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

KR102663162B1 - Method and system for synthesizing speech - Google Patents

Method and system for synthesizing speech Download PDF

Info

Publication number
KR102663162B1
KR102663162B1 KR1020220117469A KR20220117469A KR102663162B1 KR 102663162 B1 KR102663162 B1 KR 102663162B1 KR 1020220117469 A KR1020220117469 A KR 1020220117469A KR 20220117469 A KR20220117469 A KR 20220117469A KR 102663162 B1 KR102663162 B1 KR 102663162B1
Authority
KR
South Korea
Prior art keywords
voice
self
speech
acoustic feature
representation
Prior art date
Application number
KR1020220117469A
Other languages
Korean (ko)
Other versions
KR20240038504A (en
Inventor
송은우
오수현
이상훈
이성환
Original Assignee
네이버 주식회사
고려대학교 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 네이버 주식회사, 고려대학교 산학협력단 filed Critical 네이버 주식회사
Priority to KR1020220117469A priority Critical patent/KR102663162B1/en
Priority to PCT/KR2023/013832 priority patent/WO2024058573A1/en
Publication of KR20240038504A publication Critical patent/KR20240038504A/en
Application granted granted Critical
Publication of KR102663162B1 publication Critical patent/KR102663162B1/en

Links

Images

Classifications

    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00Speech synthesis; Text to speech systems
    • G10L13/08Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00Speech synthesis; Text to speech systems
    • G10L13/02Methods for producing synthetic speech; Speech synthesisers
    • G10L13/027Concept to speech synthesisers; Generation of natural phrases from machine-based concepts
    • GPHYSICS
    • G10MUSICAL INSTRUMENTS; ACOUSTICS
    • G10LSPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L13/00Speech synthesis; Text to speech systems
    • G10L13/06Elementary speech units used in speech synthesisers; Concatenation rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Telephonic Communication Services (AREA)
  • Exchange Systems With Centralized Control (AREA)

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는 음성 합성 방법에 관한 것이다. 음성 합성 방법은, 입력 텍스트를 수신하는 단계, 텍스트 인코더를 이용하여, 입력 텍스트로부터 텍스트 표현을 생성하는 단계, 자기지도 표현 생성기를 이용하여, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하는 단계, 음향 특징 생성기를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성하는 단계 및 음성 생성기를 이용하여, 음향 특징을 기초로 합성 음성을 생성하는 단계를 포함한다.The present disclosure relates to a speech synthesis method performed by at least one processor. The speech synthesis method includes receiving input text, generating a text representation from the input text using a text encoder, and generating a self-supervised representation containing linguistic information from the text representation using a self-supervised representation generator. It includes the steps of generating acoustic features based on the self-supervised representation using an acoustic feature generator, and generating synthesized speech based on the acoustic features using a speech generator.

Figure R1020220117469
Figure R1020220117469

Description

음성 합성 방법 및 시스템{METHOD AND SYSTEM FOR SYNTHESIZING SPEECH}Voice synthesis method and system {METHOD AND SYSTEM FOR SYNTHESIZING SPEECH}

본 개시는 음성 합성 방법 및 시스템에 관한 것으로, 구체적으로, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하고, 자기지도 표현에 기초하여 음향 특징을 생성함으로써, 언어적 정보가 유실되지 않도록 합성 음성을 생성하는 방법 및 시스템에 관한 것이다.The present disclosure relates to a speech synthesis method and system, and specifically, to generate a self-supervised representation containing linguistic information from a text representation, and to generate acoustic features based on the self-supervised representation, thereby preventing linguistic information from being lost. Disclosed is a method and system for generating synthetic speech.

음성 합성 기술은 안내방송, 내레이션, 네비게이션, 인공지능 비서 등과 같이, 사람의 음성이 필요한 애플리케이션에서 실제 사람의 음성을 사전에 녹음해 두지 않고 필요한 음성을 재생하기 위해 사용되는 기술이다. 최근에는 인공신경망(artificial neural network) 기반의 음성 합성 방법이 활발히 연구되고 있으며, 이 방법에 따라 합성된 음성은 기존의 방법에 비해 훨씬 자연스러운 음성 특징을 반영하고 있다.Voice synthesis technology is a technology used to reproduce the required voice in applications that require human voice, such as announcements, narration, navigation, artificial intelligence assistants, etc., without recording the actual human voice in advance. Recently, artificial neural network-based voice synthesis methods have been actively researched, and voices synthesized according to this method reflect much more natural voice characteristics than existing methods.

대부분의 인공신경망 기반 음성 합성 방법은 텍스트 표현으로부터 음향 특징을 생성하고, 이를 기초로 합성 음성을 생성할 수 있다. 다만, 이러한 종래의 방법에 따르면, 텍스트 표현으로부터 곧바로 음향 특징을 생성함에 따라 언어적 정보가 유실되어, 발음이 뭉개지거나 지나치게 매끄러운 합성 음성이 생성될 수 있다. 즉, 종래의 방법에 따라 생성된 합성 음성은 텍스트의 언어적 특징을 충분히 반영하지 못할 수 있다.Most artificial neural network-based voice synthesis methods can generate acoustic features from text expressions and generate synthesized voices based on them. However, according to this conventional method, linguistic information is lost as acoustic features are generated directly from text expressions, and pronunciation may be muffled or excessively smooth synthesized speech may be generated. In other words, synthesized speech generated according to conventional methods may not sufficiently reflect the linguistic characteristics of the text.

본 개시는 상기와 같은 문제점을 해결하기 위한 음성 합성 방법, 기록매체에 저장된 컴퓨터 프로그램 및 장치(시스템)를 제공한다.The present disclosure provides a voice synthesis method, a computer program stored in a recording medium, and a device (system) to solve the above problems.

본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.The present disclosure may be implemented in various ways, including as a method, device (system), or computer program stored in a readable storage medium.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 음성 합성 방법은, 입력 텍스트를 수신하는 단계, 텍스트 인코더를 이용하여, 입력 텍스트로부터 텍스트 표현을 생성하는 단계, 자기지도 표현 생성기를 이용하여, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하는 단계, 음향 특징 생성기를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성하는 단계 및 음성 생성기를 이용하여, 음향 특징을 기초로 합성 음성을 생성하는 단계를 포함한다.According to an embodiment of the present disclosure, a method of speech synthesis, performed by at least one processor, includes receiving input text, generating a text representation from the input text using a text encoder, and using a self-supervised representation generator. Using a step of generating a self-supervised representation including linguistic information from the text expression, using an acoustic feature generator to generate an acoustic feature based on the self-supervised expression, and Using a speech generator to generate an acoustic feature and generating a synthetic voice based on the synthetic speech.

본 개시의 일 실시예에 따르면, 적어도 하나의 프로세서에 의해 수행되는, 음성 합성 방법은, 소스 음성, 소스 음성 정보 및 타겟 음성 정보를 수신하는 단계, 음향 특징 인코더를 이용하여, 소스 음성 및 소스 음성 정보를 기초로 소스 음향 특징을 생성하는 단계, 음향 특징 제거기를 이용하여, 소스 음향 특징 및 소스 음성 정보를 기초로 언어적 정보를 포함하는 자기지도 표현을 생성하는 단계, 음향 특징 생성기를 이용하여, 자기지도 표현 및 타겟 음성 정보를 기초로 타겟 음향 특징을 생성하는 단계 및 음성 생성기를 이용하여, 타겟 음향 특징 및 타겟 음성 정보를 기초로 변환 음성을 생성하는 단계를 포함한다.According to an embodiment of the present disclosure, a speech synthesis method performed by at least one processor includes receiving a source speech, source speech information, and target speech information, using an acoustic feature encoder, the source speech and the source speech. Generating source acoustic features based on the information, using an acoustic feature remover, generating a self-supervised representation including linguistic information based on the source acoustic features and source speech information, using an acoustic feature generator, It includes generating a target sound feature based on the self-map expression and the target voice information, and using a voice generator to generate a converted voice based on the target sound feature and the target voice information.

본 개시의 일 실시예에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램이 제공된다.A computer program stored in a computer-readable recording medium is provided to execute the method according to an embodiment of the present disclosure on a computer.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리에 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 입력 텍스트를 수신하고, 텍스트 인코더를 이용하여, 입력 텍스트로부터 텍스트 표현을 생성하고, 자기지도 표현 생성기를 이용하여, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하고, 음향 특징 생성기를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성하고, 음성 생성기를 이용하여, 음향 특징을 기초로 합성 음성을 생성하기 위한 명령어들을 포함한다.An information processing system according to an embodiment of the present disclosure includes a memory and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, and the at least one program includes an input Receive text, generate a text representation from the input text using a text encoder, generate a self-supervised representation containing linguistic information from the text representation using a self-supervised representation generator, and use an acoustic feature generator to generate a text representation from the input text. , Includes commands for generating acoustic features based on self-supervised representation and generating synthesized speech based on acoustic features using a speech generator.

본 개시의 일 실시예에 따른 정보 처리 시스템은, 메모리 및 메모리에 연결되고, 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서를 포함하고, 적어도 하나의 프로그램은, 소스 음성, 소스 음성 정보 및 타겟 음성 정보를 수신하고, 음향 특징 인코더를 이용하여, 소스 음성 및 소스 음성 정보를 기초로 소스 음향 특징을 생성하고, 음향 특징 제거기를 이용하여, 소스 음향 특징 및 소스 음성 정보를 기초로 자기지도 표현을 생성하고, 음향 특징 생성기를 이용하여, 자기지도 표현 및 타겟 음성 정보를 기초로 타겟 음향 특징을 생성하고, 음성 생성기를 이용하여, 타겟 음향 특징 및 타겟 음성 정보를 기초로 변환 음성을 생성하기 위한 명령어들을 포함한다.An information processing system according to an embodiment of the present disclosure includes a memory and at least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory, and the at least one program is a source Receive voice, source voice information and target voice information, use an acoustic feature encoder to generate source acoustic features based on the source voice and source voice information, and use an acoustic feature remover to generate source acoustic features and source voice information. Generate a self-supervised representation based on, use an acoustic feature generator to generate a target acoustic feature based on the self-supervised expression and target voice information, and use a voice generator to generate a target acoustic feature based on the target acoustic feature and target voice information. Contains commands for generating converted voices.

본 개시의 일부 실시예에 따르면, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하고 이에 기초하여 음향 특징을 생성하는 2단계의 구조를 채택하고, 언어적 특성 및 음향적 특성을 계층적으로 학습함으로써, 언어적 특징을 충분히 반영하는 정확한 발음의 합성 음성이 생성될 수 있다.According to some embodiments of the present disclosure, a two-step structure is adopted to generate a self-supervised representation including linguistic information from a text expression and generate acoustic features based on it, and the linguistic features and acoustic features are hierarchically generated. By learning, a synthetic voice with accurate pronunciation that sufficiently reflects linguistic characteristics can be generated.

본 개시의 일부 실시예에 따르면, 음성의 언어적 정보를 유지하면서 음향 특징만을 제거하도록 학습된 음향 특징 제거기 및 학습된 음향 특징 제거기가 역변환된 음향 특징 생성기를 이용하여, 소스 음성의 언어적 정보는 그대로 유지하면서 음향 특징만 변환된 변환 음성이 생성될 수 있다.According to some embodiments of the present disclosure, by using an acoustic feature remover learned to remove only acoustic features while maintaining the linguistic information of the voice and an acoustic feature generator in which the learned acoustic feature remover is inversely converted, the linguistic information of the source voice is A converted voice can be generated in which only the acoustic characteristics are converted while maintaining the same sound characteristics.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.The effects of the present disclosure are not limited to the effects mentioned above, and other effects not mentioned are clear to a person skilled in the art (referred to as “a person skilled in the art”) in the technical field to which this disclosure pertains from the description of the claims. It will be understandable.

