KR102473447B1 - 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 - Google Patents
인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 Download PDFInfo
- Publication number
- KR102473447B1 KR102473447B1 KR1020180033199A KR20180033199A KR102473447B1 KR 102473447 B1 KR102473447 B1 KR 102473447B1 KR 1020180033199 A KR1020180033199 A KR 1020180033199A KR 20180033199 A KR20180033199 A KR 20180033199A KR 102473447 B1 KR102473447 B1 KR 102473447B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- voice
- spectrogram
- model
- learned
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 105
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 60
- 238000012549 training Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/003—Changing voice quality, e.g. pitch or formants
- G10L21/007—Changing voice quality, e.g. pitch or formants characterised by the process used
- G10L21/013—Adapting to target pitch
- G10L2021/0135—Voice conversion or morphing
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
Landscapes
- Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 특히, 전자 장치의 제어 방법은, 제1 사용자의 사용자 음성을 획득하고, 제1 사용자의 음성을 제1 스펙트로그램으로 변환하며, 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하고, 제2 스펙트로그램을 제2 사용자의 음성으로 변환하며, 변환된 제2 사용자의 음성을 출력할 수 있고, 이때, 학습된 모델은, 제1 사용자 음성 스타일의 스펙트로그램을 입력하여 제2 사용자 음성 스타일의 스펙트로그램을획득하도록 학습된 모델일 수 있다. 특히, 전자 장치의 제어 방법의 적어도 일부는 기계학습, 신경망 또는 딥러닝 알고리즘 중 적어도 하나에 따라 학습된 인공지능 모델을 이용할 수 있다.
Description
본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로서, 더욱 상세하게는 인공지능 모델을 이용하여 사용자 음성을 다른 사용자 음성으로 변조하기 위한 전자 장치 및 이의 제어 방법에 관한 것이다.
근래에는 인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.
인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.
기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 종래에 전자 장치가 제공하는 음성은 기계적이고 인공적인 느낌으로서, 사용자에게 친근한 이미지를 제공하기 어려운 한계가 존재하였다. 특히, 근래에는 인공지능 비서 서비스를 제공할 때, 음성을 이용하여 피드백을 제공하는 경우가 증가하였으나, 음성을 이용한 피드백 역시 획일화된 기계 음성이었다.
따라서, 사용자에게 더욱 친근한 음성을 이용하여 피드백을 제공할 필요성이 증대되고 있다.
본 개시는 인공지능 모델을 이용하여 사용자 음성에 대응되는 스펙트로그램을 다른 사용자 음성에 대응되는 스펙트로그램으로 변화함으로써, 사용자 음성을 다른 사용자 음성으로 변조할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.
본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 제1 사용자의 사용자 음성을 획득하는 단계; 상기 제1 사용자의 음성을 제1 스펙트로그램으로 변환하는 단계; 상기 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하는 단계; 상기 제2 스펙트로그램을 제2 사용자의 음성으로 변환하는 단계; 및 상기 변환된 제2 사용자의 음성을 출력하는 단계;를 포함하며, 상기 학습된 모델은, 상기 제1 사용자 음성 스타일의 스펙트로그램을 입력하여 상기 제2 사용자 음성 스타일의 스펙트로그램을 획득하도록 학습된 모델이다.
그리고, 상기 제1 스펙트로그램으로 변환하는 단계는, DWT(discrete wavelet transform)를 이용하여 상기 제1 사용자의 음성을 상기 제1 스펙트로그램으로 변환하고, 상기 제2 사용자 음성으로 변환하는 단계는, Griffi-Lim 알고리즘을 이용하여 상기 제2 스펙트로그램을 상기 제2 사용자의 음성으로 변환할 수 있다.
또한, 상기 학습된 모델에 입력되는 데이터는, 상기 제1 스펙트로그램 중 주파수에 대응되는 입력값과 상기 제1 스펙트로그램 중 시간에 대응되는 채널수를 포함할 수 있다.
그리고, 상기 학습된 모델은, VAE(Variational Auto-encoder) 모델일 수 있다. 이때, 상기 VAE 모델은, 상기 제1 스펙트로그램으로부터 잠재 변수를 획득하기 위한 인코더 네트워크 및 상기 획득된 잠재 변수로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 디코더 네트워크를 포함할 수 있다.
또한, 상기 학습된 모델은, GAN(Generative Adversarial Networks) 모델일 수 있다. 이때, 상기 GAN 모델은, 상기 제1 스펙트로그램으로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 생성자 및 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램이 실제 이미지인지 여부를 판단하기 위한 구별자를 이용하여 학습될 수 있다.
그리고, 상기 학습된 모델은 복수 개 구비되며, 상기 복수 개의 학습된 모델 각각은 대응되는 사용자 음성 스타일의 이미지를 획득하도록 학습될 수 있다.
한편, 본 개시의 일 실시예에 따른, 전자 장치는, 마이크; 출력부; 적어도 하나의 명령어를 포함하는 메모리;및 상기 마이크, 상기 출력부 및 상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서;를 포함하고, 상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써, 상기 마이크를 통해 제1 사용자의 사용자 음성을 획득하고, 상기 제1 사용자의 음성을 제1 스펙트로그램으로변환하며, 상기 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하고, 상기 제2 스펙트로그램을 제2 사용자의 음성으로 변환하며, 상기 변환된 제2 사용자의 음성을 출력하도록 상기 출력부를 제어하고, 상기 학습된 모델은, 상기 제1 사용자 음성 스타일의 스펙트로그램을 입력하여 상기 제2 사용자 음성 스타일의 스펙트로그램을 획득하도록 학습된 모델일 수 있다.
그리고, 상기 프로세서는, DWT(discrete wavelet transform)를 이용하여 상기 제1 사용자의 음성을 상기 제1 스펙토그램으로 변환하고, Griffi-Lim 알고리즘을 이용하여 상기 제2 스펙토그램을 상기 제2 사용자의 음성으로 변환할 수 있다.
또한, 상기 학습된 모델에 입력되는 데이터는, 상기 제1 스펙트로그램 중 주파수에 대응되는 입력값과 상기 제1 스펙트로그램 중 시간에 대응되는 채널수를 포함할 수 있다.
그리고, 상기 학습된 모델은, VAE(Variational Auto-encoder) 모델일 수 있다. 이때, 상기 VAE 모델은, 상기 제1 스펙트로그램으로부터 잠재 변수를 획득하기 위한 인코더 네트워크 및 상기 획득된 잠재 변수로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 디코더 네트워크를 포함할 수 있다.
또한, 상기 학습된 모델은, GAN(Generative Adversarial Networks) 모델일 수 있다. 이때, 상기 GAN 모델은, 상기 제1 스펙트로그램으로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 생성부 및 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램이 실제 이미지인지 여부를 판단하기 위한 구별자를 이용하여 학습될 수 있다.
또한, 상기 학습된 모델은 복수 개 구비되며, 상기 복수 개의 학습된 모델 각각은 대응되는 사용자 음성 스타일의 이미지를 획득하도록 학습될 수 있다.
상술한 바와 같은 본 개시의 다양한 실시예와 같이, 사용자 음성을 다양한 스타일의 음성으로 변환함으로써, 사용자는 다양한 사용자 환경을 제공받을 수 있게 된다
도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도,
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 사용자 음성을 변조하기 위한 구성을 도시한 블록도,
도 4는 본 개시의 일 실시예에 따른, VAE 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면,
도 5a는 본 개시의 일 실시예에 따른, 사용자 음성을 변조하기 위한 GAN 모델을 학습하는 실시예를 설명하기 위한 도면,
도 5b는는 본 개시의 일 실시예에 따른, GAN 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면,
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도,
도 7은 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 8a 및 도 8b는 본 개시의 일 실시예에 따른, 학습부 및 생성자의 구체적인 구성을 나타내는 블록도, 그리고,
도 9는 본 개시의 일 실시예에 따른, 학습된 모델을 이용하는 네트워크 시스템의 흐름도이다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블록도,
도 3은 본 개시의 일 실시예에 따른, 사용자 음성을 변조하기 위한 구성을 도시한 블록도,
도 4는 본 개시의 일 실시예에 따른, VAE 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면,
도 5a는 본 개시의 일 실시예에 따른, 사용자 음성을 변조하기 위한 GAN 모델을 학습하는 실시예를 설명하기 위한 도면,
도 5b는는 본 개시의 일 실시예에 따른, GAN 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면,
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도,
도 7은 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도,
도 8a 및 도 8b는 본 개시의 일 실시예에 따른, 학습부 및 생성자의 구체적인 구성을 나타내는 블록도, 그리고,
도 9는 본 개시의 일 실시예에 따른, 학습된 모델을 이용하는 네트워크 시스템의 흐름도이다.
이하, 본 개시의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 개시에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 개시의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 개시에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하에서는 도면을 참조하여 본 개시에 대해 더욱 상세히 설명하기로 한다. 도 1은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 도시한 블록도이다. 도 1에 도시된 바와 같이, 전자 장치(100)는 마이크(100), 출력부(120), 메모리(130) 및 프로세서(140)를 포함할 수 있다. 한편, 도 1에 도시된 구성들은 본 개시의 실시 예들을 구현하기 위한 예시도이며, 당업자에게 자명한 수준의 적절한 하드웨어/소프트웨어 구성들이 전자 장치(100)에 추가로 포함될 수 있다.
이때, 마이크(110)는 사용자 음성을 수신할 수 있다. 이때, 마이크(110)는 전자 장치(100) 내부에 구비될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 전기적으로 연결될 수 있다.
출력부(120)는 다양한 오디오 피드백을 출력할 수 있다. 특히, 출력부(120)는 프로세서(140)에 의해 변환된 제2 사용자 음성을 출력할 수 있다. 이때, 출력부(120)는 스피커로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 구성(예로, 출력 단자)로 구현될 수 있다.
메모리(130)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(130)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(130)는 프로세서(140)에 의해 액세스되며, 프로세서(140)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(130), 프로세서(140) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(130)에는 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.
특히, 메모리(130)는 인공지능 에이전트를 수행하기 위한 프로그램을 저장할 수 있다. 이때, 인공지능 에이전트는 전자 장치(100)에 대한 다양한 서비스를 제공하기 위한 개인화된 프로그램이다.
또한, 메모리(130)는 도 3에 도시된 바와 같이, 사용자 음성을 다른 사용자 음성으로 변조하기 위한 다양한 구성을 포함할 수 있다. 이때, 메모리(130)에는 사용자 음성을 다른 사용자 음성으로 변조하기 위한 복수의 학습된 모델을 저장할 수 있으며, 이때, 각각의 학습된 모델들은 복수의 다른 사용자 음성에 각각 대응될 수 있다. 이에 대해서는 추후 도 3 내지 도 5b를 참조하여 상세히 설명하기로 한다.
프로세서(140)는 마이크(110), 출력부(120) 및 메모리(130)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(140)는 메모리(130)에 저장된 적어도 하나의 명령어를 실행함으로써, 마이크(110)를 통해 제1 사용자의 사용자 음성을 획득하고, 제1 사용자의 음성을 제1 스펙트로그램(spectrogram)으로 변환하며, 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하고, 제2 스펙트로그램을 제2 사용자의 음성으로 변환하며, 변환된 제2 사용자의 음성을 출력하도록 출력부(120)를 제어할 수 있다.
구체적으로, 마이크(110)를 통해 제1 사용자의 음성이 수신되면, 프로세서(130)는 DWT(discrete wavelet transform)를 이용하여 제1 사용자의 음성을 제1 스펙트로그램으로 변환할 수 있다.
그리고, 프로세서(140)는 변환된 제1 스펙트로그램을 학습된 인공지능 모델에 입력하여 제2 스펙트로그램을 획득할 수 있다. 이때, 학습된 모델은 VAE(Variational Auto-encoder) 모델 또는 GAN(Generative Adversarial Networks) 모델일 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 인공지능 모델로 구현될 수 있다. 특히, 이때, 학습된 모델은, 제1 사용자 음성 스타일의 스펙트로그램을 입력하여 제2 사용자 음성 스타일의 스펙트로그램을 획득하도록 학습된 모델일 수 있다.
프로세서(140)는 Griffi-Lim 알고리즘을 이용하여 획득된 제2 스펙트로그램을 제2 사용자의 음성으로 변환할 수 있다.
그리고, 프로세서(140)는 변환된 제2 사용자의 음성을 출력하도록 출력부(120)를 제어할 수 있다.
한편, 본 개시의 다양한 실시예에 따르면, 전자 장치(100)는 제1 사용자 음성에 대응되는 스펙트로그램을 입력 데이터로 사용하여 제2 사용자 음성에 대응되는 스펙트로그램을 획득할 수 있다. 구체적으로, 전자 장치(100)는 제2 사용자 음성에 대응되는 스펙트로그램을 생성(또는 변환)하기 위한 학습된 인공지능 모델에 제1 사용자 음성에 대응되는 스펙트로그램을 입력하여 제2 사용자 음성에 대응되는 이미지를 획득할 수 있다.
본 개시에서 학습된 인공지능 모델은 인식 모델의 적용 분야 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 학습된 인공지능 모델은, 예로, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 인식 모델은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고 받는 뉴런의 시냅틱(synaptic) 활동을 모의하도록 각각 연결 관계를 형성할 수 있다. 이때, 학습된 모델은 상술한 바와 같이, VAE 모델 또는 GAN 모델로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 DNN 모델로도 구현될 수 있다.
또한, 전자 장치(100)는 상술한 바와 같은 변조된 사용자 음성을 획득하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 이때, 인공지능 에이전트는 AI(Artificial Intelligence) 기반의 서비스(예를 들어, 음성 인식 서비스, 비서 서비스, 번역 서비스, 검색 서비스 등)를 제공하기 위한 전용 프로그램으로서, 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU 등)에 의해 실행될 수 있다. 특히, 인공지능 에이전트는 후술할 다양한 모듈을 제어할 수 있다.
