(복수 화자의 동시 발화 음성에 포함된)을 표지(Lable)로써 포함할 수 있다. 가령 첫 번째 학습 데이터(511)의 경우, 테스트 화자의 특징값(511a), 테스트 화자를 포함하는 복수 화자의 동시 발화 음성(511b)을 포함하고, 동시 발화 음성(511b)에 포함된 테스트 화자의 음성(V)을 표지(Lable)로써 포함할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 인공 신경망(520)의 학습을 위한 적어도 하나의 학습 데이터(510)를 생성할 수 있다. 이하에서는 제어부(112)가 첫 번째 학습 데이터(511)를 생성하는 과정에 대해서 예시적으로 설명한다.

도 6은 본 발명의 일 실시예에 따른 제어부(112)가 학습 데이터(511)를 생성하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 제어부(112)는 제1 화자의 음성만을 포함하는 제1 음성 콘텐츠(531)로부터 제1 특징값(511a)을 결정할 수 있다. 이때 제1 특징값(511a)은 제1 화자의 음성 특성을 나타내는 다양한 유형의 개체로, 예를 들어 복수의 차원으로 정의되는 벡터(Vector)의 형태일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

이와 유사하게 제어부(112)는 제2 화자(전술한 제1 화자와 상이한 화자)의 음성만을 포함하는 제2 음성 콘텐츠(532)로부터 제2 특징값(511c)을 결정할 수도 있다. 물론 제2 특징값(511c)은 제2 화자의 음성 특성을 나타내는 다양한 유형의 개체로, 예를 들어 복수의 차원으로 정의되는 벡터(Vector)의 형태일 수 있다.

제어부(112)는 제1 음성 콘텐츠(531) 및 제2 음성 콘텐츠(532)를 합성하여 합성 콘텐츠(511b)를 생성할 수 있다. 이때 합성 콘텐츠(511b)는 도 6에 도시된 바와 같이 두 화자의 동시 발화가 이루어지는 구간을 포함할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 합성 콘텐츠(511b) 및 제1 특징값(511a)의 입력에 대응하여 제1 음성 콘텐츠(531)를 출력하도록 인공 신경망(520)을 학습시킬 수 있다. 이와 유사하게, 제어부(112)는 합성 콘텐츠(511b) 및 제2 특징값(511c)의 입력에 대응하여 제2 음성 콘텐츠(532)를 출력하도록 인공 신경망(520)을 학습시킬 수도 있다.

한편 도 5 내지 도 9 및 도 10에서, 음성 콘텐츠는 시간의 흐름에 따라 발화가 이루어지는 구간에 해당 화자의 특징값에 대응되는 도형이 표시된 형태로 간략화되어 도시되었다. 가령 도 6의 제1 음성 콘텐츠(531)의 경우, 제1 화자에 의해 발화가 이루어지는 구간에 제1 화자의 특징값에 대응되는 도형(사각파형)이 도시되었다.

또한 두 명 이상의 화자에 의해 동시 발화가 수행되는 경우, 해당 시구간에 각 화자의 특징값에 대응되는 도형이 합성된 형태로 간략화 되어 표시되었다. 가령 도 6의 합성 콘텐츠(511b)의 경우 제1 화자와 제2 화자가 동시에 발화하는 구간에서 두 화자의 특징값 각각에 대응되는 도형이 합성된 형태로 도시되었다.

이와 같은 도시 방식은 단지 설명의 편의를 위한 것으로, 본 발명의 사상이 이에 한정되는 것은 아니다.

이하에서는 상술한 과정에 따라 학습 데이터(510)에 기초하여 인공 신경망(520)이 학습되어있음을 전제로, 학습된 인공 신경망(520)을 이용하여 다수 화자 콘텐츠로부터 개별 화자의 음성을 생성하는 방법을 설명한다.

본 발명의 일 실시예에 따른 제어부(112)는 다수 화자 콘텐츠를 하나 이상의 단일 화자 구간 및 하나 이상의 다수 화자 구간으로 구분할 수 있다.