본 개시의 실시예들은, 이하 설명하는 첨부 도면들을 참조하여 설명될 것이며, 여기서 유사한 참조 번호는 유사한 요소들을 나타내지만, 이에 한정되지는 않는다.
도 1은 본 개시의 일 실시예에 따른 합성 음성을 생성하는 방법의 예시를 나타내는 도면이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템이 복수의 사용자 단말과 통신 가능하도록 연결된 구성을 나타내는 개요도이다.
도 3은 본 개시의 일 실시예에 따른 사용자 단말 및 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 4는 본 개시의 일 실시예에 따른 음성 합성 모델을 학습시키는 방법의 예시를 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 학습된 음성 합성 모델을 이용하여 합성 음성을 생성하는 방법의 예시를 나타내는 도면이다.
도 6은 본 개시의 일 실시예에 따른 변환 음성을 생성하는 방법의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따라 새로운 화자에 대한 학습 음성을 이용하여 음성 합성 모델을 전이 학습시키는 방법의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 음성 합성 모델의 성능을 평가한 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 음성 합성 방법의 예시를 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 음성 합성 방법의 예시를 나타내는 흐름도이다.
Embodiments of the present disclosure will be described with reference to the accompanying drawings described below, in which like reference numerals indicate like elements, but are not limited thereto.
1 is a diagram illustrating an example of a method for generating synthesized speech according to an embodiment of the present disclosure.
Figure 2 is a schematic diagram showing a configuration in which an information processing system according to an embodiment of the present disclosure is connected to communicate with a plurality of user terminals.
Figure 3 is a block diagram showing the internal configuration of a user terminal and an information processing system according to an embodiment of the present disclosure.
FIG. 4 is a diagram illustrating an example of a method for learning a speech synthesis model according to an embodiment of the present disclosure.
FIG. 5 is a diagram illustrating an example of a method for generating a synthesized voice using a learned voice synthesis model according to an embodiment of the present disclosure.
Figure 6 is a diagram illustrating an example of a method for generating converted speech according to an embodiment of the present disclosure.
FIG. 7 is a diagram illustrating an example of a method for transfer learning a speech synthesis model using training speech for a new speaker according to an embodiment of the present disclosure.
Figure 8 is a diagram illustrating an example of evaluating the performance of a speech synthesis model according to an embodiment of the present disclosure.
Figure 9 is a flowchart showing an example of a voice synthesis method according to an embodiment of the present disclosure.
Figure 10 is a flowchart showing an example of a voice synthesis method according to an embodiment of the present disclosure.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.Hereinafter, specific details for implementing the present disclosure will be described in detail with reference to the attached drawings. However, in the following description, detailed descriptions of well-known functions or configurations will be omitted if there is a risk of unnecessarily obscuring the gist of the present disclosure.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응되는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나, 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.In the accompanying drawings, identical or corresponding components are given the same reference numerals. Additionally, in the description of the following embodiments, overlapping descriptions of identical or corresponding components may be omitted. However, even if descriptions of components are omitted, it is not intended that such components are not included in any embodiment.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.Advantages and features of the disclosed embodiments and methods for achieving them will become clear by referring to the embodiments described below in conjunction with the accompanying drawings. However, the present disclosure is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are merely provided to ensure that the present disclosure is complete and that the present disclosure does not convey the scope of the invention to those skilled in the art. It is provided only for complete information.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서, 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.Terms used in this specification will be briefly described, and the disclosed embodiments will be described in detail. The terms used in this specification are general terms that are currently widely used as much as possible while considering the functions in the present disclosure, but this may vary depending on the intention or precedent of a technician working in the related field, the emergence of new technology, etc. In addition, in certain cases, there are terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description of the relevant invention. Accordingly, the terms used in this disclosure should be defined based on the meaning of the term and the overall content of the present disclosure, rather than simply the name of the term.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.In this specification, singular expressions include plural expressions, unless the context clearly specifies the singular. Additionally, plural expressions include singular expressions, unless the context clearly specifies plurality. When it is said that a certain part includes a certain element throughout the specification, this does not mean excluding other elements, but may further include other elements, unless specifically stated to the contrary.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.Additionally, the term 'module' or 'unit' used in the specification refers to a software or hardware component, and the 'module' or 'unit' performs certain roles. However, 'module' or 'unit' is not limited to software or hardware. A 'module' or 'unit' may be configured to reside on an addressable storage medium and may be configured to run on one or more processors. Thus, as an example, a 'module' or 'part' refers to components such as software components, object-oriented software components, class components and task components, processes, functions and properties. , procedures, subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, or variables. Components and 'modules' or 'parts' may be combined into smaller components and 'modules' or 'parts' or further components and 'modules' or 'parts'. Could be further separated.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.According to an embodiment of the present disclosure, a 'module' or 'unit' may be implemented with a processor and memory. 'Processor' should be interpreted broadly to include general-purpose processors, central processing units (CPUs), microprocessors, digital signal processors (DSPs), controllers, microcontrollers, state machines, etc. In some contexts, 'processor' may refer to an application-specific integrated circuit (ASIC), programmable logic device (PLD), field programmable gate array (FPGA), etc. 'Processor' refers to a combination of processing devices, for example, a combination of a DSP and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors in combination with a DSP core, or any other such combination of configurations. You may. Additionally, 'memory' should be interpreted broadly to include any electronic component capable of storing electronic information. 'Memory' refers to random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), programmable read-only memory (PROM), erasable-programmable read-only memory (EPROM), May also refer to various types of processor-readable media, such as electrically erasable PROM (EEPROM), flash memory, magnetic or optical data storage, registers, etc. A memory is said to be in electronic communication with a processor if the processor can read information from and/or write information to the memory. The memory integrated into the processor is in electronic communication with the processor.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.In the present disclosure, 'system' may include at least one of a server device and a cloud device, but is not limited thereto. For example, a system may consist of one or more server devices. As another example, a system may consist of one or more cloud devices. As another example, the system may be operated with a server device and a cloud device configured together.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 본 개시에서, 자기지도 표현 생성기, 음향 특징 생성기, 음성 생성기, 텍스트 예측기 등 복수의 기계학습 모델을 별도의 기계학습 모델로서 설명하나, 이에 한정되지 않으며, 복수의 기계학습 모델의 일부 또는 전체는 하나의 기계학습 모델로 구현될 수 있다. 또한, 단일 기계학습 모델로서 설명되는 모델은 복수의 기계학습 모델로서 구현될 수도 있다. 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다.In this disclosure, 'machine learning model' may include any model used to infer an answer to a given input. According to one embodiment, the machine learning model may include an artificial neural network model including an input layer (layer), a plurality of hidden layers, and an output layer. Here, each layer may include multiple nodes. In this disclosure, a plurality of machine learning models such as a self-supervised expression generator, an acoustic feature generator, a voice generator, and a text predictor are described as separate machine learning models, but the present disclosure is not limited thereto, and some or all of the plurality of machine learning models are one. It can be implemented as a machine learning model. Additionally, a model described as a single machine learning model may be implemented as multiple machine learning models. In this disclosure, a machine learning model may refer to an artificial neural network model, and an artificial neural network model may refer to a machine learning model.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다.In the present disclosure, 'each of a plurality of A' or 'each of a plurality of A' may refer to each of all components included in a plurality of A, or may refer to each of some components included in a plurality of A. .

도 1은 본 개시의 일 실시예에 따른 합성 음성(160)을 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 입력 텍스트(110)를 수신하고, 음성 합성 모델을 이용하여 입력 텍스트(110)를 기초로 합성 음성(160)을 생성할 수 있다. 예를 들어, 입력 텍스트(110)는 텍스트에 포함된 단위 텍스트들의 집합일 수 있다. 구체적 예로, 입력 텍스트(110)는 복수의 문자를 포함하는 문자열 또는 복수의 음소를 포함하는 음소열 등일 수 있다. 또한, 합성 음성(160)은 텍스트가 화자에 의해 발화되는 것과 같이 들리는 음성일 수 있다.FIG. 1 is a diagram illustrating an example of a method for generating a synthesized voice 160 according to an embodiment of the present disclosure. According to one embodiment, the information processing system may receive input text 110 and generate synthesized speech 160 based on the input text 110 using a speech synthesis model. For example, the input text 110 may be a set of unit texts included in the text. As a specific example, the input text 110 may be a character string containing a plurality of characters or a phoneme string containing a plurality of phonemes. Additionally, the synthesized voice 160 may be a voice that sounds as if the text is being uttered by a speaker.

일 실시예에 따르면, 음성 합성 모델은 텍스트 인코더(120), 자기지도 표현 생성기(130), 음향 특징 생성기(140) 및 음성 생성기(150)를 포함할 수 있다.According to one embodiment, the speech synthesis model may include a text encoder 120, a self-supervised representation generator 130, an acoustic feature generator 140, and a speech generator 150.

텍스트 인코더(120)는 입력 텍스트(110)를 입력으로 수신하고, 입력 텍스트(110)로부터 텍스트 정보를 포함하는 텍스트 표현(text representation)을 생성할 수 있다. 예를 들어, 텍스트 표현은 입력 텍스트(110)의 텍스트 정보를 포함하는 임베딩 벡터일 수 있다.The text encoder 120 may receive the input text 110 as an input and generate a text representation including text information from the input text 110. For example, the text representation may be an embedding vector containing text information of the input text 110.

자기지도 표현 생성기(130)는 텍스트 인코더(120)에 의해 생성된 텍스트 표현을 입력으로 수신하고, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현(self-supervised representation)을 생성할 수 있다.The self-supervised representation generator 130 may receive a text representation generated by the text encoder 120 as input and generate a self-supervised representation containing linguistic information from the text representation.

음향 특징 생성기(140)는 자기지도 표현 생성기(130)에 의해 생성된 자기지도 표현을 입력으로 수신하고, 자기지도 표현을 기초로 음향 특징을 생성할 수 있다. 일 실시예에서, 음성 합성 모델이 다화자(multi-speaker) 모델인 경우, 음향 특징 생성기(140)는 타겟 음성 정보(170)를 추가적으로 수신하고, 자기지도 표현 및 타겟 음성 정보(170)를 기초로 음향 특징을 생성할 수 있다.The acoustic feature generator 140 may receive the self-map representation generated by the self-map representation generator 130 as an input and generate an acoustic feature based on the self-map expression. In one embodiment, when the speech synthesis model is a multi-speaker model, the acoustic feature generator 140 additionally receives target speech information 170 and generates the target speech information 170 based on the self-supervised representation and target speech information 170. Acoustic features can be created.

음성 생성기(150)는 음향 특징 생성기(140)에 의해 생성된 음향 특징을 입력으로 수신하고, 음향 특징을 기초로 합성 음성(160)을 생성할 수 있다. 일 실시예에서, 음성 합성 모델이 다화자 모델인 경우, 음성 생성기(150)는 타겟 음성 정보(170)를 추가적으로 수신하고, 음향 특징 및 타겟 음성 정보(170)를 기초로 타겟 음성 정보를 반영하는 합성 음성(160)을 생성할 수 있다.The voice generator 150 may receive the acoustic features generated by the acoustic feature generator 140 as input and generate the synthesized voice 160 based on the acoustic features. In one embodiment, when the voice synthesis model is a multi-speaker model, the voice generator 150 additionally receives target voice information 170 and reflects the target voice information based on the acoustic characteristics and target voice information 170. A synthetic voice 160 can be generated.

종래의 종단간 음성 합성 방법에 따르면, 텍스트 표현으로부터 음향 특징을 생성하고, 이를 기초로 합성 음성을 생성하였다. 이러한 종래의 방법에 따르면, 텍스트 표현으로부터 곧바로 음향 특징을 생성함에 따라 언어적 정보가 유실되어, 발음이 뭉개지거나 지나치게 매끄러운 합성 음성이 생성되는 등 생성된 합성 음성이 텍스트의 언어적 특징을 충분히 반영하지 못한다는 문제점이 있었다. 본 개시의 일 실시예에 따르면, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하고 이에 기초하여 음향 특징을 생성하는 2단계의 구조를 채택하고, 언어적 특성 및 음향적 특성을 계층적으로 학습함으로써, 언어적 특징을 충분히 반영하는 정확한 발음의 합성 음성(160)을 생성할 수 있다.According to the conventional end-to-end speech synthesis method, acoustic features are generated from text expressions, and synthesized speech is generated based on them. According to this conventional method, as acoustic features are generated directly from the text expression, linguistic information is lost, and the generated synthetic voice does not sufficiently reflect the linguistic features of the text, such as resulting in muffled pronunciation or overly smooth synthesized voice. There was a problem that it couldn't be done. According to an embodiment of the present disclosure, a two-step structure is adopted for generating a self-supervised representation including linguistic information from a text expression and generating acoustic features based on it, and the linguistic features and acoustic features are hierarchically configured. By learning, it is possible to generate a synthetic voice 160 with accurate pronunciation that sufficiently reflects linguistic characteristics.

본 개시에 따른 음성 합성 방법은 정보 처리 시스템, 사용자 단말 등 임의의 수행 주체에 의해 수행될 수 있다. 다만, 설명의 편의를 위해 이하에서는 정보 처리 시스템(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서)에 의해 음성 합성 방법에 수행되는 것으로 가정하고 서술하고자 한다.The voice synthesis method according to the present disclosure can be performed by any performing entity, such as an information processing system or a user terminal. However, for convenience of explanation, the following description will be made on the assumption that the voice synthesis method is performed by an information processing system (eg, at least one processor of the information processing system).

도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(230)이 복수의 사용자 단말(210_1, 210_2, 210_3)과 통신 가능하도록 연결된 구성을 나타내는 개요도이다. 도시된 바와 같이, 복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 음성 합성 서비스 및/또는 음성 변환 서비스를 제공할 수 있는 정보 처리 시스템(230)과 연결될 수 있다. 여기서, 복수의 사용자 단말(210_1, 210_2, 210_3)은 음성 합성 서비스 및/또는 음성 변환 서비스를 제공받을 사용자의 단말을 포함할 수 있다. 일 실시예에서, 정보 처리 시스템(230)은 음성 합성 서비스 및/또는 음성 변환 서비스 등과 관련된 컴퓨터 실행 가능한 프로그램(예를 들어, 다운로드 가능한 애플리케이션) 및 데이터를 저장, 제공 및 실행할 수 있는 하나 이상의 서버 장치 및/또는 데이터베이스, 또는 클라우드 컴퓨팅 서비스 기반의 하나 이상의 분산 컴퓨팅 장치 및/또는 분산 데이터베이스를 포함할 수 있다.Figure 2 is a schematic diagram showing a configuration in which the information processing system 230 according to an embodiment of the present disclosure is connected to communicate with a plurality of user terminals 210_1, 210_2, and 210_3. As shown, a plurality of user terminals 210_1, 210_2, and 210_3 may be connected to an information processing system 230 that can provide a voice synthesis service and/or a voice conversion service through the network 220. Here, the plurality of user terminals 210_1, 210_2, and 210_3 may include user terminals to be provided with a voice synthesis service and/or a voice conversion service. In one embodiment, information processing system 230 is one or more server devices capable of storing, providing, and executing computer-executable programs (e.g., downloadable applications) and data related to speech synthesis services and/or speech conversion services, etc. and/or a database, or one or more distributed computing devices and/or distributed databases based on cloud computing services.

정보 처리 시스템(230)에 의해 제공되는 음성 합성 서비스 및/또는 음성 변환 서비스는, 복수의 사용자 단말(210_1, 210_2, 210_3)의 각각에 설치된 음성 합성 애플리케이션, 음성 변환 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저 등을 통해 사용자에게 제공될 수 있다. 예를 들어, 정보 처리 시스템(230)은 음성 합성 애플리케이션 등을 통해 사용자 단말(210_1, 210_2, 210_3)로부터 수신되는 텍스트에 대한 합성 음성 요청에 대응하는 정보를 제공하거나 대응하는 처리를 수행할 수 있다.The voice synthesis service and/or voice conversion service provided by the information processing system 230 is a voice synthesis application, voice conversion application, mobile browser application, or web browser installed on each of the plurality of user terminals 210_1, 210_2, and 210_3. It may be provided to the user through, etc. For example, the information processing system 230 may provide information corresponding to a request for synthesized voice for text received from the user terminals 210_1, 210_2, and 210_3 through a voice synthesis application or perform corresponding processing. .

복수의 사용자 단말(210_1, 210_2, 210_3)은 네트워크(220)를 통해 정보 처리 시스템(230)과 통신할 수 있다. 네트워크(220)는 복수의 사용자 단말(210_1, 210_2, 210_3)과 정보 처리 시스템(230) 사이의 통신이 가능하도록 구성될 수 있다. 네트워크(220)는 설치 환경에 따라, 예를 들어, 이더넷(Ethernet), 유선 홈 네트워크(Power Line Communication), 전화선 통신 장치 및 RS-serial 통신 등의 유선 네트워크, 이동통신망, WLAN(Wireless LAN), Wi-Fi, Bluetooth 및 ZigBee 등과 같은 무선 네트워크 또는 그 조합으로 구성될 수 있다. 통신 방식은 제한되지 않으며, 네트워크(220)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 사용자 단말(210_1, 210_2, 210_3) 사이의 근거리 무선 통신 역시 포함될 수 있다.A plurality of user terminals 210_1, 210_2, and 210_3 may communicate with the information processing system 230 through the network 220. The network 220 may be configured to enable communication between a plurality of user terminals 210_1, 210_2, and 210_3 and the information processing system 230. Depending on the installation environment, the network 220 may be, for example, a wired network such as Ethernet, a wired home network (Power Line Communication), a telephone line communication device, and RS-serial communication, a mobile communication network, a wireless LAN (WLAN), It may consist of wireless networks such as Wi-Fi, Bluetooth, and ZigBee, or a combination thereof. The communication method is not limited, and may include communication methods utilizing communication networks that the network 220 may include (e.g., mobile communication networks, wired Internet, wireless Internet, broadcasting networks, satellite networks, etc.) as well as user terminals (210_1, 210_2, 210_3). ) may also include short-range wireless communication between

도 2에서 휴대폰 단말(210_1), 태블릿 단말(210_2) 및 PC 단말 (210_3)이 사용자 단말의 예로서 도시되었으나, 이에 한정되지 않으며, 사용자 단말(210_1, 210_2, 210_3)은 유선 및/또는 무선 통신이 가능하고 음성 합성 애플리케이션, 음성 변환 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저 등이 설치되어 실행될 수 있는 임의의 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말은, AI 스피커, 스마트폰, 휴대폰, 내비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC, 게임 콘솔(game console), 웨어러블 디바이스(wearable device), IoT(internet of things) 디바이스, VR(virtual reality) 디바이스, AR(augmented reality) 디바이스, 셋톱 박스 등을 포함할 수 있다. 또한, 도 2에는 3개의 사용자 단말(210_1, 210_2, 210_3)이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 상이한 수의 사용자 단말이 네트워크(220)를 통해 정보 처리 시스템(230)과 통신하도록 구성될 수도 있다.In Figure 2, the mobile phone terminal (210_1), tablet terminal (210_2), and PC terminal (210_3) are shown as examples of user terminals, but they are not limited thereto, and the user terminals (210_1, 210_2, 210_3) use wired and/or wireless communication. This is possible and may be any computing device on which a speech synthesis application, a voice conversion application, a mobile browser application, or a web browser, etc. can be installed and executed. For example, user terminals include AI speakers, smartphones, mobile phones, navigation, computers, laptops, digital broadcasting terminals, PDAs (Personal Digital Assistants), PMPs (Portable Multimedia Players), tablet PCs, game consoles, It may include wearable devices, IoT (internet of things) devices, VR (virtual reality) devices, AR (augmented reality) devices, set-top boxes, etc. In addition, in Figure 2, three user terminals (210_1, 210_2, 210_3) are shown as communicating with the information processing system 230 through the network 220, but this is not limited to this, and a different number of user terminals are connected to the network ( It may be configured to communicate with the information processing system 230 through 220).

일 실시예에 따르면, 정보 처리 시스템(230)은 복수의 사용자 단말(210_1, 210_2, 210_3)로부터 입력 텍스트와 연관된 데이터를 수신할 수 있다. 그리고 나서, 정보 처리 시스템(230)은 이렇게 수신된 입력 텍스트와 연관된 데이터에 기초하여 합성 음성을 생성하여, 복수의 사용자 단말(210_1, 210_2, 210_3)에 제공할 수 있다. 추가적으로 또는 대안적으로, 정보 처리 시스템(230)은 복수의 사용자 단말(210_1, 210_2, 210_3)로부터 소스 음성과 연관된 데이터를 수신할 수 있다. 그리고 나서, 정보 처리 시스템(230)은 이렇게 수신된 소스 음성과 연관된 데이터에 기초하여 변환 음성을 생성하여, 복수의 사용자 단말(210_1, 210_2, 210_3)에 제공할 수 있다.According to one embodiment, the information processing system 230 may receive data associated with the input text from a plurality of user terminals 210_1, 210_2, and 210_3. Then, the information processing system 230 may generate a synthesized voice based on data associated with the received input text and provide the synthesized voice to a plurality of user terminals 210_1, 210_2, and 210_3. Additionally or alternatively, the information processing system 230 may receive data associated with the source voice from a plurality of user terminals 210_1, 210_2, and 210_3. Then, the information processing system 230 may generate a converted voice based on data associated with the received source voice and provide the converted voice to a plurality of user terminals 210_1, 210_2, and 210_3.

도 3은 본 개시의 일 실시예에 따른 사용자 단말(210) 및 정보 처리 시스템(230)의 내부 구성을 나타내는 블록도이다. 사용자 단말(210)은 음성 합성 애플리케이션, 음성 변환 애플리케이션, 모바일 브라우저 애플리케이션 또는 웹 브라우저 등을 실행 가능하고 유/무선 통신이 가능한 임의의 컴퓨팅 장치를 지칭할 수 있으며, 예를 들어, 도 2의 휴대폰 단말(210_1), 태블릿 단말(210_2), PC 단말(210_3) 등을 포함할 수 있다. 도시된 바와 같이, 사용자 단말(210)은 메모리(312), 프로세서(314), 통신 모듈(316) 및 입출력 인터페이스(318)를 포함할 수 있다. 이와 유사하게, 정보 처리 시스템(230)은 메모리(332), 프로세서(334), 통신 모듈(336) 및 입출력 인터페이스(338)를 포함할 수 있다. 도 3에 도시된 바와 같이, 사용자 단말(210) 및 정보 처리 시스템(230)은 각각의 통신 모듈(316, 336)을 이용하여 네트워크(220)를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다. 또한, 입출력 장치(320)는 입출력 인터페이스(318)를 통해 사용자 단말(210)에 정보 및/또는 데이터를 입력하거나 사용자 단말(210)로부터 생성된 정보 및/또는 데이터를 출력하도록 구성될 수 있다.Figure 3 is a block diagram showing the internal configuration of the user terminal 210 and the information processing system 230 according to an embodiment of the present disclosure. The user terminal 210 may refer to any computing device capable of executing a voice synthesis application, a voice conversion application, a mobile browser application, or a web browser and capable of wired/wireless communication, for example, the mobile phone terminal of FIG. 2. It may include (210_1), a tablet terminal (210_2), a PC terminal (210_3), etc. As shown, the user terminal 210 may include a memory 312, a processor 314, a communication module 316, and an input/output interface 318. Similarly, information processing system 230 may include memory 332, processor 334, communication module 336, and input/output interface 338. As shown in FIG. 3, the user terminal 210 and the information processing system 230 are configured to communicate information and/or data through the network 220 using respective communication modules 316 and 336. It can be. Additionally, the input/output device 320 may be configured to input information and/or data to the user terminal 210 through the input/output interface 318 or to output information and/or data generated from the user terminal 210.

메모리(312, 332)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(312, 332)는 ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 사용자 단말(210) 또는 정보 처리 시스템(230)에 포함될 수 있다. 또한, 메모리(312, 332)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 사용자 단말(210)에 설치되어 구동되는 음성 합성 애플리케이션 등을 위한 코드)가 저장될 수 있다.Memories 312 and 332 may include any non-transitory computer-readable recording medium. According to one embodiment, the memories 312 and 332 are non-permanent mass storage devices such as read only memory (ROM), disk drive, solid state drive (SSD), flash memory, etc. It can be included. As another example, non-perishable mass storage devices such as ROM, SSD, flash memory, disk drive, etc. may be included in the user terminal 210 or the information processing system 230 as a separate persistent storage device that is distinct from memory. Additionally, the memories 312 and 332 may store an operating system and at least one program code (for example, code for a voice synthesis application installed and running on the user terminal 210).

이러한 소프트웨어 구성요소들은 메모리(312, 332)와는 별도의 컴퓨터에서 판독가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록매체는 이러한 사용자 단말(210) 및 정보 처리 시스템(230)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈을 통해 메모리(312, 332)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 애플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 네트워크(220)를 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 메모리(312, 332)에 로딩될 수 있다.These software components may be loaded from a computer-readable recording medium separate from the memories 312 and 332. This separate computer-readable recording medium may include a recording medium directly connectable to the user terminal 210 and the information processing system 230, for example, a floppy drive, disk, tape, DVD/CD- It may include computer-readable recording media such as ROM drives and memory cards. As another example, software components may be loaded into the memories 312 and 332 through a communication module rather than a computer-readable recording medium. For example, at least one program is loaded into memory 312, 332 based on a computer program installed by files provided over the network 220 by developers or a file distribution system that distributes installation files for applications. It can be.

프로세서(314, 334)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(312, 332) 또는 통신 모듈(316, 336)에 의해 프로세서(314, 334)로 제공될 수 있다. 예를 들어, 프로세서(314, 334)는 메모리(312, 332)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.The processors 314 and 334 may be configured to process instructions of a computer program by performing basic arithmetic, logic, and input/output operations. Instructions may be provided to the processors 314 and 334 by memories 312 and 332 or communication modules 316 and 336. For example, processors 314 and 334 may be configured to execute received instructions according to program codes stored in recording devices such as memories 312 and 332.

통신 모듈(316, 336)은 네트워크(220)를 통해 사용자 단말(210)과 정보 처리 시스템(230)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 사용자 단말(210) 및/또는 정보 처리 시스템(230)이 다른 사용자 단말 또는 다른 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 사용자 단말(210)의 프로세서(314)가 메모리(312) 등과 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청 또는 데이터(예를 들어, 입력 텍스트에 대한 합성 음성 요청, 소스 음성에 대한 변환 음성 요청 등)는 통신 모듈(316)의 제어에 따라 네트워크(220)를 통해 정보 처리 시스템(230)으로 전달될 수 있다. 역으로, 정보 처리 시스템(230)의 프로세서(334)의 제어에 따라 제공되는 제어 신호나 명령이 통신 모듈(336)과 네트워크(220)를 거쳐 사용자 단말(210)의 통신 모듈(316)을 통해 사용자 단말(210)에 수신될 수 있다. 예를 들어, 사용자 단말(210)은 정보 처리 시스템(230)으로부터 통신 모듈(316)을 통해 입력 텍스트에 대한 합성 음성 또는 소스 음성에 대한 변환 음성 등을 수신할 수 있다.The communication modules 316 and 336 may provide a configuration or function for the user terminal 210 and the information processing system 230 to communicate with each other through the network 220, and may provide a configuration or function for the user terminal 210 and/or information processing. The system 230 may provide a configuration or function for communicating with other user terminals or other systems (for example, a separate cloud system, etc.). In one example, a request or data generated by the processor 314 of the user terminal 210 according to a program code stored in a recording device such as memory 312 (e.g., a synthetic voice request for input text, a request for a source voice) converted voice request, etc.) may be transmitted to the information processing system 230 through the network 220 under the control of the communication module 316. Conversely, a control signal or command provided under the control of the processor 334 of the information processing system 230 is transmitted through the communication module 316 of the user terminal 210 through the communication module 336 and the network 220. It may be received by the user terminal 210. For example, the user terminal 210 may receive a synthesized voice for the input text or a converted voice for the source voice from the information processing system 230 through the communication module 316.

입출력 인터페이스(318)는 입출력 장치(320)와의 인터페이스를 위한 수단일 수 있다. 일 예로서, 입력 장치는 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 키보드, 마이크로폰, 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커, 햅틱 피드백 디바이스(haptic feedback device) 등과 같은 장치를 포함할 수 있다. 다른 예로, 입출력 인터페이스(318)는 터치스크린 등과 같이 입력과 출력을 수행하기 위한 구성 또는 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 사용자 단말(210)의 프로세서(314)가 메모리(312)에 로딩된 컴퓨터 프로그램의 명령을 처리함에 있어서 정보 처리 시스템(230)이나 다른 사용자 단말이 제공하는 정보 및/또는 데이터를 이용하여 구성되는 서비스 화면 등이 입출력 인터페이스(318)를 통해 디스플레이에 표시될 수 있다. 도 3에서는 입출력 장치(320)가 사용자 단말(210)에 포함되지 않도록 도시되어 있으나, 이에 한정되지 않으며, 사용자 단말(210)과 하나의 장치로 구성될 수 있다. 또한, 정보 처리 시스템(230)의 입출력 인터페이스(338)는 정보 처리 시스템(230)과 연결되거나 정보 처리 시스템(230)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 도 3에서는 입출력 인터페이스(318, 338)가 프로세서(314, 334)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(318, 338)가 프로세서(314, 334)에 포함되도록 구성될 수 있다.The input/output interface 318 may be a means for interfacing with the input/output device 320. As an example, input devices may include devices such as cameras, keyboards, microphones, mice, etc., including audio sensors and/or image sensors, and output devices may include devices such as displays, speakers, haptic feedback devices, etc. You can. As another example, the input/output interface 318 may be a means for interfacing with a device that has components or functions for performing input and output, such as a touch screen, integrated into one. For example, the processor 314 of the user terminal 210 uses information and/or data provided by the information processing system 230 or another user terminal when processing instructions of a computer program loaded in the memory 312. A service screen, etc. configured as such may be displayed on the display through the input/output interface 318. In FIG. 3 , the input/output device 320 is shown not to be included in the user terminal 210, but the present invention is not limited to this and may be configured as a single device with the user terminal 210. Additionally, the input/output interface 338 of the information processing system 230 may be connected to the information processing system 230 or means for interfacing with a device (not shown) for input or output that the information processing system 230 may include. It can be. In FIG. 3 , the input/output interfaces 318 and 338 are shown as elements configured separately from the processors 314 and 334, but the present invention is not limited thereto, and the input/output interfaces 318 and 338 may be configured to be included in the processors 314 and 334. there is.

