KR102321789B1 - 감정 정보 기반의 음성 합성 방법 및 장치 - Google Patents

Abstract

감정 정보 기반의 음성 합성 방법 및 장치가 개시된다. 본 발명의 일 실시예에 따른 음성 합성 장치가 감정 정보 기반의 음성 합성을 수행하는 방법에 있어서, 상기 방법은, 데이터를 수신하는 단계; 상기 데이터에 기반하여 감정 정보를 생성하는 단계; 상기 감정 정보에 대응하는 메타 데이터를 생성하는 단계; 및 상기 메타 데이터를 음성 합성 엔진으로 전달하는 단계;를 포함하되, 상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(Speech Synthesis Markup Language)를 포함한다.
본 발명은 음성 합성 장치를 구성하는 지능형 컴퓨팅 디바이스가 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

감정 정보 기반의 음성 합성 방법 및 장치 {Speech synthesis method based on emotion information and apparatus therefor}

본 발명은 음성 합성 방법 및 장치에 관한 것으로서, 보다 구체적으로는 감정적 내용을 갖는 음성을 출력할 수 있도록 감정 정보를 마크업 언어 형식으로 기술하여 음성 합성을 수행하는 방법 및 장치에 관한 것이다.

종래의 텍스트 투 스피치(Text-To-Speech, TTS) 프로세싱은 기 저장된 음성으로 텍스트를 출력한다. TTS 프로세싱의 일차적인 목적은 텍스트가 갖는 의미적 내용(semantic contents)을 전달하는 것이지만, 최근에는 TTS 프로세싱이 텍스트의 의미적 내용뿐 아니라 텍스트가 갖는 인터랙티브(interactive) 의미가 상대방에게 전달될 수 있도록 하여, 실제 텍스트를 전달한 사용자의 의도나 감정이 음성 출력에 반영되어 실제로 텍스트 전달자와 인터랙티브한 대화를 경험하도록 할 필요성이 제기된다.

본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.

또한, 본 발명은, 감정을 담은 음성 합성을 구현하는 것을 목적으로 한다.

또한, 본 발명은, 대본, 스크립트 등의 상황 설명 정보에 기반하여 감정 정보를 생성하고, 생성된 감정과 텍스트를 결합하여 생동감 있는 음성이 출력되도록 하는 음성 합성을 구현하는 것을 목적으로 한다.

또한, 본 발명은, 대본, 스크립트 등의 의미적 내용 및 맥락 정보를 분석함으로써, 감정을 담은 음성 합성을 구현하는 하는 것을 목적으로 한다.

또한, 본 발명은, 음성 합성 엔진으로 생성된 감정 정보를 전달할 때, 마크업 언어 형식으로 기술 된 메타 데이터를 생성하여 전송하는 것을 목적으로 한다.

본 발명의 일 양상에 따른 음성 합성 장치가 감정 정보 기반의 음성 합성을 수행하는 방법에 있어서, 데이터를 수신하는 단계; 상기 데이터에 기반하여 감정 정보를 생성하는 단계; 상기 감정 정보에 대응하는 메타 데이터를 생성하는 단계; 및 상기 메타 데이터를 음성 합성 엔진으로 전달하는 단계;를 포함하되, 상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(Speech Synthesis Markup Language)를 포함한다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 SSML은 감정 엘리먼트를 포함하고, 상기 감정 엘리먼트의 속성(attribute) 은 감정의 종류(type)과 비율(rate)으로 구성될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 감정의 종류는, 중립(neutral), 사랑(love), 행복(happy), 화남(anger), 슬픔(sad), 걱정(worry) 또는 미안(sorry) 중 적어도 하나를 포함할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 비율은 해당 감정이 차지하는 비율은 퍼센트로 표현될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 속성에 하나의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 하나의 감정의 종류에 대한 비율이 100%라고 해석될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 속성에 둘 이상의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 둘 이상의 감정의 종류에 대한 비율이 동일한 비율로 구성되는 것으로 해석될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 각 감정의 종류에 대응되는 비율의 총 합이 100%에 해당할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 각 감정의 종류에 따른 비율의 전체 합이 100%보다 작은 경우, 상기 전체 합을 제외한 비율에 대한 감정의 종류는 "기본(default)"으로 설정될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 "기본(default)"은 중립(neutral) 감정의 종류로 설정될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 각 감정의 종류에 따른 비율의 전체 합이 100%을 초과하는 경우, 전체 합이 100%가 되도록 각 감정의 종류에 대한 비율을 정규화(normalize)할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 데이터는 PDSCH를 통해 수신될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 데이터는 상황 설명 정보를 포함하며, 상기 상황 설명 정보는, 화자의 성별, 나이, 시대, 분위기 중 적어도 하나에 대한 정보를 포함할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 음성 합성 엔진은 클라우드 서버 상에 존재하며, 상기 메타데이터는 PUSCH를 통해 전송될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 데이터에서 음성 합성 대상 텍스트를 추출하는 단계; 및 상기 메타 데이터에 기반한 감정을 상기 음성 합성 대상 텍스트에 부가하여 상기 데이터에 대응하는 음성을 합성하는 단계를 더 포함할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 감정 정보를 생성하는 단계는, 상기 데이터의 의미 분석을 통해, 상기 데이터에 포함되어 감정을 유추할 수 있는 감정 요소에 기초하여 제1 감정 벡터를 산출하는 단계; 상기 데이터의 문맥 분석을 통해, 상기 데이터의 전체 맥락(context)에 기초하여 제2 감정 벡터를 산출하는 단계; 및 제1 가중치가 부여된 제1 감정 벡터와 제2 가중치가 부여된 제2 감정 벡터를 합산하는 단계; 를 포함할 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 제1 감정 벡터는, 가중치의 합이 정규화되어 복수의 감정 속성에 부여된 가중치로 정의되며, 상기 제2 감정 벡터는, 가중치의 합이 정규화되어 상기 복수의 감정 속성에 부여된 가중치로 정의될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 제1 감정 벡터를 구성하는 상기 복수의 감정 속성에 부여된 가중치는, 상기 메시지에 포함된 의미적 내용(semantic contents)을 추론한 결과, 상기 메시지에 포함된 기호 또는 그래픽 객체를 고려하여 부여될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 제2 감정 벡터를 구성하는 상기 복수의 감정 속성에 부여된 가중치는, 문맥의 흐름을 추론할 수 있는 문장 간의 문맥을 고려하여 부여될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 데이터는 PDSCH를 통해 수신될 수 있다.

또한, 본 발명의 일 양상에 따른 상기 방법에 있어서, 상기 음성 합성 엔진은 클라우드 서버 상에 존재하며, 상기 메타데이터는 PUSCH를 통해 상기 음성 합성 엔진으로 전송될 수 있다.

본 발명의 또 다른 양상에 따른 감정 정보 기반의 음성 합성 장치는, 데이터를 저장하는 메모리; 상기 데이터에 기반하여 감정 정보를 생성하는 감정 생성 모듈; 상기 데이터에 대응하는 음성을 합성하는 음성 합성 엔진; 및 상기 메모리, 상기 감정 생성 모듈 및 상기 음성 합성 엔진과 기능적으로 연결되어 제어를 수행하는 프로세서;를 포함하되, 상기 프로세서는, 상기 감정 생성 모듈을 제어하여 생성된 감정 정보에 대응하는 메타 데이터를 생성하고, 상기 메타 데이터를 음성 합성 엔진으로 전달하되, 상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(Speech Synthesis Markup Language)를 포함한다.

또한, 본 발명의 일 양상에 따른 상기 장치에 있어서, 상기 SSML은 감정 엘리먼트를 포함하고, 상기 감정 엘리먼트의 속성(attribute) 은 감정의 종류(type)과 비율(rate)으로 구성된다.

본 발명에 따른 감정 정보 기반의 음성 합성 방법 및 음성 합성 장치의 효과에 대해 설명하면 다음과 같다.

본 발명은, 감정을 담은 음성 합성을 구현할 수 있다.

또한, 본 발명은, 대본, 스크립트 등에 포함된 상황 설명 정보에 기반하여 상황에 맞는 감정이 드러나는 음성이 출력되도록 하는 음성 합성을 구현할 수 있다.

또한, 본 발명은, 대본, 스크립트 등의 의미적 내용 및 맥락 정보를 분석함으로써, 문장마다 감정을 담아서 메시지를 출력할 수 있다.

또한, 본 발명은, 생성된 감정 정보를 마크업 언어 형식으로 기술하여 전달함으로써, 음성 합성 엔진에서 감정 정보에 대응하는 메타 데이터를 이해(인식)할 수 있도록 한다.

본 발명의 적용 가능성의 추가적인 범위는 이하의 상세한 설명으로부터 명백해질 것이다. 그러나 본 발명의 사상 및 범위 내에서 다양한 변경 및 수정은 당업자에게 명확하게 이해될 수 있으므로, 상세한 설명 및 본 발명의 바람직한 실시예와 같은 특정 실시예는 단지 예시로 주어진 것으로 이해되어야 한다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 음성 합성 방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.
도 5는 본 발명의 일 실시예에 따른 음성 합성 방법이 구현되는 개념을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예들에 적용될 수 있는 AI 장치의 블록도이다.
도 7은 본 발명의 일 시예에 따른 음성 합성 장치의 예시적인 블록도이다.
도 8은 본 발명의 일 실시예에 따른 스크립트 분석을 통한 감정 정보 기반의 음성 합성을 수행하는 장치의 기능 구성의 예시를 나타낸다.
도 9는 본 발명의 일 실시예에 따른 감정 정보 기반의 음성 합성을 위하여 스크립트 분석을 통해 생성한 감정 정보를 메타 데이터로 생성하는 방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따라 감정 정보가 SSML 언어 형식으로 기술되는 예를 도시한다.
도 11은 본 발명의 일 실시예에 따라 감정 정보가 SSML 언어 형식으로 기술되는 또 다른 예를 도시한다.
도 12는 본 발명의 일 실시예에 따라 문맥 분석 모듈이 텍스트(데이터)의 문맥을 분석하여 감정 벡터를 산출하고, 이를 SSML 언어 형식으로 기술되는 예시를 도시한다.
도 13은 본 발명의 일 실시예에 따라 수신된 데이터에 상황 설명 정보가 포함되지 않은 경우, 제1 감정 벡터와 제2 감정 벡터에 기초하여 최종 감정 정보를 생성하고, 이를 SSML 언어 형식으로 기술되는 예를 도시한다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

A. UE 및 5G 네트워크 블록도 예시

도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.

도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(도 1의 910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.

AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치로 정의(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.

5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.

예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI (Artificial Intelligence) 장치 등일 수 있다.

예를 들어, 단말 또는 UE (User Equipment)는 휴대폰, 스마트 폰 (smart phone), 노트북 컴퓨터 (laptop computer), 디지털 방송용 단말기, PDA (personal digital assistants), PMP (portable multimedia player), 네비게이션, 슬레이트 PC (slate PC), 태블릿 PC (tablet PC), 울트라북 (ultrabook), 웨어러블 디바이스 (wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD (head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다.

도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)는 프로세서 (processor, 911,921), 메모리 (memory, 914,924), 하나 이상의 Tx/Rx RF 모듈 (radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)를 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL (Downlink)(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송 (TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신 (RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.

UL (Uplink)(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)은 각각의 안테나(926)를 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.

B. 무선 통신 시스템에서 신호 송/수신 방법

도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.

도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색 (initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널 (primary synchronization channel, P-SCH) 및 2차 동기 채널 (secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호 (primary synchronization signal, PSS)와 2차 동기 신호 (secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널 (physical broadcast channel, PBCH)을 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호 (downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다.

초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널 (physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널 (physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).

한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정 (random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널 (physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답 (random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정 (contention resolution procedure)를 수행할 수 있다.

상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널 (physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널 (physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보 (downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정 (configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트 (control element set, CORESET)들에 설정된 모니터링 기회 (occasion)들에서 PDCCH 후보 (candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데에 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조 (modulation) 및 코딩 포맷과 자원 할당 (resource allocation) 정보를 적어도 포함하는 하향링크 배정 (assignment) (즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트 (uplink grant; UL grant)를 포함한다.

도 2를 참고하여, 5G 통신 시스템에서의 초기 접속 (Initial Access, IA) 절차에 대해 추가적으로 살펴본다.

UE는 SSB에 기반하여 셀 탐색 (search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH (Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.

SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.

셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID (Identifier) (예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.

336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 즉, 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다

SSB는 SSB 주기 (periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크 (예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.

다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.

SI는 마스터 정보 블록 (master information block, MIB)과 복수의 시스템 정보 블록 (system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI (Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1 (SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성 (availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.

도 2를 참고하여, 5G 통신 시스템에서의 임의 접속 (Random Access, RA) 과정에 대해 추가적으로 살펴본다.

임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드 (triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반 (contention-based) 임의 접속 과정과 경쟁 프리 (contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.

UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격 (subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.

BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답 (random access response, RAR) 메시지 (Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속 (random access, RA) 무선 네트워크 임시 식별자 (radio network temporary identifier, RNTI) (RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑 (power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.

상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.

C. 5G 통신 시스템의 빔 관리 (Beam Management, BM) 절차

BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS (sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.

SSB를 이용한 DL BM 과정에 대해 살펴본다.

SSB를 이용한 빔 보고 (beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보 (channel state information, CSI)/빔 설정 시에 수행된다.

- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고를 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ..}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.

- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.

- SSBRI 및 참조 신호 수신 전력 (reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선 (best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.

UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된 (quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간 (spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.

다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.

CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제 (refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.

먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.

- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.

- UE는 자신의 Rx 빔을 결정한다.

- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.

다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.

- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.

- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.

- UE는 최상의 (best) 빔을 선택(또는 결정)한다.

- UE는 선택된 빔에 대한 ID (예, CRI) 및 관련 품질 정보 (예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.

다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.

- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링 (예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.

- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.

- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.

다음으로, 빔 실패 복구 (beam failure recovery, BFR) 과정에 대해 살펴본다.

빔포밍된 시스템에서, RLF (Radio Link Failure)는 UE의 회전 (rotation), 이동 (movement) 또는 빔포밍 블로키지 (blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시 (indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간 (period) 내에 RRC 시그널링에 의해 설정된 임계치 (threshold)에 이르면 (reach), 빔 실패를 선언 (declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시 (initiate)함으로써 빔 실패 복구를 트리거하고; 적절한 (suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료 (completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.

D. URLLC (Ultra-Reliable and Low Latency Communication)

NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항 (requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간 (duration) (예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격 (stringent)한 레이턴시 요구 사항 (latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화 (multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션 (preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.

NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유 (sharing)가 지원된다. eMBB와 URLLC 서비스들은 비-중첩 (non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인 (ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링 (puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트 (corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시 (preemption indication)를 제공한다. 상기 프리엠션 지시 (preemption indication)는 중단된 전송 지시 (interrupted transmission indication)로 지칭될 수도 있다.

프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반 (convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설정되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도 (granularity)를 가지고 설정된다.

상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.

UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞 (last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.

E. mMTC (massive MTC)

mMTC (massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB (NarrowBand)-IoT를 다루고 있다.

mMTC 기술은 PDCCH, PUCCH, PDSCH (physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑 (hopping), 리튜닝 (retuning), 가드 구간 (guard period) 등의 특징을 가진다.

즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑 (frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간 (guard period)에서 (RF) 리튜닝 (retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역 (narrowband) (ex. 6 RB (resource block) or 1 RB)을 통해 송/수신될 수 있다.

F. 5G 통신을 이용한 AI 기본 동작

도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.

UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2). 여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).

G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작

이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, mMTC 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.

먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.

보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.

또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)를 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.

다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.

도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.

도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.

앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.

도 4는 본 발명의 일 실시예에 따른 음성 합성 방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.

도 4를 참조하면, 본 발명의 일 실시예에 따른 음성 합성 방법이 구현되는 시스템은, 음성 합성 장치(10), 네트워크 시스템(16), 음성 합성 엔진(Speech Synthesis Engine)으로서 TTS(Text-To-Speech) 시스템(18)을 포함할 수 있다.

적어도 하나의 음성 합성 장치(10)는 휴대폰(11), PC(12), 노트북 컴퓨터(13) 및 기타 서버 장치(14)들을 포함할 수 있다. 상기 PC(12), 노트북 컴퓨터(13)는 무선 엑세스 포인트(15)를 통해 적어도 하나의 네트워크 시스템(16)에 연결할 수 있다. 본 발명의 일 실시예에 의하면 상기 음성 합성 장치(10)는 오디오 북, 스마트 스피커를 포함할 수 있다.

한편, 상기 TTS 시스템(18)은 네트워크에 포함된 서버에 구현될 수도 있고, 온디바이스 프로세싱으로 구현되어 음성 합성 장치(10) 내에 임베딩되어 구현될 수도 있다. 본 발명의 일 실시예에서는 상기 TTS 시스템(18)이 음성 합성 장치(10)에 내장되어 구현되는 것을 전제로 설명한다.

도 5는 본 발명의 일 실시예에 따른 음성 합성 방법이 구현되는 개념을 설명하기 위한 도면이다.

도 5를 참조하면, 본 발명의 일 실시예에 따른 음성 합성 장치는 오디오 북(14)일 수 있다. 오디오 북(14)은 텍스트 데이터를 저장할 수 있다. 상기 텍스트 데이터를 본 문서에서는 스크립트로 호칭하여 사용한다. 상기 오디오 북은 상기 스크립트를 메모리에 저장할 수 있다. 또는, 상기 오디오 북은 상기 스크립트를 네트워크 시스템(16)으로부터 수신할 수도 있다. 오디오 북은 상기 스크립트에 상황 설명 정보가 포함되었는지 여부를 판단할 수 있고, 판단 결과에 따라 감정 정보를 생성할 수 있다. 또한, 오디오 북은 감정 정보를 생성하기 위하여 네트워크 시스템으로부터 상황 설명 정보와 관련된 감정 관련 정보를 무선 통신부를 통해 수신할 수 있다. 오디오 북(14)은 상기 스크립트에 상기 감정 정보를 부가하여 사용자(U2)에게 다양한 감정 및 스타일로 음성을 합성하여 출력할 수 있다. 이때, 상기 네트워크 시스템(16)으로부터 수신된 감정 관련 정보에 기초하여 스크립트에 대응하는 음성을 합성하여 출력할 수도 있다.

또한, 오디오 북(14)은 사용자로부터 사용자가 선호하는 음성 합성 방식을 입력 받을 수도 있다. 이 경우, 오디오 북(14)은 사용자의 선호도에 기반하여 하나의 감정에 대해 표현할 수 있는 다양한 방식 중 하나를 선택하여 음성 합성에 이용할 수 있다. 이를 통해, 사용자 특정의(User specific) 음성 합성 결과를 제공할 수 있는 효과가 있다.

도 6은 본 발명의 일 실시예들에 적용될 수 있는 AI 장치의 블록도이다.

상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 4에 도시된 음성 합성 장치(10)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.

상기 AI 프로세싱은, 도 4 도시된 음성 합성 장치(10)의 음성 합성과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 상기 AI 프로세싱은, 음성 합성 장치(10)의 스크립트를 분석하여 스크립트에 설명된 상황에 맞게 감정 정보를 생성하는 과정일 수 있다. 상기 AI 프로세싱은, 스크립트에 포함된 상황 설명 등을 분석하고, 각 상황에 맞는 최적의 감정을 도출하여 음성 합성된 결과를 사용자에게 제공할 수 있다. 사용자는 감정 정보가 결합된 스크립트의 음성 출력을 통해 생동감 있는 컨텐츠를 즐길 수 있다.

상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.

상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.

AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다.

특히, AI 프로세서(21)는 스크립트를 분석하여 스크립트에 등장하는 시대, 상황, 캐릭터, 분위기 등의 감정을 인식하기 위한 신경망을 학습할 수 있다. 여기서, 감정을 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다.

복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.

메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.

한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.

데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.

데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.

학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 감정과 관련된 데이터 및/또는 샘플 데이터를 획득할 수 있다.

모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.

신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.

데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.

학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.

또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 스크립트의 상황 설명 부분만을 검출하여, 해당 상황 설명에 최적화 된 감정 정보를 추출하기 위한 데이터만을 학습 데이터로 선택할 수 있다.

또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.

모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.

통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.

여기서 전자 기기는 AI 프로세서(21)가 네트워크 시스템에 포함된 경우, 상기 외부 전자 기기는 본 발명의 일 실시예에 따른 음성 합성 장치가 될 수 있다.

한편, 도 6에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.

도 7은 본 발명의 일 시예에 따른 음성 합성 장치의 예시적인 블록도이다.

도 7에 도시된 음성 합성 장치(TTS Device, 100)는, TTS 장치(100) 또는 다른 장치에 의해 처리된 음성을 출력하기 위한 오디오 출력 장치(110)를 포함할 수 있다. 또한, 일례로, TTS 장치(100)은 도 4의 음성 합성 장치(10)과 대응될 수도 있다.

도 7은 음성 합성을 수행하기 위한 음성 합성 장치(TTS Device, 100)를 개시한다. 본 발명의 일 실시예는 상기 TTS 장치(100)에 포함될 수 있는 컴퓨터 판독 가능한 및 컴퓨터 실행 가능한 명령들을 포함할 수 있다. 도 7은 상기 TTS 장치(100)에 포함된 복수의 구성 요소들을 개시하지만, 상기 개시되지 않은 구성요소들이 상기 TTS 장치(100)에 포함될 수도 있음은 물론이다.

한편, 상기 TTS 장치(100)에 개시된 몇몇 구성요소들은 단일 구성요소로서, 하나의 장치에서 여러 번 나타날 수 있다. 예를 들어, 상기 TTS 장치(100)는 복수의 입력 장치(120), 출력 장치(130) 또는 복수의 컨트롤러/프로세서(140)를 포함할 수 있다.

복수의 TTS 장치가 하나의 음성 합성 장치에 적용될 수도 있다. 그러한 다중 장치 시스템에서 상기 TTS 장치는 음성 합성 처리의 다양한 측면들을 수행하기 위한 서로 다른 구성요소들을 포함할 수 있다. 도 7에 도시된 TTS 장치(100)는 예시적인 것이며, 독립된 장치일 수 있으며, 보다 큰 장치 또는 시스템의 일 구성요소로 구현될 수도 있다.

본 발명의 일 실시예는 복수의 서로 다른 장치 및 컴퓨터 시스템 예를 들어, 범용 컴퓨팅 시스템, 서버-클라이언트 컴퓨팅 시스템, 전화(telephone) 컴퓨팅 시스템, 랩탑 컴퓨터, 휴대용 단말기, PDA, 테블릿 컴퓨터 등에 적용될 수 있다. 상기 TTS 장치(100)는 자동 입출금기(ATMs), 키오스크(kiosks), 글로벌 위치 시스템(GPS), 홈 어플라이언스(예를 들어, 냉장고, 오븐, 세탁기 등), 차량(vehicles), 전자 책 리더(ebook readers) 등의 음성 인식 기능을 제공하는 다른 장치 또는 시스템의 일 구성요소로 적용될 수도 있다.

도 7을 참조하면, 상기 TTS 장치(100)는 상기 TTS 장치(100) 또는 다른 장치에 의해 처리된 음성을 출력하기 위한 음성 출력 장치(110)를 포함할 수 있다. 상기 음성 출력 장치(110)는 스피커(speaker), 헤드폰(headphone) 또는 음성을 전파하는 다른 적절한 구성요소를 포함할 수 있다. 상기 음성 출력 장치(110)는 상기 TTS 장치(100)에 통합되거나, 상기 TTS 장치(100)와 분리되어 구현될 수도 있다.

상기 TTS 장치(100)는 상기 TTS 장치(100)의 구성요소들 사이에 데이터를 전달하기 위한 어드레스/데이터 버스(224)를 포함할 수 있다. 상기 TTS 장치(100) 내의 각 구성요소들은 상기 버스(224)를 통해 다른 구성요소들과 직접적으로 연결될 수 있다. 한편, 상기 TTS 장치(100) 내의 각 구성요소들은 TTS 모듈(170)과 직접적으로 연결될 수도 있다.

TTS 장치(100)는 제어부(프로세서)(140)를 포함할 수 있다. 상기 프로세서(208)는 데이터를 처리하기 위한 CPU, 데이터를 처리하는 컴퓨터 판독 가능한 명령 및 데이터 및 명령들을 저장하기 위한 메모리에 대응될 수 있다. 상기 메모리(150)는 휘발성 RAM, 비휘발성 ROM 또는 다른 타입의 메모리를 포함할 수 있다.

TTS 장치(100)는 데이터 및 명령을 저장하기 위한 스토리지(160)를 포함할 수 있다. 스토리지(160)는 마그네틱 스토리지, 광학식 스토리지, 고체 상태(solid-state) 스토리지 타입 등을 포함할 수 있다.

TTS 장치(100)는 입력 장치(120) 또는 출력 장치(130)를 통해 착탈식 또는 외장 메모리(예를 들어, 분리형 메모리 카드, 메모리 키 드라이브, 네트워크 스토리지 등)에 접속될 수 있다.

TTS 장치(100) 및 다양한 구성요소들을 동작시키기 위한 프로세서(140)에서 처리될 컴퓨터 명령(computer instructions)은, 프로세서(140)에 의해 실행될 수 있고, 메모리(150), 스토리지(160), 외부 디바이스 또는 후술할 TTS 모듈(170)에 포함된 메모리나 스토리지에 저장될 수 있다. 대안적으로, 실행 가능한 명령의 전부 또는 일부는 소프트웨어에 추가하여 하드웨어 또는 펌웨어에 내장될 수도 있다. 본 발명의 일 실시예는 예를 들어, 소프트웨어, 펌웨어 및/또는 하드웨어의 다양한 조합으로 구현될 수 있다.

TTS 장치(100)는 입력 장치(120), 출력 장치(130)를 포함한다. 예를 들어, 상기 입력 장치(120)는 마이크로폰, 터치 입력 장치, 키보드, 마우스, 스타일러스 또는 다른 입력 장치와 같은 오디오 출력 장치(110)를 포함할 수 있다. 상기 출력 장치(130)는 디스플레이(visual display or tactile display), 오디오 스피커, 헤드폰, 프린터 또는 기타 출력 장치가 포함될 수 있다. 입력 장치(120) 및/또는 출력 장치(130)는 또한 USB(Universal Serial Bus), FireWire, Thunderbolt 또는 다른 연결 프로토콜과 같은 외부 주변 장치 연결용 인터페이스를 포함할 수 있다. 입력 장치(120) 및/또는 출력 장치(130)는 또한 이더넷 포트, 모뎀 등과 같은 네트워크 연결을 포함할 수 있다. 무선 주파수(RF), 적외선(infrared), 블루투스(Bluetooth), 무선 근거리 통신망(WLAN)(WiFi 등)과 같은 무선 통신 장치 또는 5G 네트워크, LTE(Long Term Evolution) 네트워크, WiMAN 네트워크, 3G 네트워크와 같은 무선 네트워크 무선 장치를 포함할 수 있다. TTS 장치(100)는 입력 장치(120) 및/또는 출력 장치(130)를 통해 인터넷 또는 분산 컴퓨팅 환경(distributed computing environment)을 포함할 수도 있다.

TTS 장치(100)는 텍스트 데이터를 음성을 포함하는 오디오 파형을 처리하기 위한 TTS 모듈(170)을 포함할 수 있다.

TTS 모듈(170)은 버스(224), 입력 장치(120), 출력 장치(130), 오디오 출력 장치(110), 프로세서(140) 및/또는 TTS 장치(100)의 다른 구성요소에 접속될 수 있다.

텍스트 데이터(textual data)의 출처는 TTS 장치(100)의 내부 구성요소에 의해 생성된 것일 수 있다. 또한, 상기 텍스트 데이터의 출처는 키보드와 같이 입력 장치로부터 수신되거나, 네트워크 연결을 통해 TTS 장치(100)로 전송될 것일 수 있다. 텍스트는 TTS 모듈(170)에 의해 스피치로 변환하기 위한 텍스트, 숫자 및/또는 문장 부호(punctuation)를 포함하는 문장의 형태 일 수있다. 입력 텍스트는 또한 TTS 모듈(170)에 의한 처리를 위하여, 특수 주석(special annotation)을 포함할 수 있으며, 상기 특수 주석을 통해 특정 텍스트가 어떻게 발음되어야 하는지를 지시 할 수 있다. 텍스트 데이터는 실시간으로 처리되거나 나중에 저장 및 처리 될 수 있다.

TTS 모듈(170)은 전처리부(Front End)(171), 음성 합성 엔진(Speech Synthesis Engine)(172) 및 TTS 저장부(180)를 포함할 수 있다. 전처리부(171)는 입력 테스트 데이터를 음성 합성 엔진(172)에 의한 처리를 위해 기호 언어 표현(symbolic linguistic representation)으로 변환할 수 있다. 음성 합성 엔진(172)은 주석된 음성 단위 모델(annotated phonetic units models)과 TTS 저장부(180)에 저장된 정보를 비교하여 입력 텍스트를 음성으로 변환할 수 있다. 전처리부(171) 및 음성 합성 엔진(172)은 임베디드된 내부 프로세서 또는 메모리를 포함할 수 있거나, TTS 장치(100)에 포함된 프로세서(1400) 및 메모리(150)를 이용할 수 있다. 전처리부(171) 및 음성 합성 엔진(172)을 동작시키기 위한 명령들은 TTS 모듈(170), TTS 장치(100)의 메모리(150) 및 스토리지(160) 또는 외부 장치 내에 포함될 수도 있다.

TTS 모듈(170)로의 텍스트 입력은 프로세싱을 위해 전처리부(171)로 전송될 수 있다. 전처리부(171)는 텍스트 정규화(text normalization), 언어 분석(linguistic analysis), 언어 운율 생성(linguistic prosody generation)을 수행하기 위한 모듈을 포함할 수 있다.

전처리부(171)는 텍스트 정규화 동작을 수행하는 동안, 텍스트 입력을 처리하고 표준 텍스트(standard text)를 생성하여, 숫자(numbers), 약어(abbreviations), 기호(symbols)를 쓰여진 것과 동일하게 변환한다.

전처리부(171)는 언어 분석 동작을 수행하는 동안, 정규화된 텍스트의 언어를 분석하여 입력 텍스트에 대응하는 일련의 음성학적 단위(phonetic units)를 생성할 수 있다. 이와 같은 과정은 발음 표기(phonetic transcription)로 호칭될 수 있다. 음성 단위(phonetic units)는 최종적으로 결합되어 음성(speech)으로서 TTS 장치(100)에 의해 출력되는 사운드 단위(sound units)의 심볼 표현을 포함한다. 다양한 사운드 유닛들이 음성 합성을 위해 텍스트를 분할하는데 사용될 수 있다. TTS 모듈(170)은 음소(phonemes, 개별 음향), 하프-음소(half-phonemes), 다이폰(di-phones, 인접한 음소의 전반과 결합된 하나의 음소의 마지막 절반), 바이폰(bi-phones, 두 개의 연속적인 음속), 음절(syllables), 단어(words), 문구(phrases), 문장(sentences), 또는 기타 단위들에 기초하여 음성을 처리할 수 있다. 각 단어는 하나 이상의 음성 단위(phonetic units)에 매핑될 수 있다. 이와 같은 매핑은 TTS 장치(100)에 저장된 언어 사전(language dictionary)을 이용하여 수행될 수 있다.

전처리부(171)에 의해 수행되는 언어 분석은 또한 접두사(prefixes), 접미사(suffixes), 구(phrases), 구두점(punctuation), 구문론 경계(syntactic boundaries)와 같은 서로 다른 문법적 요소들 확인하는 과정을 포함할 수 있다. 이와 같은 문법적 구성요소는 TTS 모듈(170)에 의해 자연스러운 오디오 파형 출력을 만드는데 사용될 수 있다. 상기 언어 사전은 또한 TTS 모듈(170)에 의해 발생할 수 있는 이전에 확인되지 않은 단어 또는 문자 조합을 발음하는데 사용될 수 있는 문자 대 소리 규칙(letter-to-sound rules) 및 다른 도구들을 포함할 수 있다. 일반적으로 언어 사전에 포함된 정보들이 많을 수록 고 품질의 음성 출력을 보장할 수 있다.

상기 언어 분석에 기초하여, 전처리부(171)는 음성 단위(phonetic units)에 최종 음향 단위가 최종 출력 음성에서 어떻게 발음되어야 하는지를 나타내는 운율 특성(prosodic characteristics)으로 주석 처리된 언어 운율 생성을 수행할 수 있다.

상기 운율 특성은 음향 특징(acoustic features)으로도 호칭될 수 있다. 이 단계의 동작을 수행하는 동안, 전처리부(171)는 텍스트 입력을 수반하는 임의의 운율 주석(prosodic annotations)을 고려하여 TTS 모듈(170)에 통합할 수 있다. 이와 같은 음향 특징(acoustic features)은 피치(pitch), 에너지(energy), 지속 시간(duration) 등을 포함할 수 있다. 음향 특징의 적용은 TTS 모듈(170)이 이용할 수 있는 운율 모델(prosodic models)에 기초할 수 있다. 이러한 운율 모델은 특정 상황에서 음성 단위(phonetic units)가 어떻게 발음되어야 하는지를 나타낸다. 예를 들어, 운율 모델은 음절에서 음소의 위치(a phoneme's position in a syllable), 단어에서 음절의 위치(a syllable's position in a word), 문장 또는 구문에서 단어의 위치(a word's position in a sentence or phrase), 인접한 음운 단위(neighboring phonetic units) 등을 고려할 수 있다. 언어 사전과 마찬가지로, 운율 정보(prosodic model)의 정보가 많을수록 고품질의 음성 출력이 보장될 수 있다.

전처리부(171)의 출력은, 운율 특성(prosodic characteristics)으로 주석 처리된 일련의 음성 단위를 포함할 수 있다. 상기 전처리부(171)의 출력은 기호식 언어 표현(symbolic linguistic representation)으로 호칭될 수 있다. 상기 심볼릭 언어 표현은 음성 합성 엔진(172)에 전송될 수 있다. 상기 음성 합성 엔진(172)은 오디오 출력 장치(110)를 통해 사용자에게 출력하기 위해 스피치(speech)를 오디오 파형(audio waveform)으로의 변환 과정을 수행한다. 음성 합성 엔진(172)은 입력 텍스트를 효율적인 방식으로 고품질의 자연스러운 음성으로 변환하도록 구성될 수 있다. 이러한 고품질의 스피치는 가능한 한 화자(human speaker)와 유사하게 발음되도록 구성될 수 있다.

음성 합성 엔진(172)은 적어도 하나 이상의 다른 방법을 이용하여 음성 합성을 수행할 수 있다.

유닛 선택 엔진(Unit Selection Engine)(173)은 녹음된 스피치 데이터 베이스(recorded speech database)를, 상기 전처리부(171)에 의해 생성된 기호식 언어 표현(symbolic linguistic representation)과 대조한다. 유닛 선택 엔진(173)은 상기 심볼 언어 표현과 스피치 데이터베이스의 음성 오디오 유닛을 매칭한다. 음성 출력(speech output)을 형성하기 위해 매칭 유닛이 선택되고, 선택된 매칭 유닛들이 함께 연결될 수 있다. 각 유닛은 .wav 파일(피치, 에너지 등)과 연관된 다양한 음향 특성들의 설명(description)과 함께, 특정 사운드의 짧은 ,wav 파일과 같은 음성 유닛(phonetic unit)에 대응하는 오디오 파형(audio waveform) 뿐 아니라, 상기 음성 유닛이 단어, 문장 또는 문구, 이웃 음성 유닛에 표시되는 위치와 같은 다른 정보들을 포함할 수 있다.

유닛 선택 엔진(173)은 자연스러운 파형을 생성하기 위하여 유닛 데이터 베이스 내의 모든 정보를 이용하여 입력 텍스트를 매칭시킬 수 있다. 유닛 데이터 베이스는 유닛들을 스피치로 연결하기 위해 서로 다른 옵션들을 TTS 장치(100)에 제공하는 다수의 음성 유닛들의 예시를 포함할 수 있다. 유닛 선택의 장점 중 하나는, 데이터 베이스의 크기에 따라 자연스러운 자연스러운 음성 출력이 생성될 수 있다는 것이다. 또한, 유닛 데이터 베이스가 클수록 TTS 장치(100)는 자연스러운 음성을 구성할 수 있게 된다.

한편, 음성 합성은 전술한 유닛 선택 합성 외에 파라미터 합성 방법이 존재한다. 파라미터 합성은 인공적인 음성 파형을 생성하기 위해 주파수, 볼륨, 잡음과 같은 합성 파라미터들이 파라미터 합성 엔진(175), 디지털 신호 프로세서, 또는 다른 오디오 생성 장치에 의해 변형될 수 있다.

파라미터 합성은, 음향 모델 및 다양한 통계 기법을 사용하여 기호식 언어 표현(symbolic linguistic representation) 원하는 출력 음성 파라미터와 일치시킬 수 있다. 파라미터 합성에는 유닛 선택과 관련된 대용량의 데이터베이스 없이도 음성을 처리할 수 있을 뿐 아니라, 높은 처리 속도로 정확한 처리가 가능하다. 유닛 선택 합성 방법 및 파라미터 합성 방법은 개별적으로 수행되거나 결합되어 수행되어 음성 오디오 출력을 생성할 수 있다.

파라미터 음성 합성은 다음과 같이 수행될 수 있다. TTS 모듈(170)은 오디오 신호 조작에 기초하여 기호식 언어 표현(symbolic linguistic representation)을 텍스트 입력의 합성 음향 파형(synthetic acoustic waveform)으로 변환이 가능한 음향 모델(acoustic model)을 포함할 수 있다. 상기 음향 모델은, 입력 음성 단위 및/또는 운율 주석(prosodic annotations)에 특정 오디오 파형 파라미터(specific audio waveform parameters)를 할당하기 위해 파라미터 합성 엔진(175)에 의해 사용될 수 있는 규칙(rules)을 포함할 수 있다. 상기 규칙은 특정 오디오 출력 파라미터(주파수, 볼륨 등)가 전처리부(171)로부터의 입력 기호식 언어 표현의 부분에 대응할 가능성을 나타내는 스코어를 계산하는데 이용될 수 있다.

파라미터 합성 엔진(175)은 합성될 음성을 입력 음성 유닛 및/또는 운율 주석과 매칭시키기 위해 복수의 기술들이 적용될 수 있다. 일반적인 기술 중 하나는 HMM(Hidden Markov Model)을 사용한다, HMM은 오디오 출력이 텍스트 입력과 일치해야 하는 확률을 결정하는데 이용될 수 있다. HMM은 원하는 음성을 인공적으로 합성하기 위해, 언어 및 음향 공간의 파라미터들을 보코더(디지털 보이스 인코더)에 의해 사용될 파라미터들로 전환시키는데 이용될 수 있다.

TTS 장치(100)는 유닛 선택에 사용하기 위한 음성 유닛 데이터베이스를 포함할 수 있다.

상기 음성 유닛 데이터 베이스는 TTS 스토리지(180), 스토리지(160) 또는 다른 스토리지 구성에 저장될 수 있다. 상기 음성 유닛 데이터 베이스는 레코딩된 스피치 발성을 포함할 수 있다. 상기 스피치 발성은 발화 내용에 대응되는 텍스트일 수 있다. 또한, 음성 유닛 데이터 베이스는 TTS 장치(100)에서 상당한 저장 공간을 차지하는 녹음된 음성(오디오 파형, 특징 벡터 또는 다른 포맷의 형태)을 포함할 수 있다. 음성 유닛 데이터베이스의 유닛 샘플들은 음성 단위(음소, 다이폰, 단어 등), 언어적 운율 레이블, 음향 특징 시퀀스, 화자 아이덴티티 등을 포함하는 다양한 방법으로 분류될 수 있다. 샘플 발화(sample utterance)는 특정 음성 유닛에 대한 원하는 오디오 출력에 대응하는 수학적 모델을 생성하는데 사용될 수 있다.

음성 합성 엔진(172)은 기호화된 언어 표현을 매칭할 때, 입력 텍스트(음성 단위 및 운율 기호 주석 모두를 포함)와 가장 근접하게 일치하는 음성 유닛 데이터베이스 내의 유닛을 선택할 수 있다. 일반적으로 음성 유닛 데이터 베이스가 클 수록 선택 가능한 유닛 샘플 수가 많아서 정확한 스피치 출력이 가능하게 된다.

TTS 모듈(213)로부터 음성 출력을 포함하는 오디오 파형(audio waveforms)은 사용자에게 출력하기 위해 오디오 출력 장치(110)로 전송될 수 있다. 음성을 포함하는 오디오 파형은 일련의 특징 벡터(feature vectors), 비 압축 오디오 데이터(uncompressed audio data) 또는 압축 오디오 데이터와 같은 복수의 상이한 포맷으로 저장될 수 있다. 예를 들어, 음성 출력은 상기 전송 전에 인코더/디코더에 의해 인코딩 및/또는 압축될 수 있다. 인코더/디코더는 디지털화된 오디오 데이터, 특징 벡터 등과 같은 오디오 데이터를 인코딩 및 디코딩할 수 있다. 또한 인코더/디코더의 기능은 별도의 컴포넌트 내에 위치될 수 있거나, 프로세서(140), TTS 모듈(170)에 의해 수행될 수도 있음은 물론이다.

한편, 상기 TTS 스토리지(180)는 음성 인식(speech recognition)을 위해 다른 정보들을 저장할 수 있다.

TTS 스토리지(180)의 컨텐츠는 일반적인 TTS 사용을 위해 준비될 수도 있고, 특정 애플리케이션에서 사용될 가능성이 있는 소리 및 단어를 포함하도록 맞춤화될 수 있다. 예를 들어, GPS 장치에 의해 TTS 처리를 위해 TTS 스토리지(180)는 위치 및 내비게이션에 특화된 맞춤형 음성을 포함할 수 있다.

또한 예를 들어, TTS 스토리지(180)는 개인화된 원하는 음성 출력에 기초하여 사용자에게 커스터마이징될 수도 있다. 예를 들어, 사용자는 출력되는 보이스가 특정 성별, 특정 억양, 특정 속도, 특정 감정(예를 들어, 행복한 음성)을 선호할 수 있다. 음성 합성 엔진(172)은 이와 같은 사용자 선호도를 설명하기 위하여 특수 데이터 베이스 또는 모델(specialized database or model)을 포함할 수 있다.

TTS 장치(100)는 또한 다중 언어로 TTS 처리를 수행하도록 구성될 수 있다. 각 언어에 대해, TTS 모듈(170)은 원하는 언어로 음성을 합성하기 위해 특별히 구성된 데이터, 명령 및/또는 구성 요소를 포함할 수 있다.

성능 향상을 위해 TTS 모듈(213)은 TTS 처리 결과에 대한 피드백에 기초하여 TTS 스토리지(180)의 내용을 수정하거나 갱신할 수 있으므로, TTS 모듈(170)이 훈련 코퍼스(training corpus)에서 제공되는 능력 이상으로 음성 인식을 향상시킬 수 있다.

TTS 장치(100)의 처리 능력이 향상됨에 따라, 입력 텍스트가 갖는 감정 속성을 반영하여 음성 출력이 가능하다. 또는 TTS 장치(100)는 상기 입력 텍스트에 감정 속성에 포함되어 있지 않더라도, 입력 텍스트를 작성한 사용자의 의도(감정 정보)를 반영하여 음성 출력이 가능하다.

실제로 TTS 처리를 수행하는 TTS 모듈에 통합될 모델이 구축될 때 TTS 시스템은, 위에서 언급한 다양한 구성요소와 다른 구성요소를 통합할 수 있다. 일 예로, TTS 장치(100)는 음성에 감정 요소를 삽입할 수 있다.

감정 정보가 부가된 음성을 출력하기 위해 TTS 장치(100)는 감정 삽입 모듈(177)을 포함할 수 있다. 감정 삽입 모듈(177)은 TTS 모듈(170)에 통합되거나, 전처리부(171) 또는 음성 합성 엔진(172)의 일부로서 통합될 수 있다. 상기 감정 삽입 모듈(177)은 감정 속성에 대응하는 메타 데이터를 이용하여 감정 정보 기반의 음성 합성을 구현할 수 있도록 한다. 본 발명의 일 실시예에 의하면, 상기 메타 데이터는 마크업 언어(Markup Language)가 이용될 수 있으며, 바람직하게는 SSML(Speech Synthesis Markup Language)가 이용될 수 있다. 상기 SSML 형식을 통해 감정 정보 기반의 음성 합성 방법에 관해서는 이하 구체적으로 설명하기로 한다.

도 8은 본 발명의 일 실시예에 따른 스크립트 분석을 통한 감정 정보 기반의 음성 합성을 수행하는 장치(200)의 기능 구성의 예시를 나타낸다. 도 8은 설명의 편의를 위한 하나의 예시일 뿐, 본 발명의 범위를 제한하지는 않는다. 또한, 도 8의 각 기능 모듈(블록)들은 일부 생략되거나, 병합될 수 있다. 또한, 일부 모듈(블록)은 음성 합성을 수행하는 장치의 외부에 존재하여 인터페이스를 통해 송수신 될 수도 있다.

도 8을 참고하면, 감정 정보 기반 음성 합성 장치(200)는 ARS 모듈(61), TTS 모듈(62), NLU 모듈(63) 및 지능형 에이전트 모듈(64) 등을 포함할 수 있다. 상기 감정 정보 기반 음성 합성 장치(200)에서 설명의 편의를 위해 ARS 모듈(61), TTS 모듈(62), NLU 모듈(63) 및 지능형 에이전트 모듈(64)로 구분하여 표현하였으나, 후술할 지능형 에이전트 모듈(64)는 상기 각 모듈(61,62,63, 64)의 적어도 일부 또는 전부의 기능을 수행할 수도 있다. 이하, 각 모듈의 동작에 대하여 구체적으로 살펴본다.

ARS 모듈 (61)

ASR 모듈(61)은 음성 합성 장치에 입력되는 데이터가 대본 및 오디오 데이터를 포함하는 경우, 대본과 함께 제공되는 오디오 데이터에 포함된 음성 입력을 텍스트 데이터로 변환할 수 있다.

ASR 모듈(61)은 프론트-엔드 스피치 프리 프로세서(front-end speech pre-processor)를 포함한다. 프론트-엔드 스피치 프리프로세서는 스피치 입력으로부터 대표적인 특징을 추출한다. 예를 들어, 프론트-엔드 스피치 프리프로세서는 스피치 입력을 푸리에 변환을 수행하여 대표적인 다차원 벡터의 시퀀스로서 스피치 입력을 특징짓는 스펙트럼 특징을 추출한다. 또한, ASR 모듈(61)은 하나 이상의 스피치 인식 모델(예컨대, 음향 모델 및/또는 언어 모델)을 포함하고, 하나 이상의 스피치 인식 엔진을 구현할 수 있다. 스피치 인식 모델의 예는 은닉 마르코프 모델(hidden Markov models), 가우시안 혼합 모델(Gaussian-Mixture Models), 딥 신경망 모델(Deep Neural Network Models), n-gram 언어 모델, 및 기타 통계 모델을 포함한다. 스피치 인식 엔진의 예는 동적 시간 왜곡 기반 엔진 및 가중치 유한 상태 변환기(WFST) 기반 엔진을 포함한다. 하나 이상의 스피치 인식 모델 및 하나 이상의 스피치 인식 엔진은 중간 인식 결과들(예를 들어, 음소, 음소 문자열, 및 하위 단어들), 및 궁극적으로 텍스트 인식 결과들(예컨대, 단어, 단어 문자열, 또는 토큰들의 시퀀스)을 생성하기 위해 프론트-엔드 스피치 프리프로세서의 추출된 대표 특징들을 처리하는 데 사용될 수 있다.

ASR 모듈(61)이 텍스트 문자열(예를 들어, 단어들, 또는 단어들의 시퀀스, 또는 토큰들의 시퀀스)을 포함하는 인식 결과를 생성하면, 인식 결과는 의도 추론을 위해 자연 언어 처리 모듈(63)로 전달된다. 일부 예들에서, ASR 모듈(61)은 스피치 입력의 다수의 후보 텍스트 표현들을 생성한다. 각각의 후보 텍스트 표현은 스피치 입력에 대응하는 단어들 또는 토큰들의 시퀀스이다.

TTS 모듈 (62)

음성 합성 모듈(TTS 모듈, 62)은 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있다. TTS 모듈(62)은 NLU 모듈(63)의 자연어 생성 모듈로부터 텍스트 형태의 정보를 수신하고, 상기 텍스트 형태의 정보를 음성 형태의 정보로 변경할 수 있으며, 음성 형태의 정보를 사용자 디바이스로 전송할 수 있다. 상기 사용자 디바이스는 상기 음성 형태의 정보를 스피커를 통해 출력할 수 있다. 또는, 음성 합성 장치에 포함된 음성 출력 장치를 통해 음성 형태의 정보를 출력할 수도 있다.

TTS 모듈(62)은 제공된 텍스트에 기초하여 스피치 출력을 합성한다. 예를 들어, 음성 인식 모듈(ASR)(61)에서 생성된 결과는 텍스트 문자열의 형태이다. TTS 모듈(62)은 텍스트 문자열을 가청 스피치 출력으로 변환한다. TTS 모듈(62)은, 텍스트로부터의 스피치 출력을 생성하기 위하여 임의의 적절한 스피치 합성 기법을 사용하는데, 이는 편집 합성(concatenative synthesis), 단위 선택 합성(unit selection synthesis), 다이폰 합성, 도메인-특정 합성, 포먼트 합성(Formant synthesis), 조음 합성(Articulatory synthesis), HMM(hidden Markov model) 기반 합성, 및 정현파 합성(sinewave synthesis)을 포함하지만 이로 한정되지 않는다.

일부 예들에서, TTS 모듈(62)은 단어들에 대응하는 음소 문자열에 기초하여 개별 단어들을 합성하도록 구성된다. 예를 들어, 음소 문자열은 생성된 텍스트 문자열의 단어와 연관된다. 음소 문자열은 단어와 연관된 메타데이터에 저장된다. TTS 모듈(62)은 스피치 형태의 단어를 합성하기 위해 메타데이터 내의 음소 문자열을 직접 프로세싱 하도록 구성된다.

NLU 모듈 (63)

NLU 모듈(63)은 문법적 분석(Syntactic analyze) 또는 의미적 분석(semantic analyze)을 수행하여 사용자 의도를 파악할 수 있다. 상기 문법적 분석은 문법 단위(예를 들어, 단어, 구, 형태소 등)를 나누고, 나누어진 단위가 어떠한 문법적인 요소를 갖는지 파악할 수 있다. 상기 의미적 분석은 의미(semantic) 매칭, 룰(rule) 매칭, 포뮬러(formula) 매칭 등을 이용하여 수행할 수 있다. 이에 따라, NUL 모듈(63)은 스크립트에 표현된 상황 설명 정보가 어느 도메인(domain), 의도(intent) 또는 상기 의도를 표현하는데 필요한 파라미터(parameter)를 획득할 수 있다.

상기 NLU 모듈(63)은 도메인, 의도 및 상기 의도를 파악하는데 필요한 파라미터로 나누어진 매핑 규칙을 이용하여 스크립트에 표현된 상황 설명 정보에 기반하여 의도(감정) 및 파라미터를 결정할 수 있다. 예를 들어, 하나의 도메인(예를 들어, 알람)은 복수의 의도(예를 들어, 알람 설정, 알람 해제)를 포함할 수 있고, 하나의 의도는 복수의 파라미터(예를 들어, 시간, 반복 횟수, 알람음 등)을 포함할 수 있다. 복수의 룰은, 예를 들어, 하나 이상의 필수 요소 파라미터를 포함할 수 있다. 상기 매칭 규칙은 자연어 이해 데이터 베이스(Natural Language Understanding Database)에 저장될 수 있다.

상기 NLU 모듈(63)은 형태소, 구 등의 언어적 특징(예를 들어, 문법적 요소)을 이용하여 스크립트에 표현된 상황 설명 정보로부터 추출된 단어의 의미를 파악하고, 상기 파악된 단어의 의미를 도메인 및 의도에 매칭시켜 감정(의도)을 결정한다. 예를 들어, NLU 모듈(63)은 각각의 도메인 및 의도에 사용자 입력에서 추출된 단어가 얼마나 포함되어 있는지를 계산하여 사용자 의도를 결정할 수 있다. 일 실시예에 따르면, NLU 모듈(63)은 상기 의도를 파악하는데 기초가 된 단어를 이용하여 사용자 입력의 파라미터를 결정할 수 있다. 일 실시예에 따르면, NLU 모듈(63)은 사용자 입력의 의도를 파악하기 위한 언어적 특징이 저장된 자연어 인식 데이터 베이스를 이용하여 사용자의 의도를 결정할 수 있다. 또한 일 실시예에 따르면, NLU 모듈(63)은 개인화 언어 모델(personal language model, PLM)을 이용하여 사용자의 의도를 결정할 수 있다. 예를 들어, NLU 모듈(63)은 개인화된 정보(예를 들어, 연락처 리스트, 음악 리스트, 스케줄 정보, 소셜 네트워크 정보 등)을 이용하여 사용자의 의도를 결정할 수 있다. 상기 개인화 언어 모델은, 예를 들어, 자연어 인식 데이터 베이스에 저장될 수 있다. 일 실시예에 따르면, NLU 모듈(63) 뿐 아니라 ASR 모듈(61)도 자연어 인식 데이터 베이스에 저장된 개인화 언어 모델을 참고하여 오디오 데이터에 포함된 음성을 인식할 수 있다.

NLU 모듈(63)은 자연어 생성 모듈(미도시)을 더 포함할 수 있다. 상기 자연어 생성 모듈은 지정된 정보를 텍스트 형태로 변경할 수 있다. 상기 텍스트 형태로 변경된 정보는 자연어 발화의 형태일 수 있다. 상기 지정된 정보는 예를 들어, 추가 입력에 대한 정보, 사용자 입력에 대응되는 동작의 완료를 안내하는 정보 또는 사용자의 추가 입력을 안내하는 정보 등을 포함할 수 있다. 상기 텍스트 형태로 변경된 정보는 클라이언트 디바이스로 전송되어 디스플레이에 표시되거나, TTS 모듈로 전송되어 음성 형태로 변경될 수 있다.

지능형 에이전트 모듈 (64)

지능형(Artificial Intelligence, AI) 에이전트 모듈(64)은 NLU 동작 및 TTS 동작을 수행하는 것 외에, 사용자와 상호 작용(interactive operation)을 지원할 수 있다. 또는 상기 지능형 에이전트 모듈(64)은 컨텍스트 정보를 이용하여, NLU 모듈(63)이 ASR 모듈(61)로부터 수신된 텍스트 표현들에 포함된 정보를 보다 명확하게 하고, 보완하거나 추가적으로 정의하는 동작을 수행하는데 기여할 수 있다.

상기 지능형 에이전트 모듈(64)은 전술한 ASR 모듈(61), NLU 모듈(63) 및/또는 TTS 모듈(62)이 수행하는 기능 중 적어도 일부의 기능을 수행하도록 설계될 수 있다. 또한 상기 지능형 에이전트 모듈(64)은 ASR 모듈(61), TTS 모듈(62) 및/또는 NLU 모듈(63) 각각의 독립적인 기능을 수행하는데 기여할 수 있다.

여기서, 컨텍스트 정보는, 사용자의 선호도, 사용자 디바이스의 하드웨어 및/또는 소프트웨어 상태들, 사용자 입력 전, 입력 중, 또는 입력 직후에 수집되는 다양한 센서 정보, 상기 지능형 에이전트 모듈과 사용자 사이의 이전 상호 작용들(예를 들어, 대화) 등을 포함할 수 있다. 본 문서에서 컨텍스트 정보는 동적이고, 시간, 위치, 대화의 내용 및 기타 요소들에 따라 가변되는 특징임을 물론이다.

지능형 에이전트 모듈(64)은 컨텍스트 퓨전 및 학습 모듈(91), 로컬 지식(92), 다이얼로그 매니지먼트(93)를 더 포함할 수 있다.

컨텍스트 퓨전 및 학습 모듈(91)은 적어도 하나의 데이터에 기초하여 사용자의 의도를 학습할 수 있다. 또한, 컨텍스트 퓨전 및 학습 모듈은 대본에 포함된 상황 설명 정보에 기초하여 해당 상황에 맞는 감정을 표현하기 위한 관련 요소들을 학습할 수도 있다. 상기 적어도 하나의 데이터는 사용자 디바이스 또는 클라우드 환경에서 획득되는 적어도 하나의 센싱 데이터를 포함할 수 있다. 또한, 상기 적어도 하나의 데이터는 화자 식별(speaker identification), 음향 사건 인지(Acoustic event detection), 화자의 개인 정보(성별 및 나이)(Gender and age detection), 음성 활성도 검출(VAD, voice activity detection), 감정 정보(Emotion Classification) 을 포함할 수 있다.

상기 화자 식별은, 발화 하는 사람을 음성에 의해 화자의 성별, 나이, 성격, 지역 등을 등록된 대화군 속에서 특정하는 것을 의미할 수 있다. 음향 사건 인지(Acoustic event detection)는 음성 인식 기술을 넘어서 음향 자체를 인식함으로써, 소리의 종류, 소리의 발생 장소를 인지할 수 있다. 음성 활성도 검출(VAD)은 음악, 잡음 또는 다른 사운드를 포함할 수 있는 오디오 신호에서 인간의 스피치(음성)의 존재 또는 부재가 검출되는 스피치 프로세싱 기술이다. 일 예에 따라 지능형 에이전트 모듈(64)은 상기 입력된 오디오 신호로부터 스피치의 존재 여부를 확인할 수 있다. 일 예에 따라 지능형 에이전트 모듈(64)은 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터(speech data)와 비 스피치 데이터(non-speech data)를 구분할 수 있다. 또한, 지능형 에이전트 모듈(64)은 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터에 대하여 감정 분류(Emotion Classification) 동작을 수행할 수 있다. 상기 감정 분류 동작에 따라 스피치 데이터는 화남(Anger), 지루함(Boredom), 무서움(Fear), 행복(Happiness), 슬픔(Sadness)으로 분류될 수 있다.

상기 컨텍스트 퓨전 및 학습 모듈(91)은 전술한 동작을 수행하기 위해 DNN 모델을 포함할 수 있으며, 상기 DNN 모델 및 사용자 디바이스 또는 클라우드 환경에서 수집되는 센싱 정보에 기초하여 사용자 입력의 의도를 확인할 수 있다.

상기 적어도 하나의 데이터는 예시적인 것에 불과하며 입력되는 오디오 파일에 대한 음성 처리 과정에서 사용자의 의도, 감정 등을 확인하는데 참조될 수 있는 어떠한 데이터도 포함될 수 있음은 물론이다. 상기 적어도 하나의 데이터는, 전술한 DNN 모델을 통해 획득할 수 있음은 물론이다.

음성 합성 장치는 오디오 데이터의 사용자 음성 입력을 클라우드 서버로 전송할 수 있다. 사용자 음성을 처리하기 위한 핵심 구성인 자동 음성 인식(ASR), 자연어 이해(NLU) 동작은 컴퓨팅, 저장, 전원 제약 등으로 인해 전통적으로 클라우드에서 실행되고 있는 것이 일반적이다. 상기 클라우드는 음성 합성 장치로부터 전송된 사용자 입력을 처리하는 클라우드 디바이스를 포함할 수 있다. 상기 클라우드 디바이스는 서버 형태로 존재할 수 있다.

클라우드 환경은 일반적으로 사용자 디바이스보다 많은 처리 능력 또는 리소스를 갖기 때문에, 사용자 디바이스(e.g. 음성 합성 장치) 측 합성에서 실제보다 높은 품질의 스피치 출력을 획득하는 것이 가능하다. 그러나, 본 발명은 이에 한정되지 않으며, 실제로 음성 합성 과정이 사용자 디바이스 측에서 이루어질 수 있음은 물론이다.

상기 지능형 에이전트 모듈(64)은 심층학습(딥러닝)을 통해 전술한 기능들을 수행할 수 있다. 상기 심층학습은 어떠한 데이터가 있을 때 이를 컴퓨터가 알아 들을 수 있는 형태(예를 들어 이미지의 경우는 픽셀정보를 열벡터로 표현하는 등)로 표현(representation)하고 이를 학습에 적용하기 위해 많은 연구(어떻게 하면 더 좋은 표현기법을 만들고 또 어떻게 이것들을 학습할 모델을 만들지에 대한)가 진행되고 있으며, 이러한 노력의 결과로 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들이 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.

현재 모든 주요 상업 음성인식 시스템(MS 코타나, 스카이프 번역기, 구글 나우, 애플 시리 등등)이 딥 러닝 기법에 기반하고 있다.

특히, 지능형 에이전트 모듈(64)은 자연어 처리 분야에서 심층 인공신경망 구조를 이용하여 자동 번역(machine translation), 감정 분석(emotion analysis), 정보 검색(information retrieval)을 비롯한 다양한 자연언어처리 과정을 수행할 수 있다.

한편, 상기 클라우드 환경은 다양한 개인화된 정보를 수집하여 상기 지능형 에이전트 모듈(64)의 기능을 지원할 수 있는 서비스 매니저(service manager)(미도시)를 포함할 수 있다. 상기 서비스 매니저를 통해 획득되는 개인화된 정보는, 사용자 디바이스가 클라우드 환경을 통해 이용하는 적어도 하나의 데이터(캘린더 애플리케이션, 메시징 서비스, 뮤직 애플리케이션 사용 등), 상기 사용자 디바이스 및/또는 클라우드가 수집하는 적어도 하나의 센싱 데이터들(카메라, 마이크로폰, 온도, 습도, 자이로 센서, C-V2X, 펄스(pulse), 조도(Ambient light), 홍채 인식(Iris scan) 등), 상기 사용자 디바이스와 직접적으로 관련 없는 오프 디바이스 데이터들을 포함할 수 있다. 예를 들어, 상기 개인화된 정보는, 맵(maps), SMS, News, Music, Stock, Weather, Wikipedia 정보를 포함할 수 있다.

또한, 본 발명의 일 실시예에 따른 감정 정보 기반 음성 합성 장치(200)는 의미 분석 모듈, 문맥 분석 모듈, 감정 판단 모듈을 더 포함할 수 있으며, 상기 의미 분석 모듈, 문맥 분석 모듈, 감정 판단 모듈은 도 7에 도시된 TTS 장치(100) 또는 TTS 모듈(170) 또는 음성 합성 엔진(172) 또는 감정 삽입 모듈(177)에 통합되어 구비될 수 있으며, 감정 정보 기반 상기 음성 합성 장치(200)의 동작을 전체적으로 제어하는 프로세서 또는 메모리에 소프트웨어 프로그램으로 저장되어 구비될 수도 있다.

도 9는 본 발명의 일 실시예에 따른 감정 정보 기반의 음성 합성을 위하여 스크립트 분석을 통해 생성한 감정 정보를 메타 데이터로 생성하는 방법의 흐름도이다.

본 발명의 일 실시예에 따른 감정 정보 기반의 음성 합성을 위하여 스크립트 분석을 통해 생성한 감정 정보를 메타 데이터로 생성하는 방법은, 도 1 내지 도 8을 참조하여 설명한 TTS 장치, 즉, 음성 합성 장치에서 구현될 수 있다. 이하 필요한 도면들을 참조하여 본 발명의 일 실시예에 따른 감정 정보 기반의 음성 합성을 위하여 스크립트 분석을 통해 생성한 감정 정보를 메타 데이터로 생성하는 방법과 이를 구현하기 위한 음성 합성 장치의 동작을 상세히 설명하기로 한다.

도 9를 참조하면, 음성 합성 장치(100, 200)는 데이터(예: 스크립트, 대본, 원고 등)를 수신할 수 있다(S910). 일례로, 상기 데이터는 영화, 드라마, 애니매이션, TV 프로그램 등의 멀티미디어 컨텐츠의 대본에 해당할 수 있다. 또한, 상기 데이터는 오디오 데이터를 더 포함할 수 있다. 일례로, 상기 데이터는 영화 대본과 함께 외국어로 녹음된 음성 데이터(예: 영화 더빙 등)를 포함할 수 있다.

또한, 상기 데이터는 음성 합성 대상이 되는 텍스트, 음성 합성 대상은 아니지만 음성 합성에 필요한 정보를 포함하는 텍스트, 오디오 데이터, 영상 데이터 등을 포함할 수 있다. 이 경우, 각 데이터 별로 어떤 데이터에 해당하는지 구분할 수 있는 식별자(e.g. maker, data ID, label 등)를 포함할 수 있다.

예를 들어, 음성 합성 장치(100, 200)는 상기 데이터를 무선 통신 시스템(예: LTE-A / NR 등)통해 수신할 수 있다. 일례로, 음성 합성 장치는 서버 또는 기지국으로부터 상기 데이터를 PDSCH(Physical downlink shared channel)를 통해 수신할 수 있다. 또는, 상기 장치에 포함된 하나 이상의 인터페이스(예: USB, WIFI, Bluetooth 등)를 통해 외부 장치로부터 수신할 수도 있다. 상기 수신된 데이터는 음성 합성 장치의 메모리에 저장될 수 있다. 또는, 음성 합성 장치 외부의 장치(예: 클라우드 장치, 서버 등)에 저장될 수도 있다.

상기 수신된 데이터는 상황 설명 정보를 포함할 수 있다. 상기 상황 설명 정보는 화자의 성별, 나이, 시대, 상황, 캐릭터, 뉘앙스, 분위기 등의 정보를 포함할 수 있다. 상기 상황 설명 정보는 음성 합성에 이용될 스크립트의 감정 정보를 생성하는데 이용될 수 있다. 이 경우, 각 데이터 별로 구분할 수 있는 식별자(e.g. maker, data ID, label 등)에 기반하여 상황 설명 정보를 구분할 수 있다.

음성 합성 장치(100, 200)는 상기 수신된 데이터 중 음성 합성 대상 텍스트를 추출하여 음성 합성 엔진으로 전달할 수 있다(S915). 이 때, 전체 데이터에서 상황 설명 부분을 제외한 실제 음성이 합성될 데이터만을 전송할 수 있다. 이 경우, 각 데이터 별로 구분할 수 있는 식별자(e.g. maker, data ID, label 등)에 기반하여 음성 합성 대상 텍스트를 구분할 수 있다. 경우에 따라, S915 단계는 생략될 수도 있다.

음성 합성 장치(100, 200)는 상기 데이터로부터 감정 정보를 생성할 수 있다(S920). 예를 들어, 상기 데이터에 포함된 상황 설명 정보에 기반하여 감정 정보를 생성할 수 있다. 일례로, 스크립트 분석 모듈에서 상기 감정 정보 생성을 수행할 수 있다.

예를 들어, 상기 감정 정보는 신경망 학습(예: DNN 학습)을 통해 생성될 수 있다. DNN 학습은 감정 표현 학습 모델을 이용하여 수행될 수 있으며, 상기 감정 표현 학습 모델은 클라우드 서버를 통해 수신될 수도 있다. 또는 DNN 학습 자체가 클라우드에서 수행되고 수행 결과를 클라우드 서버로부터 수신할 수도 있다.

또한, 상기 데이터에 외국어로 녹음된 오디오 데이터를 더 포함된 경우, 상기 오디오 데이터에 기반하여 감정 벡터를 산출할 수 있다. 이후, 상기 감정 정보 및 상기 오디오 데이터에 기반한 상기 감정 벡터에 기반하여 상기 메타 데이터를 생성할 수도 있다. 구체적인 예로, 입력 데이터에 오디오 데이터가 포함되는 경우, 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터(speech data)와 비 스피치 데이터(non-speech data)를 구분할 수 있다. 또한, 지능형 에이전트 모듈(64)은 심층 신경망(DNN, deep neural networks) 모델을 이용하여 스피치 데이터에 대하여 감정 분류(Emotion Classification) 동작을 수행할 수 있다. 상기 감정 분류 동작에 따라 스피치 데이터는 화남(Anger), 지루함(Boredom), 무서움(Fear), 행복(Happiness), 슬픔(Sadness)으로 분류될 수 있다.

또 다른 예로, 수신된 데이터로부터 추론 과정을 통해 감정 정보를 생성할 수 있다. 일례로, 수신된 데이터에 대한 의미 분석을 통해, 상기 데이터에 포함되어 감정을 유추할 수 있는 감정 요소에 기초하여 제1 감정 벡터를 산출하고, 상기 데이터의 문맥 분석을 통해, 상기 데이터의 전체 맥락(context)에 기초하여 제2 감정 벡터를 산출할 수 있다. 제1 가중치가 부여된 제1 감정 벡터와 제2 가중치가 부여된 제2 감정 벡터를 합산하고, 이에 기반하여 감정 정보를 생성할 수 있다.

여기서, 상기 제1 감정 벡터는, 가중치의 합이 정규화되어 복수의 감정 속성에 부여된 가중치로 정의되며, 상기 제2 감정 벡터는, 가중치의 합이 정규화되어 상기 복수의 감정 속성에 부여된 가중치로 정의될 수 있다. 상기 제1 감정 벡터를 구성하는 상기 복수의 감정 속성에 부여된 가중치는, 상기 메시지에 포함된 의미적 내용(semantic contents)을 추론한 결과, 상기 메시지에 포함된 기호 또는 그래픽 객체를 고려하여 부여될 수 있다. 상기 제2 감정 벡터를 구성하는 상기 복수의 감정 속성에 부여된 가중치는, 문맥의 흐름을 추론할 수 있는 문장 간의 문맥을 고려하여 부여될 수 있다.

구체적인 예로, 상기 데이터는 적어도 하나의 문장으로 구성될 수 있으며, 상기 문장 내에서의 의미 분석은, 한 문장 내에 포함되어 감정을 유추할 수 있는 감정 요소에 기초할 수 있다. 상기 감정을 유추할 수 있는 감정 요소는 기호(Symbol), 이모티콘, 텍스트(단어) 중 적어도 하나를 포함할 수 있다. 따라서, 상기 문장 내에서의 의미 분석은, 문장별로 서로 다른 감정 정보를 갖는 것으로 판단할 수도 있다.

또한, 텍스트가 동일하더라도 해당 텍스트를 전달한 사용자의 의도(감정)은 다양할 수 있는 바, 음성 합성 장치(100,200)는 다양한 감정 요소에 기초하여 문장 내에서의 의미 분석을 통해 감정을 유추할 수 있다.

한편, 음성 합성 장치(100,200)는 한 문장 내에서 복수의 감정 요소가 추출되는 경우, 상기 복수의 감정 요소를 조합하여 상기 한 문장에 반영될 감정 정보를 추론할 수 있다. 또한, 음성 합성 장치(100,200)는 한 문장 내에 복수의 감정 요소가 존재하는 경우, 추가적으로 문맥 분석의 결과값에 더 큰 가중치를 부가하여 감정 정보를 생성할 수도 있다.

또 다른 구체적인 예로, 음성 합성 장치(100, 200)는 데이터의 전체 맥락(context)에 기초하여 상기 감정 정보를 생성할 수 있다. 동일한 문장이라도 문장 내에서의 의미 분석이 되지 않는 경우가 발생할 수 있으므로, 데이터 전체의 맥락을 고려하여, 감정 정보를 생성할 필요가 있다.

상기 감정 정보는, 중립(neutral), 사랑(love), 행복(happy), 화남(anger), 슬픔(sad), 걱정(worry) 또는 미안(sorry) 중 적어도 하나의 감정 속성으로 구분되어 설정될 수 있다. 상기 감정 벡터는 중립, 사랑, 행복, 화남, 슬픔 등의 감정 항목을 하나의 벡터로 표현한 것으로서, 전술한 복수의 감정 요소(또는 감정 항목, 감정 속성) 각각에 부여된 가중치로 정의될 수 있다. 여기서 상기 복수의 감정 요소에 각각 부여된 가중치의 합은 정규화(nomalization)될 수 있다.

음성 합성 장치(100, 200)는 상기 감정 정보에 대응하는 메타 데이터를 생성할 수 있다(S930). 일례로, 상기 스크립트 분석 모듈은 상황 설명 정보에 기초하여 감정 정보 생성하고, 상기 감정 정보에 대응하는 메타 데이터를 생성할 수 있다. 예를 들어, 상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(speech Synthesis Markup Language)을 포함할 수 있다.

구체적인 예로, 상기 SSML의 형식으로 기술되는 표현에 전술한 감정 요소를 표시하는 엘리먼트가 포함될 수 있다. 상기 감정 엘리먼트의 속성(attribute) 은 감정의 종류(type)과 비율(rate)로 구성될 수 있다. 상기 감정의 종류는, 중립(neutral), 사랑(love), 행복(happy), 화남(anger), 슬픔(sad), 걱정(worry) 또는 미안(sorry) 중 적어도 하나를 포함할 수 있다.

또 다른 예로, 본 발명의 일 실시예에 따른 감정 정보 기반의 음성 합성 장치는, 수신된 데이터의 의미 분석 과정 및 문맥 분석 과정을 통해 추출된 감정 정보에 대응하는 메타 데이터를 SSML(Speech Synthesis Markup Language) 형식으로 정의하여 상기 데이터와 함께 서버 등으로 전송할 수 있다. 또는, 음성 합성 장치가 상기 메타 데이터에 기초하여 상기 감정 정보가 반영된 음성을 합성할 수 있다.

상기 메타 데이터를 SSML 형식으로 표현하는 다양한 예시들은 후술할 도 10 내지 도 13을 통해 구체적으로 설명한다.

상기 메타 데이터는 음성 합성 엔진으로 전달될 수 있다(S940). 음성 합성 엔진은 감정 정보에 대응하는 메타 데이터에 기반하여 음성 합성을 수행할 수 있다. 즉, 상기 메타 데이터를 상기 음성 합성 대상 텍스트에 부가하여 상기 데이터에 대응하는 음성을 합성할 수 있다. 일례로, 음성 합성 엔진이 클라우드 서버 상에 존재하는 경우, PUSCH를 통해 상기 메타 데이터가 전송될 수 있다.

또한, 음성 합성 장치(100, 200)는 사용자로부터 사용자가 선호하는 음성에 대한 정보를 더 수신할 수도 있다. 이 경우, 상기 음성 합성을 수행할 때, 사용자가 선호하는 음성에 대한 정보에 기반하여 사용자 특정(User specific)의 음성 합성을 수행할 수도 있다.

여기서 상기 음성 합성 엔진은 도 7에서 설명한 TTS 모듈(170) 또는 상기 TTS 모듈(170) 내에 포함된 음성 합성 엔진(172)일 수 있다. 또는, 도 8에서 설명한 TTS 모듈(62)에 해당할 수 있다.

상술한 바와 같이, 데이터로부터 감정 정보를 추출하고, 이에 대응하는 메타 데이터를 생성하여 음성 합성에 이용할 수 있다. 이하에서, 생성된 감정 정보를 음성 합성을 수행하는 장치(예: 음성 합성 엔진)가 이해할 수 있도록 표현하는 방식 중의 일례에 해당하는 마크업 언어로 표현하는 방법을 도 10 내지 도 13을 통해 구체적으로 살펴본다. 이하 설명은 도 9의 S930 단계의 메타 데이터 생성에 대한 구체적인 예시들에 해당한다.

음성 합성 장치(100, 200)는, 상기 수신된 데이터에 감정 정보가 설정되어 있는 것으로 판단한 경우, 상기 감정 정보에 대응하는 메타 데이터를 상기 데이터와 함께 음성 합성 장치로 전송할 수 있다.

상기 메타 데이터는 다양한 방법으로 전달이 가능하다. 예를 들어, 상기 메타 데이터는 XML(Extensible Markup Language), SSML(Speech Synthesis Markup Language) 과 같은 마크업 언어(Markup Language)가 사용될 수 있다. 상기 SSML은 스피치를 합성하기 위한 마크업 언어의 표준으로서, https://www.w3.org/TR/2010/REC-speech-synthesis11-20100907/ 를 통해 개시된다. 상기 마크업 언어는 엘리먼트(element)로 구성될 수 있고, 각 엘리먼트는 속성(attribute)를 가진다.

본 발명의 일 실시예에 따른 음성 합성 장치는, 감정 정보를 전달하기 위하여 메타 데이터를 생성할 수 있다. 상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(speech Synthesis Markup Language)을 포함할 수 있다. SSML 표준에 "emotion" 엘리먼트를 추가할 수 있다. 즉, SSML은 감정(emotion) 엘리먼트를 포함할 수 있다.

<emotion="attribute">Sentence</emotion>로 기술될 수 있으며, 속성(attribute) 값은 전술한 바와 같이, neutral(중립), love(사랑), happy(행복), anger(화남), sad(슬픔), 걱정(worry), 미안(sorry) 등의 감정 정보로 표기될 수 있다. 또한, 상기 속성 값은 다양한 형태로 확장 가능하다.

예를 들어, 도 10은 본 발명의 일 실시예에 따라 감정 정보가 SSML 언어 형식으로 기술되는 예를 도시한다. 도 10을 참조하면, "xml version" 은 xml 버전을 나타내는 엘리먼트이고, "speak version"은 SSML 버전을 나타내는 엘리먼트이고, "s"는 문장(sentence)을 나타내는 엘리먼트이다.

<emotion=“happy”>기다릴게.</emotion>

<emotion=“love”>사랑해.</element>

로 감정 정보가 부가됨에 따라 음성 합성 장치는, “기다릴게”는 행복한 감정으로 “사랑해”는 사랑스런 감정으로 텍스트를 발화하도록 제어할 음성 합성할 수 있다.

본 발명의 일 실시예에 따라, 음성 합성 장치에서 수신된 데이터에 감정 감정 정보가 설정된 경우, 설정된 감정 정보를 SSML 형식의 메타 데이터로 가공하여 음성 합성 엔진으로 전달되는 경우를 설명하였으나, 송신 장치, 수신 장치와 별도로 상기 메타 데이터를 생성하는 전달부(전달 장치)가 독립적으로 구비될 수도 있다. 다만, 이 경우에는 송신 장치에서 전달되는 데이터에 감정 정보가 설정되어 있지 않은 경우는, 단순히 수신된 데이터를 전술한 음성 합성 장치로 전달하는 기능만 수행하고, 음성 합성 장치에서 전술한 과정을 거쳐서 제2 감정 정보를 생성하여 음성 합성을 수행할 수 있다.

또한, 본 발명의 일 실시예에 따른 음성 합성 장치는, 감정 정보를 전달하기 위해 SSML 표준에 "emotion" 엘리먼트와 각 속성별 비율(rate)를 포함할 수 있다. 입력된 데이터에 감정 정보를 포함하는 경우, 하나의 감정이 아닌 복합적인 감정이 표현될 수 있도록 감정 별로 비율을 설정할 수 있다. 각 감정의 종류에 대응되는 비율의 총 합은 100%에 해당할 수 있다.

예를 들어 <emotiontype="value"rate="value">Sentence</emotion> 과 같이 표현할 수 있다. 다시 말해, 감정 엘리먼트의 속성(attribute)은 감정의 종류(type)와 비율(rate)로 구성될 수 있다. 종류(type)은 상술한 바와 같이 감정의 종류로써 neutral(중립), love(사랑), happy(행복), anger(화남), sad(슬픔), 걱정(worry), 미안(sorry) 등의 감정 정보로 표기될 수 있다. 상기 감정의 종류는 발명의 설명을 위한 하나의 예시일 뿐, 본 발명의 범위를 제한하지는 않는다. 따라서, 더 다양한 감정의 종류가 포함될 수 있다. 비율(rate)는 해당 감정의 종류가 차지하는 비율로써, 퍼센트로 표현될 수 있다.

구체적인 예로, 도 11은 본 발명의 일 실시예에 따라 감정 정보가 SSML 언어 형식으로 표현될 때 감정의 종류와 비율로 기술되는 예를 도시한다.

도 11을 참고하면, <emotion type="love" rate="80%" type="happy" rate="20%">사랑해, 기다릴께</emotion> 으로 감정 정보가 전달되는 경우, 음성 합성 엔진은 "사랑해, 기다릴게" 라는 텍스트에 행복과 사랑의 감정이 섞인 감정으로 음성을 합성하여 발화되도록 할 수 있다.

본 발명이 제안하는 상기 방법이 적용되는 실시예들을 구체적으로 살펴본다.

예를 들어, 감정 엘리먼트의 속성값에 종류는 포함되었으나, 비율이 포함되지 않은 경우, 해당 감정의 종류가 100% 비율이라고 해석할 수 있다. 다시 말해, 상기 속성에 하나의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 하나의 감정의 종류에 대한 비율이 100%라고 해석될 수 있다. 구체적인 예로, <emotion type="love> 사랑해.</emotion>라고 표현된 경우, 비율을 100% 이라고 해석하여 <emotion type="love" rate="100%"> 사랑해.</emotion>으로 해석할 수 있다.

또 다른 예로, 상기 속성에 둘 이상의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 둘 이상의 감정의 종류에 대한 비율이 동일한 비율로 구성되는 것으로 해석할 수 있다. 일례로, <emotion type="love" type="happy" >사랑해, 기다릴게.</emotion> 라고 표현된 경우, <emotion type="love" rate="50%" type="happy" rate="50%">사랑해, 기다릴게.</emotion> 라고 해석될 수 있다.

또 다른 예로, 감정 엘리먼트의 속성값에 종류와 비율이 포함되어 있으나, 비율의 총 합이 100%가 되지 않는 경우, 표시되지 않은 비율은 기본 설정 감정(예: default)의 종류로 설정할 수 있다. 일례로, 기본(default) 감정은 neutral(중립)과 같은 감정으로 설정될 수 있다. <emotion type="love" rate="40%" type="happy" rate="20%">사랑해, 기다릴게.</emotion> 라고 표현된 경우, 나머지 40%는 default로 설정하여, <emotion type="love" rate="40%" type="happy" rate="20%" type="default" rate="40%">사랑해, 기다릴게.</emotion>으로 해석될 수 있다.

또 다른 예로, 감정 엘리먼트의 속성값에 종류와 비율이 포함되어 있고, 비율의 총 합이 100%을 초과하는 경우, 총 합이 100%가 되도록 정규화(normalize) 할 수 있다. <emotion type="love" rate="80%" type="happy" rate="80%">사랑해, 기다릴게.</emotion>라고 표현된 경우, 정규화를 통해 <emotion type="love" rate="50%" type="happy" rate="50%">사랑해, 기다릴게.</emotion>으로 해석될 수 있다.

도 12는 본 발명의 일 실시예에 따라 문맥 분석 모듈이 텍스트(데이터)의 문맥을 분석하여 감정 벡터를 산출하고, 이를 마크업 언어로 표현한 일례를 나타낸다.

도 12를 참조하면, (a), (b) 모두 수신된 텍스트(데이터)에 복수의 문장이 각각 포함될 수 있으며, 현재 문장 "어디야?"(M22)에 대하여 제2 감정 벡터가 다르게 설정될 수 있다. 예를 들어, (a)의 경우, 현재 문장 "어디야?" 만으로 판단하는 경우 감정 항목 중립에 가중치 "1"이 부여될 수도 있지만, 문맥 분석을 통해 앞 문장 "보고 싶다"를 고려하는 경우, 상기 현재 문장 "어디야?"는 감정 항목 "사랑" 또는 "행복"에 가중치가 크게 부여될 수 있다. 이 경우, "사랑"에 가중치 전부가 부여된 경우를 설명하였다. 또한, (b)의 경우, 현재 문장 "어디야?" 만으로 판단하는 경우 감정 항목 중립에 가중치 "1"이 부여될 수도 있지만, 문맥 분석을 통해 앞 문장 "약속 시간 한참 지났어"를 고려하여, 상기 현재 문장 "어디야?"는 감정 항목 "화남" 또는 "슬픔"에 각각 0.8, 0.2의 가중치가 크게 부여됨으로써, 제2 감정 벡터가 산출될 수 있다.

이렇게 생성된 감정 벡터를 메타 데이터 방식으로 표현하면 다음과 같이 표현할 수 있다. 예를 들어, (a)의 경우, <emotion type="love" rate="100%">어디야?</emotion> 로 표현될 수 있다. (b)의 경우, <emotion type="anger" rate="80%"type="sad" rate="20%">어디야?</emotion> 로 표현될 수 있다.

도 13은 본 발명의 일 실시예에 따라 수신된 데이터에 상황 설명 정보가 포함되지 않은 경우, 둘 이상의 감정 벡터에 기초하여 최종 감정 정보를 생성하고 이를 마크업 언어로 표현한 예를 도시한다.

도 13을 참조하면, 상기 감정 판단 모듈은, 수신된 데이터(M3)에 대하여 수학식 1에 의해 감정 정보를 판단할 수 있다.

여기서 EV는 감정 벡터(Emotion Vector)이고, Ws는 문장 내 의미 분석에 따른 제1 감정 벡터에 부여되는 제1 가중치이고, EVs는 제1 감정 벡터이고, Wc는 문맥 분석에 따른 제2 감정 벡터에 부여되는 제2 가중치이고, EVc는 제2 감정 벡터이다. 그리고, 상기 제1 가중치(Ws)와 제2 가중치(Wc)의 합은 1이다.

수신된 메시지(M3)의 현재 문장(어디야?)를 문장 내 의미 분석 결과, 제1 감정 벡터(EVs)는 감정 벡터 항목 "사랑"과 "행복"에 각각 가중치 0.6과 0.4가 부여될 있다. 또한, 문맥 분석 결과, 제2 감정 벡터(EVc)는 감정 벡터 항목 "사랑"에 각각 가중치 1.0이 부여될 있다.

여기서, 감정 판단 모듈은, 한편, 상기 제1 가중치(Ws) 및 제2 가중치(Wc)의 설정은 문장 내 의미 분석 결과 및 문맥 분석 결과 각각이 메시지 전체의 감정 정보를 판단하는데 기여하는 비중에 따라 적응적으로 조절할 수 있다.

상기 제1 가중치(Ws) 및 제2 가중치(Wc)는 각각 0.5로 초기 설정될 수 있으나, 예를 들어, 메시지를 구성하는 복수의 문장 간 연속성을 가지는 것으로 판단한 경우 도 13에 도시된 바와 같이, 상기 제1 가중치(Ws) 보다 제2 가중치(Wc)를 증가시킬 수 있다. 일 예에 따라 감정 판단 모듈은 제1 가중치(Ws)를 0.4, 제2 가중치(Wc)를 0.6으로 설정할 수 있다. 이에 따라, 상기 제1 감정 벡터(EVs)에 상기 제1 가중치(Ws)를 적용하고, 상기 제2 감정 벡터(EVc)에 상기 제2 가중치(Wc)를 적용하여, 두 감정 벡터를 합산할 수 있다. 합산 결과, 도 13에 도시된 바와 같이, 감정 벡터(EV)를 구성하는 복수의 감정 항목 각각에 대응되는 벡터값이 산출될 수 있다. 예를 들어, "중립" 0.0, "사랑" 0.84, "행복" 0.16, "화남" 0.0, "슬픔" 0.0으로 산출될 수 있다.

이렇게 생성된 감정 벡터를 메타 데이터 방식으로 표현하면 다음과 같이 표현할 수 있다. 예를 들어, <emotion type="love" rate="84%"type="happy"rate="16%">어디야?</emotion> 로 표현될 수 있다.

상술한 방법 및 실시예들을 통하여, 감정 정보를 결합하여 음성 합성을 수행함으로써, 사용자에게 좀 더 생동감 있고, 현실감 있는 음성 합성 결과를 전달할 수 있는 효과가 있다.

또한, 본 발명의 일 실시예에 따른 음성 합성 방법은, 다양한 패턴으로 응용될 수 있다.

예를 들어, 본 발명의 일 실시예에 따른 음성 합성 방법은 오디오 북에 적용될 수 있다. 종래의 오디오 북은 동일한 어조로 음성 합성된 내용이 출력되지만, 본 발명의 일 실시예가 적용되는 경우, 상기 오디오 북이 전달하고자 하는 의미와 맥락을 분석하여, 감정 정보 기반의 오디오 북을 구현할 수 있다. 또한, 사용자의 선택에 따라 각 사용자 별로 선호하는 방식으로 감정 정보를 결합하여 음성을 합성하여, 사용자 특정의(User specific) 감정 정보 기반의 오디오 북을 구현할 수 있다.

또한, 예를 들어, 멀티 미디어 컨텐츠(영화, 드라마, 애니메이션 더빙 등)의 경우, 마찬가지로 종래에는 동일한 어조의 합성 음성을 통해 대사를 출력하였지만, 본 발명의 일 실시예가 적용되는 경우, 대사 및 상황에 따라 다양한 감정으로 합성된 음성이 출력 가능함에 따라, 사용자의 실감 컨텐츠 경험을 풍부하게 할 수 있다. 또한, 외국어 음성 데이터가 제공되는 경우, 해당 음성 데이터로부터 감정을 추출하여 음성 합성에 이용할 수도 있다.

또한, 예를 들어, 내비게이션 장치의 경우, 마찬가지로 종래에는 동일한 어조의 합성 음성으로 길 안내를 하였지만, 본 발명의 일 실시예가 적용되는 경우, 주행 상황에 따라 다양한 어조로 발화함으로써, 운전자의 부주의, 경고 발생 상황을 적절하게 환기할 수 있다.

또한, 예를 들어, 챗봇의 경우, 상담하면서 상황에 맞게 다양한 감정의 감정 및 스타일이 적용된 목소리로 대화를 읽을 수 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (20)

1. 음성 합성 장치가 감정 정보 기반의 음성 합성을 수행하는 방법에 있어서,
   데이터를 수신하는 단계;
   상기 데이터에 기반하여 감정 정보를 생성하는 단계;
   상기 감정 정보에 대응하는 메타 데이터를 생성하는 단계; 및
   상기 메타 데이터를 음성 합성 엔진으로 전달하는 단계;를 포함하되,
   상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(Speech Synthesis Markup Language)를 포함하고,
   상기 감정 정보를 생성하는 단계는 선행 문장에 기초하여 현재 문장의 상기 감정 정보를 생성하고,
   상기 감정 정보를 생성하는 단계는,
   상기 데이터의 의미 분석을 통해, 상기 데이터에 포함되어 감정을 유추할 수 있는 감정 요소에 기초하여 제1 감정 벡터를 산출하는 단계;
   상기 데이터의 문맥 분석을 통해, 상기 데이터의 전체 맥락(context)에 기초하여 제2 감정 벡터를 산출하는 단계; 및
   제1 가중치가 부여된 제1 감정 벡터와 제2 가중치가 부여된 제2 감정 벡터를 합산하는 단계;
   를 포함하고,
   상기 제1 및 제2 감정 벡터는 가중치의 합이 정규화되어 복수의 감정 속성에 부여된 가중치로 정의되되,
   상기 제1 감정 벡터는, 상기 데이터에 포함된 의미적 내용을 추론한 결과, 상기 데이터에 포함된 기호 또는 그래픽 객체를 고려하여 상기 제1 가중치가 부여되고,
   상기 제2 감정 벡터는, 문맥의 흐름을 추론할 수 있는 문장 간의 문맥을 고려하여 상기 제2 가중치가 부여되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
2. 제 1 항에 있어서,
   상기 SSML은 감정 엘리먼트를 포함하고,
   상기 감정 엘리먼트의 속성(attribute) 은 감정의 종류(type)과 비율(rate)으로 구성되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
3. 제 2 항에 있어서,
   상기 감정의 종류는, 중립(neutral), 사랑(love), 행복(happy), 화남(anger), 슬픔(sad), 걱정(worry) 또는 미안(sorry) 중 적어도 하나를 포함하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
4. 제 2 항에 있어서,
   상기 비율은 해당 감정이 차지하는 비율은 퍼센트(%)로 표현되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
5. 제 2 항에 있어서,
   상기 속성에 하나의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 하나의 감정의 종류에 대한 비율이 100%라고 해석하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
6. 제 2 항에 있어서,
   상기 속성에 둘 이상의 감정의 종류를 포함하고, 이에 대응하는 비율이 포함되지 않은 경우, 상기 둘 이상의 감정의 종류에 대한 비율이 동일한 비율로 구성되는 것으로 해석하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
7. 제 4항에 있어서,
   각 감정의 종류에 대응되는 비율의 총 합이 100%에 해당하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
8. 제 4 항에 있어서,
   각 감정의 종류에 따른 비율의 전체 합이 100%보다 작은 경우, 상기 전체 합을 제외한 비율에 대한 감정의 종류는 "기본(default)"로 설정되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
9. 제 8 항에 있어서,
   상기 "기본(default)"는 중립(neutral) 감정의 종류로 설정되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
   
10. 제 4 항에 있어서,
    각 감정의 종류에 따른 비율의 전체 합이 100%을 초과하는 경우, 전체 합이 100%가 되도록 각 감정의 종류에 대한 비율을 정규화(normalize)하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
    
11. 제 1 항에 있어서,
    상기 데이터는 PDSCH를 통해 수신되는 것을 특징으로 하는 음성 합성 방법.
    
12. 제 1 항에 있어서,
    상기 데이터는 상황 설명 정보를 포함하며,
    상기 상황 설명 정보는, 화자의 성별, 나이, 시대, 분위기 중 적어도 하나에 대한 정보를 포함하는 것을 특징으로 하는 감정 정보 기반의 음성 합성 방법.
    
13. 제 1 항에 있어서,
    상기 음성 합성 엔진은 클라우드 서버 상에 존재하며,
    상기 메타데이터는 PUSCH를 통해 전송되는 것을 특징으로 하는 음성 합성 방법.
    
14. 제 1 항에 있어서,
    상기 데이터에서 음성 합성 대상 텍스트를 추출하는 단계; 및
    상기 메타 데이터에 기반한 감정을 상기 음성 합성 대상 텍스트에 부가하여 상기 데이터에 대응하는 음성을 합성하는 단계를 더 포함하는 것을 특징으로 하는 음성 합성 방법.
    
15. 삭제
16. 삭제
17. 삭제
18. 삭제
19. 데이터를 저장하는 메모리;
    상기 데이터에 기반하여 감정 정보를 생성하는 감정 생성 모듈;
    상기 데이터에 대응하는 음성을 합성하는 음성 합성 엔진; 및
    상기 메모리, 상기 감정 생성 모듈 및 상기 음성 합성 엔진과 기능적으로 연결되어 제어를 수행하는 프로세서;를 포함하되,
    상기 프로세서는,
    상기 감정 생성 모듈을 제어하여 생성된 감정 정보에 대응하는 메타 데이터를 생성하고,
    상기 메타 데이터를 음성 합성 엔진으로 전달하되,
    상기 메타 데이터는 마크업 언어(Markup Language) 형식으로 기술되고, 상기 마크업 언어는 SSML(Speech Synthesis Markup Language)를 포함하고,
    상기 감정 생성 모듈은 선행 문장에 기초하여 현재 문장의 상기 감정 정보를 생성하고,
    상기 데이터의 의미 분석을 통해, 상기 데이터에 포함되어 감정을 유추할 수 있는 감정 요소에 기초하여 제1 감정 벡터를 산출하고,
    상기 데이터의 문맥 분석을 통해, 상기 데이터의 전체 맥락(context)에 기초하여 제2 감정 벡터를 산출하고,
    제1 가중치가 부여된 제1 감정 벡터와 제2 가중치가 부여된 제2 감정 벡터를 합산하고,
    상기 제1 및 제2 감정 벡터는 가중치의 합이 정규화되어 복수의 감정 속성에 부여된 가중치로 정의되되,
    상기 제1 감정 벡터는, 상기 데이터에 포함된 의미적 내용을 추론한 결과, 상기 데이터에 포함된 기호 또는 그래픽 객체를 고려하여 상기 제1 가중치가 부여되고,
    상기 제2 감정 벡터는, 문맥의 흐름을 추론할 수 있는 문장 간의 문맥을 고려하여 상기 제2 가중치가 부여되는,
    감정 정보 기반의 음성 합성 장치.
    
20. 제 19항에 있어서,
    상기 SSML은 감정 엘리먼트를 포함하고,
    상기 감정 엘리먼트의 속성(attribute) 은 감정의 종류(type)과 비율(rate)으로 구성되는 것을 특징으로 하는 감정 정보 기반의 음성 합성 장치.
    

Images