구체적으로, 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러진 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 제1 사용자 음성에 대응되는 스펙트로그램을 학습된 인공지능 모델에 입력하여 제2 사용자 음성에 대응되는 스펙트로그램을 획득할 수 있다.
물론, 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러지면 인공지능 에이전트가 동작할 수도 있다. 또는, 인공지능 에이전트는 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼이 선택되기 이전에 기 실행된 상태일 수 있다. 이 경우, 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼이 선택된 이후에는 전자 장치(100)의 인공지능 에이전트가 사용자 음성을 다른 음성으로 변조하는 음성 변조 기능을 제공할 수 있다. 또한, 인공지능 에이전트는 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼이 선택된 이전에 대기 상태일 수 있다. 여기서, 대기 상태란, 인공지능 에이전트의 동작 시작을 제어하기 위해 미리 정의된 사용자 입력이 수신되는 것을 감지하는 상태이다. 인공지능 에이전트가 대기 상태인 동안 오브젝트에 대해 기설정된 사용자 입력이 수신되거나 전자 장치(100)에 구비된 버튼이 선택되면, 전자 장치(100)는 인공지능 에이전트를 동작시키고, 사용자 음성을 다른 음성으로 변조하는 음성 변조 기능을 제공할 수 있다.
한편, 인공지능 에이전트는 후술할 다양한 모듈을 제어할 수 있다. 이에 대해서는 추후 상세히 설명하기로 한다.
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 도시한 블럭도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 마이크(110), 출력부(120), 메모리(130), 디스플레이(150), 통신부(160), 입력부(170) 및 프로세서(180)를 포함할 수 있다. 한편, 마이크(110), 출력부(120), 메모리(130)는 도 1에서 설명하였으므로, 중복되는 설명은 생략하기로 한다.
출력부(120)는 오디오 처리부(미도시)에 의해 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특하, 출력부(120)는 도 2에 도시된 바와 같이, 스피커(121) 및 음성 데이터를 외부 장치로 출력하는 출력 단자(122)를 포함할 수 있다.
디스플레이(150)는 다양한 화면을 제공할 수 있다. 특히, 디스플레이(150)는 다양한 UI를 표시할 수 있다. 예로, 디스플레이(150)는 복수의 음성 중 사용자가 변조하고자 하는 하나의 음성을 선택하기 위한 UI를 표시할 수 있다.
통신부(160)는 다양한 유형의 통신방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 통신부(120)는 와이파이칩, 블루투스 칩, 무선 통신 칩 중 적어도 하나를 포함할 수 있다. 프로세서(140)는 통신부(160)를 이용하여 외부 기기(예로, 인공지능 모델을 포함하는 서버 등)와 통신을 수행할 수 있다. 그 밖에, 통신부(120)는 NFC 칩 등과 같은 다양한 통신 칩을 통해 외부 기기와 통신을 수행할 수 있다.
특히, 통신부(160)는 외부 서버로 제1 사용자 음성에 대응되는 스펙트로그램 또는 제1 사용자 음성을 전송할 수 있다. 또한, 통신부(160)는 외부 서버로부터 제2 사용자 음성에 대응되는 스펙트로그램 또는 제2 사용자 음성을 수신할 수 있다.
입력부(170)는 다양한 사용자 입력을 수신하여 프로세서(140)로 전달할 수 있다. 특히, 입력부(130)는 터치 센서, (디지털) 펜 센서, 압력 센서, 키, 또는 마이크를 포함할 수 있다. 터치 센서는, 예를 들면, 정전식, 감압식, 적외선 방식, 또는 초음파 방식 중 적어도 하나의 방식을 사용할 수 있다. (디지털) 펜 센서는, 예를 들면, 터치 패널의 일부이거나, 별도의 인식용 쉬트를 포함할 수 있다. 키는, 예를 들면, 물리적인 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 마이크는 사용자 음성을 수신하기 위한 구성으로, 전자 장치(100) 내부에 구비될 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)의 외부에 구비되어 전자 장치(100)와 전기적으로 연결될 수 있다.
특히, 입력부(170)는 복수의 음성 중 사용자가 변조하고자 하는 음성을 선택하는 사용자 입력을 수신할 수 있다.
프로세서(140)(또는, 제어부)는 메모리(130)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(140)는 RAM(141), ROM(142), 그래픽 처리부(143), 메인 CPU(144), 제1 내지 n 인터페이스(145-1~145-n), 버스(146)로 구성될 수 있다. 이때, RAM(141), ROM(142), 그래픽 처리부(143), 메인 CPU(144), 제1 내지 n 인터페이스(145-1~145-n) 등은 버스(146)를 통해 서로 연결될 수 있다.
도 3은 본 개시의 다양한 실시예에 따른, 사용자 음성을 변조하기 위한 구성을 도시한 블록도이다. 도 3에 도시된 바와 같이, 전자 장치(100)는 사용자 음성 입력부(310), 스펙트로그램 변환부(320), 인공지능 학습모델(330), 음성 변환부(340) 및 변환 음성 출력부(350)를 포함할 수 있다.
사용자 음성 입력부(310)는 마이크(110)를 통해 제1 사용자의 음성을 입력받을 수 있다. 이때, 제1 사용자 음성은 전자 장치를 직접 사용하는 사용자의 음성일 수 있다.
스펙트로그램 변환부(320)는 사용자 음성 입력부(310)를 통해 입력된 제1 사용자의 음성을 제1 스펙트로그램으로 변환할 수 있다. 이때, 스펙트로그램 변환부(320)는 DWT(discrete wavelet transform)를 이용하여 제1 사용자의 음성을 스펙트로그램으로 변환할 수 있으나, 이는 일 실시예에 불과할 뿐, 다양한 방법으로 사용자 음성을 스펙트로그램으로 변환할 수 있다.
인공지능 학습모델(330)은 제1 사용자 음성에 대응되는 제1 스펙트로그램을입력 데이터로 사용하여 제2 사용자 음성에 대응되는 제2 스펙트로그램을 획득하도록 학습된 모델일 수 있다. 이때, 제2 사용자 음성은 사용자가 변조하고자 하는 사용자의 음성일 수 있다. 특히, 인공지능 학습모델(330)은 제2 사용자 음성에 대응되는 스펙트로그램을 획득하도록 학습될 수 있다. 즉, 복수의 사용자 음성 중 하나로 변경하는 경우, 복수의 인공지능 학습모델 중 사용자에 의해 선택된 사용자 음성에 대응되는 인공지능 학습모델을 바탕으로 제2 사용자 음성에 대응되는 제2 스펙트로그램이 획득될 수 있다.
특히, 인공지능 학습모델(330)은 제1 사용자 음성에 대응되는 스펙트로그램을 입력 데이터로 사용하여 제2 사용자 음성에 대응되는 스펙트로그램을 획득할 수 있다. 이때, 인공지능 학습모델(330)은 스펙트로그램을 다른 사용자의 음성 스타일을 가지는 스펙트로그램으로 변환하기 위한 모델로서, VAE 모델 또는 GAN 모델이 이용될 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 모델이 이용될 수 있다.
음성 변환부(340)는 인공지능 학습모델(330)을 통해 획득된 제2 스펙트로그램을 제2 사용자 음성으로 변환할 수 있다. 이때, 음성 변환부(340)는 Griffi-Lim 알고리즘을 이용하여 인공지능 학습모델(330)로부터 획득된 스펙트로그램을 제2 사용자의 음성으로 변환할 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 알고리즘을 통해 스펙트로그램을 다른 사용자 음성으로 변환할 수 있다.
변환 음성 출력부(350)는 음성 변환부(340)에 의해 변환된 제2 사용자 음성을 스피커(121) 또는 출력 단자(122)를 통해 추력할 수 있다.
도 4는 본 개시의 일 실시예에 따른, VAE 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면이다. 이때, VAE 모델은 제1 사용자 음성에 대응되는 스펙트로그램을 입력 데이터로 사용하여 제2 사용자 음성에 대응되는 스펙트로그램을 획득하도록 학습된 적어도 하나의 인코더 네트워크와 적어도 하나의 디코더 네트워크를 포함할 수 있다. 이때, VAE 모델은 학습을 통해 제2 사용자 음성으로 변환하기 위한 잠재 변수(Z)에 대한 정보(예로, 평균, 분산 등)를 획득할 수 있다.
우선, 제1 사용자 음성(410)이 입력될 수 있다. 이때, 제1 사용자 음성(410)은 전자 장치(100)를 사용하는 사용자의 음성 스타일을 가지는 사용자 음성을 일 수 있다.
제1 사용자 음성(410)은 DWT에 의해 제1 스펙스토그램(420)으로 변환할 수 있다. 이때, 제1 스펙스토그램(420)은 시간에 따라 사용자 음성의 주파수 변화를 나타내는 이미지 일 수 있다.
이때, 제1 스펙스토그램(420)은 VAE 모델(430)에 입력 데이터로서 이용될 수 있다. 특히, 제1 스펙트로그램은 주파수에 대응되는 입력값과 스펙트로그램 중 시간에 대응되는 채널수를 포함할 수 있다.
VAE 모델(430)은 제1 스펙스토그램(420)을 입력 데이터로 사용하여 제2 스펙스토그램(440)을 획득할 수 있다. 이때, VAE 모델(430)은 인코더 네트워크 및 디코더 네트워크를 포함할 수 있다.
인코더 네트워크는 복수의 콘볼루션 레이어를 포함할 수 있다. 특히, 인코더 네트워크는 입력 데이터인 제1 스펙트로그램(420)을 복수의 콘볼루션 레이어에 입력하여 잠재 변수(ｚ)의 평균(μ)과 잠재 변수(ｚ)의 분산(Σ)을 획득할 수 있다. 이때, 잠재 변수(ｚ)는 제2 사용자 음성과 대응되는 특징을 가지는 가우시안 함수 형태일 수 있다.
디코더 네트워크는 복수의 디콘볼루션 레이어를 포함할 수 있다. 특히, 디코더 네트워크는 잠재 변수(ｚ)를 복수의 디콘볼루션 레이어에 입력하여 제2 사용자 음성에 대응되는 제2 스펙트로그램(440)을 획득할 수 있다.
특히, 이미지와 같이 2차원이면서 하나의 픽셀이 주변 픽셀들과의 연관성이 강한 데이터는 CNN 네트워크 구조의 입력 데이터로 이용될 수 있다. 스펙트로그램의 경우에도 이미지와 같이 하나의 픽셀이 주변 픽셀들과 연관성이 강한 속성을 지니고 있기 때문에, 인코더 네트워크 및 디코더 네트워크는 CNN을 적용할 수 있다. 즉, 사용자 음성에 대응되는 스펙트로그램의 위치적 연관성(locally correlated)에 대한 특성을 획득하고, 획득된 위치적 연관성을 바탕으로 음성 변조를 위한 잠재 변수를 획득할 수 있다.
제2 스펙트로그램(440)은 제2 사용자의 음성 스타일을 가질 수 있다. 그리고, 제2 스펙트로그램(440)은 Griffi-Lim 알고리즘을 통해 제2 사용자 음성(450)으로 변환될 수 있다.
제2 사용자 음성(450)은 스피커(121) 또는 출력 단자(122)를 통해 외부로 출력될 수 있다.
도 5a는 본 개시의 일 실시예에 따른, 사용자 음성을 변조하기 위한 GAN 모델을 학습하는 실시예를 설명하기 위한 도면이다.
구체적으로, 제1 사용자 음성(510)은 제1 스펙트로그램 샘플(520)로 변환할 수 있다. 이때, 제1 사용자 음성(510)은 DWT에 의해 제1 스펙트로그램 샘플(520)로 변환할 수 있다.
그리고, 생성자(Generator)(530)는 제1 사용자 음성에 대응되는 입력 데이터(z)를 바탕으로 제2 사용자 음성에 대응되는 가짜 제2 스펙트로그램 샘플(540)을 획득할 수 있다.
그리고, 구별자(Discriminator)(550)는 제1 사용자 음성에 대응되는 제1 스펙트로그램 샘플(520)과 제2 사용자 음성에 대응되는 가짜 제2 스펙트로그램 샘플(540)이 매칭되는지 여부를 판단할 수 있다.
제1 스펙트로그램 샘플(520)과 제2 사용자 음성에 대응되는 가짜 제2 스펙트로그램 샘플(540)이 매칭되지 않는다고 판단되면, 전자 장치(100)는 생성자(530)에 포함된 네트워크를 변경할 수 있다.
그리고, 전자 장치(100)는 상술한 과정을 반복적으로 수행하여, 제1 스펙트로그램 샘플(520)에 매칭되는 제2 사용자 음성에 대응되는 가짜 제2 스펙트로그램 샘플(540)을 생성할 수 있는 생성자(530)를 획득할 수 있다.
도 5b는는 본 개시의 일 실시예에 따른, GAN 모델을 이용하여 사용자 음성을 변조하는 실시예를 설명하기 위한 도면이다.
전자 장치(100)는 입력된 제1 사용자 음성에 대응되는 입력 데이터(z)를 도 5a와 같은 방법으로 학습된 생성자(530)에 입력하여 제1 사용자 음성(510)에 매칭되는 제2 사용자 음성에 대응되는 제2 스펙트로그램(560)을 생성할 수 있다.
그리고, 제2 스펙트로그램(560)은 Griffi-Lim 알고리즘을 통해 제2 사용자 음성(570)으로 변환될 수 있다.
한편, 도 4 및 도 5a, 도 5b에서는 VAE 모델 또는 GAN 모델을 설명하였으나, 이는 일 실시예에 불과할 뿐, 다른 인공지능 모델을 이용하여 사용자 음성에 대응되는 이미지를 다른 사용자 음성에 대응되는 이미지로 변환할 수 있다.
도 6은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.
우선, 전자 장치(100)는 제1 사용자 음성을 입력받을 수 있다(S610).
그리고, 전자 장치(100)는 제1 사용자 음성을 제1 스펙트로그램으로 변환할 수 있다(S620). 구체적으로, 전자 장치(100)는 DWT(discrete wavelet transform)를 이용하여 제1 사용자의 음성을 스펙트로그램으로 변환할 수 있다.
그리고, 전자 장치(100)는 제1 스펙트로그램을 인공지능 학습모델에 입력하여 제2 스펙트로그램을 획득할 수 있다(S630). 구체적으로, 전자 장치(100)는 제1 스펙트로그램을 입력 데이터로 학습된 인공지능 모델에 입력하여 제2 사용자 음성에 대응되는 스펙트로그램을 획득할 수 있다. 이때, 학습된 인공지능 모델은 VAE 모델 또는 GAN 모델일 수 있으나, 이는 일 실시예에 불과할 뿐, 임의의 이미지를 이용하여 새로운 이미지를 생성할 수 있는 다른 모델로 구현될 수 있다.
그리고, 전자 장치(100)는 제2 스펙트로그램을 제2 사용자의 음성으로 변환할 수 있다(S640). 구체적으로, 전자 장치(100)는 Griffi-Lim 알고리즘을 이용하여 제2 스펙트로그램을 제2 사용자의 음성으로 변환할 수 있다.
그리고, 전자 장치(100)는 제2 사용자 음성을 출력할 수 있다(S650).
한편, 상술한 실시예에서는 제1 사용자로부터 직접 마이크(110)에 입력된 제1 사용자의 음성을 제2 사용자 음성으로 변환하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 외부 장치 또는 서버로부터 입력된 음성을 제2 사용자 음성으로 변환할 수 있다.
또한, 텍스트 데이터를 음성으로 출력하는 경우, 전자 장치(100)는 텍스트 데이터를 제1 사용자 음성으로 변환하고, 변환된 제1 사용자 음성을 상술한 바와 같은 인공지능 모델을 이용하여 제2 사용자 음성으로 변환할 수 있다. 즉, 전자 장치(100)는 텍스트 데이터를 제2 사용자 음성으로 변환하여 출력할 수 있다.
또한, 상술한 실시예에서는 스펙트로그램을 이용하여 음성 변환을 수행하는 것을 설명하였으나, 이는 일 실시예에 불과할 뿐, 사용자 음성에 대응되는 다른 이미지를 이용하여 음성 변환을 수행할 수 있다. 즉, 학습된 인공지능 모델에 제1 사용자 음성에 대응되는 제1 이미지를 입력하여 제2 사용자 음성에 대응되는 제2 이미지를 획득함으로써, 음성 변환을 수행할 수 있다.
도 7은 본 개시의 일 실시예에 따른, 인공지능 모델을 학습하고 이용하기 위한 전자 장치의 구성을 나타내는 블록도이다.
도 7을 참조하면, 프로세서(700)는 학습부(710) 및 생성부(720) 중 적어도 하나를 포함할 수 있다. 도 13의 프로세서(700)는 도 1 및 도 2의 전자 장치(100)의 프로세서(140) 또는 인공지능 모델을 저장하는 서버(미도시)의 프로세서에 대응될 수 있다.
학습부(710)는 학습 데이터를 이용하여 다른 이미지를 획득하기 위한 모델을 생성 또는 학습시킬 수 있다. 학습부(710)는 수집된 학습 데이터를 이용하여 생성 기준을 갖는 학습된 모델을 생성할 수 있다.
일 예로, 학습부(710)는 제1 사용자 음성에 대응되는 제1 이미지(예로, 스펙트로그램)를 입력 데이터로 사용하여 제2 사용자 음성에 대응되는 제2 이미지를 획득하기 위한 모델을 생성, 학습 또는 갱신시킬 수 있다. 이때, 모델은 VAE 모델 또는 GAN 모델로 구현될 수 있으나, 이는 일 실시예에 불과할 뿐, 다른 모델로 구현될 수 있다.
또한, 학습부(710)는 복수의 음성에 대응되는 복수의 학습 모델 각각을 생성, 학습 또는 갱신시킬 수 있다.
생성부(720)는 소정의 이미지를 학습된 모델의 입력 데이터로 사용하여, 다른 이미지를 획득할 수 있다. 일 예로, 생성부(720)는 제1 이미지를 학습된 모델의 입력 데이터로 사용하여 제2 이미지를 획득(또는, 생성)할 수 있다.
학습부(710)의 적어도 일부 및 생성부(720)의 적어도 일부는, 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 학습부(710) 및 생성부(720) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다. 이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(710) 및 생성부(720)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(710) 및 생성부(720)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(710) 및 생성부(720) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버에 포함될 수 있다. 또한, 학습부(710) 및 생성부(720)는 유선 또는 무선으로 통하여, 학습부(710)가 구축한 모델 정보를 생성부(720)로 제공할 수도 있고, 학습부(720)로 입력된 데이터가 추가 학습 데이터로서 학습부(710)로 제공될 수도 있다.
도 8a는, 다양한 실시예에 따른 학습부(710) 및 생성부(720)의 블록도이다.
도 8a의 (a)를 참조하면, 일부 실시예에 따른 학습부(710)는 학습 데이터 획득부(710-1) 및 모델 학습부(710-4)를 포함할 수 있다. 또한, 학습부(710)는 학습 데이터 전처리부(710-2), 학습 데이터 선택부(710-3) 및 모델 평가부(710-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(710-1)는 인공지능 모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(1310-1)는 제1 사용자 음성에 대응되는 제1 이미지를 학습 데이터로서 획득할 수 있다. 학습 데이터는 학습부(710) 또는 학습부(710)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(710-4)는 학습 데이터를 이용하여, 새로운 이미지를 어떻게 생성할지에 관한 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(710-4)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또는, 모델 학습부(710-4)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(710-4)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다. 또한, 모델 학습부(710-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다
모델 학습부(710-4)는 미리 구축된 인공지능 모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 모델을 학습할 인공지능 모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 모델은 데이터의 타입별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기분류되어 있을 수 있다.
인공지능 모델이 학습되면, 모델 학습부(710-4)는 학습된 인공지능 모델을 저장할 수 있다. 이 경우, 모델 학습부(710-4)는 학습된 인공지능 모델을 전자 장치(100)의 메모리(130)에 저장할 수 있다. 또는, 모델 학습부(710-4)는 학습된 인공지능 모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버(예를 들어, 외부의 서버의 메모리에 저장할 수도 있다.
학습부(710)는 인공지능 모델의 인식 결과를 향상시키거나, 인공지능 모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(710-2) 및 학습 데이터 선택부(710-3)를 더 포함할 수도 있다.
학습 데이터 전처리부(710-2)는 새로운 이미지 생성을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 학습 데이터 전처리부(710-2)는 모델 학습부(710-4)가 새로운 이미지 생성을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다. 예를 들어, 학습 데이터 전처리부(710-2)는 입력된 사용자 음성을 스펙트로그램 이미지로 변환할 수 있다.
학습 데이터 선택부(710-3)는 학습 데이터 획득부(710-1)에서 획득된 데이터 또는 학습 데이터 전처리부(710-2)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(710-4)에 제공될 수 있다. 학습 데이터 선택부(710-3)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(710-3)는 모델 학습부(710-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(710)는 인공지능 모델의 인식 결과를 향상시키기 위하여, 모델 평가부(710-5)를 더 포함할 수도 있다.
모델 평가부(710-5)는 인공지능 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(710-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(710-5)는 평가 데이터에 대한 학습된 인공지능 모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 모델이 복수 개가 존재하는 경우, 모델 평가부(710-5)는 각각의 학습된 인공지능 모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 인공지능 모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(710-5)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 모델로서 결정할 수 있다.
도 7a의 (b)를 참조하면, 일부 실시예에 따른 생성부(720)는 입력 데이터 획득부(720-1) 및 제공부(720-4)를 포함할 수 있다.
또한, 생성부(720)는 입력 데이터 전처리부(720-2), 입력 데이터 선택부(720-3) 및 모델 갱신부(720-5) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(720-1)는 새로운 이미지를 생성하기 위해 필요한 데이터(예로, 사용자 음성 또는 사용자 음성에 대응되는 이미지 등)를 획득할 수 있다. 제공부(720-4)는 입력 데이터 획득부(720-1)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 모델에 적용하여 새로운 이미지를 획득할 수 있다. 제공부(720-4)는 후술할 입력 데이터 전처리부(720-2) 또는 입력 데이터 선택부(720-3)에 의해 선택된 데이터를 입력 값으로 인공지능 모델에 적용하여 인식 결과를 획득할 수 있다. 인식 결과는 인공지능 모델에 의해 결정될 수 있다.
일 실시예로, 제공부(720-4)는 입력 데이터 획득부(720-1)에서 획득한 제1 이미지를 학습된 인공지능 모델에 적용하여 제2 이미지를 생성(또는, 추정)할 수 있다.
생성부(720)는 인공지능 모델의 생성 결과(또는 변환 결과)를 향상시키거나, 생성된 이미지를 제공하기 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(720-2) 및 입력 데이터 선택부(720-3)를 더 포함할 수도 있다.
입력 데이터 전처리부(720-2)는 학습된 인공지능 모델에 입력되기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(720-2)는 제공부(720-4)가 오브젝트 인식 및 디스크립션 정보 획득을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(720-3)는 입력 데이터 획득부(720-1)에서 획득된 데이터 또는 입력 데이터 전처리부(720-2)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 제공부(720-4)에게 제공될 수 있다. 입력 데이터 선택부(720-3)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(720-3)는 모델 학습부(710-4)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(720-5)는 제공부(720-4)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 인공지능 모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(720-5)는 제공부(720-4)에 의해 제공되는 인식 결과를 모델 학습부(710-4)에게 제공함으로써, 모델 학습부(710-4)가 인공지능 모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 8b는, 일 실시예에 따른 전자 장치(100) 및 외부의 서버(S)가 서로 연동함으로써 데이터를 학습하고 판단하는 예시를 나타내는 도면이다.
도 8b를 참조하면, 외부의 서버(S)는 제1 이미지로부터 새로운 제2 이미지를 생성하기 위한 기준을 학습할 수 있으며, 전자 장치(100)는 서버(S)에 의한 학습 결과에 기초하여 생성된 인공지능 모델들을 이용하여 새로운 이미지를 획득할 수 있다.
이 경우, 서버(S)의 모델 학습부(710-4)는 도 7에 도시된 학습부(710)의 기능을 수행할 수 있다. 서버(S)의 모델 학습부(710-4)는 인공지능 모델의 이미지 생성 기준(혹은, 이미지 변환 기준)을 학습할 수 있다.
또한, 전자 장치(100)의 제공부(720-4)는 입력 데이터 선택부(720-3)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 모델에 적용하여 타인의 음성에 대응되는 이미지를 획득할 수 있다. 수 있다. 또는, 전자 장치(100)의 제공부(720-4)는 서버(S)에 의해 생성된 인공지능 모델을 서버(S)로부터 수신하고, 수신된 인공지능 모델을 이용하여 타인의 음성에 대응되는 이미지를 생성할 수 있다.
도 9는 본 개시의 일 실시예에 따른, 학습된 모델을 이용하는 네트워크 시스템의 흐름도이다. 도 9에서, 학습된 인공지능 모델을 이용하는 네트워크 시스템은 제1 구성 요소(901) 및 제2 구성 요소(902)를 포함할 수 있다.
여기서, 제1 구성 요소(901)는 전자 장치(A)이고, 제2 구성 요소(902)는 인공지능 모델이 저장된 서버(S)가 될 수 있다. 또는, 제1 구성 요소(901)는 범용 프로세서이고, 제2 구성 요소(902)는 인공 지능 전용 프로세서가 될 수 있다. 또는, 제1 구성 요소(901)는 적어도 하나의 어플리케이션이 될 수 있고, 제2 구성 요소(902)는 운영 체제(operating system, OS)가 될 수 있다. 즉, 제2 구성 요소(902)는 제1 구성 요소(901)보다 더 집적화되거나, 전용화되거나, 딜레이(delay)가 작거나, 성능이 우세하거나 또는 많은 리소스를 가진 구성 요소로서 데이터 인식 모델의 생성, 갱신 또는 적용 시에 요구되는 많은 연산을 제1 구성 요소(901)보다 신속하고 효과적으로 처리 가능한 구성 요소가 될 수 있다.
이 경우, 제1 구성 요소(901) 및 제2 구성 요소(902) 간에 데이터를 송/수신하기 위한 인터페이스가 정의될 수 있다.
예로, 인식 모델에 적용할 학습 데이터를 인자 값(또는, 매개 값 또는 전달 값)으로 갖는 API(application program interface)가 정의될 수 있다. API는 어느 하나의 프로토콜(예로, 전자 장치(A)에서 정의된 프로토콜)에서 다른 프로토콜(예로, 서버(S)에서 정의된 프로토콜)의 어떤 처리를 위해 호출할 수 있는 서브 루틴 또는 함수의 집합으로 정의될 수 있다. 즉, API를 통하여 어느 하나의 프로토콜에서 다른 프로토콜의 동작이 수행될 수 있는 환경을 제공될 수 있다.
도 9에서, 제1 구성 요소(901)는 제1 사용자 음성을 입력받을 수 있다(S910). 이때, 제1 사용자 음성은 전자 장치(100)를 사용하는 사용자의 음성일 수 있다.
제1 구성 요소(901)는 제1 사용자 음성을 제1 스펙트로그램으로 변환할 수 있다(S920)
제1 구성 요소(901)는 변환된 제1 스펙트로그램을 제2 구성 요소(902)로 전송할 수 있다(S930).
제2 구성 요소(902)는 학습된 모델을 이용하여 제2 스펙트로그램을 획득할 수 있다(S940). 이때, 학습된 모델은 제1 사용자 음성 스타일의 스펙트로그램을 입력하여 제2 사용자 음성 스타일의 스펙트로그램을 획득하도록 학습된 모델로서, 제2 구성 요소(902)는 학습된 모델에 제1 스펙트로그램을 입력하여 제2 스펙트로그램을 획득할 수 있다.
제2 구성 요소(902)는 제2 스펙트로그램을 제1 구성 요소(901)로 전송할 수 있다(S950).
제1 구성 요소(901)는 제2 스펙트로그램을 제2 사용자 음성으로 변환할 수 있다(S960). 구체적으로, 제1 구성 요소(901)는 Griffin-Lim 알고리즘을 이용하여 스펙트로그램을 제2 사용자 음성으로 변환할 수 있다.
제1 구성 요소(901)는 변환된 제2 사용자 음성을 출력할 수 있다(S970).
한편, 도 9에서는 제1 구성 요소(901)가 제1 사용자 음성을 제1 스펙트로그램으로변환하고, 제2 스펙트로그램을 제2 사용자 음성으로 변환한다고 기재하였으나, 이는 일 실시예에 불과할 뿐, 제2 구성 요소(902)가 제1 사용자 음성을 제1 스펙트로그램으로 변환하고, 제2 스펙트로그램을 제2 사용자 음성으로 변환할 수 있다. 이때, 제1 구성 요소(901)는 제1 사용자 음성을 제2 구성 요소(902)로 전송할 수 있으며, 제2 사용자 음성을 제2 구성 요소(902)로부터 수신할 수 있다.
본 문서에서 사용된 용어 "모듈" 또는 "부"(unit)는 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치(예: 전자 장치(100))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
110: 마이크 120: 출력부
130: 메모리 140: 프로세서
150: 디스플레이 160; 통신부
170: 입력부
130: 메모리 140: 프로세서
150: 디스플레이 160; 통신부
170: 입력부
Claims (16)
- 전자 장치의 제어 방법에 있어서,
제1 사용자의 사용자 음성을 획득하는 단계;
DWT(discrete wavelet transform)를 이용하여 상기 제1 사용자의 음성을 제1 스펙트로그램으로 변환하는 단계;
상기 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하는 단계;
Griffi-Lim 알고리즘을 이용하여 상기 제2 스펙트로그램을 제2 사용자의 음성으로 변환하는 단계; 및
상기 변환된 제2 사용자의 음성을 출력하는 단계;를 포함하며,
상기 학습된 모델은,
상기 제1 사용자의 음성에 대응되는 스타일의 스펙트로그램을 입력하여 상기 제2 사용자의 음성에 대응되는 스타일의 스펙트로그램을 획득하도록 학습된 VAE(Variational Auto-encoder) 모델이며,
상기 VAE 모델은 상기 제1 스펙트로그램으로부터 잠재 변수를 획득하기 위한 인코더 네트워크 및 상기 획득된 잠재 변수로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 디코더 네트워크를 포함하는 제어 방법. - 삭제
- 제1항에 있어서,
상기 학습된 모델에 입력되는 데이터는,
상기 제1 스펙트로그램 중 주파수에 대응되는 입력값과 상기 제1 스펙트로그램 중 시간에 대응되는 채널수를 포함하는 제어 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 학습된 모델은,
GAN(Generative Adversarial Networks) 모델인 제어 방법. - 제6항에 있어서,
상기 GAN 모델은,
상기 제1 스펙트로그램으로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 생성부 및 상기 제2 사용자의 음성에 대응되는 제2 스펙트로그램이 실제 이미지인지 여부를 판단하기 위한 구별자를 이용하여 학습된 제어 방법. - 제1항에 있어서,
상기 학습된 모델은 복수 개 구비되며,
상기 복수 개의 학습된 모델 각각은 대응되는 사용자 음성 스타일의 이미지를 획득하도록 학습된 제어 방법. - 전자 장치에 있어서,
마이크;
출력부;
적어도 하나의 명령어를 포함하는 메모리;및
상기 마이크, 상기 출력부 및 상기 메모리와 연결되며 상기 전자 장치를 제어하는 프로세서;를 포함하고,
상기 프로세서는, 상기 적어도 하나의 명령어를 실행함으로써,
상기 마이크를 통해 제1 사용자의 사용자 음성을 획득하고,
DWT(discrete wavelet transform)를 이용하여 상기 제1 사용자의 음성을 제1 스펙트로그램으로 변환하며,
상기 제1 스펙트로그램을 인공지능 알고리즘을 통해 학습된 모델에 입력하여 제2 스펙트로그램을 획득하고,
Griffi-Lim 알고리즘을 이용하여 상기 제2 스펙트로그램을 제2 사용자의 음성으로 변환하며,
상기 변환된 제2 사용자의 음성을 출력하도록 상기 출력부를 제어하고,
상기 학습된 모델은,
상기 제1 사용자의 음성에 대응되는 스타일의 스펙트로그램을 입력하여 상기 제2 사용자의 음성에 대응되는 스타일의 스펙트로그램을 획득하도록 학습된 VAE(Variational Auto-encoder) 모델이며,
상기 VAE 모델은 상기 제1 스펙트로그램으로부터 잠재 변수를 획득하기 위한 인코더 네트워크 및 상기 획득된 잠재 변수로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 디코더 네트워크를 포함하는 전자 장치. - 삭제
- 제9항에 있어서,
상기 학습된 모델에 입력되는 데이터는,
상기 제1 스펙트로그램 중 주파수에 대응되는 입력값과 상기 제1 스펙트로그램 중 시간에 대응되는 채널수를 포함하는 전자 장치. - 삭제
- 삭제
- 제9항에 있어서,
상기 학습된 모델은,
GAN(Generative Adversarial Networks) 모델인 것을 특징으로 하는 전자 장치. - 제14항에 있어서,
상기 GAN 모델은,
상기 제1 스펙트로그램으로부터 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램을 획득하기 위한 생성자 및 상기 제2 사용자의 음성에 대응되는 상기 제2 스펙트로그램이 실제 이미지인지 여부를 판단하기 위한 구별자를 이용하여 학습된 전자 장치. - 제9항에 있어서,
상기 학습된 모델은 복수 개 구비되며,
상기 복수 개의 학습된 모델 각각은 대응되는 사용자 음성 스타일의 이미지를 획득하도록 학습된 전자 장치.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180033199A KR102473447B1 (ko) | 2018-03-22 | 2018-03-22 | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 |
| US16/979,344 US11398223B2 (en) | 2018-03-22 | 2019-03-20 | Electronic device for modulating user voice using artificial intelligence model and control method thereof |
| PCT/KR2019/003233 WO2019182346A1 (ko) | 2018-03-22 | 2019-03-20 | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180033199A KR102473447B1 (ko) | 2018-03-22 | 2018-03-22 | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190111278A KR20190111278A (ko) | 2019-10-02 |
| KR102473447B1 true KR102473447B1 (ko) | 2022-12-05 |
Family
ID=67987903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180033199A KR102473447B1 (ko) | 2018-03-22 | 2018-03-22 | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11398223B2 (ko) |
| KR (1) | KR102473447B1 (ko) |
| WO (1) | WO2019182346A1 (ko) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11315585B2 (en) * | 2019-05-22 | 2022-04-26 | Spotify Ab | Determining musical style using a variational autoencoder |
| US11355137B2 (en) | 2019-10-08 | 2022-06-07 | Spotify Ab | Systems and methods for jointly estimating sound sources and frequencies from audio |
| KR20210048310A (ko) * | 2019-10-23 | 2021-05-03 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| ES2964322T3 (es) * | 2019-12-30 | 2024-04-05 | Tmrw Found Ip Sarl | Sistema y método de conversión de voz multilingüe |
| US11600284B2 (en) * | 2020-01-11 | 2023-03-07 | Soundhound, Inc. | Voice morphing apparatus having adjustable parameters |
| US11183168B2 (en) * | 2020-02-13 | 2021-11-23 | Tencent America LLC | Singing voice conversion |
| CN111341294B (zh) * | 2020-02-28 | 2023-04-18 | 电子科技大学 | 将文本转换为指定风格语音的方法 |
| CN111627429B (zh) * | 2020-05-20 | 2022-10-14 | 浙江工业大学 | 一种基于CycleGAN的语音识别模型的防御方法及装置 |
| CN112331232B (zh) * | 2020-11-06 | 2022-08-12 | 杭州电子科技大学 | 一种结合cgan谱图去噪和双边滤波谱图增强的语音情感识别方法 |
| KR102406961B1 (ko) * | 2020-11-13 | 2022-06-10 | 홍채은 | 자가 지도학습을 통한 데이터 특성 학습 방법 및 가짜 정보 판별 방법 |
| CN113012706B (zh) * | 2021-02-18 | 2023-06-27 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
| US11605369B2 (en) * | 2021-03-10 | 2023-03-14 | Spotify Ab | Audio translator |
| CN113053354B (zh) * | 2021-03-12 | 2022-08-26 | 云知声智能科技股份有限公司 | 一种提高语音合成效果的方法和设备 |
| CN114299969B (zh) * | 2021-08-19 | 2024-06-11 | 腾讯科技（深圳）有限公司 | 音频合成方法、装置、设备及介质 |
| KR102405062B1 (ko) * | 2021-11-26 | 2022-06-07 | 주식회사 일루니 | 따라읽기 자막 제작/재생 기반의 인터랙티브 콘텐츠 제공 방법 및 장치 |
| KR102547136B1 (ko) * | 2021-12-06 | 2023-06-22 | 삼성생명보험주식회사 | 음성 상담을 보조하기 위한 방법 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR0173340B1 (ko) | 1995-12-23 | 1999-04-01 | 양승택 | 텍스트/음성변환기에서 억양패턴 정규화와 신경망 학습을 이용한 억양 생성 방법 |
| TWI463806B (zh) * | 2003-12-19 | 2014-12-01 | Creative Tech Ltd | 處理數位影像之方法及系統 |
| JP3895758B2 (ja) | 2004-01-27 | 2007-03-22 | 松下電器産業株式会社 | 音声合成装置 |
| KR100724868B1 (ko) | 2005-09-07 | 2007-06-04 | 삼성전자주식회사 | 다수의 합성기를 제어하여 다양한 음성 합성 기능을제공하는 음성 합성 방법 및 그 시스템 |
| JP5750380B2 (ja) | 2012-02-10 | 2015-07-22 | 株式会社東芝 | 音声翻訳装置、音声翻訳方法および音声翻訳プログラム |
| US9472182B2 (en) | 2014-02-26 | 2016-10-18 | Microsoft Technology Licensing, Llc | Voice font speaker and prosody interpolation |
| US9666183B2 (en) * | 2015-03-27 | 2017-05-30 | Qualcomm Incorporated | Deep neural net based filter prediction for audio event classification and extraction |
| US10332509B2 (en) | 2015-11-25 | 2019-06-25 | Baidu USA, LLC | End-to-end speech recognition |
| KR20170107683A (ko) | 2016-03-16 | 2017-09-26 | 한국전자통신연구원 | 딥러닝 기반의 음성 합성 시스템을 위한 피치 동기화 음성 합성 방법 |
| US10460747B2 (en) * | 2016-05-10 | 2019-10-29 | Google Llc | Frequency based audio analysis using neural networks |
| US10872598B2 (en) * | 2017-02-24 | 2020-12-22 | Baidu Usa Llc | Systems and methods for real-time neural text-to-speech |
| US10726828B2 (en) * | 2017-05-31 | 2020-07-28 | International Business Machines Corporation | Generation of voice data as data augmentation for acoustic model training |
| US10068557B1 (en) * | 2017-08-23 | 2018-09-04 | Google Llc | Generating music with deep neural networks |
-
2018
- 2018-03-22 KR KR1020180033199A patent/KR102473447B1/ko active IP Right Grant
-
2019
- 2019-03-20 WO PCT/KR2019/003233 patent/WO2019182346A1/ko active Application Filing
- 2019-03-20 US US16/979,344 patent/US11398223B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019182346A1 (ko) | 2019-09-26 |
| US20210005180A1 (en) | 2021-01-07 |
| US11398223B2 (en) | 2022-07-26 |
| KR20190111278A (ko) | 2019-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102473447B1 (ko) | 인공지능 모델을 이용하여 사용자 음성을 변조하기 위한 전자 장치 및 이의 제어 방법 | |
| US11671386B2 (en) | Electronic device and method for changing chatbot | |
| KR102643027B1 (ko) | 전자 장치, 그의 제어 방법 | |
| KR102491546B1 (ko) | 객체를 인식하는 방법 및 장치 | |
| US11954150B2 (en) | Electronic device and method for controlling the electronic device thereof | |
| US20190042574A1 (en) | Electronic device and method for controlling the electronic device | |
| CN111418198B (zh) | 提供文本相关图像的电子装置及其操作方法 | |
| US11153426B2 (en) | Electronic device and control method thereof | |
| KR102455056B1 (ko) | 컨텍스트에 따라 이벤트의 출력 정보를 제공하는 전자 장치 및 이의 제어 방법 | |
| KR102515023B1 (ko) | 전자 장치 및 그 제어 방법 | |
| KR20200047205A (ko) | 전자 장치 및 이의 제어 방법 | |
| CN110121696B (zh) | 电子设备及其控制方法 | |
| KR20190134911A (ko) | 전자 장치 및 이의 제어 방법 | |
| KR20200044173A (ko) | 전자 장치 및 그의 제어 방법 | |
| KR20180096483A (ko) | 전자 장치, 이의 제어 방법 및 비일시적인 컴퓨터 판독가능 기록매체 | |
| US20230290343A1 (en) | Electronic device and control method therefor | |
| KR102469712B1 (ko) | 전자 장치 및 이의 자연어 생성 방법 | |
| US11817097B2 (en) | Electronic apparatus and assistant service providing method thereof | |
| US20200098356A1 (en) | Electronic device and method for providing or obtaining data for training thereof | |
| KR102499379B1 (ko) | 전자 장치 및 이의 피드백 정보 획득 방법 | |
| KR20210029080A (ko) | 전자 장치 및 이의 제어 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |