KR102057926B1 - 음성 합성 장치 및 그 방법 - Google Patents

Abstract

박자, 음정 또는 음의 세기 조절 기능이 구비된 음성 합성 장치가 제공된다. 본 개시의 몇몇 실시예에 따른 음성 합성 장치는 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 박자 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 박자 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 박자 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함한다.

Description

음성 합성 장치 및 그 방법{APPARATUS FOR SYNTHESIZING SPEECH AND METHOD THEREOF}

본 개시는 음성 합성 장치 및 그 방법에 관한 것이다. 보다 자세하게는, 음정, 음의 세기 및 박자 조절 기능이 구비된 음성 합성 장치, 그 장치에서 수행되는 음성 합성 방법 및 상기 열거된 조절 기능이 구비된 신경망 기반의 음성 합성 모델을 구축하는 방법에 관한 것이다.

음성 합성(speech synthesis) 기술은 입력된 텍스트로부터 사람이 말하는 소리와 유사한 소리를 합성해내는 기술로 흔히 TTS(Text-To-Speech) 기술로도 알려져 있다. 근래에 들어, 스마트폰, 전자 책 리더, 차량 네비게이션 등 개인 휴대용 장치의 개발과 보급이 활발하게 이루어짐으로써 음성 출력을 위한 음성 합성 기술에 대한 요구가 급속도로 증가하고 있다.

음성 합성 기술에 대한 요구가 증가함에 따라 그 요구사항 또한 세분화되고 있는데, 최근에는 단순히 주어진 텍스트에 대한 음성을 합성하는 것을 넘어서 음정 또는 박자 조절 기능에 대한 요구가 제기되고 있다.

종래의 경우, 머신 러닝을 통해 입력된 텍스트에서 음절 간의 포먼트(formant)를 추론하고, 추론된 포먼트에 기반하여 합성되는 음성의 음정을 조절하는 기법이 많이 활용되었다. 그러나, 종래의 방식으로 합성된 음성은 기계음이 섞여 들리는 등 자연스러움이 떨어진다는 문제점이 있었다.

따라서, 음정 및 박자에 대한 조절이 가능하면서도 자연스러운 음성을 합성할 수 있는 새로운 방법이 요구된다.

한국공개특허 제10-2011-0021944호 (2011.03.04 공개)

본 개시의 몇몇 실시예를 통해 해결하고자 하는 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 음정 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.

본 개시의 몇몇 실시예를 통해 해결하고자 하는 다른 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 박자 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.

본 개시의 몇몇 실시예를 통해 해결하고자 하는 또 다른 기술적 과제는, 주어진 텍스트에 대한 음성을 합성함에 있어서, 음의 세기 조절을 함께 수행할 수 있는 음성 합성 장치 및 그 장치에서 수행되는 방법을 제공하는 것이다.

본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 해결하기 위한, 본 개시의 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 박자 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 박자 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 박자 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.

몇몇 실시예에서, 상기 음성 합성 모델은, 상기 인코더 신경망과 상기 디코더 신경망 사이에 위치하고 상기 디코더 신경망이 상기 인코딩된 벡터에서 집중할 부분을 결정하는 어텐션(attention) 모듈을 더 포함할 수 있다.

몇몇 실시예에서, 상기 인코더 신경망 및 상기 디코더 신경망은 RNN(Recurrent Neural Network) 또는 셀프 어텐션(self-attention) 기법에 기반하여 구현될 수 있다.

몇몇 실시예에서, 상기 애그리게이터 모듈은, 상기 문자 임베딩 벡터와 상기 박자 정보를 연결(concatenate)하여 상기 입력 벡터를 생성할 수 있다.

몇몇 실시예에서, 상기 박자 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음의 길이(duration) 정보일 수 있다.

몇몇 실시예에서, 상기 출력 시퀀스는 스펙트로그램(spectrogram) 형태의 데이터로 구성되고, 상기 음성 합성부는, 상기 출력 시퀀스를 상기 목표 음성으로 변환하는 보코더부를 더 포함할 수 있다.

몇몇 실시예에서, 상기 출력 시퀀스는 스펙트로그램 형태의 데이터로 구성되고, 상기 음성 합성부는, 상기 전처리부에 의해 전처리된 학습용 텍스트와 정답 박자 정보를 상기 음성 합성 모델에 입력하고, 그 결과로 획득된 예측 스펙트로그램 데이터를 정답 스펙트로그램 데이터와 비교하여 오차 값을 산출하며, 상기 산출된 오차 값을 역전파(back-propagation)하여 상기 음성 합성 모델을 학습시킬 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 다른 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 운율 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.

상술한 기술적 과제를 해결하기 위한 본 개시의 또 다른 몇몇 실시예에 따른 음성 합성 장치는, 입력된 텍스트에 대한 전처리를 수행하는 전처리부 및 상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되, 상기 음성 합성 모델은, 상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈, 상기 문자 임베딩 벡터에 대한 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망 및 상기 인코딩된 벡터를 상기 운율 정보를 이용하여 디코딩함으로써 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함할 수 있다.

도 1은 본 개시의 몇몇 실시예에 따른 음성 합성 장치의 입력 및 출력을 설명하기 위한 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 음성 합성 장치와 학습 과정에서의 데이터 흐름을 나타내는 예시적인 블록도이다.
도 3은 본 개시의 몇몇 실시예에 따른 전처리부를 나타내는 예시적인 블록도이다.
도 4는 본 개시의 몇몇 실시예에 따른 텍스트 전처리부의 동작을 설명하기 위한 예시도이다.
도 5는 본 개시의 몇몇 실시예에 따른 음성 분석부의 동작을 설명하기 위한 예시도이다.
도 6은 본 개시의 몇몇 실시예에 따른 음성 합성부를 나타내는 예시적인 블록도이다.
도 7은 본 개시의 몇몇 실시예에 따른 음성 합성 모델의 신경망 구조를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 애그리게이터 모듈의 동작을 설명하기 위한 예시도이다.
도 9는 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 이용될 수 있는 LSTM 순환 신경망을 나타내는 예시도이다.
도 10은 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 대한 학습 과정을 설명하기 위한 예시도이다.
도 11은 본 개시의 몇몇 실시예에 따른 음성 합성 장치와 합성 과정에서의 데이터 흐름을 나타내는 예시적인 블록도이다.
도 12 및 도 13은 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델의 신경망 구조를 설명하기 위한 도면이다.
도 14는 본 개시의 몇몇 실시예에 따른 음성 합성 방법을 나타내는 예시적인 흐름도이다.
도 15는 본 개시의 몇몇 실시예에 따른 음성 합성 모델에 대한 학습 과정을 부연 설명하기 위한 예시적인 흐름도이다.
도 16은 본 개시의 몇몇 실시예에 따른 음성 합성 모델을 이용한 합성 과정을 부연 설명하기 위한 예시적인 흐름도이다.
도 17은 본 개시의 다양한 실시예에서 참조될 수 있는 음성 합성 결과를 나타내는 UI(User Interface)를 설명하기 위한 예시도이다.
도 18은 본 개시의 몇몇 실시예에 따른 음성 합성 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다.

또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

명세서에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는 (comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.

본 명세서에 대한 설명에 앞서, 본 명세서에서 사용되는 몇몇 용어들에 대하여 명확하게 하기로 한다.

본 명세서에서, 운율(prosody) 정보란, 입력된 텍스트에 대한 음정(or 음높이, pitch), 음의 세기(즉, 강약) 등과 같이 합성음의 운율과 연관된 모든 종류의 정보를 포괄할 수 있다. 가령, 상기 운율 정보는 단위 텍스트 또는 단위 시간에 대응되는 음정 정보 또는 음의 세기 정보와 같이 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 단위 텍스트는 음소, 음절, 어절 또는 단어일 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음높이는 이를테면 주파수(e.g. 기본 주파수 F0)의 형태로 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음의 세기는 이를 테면 데시벨(decibel, dB)의 형태로 표시될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

본 명세서에서, 박자 정보란, 입력된 텍스트에 대한 음의 길이(duration) 정보 등과 같이 합성음의 박자와 연관된 모든 종류의 정보를 포괄할 수 있다. 가령, 상기 박자 정보는 단위 텍스트 또는 단위 시간에 대응되는 음의 길이 정보로 표현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 단위 텍스트는 음소, 음절, 어절 또는 단어일 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 상기 음의 길이는 이를테면 지속 시간과 같이 단일 값의 형태로 표현될 수 있고, (시작 시점, 종료 시점)과 같이 범위 값의 형태로 표현될 수도 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

본 명세서에서, 목표 음성이란, 글자 그대로 주어진 텍스트로부터 생성하고자 하는 목표가 되는 합성음을 의미한다.

