KR101483945B1 - 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치 - Google Patents

의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치 Download PDF

Info

Publication number
KR101483945B1
KR101483945B1 KR1020130129046A KR20130129046A KR101483945B1 KR 101483945 B1 KR101483945 B1 KR 101483945B1 KR 1020130129046 A KR1020130129046 A KR 1020130129046A KR 20130129046 A KR20130129046 A KR 20130129046A KR 101483945 B1 KR101483945 B1 KR 101483945B1
Authority
KR
South Korea
Prior art keywords
speech recognition
search
semantic
voice
model
Prior art date
Application number
KR1020130129046A
Other languages
English (en)
Inventor
김영준
Original Assignee
에스케이텔레콤 주식회사
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 에스케이텔레콤 주식회사 filed Critical 에스케이텔레콤 주식회사
Priority to KR1020130129046A priority Critical patent/KR101483945B1/ko
Application granted granted Critical
Publication of KR101483945B1 publication Critical patent/KR101483945B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/28—Constructional details of speech recognition systems
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models

Landscapes

  • Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

본 발명은 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것으로서, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성하고, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석을 동시에 진행할 수 있는 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것이다.
이를 위한 본 발명의 일 실시 예에 따른 음성 인식 장치는 음향 모델, 언어 모델, 의미 모델을 저장하는 저장부 및 입력된 음성 데이터에 대해 상기 음향 모델 및 상기 언어 모델을 이용하여 음성 탐색을 수행하고, 상기 음향 모델 및 상기 의미 모델을 이용하여 의미 탐색을 수행한 후, 상기 음성 탐색 및 상기 의미 탐색에 따른 노드를 결합하여 결합 네트워크를 생성하고, 상기 결합 네트워크를 이용하여 최종 탐색을 수행하여, 음성 인식 결과 및 의미 분석 결과를 출력하는 음성 인식부를 포함하여 구성될 수 있다.