도 7은 본 발명의 일 실시예에 따른 제어부(112)가 다수 화자 콘텐츠(610)를 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 및 하나 이상의 다수 화자 구간(MS1, MS2, MS3)으로 구분한 예시이다.

본 발명에서 '단일 화자 구간'(SS1, SS2, SS3)은 다수 화자 콘텐츠(610)에서 하나의 화자의 음성만이 존재하는 시구간을 의미할 수 있다. 본 발명에서 '다수 화자 구간'(MS1, MS2, MS3)은 다수 화자 콘텐츠(610)에서 둘 이상의 화자의 음성이 존재하는 시구간을 의미할 수 있다. 각 구간(SS1, SS2, SS3, MS1, MS2, MS3)은 다수 화자 콘텐츠(610)의 시간축 상에서 시점과 종점으로 정의될 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 다양한 공지의 기법을 이용하여 다수 화자 콘텐츠(610)를 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 및 하나 이상의 다수 화자 구간(MS1, MS2, MS3)으로 구분할 수 있다. 가령 제어부(112)는 소정의 시구간내에 포함되는 주파수 성분의 다양성 등에 기초하여 구간을 구분할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 제어부(112)는 소정의 방식에 따라 전술한 과정에 의해서 구분된 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 각각에 대응되는 화자 특징값(Vf1, Vf2, Vf3)을 결정할 수 있다. 이때 제어부(112)는 다양한 공지의 기법을 이용할 수 있다.

가령 제어부(112)는 구분되는 별도의 인공 신경망(이때 인공 신경망은 음성으로부터 특징 벡터를 생성하도록 학습된 인공 신경망임)을 이용하여 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 각각에 대응되는 화자 특징값(Vf1, Vf2, Vf3)을 결정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

다수 화자 콘텐츠에서 동일 화자에 의한 단일 화자 구간이 복수일 수 있다. 가령 도 7에 도시된 바와 같이 제1 화자에 의한 단일 화자 구간(SS1, SS3)은 2개일 수 있다. 본 발명의 일 실시예에 따른 제어부(112)는 동일 화자에 의한 단일 화자 구간이 복수일 수 일 때, 복수의 구간을 동일한 화자에 의한 것으로 처리하기 위해, 복수의 구간 각각에 대한 화자 특징값(Vf1, Vf2, Vf3)의 유사도에 기초하여, 하나 이상의 단일 화자 구간을 그룹화 하여 그룹화 정보를 생성 할 수 있다. 또한 제어부(112)는 그룹화 정보를 참조하여 개별 화자 별 화자 특징값을 결정할 수 있다.

가령 제어부(112)는 제1 화자에 의한 단일 화자 구간(SS1, SS3)을 그룹화 하고, 각각의 단일 화자 구간(SS1, SS3)에서의 화자 특징값(Vf1, Vf3)의 평균을 제1 화자에 대한 특징값으로 결정할 수 있다. 이때 화자 특징값(Vf1, Vf3) 각각이 벡터인 경우, 결정된 제1 화자의 특징값은 화자 특징값(Vf1, Vf3)에 대한 평균 벡터일 수 있다.

한편 제어부(112)는 동일 화자에 의한 단일 화자 구간이 단수인 경우, 단수 구간에서의 화자 특징값을 해당 화자의 특징값으로 결정할 수 있다. 가령 제어부(112)는 단일 화자 구간(SS2)에 대응되는 화자 특징값(Vf2)을 제2 화자의 화자 특징값으로 결정할 수 있다. 다만 이와 같은 방식은 예시적인것으로, 복수의 값을 그룹화 하고 그룹에서 대표값을 추출하는 방법은 제한 없이 사용될 수 있다.