본 명세서에서, 인스트럭션(instruction)이란, 기능을 기준으로 묶인 일련의 컴퓨터 판독가능 명령어들로서 컴퓨터 프로그램의 구성 요소이자 프로세서에 의해 실행되는 것을 가리킨다.

이하, 본 개시의 몇몇 실시예에 대하여 첨부된 도면에 따라 상세하게 설명한다.

도 1은 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)의 입력 및 출력을 나타내는 예시적인 도면이다.

도 1에 도시된 바와 같이, 음성 합성 장치(10)는 텍스트(1)와 운율 정보(3) 및 박자 정보(5) 중 적어도 하나를 입력받고 그에 대응되는 음성(7)을 합성하여 출력하는 컴퓨팅 장치이다. 이때의 음성(7)은 입력된 운율 정보(3) 및/또는 박자 정보(5)가 반영된 목표 음성(즉, 목표 합성음)을 의미한다. 상기 컴퓨팅 장치는 노트북, 데스크톱(desktop), 랩탑(laptop) 등이 될 수 있으나, 이에 국한되는 것은 아니며 컴퓨팅 기능이 구비된 모든 종류의 장치를 포함할 수 있다. 상기 컴퓨팅 장치의 일 예는 도 18을 더 참조하도록 한다.

도 1은 음성 합성 장치(10)가 단일 컴퓨팅 장치로 구현된 것을 예로써 도시하고 있으나, 음성 합성 장치(10)의 제1 기능은 제1 컴퓨팅 장치에서 구현되고, 제2 기능은 제2 컴퓨팅 장치에서 구현될 수도 있음은 물론이다.

본 개시의 다양한 실시예들에 따르면, 음성 합성 장치(10)는 운율 정보(3) 및/또는 박자 정보(5)가 반영된 목표 음성을 합성하기 위해 신경망(neural network) 기반의 음성 합성 모델을 이용한다. 상기 음성 합성 모델의 신경망 구조 및 학습 방법에 대한 자세한 설명은 도 2 이하의 도면을 참조하여 상세하게 설명하도록 한다.

이하에서는, 음성 합성 장치(10)가 운율 정보(3) 및 박자 정보(5)가 반영된 목표 음성을 합성하는 것을 가정하여 설명을 이어가도록 한다. 다만, 음성 합성 장치(10)는 운율 정보(3)만이 반영되도록 동작할 수도 있고, 박자 정보(50)만이 반영되도록 동작할 수도 있음은 물론이다.

도 2는 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 나타내는 예시적인 블록도이다. 특히, 도 2는 음성 합성 모델(63)이 학습되는 과정에 대한 데이터 흐름을 함께 도시하고 있다.

이해의 편의를 제공하기 위해, 음성 합성 모델(63)의 학습 과정에서의 각 구성요소(21 내지 27)의 동작에 대해서 먼저 설명하고, 음성 합성 과정에서의 각 구성요소(21 내지 27)의 동작은 도 11을 참조하여 후술하도록 한다.

도 2에 도시된 바와 같이, 음성 합성 장치(10)는 입력부(21), 전처리부(23), 저장부(25) 및 음성 합성부(27)를 포함할 수 있다. 다만, 도 2에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다. 또한, 도 2에 도시된 음성 합성 장치(10)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로서, 복수의 구성 요소가 실제 물리적 환경에서는 서로 통합되는 형태로 구현될 수도 있음에 유의한다. 이하, 각 구성요소에 대하여 상세하게 설명한다.

입력부(21)는 학습용 텍스트와 정답 음성 데이터를 포함하는 학습용 데이터셋을 입력받는다. 상기 정답 음성 데이터는 상기 학습용 텍스트에 대응되는 음성 데이터인데, 상기 음성에는 화자의 어조에 따른 운율(즉, 음정과 음의 세기) 특성과 박자 특성이 반영되어 있다. 따라서, 상기 정답 음성 데이터에 반영된 운율 정보와 박자 정보를 기계 학습하는 경우, 운율 또는 박자 조절이 가능하면서도 자연스러운 음성을 합성할 수 있게 된다.

상기 학습용 텍스트와 정답 음성 데이터는 전처리를 위해 전처리부(23)로 입력된다.

다음으로, 전처리부(23)는 입력된 학습용 텍스트 및 정답 음성 데이터에 대한 전처리를 수행한다. 몇몇 실시예에 따른 전처리부(23)는 도 3에 도시된 바와 같이 텍스트 전처리부(31), 음성 분석부(33) 및 음성 전처리부(35)를 포함할 수 있다.

텍스트 전처리부(31)는 입력된 텍스트에 대한 전처리를 수행한다. 상기 전처리는 입력된 텍스트를 문장 단위로 분할하는 것, 문장 단위의 텍스트를 어절, 단어, 문자, 음소 등의 단위로 파싱하는 것, 숫자 및 특수 문자 등을 문자로 변환하는 것 등 다양한 방식이 될 수 있으며, 구체적인 전처리 방식은 실시예에 따라 얼마든지 달라질 수 있다. 전처리 과정의 몇몇 예시는 도 4에 도시되어 있다.

도 4에 도시된 바와 같이, 텍스트 전처리부(31)는 입력된 텍스트(41)의 숫자를 문자로 변환하여 문자 형태의 텍스트(43)를 생성하고, 텍스트(43)를 음소 단위의 텍스트(45)로 변환할 수 있다. 그러나, 이는 텍스트 전처리부(31)의 동작을 설명하기 위한 일 예시에 불과할 뿐이고, 텍스트 전처리부(31)는 다양한 방식으로 자연어 전처리 기능을 수행할 수 있다.

다시 도 3을 참조하면, 음성 분석부(33)는 정답 음성 데이터에 대한 음성 분석을 통해 상기 정답 음성 데이터에 대한 박자 정보와 운율 정보를 추출한다. 음성 분석부(33)는 추출의 정확도를 높이기 위해 정답 음성 데이터와 함께 학습용 텍스트를 더 입력받을 수 있다.

도 3에 도시된 바와 같이, 음성 분석부(33)는 박자 정보 추출부(33-1)와 운율 정보 추출부(33-2)를 포함할 수 있다. 박자 정보 추출부(33-1)는 오디오 형식의 정답 음성 데이터(e.g. wav 형식의 오디오)로부터 박자 정보를 추출하고, 운율 정보 추출부(33-2)는 오디오 형식의 정답 음성 데이터로부터 운율 정보를 추출한다. 가령, 박자 정보 추출부(33-1)는 상기 정답 음성 데이터를 분석하여 각 음소 또는 음절(또는 어절, 문장 등)에 대응되는 음의 길이를 추출할 수 있다. 또한, 운율 정보 추출부(33-2)는 상기 정답 음성 데이터를 분석하여 각 음소 또는 음절(또는 어절, 문장 등)에 대응되는 음의 높낮이(e.g. 주파수) 또는 음의 세기를 추출할 수 있다.

상기 박자 정보와 상기 운율 정보를 추출하기 위해, 당해 기술 분야에서 널리 알려진 하나 이상의 음성 분석 알고리즘이 이용될 수 있다. 이를테면, SPPAS 툴과 같이 당해 기술 분야에서 널리 알려진 음성 분석 및 어노테이션 툴이 이용될 수도 있을 것이다. 현재 SPPAS 툴은 오디오 음성을 분석하여 음소 단위로 음의 길이(duration)와 음정(pitch) 정보를 추출하는 기능을 제공한다.

SPPAS 툴을 이용하여 박자 정보를 추출하는 일 예시는 도 5에 도시되어 있다. 도 5에 도시된 바와 같이, SPPAS 툴은 오디오 형식의 음성 데이터(51)를 분석하여 음소 별로 음의 길이 정보(53)를 추출할 수 있다.

다시 도 3을 참조하면, 음성 전처리부(35)는 오디오 형식의 정답 음성 데이터(e.g. wav 형식의 오디오)를 스펙트로그램 형태의 데이터로 변환한다. 가령, 음성 전처리부(35)는 STFT(Short Time Fourier Transform) 신호 처리를 수행하여 음성 데이터를 STFT 스펙트로그램 데이터로 변환하거나 상기 STFT 스펙트로그램 데이터를 멜-스케일(mel-scale)로 변환할 수 있다. 상기 스펙트로그램 데이터는 음성 합성 모델(63)을 학습시키기 위해 이용될 수 있다.

전처리부(23)에 의해 전처리가 수행된 데이터들(e.g. 전처리된 텍스트, 운율 정보, 박자 정보, 스펙트로그램 데이터 등)은 저장부(25)에 저장될 수 있다. 저장부(25)에 저장된 데이터들은 음성 합성 모델(63)에 대해 반복 학습을 수행하거나 다른 음성 합성 모델을 구축하거나 음성 합성 모델(63)을 다시 구축하기 위해 이용될 수 있다.

다시 도 2를 참조하면, 저장부(25)는 텍스트, 운율 정보, 박자 정보, 음성 데이터, 스펙트로그램 데이터 등의 각종 데이터를 저장하고 관리한다. 데이터의 효과적인 관리를 위해, 저장부(25)는 데이터베이스를 이용할 수 있다.

다음으로, 음성 합성부(27)는 전처리된 학습용 텍스트와 정답 스펙트로그램 데이터를 입력받고 이를 이용하여 신경망 기반의 음성 합성 모델(63)을 구축한다. 이때, 음정, 음의 세기 및/또는 박자 조절 기능을 구비하기 위해, 운율 정보와 박자 정보가 음성 합성 모델(63)의 학습에 이용된다. 가령, 음정 조절 기능을 구비하고 싶은 경우라면 음정 정보를 더 학습하여 음성 합성 모델(63)이 구축될 수 있다. 또한, 박자 조절 기능을 구비하고 싶은 경우라면, 박자 정보를 더 학습하여 음성 합성 모델(63)이 구축될 수 있다.

도 6에 도시된 바와 같이, 몇몇 실시예에 따른 음성 합성부(27)는 학습부(61), 음성 합성 모델(63), 합성부(65) 및 보코더부(67)를 포함할 수 있다. 이하, 음성 합성부(27)의 세부 구성요소에 대하여 상세하게 설명한다.

학습부(61)는 학습용 데이터셋을 이용하여 음성 합성 모델(63)을 학습시킨다. 즉, 학습부(61)는 학습용 데이터셋을 이용하여 음성 합성 모델(63)의 예측 오차가 최소화되도록 음성 합성 모델(63)의 가중치를 갱신함으로써 음성 합성 모델(63)을 구축할 수 있다. 상기 학습용 데이터셋은 전처리부(23) 또는 저장부(25)로부터 제공받을 수 있을 것이다. 이해의 편의를 제공하기 위해, 음성 합성 모델(63)의 신경망 구조에 대해서 먼저 설명하고, 그 이후 학습부(61)의 동작에 대하여 상세하게 설명하도록 한다.

음성 합성 모델(63)은 전처리된 텍스트와 운율 정보 및/또는 박자 정보를 입력받고, 그에 대응되는 음성을 합성하는 신경망 기반의 모델이다. 도 7에 도시된 바와 같이, 본 개시의 몇몇 실시예에 따른 음성 합성 모델(63)은 임베딩 모듈(71), 애그리게이터(aggregator) 모듈(73), 인코더 신경망(75), 어텐션(attention) 모듈(77) 및 디코더 신경망(79)을 포함할 수 있다.

임베딩 모듈(71)은 임베딩(embedding) 기법을 통해 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 모듈이다. 이때, 임베딩 모듈(71)은 음소 단위로 문자 임베딩 벡터를 생성할 수 있고, 음절, 단어, 어절 등의 단위로 문자 임베딩 벡터를 생성할 수도 있다. 가령, 임베딩 모듈(71)은 fasttext 임베딩 기법, 오토-인코더(auto-encoder) 임베딩 기법, 셀프-어텐션(self-attention) 임베딩 기법 등을 이용하여 문자 임베딩 벡터를 생성할 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

다음으로, 애그리게이터 모듈(75)은 입력된 정보를 애그리게이팅(aggregating)하여 인코더 신경망(75)을 위한 입력 시퀀스(sequence)를 구성하는 입력 벡터를 생성하는 모듈이다. 가령, 문자 임베딩 벡터, 운율 정보 및 박자 정보가 입력된 경우, 애그리게이터 모듈(75)은 상기 문자 임베딩 벡터, 상기 운율 정보 및 상기 박자 정보를 애그리게이팅하여 인코더 신경망(75)을 위한 입력 벡터를 생성할 수 있다. 또한, 상기 생성된 입력 벡터의 시퀀스가 인코더 신경망(75)으로 입력될 수 있다.

애그리게이팅이 수행되는 구체적인 방식은 실시예에 따라 얼마든지 달라질 수 있다.

몇몇 실시예에서, 애그리게이터 모듈(75)은 입력된 정보를 연결(concatenation)하는 방식으로 애그리게이팅을 수행할 수 있다. 이에 대한 실례는 도 8에 도시되어 있다. 특히, 도 8은 도 5에 도시된 음소 단위의 박자 정보(53)를 대응되는 문자 임베딩 벡터(81, 84)에 연결하여 입력 시퀀스를 생성하는 예를 도시하고 있다. 도 8에 도시된 바와 같이, 애그리게이터 모듈(73)은 음소(p)에 대한 제1 박자 정보(82)를 음소(p)에 대한 제1 문자 임베딩 벡터(81)와 연결하여 제1 입력 벡터(83)를 생성하고, 다음 음소(r)에 대한 제2 박자 정보(85)를 음소(r)에 대한 제2 문자 임베딩 벡터(84)와 연결하여 제2 입력 벡터(86)를 생성할 수 있다. 이렇게 생성된 입력 벡터(83, 86)들은 인코더 신경망(75)의 입력 시퀀스를 구성하게 된다. 운율 정보도 이와 유사한 방식으로 문자 임베딩 벡터에 연결될 수 있다.

다른 몇몇 실시예에서, 인공 신경망(e.g. 인코더 신경망 75 앞 단에 완전 연결 레이어를 배치)을 통해 입력된 정보가 애그리게이팅될 수 있다. 또는, 셀프-어텐션 또는 오토 인코더 기법을 이용하 애그리게이팅이 수행될 수도 있다.

또 다른 몇몇 실시예에서, 인공 신경망과 같은 비선형 모델 외에도 선형 모델(linear model)을 통해 애그리게이팅이 수행될 수도 있다. 가령, 선형 모델을 이용하여 문자 임베딩 벡터(e.g. 81, 84)와 박자 정보(e.g. 82, 85)이 애그리게이팅됨으로써, 인코더 신경망(75)의 입력 벡터(또는 시퀀스)가 생성될 수 있다. 그러나, 본 개시의 기술적 범위가 상기 열거된 예시에 한정되는 것은 아니다.

다시 도 7을 참조하여 음성 합성 모델(63)의 다른 구성요소에 대하여 설명하도록 한다.

인코더 신경망(75)은 하나 이상의 벡터로 구성된 입력 시퀀스를 입력받고, 상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 신경망이다. 학습이 진행됨에 따라 인코더 신경망(75)은 상기 입력 시퀀스에 내포된 컨텍스트(context)를 이해하고, 이해된 컨텍스트를 나타내는 인코딩된 벡터를 출력하게 된다. 상기 인코딩된 벡터는 당해 기술 분야에서 컨텍스트 벡터(context vector)란 용어로 명명될 수도 있다.

몇몇 실시예에서, 인코더 신경망(75) 및 디코더 신경망(79)은 시퀀스를 입력받고 출력하기에 적합하도록 RNN(Recurrent Neural Network)으로 구현될 수 있다. 이를테면, 인코더 신경망(75)과 디코더 신경망(79)은 도 9에 도시된 바와 같은 LSTM(Long Short-Term Memory Model) 신경망(90)으로 구현될 수 있다. 그러나, 이에 한정되는 것은 아니고, 인코더 신경망(75)과 디코더 신경망(79) 중 적어도 일부는 셀프 어텐션(self-attention), 트랜스포머 네트워크(transformer network) 등을 통해 구현될 수도 있다. 당해 기술 분야의 종사자라면, 셀프 어텐션, 트랜스포머 네트워크에 관하여 자명하게 이해할 수 있을 것인 바, 해당 기법에 대한 자세한 설명은 생략하도록 한다.

다시 도 7을 참조하면, 어텐션 모듈(77)은 디코더 신경망(79)에서 인코딩된 벡터에 대한 출력 시퀀스를 학습/예측할 때 어느 부분에 중점을 두어야(또는 어느 부분에 집중하여야) 하는지를 나타내는 어텐션 정보를 제공하는 모듈이다. 학습이 진행됨에 따라, 어텐션 모듈(77)은 인코딩된 벡터와 상기 출력 시퀀스 간의 매핑 관계를 학습하여 디코딩 시에 집중해야 될 부분과 그렇지 않은 부분을 나타내는 어텐션 정보를 제공할 수 있다. 상기 어텐션 정보는 가중치 벡터(또는 가중치 매트릭스)의 형태로 제공될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다. 당해 기술 분야의 당업자라면, 어텐션 메커니즘에 대해서 자명하게 이해할 수 있을 것인 바, 더 이상의 자세한 설명은 생략하도록 한다.

디코더 신경망(79)은 상기 인코딩된 벡터와 상기 어텐션 정보를 입력받고 상기 인코딩된 벡터에 대응되는 출력 시퀀스를 출력한다. 보다 상세하게는, 디코더 신경망(79)은 상기 인코딩된 벡터와 상기 어텐션 정보를 이용하여 특정 운율 및 박자 정보가 반영된 음성에 대한 출력 시퀀스를 예측한다. 이때, 상기 출력 시퀀스는 프레임 단위의 스펙트로그램 데이터로 구성될 수 있으나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

디코더 신경망(79)이 순환 신경망으로 구현된 경우, 디코더 신경망(79)은 이전 프레임의 스펙트로그램 데이터를 더 입력받고 현재 프레임의 스펙트로그램 데이터를 순차적으로 출력함으로써 출력 시퀀스를 구성할 수 있다.

상기 스펙트로그램 데이터는 음성 신호의 스펙트로그램을 나타내는 데이터로, STFT 스펙트로그램 데이터 또는 멜-스펙트로그램 데이터 등이 될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

참고로, 디코더 신경망(79)이 음성 신호가 아니고 스펙트로그램 데이터를 출력하도록 구성하는 이유는, 스펙트로그램 데이터로 학습을 수행하면 음성 신호에 비해 더 정확하게 예측 오차를 산출할 수 있기 때문이다. 또한, 정확한 예측 오차 산출이 가능해짐으로써, 보다 성능이 우수한 음성 합성 모델이 구축될 수 있기 때문이다.

지금까지 도 7 내지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 모델(63)의 신경망 구조와 동작 원리에 대하여 설명하였다. 이하에서는, 이상의 설명을 바탕으로 도 10을 참조하여 학습부(61)가 음성 합성 모델(63)을 학습시키는 과정에 대하여 설명한다.

도 10에 도시된 바와 같이, 각각의 학습 데이터(100)는 학습용 텍스트(101)와 정답 음성 데이터(102)를 포함할 수 있다. 물론, 학습 데이터(100)는 학습용 박자 정보 및 학습용 운율 정보 중 적어도 하나와 학습용 텍스트(101) 및 정답 스펙트로그램 데이터로 구성될 수도 있다.

정답 음성 데이터(102)는 텍스트(101)에 대응되는 오디오 형식의 음성 데이터이다. 학습이 수행되기 전에, 정답 음성 데이터(102)는 음성 전처리부(35)를 통해 정답 스펙트로그램 데이터(104)로 변환되고, 텍스트(101)는 텍스트 전처리부(31)에 의해 적절한 전처리가 수행될 수 있다. 또한, 전술한 바와 같이, 음성 분석부(33)는 정답 음성 데이터(102)를 분석하여 박자 정보 및/또는 운율 정보를 추출할 수 있다.

학습부(61)에 의해 음성 합성 모델(63)이 학습되는 과정은 다음과 같다. 먼저, 전처리된 텍스트(101)가 임베딩 모듈(71)로 입력되면, 임베딩 모듈(71)에 의해 전처리된 텍스트(101)가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터와 상기 박자 정보 및/또는 운율 정보는 애그리게이터 모듈(73)에 의해 단일한 입력 벡터로 변환된다. 상기 입력 벡터의 시퀀스는 인코더 신경망(75)으로 입력되고, 그 결과 디코더 신경망(79)에서 예측 스펙트로그램 데이터(103)로 구성된 출력 시퀀스가 출력된다.

학습부(61)는 예측 스펙트로그램 데이터(103)와 정답 스펙트로그램 데이터(104)를 비교하여 예측 오차(105)를 산출하고, 예측 오차(105)를 역전파하여 음성 합성 모델(63)의 가중치를 갱신한다. 이때, 인코더 신경망(75), 어텐션 모듈(77) 및 디코더 신경망(79)의 가중치는 상기 역전파를 통해 한번에 갱신될 수 있다. 임베딩 모듈(71) 및/또는 애그리게이터 모듈(73)이 신경망의 일부 레이어로 구현된 경우, 임베딩 모듈(71) 및/또는 애그리게이터 모듈(73)의 가중치 또한 함께 갱신될 수 있다. 학습부(61)는 이와 같은 학습 과정을 다수의 학습 데이터에 대해 반복함으로써 음성 합성 모델(63)을 구축할 수 있다.

한편, 본 개시의 몇몇 실시예에 따르면, 예측 오차(105)는 어텐션 오차(106) 값을 더 포함할 수 있다. 어텐션 오차(106)는 어텐션 모듈(77)이 제공하는 어텐션 정보(즉, 예측 정보)와 음성 분석부(33)에 의해 추출된 박자 정보(즉, 정답 박자 정보) 또는 운율 정보(즉, 정답 운율 정보) 간의 오차를 의미한다. 가령, 박자 정보를 토대로 학습을 수행하는 경우, 길이가 긴 음에 더 중점을 두고 디코딩이 수행될 것이기 때문에, 어텐션 정보는 상기 박자 정보와 유사한 값을 가져야 한다. 따라서, 어텐션 정보와 박자 정보 간의 차이(즉, 어텐션 오차 106)가 최소가 되도록 음성 합성 모델(63)의 가중치가 갱신되면, 음성 합성 모델(63)을 통해 보다 정확한 박자 조절 기능이 제공될 수 있게 된다. 다른 예를 들어, 운율 정보 중 음정 정보를 토대로 학습을 수행하는 경우, 음정이 높은 음에 더 중점을 두고 디코딩이 수행될 것이기 때문에, 어텐션 정보는 상기 음정 정보와 유사한 값을 가져야 한다. 따라서, 어텐션 정보와 음정 정보 간의 차이(즉, 어텐션 오차 106)가 최소가 되도록 음성 합성 모델(63)의 가중치가 갱신되면, 음성 합성 모델(63)을 통해 보다 정확한 음정 조절 기능이 제공될 수 있게 된다.

몇몇 실시예에서, 전술한 어텐션 오차(106)가 예측 오차(105)에 반영되는 정도를 제어하기 위한 파라미터가 더 이용될 수도 있다. 상기 파라미터는 일종의 하이퍼파라미터(hyper-parameter)로써, 모델(63) 학습 전에 어텐션 오차(106)가 예측 오차(105)에 반영되는 정도를 조절하기 위해 설정될 수 있다. 가령, 상기 설정된 파라미터의 값이 어텐션 오차(106)에 반영(e.g. 곱셈, 덧셈 등)되어, 어텐션 오차(107)의 크기가 변경되고, 변경된 크기의 어텐션 오차(107)가 예측 오차(105)에 반영(e.g. 덧셈)될 수 있다. 몇몇 예시에서, 상기 파라미터의 값을 변경해가며, 음성 합성 모델(63)에 대한 학습이 수행될 수도 있다. 가령, 상기 파라미터를 제1 값으로 설정한 다음 제1 음성 합성 모델에 대한 학습이 수행되고, 상기 파라미터를 제2 값으로 설정한 다음 제2 음성 합성 모델에 대한 학습이 수행될 수 있다. 또한, 상기 제1 음성 합성 모델과 상기 제2 음성 합성 모델의 성능 평가 결과에 따라 실제 합성 과정에 이용될 음성 합성 모델이 결정될 수도 있다.

지금까지 도 7 내지 도 10을 참조하여 학습부(61) 및 음성 합성 모델(63)에 대해 설명하였다. 음성 합성부(27)의 다른 구성요소(65, 67)들은 실제 음성 합성 시에 이용되는 것들인 바, 도 11과 함께 설명하도록 한다.

도 11 또한 본 개시의 몇몇 실시예에 따른 음성 합성 장치(11)를 나타내는 예시적인 블록도인데, 도 11은 음성 합성 과정에서의 데이터 흐름을 함께 도시하고 있다. 이하, 도 6 및 도 11을 함께 참조하며 설명한다.

음성 합성 모델(63)이 구축되면, 합성용 텍스트에 대한 음성 합성 기능에 제공될 수 있다. 이하, 음성 합성 과정에서의 각 구성요소(21 내지 27)의 동작에 대하여 설명하도록 한다.

입력부(21)는 합성용 정보(111)를 입력받는다. 합성용 정보(111)는 합성용 텍스트와 합성용 운율 정보 및 합성용 박자 정보를 포함한다. 이중에서 합성용 텍스트는 텍스트 전처리부(31)로 입력되고, 텍스트 전처리부(31)에 의해 전처리가 수행된다. 상기 합성용 운율 정보 및 상기 합성용 박자 정보는 음성 합성부(27)로, 정확하게는 합성부(65)로, 입력된다.

합성부(65)는 음성 합성 모델(63)에 전처리된 합성용 텍스트, 상기 합성용 운율 정보 및 상기 합성용 박자 정보를 입력하고 그 결과로 목표 음성과 연관된 출력 시퀀스를 얻어온다. 전술한 바와 같이, 상기 출력 시퀀스는 예를 들어 프레임 단위의 스펙트로그램 데이터로 구성될 수 있다. 상기 출력 시퀀스는 오디오 형식의 목표 음성으로 변환되기 위해 보코더부(67)로 입력된다.

보코더부(67)는 상기 출력 시퀀스를 오디오 형식의 음성 데이터(즉, 목표 음성)로 변환한다. 상기 변환 기능을 수행할 수 있다면, 보코더부(67)는 어떠한 방식으로 구현되더라도 무방하다. 가령, 보코더부(67)는 당해 기술 분야에서 널리 알려진 하나 이상의 보코더 모듈(e.g. WaveNet, Griffin-lim)로 구현될 수 있을 것이다. 본 발명의 논지를 흐리지 않기 위해 보코더부(67)에 대한 자세한 설명은 생략하도록 한다.

보코더부(67)에 의해 출력된 목표 음성은 합성용 운율 정보 및 합성용 박자 정보가 반영된 음성이다.

참고로, 목표 음성의 운율을 변경하고 싶은 경우, 운율 정보를 변경하여 다시 음성을 합성하면 된다. 같은 맥락으로, 목표 음성의 박자를 변경하고 싶다면, 박자 정보를 변경하여 다시 음성을 합성하면 된다. 이와 같이, 본 개시의 다양한 실시예에 따른 음성 합성 모델(63)을 이용하면, 입력되는 운율 또는 박자 정보를 조절함으로써 최종적으로 합성되는 목표 음성의 운율 또는 박자를 조절할 수 있다.

한편, 도 2, 도 3, 도 6 및 도 11에 도시된 구성요소 전부가 음성 합성 장치(10)를 구현하기 위한 필수 구성요소는 아닐 수도 있음에 유의하여야 한다. 즉, 본 개시의 다른 몇몇 실시예에 따른 음성 합성 장치(10)는 도 2, 도 3, 도 6 및 도 11에 도시된 구성요소 중 일부에 의해 구현될 수도 있다.

도 2, 도 3, 도 6 및 도 11에 도시된 각 구성 요소는 소프트웨어(Software) 또는, FPGA(Field Programmable Gate Array)나 ASIC(Application-Specific Integrated Circuit)과 같은 하드웨어(Hardware)를 의미할 수 있다. 그렇지만, 상기 구성 요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(Addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성 요소들 안에서 제공되는 기능은 더 세분화된 구성 요소에 의하여 구현될 수 있으며, 복수의 구성 요소들을 합하여 특정한 기능을 수행하는 하나의 구성 요소로 구현될 수도 있다.

지금까지 도 2 내지 도 11을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)에 대하여 설명하였다. 상술한 바에 따르면, 화자의 실제 음성 데이터에 반영된 박자 정보 및 운율 정보를 합성하여 신경망 기반의 음성 합성 모델이 구축되기 때문에, 박자 및 운율 조절이 가능하면서도 자연스러운 합성음이 생성될 수 있다. 이를테면, 운율 정보 상의 음의 강약 또는 음정을 조절함으로써 합성되는 목표 음성에 담긴 박자 또는 운율이 조절될 수 있다.

이하에서는, 도 12 및 도 13을 참조하여 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델의 신경망 구조에 대하여 설명하도록 한다. 이하의 실시예들을 설명함에 있어서, 상술한 음성 합성 모델(63)과 중복되는 부분에 대한 설명은 생략하도록 한다.

도 12는 본 개시의 제1 실시예에 따른 변형된 음성 합성 모델(120)의 신경망 구조를 도시한다.

도 12에 도시된 바와 같이, 상기 제1실시예에 따른 음성 합성 모델(120)의 구성요소들(121 내지 125)은 전술한 음성 합성 모델(63)과 유사하다. 다만, 애그리게이터 모듈(122)이 박자 정보(126)와 문자 임베딩 벡터를 기초로 입력 시퀀스를 생성하고, 운율 정보(127)가 디코더 신경망(125)으로 제공되는 점에서 전술한 음성 합성 모델(63)과 차이가 있다.

몇몇 실시예에서, 운율 정보(127)가 디코더 신경망(125)으로 제공될 때, 운율 정보(127)는 디코더 신경망(125)의 디코딩 간격에 따라 변환될 수 있다. 가령, 운율 정보(127)가 음소 단위로 설정된 음정 정보인 경우, 상기 음정 정보는 음소 단위로 구분되지 않고 스펙트로그램 데이터의 프레임 단위로 구분되어 디코더 신경망(125)으로 제공될 수 있다.

상기 제1 실시예에서, 디코더 신경망(125)은 인코딩된 벡터와 어텐션 정보를 디코딩하여 출력 시퀀스를 출력하는데, 이때 운율 정보(127)를 함께 이용하여 디코딩을 수행한다. 다른 모듈(121, 123, 124)의 동작은 전술한 바와 유사하다.

상기 제1 실시예에 따르면, 합성된 음성의 운율 디코딩 시에 입력된 운율 정보에 기초하여 조절될 수 있다. 즉, 디코딩 직전에 입력된 운율 정보에 기초하여 운율 조절이 수행될 것인 바, 보다 정밀하게 운율 조절이 수행될 수 있다는 장점이 있다. 이상에서 언급된 효과는 박자 정보의 경우에도 동일하게 적용될 수 있다.

도 13은 본 개시의 제2 실시예에 따른 변형된 음성 합성 모델(130)의 신경망 구조를 도시한다.

도 13에 도시된 바와 같이, 상기 제2실시예에 따른 음성 합성 모델(130)의 구성요소들(131 내지 135)은 전술한 음성 합성 모델(63 or 130)과 유사하다. 다만, 운율 정보(137)가 애그리게이터 모듈(123)로 입력되고 디코더 신경망(135)로도 입력되는 점에서 전술한 음성 합성 모델(63)과 차이가 있다.

상기 제1 실시예와 마찬가지로, 디코더 신경망(135)은 인코딩된 벡터와 어텐션 정보를 디코딩하여 출력 시퀀스를 출력하는데, 이때 운율 정보(137)를 함께 이용하여 디코딩을 수행한다. 다른 모듈(131, 133, 134)의 동작은 전술한 바와 유사하다.

인코더 신경망으로 운율 정보가 입력되는 경우, 텍스트 정보와 함께 운율 조절 기능이 학습되기 때문에, 사용자가 느끼기에 보다 직관적으로(즉, 보다 자연스럽게) 합성 음성의 운율이 조절된다는 장점이 있다. 따라서, 상기 제2 실시예에 따르면, 합성 음성에 대해 자연스럽고도 세밀한 운율 조절이 수행될 수 있다. 이상에서 언급된 효과는 박자 정보의 경우에도 동일하게 적용될 수 있다.

지금까지 도 12 및 도 13을 참조하여 본 개시의 다양한 실시예들에 따른 변형된 음성 합성 모델들(120, 130)에 대하여 설명하였다. 이하에서는, 도 14 내지 도 17을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 상세하게 설명하도록 한다.

상기 음성 합성 방법의 각 단계는 컴퓨팅 장치에 의해 수행될 수 있다. 다시 말하면, 상기 음성 합성 방법의 각 단계는 컴퓨팅 장치의 프로세서에 의해 실행되는 하나 이상의 인스트럭션들로 구현될 수 있다. 상기 음성 합성 방법에 포함되는 모든 단계는 하나의 물리적인 컴퓨팅 장치에 의하여 실행될 수도 있을 것이나, 상기 방법의 제1 단계들은 제1 컴퓨팅 장치에 의하여 수행되고, 상기 방법의 제2 단계들은 제2 컴퓨팅 장치에 의하여 수행될 수도 있다. 이하에서는, 상기 음성 합성 방법의 각 단계가 음성 합성 장치(10)에 의해 수행되는 것을 가정하여 설명을 이어가도록 한다. 다만, 설명의 편의를 위해, 상기 음성 합성 방법에 포함되는 각 단계의 동작 주체는 그 기재가 생략될 수도 있다.

도 14는 본 개시의 몇몇 실시예에 따른 음성 합성 방법을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 14에 도시된 바와 같이, 상기 음성 합성 방법은 음성 합성 모델을 구축하는 학습 과정과 상기 음성 합성 모델을 이용하여 음성을 합성하는 합성 과정으로 구성된다.

상기 학습 과정은 학습용 데이터셋을 획득하는 단계 S100에서 시작된다. 이때, 상기 학습용 데이터셋에 포함된 각각의 학습용 데이터는 학습용 텍스트와 및 정답 음성 데이터로 구성된다.

단계 S200에서, 상기 학습용 데이터셋을 이용하여 신경망 기반의 음성 합성 모델이 구축된다. 상기 음성 합성 모델의 구조는 이미 전술한 바와 같으므로, 더 이상의 설명은 생략하도록 하고, 본 단계 S200의 세부 내용은 도 15를 참조하여 후술한다.

상기 합성 과정은 합성용 데이터를 획득하는 단계 S300에서 시작된다. 상기 합성용 데이터는 합성용 텍스트, 합성용 운율 정보 및 합성용 박자 정보로 구성된다. 물론, 합성될 음성의 운율을 조절하지 않는 경우라면, 상기 합성용 운율 정보는 상기 합성용 데이터에서 제외될 수 있다. 마찬가지로, 합성될 음성의 박자를 조절하지 않는 경우라면, 상기 합성용 박자 정보는 상기 합성용 데이터에서 제외될 수 있을 것이다.

단계 S400에서, 음성 합성 모델을 이용하여 상기 합성용 텍스트에 대한 목표 음성이 합성되어 출력된다. 보다 구체적으로, 음성 합성 모델로부터 스펙트로그램 데이터로 구성된 출력 시퀀스가 출력되고, 상기 출력 시퀀스를 보코딩하여 상기 목표 음성이 출력될 수 있다. 이때, 상기 목표 음성은 상기 합성용 운율 정보와 상기 합성용 박자 정보가 반영된 음성이다. 상기 합성된 목표 음성의 실례에 대해서는 도 17을 참조하도록 한다.

본 단계 S400에서, 운율 정보 상의 음정 또는 음의 세기를 조절함으로써, 합성되는 목표 음성의 운율이 조절될 수 있다. 또한, 박자 정보 상의 음의 길이를 조절함으로써, 합성되는 목표 음성의 박자가 조절될 수 있다.

참고로, 전술한 단계 S100 내지 S400 중에서, 단계 S100 및 S200은 입력부(21), 전처리부(23) 및 학습부(61)에 의해 수행되고, 단계 S300 및 S400은 입력부(21), 전처리부(23), 합성부(65) 및 보코더부(67)에 의해 수행될 수 있다.

지금까지 도 14를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 설명하였다. 이하에서는, 도 15를 참조하여 단계 S200에서 수행될 수 있는 음성 합성 모델 구축 방법에 대하여 보다 상세하게 설명하도록 한다.

도 15는 본 개시의 몇몇 실시예에 따른 음성 합성 모델의 학습 과정을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 15에 도시된 바와 같이, 상기 학습 과정은 학습용 텍스트와 정답 음성 데이터를 전처리하는 단계 S210에서 시작된다. 정답용 음성 데이터는 전처리를 통해 정답 스펙트로그램 데이터로 변환될 수 있다. 상기 전처리에 대한 내용은 앞서 설명한 바와 같으므로, 더 이상의 설명은 생략하도록 한다.

단계 S220에서, 정답 음성 데이터를 분석하여 학습용 텍스트에 대한 박자 정보와 운율 정보가 추출된다.

단계 S230에서, 임베딩을 통해 전처리된 텍스트가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터는 음소 별로 생성될 수 있고, 음절 별로 생성될 수도 있으며, 이는 실시예에 따라 얼마든지 달라질 수 있다. 상기 임베딩은 음성 합성 모델(e.g. 도 7의 73)을 구성하는 임베딩 모듈(e.g. 도 7의 71)에서 수행될 수 있을 것이나, 별도의 임베딩 모듈에서 수행될 수도 있다.

단계 S240에서, 음성 합성 모델의 애그리게이터 모듈(e.g. 도 7의 73)에서 문자 임베딩 벡터와 운율 정보 및 박자 정보를 애그리게이팅하여 인코더 신경망(e.g. 도 7의 75)의 입력 시퀀스를 구성하는 입력 벡터가 생성된다. 이를테면, 문자 임베딩 벡터에 상기 운율 정보 및 상기 박자 정보를 연결함으로 상기 입력 벡터가 생성될 수 있고, 상기 입력 벡터의 시퀀스가 상기 인코더 신경망의 입력 시퀀스가 될 수 있다. 다만, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

단계 S250에서, 인코더 신경망(e.g. 도 7의 75)에서 입력 시퀀스에 대해 인코딩이 수행된다. 이를 통해, 상기 입력 시퀀스가 인코딩된 벡터로 변환되고, 상기 인코딩된 벡터가 상기 인코더 신경망에서 출력된다.

단계 S240에서, 음성 합성 모델의 디코더 신경망(e.g. 도 7의 79)에서 상기 인코딩된 벡터에 대한 디코딩이 수행된다. 이를 통해, 상기 인코딩된 벡터가 예측 스펙트로그램 데이터로 구성된 출력 시퀀스로 변환되고, 상기 출력 시퀀스가 상기 디코더 신경망에서 출력된다.

몇몇 실시예에서, 상기 디코더 신경망은 상기 인코더 신경망과 상기 디코더 신경망의 사이에 위치한 어텐션 모듈(e.g. 도 7의 77)로부터 어텐션 정보를 더 입력받을 수 있다.

또한, 몇몇 실시예에서, 상기 디코더 신경망은 이전 프레임의 예측 스펙트로그램 데이터를 입력받고, 이를 더 이용하여 현재 프레임의 예측 스펙트로그램 데이터를 출력할 수 있다.

단계 S250에서, 정답 스펙트로그램 데이터와 예측 스펙트로그램 데이터 간의 오차 값을 역전파하여 음성 합성 모델의 가중치가 갱신된다. 이때, 상기 오차 역전파를 통해 상기 인코더 신경망과 상기 디코더 신경망의 가중치가 한번에 갱신될 수 있다. 음성 합성 모델에 임베딩 모듈이 포함되어 있다면, 상기 임베딩 모듈의 가중치도 같이 갱신될 수 있다.

몇몇 실시예에서, 상기 오차 값은 어텐션 오차를 더 포함할 수 있다. 상기 어텐션 오차에 대해서는 전술한 바와 같으므로, 더 이상의 설명은 생략하도록 한다.

전술한 단계 S210 내지 S270이 다수의 학습용 데이터에 대하여 수행됨으로써, 음성 합성 모델이 구축될 수 있다. 또한, 전술한 단계 S210 내지 S270 중에서, 단계 S210은 텍스트 전처리부(31)와 음성 전처리부(35)에 의해 수행되고, 단계 S220은 음성 분석부(33)에서 수행되며, 나머지 단계 S230 내지 S270은 학습부(61)와 음성 합성 모델(63)에 의해 수행될 수 있다.

지금까지 도 15를 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 모델 구축 방법에 대하여 설명하였다. 상술한 방법에 따르면, 운율 및 박자 조절이 가능한 음성 합성 모델이 구축될 수 있다.

이하에서는, 도 16을 참조하여 단계 S400에서 수행될 수 있는 음성 합성 과정에 대하여 상세하게 설명하도록 한다.

도 16은 본 개시의 몇몇 실시예에 따른 음성 합성 모델 기반의 음성 합성 과정을 나타내는 예시적인 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.

도 16에 도시된 바와 같이, 상기 음성 합성 방법은 합성용 텍스트를 전처리하는 단계 S410에서 시작된다.

단계 S420에서, 임베딩을 통해 전처리된 합성용 텍스트가 문자 임베딩 벡터로 변환된다. 상기 문자 임베딩 벡터는 음소 별로 생성될 수 있고, 음절 별로 생성될 수도 있으며, 이는 실시예에 따라 얼마든지 달라질 수 있다. 상기 임베딩은 음성 합성 모델(e.g. 도 7의 73)을 구성하는 임베딩 모듈(e.g. 도 7의 71)에서 수행될 수 있을 것이나, 별도의 임베딩 모듈에서 수행될 수도 있다.

단계 S430에서, 음성 합성 모델의 애그리게이터 모듈(e.g. 도 7의 73)에서 문자 임베딩 벡터와 합성용 운율 정보 및 합성용 박자 정보를 애그리게이팅하여 인코더 신경망(e.g. 도 7의 75)의 입력 시퀀스를 구성하는 입력 벡터가 생성된다. 이를테면, 문자 임베딩 벡터에 상기 운율 정보 및 상기 박자 정보를 연결함으로 상기 입력 벡터가 생성될 수 있고, 상기 입력 벡터의 시퀀스가 상기 인코더 신경망의 입력 시퀀스가 될 수 있다. 다만, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

단계 S440에서, 인코더 신경망(e.g. 도 7의 75)에서 입력 시퀀스에 대해 인코딩이 수행된다. 이를 통해, 상기 입력 시퀀스가 인코딩된 벡터로 변환되고, 상기 인코딩된 벡터가 상기 인코더 신경망에서 출력된다.

단계 S450에서, 음성 합성 모델의 디코더 신경망(e.g. 도 7의 79)에서 상기 인코딩된 벡터에 대한 디코딩이 수행된다. 이를 통해, 상기 인코딩된 벡터가 프레임 단위의 스펙트로그램 데이터로 구성된 출력 시퀀스로 변환되고, 상기 출력 시퀀스가 상기 디코더 신경망에서 출력된다.

몇몇 실시예에서, 상기 디코더 신경망은 상기 인코더 신경망과 상기 디코더 신경망의 사이에 위치한 어텐션 모듈(e.g. 도 7의 77)로부터 어텐션 정보를 더 입력받고, 상기 어텐션 정보를 더 이용하여 디코딩을 수행할 수 있다.

또한, 몇몇 실시예에서, 상기 디코더 신경망은 이전 프레임의 스펙트로그램 데이터를 입력받고, 이를 더 이용하여 현재 프레임의 스펙트로그램 데이터를 출력할 수 있다.

단계 S450에서, 출력 시퀀스에 포함된 프레임 단위의 스펙트로그램 데이터를 보코딩하여 오디오 형식의 목표 음성이 합성된다. 이때, 상기 목표 음성은 합성용 운율 정보 및 합성용 박자 정보가 반영된 음성이 된다.

몇몇 실시예에서는, GUI(Graphical User Interface)를 통해 상기 목표 음성이 시각적으로 제공될 수도 있다. 상기 GUI에 대한 실례는 도 17에 도시되어 있다. 도 17의 상단에 도시된 표(171)는 합성용 텍스트/운율/박자 정보를 음절 단위로 표시한 것이고, 도 17의 하단에 도시된 GUI(175)는 표(171)의 합성용 정보로부터 합성된 목표 음성을 음성 파형의 형태로 표시한 것이다. 특히, 상기 도시된 음성 파형은 전술한 실시예들에 따라 구축된 음성 합성 모델을 통해 합성된 실제 결과를 도시한 것이다.

도 17에 도시된 바와 같이, 합성용 운율 정보와 합성용 박자 정보에 따라 목표 음성이 정확하게 합성되는 것을 확인할 수 있다. 가령, 음절("이")의 음정 정보(173)는 "660Hz"이고, 음절("이")의 음정 정보(174)는 "663Hz"이므로 다른 음절에 비해 상대적으로 높은 음정 값으로 설정되었는데, 음절("이")와 음절("름")의 음성 파형(177, 178)이 높은 음정으로 합성된 것을 확인할 수 있다. 또한, 음절("요")의 박자 정보(172)는 "0.5sec"로 다른 음절에 비해 상대적으로 음길이가 길게 설정되었는데, 음절("요")의 음성 파형(176)이 긴 음길이로 합성된 것을 확인할 수 있다.

전술한 단계 S410 내지 S460 중에서, 단계 S410은 텍스트 전처리부(31)에 의해 수행되고, 단계 S420 내지 S450은 합성부(65)와 음성 합성 모델(63)에 의해 수행되며, 단계 S460은 보코더부(67)에 의해 수행될 수 있다.

지금까지 도 14 내지 도 17을 참조하여 본 개시의 몇몇 실시예에 따른 음성 합성 방법에 대하여 설명하였다. 이하에서는, 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)에 대하여 설명하도록 한다.

도 18은 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)를 나타내는 하드웨어 구성도이다.

도 18에 도시된 바와 같이, 컴퓨팅 장치(180)는 하나 이상의 프로세서(181), 버스(183), 통신 인터페이스(184), 프로세서(181)에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리(182)와, 컴퓨터 프로그램(186)을 저장하는 스토리지(185)를 포함할 수 있다. 다만, 도 18에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 18에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(181)는 컴퓨팅 장치(180)의 각 구성의 전반적인 동작을 제어한다. 프로세서(181)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다. 또한, 프로세서(181)는 본 개시의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(180)는 하나 이상의 프로세서를 구비할 수 있다.

메모리(182)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(182)는 본 개시의 실시예들에 따른 음성 합성 방법을 실행하기 위하여 스토리지(185)로부터 하나 이상의 프로그램(186)을 로드할 수 있다. 가령, 메모리(182)에 컴퓨터 프로그램(186)이 로드되면, 도 2에 도시된 바와 같은 모듈이 메모리(182) 상에 구현될 수 있다. 메모리(182)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 개시의 기술적 범위가 이에 한정되는 것은 아니다.

버스(183)는 컴퓨팅 장치(180)의 구성 요소 간 통신 기능을 제공한다. 버스(183)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(184)는 컴퓨팅 장치(180)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(184)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(184)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.

몇몇 실시예에 따르면, 통신 인터페이스(184)는 생략될 수도 있다.

스토리지(185)는 상기 하나 이상의 프로그램(186)과 각종 데이터를 비임시적으로 저장할 수 있다. 가령, 컴퓨팅 장치(180)를 통해 음성 합성 장치(10)가 구현되는 경우라면, 상기 각종 데이터는 저장부(25)에 의해 관리되는 데이터를 포함할 수 있다.

스토리지(185)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(186)은 메모리(182)에 로드될 때 프로세서(181)로 하여금 본 개시의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(181)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 개시의 다양한 실시예에 따른 방법/동작들을 수행할 수 있다.

예를 들어, 컴퓨터 프로그램(186)은 학습용 데이터셋을 획득하는 동작, 상기 학습용 데이터셋을 이용하여 음성 합성 모델을 구축하는 동작, 합성용 데이터를 획득하는 동작 및 상기 음성 합성 모델을 이용하여 상기 합성용 데이터에 대한 목표 음성을 합성하는 동작을 수행하도록 하는 인스트럭션들을 포함할 수 있다. 이와 같은 경우, 컴퓨팅 장치(180)를 통해 본 개시의 몇몇 실시예에 따른 음성 합성 장치(10)가 구현될 수 있다.

지금까지 도 1 내지 도 18을 참조하여 본 개시의 실시예에 따른 음성 합성 장치(10)를 구현할 수 있는 예시적인 컴퓨팅 장치(180)에 대하여 설명하였다.

지금까지 도 1 내지 도 18을 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

지금까지 도 1 내지 도 18을 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(CD, DVD, 블루레이 디스크, USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.

이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.

도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.

이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (16)

1. 입력된 텍스트에 대한 전처리를 수행하는 전처리부; 및
   상기 전처리된 텍스트와 박자 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 박자 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되,
   상기 음성 합성 모델은,
   상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈;
   상기 박자 정보와 상기 문자 임베딩 벡터를 애그리게이팅(aggregating)하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈;
   상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망; 및
   상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함하고,
   상기 음성 합성부는,
   상기 전처리부에 의해 전처리된 학습용 텍스트와 정답 박자 정보를 상기 음성 합성 모델에 입력하고, 그 결과로 획득된 예측 스펙트로그램 데이터를 정답 스펙트로그램 데이터와 비교하여 오차 값을 산출하며, 상기 산출된 오차 값에 어텐션 오차 값을 더 포함시켜 역전파(back-propagation)하여 상기 음성 합성 모델을 학습시키고,
   상기 음성 합성 모델은,
   상기 인코더 신경망과 상기 디코더 신경망 사이에 위치하고 상기 디코더 신경망이 상기 인코딩된 벡터에서 집중할 부분을 나타내는 어텐션 정보를 제공하는 어텐션(attention) 모듈을 더 포함하되,
   상기 어텐션 오차 값은 상기 어텐션 정보와 상기 정답 박자 정보 간의 오차 값인,
   음성 합성 장치.
2. 삭제
3. 제1 항에 있어서,
   상기 인코더 신경망 및 상기 디코더 신경망은 RNN(Recurrent Neural Network) 또는 셀프 어텐션(self-attention) 기법에 기반하여 구현되는 것을 특징으로 하는,
   음성 합성 장치.
4. 제1 항에 있어서,
   상기 애그리게이터 모듈은,
   상기 문자 임베딩 벡터와 상기 박자 정보를 연결(concatenate)하여 상기 입력 벡터를 생성하는 것을 특징으로 하는,
   음성 합성 장치.
5. 제1 항에 있어서,
   상기 애그리게이터 모듈은,
   소정의 모델을 이용하여 상기 문자 임베딩 벡터와 상기 박자 정보를 애그리게이팅하여 상기 입력 벡터를 생성하는 것을 특징으로 하는,
   음성 합성 장치.
6. 제1 항에 있어서,
   상기 박자 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음의 길이(duration) 정보인 것을 특징으로 하는,
   음성 합성 장치.
7. 제1 항에 있어서,
   상기 출력 시퀀스는 스펙트로그램(spectrogram) 형태의 데이터로 구성되고,
   상기 음성 합성부는,
   상기 출력 시퀀스를 상기 목표 음성으로 변환하는 보코더부를 더 포함하는 것을 특징으로 하는,
   음성 합성 장치.
8. 삭제
9. 제1 항에 있어서,
   상기 역전파를 통해 상기 인코더 신경망의 가중치와 상기 디코더 신경망의 가중치가 함께 갱신되는 것을 특징으로 하는,
   음성 합성 장치.
10. 제1 항에 있어서,
    상기 전처리부는,
    오디오 형식의 정답 음성 데이터를 상기 정답 스펙트로그램 데이터로 변환하는 음성 전처리부; 및
    상기 정답 음성 데이터를 분석하여 상기 정답 박자 정보를 추출하는 박자 정보 추출부를 포함하는 것을 특징으로 하는,
    음성 합성 장치.
11. 삭제
12. 제1 항에 있어서,
    상기 애그리게이터 모듈은,
    상기 입력된 텍스트에 대한 운율 정보를 더 애그리게이팅하여 상기 입력 벡터를 생성하고,
    상기 인코더 신경망은,
    상기 목표 음성에 상기 운율 정보가 더 반영되도록 상기 입력 벡터에 포함된 상기 운율 정보를 함께 인코딩하여 상기 인코딩된 벡터를 생성하는 것을 특징으로 하는,
    음성 합성 장치.
13. 입력된 텍스트에 대한 전처리를 수행하는 전처리부;
    정답 음성 데이터에 대한 음성 분석을 통해 상기 정답 음성 데이터에 대한 운율 정보를 추출하는 음성 분석부; 및
    상기 전처리된 텍스트와 운율 정보를 신경망 기반의 음성 합성 모델에 입력하여 상기 입력된 텍스트에 대해 상기 운율 정보가 반영된 목표 음성을 합성하는 음성 합성부를 포함하되,
    상기 음성 합성 모델은,
    상기 전처리된 텍스트를 문자 임베딩 벡터로 변환하는 임베딩 모듈;
    상기 문자 임베딩 벡터를 이용하여 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈;
    상기 입력 시퀀스를 인코딩하여 인코딩된 벡터를 출력하는 인코더 신경망; 및
    상기 인코딩된 벡터를 디코딩하여 상기 목표 음성과 연관된 출력 시퀀스를 출력하는 디코더 신경망을 포함하되,
    상기 디코더 신경망은 상기 음성 분석부로부터 운율 정보를 직접 제공받아 상기 인코딩된 벡터와 함께 디코딩함으로써, 상기 출력 시퀀스를 출력하는 것을 특징으로 하는,
    음성 합성 장치.
14. 제13 항에 있어서,
    상기 운율 정보는 상기 입력된 텍스트에 대해 음소 별 또는 음절 별로 설정된 음정(pitch) 정보를 포함하는 것을 특징으로 하는,
    음성 합성 장치.
15. 삭제
16. 제13 항에 있어서,
    상기 음성 합성 모델은,
    박자 정보를 더 반영하기 위해 상기 문자 임베딩 벡터와 상기 박자 정보를 애그리게이팅하여 상기 입력 시퀀스를 구성하는 입력 벡터를 생성하는 애그리게이터 모듈을 더 포함하고,
    상기 인코더 신경망은,
    상기 목표 음성에 상기 박자 정보가 더 반영되도록 상기 입력 벡터에 포함된 상기 박자 정보를 함께 인코딩하여 상기 인코딩된 벡터를 생성하는 것을 특징으로 하는,
    음성 합성 장치.

Images