Description

의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치{METHOD FOR SPOKEN SEMANTIC ANALYSIS WITH SPEECH RECOGNITION AND APPARATUS THEREOF}
본 발명은 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것으로서, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성하고, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석을 동시에 진행할 수 있는 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시 예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
음성 인식(speech recognition) 시스템에서는 인식하고자 하는 대상 영역을 하나의 탐색 공간(search network)으로 표현하고, 해당 탐색 공간의 조건 내에서 입력 음성 신호(음성 데이터)와 가장 유사한 단어열을 찾는 탐색 과정을 수행한다.
탐색 공간을 만드는 방법으로 여러 가지가 있는데, 그 중 가중 유한 상태 변환기(Weighted Finite State Transducer, WFST)를 이용하는 방법이 널리 확산되고 있다. WFST는 언어모델, 발음 사전, 문맥의존 음향 모델, HMM 상태 네트워크를 결합하여 하나의 커다란 가중치를 갖는 오토마타(automata)로 간주하고, 기존의 오토마타 이론을 가중 오토마타로 확장하여 인식 네트워크에 적용함으로써 음성 인식을 수행하게 된다.
WFST에 기반한 알고리즘에서는 모든 네트워크를 오토마타로 표현할 경우, 이러한 오토마타들을 합치는 알고리즘(Composition), 결정화 알고리즘(Determization), 공통의 path를 합쳐서 최적의 path를 생성해내는 최적화 알고리즘(Minimization) 알고리즘을 이용하여 최적화하게 된다.
그러나, 종래의 WFST를 이용한 음성 인식에서는 단순히 입력된 음성을 텍스트로 변환하는 것에만 사용하고, 의미를 분석하는 과정은 전환된 텍스트를 이용해 다시 언어처리(Natural Language Processing)적인 다른 방법을 사용해서 진행해야 하였다. 이에 음성 인식에서 오류가 발생하면 후처리 과정에 속하는 언어 처리에서는 오류에 대한 대응이 어렵다는 문제점이 제기되어 왔다.
한국공개특허 제10-2008-0026951호, 2008년 3월 26일 공개 (명칭: 강인한 원거리 음성 인식 시스템을 위한 음성 인식 방법)
상술한 바와 같이, 본 발명은 종래 기술의 문제점을 해결하기 위해 제안된 것으로서, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성하고, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석을 동시에 진행할 수 있는 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치를 제공하는 데 목적이 있다.
그러나, 이러한 본 발명의 목적은 상기의 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 음성 인식 장치는 음향 모델, 언어 모델, 의미 모델을 저장하는 저장부; 및 입력된 음성 데이터에 대해 상기 음향 모델 및 상기 언어 모델을 이용하여 음성 탐색을 수행하고, 상기 음향 모델 및 상기 의미 모델을 이용하여 의미 탐색을 수행한 후, 상기 음성 탐색 및 상기 의미 탐색에 따른 노드를 결합하여 결합 네트워크를 생성하고, 상기 결합 네트워크를 이용하여 최종 탐색을 수행하여, 음성 인식 결과 및 의미 분석 결과를 출력하는 음성 인식부;를 포함하여 구성될 수 있다.
이때, 상기 저장부는 발음 사전을 더 저장하며, 상기 음성 인식부는 상기 음향 모델, 상기 언어 모델 및 상기 발음 사전을 이용하여 음성 탐색을 수행할 수 있다.
이때, 상기 의미 모델은 형태소와 의미 태그를 포함하는 하나 이상의 의미 패턴 정보를 포함할 수 있다.
또한, 상기 결합 네트워크는 FSN(Finite State Network), word-pair grammar, n-gram 중 적어도 어느 하나의 네트워크일 수 있다.
또한, 상기 음성 인식부는 음성 데이터가 입력되면, 입력된 상기 음성 데이터에서 특징 데이터를 추출하고, 추출된 특징 데이터에 따라 상기 음성 탐색 및 상기 의미 탐색을 수행할 수 있다.
또한, 상기 음성 인식부는 상기 결합 네트워크와 상기 음향 모델을 이용하여 최종 탐색을 수행할 수 있다.
또한, 상기 음성 인식부는 상기 의미 탐색에 따른 노드에 가중치를 두어 음성 인식 결과를 생성할 수 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법은 음성 인식 장치가 음성 데이터를 입력 받는 단계; 상기 음성 인식 장치가 상기 음성 데이터에 대해 음향 모델 및 언어 모델을 이용한 음성 탐색과, 음향 모델 및 의미 모델을 이용한 의미 탐색을 병렬 수행하는 단계와; 상기 음성 인식 장치가 상기 병렬 수행된 상기 음성 탐색 및 상기 의미 탐색에 따른 노드를 결합하여 결합 네트워크를 생성하는 단계; 및 상기 음성 인식 장치가 상기 결합 네트워크 및 상기 음향 모델을 이용하여 최종 음성 인식 및 의미 분석을 진행하는 단계;를 포함하여 이뤄질 수 있다.
이때, 상기 입력 받는 단계 이후에, 상기 음성 인식 장치가 상기 음성 데이터에서 특징 데이터를 추출하는 단계;를 더 포함하여 이뤄질 수 있다.
또한, 상기 병렬 수행하는 단계는 상기 음성 인식 장치가 상기 특징 데이터에 대한 음성 탐색 및 의미 탐색을 수행할 수 있다.
또한, 상기 병렬 수행하는 단계는 상기 음성 인식 장치가 상기 의미 탐색에 따른 노드에 가중치를 부여하여 음성 인식을 진행할 수 있다.
또한, 상기 최종 음성 인식 및 의미 분석을 진행하는 단계 이후에, 상기 음성 인식 장치가 상기 의미 탐색에 따른 노드에 포함된 의미 태그를 이용하여 해당되는 객체 정보를 확인하고, 분석 결과로 가공하는 단계;를 더 포함하여 이뤄질 수 있다.
본 발명의 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 의하면, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성함으로써, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석이 동시에 가능하며, 의미 분석을 위한 별도의 절차를 수행하지 않으므로 보다 신속하게 의미 분석 결과를 제공할 수 있다는 우수한 효과가 있다.
도 1은 본 발명의 실시 예에 따른 음성 인식 장치의 동작을 개략적으로 설명하기 위한 예시도이다.
도 2는 본 발명의 실시 예에 따른 음성 인식 장치의 주요 구성을 도시한 블록도이다.
도 3은 본 발명의 실시 예에 따른 음성 인식부의 주요 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시 예에 따른 저장부의 주요 구성을 설명하기 위한 블록도이다.
도 5는 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법을 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법을 설명하기 위한 예시도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있는 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작 원리를 상세하게 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 발명의 핵심을 흐리지 않고 더욱 명확히 전달하기 위함이다. 또한 본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 하나, 이는 본 발명을 특정한 실시 형태로 한정하려는 것은 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다. 다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이제 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 대하여 도면을 참조하여 상세하게 설명하도록 한다. 이때, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용하며, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시 예에 따른 음성 인식 장치의 동작을 개략적으로 설명하기 위한 예시도이다.
도 1을 참조하면, 본 발명의 음성 인식 장치(100)는 사용자로부터 음성 데이터가 입력되면, 입력된 음성 데이터를 기초로 음성 인식을 진행하여 인식 결과를 출력하게 된다. 이때, 본 발명의 음성 인식 장치(100)는 음성 인식 결과는 물론 상기 음성 데이터에 대한 의미 분석 결과를 동시에 출력할 수 있다. 보다 구체적인 음성 인식 장치(100)의 동작 방법에 대해서는 후술하도록 하며, 본 발명의 음성 인식 장치(100)는 독립된 하나의 장치로 구현될 수 있다. 음성 인식 장치(100)가 사용자가 이용할 수 있는 독립된 하나의 장치로 구현되는 경우, 음성 인식 장치(100)는 사용자로부터 입력되는 음성 신호를 감지하여 음성 데이터를 생성할 수 있는 마이크를 포함하는 입력 모듈을 포함할 수 있으며, 음성 인식 결과, 의미 분석 결과를 출력할 수 있는 표시 모듈을 포함하여 구현될 수 있다.
또한, 본 발명의 음성 인식 장치(100)는 특정 하드웨어 장치에 내장된(embedded) 형태의 장치로 구현될 수도 있다. 이 경우, 음성 인식 장치(100)는 해당 장치에 구비되어 있는 입력 모듈로부터 음성 데이터를 전달받을 수 있으며, 의미 분석 및 음성 인식 결과를 출력할 수 있는 표시 모듈로 상기 결과를 전달할 수 있다. 이때, 상기 음성 인식 장치(100)는 어플리케이션(application)과 같은 프로그램 형태로 구현될 수도 있다. 예시로, 스마트 폰(smart phone)과 같은 사용자가 이용할 수 있는 각종 전자 장치에 내장되거나, 프로그램 형태로 상기 장치에 설치되어 이용될 수 있다.
또한, 본 발명의 음성 인식 장치(100)는 웹 서버 형태로 구현될 수도 있다. 음성 인식 장치(100)가 웹 서버 형태로 구현되는 경우, 사용자는 자신의 스마트폰과 같은 사용자 단말을 이용하여 파일 형태의 음성 데이터를 생성하고 이를 통신망을 거쳐 음성 인식 장치(100)로 전달할 수 있으며, 음성 인식 장치(100)는 통신망을 통해 사용자 단말로부터 전송되는 음성 데이터를 수신할 수 있다. 아울러, 음성 인식 장치(100)는 의미 분석 및 음성 인식 결과를 통신망을 거쳐 사용자 단말로 전송하고, 이를 수신한 사용자 단말이 표시 모듈을 통해 출력할 수 있다. 또한, 음성 인식 장치(100)는 언어 학습, 호 분류 등 특정 서비스를 지원하는 웹 서버와 연동하여 동작할 수 있으며, 상기 웹 서버와 일체로 형성될 수도 있다. 또한, 본 발명의 음성 인식 장치(100)는 음성을 입력 받는 모듈 및 음성을 인식하는 모듈이 하드웨어적으로 구분된 형태인 이원적 처리 시스템으로 구현될 수도 있다.
이하, 본 발명의 실시 예에 따른 음성 인식 장치(100)의 주요 구성 및 동작 방법에 대해 보다 더 구체적으로 설명하도록 한다.
도 2는 본 발명의 실시 예에 따른 음성 인식 장치의 주요 구성을 도시한 블록도이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 음성 인식 장치(100)는 인터페이스부(10), 음성 인식부(20) 및 저장부(30)를 포함하여 구성될 수 있다.
각 구성에 대해 보다 구체적으로 설명하면, 인터페이스부(10)는 전술한 바와 같이 사용자의 음성 데이터를 입력 받아 음성 인식부(20)로 전달하고, 상기 음성 인식부(20)를 통해 전달되는 의미 분석 및 음성 인식 결과를 사용자에게 제공하는 역할을 수행한다. 이때, 상기 음성 인식 장치(100)가 독립된 장치로 구현되는 경우, 인터페이스부(10)는 마이크를 통해 입력된 사용자의 음성 신호를 디지털 데이터 형태의 음성 데이터로 생성하는 역할을 수행하고, 음성 인식 결과 및 의미 분석 결과를 별도의 표시 모듈을 통해 출력하도록 제공하는 역할을 할 수 있다. 또한, 음성 인식 장치(100)가 특정 하드웨어 장치에 내장되거나 프로그램 형태로 구현되는 경우, 또는 웹 서버 형태로 구현되는 경우, 인터페이스부(10)는 별도의 인터페이스 또는 유무선 통신 모듈을 통해 전송되는 음성 데이터를 수신하고, 음성 인식 결과 및 의미 분석 결과를 전송하는 역할을 수행할 수 있다.
음성 인식부(20)는 인터페이스부(10)를 통해 음성 데이터가 입력되면, 입력된 음성 데이터를 인식하고 음성 인식 결과를 생성하는 역할을 수행한다. 특히, 본 발명의 실시 예에 따른 음성 인식부(20)는 음성 데이터를 인식하여 음성 인식 결과를 생성하는 것과 동시에 음성 데이터에 대한 의미 분석을 동시에 수행하고 이에 대한 결과를 생성할 수 있다.
저장부(30)는 본 발명의 음성 인식 및 의미 분석을 위한 다양한 정보를 저장하고 관리하는 역할을 수행한다. 이러한 저장부(30)는 플래시 메모리(flash memory), 하드디스크(hard disk), 멀티미디어 카드 마이크로(multimedia card micro) 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(RAM), 롬(ROM) 등의 저장매체를 포함하여 구성될 수 있다.
상술한 본 발명의 음성 인식부(20) 및 저장부(30)에 대해 도 3 및 도 4를 참조하여 보다 더 구체적으로 설명하도록 한다.
도 3은 본 발명의 실시 예에 따른 음성 인식부의 주요 구성을 설명하기 위한 블록도이며, 도 4는 본 발명의 실시 예에 따른 저장부의 주요 구성을 설명하기 위한 블록도이다.
먼저, 도 3을 참조하면, 본 발명의 음성 인식부(20)는 특징 추출 모듈(21), 음성 탐색 모듈(22), 의미 탐색 모듈(23), 결합 네트워크 생성 모듈(24) 및 최종 탐색 모듈(25)을 포함하여 구성될 수 있다.
특징 추출 모듈(21)은 입력된 음성 데이터에서 유용한 특징을 추출하는 것으로서, 인간의 청각 특성을 반영하는 특징 데이터를 추출하고, 이를 음성 탐색 모듈(22) 및 의미 탐색 모듈(23)로 전달한다.
이를 위해, 특징 추출 모듈(21)은 먼저, 아날로그 형태의 연속적인 소리 신호인 음성 신호를 디지털 형태의 이산적인 음성 데이터 값으로 변환시키는 ADC(Analog to Digital Convert) 과정을 수행하게 된다. 그리고 특징 추출 모듈(21)은 상기 디지털 형태로 변환된 음성 데이터를 기초로 특징 데이터를 추출한다. 여기서, 특징 데이터는 상기 디지털 형태로 변환된 음성 데이터의 주파수 영역에서의 음성, 음향학적인 특징 데이터를 의미한다. 예컨대, 음의 길이(duration), 음의 에너지(energy), 피치(pitch), 파워(power), LPC(linear predictive coding) 계수, 모음의 구성음소 즉, 포만트(formant), RFC(Rising Falling Connection)/Tilt, 스펙트럼(Spectrum), VOT(Voice Onset Time) 등이 특징 데이터로 추출될 수 있다.
이러한 특징 데이터는 MFCC(Mel-Frequency Cepstrum Codfficient), LPCC(Linear Prediction Coefficient Cepstrum) 또는 PLPCC(Preceptual Linear Prediction Ceptrum Coeffcient), EIH(Ensemble Interval Histogram), SMC (Short-time Modified Coherence) 중 어느 하나의 기법을 통해 추출될 수 있다.
음성 탐색 모듈(22)은 저장부(30)의 음향 모델 데이터베이스(31)와 언어 모델 데이터베이스(32)를 이용하여 음성 탐색을 수행하고 탐색된 노드를 결합 네트워크 생성 모듈(24)로 전달한다. 이때, 음성 탐색 모듈(22)은 발음 사전을 저장하는 발음 사전 데이터베이스(33)를 이용하여 표기 음소를 발음 음소로 변환할 수도 있다. 보다 구체적으로 설명하면, 음성 탐색 모듈(22)은 특징 추출 모듈(21)을 통해 전달받은 음성 데이터의 특징 데이터를 먼저 음향 모델 데이터베이스(31)에 저장된 음향 모델과 비교한다. 이후, 상기 특징 데이터에 대응하는 음소열을 추출하고, 추출된 음소열에 해당하는 언어를 언어 모델 데이터베이스(32)를 통해 추출한다. 이러한 과정을 통해 결합 네트워크 내에 표시될 수 있는 하나 이상의 노드를 추출할 수 있다.
의미 탐색 모듈(23)은 음향 모델 데이터베이스(31)와 의미 모델 데이터베이스(32)를 이용하여 의미 탐색을 수행하고, 탐색된 노드를 결합 네트워크 생성 모듈(24)로 전달한다. 보다 구체적으로 설명하면, 의미 탐색 모듈(23)은 특징 추출 모듈(21)을 통해 전달받은 음성 데이터의 특징 데이터를 먼저 음향 모델 데이터베이스(31)에 저장된 음향 모델과 비교한다. 이후, 상기 특징 데이터에 대응하는 음소열을 추출하고, 추출된 음소열에 해당하는 의미 패턴 정보를 의미 모델 데이터베이스(32)를 이용하여 추출한다. 이러한 과정을 통해 결합 네트워크 내에 표시될 수 있는 하나 이상의 노드를 추출할 수 있다.
결합 네트워크 생성 모듈(24)은 상기 음성 탐색 모듈(22)로부터 도출된 노드와 의미 탐색 모듈로부터 노출된 노드를 결합하여 결합 네트워크를 생성하는 역할을 수행한다.
여기서, 상기 결합 네트워크는 FSN(Finite State Network), word-pair grammar, n-gram 중 적어도 어느 하나의 네트워크가 될 수 있다. 여기서의 네트워크란 한 단위 뒤에 나타날 수 있는 단어들을 연결하되, 규칙에 의해 고정시키거나 통계적인 확률에 따라 연결하는 것을 의미한다.
여기서, word-pair grammar는 특정 단어 뒤에 나타날 수 있는 단어들만 연결시키는 것으로, 예를 들어 "먹고"+"싶습니다" 는 순서대로 연결할 수 있지만 그 반대로는 연결될 수 없는 것을 이용하여 탐색을 수행하는 방식이다.
상기 N-gram은 단어와 단어 사이의 연결에 통계적인 확률을 이용하는 것으로, 학습 데이터를 이용하여 어떤 단어가 한 단어 다음에 나타날 확률을 계산하여 확률이 높은 쪽으로 탐색을 수행하는 방식이다.
반면, FSN(Finite State Network)은 구성 가능한 문장들을 모두 네트워크로 묶는 것으로, 고유 명칭을 갖는 상태(state)와 FSN의 상태를 변화시키는 작업인 전이(transition)으로 구성된다.
이하에서는 설명의 편의를 위해 결합 네트워크가 FSN인 것을 예로 들어 설명하나, 이에 한정되는 것은 아니다.
이러한 결합 네트워크 생성 모듈(24)은 음성 탐색 모듈(22)로부터 탐색에 따른 노드가 인가되고, 의미 탐색 모듈(23)로부터 탐색에 따른 노드가 전달되면 상기 노드들을 결합하여 최종 결합 네트워크를 생성하게 된다. 이때, 분절된 형태소 단위로 의미적으로 개념이 동일한 하나 이상의 어휘를 추가, 삭제 또는 변경하여 복수의 어휘 클래스와 상기 복수의 노드 간 전이(transition)를 포함하는 네트워크를 구성할 수 있다.
그리고, 이를 최종 탐색 모듈(25)로 전달하면, 최종 탐색 모듈(25)은 상기 결합 네트워크를 이용하여 최종 음성 인식 결과 및 의미 분석 결과를 생성할 수 있다. 다시 말해, 최종 탐색 모듈(25)은 상기 음성 데이터의 특징 데이터를 상기 결합 네트워크와 음향 모델을 이용하여 최종 탐색을 수행하게 된다.
예를 들어 설명하면, 음성 탐색 모듈(22)이 음성 탐색을 진행한 결과 다음과 같은 하나 이상의 어휘 노드를 도출할 수 있다.
어, 저, 음, 멤버쉽, 포인트, 가, 는, 얼마, 남, 았어, 았죠, 았어요, 어디서, 를, 을, 써야, 되죠, 하죠, 하나요
또한, 의미 탐색 모듈(23)이 의미 탐색을 진행한 결과 다음과 같은 하나 이상의 어휘 노드를 도출할 수 있다.
멤버쉽[서비스명], 포인트[서비스명], 얼마[수량], 남다[잔여], 쓰[소비], 어디[장소], 쓰다[소비]
음성 탐색 모듈(22) 및 의미 탐색 모듈(23)은 도출된 하나 이상의 노드를 결합 네트워크 생성 모듈(24)은 상기 노드들을 이용하여 네트워크를 생성할 수 있다. 이후, 결합 네트워크 생성 모듈(24)은 생성된 노드들을 최종 탐색 모듈(25)로 전달한다.
최종 탐색 모듈(25)은 상기 결합 네트워크 생성 모듈(24)을 통해 생성된 결합 네트워크를 이용하여 음성 인식 및 의미 분석을 진행한다. 이때, 상기 최종 탐색 모듈(25)은 음성 데이터에 대한 특징 데이터를 음향 모델 데이터베이스(31)의 음향 모델과 비교하여 음소열을 추출하고, 추출된 음소열에 해당하는 노드들의 집합으로 음성 인식 결과 및 의미 분석 결과를 생성할 수 있다.
이때, 상기 최종 탐색 모듈(25)은 의미 탐색 모듈(23)을 통해 도출된 노드들에 대해 가중치를 부여하고, 상기 의미 탐색 모듈(23)을 통해 도출된 노드, 즉 의미 태그가 부여된 노드들 중심으로 문장을 생성할 수도 있다.
그리고 나서, 최종 탐색 모듈(25)은 생성된 음성 인식 결과 및 의미 분석 결과를 인터페이스부(10)로 전달하여 사용자에게 제공할 수도 있다.
이때, 상기 결합 네트워크를 구성하는 어느 하나의 노드가 의미 태그를 포함하는 경우, 음성 인식 장치(100)의 최종 탐색 모듈(25)은 상기 의미 태그에 대응하는 객체 정보를 확인하고, 이를 분석 결과로 가공하여 출력하게 된다. 여기서 객체 정보는 객체 유형, 객체 대상, 객체 속성 중 어느 하나를 포함할 수 있다.
의미 태그 객체 정보
문의, 확인, 요청, 권유, ... 객체 유형
서비스명, 장소, ... 객체 대상
잔여, 한도, 이동, 최대, 근접, ... 객체 속성
예를 들어, 의미 태그가 서비스명일 경우, 최종 탐색 모듈(25)은 상기 서비스명에 대응하는 객체 정보(객체 대상)를 확인하고 이를 분석 결과로 가공할 수 있다. 이때, "객체 유형: 의미 태그"와 같은 형태로 가공할 수 있다.
아울러, 저장부(30)는 전술한 바와 같이 음향 모델 데이터베이스(31), 언어 모델 데이터베이스(32), 발음 사전 데이터베이스(33) 및 의미 모델 데이터베이스(34)를 포함하여 구성된다.
음향 모델 데이터베이스(31)는 음소들을 통계적으로 모델링한 음향 모델을 저장하고 관리한다. 이때, 상기 음향 모델은 HMM(hidden Markov Model)이 될 수 있으며, 음향 모델의 기본 단위는 음소열이 될 수 있다. 따라서, 음향 모델 데이터베이스(31)를 통해 특징 데이터에 대한 음소열을 추출할 수 있다.
언어 모델 데이터베이스(32)는 언어 모델을 저장하고 관리하며, 학습 및 탐색 시 임의적인 문장보다는 문법에 맞는 문장이 선별되도록 지원하는 역할을 수행한다. 여기서, 상기 언어 모델은 FSN, word-pair grammar, n-gram 중 적어도 어느 하나의 네트워크 형태로 구현될 수 있다.
발음 사전 데이터베이스(33)는 발음 사전을 저장하고 관리한다. 발음 사전이란 표준 발음법에 의거하여 간단한 규칙을 정하거나 특정 환경과 발화자 및 사투리까지의 특색을 고려하는 정의한 것을 의미한다.
의미 모델 데이터베이스(24)는 의미 모델을 저장하고 관리한다. 이때 상기 의미 모델은 LSP(Lexico-Syntatic Pattern)에 따라 생성될 수 있다. LSP에 따라 의미 모델을 생성하는 과정에 대해 간략히 설명하면, 먼저, 하나의 문장에서 하나 이상의 형태소 후보들을 생성하고, 생성된 후보들에 대하여 사전 탐색, 단어 형성 규칙 등을 고려하여 형태소를 선택한다. 그리고 선택된 형태소에 품사 태그를 분석한다. 이후, 하나 혹은 복수 개의 형태소를 결합하고, 하나 혹은 복수 개의 형태소에 의미 태그를 부여한다. 이러한 LSP에 따라 의미 모델을 생성하는 과정은 공지된 기술을 이용하므로, 구체적인 설명은 생략하도록 하며, 상기 의미 모델 데이터베이스(24)에 저장되고 관리되는 의미 패턴 정보는 전술한 바와 같이 하나 혹은 복수 개의 형태소와 의미 태그를 포함하는 형태가 될 수 있다. 예컨대, 멤버쉽[서비스명], 포인트[서비스명], 얼마[수량], 남다[잔여], 쓰[소비], 어디[장소], 쓰다[소비]의 형태로 저장될 수 있으며, 멤버쉽[서비스명]을 예로 들면, "멤버쉽"은 언어의 최소 단위의 형태소를 의미한다. [서비스명]은 상기 형태소(멤버쉽)가 의미하는 바를 나타내는 의미 태그이다. 또 다른 예를 들면, "주유소", "서울"에 대하여 [장소], "들렸다가"에 대하여 [경유], "가자"에 대하여 [이동], "가장"에 대하여 [최대], "가까운"에 대하여 [근접]이라는 의미 태그가 부여될 수 있다.
이상으로 본 발명의 실시 예에 따른 음성 인식 장치(100)의 주요 구성에 대해 설명하였다.
본 발명의 일 실시 예에 따른 음성 인식 장치(100)는 인터페이스부(10), 음성 인식부(20) 및 저장부(30)만을 포함하여 구성되는 것을 예로 들어 설명하였으나, 본 발명의 음성 인식 장치(100)는 전처리부(미도시) 및 후처리부(미도시)를 더 포함하여 구성될 수도 있다.
이때, 전처리부(미도시)는 입력된 음성 데이터를 음성 인식에 적합하도록 전처리하는 역할을 수행할 수 있다. 예컨대 불필요한 잡음 제거, 음성 향상의 기능 등을 수행할 수 있다. 후처리부(미도시)는 음성 인식 결과에 대하여 띄어쓰기와 맞춤법 오류 등을 수정하고, 외래어 표기의 일관성을 맞추며 판별이 불가능한 발성이 포함되는 경우, 이를 삭제하는 등의 기능을 수행할 수 있다.
이하, 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법에 대해 설명하도록 한다.
도 5는 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법을 설명하기 위한 흐름도이다.
도 2 및 도 5를 참조하면, 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법은 먼저 음성 인식 장치(100)가 음성 데이터가 입력되면(S101), 상기 음성 데이터에서 특징 데이터를 추출한다(S103). 이때, 상기 음성 인식 장치(100)는 MFCC(Mel-Frequency Cepstrum Coefficients), LPCC(Linear Prediction Cepstral Coefficients), EIH(Ensemble Interval Histogram), SMC (Short-time Modified Coherence) 및 PLP(Perceptual Linear Prediction) 중 어느 하나의 기법으로 특징 데이터를 추출할 수 있다.
그리고, 음성 인식 장치(100)는 음향 모델 및 언어 모델을 이용하여 음성 탐색을 수행하고, 음향 모델 및 의미 모델을 이용하여 의미 탐색을 수행한다(S105).
즉, 음성 인식 장치(100)는 상기 특징 데이터를 먼저 음향 모델과 비교하여, 상기 특징 데이터에 대응하는 음소열을 추출하고, 추출된 음소열에 해당하는 언어를 언어 모델을 통해 추출함으로써, 음성 탐색에 따른 하나 이상의 노드를 추출한다.
또한, 이와 동시에 음성 인식 장치(100)는 상기 특징 데이터를 음향 모델과 비교하여, 상기 특징 데이터에 대응하는 음소열을 추출하고, 추출된 음소열에 해당하는 의미 패턴 정보를 의미 모델을 통해 추출함으로써, 의미 탐색에 따른 하나 이상의 노드를 추출한다.
이후, 음성 인식 장치(100)는 S105 단계를 통해 도출된 노드를 이용하여 결합 네트워크를 생성한다(S107). 여기서, 상기 결합 네트워크는 FSN(Finite State Network), word-pair grammar, n-gram 중 적어도 어느 하나의 네트워크가 될 수 있다.
그리고 나서, 음성 인식 장치(100)는 상기 결합 네트워크를 이용하여 최종 음성 탐색 및 의미 탐색을 수행한다(S109). 이때, 상기 음성 인식 장치(100)는 상기 특징 데이터를 음향 모델과 비교하여 음소열을 추출하고, 추출된 음소열에 해당하는 노드들의 집합으로 음성 인식 결과 및 의미 분석 결과를 생성하게 된다.
여기서, 음성 인식 장치(100)는 의미 탐색을 통해 도출된 노드들에 대해 가중치를 부여하고, 상기 가중치가 부여된 노드들 중심으로 문장을 생성할 수도 있다.
그리고 음성 인식 장치(100)는 음성 인식 결과 및 의미 분석 결과를 출력할 수 있다(S111).
이때, 상기 결합 네트워크를 구성하는 어느 하나의 노드가 의미 태그를 포함하는 경우, 음성 인식 장치(100)는 상기 의미 태그에 대응하는 객체 정보를 확인하고, 이를 분석 결과로 가공하여 출력하게 된다. 여기서 객체 정보는 객체 유형, 객체 대상, 객체 속성 중 어느 하나를 포함할 수 있다.
도 6 및 도 7을 참조하여 설명하면, 도 6 및 도 7은 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법을 설명하기 위한 예시도이다.
즉, 소정의 문장이 FSN 형식의 네트워크로 표시된 상태 전이도의 일 예를 도시한 것으로, 총 6개의 상태에 대한 노드와 7개의 전이를 포함한다. 아울러, 설명의 편의를 위해, 상기 각각의 노드는 단일 단어만을 포함하는 것을 예로 들어 설명하나 이에 한정되는 것은 아니며, 유사한 단어의 목록으로 이뤄질 수도 있다. 예컨대 "쓰고"에 대한 단어를 포함하는 노드는 상기 "쓰고" 이외도 "쓰는", "써", "쓸 수"와 같이 상기 "쓰고"와 유사한 단어를 더 포함할 수 있다.
또한, 설명의 편의를 위해 6개의 상태에 대한 노드와 7개의 전이만을 포함하는 것을 예로 들어 설명하나, 더 많은 노드와 전이로 이뤄질 수 도 있다.
이러한 네트워크를 통해 다음과 같은 문장이 생성될 수 있다.
멤버쉽 포인트 쓰고 얼마 남았어
그러나, 전술한 바와 같기 상기 네트워크의 노드가 더 많은 단어를 포함하고, 더 많은 전이로 이뤄지는 경우 다음과 같은 다양한 문장들이 생성될 수도 있다.
멤버쉽 포인트 얼마 남았어
멤버쉽 포인트가 얼마 남았죠
멤버쉽이 얼마 남았어요
멤버쉽 포인트 쓰고 얼마 남았죠
멤버쉽 포인트를 어디서 써야하죠
멤버쉽 포인트는 어디서 써야하죠
멤버쉽 포인트 어 음 어디서 저 써요
아울러, 도 7은 일반적인 음성 탐색만을 수행하고 이에 따른 노드만을 이용하여 네트워크를 생성한 상태이며, 도 8은 본 발명은 음성 탐색과 함께 의미 탐색에 따른 노드를 이용하여 네트워크를 생성한 상태를 도시한 것이다.
즉, 전술한 바와 같이 도 7의 일반적인 음성 탐색만이 가능한 네트워크를 이용하여서는 음성 인식 결과, "멤버쉽 포인트 쓰고 얼마 남았어"만을 생성할 수 있으나, 본 발명의 실시 예에 따른 결합 네트워크는 도 8에 도시된 바와 같이 의미 탐색에 따른 노드, 즉 "멤버쉽[서비스명]", "포인트[서비스명]", "남[잔여]", "았어[문의]"를 더 포함하며 상기 결합 네트워크를 통해 "멤버쉽 포인트 쓰고 얼마 남았어"라는 음성 인식 결과와 "질의유형: 문의, 질의대상: 멤버쉽 포인트, 대상속성: 잔여"와 같은 의미 분석 결과를 함께 추출하게 된다. 즉, 전술한 바와 같이 음성 인식 장치(100)는 노드에 포함된 의미 태그를 확인하고, 상기 의미 태그에 대응하는 객체 정보를 확인한 후 이를 분석 결과로 가공하여 출력하게 된다.
이와 같이, 본 발명은 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성함으로써, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석이 동시에 가능하며, 의미 분석을 위한 별도의 절차를 수행하지 않으므로 보다 신속하게 의미 분석 결과를 제공할 수 있다는 우수한 효과가 있다.
이상으로 본 발명의 실시 예에 따른 의미 분석이 가능한 음성 인식 방법에 대해 설명하였다.
본 발명의 실시 예에 따른 음성 인식 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며, 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM(Compact Disk Read Only Memory), DVD(Digital Video Disk)와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media) 및 롬(ROM, Read Only Memory), 램(RAM, Random Access Memory), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 본 발명을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것은 아니며, 기술적 사상의 범주를 이탈함없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.
본 발명은 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것으로서, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성하고, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석을 동시에 진행할 수 있는 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치에 관한 것이다.
본 발명에 의하면, 음성 탐색과 동시에 의미 탐색을 진행하여 결합 네트워크를 생성함으로써, 이를 이용하여 음성 데이터에 대한 음성 인식은 물론 의미 분석이 동시에 가능하며, 의미 분석을 위한 별도의 절차를 수행하지 않으므로 보다 신속하게 의미 분석 결과를 제공할 수 있다는 우수한 효과가 있으며, 이를 통해 음성 인식 산업의 발전에 이바지할 수 있다.
더불어, 본 발명은 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있다.
10: 인터페이스부 20: 음성 인식부 21: 특징 추출 모듈
22: 음성 탐색 모듈 23: 의미 탐색 모듈
24: 결합 네트워크 생성 모듈 25: 최종 탐색 모듈
30: 저장부 31: 음향 모델 데이터베이스
32: 언어 모델 데이터베이스 33: 발음 사전 데이터베이스
34: 의미 모델 데이터베이스 100: 음성 인식 장치

Claims (12)

  1. 음향 모델, 언어 모델, 의미 모델을 저장하는 저장부; 및
    입력된 음성 데이터에 대해 상기 음향 모델 및 상기 언어 모델을 이용하여 음성 탐색을 수행하고, 상기 음향 모델 및 상기 의미 모델을 이용하여 의미 탐색을 수행한 후, 상기 음성 탐색 및 상기 의미 탐색에 따른 노드를 결합하여 결합 네트워크를 생성하고, 상기 결합 네트워크를 이용하여 최종 탐색을 수행하여, 음성 인식 결과 및 의미 분석 결과를 출력하는 음성 인식부;
    를 포함하며,
    상기 음성 인식부는 상기 결합 네트워크를 이용하여 최종 탐색 수행 시 상기 의미 탐색에 따른 노드에 가중치를 두어 음성 인식 결과를 생성하는 것을 특징으로 하는 음성 인식 장치.
  2. 제1항에 있어서,
    상기 저장부는
    발음 사전을 더 저장하며,
    상기 음성 인식부는
    상기 음향 모델, 상기 언어 모델 및 상기 발음 사전을 이용하여 음성 탐색을 수행하는 것을 특징으로 하는 음성 인식 장치.
  3. 제1항에 있어서,
    상기 의미 모델은 형태소와 의미 태그를 포함하는 하나 이상의 의미 패턴 정보를 포함하는 것을 특징으로 하는 음성 인식 장치.
  4. 제1항에 있어서,
    상기 결합 네트워크는
    FSN(Finite State Network), word-pair grammar, n-gram 중 적어도 어느 하나의 네트워크인 것을 특징으로 하는 음성 인식 장치.
  5. 제1항에 있어서,
    상기 음성 인식부는
    음성 데이터가 입력되면, 입력된 상기 음성 데이터에서 특징 데이터를 추출하고, 추출된 특징 데이터에 따라 상기 음성 탐색 및 상기 의미 탐색을 수행하는 것을 특징으로 하는 음성 인식 장치.
  6. 제1항에 있어서,
    상기 음성 인식부는
    상기 결합 네트워크와 상기 음향 모델을 이용하여 최종 탐색을 수행하는 것을 특징으로 하는 음성 인식 장치.
  7. 삭제
  8. 음성 인식 장치가 음성 데이터를 입력 받는 단계;
    상기 음성 인식 장치가 상기 음성 데이터에 대해 음향 모델 및 언어 모델을 이용한 음성 탐색과, 음향 모델 및 의미 모델을 이용한 의미 탐색을 병렬 수행하는 단계와;
    상기 음성 인식 장치가 상기 병렬 수행된 상기 음성 탐색 및 상기 의미 탐색에 따른 노드를 결합하여 결합 네트워크를 생성하는 단계; 및
    상기 음성 인식 장치가 상기 결합 네트워크 및 상기 음향 모델을 이용하여 최종 음성 인식 및 의미 분석을 진행하는 단계;
    를 포함하며,
    상기 음성 인식 장치가 상기 결합 네트워크 및 상기 음향 모델을 이용하여 최종 음성 인식 진행 시 상기 의미 탐색에 따른 노드에 가중치를 부여하여 음성 인식을 진행하는 것을 특징으로 하는 의미 분석이 가능한 음성 인식 방법.
  9. 제8항에 있어서,
    상기 입력 받는 단계 이후에,
    상기 음성 인식 장치가 상기 음성 데이터에서 특징 데이터를 추출하는 단계;
    를 더 포함하는 것을 특징으로 하는 의미 분석이 가능한 음성 인식 방법.
  10. 제9항에 있어서,
    상기 병렬 수행하는 단계는
    상기 음성 인식 장치가 상기 특징 데이터에 대한 음성 탐색 및 의미 탐색을 수행하는 것을 특징으로 하는 의미 분석이 가능한 음성 인식 방법.
  11. 삭제
  12. 제8항에 있어서,
    상기 최종 음성 인식 및 의미 분석을 진행하는 단계 이후에,
    상기 음성 인식 장치가 상기 의미 탐색에 따른 노드에 포함된 의미 태그를 이용하여 해당되는 객체 정보를 확인하고, 분석 결과로 가공하는 단계;
    를 더 포함하는 것을 특징으로 하는 의미 분석이 가능한 음성 인식 방법.
KR1020130129046A 2013-10-29 2013-10-29 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치 KR101483945B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020130129046A KR101483945B1 (ko) 2013-10-29 2013-10-29 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130129046A KR101483945B1 (ko) 2013-10-29 2013-10-29 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치

Publications (1)

Publication Number Publication Date
KR101483945B1 true KR101483945B1 (ko) 2015-01-19

Family

ID=52590830

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130129046A KR101483945B1 (ko) 2013-10-29 2013-10-29 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치

Country Status (1)

Country Link
KR (1) KR101483945B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100825690B1 (ko) * 2006-09-15 2008-04-29 학교법인 포항공과대학교 음성 인식 시스템에서의 인식 오류 수정 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100825690B1 (ko) * 2006-09-15 2008-04-29 학교법인 포항공과대학교 음성 인식 시스템에서의 인식 오류 수정 방법

Similar Documents

Publication Publication Date Title
US11380330B2 (en) Conversational recovery for voice user interface
CN111933129B (zh) 音频处理方法、语言模型的训练方法、装置及计算机设备
US11189272B2 (en) Dialect phoneme adaptive training system and method
CN107590135B (zh) 自动翻译方法、设备和***
US10332517B1 (en) Privacy mode based on speaker identifier
US10140973B1 (en) Text-to-speech processing using previously speech processed data
US10446147B1 (en) Contextual voice user interface
US10176809B1 (en) Customized compression and decompression of audio data
JP4267081B2 (ja) 分散システムにおけるパターン認識登録
JP2021033255A (ja) 音声認識方法、装置、機器及びコンピュータ可読記憶媒体
CN109979432B (zh) 一种方言翻译方法及装置
JP2019514045A (ja) 話者照合方法及びシステム
JP2001005488A (ja) 音声対話システム
US11056100B2 (en) Acoustic information based language modeling system and method
US20240242712A1 (en) Contrastive Siamese Network for Semi-supervised Speech Recognition
US20220180864A1 (en) Dialogue system, dialogue processing method, translating apparatus, and method of translation
KR20210034276A (ko) 대화 시스템, 대화 처리 방법 및 전자 장치
CN111508497B (zh) 语音识别方法、装置、电子设备及存储介质
US7302381B2 (en) Specifying arbitrary words in rule-based grammars
US11615787B2 (en) Dialogue system and method of controlling the same
Biswas et al. Speech recognition using weighted finite-state transducers
KR101424496B1 (ko) 음향 모델 학습을 위한 장치 및 이를 위한 방법이 기록된 컴퓨터 판독 가능한 기록매체
KR101598950B1 (ko) 발음 평가 장치 및 이를 이용한 발음 평가 방법에 대한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체
Tripathi et al. Multilingual and multimode phone recognition system for Indian languages
KR101483945B1 (ko) 의미 분석이 가능한 음성 인식 방법 및 이를 위한 음성 인식 장치

Legal Events

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

Payment date: 20191216

Year of fee payment: 6