도 8은 본 발명의 일 실시예에 따른 제어부(112)가 학습된 인공 신경망(520)을 이용하여 다수 화자 각각의 음성(SV)을 생성하는 방법을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 제어부(112)는 학습된 인공 신경망(520) 및 개별 화자 별 화자 특징값(Vf_in)을 이용하여, 하나 이상의 다수 화자 구간 각각으로부터 각각의 구간 내에서의 다수 화자 각각의 음성(SV)을 생성할 수 있다. 가령 제어부(112)는 학습된 인공 신경망(520)에 제2 화자의 특징값(Vf2) 및 첫 번째 다수 화자 구간(도 7의 MS1)을 입력하고, 그 출력으로써 첫 번째 다수 화자 구간(도 7의 MS1) 내에서의 제2 화자의 음성(SV)을 생성할 수 있다. 물론 제어부(112)는 이와 유사한 방법으로, 첫 번째 다수 화자 구간으로부터 제1 화자의 음성(SV)을, 두 번째 다수 화자 구간으로부터 제3 화자의 음성(SV)을 생성할 수도 있다.

경우에 따라서, 다수 화자 콘텐츠에서 다수 화자 구간에만 음성이 존재하는 단일 화자가 존재할 수 있다. 바꾸어말하면, 단일 화자 구간이 부존재하는 단일 화자가 존재할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 이와 같이 다수 화자 구간에만 음성이 존재하는 단일 화자의 다수 화자 구간에서의 음성을 추정할 수 있다.

도 9는 본 발명의 일 실시예에 따른 제어부(112)가 다수 화자 구간에만 음성이 존재하는 단일 화자의 다수 화자 구간에서의 음성을 추정하는 방법을 설명하기 위한 도면이다.

설명의 편의를 위해, 다수 화자 음성 콘텐츠(610)가 도시된 바와 같으며, 제1 화자 및 제2 화자의 경우 단일 화자 구간의 존재로, 각각의 화자에 대한 단일 화자 음성(610a, 620b)이 도시된 바와 같이 생성되었고, 제3 화자에 대한 단일 화자 음성의 추정이 필요한 상태임을 전제로 설명한다.

상술한 가정 하에, 본 발명의 일 실시예에 따른 제어부(112)는 다수 화자 음성 콘텐츠(610)에서, 생성된 단일 화자 음성(610a, 620b)을 제거하여 다수 화자 구간에만 음성이 존재하는 단일 화자(즉 제3 화자)의 음성을 생성할 수 있다.

바꾸어말하면, 본 발명의 일 실시예에 따른 제어부(112)는 특정 다수 화자 구간에서 상술한 과정에 의해 인공 신경망에 의해 생성된 다수 화자 각각의 음성을 제거하여, 해당 다수 화자 구간에만 음성이 존재하는 단일 화자의 음성을 생성할 수 있다. 이로써 본 발명의 다수 화자 구간에서만 발화한 화자에 대한 음성도 생성할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 다수 화자 별 음성을 구분하여 다수 화자 콘텐츠를 제공할 수 있다.

도 10은 다수 화자 콘텐츠가 사용자 단말(200)에 제공된 화면(700)의 예시이다.

본 발명의 일 실시예에 따른 제어부(112)는 다수 화자의 음성 각각을 서로 구분되는 채널로 제공할 수 있다. 또한 제어부(112)는 사용자의 적어도 하나의 채널 선택에 따라, 선택된 하나 이상의 다수 화자의 음성만을 재공할 수 있다.

가령 제어부(112)는 화면(700)에 도시된 바와 같이, 각각의 화자의 음성을 서로 다른 채널로 표시하고, 사용자가 청취를 원하는 채널을 선택하도록 하는 체크박스(720)를 표시할 수 있다. 사용자는 체크박스(720)에서 하나 이상의 채널을 선택하고 전구간 재생 버튼(710)을 누름으로써 원하는 화자의 음성만을 청취할 수 있다. 이때 제어부(112)는 타임라인(730)을 이용하여 현재 재생중인 시점을 함께 표시할 수 있다.

제어부(112)는 특정 화자의 음성이 다수 화자 구간에만 존재하여, 해당 화자의 음성이 다른 화자의 음성에 의해 추정된 경우, 화자 3의 "(추정)"표시와 같이 해당 화자의 음성은 추정된것임을 표시할 수 있다.

본 발명의 일 실시예에 따른 제어부(112)는 각 개별 화자의 음성을 시간의 흐름에 따라 나열되는 시각적 개체에 대응시켜 제공하되, 해당 화자의 음성이 존재하는 시간대에 대응되는 구간에만 시각적 개체를 표시하여 제공할 수 있다. 가령 화자 1의 경우 첫 번째 및 세 번째 내지 여섯 번째 구간에만 시각적 개체를 표시하고 표시된 시각적 개체 각각에 해당 구간에서의 화자 1의 음성을 대응시켜 제공할 수 있다. 사용자는 개체에 대한 입력(가령 클릭)을 수행함으로써 손쉽게 해당 구간에서의 해당 화자의 음성만을 확인할 수 있다.

도 11은 본 발명의 일 실시예에 따른 음성 생성 장치(110)에 의해 수행되는 개별 화자 별 음성 생성 방법을 설명하기 위한 흐름도이다. 이하에서는 도 1 내지 도 10을 함께 참조하여 설명하되, 도 1 내지 도 10에서 설명한 내용과 중복하는 설명은 생략한다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 인공 신경망을 학습시킬 수 있다.(S111) 도 5는 본 발명의 일 실시예에 따른 음성 생성 장치(110)가 인공 신경망(520)을 학습 시키는 과정을 설명하기 위한 도면이다.

본 발명에서 인공 신경망(520)은 테스트 화자의 음성이 표지된 적어도 하나의 학습 데이터(510)에 기반하여, 학습 데이터에 포함되는 테스트 화자의 특징값 및 테스트 화자를 포함하는 복수 화자의 동시 발화 음성과 테스트 화자의 음성 간의 상관관계를 학습한(또는 학습 하는) 신경망을 의미할 수 있다.

바꾸어말하면, 본 발명에서 인공 신경망(520)은 화자 특징값 및 다수 화자 콘텐츠의 입력에 대응하여 입력된 화자 특징값에 대응되는 음성을 출력하도록 학습된(또는 학습 되는) 신경망을 의미할 수 있다.

한편 인공 신경망(520)의 학습을 위한 적어도 하나의 학습 데이터(510)는 전술한 바와 같이 테스트 화자의 특징값, 테스트 화자를 포함하는 복수 화자의 동시 발화 음성을 포함하고, 테스트 화자의 음성(복수 화자의 동시 발화 음성에 포함된)을 표지(Lable)로써 포함할 수 있다. 가령 첫 번째 학습 데이터(511)의 경우, 테스트 화자의 특징값(511a), 테스트 화자를 포함하는 복수 화자의 동시 발화 음성(511b)을 포함하고, 동시 발화 음성(511b)에 포함된 테스트 화자의 음성(V)을 표지(Lable)로써 포함할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 인공 신경망(520)의 학습을 위한 적어도 하나의 학습 데이터(510)를 생성할 수 있다. 이하에서는 음성 생성 장치(110)가 첫 번째 학습 데이터(511)를 생성하는 과정에 대해서 예시적으로 설명한다.

도 6은 본 발명의 일 실시예에 따른 음성 생성 장치(110)가 학습 데이터(511)를 생성하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 제1 화자의 음성만을 포함하는 제1 음성 콘텐츠(531)로부터 제1 특징값(511a)을 결정할 수 있다. 이때 제1 특징값(511a)은 제1 화자의 음성 특성을 나타내는 다양한 유형의 개체로, 예를 들어 복수의 차원으로 정의되는 벡터(Vector)의 형태일 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

이와 유사하게 음성 생성 장치(110)는 제2 화자(전술한 제1 화자와 상이한 화자)의 음성만을 포함하는 제2 음성 콘텐츠(532)로부터 제2 특징값(511c)을 결정할 수도 있다. 물론 제2 특징값(511c)은 제2 화자의 음성 특성을 나타내는 다양한 유형의 개체로, 예를 들어 복수의 차원으로 정의되는 벡터(Vector)의 형태일 수 있다.

음성 생성 장치(110)는 제1 음성 콘텐츠(531) 및 제2 음성 콘텐츠(532)를 합성하여 합성 콘텐츠(511b)를 생성할 수 있다. 이때 합성 콘텐츠(511b)는 도 6에 도시된 바와 같이 두 화자의 동시 발화가 이루어지는 구간을 포함할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 합성 콘텐츠(511b) 및 제1 특징값(511a)의 입력에 대응하여 제1 음성 콘텐츠(531)를 출력하도록 인공 신경망(520)을 학습시킬 수 있다. 이와 유사하게, 음성 생성 장치(110)는 합성 콘텐츠(511b) 및 제2 특징값(511c)의 입력에 대응하여 제2 음성 콘텐츠(532)를 출력하도록 인공 신경망(520)을 학습시킬 수도 있다.

한편 도 5 내지 도 9 및 도 10에서, 음성 콘텐츠는 시간의 흐름에 따라 발화가 이루어지는 구간에 해당 화자의 특징값에 대응되는 도형이 표시된 형태로 간략화되어 도시되었다. 가령 도 6의 제1 음성 콘텐츠(531)의 경우, 제1 화자에 의해 발화가 이루어지는 구간에 제1 화자의 특징값에 대응되는 도형(사각파형)이 도시되었다.

또한 두 명 이상의 화자에 의해 동시 발화가 수행되는 경우, 해당 시구간에 각 화자의 특징값에 대응되는 도형이 합성된 형태로 간략화 되어 표시되었다. 가령 도 6의 합성 콘텐츠(511b)의 경우 제1 화자와 제2 화자가 동시에 발화하는 구간에서 두 화자의 특징값 각각에 대응되는 도형이 합성된 형태로 도시되었다.

이와 같은 도시 방식은 단지 설명의 편의를 위한 것으로, 본 발명의 사상이 이에 한정되는 것은 아니다.

이하에서는 단계 S111에 따라 학습 데이터(510)에 기초하여 인공 신경망(520)이 학습되어있음을 전제로, 학습된 인공 신경망(520)을 이용하여 다수 화자 콘텐츠로부터 개별 화자의 음성을 생성하는 방법을 설명한다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 다수 화자 콘텐츠를 하나 이상의 단일 화자 구간 및 하나 이상의 다수 화자 구간으로 구분할 수 있다.(S112)

도 7은 본 발명의 일 실시예에 따른 음성 생성 장치(110)가 다수 화자 콘텐츠(610)를 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 및 하나 이상의 다수 화자 구간(MS1, MS2, MS3)으로 구분한 예시이다.

본 발명에서 '단일 화자 구간'(SS1, SS2, SS3)은 다수 화자 콘텐츠(610)에서 하나의 화자의 음성만이 존재하는 시구간을 의미할 수 있다. 본 발명에서 '다수 화자 구간'(MS1, MS2, MS3)은 다수 화자 콘텐츠(610)에서 둘 이상의 화자의 음성이 존재하는 시구간을 의미할 수 있다. 각 구간(SS1, SS2, SS3, MS1, MS2, MS3)은 다수 화자 콘텐츠(610)의 시간축 상에서 시점과 종점으로 정의될 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 다양한 공지의 기법을 이용하여 다수 화자 콘텐츠(610)를 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 및 하나 이상의 다수 화자 구간(MS1, MS2, MS3)으로 구분할 수 있다. 가령 음성 생성 장치(110)는 소정의 시구간내에 포함되는 주파수 성분의 다양성 등에 기초하여 구간을 구분할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 소정의 방식에 따라 전술한 과정에 의해서 구분된 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 각각에 대응되는 화자 특징값(Vf1, Vf2, Vf3)을 결정할 수 있다.(S113) 이때 음성 생성 장치(110)는 다양한 공지의 기법을 이용할 수 있다. 가령 음성 생성 장치(110)는 구분되는 별도의 인공 신경망(이때 인공 신경망은 음성으로부터 특징 벡터를 생성하도록 학습된 인공 신경망임)을 이용하여 하나 이상의 단일 화자 구간(SS1, SS2, SS3) 각각에 대응되는 화자 특징값(Vf1, Vf2, Vf3)을 결정할 수 있다. 다만 이는 예시적인것으로 본 발명의 사상이 이에 한정되는 것은 아니다.

다수 화자 콘텐츠에서 동일 화자에 의한 단일 화자 구간이 복수일 수 있다. 가령 도 7에 도시된 바와 같이 제1 화자에 의한 단일 화자 구간(SS1, SS3)은 2개일 수 있다. 본 발명의 일 실시예에 따른 음성 생성 장치(110)는 동일 화자에 의한 단일 화자 구간이 복수일 수 일 때, 복수의 구간을 동일한 화자에 의한 것으로 처리하기 위해, 복수의 구간 각각에 대한 화자 특징값(Vf1, Vf2, Vf3)의 유사도에 기초하여, 하나 이상의 단일 화자 구간을 그룹화 하여 그룹화 정보를 생성 할 수 있다.(S114) 또한 음성 생성 장치(110)는 그룹화 정보를 참조하여 개별 화자 별 화자 특징값을 결정할 수 있다.(S115)

가령 음성 생성 장치(110)는 제1 화자에 의한 단일 화자 구간(SS1, SS3)을 그룹화 하고, 각각의 단일 화자 구간(SS1, SS3)에서의 화자 특징값(Vf1, Vf3)의 평균을 제1 화자에 대한 특징값으로 결정할 수 있다. 이때 화자 특징값(Vf1, Vf3) 각각이 벡터인 경우, 결정된 제1 화자의 특징값은 화자 특징값(Vf1, Vf3)에 대한 평균 벡터일 수 있다.

한편 음성 생성 장치(110)는 동일 화자에 의한 단일 화자 구간이 단수인 경우, 단수 구간에서의 화자 특징값을 해당 화자의 특징값으로 결정할 수 있다. 가령 음성 생성 장치(110)는 단일 화자 구간(SS2)에 대응되는 화자 특징값(Vf2)을 제2 화자의 화자 특징값으로 결정할 수 있다. 다만 이와 같은 방식은 예시적인것으로, 복수의 값을 그룹화 하고 그룹에서 대표값을 추출하는 방법은 제한 없이 사용될 수 있다.

도 8은 본 발명의 일 실시예에 따른 음성 생성 장치(110)가 학습된 인공 신경망(520)을 이용하여 다수 화자 각각의 음성(SV)을 생성하는 방법을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 학습된 인공 신경망(520) 및 개별 화자 별 화자 특징값(Vf_in)을 이용하여, 하나 이상의 다수 화자 구간 각각으로부터 각각의 구간 내에서의 다수 화자 각각의 음성(SV)을 생성할 수 있다.(S116) 가령 음성 생성 장치(110)는 학습된 인공 신경망(520)에 제2 화자의 특징값(Vf2) 및 첫 번째 다수 화자 구간(도 7의 MS1)을 입력하고, 그 출력으로써 첫 번째 다수 화자 구간(도 7의 MS1) 내에서의 제2 화자의 음성(SV)을 생성할 수 있다. 물론 음성 생성 장치(110)는 이와 유사한 방법으로, 첫 번째 다수 화자 구간으로부터 제1 화자의 음성(SV)을, 두 번째 다수 화자 구간으로부터 제3 화자의 음성(SV)을 생성할 수도 있다.

경우에 따라서, 다수 화자 콘텐츠에서 다수 화자 구간에만 음성이 존재하는 단일 화자가 존재할 수 있다. 바꾸어말하면, 단일 화자 구간이 부존재하는 단일 화자가 존재할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 이와 같이 다수 화자 구간에만 음성이 존재하는 단일 화자의 다수 화자 구간에서의 음성을 추정할 수 있다. (S117)

도 9는 본 발명의 일 실시예에 따른 음성 생성 장치(110)가 다수 화자 구간에만 음성이 존재하는 단일 화자의 다수 화자 구간에서의 음성을 추정하는 방법을 설명하기 위한 도면이다.

설명의 편의를 위해, 다수 화자 음성 콘텐츠(610)가 도시된 바와 같으며, 제1 화자 및 제2 화자의 경우 단일 화자 구간의 존재로, 각각의 화자에 대한 단일 화자 음성(610a, 620b)이 도시된 바와 같이 생성되었고, 제3 화자에 대한 단일 화자 음성의 추정이 필요한 상태임을 전제로 설명한다.

상술한 가정 하에, 본 발명의 일 실시예에 따른 음성 생성 장치(110)는 다수 화자 음성 콘텐츠(610)에서, 생성된 단일 화자 음성(610a, 620b)을 제거하여 다수 화자 구간에만 음성이 존재하는 단일 화자(즉 제3 화자)의 음성을 생성할 수 있다.

바꾸어말하면, 본 발명의 일 실시예에 따른 음성 생성 장치(110)는 특정 다수 화자 구간에서 상술한 과정에 의해 인공 신경망에 의해 생성된 다수 화자 각각의 음성을 제거하여, 해당 다수 화자 구간에만 음성이 존재하는 단일 화자의 음성을 생성할 수 있다. 이로써 본 발명의 다수 화자 구간에서만 발화한 화자에 대한 음성도 생성할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 다수 화자 별 음성을 구분하여 다수 화자 콘텐츠를 제공할 수 있다. (S118)

도 10은 다수 화자 콘텐츠가 사용자 단말(200)에 제공된 화면(700)의 예시이다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 다수 화자의 음성 각각을 서로 구분되는 채널로 제공할 수 있다. 또한 음성 생성 장치(110)는 사용자의 적어도 하나의 채널 선택에 따라, 선택된 하나 이상의 다수 화자의 음성만을 재공할 수 있다.

가령 음성 생성 장치(110)는 화면(700)에 도시된 바와 같이, 각각의 화자의 음성을 서로 다른 채널로 표시하고, 사용자가 청취를 원하는 채널을 선택하도록 하는 체크박스(720)를 표시할 수 있다. 사용자는 체크박스(720)에서 하나 이상의 채널을 선택하고 전구간 재생 버튼(710)을 누름으로써 원하는 화자의 음성만을 청취할 수 있다. 이때 음성 생성 장치(110)는 타임라인(730)을 이용하여 현재 재생중인 시점을 함께 표시할 수 있다.

음성 생성 장치(110)는 특정 화자의 음성이 다수 화자 구간에만 존재하여, 해당 화자의 음성이 다른 화자의 음성에 의해 추정된 경우, 화자 3의 "(추정)"표시와 같이 해당 화자의 음성은 추정된것임을 표시할 수 있다.

본 발명의 일 실시예에 따른 음성 생성 장치(110)는 각 개별 화자의 음성을 시간의 흐름에 따라 나열되는 시각적 개체에 대응시켜 제공하되, 해당 화자의 음성이 존재하는 시간대에 대응되는 구간에만 시각적 개체를 표시하여 제공할 수 있다. 가령 화자 1의 경우 첫 번째 및 세 번째 내지 여섯 번째 구간에만 시각적 개체를 표시하고 표시된 시각적 개체 각각에 해당 구간에서의 화자 1의 음성을 대응시켜 제공할 수 있다. 사용자는 개체에 대한 입력(가령 클릭)을 수행함으로써 손쉽게 해당 구간에서의 해당 화자의 음성만을 확인할 수 있다.

이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 서버
110: 음성 생성 장치
111: 통신부
112: 제어부
113: 메모리
200: 사용자 단말
300: 외부장치
400: 통신망

Claims (1)

1. 적어도 둘 이상의 화자의 동시 발화(發話)가 이루어지는 구간을 포함하는 음성 콘텐츠로부터 개별 화자 별 음성을 생성하는 인공 신경망을 학습하는 방법에 있어서,
   제1 화자의 음성만을 포함하는 제1 음성 콘텐츠로부터 제1 특징값을 결정하는 단계;
   상기 제1 음성 콘텐츠 및 상기 제1 화자와 상이한 제2 화자의 음성만을 포함하는 제2 음성 콘텐츠를 합성하여 합성 콘텐츠를 생성하는 단계; 및
   상기 합성 콘텐츠 및 상기 제1 특징값의 입력에 대응하여 상기 제1 음성 콘텐츠를 출력하도록 상기 인공 신경망을 학습시키는 단계;를 포함하는, 동시 발화 구간에서 개별 화자의 음성을 생성하는 인공신경망의 학습 방법.

Images