사용자 단말(210) 및 정보 처리 시스템(230)은 도 3의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 일 실시예에 따르면, 사용자 단말(210)은 상술된 입출력 장치(320) 중 적어도 일부를 포함하도록 구현될 수 있다. 또한, 사용자 단말(210)은 트랜시버(transceiver), GPS(Global Positioning system) 모듈, 카메라, 각종 센서, 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수 있다. 예를 들어, 사용자 단말(210)이 스마트폰인 경우, 일반적으로 스마트폰이 포함하고 있는 구성요소를 포함할 수 있으며, 예를 들어, 가속도 센서, 자이로 센서, 카메라 모듈, 각종 물리적인 버튼, 터치패널을 이용한 버튼, 입출력 포트, 진동을 위한 진동기 등의 다양한 구성요소들이 사용자 단말(210)에 더 포함되도록 구현될 수 있다. 일 실시예에 따르면, 사용자 단말(210)의 프로세서(314)는 음성 합성 서비스를 제공하는 애플리케이션 등이 동작하도록 구성될 수 있다. 이 때, 해당 애플리케이션 및/또는 프로그램과 연관된 코드가 사용자 단말(210)의 메모리(312)에 로딩될 수 있다.The user terminal 210 and information processing system 230 may include more components than those in FIG. 3 . However, there is no need to clearly show most prior art components. According to one embodiment, the user terminal 210 may be implemented to include at least some of the input/output devices 320 described above. Additionally, the user terminal 210 may further include other components such as a transceiver, a global positioning system (GPS) module, a camera, various sensors, and a database. For example, if the user terminal 210 is a smartphone, it may include components generally included in a smartphone, such as an acceleration sensor, a gyro sensor, a camera module, various physical buttons, and a touch screen. Various components such as buttons using a panel, input/output ports, and a vibrator for vibration may be implemented to be further included in the user terminal 210. According to one embodiment, the processor 314 of the user terminal 210 may be configured to operate an application that provides a voice synthesis service. At this time, code associated with the corresponding application and/or program may be loaded into the memory 312 of the user terminal 210.

음성 합성 서비스를 제공하는 애플리케이션 등을 위한 프로그램이 동작되는 동안에, 프로세서(314)는 입출력 인터페이스(318)와 연결된 터치 스크린, 키보드, 오디오 센서 및/또는 이미지 센서를 포함한 카메라, 마이크로폰 등의 입력 장치를 통해 입력되거나 선택된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 수신할 수 있으며, 수신된 텍스트, 이미지, 영상, 음성 및/또는 동작 등을 메모리(312)에 저장하거나 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 예를 들어, 프로세서(314)는 입력 텍스트를 수신하여. 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다. 다른 예로서, 프로세서(314)는 소스 음성을 수신하여, 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공할 수 있다.While a program for an application providing a voice synthesis service is running, the processor 314 uses input devices such as a touch screen, a keyboard, a camera including an audio sensor and/or an image sensor, and a microphone connected to the input/output interface 318. It is possible to receive text, images, videos, voices, and/or actions input or selected through, and store the received text, images, videos, voices, and/or actions in the memory 312 or use the communication module 316 and It can be provided to the information processing system 230 through the network 220. For example, processor 314 may receive input text. It can be provided to the information processing system 230 through the communication module 316 and the network 220. As another example, processor 314 may receive source speech and provide it to information processing system 230 via communication module 316 and network 220.

사용자 단말(210)의 프로세서(314)는 입력 장치(320), 다른 사용자 단말, 정보 처리 시스템(230) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(314)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(316) 및 네트워크(220)를 통해 정보 처리 시스템(230)에 제공될 수 있다. 사용자 단말(210)의 프로세서(314)는 입출력 인터페이스(318)를 통해 입출력 장치(320)로 정보 및/또는 데이터를 전송하여, 출력할 수 있다. 예를 들면, 프로세서(314)는 수신한 정보 및/또는 데이터를 사용자 단말의 화면에 디스플레이할 수 있다.The processor 314 of the user terminal 210 manages, processes, and/or stores information and/or data received from the input device 320, other user terminals, the information processing system 230, and/or a plurality of external systems. It can be configured to do so. Information and/or data processed by processor 314 may be provided to information processing system 230 via communication module 316 and network 220. The processor 314 of the user terminal 210 may transmit information and/or data to the input/output device 320 through the input/output interface 318 and output the information. For example, the processor 314 may display the received information and/or data on the screen of the user terminal.

정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210) 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 프로세서(334)에 의해 처리된 정보 및/또는 데이터는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)에 제공할 수 있다. 일 실시예에서, 정보 처리 시스템(230)의 프로세서(334)는 복수의 사용자 단말(210)로부터 수신된 입력 텍스트와 연관된 데이터에 기초하여, 언어적 정보를 표현하는 자기지도 표현 및 음향 특징을 생성하고, 이에 기초하여 합성 음성을 생성할 수 있다.The processor 334 of the information processing system 230 may be configured to manage, process, and/or store information and/or data received from a plurality of user terminals 210 and/or a plurality of external systems. Information and/or data processed by the processor 334 may be provided to the user terminal 210 through the communication module 336 and the network 220. In one embodiment, the processor 334 of the information processing system 230 generates self-supervised representations and acoustic features representing linguistic information based on data associated with input text received from a plurality of user terminals 210. And based on this, a synthetic voice can be generated.

정보 처리 시스템(230)의 프로세서(334)는 사용자 단말(210)의 디스플레이 출력 가능 장치(예: 터치 스크린, 디스플레이 등), 음성 출력 가능 장치(예: 스피커) 등의 출력 장치(320)를 통해 처리된 정보 및/또는 데이터를 출력하도록 구성될 수 있다. 예를 들어, 정보 처리 시스템(230)의 프로세서(334)는, 생성된 합성 음성(또는 합성 음성과 연관된 데이터)을 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)로 제공하고, 생성된 합성 음성을 사용자 단말(210)의 음성 출력 가능 장치 등을 통해 출력하도록 구성될 수 있다. 다른 예로서, 정보 처리 시스템(230)의 프로세서(334)는 통신 모듈(336) 및 네트워크(220)를 통해 사용자 단말(210)로 변환 음성(또는 변환 음성과 연관된 데이터)을 제공하고, 사용자 단말(210)의 음성 출력 가능 장치 등을 통해 출력하도록 구성될 수 있다.The processor 334 of the information processing system 230 uses the output device 320, such as a display output capable device (e.g., touch screen, display, etc.), an audio output capable device (e.g., speaker), of the user terminal 210. It may be configured to output processed information and/or data. For example, the processor 334 of the information processing system 230 may provide the generated synthetic speech (or data associated with the synthetic speech) to the user terminal 210 via the communication module 336 and the network 220. , the generated synthesized voice may be configured to output through a voice output capable device of the user terminal 210, etc. As another example, processor 334 of information processing system 230 provides converted speech (or data associated with converted speech) to user terminal 210 via communication module 336 and network 220, and It may be configured to output through a voice output capable device, etc. (210).

도 4는 본 개시의 일 실시예에 따른 음성 합성 모델을 학습시키는 방법의 예시를 나타내는 도면이다. 음성 합성 모델(예를 들어, 음향 특징 인코더(420), 음성 생성기(422), 음향 특징 제거기(430), 자기지도 학습 모델(440), 언어 특징 인코더(442), 자기지도 표현 제거기(450), 텍스트 인코더(462) 등)은 기계학습 모델(예를 들어, 인공신경망 모델)로 구현될 수 있으며, 학습 음성(410) 및/또는 학습 음성(410)에 대응하는 학습 텍스트(460)에 기초하여 학습될 수 있다. 예를 들어, 음성 합성 모델은 총 손실을 최소화하도록 학습될 수 있으며, 총 손실(total loss)은 제1 손실 내지 제4 손실 중 적어도 하나를 기초로 산출될 수 있다. 예를 들어, 제1 손실 내지 제4 손실은 아래와 같이 산출될 수 있다.FIG. 4 is a diagram illustrating an example of a method for learning a speech synthesis model according to an embodiment of the present disclosure. Speech synthesis model (e.g., acoustic feature encoder 420, speech generator 422, acoustic feature remover 430, self-supervised learning model 440, language feature encoder 442, self-supervised representation remover 450) , text encoder 462, etc.) may be implemented as a machine learning model (e.g., artificial neural network model) and is based on the learning voice 410 and/or the learning text 460 corresponding to the learning voice 410. This can be learned. For example, a speech synthesis model may be trained to minimize the total loss, and the total loss may be calculated based on at least one of the first to fourth losses. For example, the first to fourth losses can be calculated as follows.

정보 처리 시스템은 음향 특징 인코더(420)를 이용하여 학습 음성(410)을 기초로 학습 음향 특징을 생성할 수 있으며, 음성 생성기(422)를 이용하여 음향 특징 인코더(420)에 의해 생성된 학습 음향 특징을 기초로 학습 합성 음성(424)을 생성할 수 있다. 제1 손실은 음성 생성기(422)에 의해 생성된 학습 합성 음성(424) 및 학습 음성(410)을 기초로 산출될 수 있다. 예를 들어, 제1 손실은 학습 합성 음성(424)과 학습 음성(410)(GT)에 기초하여 산출된 복원 손실(reconstruction loss)일 수 있다.The information processing system can generate learning acoustic features based on the learning voice 410 using the acoustic feature encoder 420, and the learning sound generated by the acoustic feature encoder 420 using the voice generator 422. A learning synthetic voice 424 can be generated based on the features. The first loss may be calculated based on the training synthetic voice 424 and the training voice 410 generated by the voice generator 422. For example, the first loss may be a reconstruction loss calculated based on the learning synthetic voice 424 and the learning voice 410 (GT).

정보 처리 시스템은 음향 특징 제거기(430)를 이용하여, 음향 특징 인코더(420)에 의해 생성된 학습 음향 특징으로부터 음향적 특징을 제거함으로써 제1 학습 자기지도 표현을 생성할 수 있다. 또한, 정보 처리 시스템은 자기지도 학습 모델(440) 및 언어 특징 인코더(442)를 이용하여 학습 음성(410)으로부터 제2 학습 자기지도 표현을 생성할 수 있다. 제2 손실은 음향 특징 제거기(430)에 의해 생성된 제1 학습 자기지도 표현과 언어 특징 인코더(442)에 의해 생성된 제2 학습 자기지도 표현을 기초로 산출될 수 있다. 예를 들어, 제2 손실은 제1 학습 자기지도 표현과 제2 학습 자기지도 표현에 기초하여 산출된 KL 손실(KL-Divergence loss)일 수 있다.The information processing system may use the acoustic feature remover 430 to remove acoustic features from the learned acoustic features generated by the acoustic feature encoder 420 to generate the first learning self-supervised representation. Additionally, the information processing system may generate a second learning self-supervised representation from the training speech 410 using the self-supervised learning model 440 and the language feature encoder 442. The second loss may be calculated based on the first learned self-supervised representation generated by the acoustic feature remover 430 and the second learned self-supervised representation generated by the language feature encoder 442. For example, the second loss may be a KL loss (KL-Divergence loss) calculated based on the first learned self-supervised expression and the second learned self-supervised expression.

일 실시예에 따르면, 자기지도 학습 모델(440)은 미리 학습된 음성 모델의 적어도 하나의 레이어(예를 들어, wav2vec 2.0의 middle layer)를 포함할 수 있다. 여기서, 미리 학습된 음성 모델의 적어도 하나의 레이어는 언어적 정보를 많이 포함하는 출력을 생성하는 레이어일 수 있다. 음성 합성 모델의 학습 과정에서, 미리 학습된 음성 모델의 적어도 하나의 레이어는 프리징(freezing)될 수 있다.According to one embodiment, the self-supervised learning model 440 may include at least one layer (eg, middle layer of wav2vec 2.0) of a pre-trained speech model. Here, at least one layer of the pre-trained speech model may be a layer that generates output containing a lot of linguistic information. During the learning process of the speech synthesis model, at least one layer of the pre-trained speech model may be frozen.

정보 처리 시스템은 자기지도 표현 제거기(450)를 이용하여, 언어 특징 인코더(442)에 의해 생성된 제2 학습 자기지도 표현으로부터 자기지도 표현을 제거함으로써 제1 학습 텍스트 표현을 생성할 수 있다. 또한, 정보 처리 시스템은 텍스트 인코더(462)를 이용하여 학습 텍스트(460)로부터 제2 학습 텍스트 표현을 생성할 수 있다. 제3 손실은 자기지도 표현 제거기(450)에 의해 생성된 제1 학습 텍스트 표현 및 텍스트 인코더(462)로부터 생성된 제2 학습 텍스트 표현을 기초로 산출될 수 있다. 예를 들어, 제3 손실은 제1 학습 텍스트 표현과 제2 학습 텍스트 표현에 기초하여 산출된 KL 손실일 수 있다.The information processing system may use a self-supervised representation remover 450 to generate a first learned text representation by removing the self-supervised representation from a second learned self-supervised representation generated by the language feature encoder 442. Additionally, the information processing system may generate a second training text representation from training text 460 using text encoder 462. The third loss may be calculated based on the first training text representation generated by the self-supervised representation remover 450 and the second training text representation generated by the text encoder 462. For example, the third loss may be a KL loss calculated based on the first learning text representation and the second learning text representation.

정보 처리 시스템은 텍스트 예측기(444)를 이용하여, 언어 특징 인코더(442)에 의해 생성된 제2 학습 자기지도 표현으로부터 단위 텍스트(446)를 예측할 수 있다. 여기서, 단위 텍스트(446)는 학습 텍스트(460)에 포함되는 것으로 예측되는 단위 텍스트(예를 들어, 음소, 글자, 음절 또는 단어 등)일 수 있다. 제4 손실은 텍스트 예측기(444)에 의해 예측된 단위 텍스트(446) 및 학습 텍스트(460)에 기초하여 산출될 수 있다. 예를 들어, 제4 손실은 학습 텍스트(460)에 포함되는 것으로 예측되는 음소를 예측하기 위한 텍스트 예측기(444)에 의해 예측된 음소와 학습 텍스트(460)에 포함된 음소(GT)에 기초하여 산출된 음소 예측 손실(phoneme prediction loss)일 수 있다.The information processing system may use the text predictor 444 to predict the unit text 446 from the second learning self-supervised representation generated by the language feature encoder 442. Here, the unit text 446 may be a unit text (eg, a phoneme, letter, syllable, or word) predicted to be included in the learning text 460. The fourth loss may be calculated based on the unit text 446 and the training text 460 predicted by the text predictor 444. For example, the fourth loss is based on the phoneme predicted by the text predictor 444 and the phoneme (GT) included in the training text 460 to predict the phoneme predicted to be included in the training text 460. It may be the calculated phoneme prediction loss.

총 손실은 상술한 제1 손실 내지 제4 손실 중 적어도 하나를 기초로 산출될 수 있으며, 구체적 예로, 총 손실은 제1 손실 내지 제4 손실의 가중합으로 산출될 수 있다. 음성 합성 모델은 총 손실을 최소화하도록 학습될 수 있다.The total loss may be calculated based on at least one of the above-described first to fourth losses. As a specific example, the total loss may be calculated as a weighted sum of the first to fourth losses. A speech synthesis model can be trained to minimize total loss.

도 5는 본 개시의 일 실시예에 따른 학습된 음성 합성 모델을 이용하여 합성 음성(520)을 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 정보 처리 시스템은 도 4를 참조하여 상술한 바와 같이 학습되고/되거나 도 7을 참조하여 후술하는 바와 같이 학습된 음성 합성 모델을 이용하여, 입력 텍스트(510)에 대한 합성 음성(520)을 생성할 수 있다. 예를 들어, 정보 처리 시스템은 텍스트 인코더(462)를 이용하여, 입력 텍스트(510)로부터 텍스트 표현을 생성하고, 자기지도 표현 생성기(452)를 이용하여, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성할 수 있다. 그런 다음, 정보 처리 시스템은 음향 특징 생성기(432)를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성할 수 있고, 음성 생성기(422)를 이용하여, 음향 특징을 기초로 합성 음성(520)을 생성할 수 있다.FIG. 5 is a diagram illustrating an example of a method for generating a synthesized voice 520 using a learned voice synthesis model according to an embodiment of the present disclosure. According to one embodiment, an information processing system uses a speech synthesis model trained as described above with reference to FIG. 4 and/or learned as described below with reference to FIG. 7 to generate a synthesized speech for input text 510. (520) can be generated. For example, an information processing system may use a text encoder 462 to generate a textual representation from input text 510 and a self-supervised representation generator 452 to generate a self-generated representation containing linguistic information from the textual representation. A map representation can be created. The information processing system may then use the acoustic feature generator 432 to generate acoustic features based on the self-supervised representation, and use the speech generator 422 to generate a synthesized voice 520 based on the acoustic features. can be created.

일 실시예에 따르면, 음향 특징 제거기(430), 자기지도 표현 제거기(450)는 역변환이 가능한 네트워크(예를 들어, Normalizing Flow, Denoising Diffusion Model 등)일 수 있다. 이 경우, 음향 특징 생성에 이용되는 음향 특징 생성기(432), 자기지도 표현 생성에 이용되는 자기지도 표현 생성기(452)는 학습된 음향 특징 제거기(430), 자기지도 표현 제거기(450)가 각각 역변환된 모델일 수 있다. 예를 들어, 역변환이 가능한 단일 네트워크를 연산 방향만 달리하여 사용함으로써, 음향 특징 제거기(430) 또는 음향 특징 생성기(432)가 사용될 수 있다. 이와 유사하게, 역변환이 가능한 단일 네트워크를 연산 방향만 달리하여 사용함으로써, 자기지도 표현 제거기(450) 또는 자기지도 표현 생성기(452)가 사용될 수 있다.According to one embodiment, the acoustic feature remover 430 and the self-supervised representation remover 450 may be a network capable of inverse transformation (eg, Normalizing Flow, Denoising Diffusion Model, etc.). In this case, the acoustic feature generator 432 used to generate acoustic features, the self-supervised representation generator 452 used to generate the self-supervised representation, the learned acoustic feature remover 430, and the self-supervised representation remover 450 perform inverse transformation, respectively. It may be a model. For example, the acoustic feature remover 430 or the acoustic feature generator 432 can be used by using a single network capable of inverse transformation in a different operation direction. Similarly, the self-supervised representation remover 450 or the self-supervised representation generator 452 can be used by using a single network capable of inverse transformation in a different operation direction.

도 6은 본 개시의 일 실시예에 따른 변환 음성(660)을 생성하는 방법의 예시를 나타내는 도면이다. 일 실시예에 따르면, 음성 합성은 소스 음성(610)을 기초로 변환 음성(660)을 생성하는 음성 변환을 포함할 수 있다. 예를 들어, 음성 변환은 소스 음성(610)의 발화 텍스트, 발음 등 언어적 정보는 동일하게 유지하고, 음향 특징(예를 들어, 목소리)만을 변환함으로써 변환 음성(660)을 생성하는 것을 지칭할 수 있다.FIG. 6 is a diagram illustrating an example of a method for generating converted voice 660 according to an embodiment of the present disclosure. According to one embodiment, speech synthesis may include speech transformation that generates converted speech 660 based on source speech 610. For example, voice conversion refers to generating a converted voice 660 by keeping the linguistic information such as speech text and pronunciation of the source voice 610 the same and converting only the acoustic features (e.g., voice). You can.

일 실시예에 따르면, 정보 처리 시스템은 소스 음성(610), 소스 음성 정보(612) 및 타겟 음성 정보(642)를 수신할 수 있다. 예를 들어, 소스 음성 정보(612)는 소스 음성(610)과 별도로 수신되거나, 소스 음성(610)으로부터 추출될 수 있다. 타겟 음성 정보(642)는 별도로 수신되거나, 타겟 음성 샘플로부터 추출될 수 있다.According to one embodiment, the information processing system may receive source voice 610, source voice information 612, and target voice information 642. For example, source voice information 612 may be received separately from source voice 610 or extracted from source voice 610. Target voice information 642 may be received separately or extracted from a target voice sample.

정보 처리 시스템은 음성 변환 모델을 이용하여 소스 음성(610)을 기초로 변환 음성(660)을 생성할 수 있다. 음성 변환 모델은 음향 특징 인코더(620), 음향 특징 제거기(630), 음향 특징 생성기(640) 및 음성 생성기(650)를 포함할 수 있다. 일 실시예에 따르면, 음성 변환 모델은 도 4를 참조하여 상술한 바와 같이 학습되고/되거나 도 7을 참조하여 후술하는 바와 같이 학습될 수 있다.The information processing system may generate converted voice 660 based on source voice 610 using a voice conversion model. The speech conversion model may include an acoustic feature encoder 620, an acoustic feature remover 630, an acoustic feature generator 640, and a speech generator 650. According to one embodiment, the speech conversion model may be trained as described above with reference to FIG. 4 and/or as described below with reference to FIG. 7 .

음향 특징 인코더(620)는 소스 음성(610) 및 소스 음성 정보(612)를 입력으로 수신하고, 소스 음성(610) 및 소스 음성 정보(612)에 기초하여 소스 음향 특징을 생성할 수 있다. 예를 들어, 소스 음향 특징은 소스 음성(610)의 음향적 정보를 포함하는 임베딩 벡터일 수 있다.The acoustic feature encoder 620 may receive the source voice 610 and the source voice information 612 as input, and generate source acoustic features based on the source voice 610 and the source voice information 612. For example, the source acoustic feature may be an embedding vector containing acoustic information of the source voice 610.

음향 특징 제거기(630)는 음향 특징 인코더(620)에 의해 생성된 소스 음향 특징 및 소스 음성 정보(612)를 입력으로 수신하고, 소스 음향 특징 및 소스 음성 정보(612)를 기초로 자기지도 표현을 생성할 수 있다. 예를 들어, 음향 특징 제거기(630)는 소스 음성 정보(612)를 이용하여, 소스 음향 특징으로부터 음향적 특징이 제거되고 언어적 정보를 포함하는 자기지도 표현을 생성할 수 있다.The acoustic feature remover 630 receives the source acoustic features and source speech information 612 generated by the acoustic feature encoder 620 as input, and creates a self-map representation based on the source acoustic features and source speech information 612. can be created. For example, the acoustic feature remover 630 may use the source speech information 612 to remove acoustic features from the source acoustic features and generate a self-supervised representation that includes linguistic information.

음향 특징 생성기(640)는 음향 특징 제거기(630)에 의해 생성된 자기지도 표현 및 타겟 음성 정보(642)를 입력으로 수신하고, 자기지도 표현 및 타겟 음성 정보(642)를 기초로 타겟 음향 특징을 생성할 수 있다. 예를 들어, 음향 특징 생성기(640)는 타겟 음성 정보(642)를 이용하여, 자기지도 표현으로부터 타겟 음성의 음향적 특징이 포함된 타겟 음향 특징을 생성할 수 있다. 일 실시예에 따르면, 음향 특징 생성기(640)는 학습된 음향 특징 제거기(630)가 역변환된 모델일 수 있다.The acoustic feature generator 640 receives the self-supervised expression and target speech information 642 generated by the acoustic feature remover 630 as input, and generates target acoustic features based on the self-supervised expression and target speech information 642. can be created. For example, the acoustic feature generator 640 may use the target voice information 642 to generate a target acoustic feature including the acoustic characteristics of the target voice from the self-map representation. According to one embodiment, the acoustic feature generator 640 may be a model obtained by inverting the learned acoustic feature remover 630.

음성 생성기(650)는 음향 특징 생성기(640)에 의해 생성된 타겟 음향 특징 및 타겟 음성 정보(642)를 입력으로 수신하고, 타겟 음향 특징 및 타겟 음성 정보를 기초로 변환 음성(660)을 생성할 수 있다.The voice generator 650 receives the target acoustic feature and target voice information 642 generated by the acoustic feature generator 640 as input, and generates a converted voice 660 based on the target acoustic feature and target voice information. You can.

이와 같이, 음성의 언어적 정보를 유지하면서 음향 특징만을 제거하도록 학습된 음향 특징 제거기(630) 및 학습된 음향 특징 제거기(630)가 역변환된 음향 특징 생성기(640)를 이용하여, 소스 음성(610)의 언어적 정보는 그대로 유지하면서 음향 특징만 변환된 변환 음성(660)을 생성할 수 있다.In this way, using the acoustic feature remover 630, which is learned to remove only acoustic features while maintaining the linguistic information of the voice, and the acoustic feature generator 640 in which the learned acoustic feature remover 630 is inversely converted, the source voice 610 ) It is possible to generate a converted voice 660 in which only the acoustic features are converted while maintaining the linguistic information.

도 7은 본 개시의 일 실시예에 따라 새로운 화자에 대한 학습 음성을 이용하여 음성 합성 모델을 전이 학습(fine-tuning)시키는 방법의 예시를 나타내는 도면이다. 추가적으로, 음성 합성 모델(예를 들어, 음성 생성기(722), 음향 특징 제거기(730) 등)은 새로운 화자에 대한 학습 음성(710)을 기초로 전이 학습될 수 있다. 즉, 새로운 화자에 대한 학습 음성(710)에 대응하는 학습 텍스트 없이, 음성 샘플만으로 음성 합성 모델을 새로운 화자에 적응시킬 수 있다.FIG. 7 is a diagram illustrating an example of a method for transfer learning (fine-tuning) a speech synthesis model using training speech for a new speaker according to an embodiment of the present disclosure. Additionally, a speech synthesis model (e.g., speech generator 722, acoustic feature remover 730, etc.) may be transfer learned based on the training speech 710 for the new speaker. In other words, the speech synthesis model can be adapted to a new speaker using only voice samples, without a training text corresponding to the learning voice 710 for the new speaker.

예를 들어, 음성 합성 모델은 총 손실을 최소화하도록 전이 학습될 수 있으며, 총 손실은 제1 손실 또는 제2 손실 중 적어도 하나를 기초로 산출될 수 있다. 여기서, 제1 손실 또는 제2 손실은 도 4를 참조하여 설명한 바와 동일 또는 유사하게 산출될 수 있다. 예를 들어, 제1 손실, 제2 손실은 아래와 같이 산출될 수 있다.For example, a speech synthesis model can be transfer learned to minimize the total loss, and the total loss can be calculated based on at least one of the first loss or the second loss. Here, the first loss or the second loss may be calculated the same or similar to that described with reference to FIG. 4. For example, the first loss and the second loss can be calculated as follows.

정보 처리 시스템은 음향 특징 인코더(720)를 이용하여 학습 음성(710)을 기초로 학습 음향 특징을 생성할 수 있으며, 음성 생성기(722)를 이용하여 음향 특징 인코더(720)에 의해 생성된 학습 음향 특징을 기초로 학습 합성 음성(724)을 생성할 수 있다. 제1 손실은 음성 생성기(722)에 의해 생성된 학습 합성 음성(724) 및 학습 음성(710)을 기초로 산출될 수 있다. 예를 들어, 제1 손실은 학습 합성 음성(724)과 학습 음성(710)(GT)에 기초하여 산출된 복원 손실일 수 있다.The information processing system may generate learning acoustic features based on the learning voice 710 using the acoustic feature encoder 720, and the learning sound generated by the acoustic feature encoder 720 using the voice generator 722. A learning synthetic voice 724 can be generated based on the features. The first loss may be calculated based on the training synthetic voice 724 and the training voice 710 generated by the voice generator 722. For example, the first loss may be a restoration loss calculated based on the training synthesis voice 724 and the training voice 710 (GT).

정보 처리 시스템은 음향 특징 제거기(730)를 이용하여, 음향 특징 인코더(720)에 의해 생성된 학습 음향 특징으로부터 음향적 특징을 제거함으로써 제1 학습 자기지도 표현을 생성할 수 있다. 또한, 정보 처리 시스템은 자기지도 학습 모델(740) 및 언어 특징 인코더(742)를 이용하여 학습 음성(710)으로부터 제2 학습 자기지도 표현을 생성할 수 있다. 제2 손실은 음향 특징 제거기(730)에 의해 생성된 제1 학습 자기지도 표현과 언어 특징 인코더(742)에 의해 생성된 제2 학습 자기지도 표현을 기초로 산출될 수 있다. 예를 들어, 제2 손실은 제1 학습 자기지도 표현과 제2 학습 자기지도 표현에 기초하여 산출된 KL 손실일 수 있다.The information processing system may use the acoustic feature remover 730 to remove acoustic features from the learned acoustic features generated by the acoustic feature encoder 720 to generate the first learned self-supervised representation. Additionally, the information processing system may generate a second learning self-supervised representation from the training speech 710 using the self-supervised learning model 740 and the language feature encoder 742. The second loss may be calculated based on the first learned self-supervised representation generated by the acoustic feature remover 730 and the second learned self-supervised representation generated by the language feature encoder 742. For example, the second loss may be a KL loss calculated based on the first learned self-supervised expression and the second learned self-supervised expression.

이와 같이, 새로운 화자에 대한 학습 음성(710)에 대응하는 학습 텍스트 없이, 음성 샘플만으로 음성 합성 모델을 새로운 화자에 적응시킬 수 있다. 정보 처리 시스템은 새로운 화자에 대한 학습 음성(710)에 기초하여 전이 학습된 음성 합성 모델을 이용하여, 입력 텍스트를 기초로 새로운 화자의 음성 특징을 반영하는 합성 음성을 생성할 수 있다.In this way, the speech synthesis model can be adapted to a new speaker using only voice samples, without a training text corresponding to the learning voice 710 for the new speaker. The information processing system may use a speech synthesis model transfer-learned based on the learning voice 710 for the new speaker to generate a synthesized voice that reflects the voice characteristics of the new speaker based on the input text.

도 8은 본 개시의 일 실시예에 따른 음성 합성 모델의 성능을 평가한 예시를 나타내는 도면이다. 도 8에는 여러가지 성능 평가 지표를 이용하여, 본 개시의 일 실시예에 따른 음성 합성 모델을 포함한 여러가지 음성 합성 모델의 성능을 평가한 결과표가 도시되어 있다.Figure 8 is a diagram illustrating an example of evaluating the performance of a speech synthesis model according to an embodiment of the present disclosure. FIG. 8 shows a table of results evaluating the performance of various speech synthesis models, including a speech synthesis model according to an embodiment of the present disclosure, using various performance evaluation indicators.

표 1(810)는 VCTK 데이터 세트를 이용한 텍스트-음성 합성 성능 평가 결과를 나타내는 표이다. MOS(Mean Opinion Score)(nMOS(백그라운드 잡음과 관련됨) 및 sMOS(포어그라운드 품질과 관련됨))와 관련한 성능 평가 결과를 살펴보면, 다른 음성 합성 모델에 대비하여 본 방법의 음성 합성 모델(This Method로 도시됨)의 성능이 가장 우수한 것이 확인될 수 있다. 또한, ASR(Automatic Speech Recognition) 평가 측면에서, 본 방법의 음성 합성 모델은 보다 정확한 발음으로 음성을 합성하여 다른 모델들에 대비하여 가장 낮은 PER(Phoneme Error Rate)과 WER(Word Error Rate)을 보인 것이 확인될 수 있다. 또한, MCD(Mel-Cepstral Distortion) 및 RMSE(Root Mean Squared Error) 측면에서 본 방법의 음성 합성 모델은 가장 낮은 오차 거리를 가지는 것이 확인될 수 있다.Table 1 (810) is a table showing the results of text-to-speech synthesis performance evaluation using the VCTK data set. Looking at the performance evaluation results regarding MOS (Mean Opinion Score) (nMOS (related to background noise) and sMOS (related to foreground quality)), the speech synthesis model of this method (shown as This Method) compared to other speech synthesis models. It can be confirmed that the performance of ) is the best. In addition, in terms of ASR (Automatic Speech Recognition) evaluation, the speech synthesis model of this method synthesizes speech with more accurate pronunciation and shows the lowest PER (Phone Error Rate) and WER (Word Error Rate) compared to other models. This can be confirmed. In addition, it can be confirmed that the speech synthesis model of this method has the lowest error distance in terms of MCD (Mel-Cepstral Distortion) and RMSE (Root Mean Squared Error).

표 2(820)는 본 방법의 음성 합성 모델을 새로운 화자에 대한 학습 음성 및 학습 음성에 대응하는 학습 텍스트에 기초하여 전이 학습시킨 모델(Method 1로 도시됨, 이하 제1 모델) 및 학습 텍스트 없이 새로운 화자에 대한 학습 음성에만 기초하여 전이 학습시킨 모델(Method 2로 도시됨, 이하 제2 모델)의 텍스트-음성 합성 성능을 평가한 결과를 나타내는 표이다. MOS(nMOS 및 sMOS) 평가 측면에서 제2 모델은 제1 모델과 유사한 성능을 가짐이 확인될 수 있다. 또한, 제2 모델은 제1 모델보다 낮은 PER 및 WER을 보인 것이 확인될 수 있다. 이는, 학습 텍스트 없이 새로운 화자에 대한 학습 음성만으로 본 방법의 모델을 전이 학습시키더라도, 모델을 새로운 화자에 잘 적응시킬 수 있음을 보여준다.Table 2 (820) shows the speech synthesis model of this method as a transfer-trained model based on the learning voice for a new speaker and the learning text corresponding to the learning voice (shown as Method 1, hereinafter the first model) and without the learning text. This table shows the results of evaluating the text-speech synthesis performance of a model (shown as Method 2, hereinafter referred to as the second model) that was transfer-trained based only on the learning voice for a new speaker. In terms of MOS (nMOS and sMOS) evaluation, it can be confirmed that the second model has similar performance to the first model. Additionally, it can be confirmed that the second model showed lower PER and WER than the first model. This shows that even if the model of this method is transfer-trained using only the training voice for a new speaker without any training text, the model can be well adapted to the new speaker.

표 3(830)는 VCTK 데이터 세트를 이용한 음성 변환(Voice Conversion) 성능 평가 결과를 나타내는 표이다. 본 방법의 음성 변환 모델(This Method로 도시됨)은 nMOS 및 ASR 평가 지표에 있어서, 다른 모델들에 대비하여 가장 성능이 우수한 것이 확인될 수 있다. 이는, 본 방법의 음성 변환 모델이 언어적 정보의 최대한 작은 손실로 언어적 정보와 음향적 정보를 분리할 수 있음을 의미할 수 있다.Table 3 (830) is a table showing the results of voice conversion performance evaluation using the VCTK data set. It can be confirmed that the speech conversion model of this method (shown as This Method) has the best performance compared to other models in nMOS and ASR evaluation indices. This may mean that the speech conversion model of this method can separate linguistic information and acoustic information with as little loss of linguistic information as possible.

도 9는 본 개시의 일 실시예에 따른 음성 합성 방법(900)의 예시를 나타내는 흐름도이다. 일 실시예에 따르면, 방법(900)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 및/또는 사용자 단말의 적어도 하나의 프로세서)가 입력 텍스트를 수신함으로써 개시될 수 있다(S910). 음성 합성 모델이 다화자 모델인 경우, 프로세서는 타겟 음성 정보를 추가적으로 수신할 수 있다.FIG. 9 is a flowchart illustrating an example of a voice synthesis method 900 according to an embodiment of the present disclosure. According to one embodiment, the method 900 may be initiated by a processor (eg, at least one processor of an information processing system and/or at least one processor of a user terminal) receiving input text (S910). If the speech synthesis model is a multi-speaker model, the processor can additionally receive target speech information.

그런 다음, 프로세서는 텍스트 인코더를 이용하여, 입력 텍스트로부터 텍스트 표현을 생성하고(S920), 자기지도 표현 생성기를 이용하여, 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성할 수 있다(S930). 일 실시예에서 자기지도 표현 생성기는, 학습된 자기지도 표현 제거기가 역변환된 모델일 수 있다.The processor may then generate a text representation from the input text using a text encoder (S920) and generate a self-supervised representation containing linguistic information from the text representation using a self-supervised representation generator (S930). ). In one embodiment, the self-supervised representation generator may be a model in which the learned self-supervised representation remover is inverted.

그런 다음, 프로세서는 음향 특징 생성기를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성할 수 있다(S940). 추가적으로 또는 대안적으로, 음성 합성 모델이 다화자 모델인 경우, 프로세서는 음향 특징 생성기를 이용하여, 자기지도 표현 및 타겟 음성 정보를 기초로 음향 특징을 생성할 수 있다. 일 실시예에 따르면, 음향 특징 생성기는 학습된 음향 특징 제거기가 역변환된 모델일 수 있다.Then, the processor may use the acoustic feature generator to generate acoustic features based on the self-map representation (S940). Additionally or alternatively, when the speech synthesis model is a multi-speaker model, the processor may use an acoustic feature generator to generate acoustic features based on the self-supervised representation and target speech information. According to one embodiment, the acoustic feature generator may be a model in which the learned acoustic feature remover is inversely transformed.

그 후, 프로세서는 음성 생성기를 이용하여, 음향 특징을 기초로 합성 음성을 생성할 수 있다(S950). 추가적으로 또는 대안적으로, 음성 합성 모델이 다화자 모델인 경우, 프로세서는 음성 생성기를 이용하여, 음향 특징 및 타겟 음성 정보를 기초로 합성 음성을 생성할 수 있다.Thereafter, the processor may use a voice generator to generate a synthesized voice based on the acoustic characteristics (S950). Additionally or alternatively, when the speech synthesis model is a multi-speaker model, the processor may use a speech generator to generate a synthesized speech based on acoustic characteristics and target speech information.

일 실시예에 따르면, 음성 합성 모델(예를 들어, 자기지도 표현 제거기, 음향 특징 제거기 또는 음성 생성기 중 적어도 하나)은 제1 학습 음성 또는 제1 학습 음성에 대응하는 제1 학습 텍스트 중 적어도 하나에 기초하여 학습될 수 있다. 예를 들어, 음성 합성 모델은 총 손실을 최소화하도록 학습될 수 있으며, 총 손실은 제1 손실 내지 제4 손실 중 적어도 하나를 기초로 산출될 수 있다.According to one embodiment, a speech synthesis model (e.g., at least one of a self-supervised representation remover, an acoustic feature remover, or a speech generator) is configured to combine at least one of the first training speech or the first training text corresponding to the first training speech. It can be learned based on For example, a speech synthesis model may be trained to minimize the total loss, and the total loss may be calculated based on at least one of the first to fourth losses.

구체적 예로, 제1 손실은 학습 합성 음성 및 제1 학습 음성에 기초하여 산출될 수 있고, 학습 합성 음성은 음향 특징 인코더 및 음성 생성기를 이용하여 제1 학습 음성을 기초로 생성될 수 있다. 또한, 제2 손실은 제1 학습 자기지도 표현 및 제2 학습 자기지도 표현에 기초하여 산출될 수 있다. 여기서, 제1 학습 자기지도 표현은 음향 특징 인코더 및 음향 특징 제거기를 이용하여, 제1 학습 음성을 기초로 생성될 수 있으며, 제2 학습 자기지도 표현은 자기지도 학습 모델 및 언어 특징 인코더를 이용하여 제1 학습 음성으로부터 생성될 수 있다.As a specific example, the first loss may be calculated based on the learned synthesized voice and the first learned voice, and the learned synthesized voice may be generated based on the first learned voice using an acoustic feature encoder and a voice generator. Additionally, the second loss may be calculated based on the first learned self-supervised expression and the second learned self-supervised expression. Here, the first learning self-supervised expression may be generated based on the first learning speech using an acoustic feature encoder and an acoustic feature remover, and the second learning self-supervised expression may be generated using a self-supervised learning model and a language feature encoder. It may be generated from the first learning voice.

제3 손실은 제1 학습 텍스트 표현 및 제2 학습 텍스트 표현에 기초하여 산출될 수 있다. 여기서, 제1 학습 텍스트 표현은 자기지도 학습 모델, 언어 특징 인코더 및 자기지도 표현 제거기를 이용하여 제1 학습 음성으로부터 생성될 수 있으며, 제2 학습 텍스트 표현은 텍스트 인코더를 이용하여, 제1 학습 텍스트로부터 생성될 수 있다. 또한, 제4 손실은 예측된 단위 텍스트 및 제1 학습 텍스트에 기초하여 산출될 수 있고, 예측된 단위 텍스트는 자기지도 학습 모델, 언어 특징 인코더 및 텍스트 예측기를 이용하여, 제1 학습 음성으로부터 예측될 수 있다. 일 실시예에서, 텍스트 예측기에 의해 예측된 단위 텍스트는 제1 학습 텍스트에 포함되는 것으로 예측되는 음소, 글자, 음절 또는 단어를 포함할 수 있다.The third loss may be calculated based on the first learning text representation and the second learning text representation. Here, the first learning text representation may be generated from the first learning speech using a self-supervised learning model, a language feature encoder, and a self-supervised representation remover, and the second learning text representation may be generated from the first learning text using a text encoder. can be created from Additionally, the fourth loss may be calculated based on the predicted unit text and the first training text, and the predicted unit text may be predicted from the first training speech using a self-supervised learning model, language feature encoder, and text predictor. You can. In one embodiment, the unit text predicted by the text predictor may include phonemes, letters, syllables, or words predicted to be included in the first training text.

일 실시예에 따르면, 자기지도 학습 모델은 미리 학습된 음성 모델의 적어도 하나의 레이어를 포함할 수 있고, 미리 학습된 음성 모델의 적어도 하나의 레이어는, 학습 과정에서 프리징될 수 있다.According to one embodiment, the self-supervised learning model may include at least one layer of a pre-trained speech model, and at least one layer of the pre-trained speech model may be frozen during the learning process.

추가적으로, 음성 합성 모델(예를 들어, 음성 생성기 및 음향 특징 제거기)는 새로운 화자에 대한 제2 학습 음성을 기초로 전이 학습될 수 있다. 이 경우, 프로세서는 제2 학습 음성에 기초하여 전이 학습된 음향 특징 제거기가 역변환된 음향 특징 생성기를 이용하여, 자기지도 표현을 기초로 음향 특징을 생성할 수 있다. 그런 다음, 프로세서는 제2 학습 음성에 기초하여 전이 학습된 음성 생성기를 이용하여, 음향 특징을 기초로 새로운 화자의 음성 특징을 반영하는 합성 음성을 생성할 수 있다.Additionally, speech synthesis models (e.g., speech generator and acoustic feature remover) may be transfer learned based on a second training speech for a new speaker. In this case, the processor may generate acoustic features based on the self-supervised representation using an acoustic feature generator in which an acoustic feature remover transfer-learned based on the second learning voice is inversely converted. Then, the processor may use a speech generator transfer-trained based on the second training speech to generate a synthetic speech that reflects the speech characteristics of the new speaker based on the acoustic characteristics.

도 10은 본 개시의 일 실시예에 따른 음성 합성 방법(1000)의 예시를 나타내는 흐름도이다. 방법(1000)은 프로세서(예를 들어, 정보 처리 시스템의 적어도 하나의 프로세서 및/또는 사용자 단말의 적어도 하나의 프로세서)가 소스 음성, 소스 음성 정보 및 타겟 음성 정보를 수신함으로써 개시될 수 있다(S1010).FIG. 10 is a flowchart illustrating an example of a voice synthesis method 1000 according to an embodiment of the present disclosure. Method 1000 may be initiated by a processor (e.g., at least one processor of an information processing system and/or at least one processor of a user terminal) receiving a source voice, source voice information, and target voice information (S1010 ).

그런 다음, 프로세서는 음향 특징 인코더를 이용하여, 소스 음성 및 소스 음성 정보를 기초로 소스 음향 특징을 생성하고(S1020), 음향 특징 제거기를 이용하여, 소스 음향 특징 및 소스 음성 정보를 기초로 언어적 정보를 포함하는 자기지도 표현을 생성할 수 있다(S1030).Then, the processor uses an acoustic feature encoder to generate source acoustic features based on the source speech and source speech information (S1020), and uses an acoustic feature remover to generate linguistic features based on the source acoustic features and source speech information. A self-map representation containing information can be created (S1030).

그런 다음, 프로세서는 음향 특징 생성기를 이용하여, 자기지도 표현 및 타겟 음성 정보를 기초로 타겟 음향 특징을 생성할 수 있다(S1040). 일 실시예에 따르면, 음향 특징 생성기는 학습된 음향 특징 제거기가 역변환된 모델일 수 있다. 그 후, 프로세서는 음성 생성기를 이용하여, 타겟 음향 특징 및 타겟 음성 정보를 기초로 변환 음성을 생성할 수 있다(S1050).Then, the processor may use the acoustic feature generator to generate a target acoustic feature based on the self-map expression and target voice information (S1040). According to one embodiment, the acoustic feature generator may be a model in which the learned acoustic feature remover is inversely transformed. Afterwards, the processor may use a voice generator to generate a converted voice based on the target sound characteristics and target voice information (S1050).

일 실시예에 따르면, 음성 변환 모델(예를 들어, 음향 특징 제거기 또는 음성 생성기 중 적어도 하나)은 제3 학습 음성에 기초하여 학습될 수 있다. 예를 들어, 음성 변환 모델은 총 손실을 최소화하도록 학습될 수 있으며, 총 손실은 제5 손실 또는 제6 손실 중 적어도 하나를 기초로 산출될 수 있다.According to one embodiment, a speech conversion model (eg, at least one of an acoustic feature remover or a speech generator) may be learned based on the third training speech. For example, a speech conversion model may be trained to minimize the total loss, and the total loss may be calculated based on at least one of the fifth loss or the sixth loss.

구체적 예로, 제5 손실은 학습 합성 음성 및 제3 학습 음성에 기초하여 산출될 수 있고, 학습 합성 음성은 음향 특징 인코더 및 음성 생성기를 이용하여, 제3 학습 음성을 기초로 생성될 수 있다. 또한, 제6 손실은 제1 학습 자기지도 표현 및 제2 학습 자기지도 표현에 기초하여 산출될 수 있다. 여기서, 제1 학습 자기지도 표현은 음향 특징 인코더 및 음향 특징 제거기를 이용하여, 제3 학습 음성을 기초로 생성될 수 있으며, 제2 학습 자기지도 표현은 자기지도 학습 모델 및 언어 특징 인코더를 이용하여 제3 학습 음성으로부터 생성될 수 있다.As a specific example, the fifth loss may be calculated based on the learned synthesized voice and the third learned voice, and the learned synthesized voice may be generated based on the third learned voice using an acoustic feature encoder and a voice generator. Additionally, the sixth loss may be calculated based on the first learned self-supervised expression and the second learned self-supervised expression. Here, the first learning self-supervised expression may be generated based on the third learning speech using an acoustic feature encoder and an acoustic feature remover, and the second learning self-supervised expression may be generated using a self-supervised learning model and a language feature encoder. It may be generated from a third learning voice.

일 실시예에 따르면, 자기지도 학습 모델은 미리 학습된 음성 모델의 적어도 하나의 레이어를 포함할 수 있다. 여기서, 미리 학습된 음성 모델의 적어도 하나의 레이어는 학습 과정에서 프리징될 수 있다.According to one embodiment, the self-supervised learning model may include at least one layer of a pre-trained speech model. Here, at least one layer of the pre-trained speech model may be frozen during the learning process.

도 9, 도 10 및 상술한 설명은 본 개시의 일 실시예일 뿐이며, 본 개시의 범위가 이에 한정되는 것은 아니다. 예를 들어, 다른 실시예에 따르면, 상술한 방법 중 적어도 일부의 단계가 다른 수행 주체에 의해 수행되거나, 각 단계의 순서가 바뀌거나, 적어도 일부 단계가 추가/변경/생략될 수 있다.9, 10 and the above description are only one example of the present disclosure, and the scope of the present disclosure is not limited thereto. For example, according to another embodiment, at least some steps of the above-described method may be performed by a different performing entity, the order of each step may be changed, or at least some steps may be added/changed/omitted.

상술한 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.The above-described method may be provided as a computer program stored in a computer-readable recording medium for execution on a computer. Media may be used to continuously store executable programs on a computer, or may be temporarily stored for execution or download. Additionally, the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, and There may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites or servers that supply or distribute various other software, etc.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안된다.The methods, operations, or techniques of this disclosure may be implemented by various means. For example, these techniques may be implemented in hardware, firmware, software, or a combination thereof. Those skilled in the art will understand that the various illustrative logical blocks, modules, circuits, and algorithm steps described in connection with the disclosure herein may be implemented in electronic hardware, computer software, or combinations of both. To clearly illustrate this interchange of hardware and software, various illustrative components, blocks, modules, circuits, and steps have been described above generally in terms of their functionality. Whether such functionality is implemented as hardware or software depends on the specific application and design requirements imposed on the overall system. Skilled artisans may implement the described functionality in varying ways for each particular application, but such implementations should not be interpreted as causing a departure from the scope of the present disclosure.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.In a hardware implementation, the processing units used to perform the techniques may include one or more ASICs, DSPs, digital signal processing devices (DSPDs), programmable logic devices (PLDs). ), field programmable gate arrays (FPGAs), processors, controllers, microcontrollers, microprocessors, electronic devices, and other electronic units designed to perform the functions described in this disclosure. , a computer, or a combination thereof.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.Accordingly, the various illustrative logical blocks, modules, and circuits described in connection with this disclosure may be general-purpose processors, DSPs, ASICs, FPGAs or other programmable logic devices, discrete gate or transistor logic, discrete hardware components, or It may be implemented or performed as any combination of those designed to perform the functions described in. A general-purpose processor may be a microprocessor, but in the alternative, the processor may be any conventional processor, controller, microcontroller, or state machine. A processor may also be implemented as a combination of computing devices, such as a DSP and a microprocessor, a plurality of microprocessors, one or more microprocessors in conjunction with a DSP core, or any other configuration.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.For firmware and/or software implementations, techniques include random access memory (RAM), read-only memory (ROM), non-volatile random access memory (NVRAM), and PROM ( on computer-readable media such as programmable read-only memory (EPROM), electrically erasable PROM (EEPROM), flash memory, compact disc (CD), magnetic or optical data storage devices, etc. It may also be implemented as stored instructions. Instructions may be executable by one or more processors and may cause the processor(s) to perform certain aspects of the functionality described in this disclosure.

소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.When implemented in software, the techniques may be stored on or transmitted through a computer-readable medium as one or more instructions or code. Computer-readable media includes both computer storage media and communication media, including any medium that facilitates transfer of a computer program from one place to another. Storage media may be any available media that can be accessed by a computer. By way of non-limiting example, such computer-readable media may include RAM, ROM, EEPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage devices, or the desired program code in the form of instructions or data structures. It can be used to transfer or store data and can include any other media that can be accessed by a computer. Any connection is also properly termed a computer-readable medium.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.For example, if the Software is transmitted from a website, server, or other remote source using coaxial cable, fiber optic cable, twisted pair cable, digital subscriber line (DSL), or wireless technologies such as infrared, radio, and microwave, , fiber optic cable, twisted pair, digital subscriber line, or wireless technologies such as infrared, radio, and microwave are included within the definition of medium. As used herein, disk and disk include CD, laser disk, optical disk, digital versatile disc (DVD), floppy disk, and Blu-ray disk, where disks are usually magnetic. It reproduces data optically, while discs reproduce data optically using lasers. Combinations of the above should also be included within the scope of computer-readable media.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.A software module may reside in RAM memory, flash memory, ROM memory, EPROM memory, EEPROM memory, registers, a hard disk, a removable disk, a CD-ROM, or any other form of storage medium known. An exemplary storage medium may be coupled to the processor such that the processor may read information from or write information to the storage medium. Alternatively, the storage medium may be integrated into the processor. The processor and storage media may reside within an ASIC. ASIC may exist within the user terminal. Alternatively, the processor and storage medium may exist as separate components in the user terminal.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.Although the above-described embodiments have been described as utilizing aspects of the presently disclosed subject matter in one or more standalone computer systems, the disclosure is not limited thereto and may also be implemented in conjunction with any computing environment, such as a network or distributed computing environment. . Furthermore, aspects of the subject matter of this disclosure may be implemented in multiple processing chips or devices, and storage may be similarly effected across the multiple devices. These devices may include PCs, network servers, and portable devices.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.Although the present disclosure has been described in relation to some embodiments in this specification, various modifications and changes may be made without departing from the scope of the present disclosure as can be understood by a person skilled in the art to which the invention pertains. Additionally, such modifications and changes should be considered to fall within the scope of the claims appended hereto.

110: 입력 텍스트 120: 텍스트 인코더
130: 자기지도 표현 생성기 140: 음향 특징 생성기
150: 음성 생성기 160: 합성 음성
170: 타겟 음성 정보
110: input text 120: text encoder
130: Self-supervised representation generator 140: Acoustic feature generator
150: voice generator 160: synthetic voice
170: Target voice information

Claims (20)

적어도 하나의 프로세서에 의해 수행되는, 음성 합성 방법에 있어서,
입력 텍스트를 수신하는 단계;
텍스트 인코더를 이용하여, 상기 입력 텍스트로부터 텍스트 표현을 생성하는 단계;
자기지도 표현 생성기를 이용하여, 상기 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하는 단계;
음향 특징 생성기를 이용하여, 상기 자기지도 표현을 기초로 음향 특징을 생성하는 단계; 및
음성 생성기를 이용하여, 상기 음향 특징을 기초로 합성 음성을 생성하는 단계
를 포함하고,
상기 음향 특징 생성기는, 학습된 음향 특징 제거기가 역변환된 모델이고,
상기 자기지도 표현 생성기는, 학습된 자기지도 표현 제거기가 역변환된 모델이고,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제1 학습 음성 또는 상기 제1 학습 음성에 대응하는 제1 학습 텍스트 중 적어도 하나에 기초하여 학습되는, 음성 합성 방법.
In a speech synthesis method performed by at least one processor,
Receiving input text;
generating a text representation from the input text using a text encoder;
generating a self-supervised representation including linguistic information from the text representation using a self-supervised representation generator;
Using an acoustic feature generator, generating acoustic features based on the self-map representation; and
Generating a synthesized voice based on the acoustic characteristics using a voice generator.
Including,
The acoustic feature generator is a model in which the learned acoustic feature remover is inverted,
The self-supervised representation generator is a model in which the learned self-supervised representation remover is inverted,
A speech synthesis method, wherein at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is trained based on at least one of a first training voice or a first training text corresponding to the first training voice.
제1항에 있어서,
타겟 음성 정보를 수신하는 단계
를 더 포함하고,
상기 음향 특징을 생성하는 단계는,
상기 음향 특징 생성기를 이용하여, 상기 자기지도 표현 및 상기 타겟 음성 정보를 기초로 상기 음향 특징을 생성하고,
상기 합성 음성을 생성하는 단계는,
상기 음성 생성기를 이용하여, 상기 음향 특징 및 상기 타겟 음성 정보를 기초로 상기 합성 음성을 생성하는,
음성 합성 방법.
According to paragraph 1,
Step of receiving target voice information
It further includes,
The step of generating the acoustic feature is,
Using the acoustic feature generator, the acoustic feature is generated based on the self-map representation and the target voice information,
The step of generating the synthesized voice is,
Generating the synthesized voice based on the acoustic characteristics and the target voice information using the voice generator,
Voice synthesis method.
삭제delete 제1항에 있어서,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제1 손실에 기초하여 학습되고,
상기 제1 손실은 학습 합성 음성 및 제1 학습 음성에 기초하여 산출되고,
상기 학습 합성 음성은, 음향 특징 인코더 및 상기 음성 생성기를 이용하여 상기 제1 학습 음성을 기초로 생성되는, 음성 합성 방법.
According to paragraph 1,
at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is trained based on a first loss,
The first loss is calculated based on the learning synthetic voice and the first learning voice,
The learning synthesized voice is generated based on the first learning voice using an acoustic feature encoder and the voice generator.
제1항에 있어서,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제2 손실에 기초하여 학습되고,
상기 제2 손실은, 제1 학습 자기지도 표현 및 제2 학습 자기지도 표현에 기초하여 산출되고,
상기 제1 학습 자기지도 표현은, 음향 특징 인코더 및 상기 음향 특징 제거기를 이용하여, 상기 제1 학습 음성을 기초로 생성되고,
상기 제2 학습 자기지도 표현은, 자기지도 학습 모델 및 언어 특징 인코더를 이용하여 상기 제1 학습 음성으로부터 생성되는, 음성 합성 방법.
According to paragraph 1,
at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is trained based on a second loss,
The second loss is calculated based on the first learned self-supervised representation and the second learned self-supervised representation,
The first learning self-supervised representation is generated based on the first learning speech using an acoustic feature encoder and the acoustic feature remover,
The second learning self-supervised representation is generated from the first learning speech using a self-supervised learning model and a language feature encoder.
제5항에 있어서,
상기 자기지도 학습 모델은, 미리 학습된 음성 모델의 적어도 하나의 레이어를 포함하고,
상기 미리 학습된 음성 모델의 적어도 하나의 레이어는, 학습 과정에서 프리징(freezing)되는, 음성 합성 방법.
According to clause 5,
The self-supervised learning model includes at least one layer of a pre-trained speech model,
A speech synthesis method, wherein at least one layer of the pre-trained speech model is frozen during the learning process.
제1항에 있어서,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제3 손실에 기초하여 학습되고,
상기 제3 손실은, 제1 학습 텍스트 표현 및 제2 학습 텍스트 표현에 기초하여 산출되고,
상기 제1 학습 텍스트 표현은, 자기지도 학습 모델, 언어 특징 인코더 및 상기 자기지도 표현 제거기를 이용하여, 상기 제1 학습 음성으로부터 생성되고,
상기 제2 학습 텍스트 표현은, 상기 텍스트 인코더를 이용하여, 상기 제1 학습 텍스트로부터 생성되는, 음성 합성 방법.
According to paragraph 1,
at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is trained based on a third loss,
The third loss is calculated based on the first learning text representation and the second learning text representation,
the first trained text representation is generated from the first trained speech using a self-supervised learning model, a language feature encoder, and the self-supervised representation remover,
The second training text representation is generated from the first training text using the text encoder.
제7항에 있어서,
상기 자기지도 학습 모델은, 미리 학습된 음성 모델의 적어도 하나의 레이어를 포함하고,
상기 미리 학습된 음성 모델의 적어도 하나의 레이어는, 학습 과정에서 프리징되는, 음성 합성 방법.
In clause 7,
The self-supervised learning model includes at least one layer of a pre-trained speech model,
A speech synthesis method, wherein at least one layer of the pre-trained speech model is frozen during the learning process.
제1항에 있어서,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제4 손실에 기초하여 학습되고,
상기 제4 손실은, 예측된 단위 텍스트 및 상기 제1 학습 텍스트에 기초하여 산출되고,
상기 예측된 단위 텍스트는, 자기지도 학습 모델, 언어 특징 인코더 및 텍스트 예측기를 이용하여, 상기 제1 학습 음성으로부터 예측되는, 음성 합성 방법.
According to paragraph 1,
at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is learned based on a fourth loss,
The fourth loss is calculated based on the predicted unit text and the first learning text,
The predicted unit text is predicted from the first training speech using a self-supervised learning model, a language feature encoder, and a text predictor.
제9항에 있어서,
상기 예측된 단위 텍스트는 상기 제1 학습 텍스트에 포함되는 것으로 예측되는 음소(phoneme), 글자(character), 음절 또는 단어를 포함하는, 음성 합성 방법.
According to clause 9,
The predicted unit text includes a phoneme, character, syllable, or word predicted to be included in the first learning text.
제1항에 있어서,
상기 음성 생성기 및 상기 음향 특징 제거기는 새로운 화자에 대한 제2 학습 음성을 기초로 전이 학습(fine-tuning) 되는, 음성 합성 방법.
According to paragraph 1,
The speech synthesis method wherein the speech generator and the acoustic feature remover are transfer learned (fine-tuned) based on a second training speech for a new speaker.
제11항에 있어서,
상기 음향 특징을 생성하는 단계는,
상기 제2 학습 음성에 기초하여 전이 학습된 상기 음향 특징 제거기가 역변환된 음향 특징 생성기를 이용하여, 상기 자기지도 표현을 기초로 상기 음향 특징을 생성하고,
상기 합성 음성을 생성하는 단계는,
상기 제2 학습 음성에 기초하여 전이 학습된 음성 생성기를 이용하여, 상기 음향 특징을 기초로 상기 새로운 화자의 음성 특징을 반영하는 합성 음성을 생성하는, 음성 합성 방법.
According to clause 11,
The step of generating the acoustic feature is,
Generating the acoustic features based on the self-supervised representation using an acoustic feature generator in which the acoustic feature remover transfer-learned based on the second learning voice is inversely converted,
The step of generating the synthesized voice is,
A voice synthesis method that generates a synthesized voice that reflects the voice characteristics of the new speaker based on the acoustic features, using a voice generator transfer-learned based on the second learning voice.
적어도 하나의 프로세서에 의해 수행되는, 음성 합성 방법에 있어서,
소스 음성, 소스 음성 정보 및 타겟 음성 정보를 수신하는 단계;
음향 특징 인코더를 이용하여, 상기 소스 음성 및 상기 소스 음성 정보를 기초로 소스 음향 특징을 생성하는 단계;
음향 특징 제거기를 이용하여, 상기 소스 음성 정보를 기초로 상기 소스 음향 특징으로부터 음향적 특징을 제거함으로써 언어적 정보를 포함하는 자기지도 표현을 생성하는 단계;
음향 특징 생성기를 이용하여, 상기 자기지도 표현 및 상기 타겟 음성 정보를 기초로 타겟 음향 특징을 생성하는 단계; 및
음성 생성기를 이용하여, 상기 타겟 음향 특징 및 상기 타겟 음성 정보를 기초로 변환 음성을 생성하는 단계
를 포함하는, 음성 합성 방법.
In a speech synthesis method performed by at least one processor,
Receiving source voice, source voice information, and target voice information;
Using an acoustic feature encoder, generating a source acoustic feature based on the source voice and the source voice information;
generating a self-supervised representation including linguistic information by removing acoustic features from the source acoustic features based on the source speech information using an acoustic feature remover;
Using an acoustic feature generator, generating a target acoustic feature based on the self-map representation and the target voice information; and
Using a voice generator, generating a converted voice based on the target acoustic feature and the target voice information.
A voice synthesis method including.
제13항에 있어서,
상기 음향 특징 생성기는, 학습된 음향 특징 제거기가 역변환된 모델이고,
상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제3 학습 음성에 기초하여 학습되는, 음성 합성 방법.
According to clause 13,
The acoustic feature generator is a model in which the learned acoustic feature remover is inverted,
A speech synthesis method, wherein at least one of the acoustic feature remover or the speech generator is learned based on a third training speech.
제14항에 있어서,
상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제5 손실에 기초하여 학습되고,
상기 제5 손실은 학습 합성 음성 및 제3 학습 음성에 기초하여 산출되고,
상기 학습 합성 음성은, 상기 음향 특징 인코더 및 상기 음성 생성기를 이용하여, 상기 제3 학습 음성을 기초로 생성되는, 음성 합성 방법.
According to clause 14,
at least one of the acoustic feature remover or the speech generator is trained based on a fifth loss,
The fifth loss is calculated based on the learning synthetic voice and the third learning voice,
The learning synthesized voice is generated based on the third learning voice using the acoustic feature encoder and the voice generator.
제14항에 있어서,
상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제6 손실에 기초하여 학습되고,
상기 제6 손실은, 제1 학습 자기지도 표현 및 제2 학습 자기지도 표현에 기초하여 산출되고,
상기 제1 학습 자기지도 표현은, 상기 음향 특징 인코더 및 상기 음향 특징 제거기를 이용하여, 상기 제3 학습 음성을 기초로 생성되고,
상기 제2 학습 자기지도 표현은, 자기지도 학습 모델 및 언어 특징 인코더를 이용하여 상기 제3 학습 음성으로부터 생성되는, 음성 합성 방법.
According to clause 14,
at least one of the acoustic feature remover or the speech generator is trained based on a sixth loss,
The sixth loss is calculated based on the first learned self-supervised representation and the second learned self-supervised representation,
The first learning self-supervised representation is generated based on the third learning speech using the acoustic feature encoder and the acoustic feature remover,
The second learning self-supervised representation is generated from the third learning speech using a self-supervised learning model and a language feature encoder.
제16항에 있어서,
상기 자기지도 학습 모델은, 미리 학습된 음성 모델의 적어도 하나의 레이어를 포함하고,
상기 미리 학습된 음성 모델의 적어도 하나의 레이어는, 학습 과정에서 프리징되는, 음성 합성 방법.
According to clause 16,
The self-supervised learning model includes at least one layer of a pre-trained speech model,
A speech synthesis method, wherein at least one layer of the pre-trained speech model is frozen during the learning process.
제1항, 제2항 및 제4항 내지 제17항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능 기록 매체에 저장된 컴퓨터 프로그램.
A computer program stored in a computer-readable recording medium for executing the method according to any one of claims 1, 2, and 4 to 17 on a computer.
정보 처리 시스템으로서,
메모리; 및
상기 메모리에 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
입력 텍스트를 수신하고,
텍스트 인코더를 이용하여, 상기 입력 텍스트로부터 텍스트 표현을 생성하고,
자기지도 표현 생성기를 이용하여, 상기 텍스트 표현으로부터 언어적 정보를 포함하는 자기지도 표현을 생성하고,
음향 특징 생성기를 이용하여, 상기 자기지도 표현을 기초로 음향 특징을 생성하고,
음성 생성기를 이용하여, 상기 음향 특징을 기초로 합성 음성을 생성하기 위한 명령어들을 포함하고,
상기 음향 특징 생성기는, 학습된 음향 특징 제거기가 역변환된 모델이고,
상기 자기지도 표현 생성기는, 학습된 자기지도 표현 제거기가 역변환된 모델이고,
상기 자기지도 표현 제거기, 상기 음향 특징 제거기 또는 상기 음성 생성기 중 적어도 하나는, 제1 학습 음성 또는 상기 제1 학습 음성에 대응하는 제1 학습 텍스트 중 적어도 하나에 기초하여 학습된 모델인, 정보 처리 시스템.
As an information processing system,
Memory; and
At least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory
Including,
The at least one program is,
Receive input text,
Using a text encoder, generate a text representation from the input text,
Using a self-supervised expression generator, generate a self-supervised expression containing linguistic information from the text expression,
Using an acoustic feature generator, generate acoustic features based on the self-map representation,
Contains instructions for generating a synthesized voice based on the acoustic characteristics using a voice generator,
The acoustic feature generator is a model in which the learned acoustic feature remover is inverted,
The self-supervised representation generator is a model in which the learned self-supervised representation remover is inverted,
An information processing system, wherein at least one of the self-supervised representation remover, the acoustic feature remover, or the speech generator is a model learned based on at least one of a first training speech or a first training text corresponding to the first training speech. .
정보 처리 시스템으로서,
메모리; 및
상기 메모리에 연결되고, 상기 메모리에 포함된 컴퓨터 판독 가능한 적어도 하나의 프로그램을 실행하도록 구성된 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로그램은,
소스 음성, 소스 음성 정보 및 타겟 음성 정보를 수신하고,
음향 특징 인코더를 이용하여, 상기 소스 음성 및 상기 소스 음성 정보를 기초로 소스 음향 특징을 생성하고,
음향 특징 제거기를 이용하여, 상기 소스 음성 정보를 기초로 상기 소스 음향 특징으로부터 음향적 특징을 제거함으로써 언어적 정보를 포함하는 자기지도 표현을 생성하고,
음향 특징 생성기를 이용하여, 상기 자기지도 표현 및 상기 타겟 음성 정보를 기초로 타겟 음향 특징을 생성하고,
음성 생성기를 이용하여, 상기 타겟 음향 특징 및 상기 타겟 음성 정보를 기초로 변환 음성을 생성하기 위한 명령어들을 포함하는, 정보 처리 시스템.
As an information processing system,
Memory; and
At least one processor connected to the memory and configured to execute at least one computer-readable program included in the memory
Including,
The at least one program is,
Receive source voice, source voice information, and target voice information,
Using an acoustic feature encoder, generate a source acoustic feature based on the source voice and the source voice information,
Using an acoustic feature remover, generate a self-supervised representation including linguistic information by removing acoustic features from the source acoustic features based on the source speech information,
Using an acoustic feature generator, generate a target acoustic feature based on the self-map expression and the target voice information,
An information processing system comprising instructions for generating converted speech based on the target acoustic feature and the target speech information using a speech generator.
KR1020220117469A 2022-09-16 2022-09-16 Method and system for synthesizing speech KR102663162B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220117469A KR102663162B1 (en) 2022-09-16 2022-09-16 Method and system for synthesizing speech
PCT/KR2023/013832 WO2024058573A1 (en) 2022-09-16 2023-09-14 Speech synthesis method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220117469A KR102663162B1 (en) 2022-09-16 2022-09-16 Method and system for synthesizing speech

Publications (2)

Publication Number Publication Date
KR20240038504A KR20240038504A (en) 2024-03-25
KR102663162B1 true KR102663162B1 (en) 2024-05-03

Family

ID=90275506

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220117469A KR102663162B1 (en) 2022-09-16 2022-09-16 Method and system for synthesizing speech

Country Status (2)

Country Link
KR (1) KR102663162B1 (en)
WO (1) WO2024058573A1 (en)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113808571B (en) * 2021-08-17 2022-05-27 北京百度网讯科技有限公司 Speech synthesis method, speech synthesis device, electronic device and storage medium

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chenpeng Du et al., ‘VQTTS: High-Fidelity Text-to-Speech Synthesis with Self-Supervised VQ Acoustic Feature’, arXiv:2204.00768v3 [eess.AS], 30 Jun 2022.*
Hyeong-Seok Choi et al., ‘Neural Analysis and Synthesis: Reconstructing Speech from Self-Supervised Representation’, arXiv:2110.14513v2 [cs.SD], 28 Oct 2021.*

Also Published As

Publication number Publication date
KR20240038504A (en) 2024-03-25
WO2024058573A1 (en) 2024-03-21

Similar Documents

Publication Publication Date Title
JP7329585B2 (en) Persona chatbot control method and system
JP2020170200A (en) End-to-end text-to-speech conversion
KR102346046B1 (en) 3d virtual figure mouth shape control method and device
KR20240081458A (en) Method and system for generating synthesis voice for text via user interface
KR102498667B1 (en) Method and system for applying syntheiss voice to speacker images
KR20220158573A (en) Method and system for controlling for persona chatbot
KR20190109651A (en) Voice imitation conversation service providing method and sytem based on artificial intelligence
US20090177473A1 (en) Applying vocal characteristics from a target speaker to a source speaker for synthetic speech
KR20210028041A (en) Electronic device and Method for controlling the electronic device thereof
JP7044856B2 (en) Speech recognition model learning methods and systems with enhanced consistency normalization
JP2022121386A (en) Speaker dialization correction method and system utilizing text-based speaker change detection
KR20190094087A (en) User terminal including a user customized learning model associated with interactive ai agent system based on machine learning, and computer readable recording medium having the customized learning model thereon
KR20230075998A (en) Method and system for generating avatar based on text
KR102663162B1 (en) Method and system for synthesizing speech
KR102661751B1 (en) Method and system for generating speech synthesis model based on selective data augmentation
KR102621842B1 (en) Method and system for non-autoregressive speech synthesis
CN114822492B (en) Speech synthesis method and device, electronic equipment and computer readable storage medium
KR20230019188A (en) Method for generating personalized voice contents
US20230335111A1 (en) Method and system for text-to-speech synthesis of streaming text
KR20240067224A (en) Method for providing user-based language learning content
KR20240096049A (en) Method and system for speaker diarization
KR20240074619A (en) Method and system for generating real-time video content
KR20240099120A (en) Method and system for generating synthesis voice reflecting timeing information
CN115359769A (en) Singing voice synthesis method and assembly, and singing voice synthesis model training method and assembly
KR20220147554A (en) Method for providing personalized voice contents

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant