[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR102294638B1 - 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치 - Google Patents

잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치 Download PDF

Info

Publication number
KR102294638B1
KR102294638B1 KR1020190037685A KR20190037685A KR102294638B1 KR 102294638 B1 KR102294638 B1 KR 102294638B1 KR 1020190037685 A KR1020190037685 A KR 1020190037685A KR 20190037685 A KR20190037685 A KR 20190037685A KR 102294638 B1 KR102294638 B1 KR 102294638B1
Authority
KR
South Korea
Prior art keywords
model
speaker
learning
feature
feature vector
Prior art date
Application number
KR1020190037685A
Other languages
English (en)
Other versions
KR20200116225A (ko
Inventor
장준혁
양준영
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020190037685A priority Critical patent/KR102294638B1/ko
Priority to PCT/KR2020/004314 priority patent/WO2020204525A1/ko
Priority to US17/600,231 priority patent/US12067989B2/en
Publication of KR20200116225A publication Critical patent/KR20200116225A/ko
Application granted granted Critical
Publication of KR102294638B1 publication Critical patent/KR102294638B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/04—Training, enrolment or model building
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/18—Artificial neural networks; Connectionist approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/02—Preprocessing operations, e.g. segment selection; Pattern representation or modelling, e.g. based on linear discriminant analysis [LDA] or principal components; Feature selection or extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L17/00—Speaker identification or verification techniques
    • G10L17/20—Pattern transformations or operations aimed at increasing system robustness, e.g. against channel noise or different working conditions
    • 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Stereophonic System (AREA)
  • Circuit For Audible Band Transducer (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치가 제시된다. 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법은, 심화 신경망 기반의 특징 강화 모델을 학습하는 단계; 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계; 상기 특징 강화 모델의 출력 레이어와 상기 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 단계; 및 연결된 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계를 포함하여 이루어질 수 있다.

Description

잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치{COMBINED LEARNING METHOD AND APPARATUS USING DEEPENING NEURAL NETWORK BASED FEATURE ENHANCEMENT AND MODIFIED LOSS FUNCTION FOR SPEAKER RECOGNITION ROBUST TO NOISY ENVIRONMENTS}
본 발명의 실시예들은 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 전처리 기술에 관한 것으로, 더욱 상세하게는 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치에 관한 것이다.
화자 인식(speaker recognition)은 임의의 길이를 갖는 발화(utterance)로부터 발화자의 정보가 담긴 특징을 추출하기 위한 화자 특징벡터(speaker embedding) 추출 기술에 기반하고 있으며, 최근에는 화자 특징벡터 추출을 위한 방법으로 심화 신경망(deep neural network)이 많이 활용되고 있다. 특히, 심화 신경망 기반의 화자 특징벡터 추출 기술은 방대한 양과 다양한 품질의 데이터에 대한 확장성이 뛰어나기 때문에, 일반적으로 배경 잡음이 존재하는 환경에서도 우수한 성능을 보이는 편이다.
그러나, 음성 인식이나 음성 통신과 같은 타 음성 애플리케이션과는 달리, 화자 인식은 배경 잡음에 오염된 음성 신호로부터 잡음 성분을 제거하기 위한 별도의 전처리(pre-processing) 기술과 함께 사용되었을 때에 오히려 성능이 저하되는 경향을 보인다.
심화 신경망 기반의 화자 특징벡터 추출 기술이 활발하게 연구되기 이전에 가장 많이 사용되던 I-벡터(vector) 기반 화자 특징벡터 추출 기술의 성능을 향상시키기 위해 심화 신경망 기반의 특징 강화 방법을 사용하였다.
그러나, 종래에는 심화 신경망 기반의 특징 강화 기술을 I-벡터 기반 화자 인식 시스템의 전처리 모듈로 사용하여 특징 강화 모델과 I-벡터 추출 모델의 학습이 개별적으로 이루어지기 때문에 전체적인 시스템의 결합 학습을 통한 최적화가 불가능하며, 전처리 모듈의 적용을 통해 배경 잡음이 존재하는 환경에서의 화자 인식 성능 향상이 확실히 보장되지 않는다는 문제점이 있다. 이는, 특히 낮은 신호대잡음비(Signal to Noise Ratio, SNR)로 잡음 신호가 존재할 때, 특징 강화 방식이 음성 신호에 포함되어 있는 화자 특징적인 정보를 왜곡 또는 손상시키는 경향이 있기 때문이다.
한국공개특허 10-2005-0048214호는 이러한 화자 인식시스템의 화자 특징벡터 생성방법 및 시스템에 관한 것으로, 입력된 화자 음성신호에서 특징벡터를 추출하여 화자모델링 훈련 및 화자 인식을 수행하는 기술을 기재하고 있다.
한국공개특허 10-2005-0048214호
본 발명의 실시예들은 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치에 관하여 기술하며, 보다 구체적으로 심화 신경망 기반의 특징 강화(feature enhancement) 기술을 화자 특징 추출 기술의 전처리 기술로 활용할 때의 성능을 개선시키기 위한 방법으로 변형된 손실 함수(loss function)를 이용한 결합 학습(joint training) 방법 및 장치를 제공한다.
본 발명의 실시예들은 심화 신경망 기반의 특징 강화 모델과 심화 신경망 기반의 화자 특징벡터 추출 모델을 결합하고 하나의 손실 함수를 이용하여 결합 학습함으로써, 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치를 제공하는데 있다.
또한, 본 발명의 실시예들은 결합 학습에 사용되는 손실 함수의 구성 시 마진을 적용하여 결합 학습함으로써, 결합 학습의 성능을 극대화할 수 있도록 학습을 진행할 수 있는 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치를 제공하는데 있다.
일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법은, 심화 신경망 기반의 특징 강화 모델을 학습하는 단계; 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계; 상기 특징 강화 모델의 출력 레이어와 상기 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 단계; 및 연결된 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계를 포함하여 이루어질 수 있다.
상기 심화 신경망 기반의 특징 강화 모델을 학습하는 단계는, 열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하는 단계; 상기 음향 특징들을 상기 특징 강화 모델의 입력에 사용하는 단계; 및 상기 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습하는 단계를 포함할 수 있다.
상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는, 학습 데이터셋 전체를 학습한 상기 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하는 단계; 상기 강화된 음향 특징들을 상기 화자 특징벡터 추출 모델의 입력에 사용하는 단계; 및 상기 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습하는 단계를 포함할 수 있다.
상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는, 상기 심화 신경망 기반의 화자 특징벡터 추출 모델로 x-벡터 모델을 사용하여 학습할 수 있다.
상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는, 상기 x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 5 개의 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하는 단계; 통계적 특징 추출 레이어에서 상기 음향 특징 열에 대해 시간 축으로 평균과 표준편차를 계산하여 이어 붙여 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하는 단계; 및 계산된 상기 평균과 표준편차 벡터는 2 개의 은닉 레이어를 추가로 거친 뒤, 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 제2 손실 함수를 이용하여 학습하는 단계를 포함할 수 있다.
상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는, 학습을 끝마치고 난 후, 상기 통계적 특징 추출 레이어 바로 다음에 위치해 있는 상기 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용할 수 있다.
상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계는, 서로 다른 손실 함수를 사용하여 학습된 개별 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화할 수 있다.
상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계는, 발화자의 사후확률이 높아지도록 학습하기 위해 상기 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 상기 제2 손실 함수를 변형시켜 결합 학습할 수 있다.
다른 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치는, 심화 신경망 기반의 특징 강화 모델을 학습하는 특징 강화 모델 학습부; 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 화자 특징벡터 추출 모델 학습부; 상기 특징 강화 모델의 출력 레이어와 상기 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 결합 모델링부; 및 연결된 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 결합 학습부를 포함할 수 있다.
상기 특징 강화 모델 학습부는, 열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하고, 상기 음향 특징들을 상기 특징 강화 모델의 입력에 사용하며, 상기 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습할 수 있다.
상기 화자 특징벡터 추출 모델 학습부는, 학습 데이터셋 전체를 학습한 상기 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하고, 상기 강화된 음향 특징들을 상기 화자 특징벡터 추출 모델의 입력에 사용하며, 상기 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습할 수 있다.
상기 화자 특징벡터 추출 모델 학습부는, 상기 심화 신경망 기반의 화자 특징벡터 추출 모델로 x-벡터 모델을 사용하여 학습하며, 상기 x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 5 개의 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하고, 통계적 특징 추출 레이어에서 상기 음향 특징 열에 대해 시간 축으로 평균과 표준편차를 계산하여 이어 붙여 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하며, 계산된 상기 평균과 표준편차 벡터는 2 개의 은닉 레이어를 추가로 거친 뒤, 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 제2 손실 함수를 이용하여 학습할 수 있다.
상기 화자 특징벡터 추출 모델 학습부는, 학습을 끝마치고 난 후, 상기 통계적 특징 추출 레이어 바로 다음에 위치해 있는 상기 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용할 수 있다.
상기 결합 학습부는, 서로 다른 손실 함수를 사용하여 학습된 개별 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화할 수 있다.
상기 결합 학습부는, 발화자의 사후확률이 높아지도록 학습하기 위해 상기 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 상기 제2 손실 함수를 변형시켜 결합 학습할 수 있다.
본 발명의 실시예들에 따르면 심화 신경망 기반의 특징 강화 모델과 심화 신경망 기반의 화자 특징벡터 추출 모델을 결합하고 하나의 손실 함수를 이용하여 결합 학습함으로써, 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치를 제공할 수 있다.
또한, 본 발명의 실시예들에 따르면 결합 학습에 사용되는 손실 함수의 구성 시 마진을 적용하여 결합 학습함으로써, 결합 학습의 성능을 극대화할 수 있도록 학습을 진행할 수 있는 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치를 개략적으로 나타내는 도면이다.
도 4는 본 발명의 일 실시예에 따른 대조군으로 사용된 방법들을 도식화한 도면이다.
도 5는 본 발명의 일 실시예에 따른 다른 대조군으로 사용된 방법들을 도식화한 도면이다.
도 6은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법을 도식화한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
본 발명은 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치에 관한 것으로, 심화 신경망 기반의 특징 강화(feature enhancement) 기술을 화자 특징 추출 기술의 전처리 기술로 활용할 때의 성능을 개선시키기 위한 방법으로 변형된 손실 함수(loss function)를 이용한 결합 학습(joint training) 방법 및 장치를 제공할 수 있다.
보다 구체적으로, 배경 잡음에 의해 열화된(degraded) 음성 신호로부터 프레임(frame) 단위로 추출한 음향 특징들을 깨끗한 음향 특징들로 변환하기 위한 심화 신경망 기반의 특징 강화 기술과, 이를 심화 신경망 기반의 화자 특징벡터 추출 기술과 결합하여 학습하는 방식, 그리고 결합 학습의 효과를 극대화하기 위한 방법으로 마진(margin)이 부가되어 변형된 손실 함수를 사용하는 방법을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치(100)는 심화 신경망 기반의 특징 강화 모델(110)과 심화 신경망 기반의 화자 특징벡터 추출 모델(120)을 결합하고 하나의 손실 함수를 이용하여 결합 학습함으로써 잡음 환경에 강인한 화자 인식 기술을 제공할 수 있다. 더욱이 결합 학습에 사용되는 손실 함수의 구성 시 마진을 적용하여 결합 학습하여, 결합 학습의 성능을 극대화할 수 있다.
본 발명에서는 화자 특징벡터 추출 기술로 최근에 제안된 심화 신경망 기반의 x-벡터(vector) 기술을 사용하였으며, 해당 기술은 열화된 음성 데이터에 대해 I-벡터 기술보다 뛰어난 성능을 보이는 것으로 알려져 있다. 특히, 심화 신경망 기반의 특징 강화 모델(110)과 심화 신경망 기반의 화자 특징벡터 추출 모델(120)의 조합은 이전에 제안된 적이 없는 모델 구성 방법이다. 또한, x-벡터 기술은 화자 특징벡터 추출 모델(120)로써 심화 신경망을 사용하기 때문에, 심화 신경망 기반의 특징 강화 모델(110)과 결합 학습이 가능한 장점이 있다. 또한, x-벡터 모델의 학습은 학습 데이터셋 내 발화자를 분류하는 방식으로 이루어지는데, 이 때 결합 학습에 사용되는 손실 함수 구성 시 마진을 적용함으로써 결합 학습의 성능을 극대화할 수 있도록 학습을 진행할 수 있다.
한편, 심화 신경망 기반의 특징 강화 모델과 I-벡터(vector) 기반의 화자 특징벡터 추출 모델을 결합하는 경우, 두 모델은 학습 알고리즘이 완전히 다르기 때문에 결합 학습을 통한 시스템 최적화가 불가능하다.
도 2는 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법을 나타내는 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법은, 심화 신경망 기반의 특징 강화 모델을 학습하는 단계(210), 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계(220), 특징 강화 모델의 출력 레이어와 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 단계(230), 및 연결된 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계(240)를 포함하여 이루어질 수 있다.
여기서, 심화 신경망 기반의 특징 강화 모델을 학습하는 단계(210)는, 열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하는 단계, 음향 특징들을 특징 강화 모델의 입력에 사용하는 단계, 및 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습하는 단계를 포함할 수 있다.
또한, 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계(220)는, 학습 데이터셋 전체를 학습한 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하는 단계, 강화된 음향 특징들을 화자 특징벡터 추출 모델의 입력에 사용하는 단계, 및 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습하는 단계를 포함할 수 있다.
그리고 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계(240)는, 서로 다른 손실 함수를 사용하여 학습된 개별 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 특징 강화 모델 및 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화할 수 있다. 특히, 발화자의 사후확률이 높아지도록 학습하기 위해 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 제2 손실 함수를 변형시켜 결합 학습할 수 있다.
본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치를 이용하여 설명할 수 있다.
도 3은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치를 개략적으로 나타내는 도면이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 장치(300)는 특징 강화 모델 학습부(310), 화자 특징벡터 추출 모델 학습부(320), 결합 모델링부(330) 및 결합 학습부(340)를 포함하여 이루어질 수 있다.
단계(210)에서, 특징 강화 모델 학습부(310)는 심화 신경망 기반의 특징 강화 모델을 학습하는 것으로, 열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하고, 음향 특징들을 특징 강화 모델의 입력에 사용할 수 있다. 그리고 특징 강화 모델 학습부(310)는 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습할 수 있다.
단계(220)에서, 화자 특징벡터 추출 모델 학습부(320)는 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 것으로, 학습 데이터셋 전체를 학습한 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하고, 강화된 음향 특징들을 화자 특징벡터 추출 모델의 입력에 사용할 수 있다. 그리고 화자 특징벡터 추출 모델 학습부(320)는 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습할 수 있다.
특히, 화자 특징벡터 추출 모델 학습부(320)는 심화 신경망 기반의 화자 특징벡터 추출 모델로 x-벡터 모델을 사용할 수 있다. x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 5 개의 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하고, 통계적 특징 추출 레이어에서 음향 특징 열에 대해 시간 축으로 평균과 표준편차를 계산하여 이어 붙여 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하며, 계산된 평균과 표준편차 벡터는 2 개의 은닉 레이어를 추가로 거친 뒤, 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 제2 손실 함수를 이용하여 학습할 수 있다.
화자 특징벡터 추출 모델 학습부(320)는 학습을 끝마치고 난 후, 통계적 특징 추출 레이어 바로 다음에 위치해 있는 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용할 수 있다.
단계(230)에서, 결합 모델링부(330)는 특징 강화 모델의 출력 레이어와 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결할 수 있다.
단계(240)에서, 결합 학습부(340)는 연결된 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행할 수 있다. 보다 구체적으로, 결합 학습부(340)는 서로 다른 손실 함수를 사용하여 학습된 개별 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 특징 강화 모델 및 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화할 수 있다.
이 때, 결합 학습부(340)는 발화자의 사후확률이 높아지도록 학습하기 위해 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 제2 손실 함수를 변형시켜 결합 학습할 수 있다.
본 발명에 따른 잡음 환경에 강인한 화자 특징벡터 추출 기술을 사용하여 가정 환경에서 사용되는 인공지능 스피커, 공항에서 사용되는 로봇, 바깥 환경에서 사용되는 휴대용 단말의 화자 인식 시스템 등에서 배경 잡음에 의해 열화된 음성이 입력되는 경우의 화자 인식 성능을 개선시킬 수 있다. 또한, 본 발명에서 제안된 결합 학습 기법은 음소(phoneme)의 상태(state)를 분류하도록 학습되는 음향 모델의 학습에도 사용될 수 있기 때문에, 잡음 환경에 강인한 음성 인식기의 설계에도 도움이 될 수 있다.
아래에서 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치에 대해 하나의 예를 들어 보다 상세히 설명한다.
단계(210)에서, 특징 강화 모델 학습부(310)는 심화 신경망 기반의 특징 강화 모델을 학습할 수 있다.
특징 강화 모델 학습부(310)는 심화 신경망 기반의 특징 강화 모델을 학습하기 위해, 먼저 열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출할 수 있다. 음향 특징은 먼저 음성 신호를 25ms 길이의 프레임 단위로 매 10ms마다 나눈 다음, 각 음성 프레임으로부터 24차원의 MFBE(Mel-Filter Bank Energy) 특징을 추출함으로써 준비할 수 있다.
여기서 특징 강화 모델은 화자 특징벡터 추출 모델의 전처리 모듈로 사용되기 때문에, 학습에 앞서 화자특징추출 모델 구성 시 음향 특징에 대해 적용되는 몇 가지 처리를 그대로 적용시킬 수 있다. 먼저, 음성 검출(voice activity detection) 알고리즘을 적용하여 무음이나 잡음만이 존재하는 음성 프레임에서 추출한 음향 특징들을 제거하고, 3초 이내 길이의 window를 각 발화에서 추출한 음향 특징 열(sequence)에 대해 슬라이딩(sliding)시키며, 해당 window의 범위 안에 포함되어 있는 음향 특징들에 대해 평균값을 빼줌으로써 음향 특징들을 정규화(normalize)할 수 있다.
이와 같은 처리를 마친 음향 특징들은 특징 강화 모델의 입력 단에서 사용될 수 있으며, 심화 신경망을 거쳐 출력 단에서 출력되는 강화된 음향 특징들이 미리 준비해 놓은 깨끗한 음향 특징들과 최대한 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 모델이 학습될 수 있다. 심화 신경망 기반 특징 강화 모델의 학습에 사용되는 손실 함수를 다음 식과 같이 나타낼 수 있다.
[수학식 1]
Figure 112019033029652-pat00001
여기서, N은 학습에 사용되는 mini-batch의 크기, n은 mini-batch를 구성하는 학습 데이터의 인덱스,
Figure 112019033029652-pat00002
은 신경망의 타겟이 되는 깨끗한 음성 신호에서 추출한 MFBE(Mel-Filter Bank Energy) 특징벡터이며,
Figure 112019033029652-pat00003
은 신경망을 통해 추정한 MFBE 특징벡터이다.
Figure 112019033029652-pat00004
은 신경망의 입력이 되는 열화된 음성 신호에서 추출한 MFBE 특징벡터로,
Figure 112019033029652-pat00005
번째 프레임부터
Figure 112019033029652-pat00006
번째 프레임까지의 특징벡터들을 하나의 벡터로 이어 붙여 시간 축에서의 주변 성분들을 함께 사용함으로써 신경망을 통한 깨끗한 MFBE 특징벡터의 추정을 더욱 효과적이게 하는 효과가 있으며, W와 b는 각각 신경망을 구성하는 가중치(weight) 및 바이어스(bias) 파라미터들의 집합을 의미한다.
N은 학습을 통해 신경망의 파라미터를 한 번 업데이트하는 단위인 mini-batch의 크기로, 64의 값을 사용할 수 있다. 특징 강화 모델은 1,024개의 은닉 유닛들을 가지는 3개의 은닉 레이어로 구성될 수 있으며, 은닉 레이어에서 사용되는 활성함수(activation function)는 쌍곡선 함수(hyperbolic tangent, tanh) 함수이고, 출력 레이어에서는 선형 활성함수를 사용할 수 있다. 입력 단에서는
Figure 112019033029652-pat00007
의 값을 사용하여 총 7 개의 프레임을 이어 붙인 뒤 신경망에 입력시킬 수 있다. 모델의 최적화는 ADAM 알고리즘을 이용하여 진행하고, 60번의 에폭(epoch) 동안 1e-3의 학습률을 통해 학습할 수 있다.
단계(220)에서, 화자 특징벡터 추출 모델 학습부(320)는 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습할 수 있다.
화자 특징벡터 추출 모델 학습부(320)는 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하기 위해, 먼저 학습 데이터 전체를 상술한 바와 같이 학습한 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성해낼 수 있다. 강화된 음향 특징들은 화자 특징벡터 추출 모델의 입력으로 바로 사용될 수 있다.
여기에서는 화자 특징벡터 추출 모델로 x-벡터 모델을 사용할 수 있다. x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 5 개의 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하는 역할을 수행하고, 그 다음에 위치한 통계적 특징 추출(statistics pooling) 레이어에서는 음향 특징 열에 대해 시간 축으로 평균(mean)과 표준편차(standard deviation)를 계산하여 이어 붙임으로써 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하는 역할을 할 수 있다.
이와 같이 계산된 평균과 표준편차 벡터는 2 개의 은닉 레이어를 추가로 거친 뒤에, 마지막으로 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 손실 함수를 이용하여 학습될 수 있다. 즉, 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 학습됨으로써 은닉 레이어에서 발화자의 정보가 구분적으로 표현될 수 있는 특징 공간을 학습하는 방식이다. 화자 특징벡터 추출 모델의 학습에 사용되는 손실 함수의 식을 다음과 같이 나타낼 수 있다.
[수학식 2]
Figure 112019033029652-pat00008
여기서, C는 학습 데이터베이스 내 발화자의 수이며, sj는 출력 레이어의 노드 중 j 번째 발화자의 위치에서 계산된 신경망의 출력값이고, pj는 sj에 softmax 함수를 적용하여 확률적인 의미를 부여한 값이다. 또한, yn은 mini-batch를 구성하는 n 번째 학습 데이터 샘플(타겟)의 발화자를 나타내는 인덱스이다.
학습을 끝마치고 난 후에는 통계적 특징 추출 레이어 바로 다음에 위치해 있는 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용할 수 있다.
단계(230)에서, 결합 모델링부(330)는 특징 강화 모델의 출력 레이어와 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결할 수 있다. 그리고 단계(240)에서, 결합 학습부(340)는 연결된 특징 강화 모델 및 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행할 수 있다.
본 발명에서 사용한 특징 강화 모델과 화자 특징벡터 추출 모델은 모두 심화 신경망 모델이기 때문에, 결합 모델링부(330)는 특징 강화 모델의 출력 레이어와 화자 특징벡터 추출 모델의 입력 레이어를 연결할 수 있고, 결합 학습부(340)는 연결된 두 개의 모델을 하나의 모델로 간주하여 추가로 학습하는 결합 학습을 진행할 수 있다. 결합 학습의 목적은 서로 다른 손실 함수를 사용하여 학습된 개별 모델을 하나로 연결한 뒤에 하나의 손실 함수로 연결된 두 모델을 전체적으로 최적화(optimize)하는 과정을 통해 시스템의 전체적인 성능 향상을 도모하는 것이다. 본 발명에서 사용한 심화 신경망 기반의 특징 강화 모델과 심화 신경망 기반의 화자 특징벡터 추출 모델을 이어 붙인 뒤에 결합 학습을 진행하는 방법은 이전에 연구된 적이 없는 방법이다.
더욱이, 단계(240)에서, 결합 학습부(340)는 마진(margin)을 적용한 변형된 손실 함수를 이용하여 결합 학습을 진행할 수 있다.
앞서 언급한 바와 같이 본 발명에서 사용한 화자 특징벡터 추출 모델은 학습 데이터셋 내 화자를 분류하도록 학습될 수 있다. 이 때, 타겟 화자 로짓(logit)에서 특정 상수값에 해당하는 마진을 빼줌으로써 타겟 화자 로짓(logit)에 페널티(penalty)를 부과할 수 있으며, 이는 타겟 화자의 사후확률이 높아지도록 학습되어야 하는 화자 특징벡터 추출 모델이 학습 과정에서 극복해야 하는 목표치를 강제로 더욱 어렵게 만들어 줌으로써 결과적으로 더욱 강인한 모델이 학습될 수 있도록 하는 효과를 가지고 있다. 다음 식은 [수학식 2]에 마진을 적용한 변형된 손실 함수를 나타낸다.
[수학식 3]
Figure 112019033029652-pat00009
여기서, yn은 타겟 발화자 인덱스를,
Figure 112019033029652-pat00010
는 타겟 발화자 로짓값을,
Figure 112019033029652-pat00011
는 타겟 발화자에 대한 분류 확률을, m은 신경망의 출력 레이어의 출력값에서 차감되는 양의 부호를 갖는 마진을 나타내며, 식과 같이 softmax 함수를 적용하는 과정에서 데이터 샘플의 발화자 인덱스에 해당되는 출력값으로부터 마진을 차감하는 방식으로 손실 함수를 변형시킬 수 있다.
도 4는 본 발명의 일 실시예에 따른 대조군으로 사용된 방법들을 도식화한 도면이다. 그리고 도 5는 본 발명의 일 실시예에 따른 다른 대조군으로 사용된 방법들을 도식화한 도면이다. 또한, 도 6은 본 발명의 일 실시예에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법을 도식화한 도면이다.
도 4 내지 도 6은 본 발명의 실험에서 제안하는 방법 및 대조군으로 사용된 방법들을 도식화하여 표현한 도면이다. 여기에서 FE-DNN은 특징 강화에 사용되는 심화 신경망 기반 특징 강화 모델(510, 610)을 나타내고, XvectorNet은 화자 특징벡터인 x-벡터 추출을 위해 학습되는 심화 신경망 기반 화자 특징벡터 추출 모델(410, 520, 620)을 나타낸다.
또한, softmax 블록(420, 530, 630)은 마진을 적용하지 않은 일반적인 softmax(=regsoft) 또는 마진을 적용한 softmax(=lmsoft) 중 학습에 사용할 방식을 선택할 수 있음을 의미한다.
먼저, 도 4를 참조하면, 특징 강화 없이 열화된 음성에서 추출한 MFBE 특징(401)을 그대로 사용하여 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 410)을 학습하는 경우를 나타낸다. 이 때, softmax 블록(420)에서 마진을 적용하지 않은 일반적인 softmax(=regsoft) 또는 마진을 적용한 softmax(=lmsoft) 중 학습에 사용할 방식을 선택할 수 있다. 마진 적용 여부에 따라 M1(마진 적용 안함)과 M2(마진 적용)로 구분할 수 있다.
도 5를 참조하면, 심화 신경망 기반 특징 강화 모델(FE-DNN, 510)을 이용하여 열화된 음성에서 추출한 MFBE 특징(501)을 깨끗한 음성에서 추출한 특징으로 변환하는 특징 강화(Enhanced features) 과정을 거치고, 변환된 MFBE 특징을 이용하여 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 520)을 학습하는 경우를 나타낸다. 이 때, softmax 블록(530)에서 마진 적용 여부에 따라 M3(마진 적용 안함)과 M4(마진 적용)로 구분할 수 있다.
도 6을 참조하면, 심화 신경망 기반 특징 강화 모델(FE-DNN, 610)을 이용하여 열화된 음성에서 추출한 MFBE 특징(601)을 깨끗한 음성에서 추출한 특징으로 변환하는 특징 강화(Enhanced features, 602) 과정을 거치고, 변환된 MFBE 특징을 이용하여 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)을 학습할 수 있다.
개별적으로 학습된 심화 신경망 기반 특징 강화 모델(FE-DNN, 610)과 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)을 추가로 결합 학습(joint training, 603)하는 경우를 나타낸다. 여기서, 결합 학습(603)은 추가로 심화 신경망 기반 특징 강화 모델(FE-DNN, 610)과 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)을 [수학식 2] 또는 [수학식 3]의 손실 함수를 이용하여 결합 학습(603)하였음을 의미한다.
이 때, softmax 블록(630)에서 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)의 개별 학습 단계와 결합 학습(603) 단계에서 각각 마진을 적용하는가의 여부에 따라 M5, M6, M7로 구분할 수 있다.
하기의 표 1에 설명된 바와 같이, M5는 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)의 개별 학습과 결합 학습(603)에 모두 마진을 적용하지 않았고, M6은 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)의 결합 학습(603) 단계에서만 마진을 적용하였으며, M7은 심화 신경망 기반 화자 특징벡터 추출 모델(XvectorNet, 620)의 개별 학습과 결합 학습(603)의 각 단계에서 모두 마진을 적용하여 학습을 진행하였다.
아래에서는 실험을 통해 본 발명에 따른 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치를 검증한다. 실험은 총 1,000명의 발화자로 구성된 깨끗한 한국어 음성 데이터를 이용하여 진행하였으며, 각 발화자 별 발화의 수는 103에서 105개 사이이다. 모든 발화는 16 kHz의 샘플링 주파수로 샘플링되었고, 평균 5.18초의 길이를 가지고 있다.
실험에 사용한 잡음 신호는 CHiME3 데이터셋의 bus, cafe, pedestrian, street 잡음 샘플 및 MUSAN 데이터셋의 music 잡음 샘플을 사용하였으며, 이를 깨끗한 한국어 음성 데이터와 -5, 0, 5, 10, 15 dB의 신호대잡음비로 합성하여 다양한 배경잡음 환경에서의 실험을 진행하였다.
모델의 학습에는 발화자 800명의 503,027개 발화를 사용하였고, 평가에는 발화자 200명으로부터 각각 25개씩의 발화를 임의로 선택하여 총 285,850개의 시험(trial)을 구성하였다. 이 중에서 발화자가 서로 일치하는 타겟 시험(target trial)의 개수는 60,000개, 발화자가 일치하지 않는 논타겟 시험(nontarget trial)의 개수는 221,850개였다. 모든 시험(trial)은 동일한 성별로만 구성되었다.
표 1은 학습 방식에 따른 모델 분류표를 나타낸다.
[표 1]
Figure 112019033029652-pat00012
표 1은 본 발명에서 제안하는 결합 학습 및 마진을 부가한 변형된 손실 함수를 포함한 다양한 모델 학습 방법을 나타낸 표이다. 표의 가장 왼쪽 열은 서로 다른 방법으로 학습한 모델명을 지칭하는 데에 사용되었다. raw는 특징 강화를 적용하지 않고 잡음에 의해 열화된 음성에서 프레임 단위로 추출한 음향 특징들을 화자 특징벡터 추출 모델인 XvectorNet의 학습에 그대로 사용하였음을 의미하고, FE는 특징 강화를 적용한 것을 의미한다. 또한, JT는 결합 학습을 추가로 진행하였음을 의미하며, 그리고 regsoft와 lmsoft는 각각 마진을 적용하지 않은 손실 함수를 사용한 경우와 마진을 적용한 변형된 손실 함수를 사용한 경우를 나타낸다.
아래의 표들은 실험 결과를 나타내는 것으로, 각각 신호대잡음비가 -5 dB, 0 dB, 5 dB, 10 dB, 15 dB인 경우에 대한 동일 오류율(Equal Error Rate)(EER, %)를 모델별로 나타낸 표이다.
표 2는 SNR -5 dB 환경에서의 EER (equal error rate, %) 비교 결과를 나타낸다.
[표 2]
Figure 112019033029652-pat00013
표 3은 SNR 0 dB 환경에서의 EER (equal error rate, %) 비교 결과를 나타낸다.
[표 3]
Figure 112019033029652-pat00014
표 4는 SNR 5 dB 환경에서의 EER (equal error rate, %) 비교 결과를 나타낸다.
[표 4]
Figure 112019033029652-pat00015
표 5는 SNR 10 dB 환경에서의 EER (equal error rate, %) 비교 결과를 나타낸다.
[표 5]
Figure 112019033029652-pat00016
표 6은 SNR 15 dB 환경에서의 EER (equal error rate, %) 비교 결과를 나타낸다.
[표 6]
Figure 112019033029652-pat00017
표 2 내지 표 6에서 Bus, Caf, Ped, Str, Mus는 각각 버스(bus), 카페(cafe), 보행(pedestrian), 거리(street), 음악(music) 잡음 환경을 의미한다. 표를 통해 정리한 실험 결과의 분석 내용은 아래와 같다.
M1과 M2의 비교, 또는 M3과 M4의 비교를 통해 XvectorNet의 학습에 사용되는 손실 함수 구성 시 마진을 적용하지 않은 경우와 적용한 경우의 성능을 비교해 볼 수 있으며, 후자가 전자보다 항상 우수한 성능을 보였다.
M3와 M5의 비교, 또는 M4와 M7의 비교를 통해 특징 강화 모델과 화자 특징벡터 모델을 각각 학습한 뒤에 결합 학습을 추가로 진행하지 않은 경우와 진행한 경우의 성능을 비교해 볼 수 있으며, 결합 학습을 적용하였을 때에 낮은 SNR 환경(-5 dB와 0 dB)에서 EER이 약간 감소한 반면, 높은 SNR 환경(10 dB와 15 dB)에서는 오히려 EER이 약간 증가하였다.
또한, M1과 M3의 비교, 또는 M1과 M5의 비교를 통해 특징 강화를 적용하지 않은 경우와 적용한 경우의 성능을 비교해 볼 수 있으며, 특징 강화를 적용하지 않은 경우가 더 낮은 EER을 보였다. 이를 통해 특징 강화 방식으로 MFBE 특징에 내재되어 있는 잡음 성분을 제거하려는 것이 오히려 화자 특징 성분을 왜곡시켜 특징 강화를 적용하기 전의 성능이 더 우수함을 알 수 있다.
M4와 M5는 유사한 성능을 보였으며, 낮은 SNR 환경에서는 M5가 조금 더 낮은 EER을 보였고, 높은 SNR 환경에서는 M4가 조금 더 낮은 EER을 보였다.
그리고, M6과 M7을 비교해보면 마진을 적용한 손실 함수를 사용하여 결합 학습을 진행하는 방식 중에서 XvectorNet을 개별적으로 학습할 때에 마진을 적용하지 않은 손실 함수를 사용한 경우와 마진을 적용한 손실 함수를 사용한 경우의 성능을 비교해 볼 수 있다. 표에서 확인할 수 있듯이 M6이 모든 환경에서 M7보다 우수한 성능을 보임을 알 수 있다.
표의 M2와 M7을 비교해보면 특징 강화를 적용하지 않은 경우가 XvectorNet의 개별 학습과 결합 학습에 모두 마진을 적용한 변형된 손실 함수를 사용한 경우보다 더 낮은 EER을 보임을 알 수 있다.
마지막으로, 표의 M2와 M6을 비교해보면, 일부 조건에서는 M2가 M6보다 우수한 성능을 보이지만, 전체적으로는 결합 학습 과정에서만 변형된 손실 함수를 사용하여 특징 강화 신경망과 화자특징추출 신경망을 동시에 최적화한 경우에 특징 강화 모델로 인해 생긴 화자 특징 성분의 왜곡을 극복하였음을 알 수 있다.
본 발명은 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 전처리 기술에 관한 것으로, 이와 관련이 있는 기술 분야로는 인공지능 스피커를 위한 화자 인식, 로봇용 화자 인식, 음성 인식 등이 있다. 제안된 본 발명은 인공지능 스피커, 로봇, 휴대 단말형 사용자 인증 시스템 등에 사용 가능하다. 즉, 배경 잡음이 존재하는 환경에서 화자 인식을 수행해야 하는 인공지능 스피커, 로봇, 휴대 단말형 사용자 인증 시스템에 적용되어 화자 인식기의 성능을 향상시킬 수 있으며, 본 발명에서 제안된 방법을 음성 인식 용도의 음향 모델(acoustic model)과 심화 신경망 기반의 전처리 기술의 결합 시 동일하게 적용함으로써 음성 인식률의 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (15)

  1. 심화 신경망 기반의 특징 강화 모델을 학습하는 단계;
    심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계;
    상기 특징 강화 모델의 출력 레이어와 상기 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 단계; 및
    연결된 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계
    를 포함하고,
    상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는,
    상기 심화 신경망 기반의 화자 특징벡터 추출 모델로 x-벡터 모델을 사용하여 학습하며,
    상기 x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하는 단계;
    통계적 특징 추출 레이어에서 상기 음향 특징 열에 대해 시간 축으로 평균과 표준편차를 계산하여 이어 붙여 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하는 단계; 및
    계산된 상기 평균과 표준편차 벡터는 은닉 레이어를 추가로 거친 뒤, 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 제2 손실 함수를 이용하여 학습하는 단계
    를 포함하는, 결합 학습 방법.
  2. 제1항에 있어서,
    상기 심화 신경망 기반의 특징 강화 모델을 학습하는 단계는,
    열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하는 단계;
    상기 음향 특징들을 상기 특징 강화 모델의 입력에 사용하는 단계; 및
    상기 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습하는 단계
    를 포함하는, 결합 학습 방법.
  3. 제1항에 있어서,
    상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는,
    학습 데이터셋 전체를 학습한 상기 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하는 단계;
    상기 강화된 음향 특징들을 상기 화자 특징벡터 추출 모델의 입력에 사용하는 단계; 및
    상기 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습하는 단계
    를 포함하는, 결합 학습 방법.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 단계는,
    학습을 끝마치고 난 후, 상기 통계적 특징 추출 레이어 바로 다음에 위치해 있는 상기 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용하는 것
    을 특징으로 하는, 결합 학습 방법.
  7. 제1항에 있어서,
    상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계는,
    서로 다른 손실 함수를 사용하여 학습된 개별 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화하는 것
    을 특징으로 하는, 결합 학습 방법.
  8. 제1항에 있어서,
    상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 단계는,
    발화자의 사후확률이 높아지도록 학습하기 위해 상기 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 상기 제2 손실 함수를 변형시켜 결합 학습하는 것
    을 특징으로 하는, 결합 학습 방법.
  9. 심화 신경망 기반의 특징 강화 모델을 학습하는 특징 강화 모델 학습부;
    심화 신경망 기반의 화자 특징벡터 추출 모델을 학습하는 화자 특징벡터 추출 모델 학습부;
    상기 특징 강화 모델의 출력 레이어와 상기 화자 특징벡터 추출 모델의 입력 레이어를 서로 연결하는 결합 모델링부; 및
    연결된 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나의 모델로 간주하고 추가로 학습하는 결합 학습을 진행하는 결합 학습부
    를 포함하고,
    상기 화자 특징벡터 추출 모델 학습부는,
    상기 심화 신경망 기반의 화자 특징벡터 추출 모델로 x-벡터 모델을 사용하여 학습하며, 상기 x-벡터 모델은 시간 순서대로 나열된 프레임 단위의 음향 특징 열에 대해 시간-지연 신경망(Time-Delay Neural Network, TDNN) 레이어를 사용하여 비선형 연산을 통해 발화자와 관련된 정보를 추출하고, 통계적 특징 추출 레이어에서 상기 음향 특징 열에 대해 시간 축으로 평균과 표준편차를 계산하여 이어 붙여 임의의 길이를 갖는 발화로부터 고정된 길이의 벡터를 추출하며, 계산된 상기 평균과 표준편차 벡터는 은닉 레이어를 추가로 거친 뒤, 출력 레이어에서 학습 데이터셋 내의 발화자를 분류하도록 크로스-엔트로피(cross-entropy) 제2 손실 함수를 이용하여 학습하는 것
    을 특징으로 하는, 결합 학습 장치.
  10. 제9항에 있어서,
    상기 특징 강화 모델 학습부는,
    열화된 음성 데이터와 깨끗한 음성 데이터로부터 음향 특징(acoustic feature)을 추출하고, 상기 음향 특징들을 상기 특징 강화 모델의 입력에 사용하며, 상기 특징 강화 모델을 통과시켜 출력되는 강화된 음향 특징들이 기 준비된 깨끗한 음향 특징들과 유사한 값을 보이도록 평균 제곱 오차(Mean Squared Error, MSE)를 최소화하는 방향으로 제1 손실 함수를 이용하여 학습하는 것
    을 특징으로 하는, 결합 학습 장치.
  11. 제9항에 있어서,
    상기 화자 특징벡터 추출 모델 학습부는,
    학습 데이터셋 전체를 학습한 상기 특징 강화 모델을 통과시켜 강화된 음향 특징들을 생성하고, 상기 강화된 음향 특징들을 상기 화자 특징벡터 추출 모델의 입력에 사용하며, 상기 화자 특징벡터 추출 모델을 통과시켜 임의의 길이를 갖는 발화에서 추출한 음향 특징 열로부터 발화자를 분류하도록 제2 손실 함수를 이용하여 학습하는 것
    을 특징으로 하는, 결합 학습 장치.
  12. 삭제
  13. 제9항에 있어서,
    상기 화자 특징벡터 추출 모델 학습부는,
    학습을 끝마치고 난 후, 상기 통계적 특징 추출 레이어 바로 다음에 위치해 있는 상기 은닉 레이어의 활성함수를 거치기 전 출력값을 화자 특징벡터인 x-벡터로 사용하는 것
    을 특징으로 하는, 결합 학습 장치.
  14. 제9항에 있어서,
    상기 결합 학습부는,
    서로 다른 손실 함수를 사용하여 학습된 개별 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 하나로 연결한 다음, 하나의 손실 함수로 연결된 두 개의 상기 특징 강화 모델 및 상기 화자 특징벡터 추출 모델을 결합 학습을 통해 전체적으로 최적화하는 것
    을 특징으로 하는, 결합 학습 장치.
  15. 제9항에 있어서,
    상기 결합 학습부는,
    발화자의 사후확률이 높아지도록 학습하기 위해 상기 화자 특징벡터 추출 모델의 발화자 인덱스에 해당되는 출력값으로부터 특정 상수값에 해당하는 마진을 차감하는 방식으로 상기 제2 손실 함수를 변형시켜 결합 학습하는 것
    을 특징으로 하는, 결합 학습 장치.
KR1020190037685A 2019-04-01 2019-04-01 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치 KR102294638B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190037685A KR102294638B1 (ko) 2019-04-01 2019-04-01 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치
PCT/KR2020/004314 WO2020204525A1 (ko) 2019-04-01 2020-03-30 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치
US17/600,231 US12067989B2 (en) 2019-04-01 2020-03-30 Combined learning method and apparatus using deepening neural network based feature enhancement and modified loss function for speaker recognition robust to noisy environments

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190037685A KR102294638B1 (ko) 2019-04-01 2019-04-01 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200116225A KR20200116225A (ko) 2020-10-12
KR102294638B1 true KR102294638B1 (ko) 2021-08-27

Family

ID=72666751

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190037685A KR102294638B1 (ko) 2019-04-01 2019-04-01 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치

Country Status (3)

Country Link
US (1) US12067989B2 (ko)
KR (1) KR102294638B1 (ko)
WO (1) WO2020204525A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200394994A1 (en) * 2019-06-12 2020-12-17 Nvidia Corporation Invertible neural network to synthesize audio signals
CN111524525B (zh) * 2020-04-28 2023-06-16 平安科技（深圳）有限公司 原始语音的声纹识别方法、装置、设备及存储介质
CN112259079A (zh) * 2020-10-19 2021-01-22 北京有竹居网络技术有限公司 语音识别的方法、装置、设备和计算机可读介质
WO2022086045A1 (ko) * 2020-10-22 2022-04-28 삼성전자주식회사 전자 장치 및 이의 제어 방법
CN113076892A (zh) * 2021-04-09 2021-07-06 国电南瑞科技股份有限公司 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统
KR102615815B1 (ko) * 2021-06-04 2023-12-20 네이버 주식회사 검색 질의의 사용자 의도에 기초한 상품 기획전 생성 방법 및 시스템
KR20230115143A (ko) 2022-01-26 2023-08-02 에스케이플래닛 주식회사 로그 스케일링 손실함수를 이용한 학습모델을 생성하기 위한 장치 및 이를 위한 방법
CN115099294B (zh) * 2022-03-21 2024-07-19 昆明理工大学 一种基于特征增强和决策融合的花卉图像分类算法
KR20240033525A (ko) * 2022-09-05 2024-03-12 삼성전자주식회사 오디오 신호에 포함된 음성 신호에 이용하여 타겟 화자를 업데이트하는 전자 장치 및 그의 타겟 화자 업데이트 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843079B1 (ko) 2016-09-26 2018-05-14 서울대학교산학협력단 화자 상호 정보를 활용한 강인한 i-벡터 추출기 학습 방법 및 시스템

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100526110B1 (ko) 2003-11-19 2005-11-08 학교법인연세대학교 화자인식시스템의 화자 특징벡터 생성방법 및 시스템
GB2546981B (en) * 2016-02-02 2019-06-19 Toshiba Res Europe Limited Noise compensation in speaker-adaptive systems
KR101807948B1 (ko) * 2016-04-18 2017-12-11 한양대학교 산학협력단 잔향 환경에서의 음성인식을 위한 결합 학습된 심화신경망 앙상블 기반의 음향 모델 및 이를 이용한 음성인식 방법
KR101934636B1 (ko) * 2017-04-14 2019-01-02 한양대학교 산학협력단 심화신경망 기반의 잡음 및 에코의 통합 제거 방법 및 장치
CN108447490B (zh) * 2018-02-12 2020-08-18 阿里巴巴集团控股有限公司 基于记忆性瓶颈特征的声纹识别的方法及装置
US11222641B2 (en) * 2018-10-05 2022-01-11 Panasonic Intellectual Property Corporation Of America Speaker recognition device, speaker recognition method, and recording medium

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101843079B1 (ko) 2016-09-26 2018-05-14 서울대학교산학협력단 화자 상호 정보를 활용한 강인한 i-벡터 추출기 학습 방법 및 시스템

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
김대현 등, ‘깊은 신경망 특징 기반 화자 검증 시스템의 성능 비교’, 말소리와 음성과학, 제7권, 제4호, pp. 9-16, 2015.12.31. 1부.*
김민석, ‘강인한 음성 인식과 화자 인식을 위한 커널 방법 기반 특징 강화 및 특징 분류’, 서울시립대학교 컴퓨터 통계학과 박사학위 논문, 2011.02. 1부.*

Also Published As

Publication number Publication date
WO2020204525A1 (ko) 2020-10-08
US20220208198A1 (en) 2022-06-30
KR20200116225A (ko) 2020-10-12
US12067989B2 (en) 2024-08-20

Similar Documents

Publication Publication Date Title
KR102294638B1 (ko) 잡음 환경에 강인한 화자 인식을 위한 심화 신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치
JP7023934B2 (ja) 音声認識方法及び装置
US9824683B2 (en) Data augmentation method based on stochastic feature mapping for automatic speech recognition
KR102316537B1 (ko) 잡음 환경에 강인한 화자 인식을 위한 심화신경망 기반의 특징 강화 및 변형된 손실 함수를 이용한 결합 학습 방법 및 장치
KR101704926B1 (ko) 음향 환경 분류를 이용한 심화신경망의 앙상블이 구성된 통계모델 기반의 음성 검출 장치 및 음성 검출 방법
KR101807948B1 (ko) 잔향 환경에서의 음성인식을 위한 결합 학습된 심화신경망 앙상블 기반의 음향 모델 및 이를 이용한 음성인식 방법
KR20080056069A (ko) 음성 특징 벡터 변환 방법 및 장치
KR20080078466A (ko) 다단계 음성인식장치 및 방법
JP7209330B2 (ja) 識別器、学習済モデル、学習方法
Mun et al. The sound of my voice: Speaker representation loss for target voice separation
Maas et al. Recurrent neural network feature enhancement: The 2nd CHiME challenge
Soe Naing et al. Discrete Wavelet Denoising into MFCC for Noise Suppressive in Automatic Speech Recognition System.
JP2020071482A (ja) 語音分離方法、語音分離モデル訓練方法及びコンピュータ可読媒体
Nguyen et al. Feature adaptation using linear spectro-temporal transform for robust speech recognition
Kalamani et al. Continuous Tamil Speech Recognition technique under non stationary noisy environments
Rajavel et al. Adaptive reliability measure and optimum integration weight for decision fusion audio-visual speech recognition
EP3948851B1 (en) Dynamic combination of acoustic model states
JP5740362B2 (ja) 雑音抑圧装置、方法、及びプログラム
JP7423056B2 (ja) 推論器および推論器の学習方法
CN114023336A (zh) 模型训练方法、装置、设备以及存储介质
Nakatani et al. Logmax observation model with MFCC-based spectral prior for reduction of highly nonstationary ambient noise
Adam et al. Wavelet based Cepstral Coefficients for neural network speech recognition
Ali et al. Enhancing Embeddings for Speech Classification in Noisy Conditions.
KR20200101495A (ko) 음향특징벡터 임베딩과 음성인식 컨텍스트를 결합 학습한 심화신경망 기반의 음성 끝점 검출 방법 및 장치
Mohammadi et al. Weighted X-vectors for robust text-independent speaker verification with multiple enrollment utterances

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant