KR20180108380A

KR20180108380A - 음향 모델을 트레이닝하는 방법 및 그 장치

Info

Publication number: KR20180108380A
Application number: KR1020170108060A
Authority: KR
Inventors: 송인철; 유상현
Original assignee: 삼성전자주식회사
Priority date: 2017-03-23
Filing date: 2017-08-25
Publication date: 2018-10-04
Also published as: KR102410831B1

Abstract

음향 모델을 트레이닝하는 방법 및 그 장치가 개시된다. 일 실시예에 따른 트레이닝 방법은 윈도우 레벨의 입력 데이터를 음향 모델에 입력하는 단계와, 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산하는 단계와, 시퀀스 레벨의 에러가 분할된 윈도우 레벨의 에러를 이용하여 음향 모델을 갱신하는 단계를 포함한다.

Description

음향 모델을 트레이닝하는 방법 및 그 장치{METHOD FOR TRAINING ACOUSTIC MODEL AND DEVICE THEREOF}

아래 실시예들은 음향 모델을 트레이닝하는 방법 및 그 장치에 관한 것이다.

최근 들어, 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하는 방안으로써, 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다. 이러한 연구 중 하나로, 인간의 생물학적 신경 세포의 특성을 수학적 표현에 의해 모델링한 인공 뉴럴 네트워크(artificial neural network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공 뉴럴 네트워크는 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 이용한다. 이 알고리즘을 통하여 인공 뉴럴 네트워크는 입력 패턴과 출력 패턴들 사이의 사상(mapping)을 생성해낼 수 있는데, 이를 인공 뉴럴 네트워크가 학습 능력이 있다고 표현한다. 또한, 인공 뉴럴 네트워크는 학습된 결과에 기초하여 학습에 이용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력을 가지고 있다.

일 실시예에 따르면, 트레이닝 방법은 음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성하는 단계; 상기 윈도우 레벨의 입력 데이터를 음향 모델에 입력하는 단계; 상기 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산하는 단계; 상기 시퀀스 레벨의 에러를 분할하여 상기 윈도우 레벨의 에러를 획득하는 단계; 및 상기 윈도우 레벨의 에러를 이용하여 상기 음향 모델을 갱신하는 단계를 포함한다.

상기 윈도우 레벨의 입력 데이터를 구성하는 단계는 상기 음성 시퀀스에서 미리 정해진 사이즈의 윈도우에 대응하는 대상 데이터 및 상기 대상 데이터 주변의 패딩 데이터를 추출하는 단계; 및 상기 대상 데이터 및 상기 패딩 데이터에 기초하여 상기 윈도우 레벨의 입력 데이터를 구성하는 단계를 포함할 수 있다. 상기 패딩 데이터는 상기 음성 시퀀스에서 상기 대상 데이터의 이전 시간에 위치하는 제1 패딩 데이터 및 상기 음성 시퀀스에서 상기 대상 데이터의 이후 시간에 위치하는 제2 패딩 데이터 중 적어도 하나를 포함할 수 있다.

상기 시퀀스 레벨의 에러를 계산하는 단계는 상기 음향 모델의 출력에 기초하여 상기 시퀀스 레벨의 음향 점수를 획득하는 단계; 및 상기 시퀀스 레벨의 음향 점수와 상기 음성 시퀀스에 관한 참조 문장에 기초하여 상기 시퀀스 레벨의 에러를 계산하는 단계를 포함할 수 있다.

상기 시퀀스 레벨의 음향 점수를 획득하는 단계는 상기 음향 모델의 출력에 기초하여 상기 윈도우 레벨의 음향 점수들을 획득하는 단계; 상기 음향 점수들에서 패딩 데이터에 대응하는 부분을 제거하여 대상 데이터에 대응하는 음향 점수들을 획득하는 단계; 및 상기 대상 데이터에 대응하는 음향 점수들을 연결하여 상기 시퀀스 레벨의 음향 점수를 획득하는 단계를 포함할 수 있다. 상기 참조 문장은 상기 음성 시퀀스에 관한 정답 문장 및 상기 음성 시퀀스에 관한 오답 문장 중 적어도 하나를 포함할 수 있다.

상기 음향 모델은 상기 윈도우 레벨의 에러가 작아지는 방향으로 갱신될 수 있다. 상기 음향 모델을 갱신하는 단계는 상기 윈도우 레벨의 에러 및 패딩 데이터에 기초하여 갱신 데이터를 구성하는 단계; 및 상기 갱신 데이터를 이용하여 상기 음향 모델을 갱신하는 단계를 포함할 수 있다. 상기 패딩 데이터는 0 또는 상기 윈도우 레벨의 에러에 대응하는 윈도우에 이웃한 윈도우의 에러를 포함할 수 있다.

상기 패딩 데이터의 사이즈는 상기 입력 데이터에 포함된 패딩 데이터의 사이즈에 대응할 수 있다. 상기 음향 모델은 순환 딥 뉴럴 네트워크를 포함할 수 있고, 상기 순환 딥 뉴럴 네트워크가 펼쳐진(unfolded) 길이는 상기 입력 데이터의 길이에 대응할 수 있다.

일 실시예에 따르면, 트레이닝 장치는 적어도 하나의 프로세서; 및 상기 프로세서에서 읽을 수 있는 명령어를 포함하는 메모리를 포함하고, 상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성하고, 상기 윈도우 레벨의 입력 데이터를 음향 모델에 입력하며, 상기 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산하고, 상기 시퀀스 레벨의 에러를 분할하여 상기 윈도우 레벨의 에러를 획득하며, 상기 윈도우 레벨의 에러를 이용하여 상기 음향 모델을 갱신한다.

도 1은 일 실시예에 따른 트레이닝 장치를 나타낸 도면.
도 2는 일 실시예에 따른 순환 모델의 개념을 설명하는 도면.
도 3은 일 실시예에 따른 BRDNN의 일부 노드들을 나타낸 도면.
도 4는 일 실시예에 따른 BRDNN을 나타낸 도면.
도 5는 일 실시예에 따른 입력 데이터의 구성 과정 및 음향 점수의 출력 과정을 나타낸 도면.
도 6은 일 실시예에 따른 시퀀스 레벨의 음향 점수를 나타낸 도면.
도 7은 일 실시예에 따른 시퀀스 레벨의 에러를 계산하는 과정을 나타낸 도면.
도 8은 일 실시예에 따른 음향 모델의 갱신 과정을 나타낸 도면.
도 9는 일 실시예에 따른 인식 장치를 나타낸 블록도.
도 10은 일 실시예에 따른 트레이닝 장치를 나타낸 블록도.
도 11은 일 실시예에 따른 트레이닝 방법을 나타낸 동작 흐름도.

본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일 실시예에 따른 트레이닝 장치를 나타낸 도면이다. 도 1을 참조하면, 트레이닝 장치(100)는 음향 모델(110)을 트레이닝시킬 수 있다. 음향 모델(110)은 음성 인식 엔진을 위한 것으로, 음성 인식 엔진은 음향 모델, 및 디코더를 포함할 수 있다. 음향 모델은 입력된 음성 신호의 각 프레임이 어떤 발음에 가까운지에 대한 정보를 제공할 수 있다. 디코더는 음향 모델이 제공하는 정보에 기초하여, 입력된 음성이 어떤 단어에 가까운지, 혹은 어떤 문장에 가까운지 계산할 수 있다.

음향 모델(110)은 딥 뉴럴 네트워크(deep neural network: DNN)를 통해 구현될 수 있다. 이 경우, 트레이닝 장치(100)는 트레이닝 데이터에 기초하여 음향 모델(110)을 트레이닝시킬 수 있다. 트레이닝 데이터는 트레이닝 입력 및 트레이닝 출력을 포함할 수 있다. 트레이닝 입력은 음향 모델(110)에 입력되는 입력 데이터로, 예컨대 음성 신호를 포함할 수 있다. 트레이닝 출력은 트레이닝 입력에 매핑된 데이터로, 예컨대 트레이닝 입력이 음향 모델(110)에 입력됨에 따라 음향 모델(110)에서 출력되어야 하는 레이블(label)일 수 있다. 예를 들어, 트레이닝 입력이 음성 신호인 경우, 트레이닝 출력은 음성 신호에 대응하는 문장의 발음 확률일 수 있다.

트레이닝 장치(100)는 트레이닝 입력으로부터 트레이닝 출력이 산출되도록 음향 모델(110)을 트레이닝시킬 수 있다. 아래에서 음향 모델(110)을 트레이닝시킨다는 것은 음향 모델(110)의 파라미터를 트레이닝 시키는 것, 음향 모델(110)을 갱신하는 것, 혹은 음향 모델(110)의 파라미터를 갱신하는 것을 포함할 수 있다.

실시예에 따라, 음향 모델(110)은 순환 딥 뉴럴 네트워크(recurrent deep neural network: RDNN), 혹은 양방향 순환 딥 뉴럴 네트워크(bidirectional recurrent deep neural network: BRDNN)를 통해 구현될 수 있다. RDNN 및 BRDNN은 음성과 같이 시간의 흐름에 의존하는 연속적인 데이터를 인식하는데 적합한 구조를 가질 수 있다. 예를 들어, RDNN은 현재 프레임을 인식함에 있어서 이전 프레임을 고려할 수 있고, BRDNN은 현재 프레임을 인식함에 있어서 이전 프레임과 다음 프레임을 고려할 수 있다. RDNN 및 BRDNN에 관한 구체적인 내용은 후술하도록 한다.

음향 모델은 프레임 레벨, 혹은 시퀀스 레벨로 트레이닝될 수 있다. 프레임 레벨의 트레이닝은 각 프레임에 정답 발음을 주고, 음향 모델이 정답 발음에 높은 점수를 부여하도록 음향 모델을 훈련시키는 것이다. 시퀀스 레벨의 트레이닝은 디코딩 이후에 정답 문장에 높은 점수가 부여되고 오답 문장에는 낮은 점수가 부여되도록 음향 모델을 훈련시키는 것이다.

프레임 레벨의 트레이닝과 시퀀스 레벨의 트레이닝에서 음향 모델이 프레임 별로 음향 점수를 부여하는 것은 동일하지만, 음향 모델은 프레임 레벨의 트레이닝에서 프레임 별 발음을 중점적으로 트레이닝하고, 시퀀스 레벨의 트레이닝에서 문장의 정확도를 중점적으로 트레이닝하는 것에 차이가 있다. 음향 모델은 시퀀스 레벨로 트레이닝된 이후에, 계속해서 시퀀스 레벨로 트레이닝될 수 있다.

트레이닝 장치(100)는 음성 시퀀스(130)를 가공하여 입력 데이터(120)를 구성할 수 있고, 입력 데이터(120) 기반으로 시퀀스 레벨의 에러를 계산하여 음향 모델(110)을 트레이닝시킬 수 있다. 음성 시퀀스(130)는 복수의 프레임들을 포함할 수 있다. 음성 시퀀스(130)에 포함된 복수의 프레임들은 음성 신호로부터 추출된 특징 벡터들에 대응할 수 있다. 예를 들어, 트레이닝 장치(100)는 음성 신호에서 특징을 추출하여 음성 시퀀스(130)를 생성할 수 있다. 음성 신호에서 추출된 특징 벡터들은 음성 시퀀스(130)의 프레임들에 대응될 수 있다.

음성으로 제공되는 문장 전체를 고려하는 BRDNN의 음향 모델의 경우, 현재 프레임, 이전 프레임 및 다음 프레임을 포함한 전체 프레임들을 함께 고려하여 음향 점수를 계산한다. 하지만, 문장 전체를 고려하여 음향 모델(110)을 학습시키는 것은 사용자의 음성이 입력되는 도중에 인식 결과가 출력되어야 하는 실시간 음성 인식에 적합하지 않을 수 있다. 트레이닝 과정과 인식 과정이 매칭되지 않음으로 인하여 인식 성능이 저하될 수 있기 때문이다. 구체적으로, 트레이닝 과정에서 문장 전체로 음향 모델(110)이 트레이닝되고, 인식 과정에서 문장의 일부만 음향 모델(110)에 제공될 경우, 음향 모델(110)은 문장의 일부를 정확하게 인식하지 못할 수 있다. 따라서, 아래에서 설명하는 실시예들은 입력 데이터(120)을 통해 음향 모델(110)을 트레이닝시킴으로써, 음향 모델(120)의 실시간 음성 인식 성능을 향상시킬 수 있다.

트레이닝 장치(100)는 음성 시퀀스(130)에서 미리 정해진 사이즈의 윈도우에 대응하는 대상 데이터를 추출할 수 있다. 윈도우의 사이즈는 실시간 인식 과정에서 입력되는 음성의 길이에 대응할 수 있다. 트레이닝 장치(100)는 대상 데이터에 기초하여 입력 데이터(120)를 구성할 수 있다. 아래에서 상세히 설명하겠으나, 트레이닝 장치(100)는 윈도우 단위로 음향 모델(110)을 학습시킴으로써, 인식 과정과 실질적으로 동일한 환경에서 음향 모델(110)이 학습될 수 있다.

이 때, 윈도우 단위로 음향 모델(110)을 학습시키는 경우, 시퀀스 단위로 음향 모델(110)을 학습시키는 경우에 비하여 학습에 이용되는 정보의 양이 감소될 수 있다. 트레이닝 장치(100)는 음성 시퀀스(130)로부터 대상 데이터뿐 아니라, 대상 데이터 주변의 패딩 데이터를 추출하고, 대상 데이터 및 패딩 데이터에 기초하여 입력 데이터(120)를 구성할 수 있다. 이 경우, 음향 모델(110)은 패딩 데이터를 통해 대상 데이터 주변의 정보를 파악할 수 있으므로, 음향 모델(110)에 제공되는 정보의 양이 줄어드는 것이 보완될 수 있다.

입력 데이터(120)의 사이즈는 윈도우 사이즈에 기초하여 조절되므로, 입력 데이터(120)는 윈도우 레벨의 입력 데이터(120)로 지칭될 수 있다. 유사하게, 윈도우 레벨의 입력 데이터(120)에 대응하는 음향 모델(110)의 출력은 윈도우 레벨의 음향 점수로 지칭될 수 있다. 아래에서 설명 하겠으나, 윈도우 레벨의 음향 점수가 병합되어 음성 시퀀스(130)에 대응하는 길이를 갖게 되면, 시퀀스 레벨의 음향 점수로 지칭될 수 있다. 또한, 시퀀스 레벨의 음향 점수에 기초하여 계산된 에러는 시퀀스 레벨의 에러로 지칭될 수 있고, 시퀀스 레벨의 에러가 윈도우 사이즈에 맞게 분할된 것은 윈도우 레벨의 에러로 지칭될 수 있다. 또한, 윈도우 레벨은 프레임 레벨로 지칭될 수도 있다.

트레이닝 장치(100)는 입력 데이터(120)에 대응하여 출력된 음향 점수들을 병합하여 시퀀스 레벨의 트레이닝을 수행할 수 있다. 예를 들어, 트레이닝 장치(100)는 윈도우 레벨의 입력 데이터(120)를 음향 모델(110)에 입력한다. 음향 모델(110)은 윈도우 레벨의 음향 점수들을 출력한다. 트레이닝 장치(100)는 음향 모델(110)에서 출력된 윈도우 레벨의 음향 점수들을 병합하여 시퀀스 레벨의 음향 점수를 획득할 수 있다. 트레이닝 장치(100)는 시퀀스 레벨의 음향 점수와 음성 시퀀스(130)의 레이블을 비교하여 시퀀스 레벨의 에러를 계산한다. 트레이닝 장치(100)는 시퀀스 레벨의 에러를 윈도우 레벨의 에러들로 분할한 뒤, 윈도우 레벨의 에러들을 이용하여 음향 모델(110)을 갱신할 수 있다.

음향 모델(110)을 갱신하는 데 이용되는 윈도우 레벨의 에러들은 시퀀스 레벨에서 계산되는 것이므로, 트레이닝 장치(100)는 시퀀스 레벨의 트레이닝이 갖는 장점을 유지하면서, 실시간 음성 인식에 적합하게 음향 모델(110)을 트레이닝시킬 수 있다.

아래에서는 RDNN 및 BRDNN에 관한 실시예를 설명한 이후에, 트레이닝 장치(100)에 관한 실시예를 설명하도록 한다.

도 2는 일 실시예에 따른 순환 모델의 개념을 설명하는 도면이다. DNN은 시냅스로 연결된 수 많은 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 인식 모델이다. 전술한 바와 같이, 실시예에 따른 음향 모델은 순환 모델(200)을 포함하는 RDNN 또는 BRDNN으로 구현될 수 있다.

순환 모델(200)은 회기 루프를 가질 수 있다. 순환 모델(200)의 출력이 순환 모델(200)에 다시 입력됨으로써 입력 Xt로부터 새로운 출력 Ot가 출력될 수 있다. 예를 들어, 순환 모델(200)은 노드(210)를 포함하고, 노드(210)의 출력이 노드(210)에 다시 입력될 수 있다.

아래에서 노드(210)와 연관된 값을 지시하는 파라미터는 상태 파라미터라고 나타낼 수 있다. 예를 들어, 상태 파라미터는 노드(210)의 출력 값 등을 포함할 수 있다. 상태 파라미터는 노드 파라미터라고도 나타낼 수 있다.

예를 들어, 순환 모델(200)은 LSTM(Long Short Term Memory) 뉴럴 네트워크로 구성될 수 있다. LSTM 뉴럴 네트워크에서, 노드(210)는 복수의 게이트(gate)들을 포함할 수 있다. LSTM 뉴럴 네트워크에 있어서, 노드(210)의 상태 파라미터는 노드(210)의 출력 값 및 노드(210)의 셀 상태 값 등을 포함할 수 있다. 노드(210)의 출력 값 및 노드(210)의 셀 상태 값 등은 노드(210)의 게이트에 기초하여, 제어될 수 있다. 다만, LSTM 뉴럴 네트워크는 하나의 예시이며, 순환 모델(200)의 구조를 한정하는 것은 아니다.

입력 Xt는 t 시점에 순환 모델(200)로 입력되는 프레임 데이터를 나타낼 수 있고, 출력 Ot는 t 시점에 순환 모델(200)로부터 출력되는 프레임 데이터를 나타낼 수 있다. t 시점은 타임 스탬프 t를 나타낼 수 있다. 프레임 데이터는 시퀀스 데이터가 일정 길이(예를 들어, 프레임 단위)로 샘플링된 데이터를 나타낼 수 있다. 프레임 단위는 설계에 따라 다르게 설정될 수 있다. 예를 들어, 시퀀스 데이터는 음성 시퀀스에 대응될 수 있고, 프레임 데이터는 음성 시퀀스에 포함된 각각의 프레임에 대응될 수 있다.

도 3은 일 실시예에 따른 BRDNN의 일부 노드들을 나타낸 도면이다. 도 3을 참조하면, BRDNN(300)는 순환 연결(recurrent connection)이 윈도우 길이만큼 펼쳐진(unfolded) 형태로 표현될 수 있다. 예를 들어, BRDNN(300)가 펼쳐진(unfolded) 길이는 입력 데이터의 길이에 대응할 수 있다. RDNN과 BRDNN의 차이는 백워드(backward) 노드 및 백워드 패스에 있으므로, 아래에서 백워드 노드 및 백워드 패스를 제외한 나머지 내용은 RDNN에도 적용될 수 있다.

BRDNN의 노드들은 포워드(forward) 노드들(311, 321, 331) 및 백워드 노드들(312, 322, 332)로 분류될 수 있다. 각각의 포워드 노드들(311, 321, 331)은 어느 하나의 프레임에 대응할 수 있고, 각각의 백워드 노드들(312, 322, 332)도 어느 하나의 프레임에 대응할 수 있다. 각 프레임은 하나의 포워드 노드 및 하나의 백워드 노드에 대응할 수 있다. 예를 들어, t번째 프레임은 제1 포워드 노드(311) 및 제1 백워드 노드(312)에 대응할 수 있고, t+1번째 프레임은 제2 포워드 노드(321) 및 제2 백워드 노드(322)에 대응할 수 있다. 다만, 이로 한정하는 것은 아니고, 하나의 프레임에 복수의 포워드 노드 및 복수의 백워드 노드가 대응할 수도 있다.

포워드 노드들(311, 321, 331)은 포워드 패스(391)를 형성하는 순환 연결을 통해 다른 포워드 노드와 연결될 수 있다. 백워드 노드들(312, 322, 332)은 백워드 패스(392)를 형성하는 순환 연결을 통해 다른 백워드 노드와 연결될 수 있다. 예를 들어, 포워드 패스(391)는 다음 프레임의 포워드 노드로 상태 파라미터를 수식에 기초하여 업데이트하여 전달하는 연결을 나타낼 수 있고, 백워드 패스(392)는 이전 프레임의 백워드 노드로 상태 파라미터를 수식에 기초하여 업데이트하여 전달하는 연결을 나타낼 수 있다. 포워드 노드의 업데이트 경로 및 백워드 노드의 업데이트 경로는 서로 독립적으로 분리될 수 있다.

도 3의 실시예는 윈도우의 길이가 3개의 프레임인 경우를 나타낸다. 트레이닝 장치는 t 시점의 프레임 데이터 X_t를 t 시점의 프레임에 대응하는 제1 포워드 노드(311) 및 제1 백워드 노드(312)에 입력할 수 있다. 트레이닝 장치는 t 시점에 대응하는 프레임의 제1 포워드 노드(311)으로부터 t+1 시점에 대응하는 프레임의 제2 포워드 노드(321)로 t시점에서의 상태 파라미터를 포워드 패스(391)를 통해 전파(propagate)할 수 있다. 또한, 트레이닝 장치는 t+1시점에 대응하는 프레임의 제2 백워드 노드(322)로부터 t 시점에 대응하는 프레임의 제1 백워드 노드(312)로 t+1 시점에서의 상태 파라미터를 백워드 패스(392)를 통해 전파할 수 있다. 트레이닝 장치는 포워드 패스(391) 및 백워드 패스(392)를 통해 업데이트된 노드(예를 들어, 제1 포워드 노드(311), 제1 백워드 노드(312))의 상태 파라미터를 이용하여 t번째 프레임에 대응하는 출력 O_t를 입력 X_t로부터 산출할 수 있다.

도 3에서는 윈도우 길이를 3개의 프레임으로 설명하고, 명확한 설명을 위해 BRDNN의 요소 중 일부 노드만을 도시하였으나, 이로 한정하는 것은 아니다.

도 4는 일 실시예에 따른 BRDNN를 나타낸 도면이다. BRDNN(400)은 입력 레이어(input layer), 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함한다. 히든 레이어는 복수의 노드들을 히든 노드로서 포함할 수 있다. BRDNN(400)이 LSTM 뉴럴 네트워크인 경우, BRDNN(400)의 노드들 각각은 메모리 셀 유닛을 포함할 수 있고, 메모리 셀 유닛은 적어도 하나의 시간 게이트를 포함할 수 있다.

입력 레이어는 트레이닝 또는 인식을 수행하기 위한 입력 데이터를 수신하여 히든 레이어에 전달할 수 있고, 출력 레이어는 히든 레이어의 노드들로부터 수신한 신호에 기초하여 음향 점수를 출력할 수 있다. 히든 레이어는 입력 레이어와 출력 레이어 사이에 위치하고, 입력 레이어를 통해 전달된 트레이닝 데이터 또는 인식의 대상이 되는 데이터를 예측하기 쉬운 값으로 변화시킬 수 있다.

입력 레이어와 히든 레이어에 포함된 노드들은 연결 가중치를 가지는 시냅스를 통해 서로 연결되고, 히든 레이어와 출력 레이어에 포함된 노드들에서도 연결 가중치를 가지는 시냅스를 통해 서로 연결될 수 있다. 입력 레이어, 히든 레이어 및 출력 레이어는 복수의 노드들을 포함할 수 있다.

도 4에서는 각 입력 레이어 및 출력 레이어는 하나의 노드를 포함하고, 각 히든 레이어는 2개의 노드를 포함하는 것으로 도시되었으나, 이는 설명의 편의를 위해 간략화한 것으로서, 설계에 따라서 각 레이어에 포함되는 노드 및 노드의 개수는 변경될 수 있다.

뉴럴 네트워크는 복수의 히든 레이어들을 포함할 수 있다. 복수의 히든 레이어들을 포함하는 뉴럴 네트워크는 DNN으로 지칭될 수 있고, DNN을 학습시키는 것을 딥 러닝(deep learning)이라고 할 수 있다. 히든 레이어에 포함된 노드는 히든 노드로 지칭될 수 있다. 이전 시간 구간에서의 히든 노드의 상태 파라미터(예를 들어, 출력 값)은 현재 시간 구간(예를 들어, 현재 프레임)에서의 히든 노드들에 연결될 수 있다. 그리고, 현재 시간 구간에서의 히든 노드의 상태 파라미터는 다음 시간 구간에서의 히든 노드들에 연결될 수 있다.

이와 같이, 서로 다른 시간 구간에서 히든 노드들 간에 순환적(recurrent)인 연결이 있는 뉴럴 네트워크는 순환 뉴럴 네트워크(recurrent neural network)라 지칭될 수 있다. 또한, 복수의 히든 레이어들을 포함하는 순환 뉴럴 네트워크는 RDNN으로 지칭될 수 있고, RDNN에 양방향의 순환적인 연결이 있으면 BRDNN로 지칭될 수 있다. BRDNN(400)에서 포워드 노드는 포워드 노드에 대해, 백워드 노드는 백워드 노드에 대해 순환적인 연결을 생성할 수 있다.

도 4는 윈도우 길이가 3개의 프레임인 경우의 BRDNN(400)을 펼친 상태로 표현한 것이다. 입력 데이터의 첫 프레임(410), 중간 프레임(420), 및 마지막 프레임(430)에 대해 BRDNN(400)이 입력 레이어(411, 421, 431), 히든 레이어(412, 422, 432), 및 출력 레이어(413, 423, 433)를 포함하는 것으로 간략하게 도시되었으나, 이로 한정하는 것은 아니다. 예를 들어, BRDNN(400)은 입력 데이터의 각각의 프레임에 대해 복수의 히든 레이어들을 포함할 수도 있다.

BRDNN(400)의 각 레이어는 (예를 들어, 레이어 간 지연(inter-layer delays)이 없는) 현재 시간(current time)에 대응하는 타임 스탬프(t)를 수신할 수 있다. 타임 스탬프(t)는 위상 신호에 해당할 수 있다. 위상 신호는 동일한 시점에 대해 업데이트되는 모든 레이어들로 인가될 수 있다.

예를 들어, t 시점에 대해 업데이트되는 레이어는 첫 프레임(410)에서는 입력 레이어(411), 히든 레이어(412), 및 출력 레이어(413)일 수 있다. t+1 시점에 대해 업데이트되는 레이어는 중간 프레임(420)에서는 입력 레이어(421), 히든 레이어(422), 및 출력 레이어(423)일 수 있다. t+2 시점에 대해 업데이트되는 레이어는 마지막 프레임(430)에서는 입력 레이어(431), 히든 레이어(432), 및 출력 레이어(433)일 수 있다.

BRDNN(400)에 대한 입력 데이터들은 연속적인 음성 신호로부터 샘플링될 수 있다. BRDNN(400)에 대한 입력 데이터들은 균일하게 동기적으로 샘플링될 수도 있고, 불균일하게 비동기적으로 샘플링될 수도 있다.

BRDNN(400)의 각 프레임에 대응하는 히든 레이어는, 다음 프레임의 동일한 레벨의 히든 레이어에 대해 포워드 패스(491)를 형성할 수 있다. 예를 들어, 순환 뉴럴 네트워크에서 윈도우(200) 내의 첫 프레임에 대응하는 히든 레이어(412)의 i번째 포워드 노드는 다음 프레임에 대응하는 히든 레이어(422)의 i번째 포워드 노드에 대해 포워드 패스(491)를 형성할 수 있다. 여기서, i는 1이상의 정수이다.

또한, BRDNN(400)의 각 프레임의 히든 레이어는, 이전 프레임의 동일한 레벨의 히든 레이어에 대해 백워드 패스(492)를 형성할 수 있다. 예를 들어, BRDNN(400)에서 중간 프레임에 대응하는 히든 레이어(422)의 j번째 백워드 노드는 이전 프레임에 대응하는 히든 레이어(412)의 j번째 백워드 노드에 대해 백워드 패스(492)를 형성할 수 있다. 여기서, j는 1이상의 정수이다. 여기서, 노드들은 포워드 패스(491)를 통해서만 연결되는 포워드 노드들 및 백워드 패스(492)를 통해서만 연결되는 백워드 노드들로 분류될 수 잇다.

도 5는 일 실시예에 따른 입력 데이터의 구성 과정 및 음향 점수의 출력 과정을 나타낸 도면이다. 도 5를 참조하면, 트레이닝 장치는 음성 신호(510)를 음성 시퀀스(520)로 변환하고, 음성 시퀀스(520)에 기초하여 윈도우 레벨의 입력 데이터(530)를 구성한다.

음성 시퀀스(520)는 N개의 프레임들을 포함할 수 있다. 음성 시퀀스(520)는 W개의 프레임들을 포함하는 겹치지 않는 연속된 윈도우들로 분할될 수 있다. 예를 들어, 첫 번째 윈도우는 첫 번째 프레임부터 W번째 프레임까지 포함할 수 있다. 두 번째 윈도우는 W+1 번째 프레임부터 2W 번째 프레임까지 포함할 수 있다. 따라서, i번째 윈도우는 ((i-1)*W+1) 번째 프레임부터 ((i-1)*W+W) 번째 프레임까지 포함할 수 있다. 예를 들어, 도 5의 실시예에서 W는 4이다.

음향 모델(540)은 특정 프레임의 음향 점수를 계산할 때 특정 프레임 주변의 프레임들을 고려할 수 있다. 윈도우의 끝에 근접한 프레임의 경우, 왼쪽 또는 오른쪽에 프레임이 부족하므로 해당 윈도우에 관한 음향 점수가 부정확하게 계산될 수 있다. 윈도우의 끝에 근접한 프레임에 관한 음향 점수의 정확도는 패딩 프레임을 통해 향상될 수 있다.

트레이닝 장치는 대상 데이터 및 패딩 데이터로 윈도우 레벨의 입력 데이터(530)를 구성할 수 있다. 대상 데이터는 윈도우에 포함된 프레임들을 의미할 수 있고, 패딩 데이터는 대상 데이터의 주변에 추가된 프레임들을 의미할 수 있다. 패딩 데이터는 음성 시퀀스(520)에서 대상 데이터의 이전 시간에 위치하는 제1 패딩 데이터, 음성 시퀀스(520)에서 대상 데이터의 이후 시간에 위치하는 제2 패딩 데이터, 또는 이들의 조합을 포함할 수 있다. 예를 들어, 윈도우 레벨의 입력 데이터(535)는 제1 패딩 데이터(536), 대상 데이터(537) 및 제2 패딩 데이터(538)를 포함할 수 있다. 편의상, 제1 패딩 데이터는 좌측 패딩 데이터로 지칭될 수 있고, 제2 패딩 데이터는 우측 패딩 데이터로 지칭될 수 있다.

좌측 패딩 데이터에 포함된 프레임의 수를 LP, 우측 패딩 데이터에 포함된 프레임의 수를 RP라고 정의할 수 있다. 이 경우, 윈도우 레벨의 입력 데이터(530)는 LP+W+RP의 사이즈를 가질 수 있다. 첫 번째 입력 데이터에서 LP는 0일 수 있고, 마지막 입력 데이터에서 RP는 0에서 W 사이 값을 가질 수 있다. 필요에 따라서 LP와 RP는 입력 데이터 별로 조절될 수 있다. 예를 들어, 사용자에게 인식 결과를 신속하게 제공하기 위해서, 첫 번째 입력 데이터의 LP는 그 외의 입력 데이터의 LP에 비해 작게 조절될 수 있다.

트레이닝 장치는 윈도우 레벨의 입력 데이터(530)를 음향 모델(540)에 입력한다. 음향 모델(540)은 윈도우 레벨의 입력 데이터(530)의 입력에 반응하여, 음향 점수를 출력한다. 예를 들어, 음향 모델(540)은 윈도우 레벨의 입력 데이터(535)의 입력에 따라 음향 점수(550)를 출력할 수 있다. 음향 모델(540)에는 윈도우 레벨의 입력 데이터(530)에 포함된 프레임들이 시간 순서에 따라 순차적으로 입력될 수 있고, 음향 모델(540)은 입력된 프레임에 대응하는 음향 점수를 출력할 수 있다. 예를 들어, 음향 점수(550)의 열(i)은 윈도우 레벨의 입력 데이터(235)에 포함된 프레임들의 수에 대응될 수 있다. 음향 점수(550)의 행(j)은 발음 별 점수를 나타낼 수 있다. 예를 들어, 음향 점수(550)의 행(j)은 'a'에 해당하는 점수, 'e'에 해당하는 점수, 'i'에 해당하는 점수, 'o'에 해당하는 점수 및 'u'에 해당하는 점수를 나타낼 수 있다.

음향 점수(550)에 포함되는 발음들은 다양한 기준에 따라 정해질 수 있다. 예를 들어, 발음들은 음소(phonemes)를 기준으로 결정되거나, 트라이폰(triphone)을 기준으로 결정될 수 있다. 트라이폰은 기준 음소에 앞에서 기준 음소의 발음에 영향을 주는 요소, 및 기준 음소의 뒤에서 기준 음소의 발음에 영향을 주는 요소에 기초하여 결정될 수 있다. 예를 들어, 발음의 종류가 48개인 경우, 트라이폰은 (48 x 3)³개일 수 있다.

음향 모델(540)에서 입력 노드들의 수는 프레임을 나타내는 벡터의 요소들의 수에 대응될 수 있고, 출력 노드들의 수는 음향 점수(550)에 포함되는 발음들의 수에 대응될 수 있다. 발음들의 수가 너무 많은 경우, 음향 모델(540)의 처리가 지연될 수 있다. 따라서, 발음들의 수는 적절하게 조절될 수 있다. 예를 들어, 발음들이 트라이폰을 기준으로 결정되는 경우, 트라이폰에 속하는 발음들 중에 대표 발음들을 추출할 수 있다. 일 예로, 대표 발음들은 약 6000개로 결정될 수 있다. 이 경우, 음향 점수(550)의 행(j)은 6000개일 수 있다.

도 6은 일 실시예에 따른 시퀀스 레벨의 음향 점수를 나타낸 도면이다. 도 6을 참조하면, 트레이닝 장치는 윈도우 레벨의 입력 데이터들(610)을 음향 모델(620)에 입력하고, 음향 모델(620)의 출력에 기초하여 윈도우 레벨의 음향 점수들(630)을 획득할 수 있다. 음향 모델(620)은 윈도우 레벨의 입력 데이터들(610)에 기초하여 윈도우 레벨의 음향 점수들(630)을 순차적으로 출력할 수 있다. 예를 들어, 음향 시퀀스가 N개의 프레임들을 포함하고, 윈도우가 W개의 프레임들을 포함하는 경우, N/W 개의 입력 데이터들에 관한 음향 점수들이 출력될 수 있다. 또한, 전술한 바와 같이, 각 윈도우에는 패딩 데이터에 대응하는 프레임들이 더 포함될 수 있다. 이 경우, 음향 모델(620)은 패딩 데이터에 대응하는 프레임들에 관한 음향 점수도 함께 출력할 수 있다.

트레이닝 장치는 윈도우 레벨의 음향 점수들(630)에서 패딩 데이터에 대응하는 부분을 제거하여 대상 데이터에 대응하는 음향 점수들을 획득하고, 대상 데이터에 대응하는 음향 점수들을 연결하여 시퀀스 레벨의 음향 점수(640)를 획득할 수 있다. 패딩 데이터는 음향 점수를 산출하는 과정에서 윈도우의 시작 또는 끝에 근접한 프레임에 관한 음향 점수의 정확도를 높이기 위해 추가된 것이므로, 음향 점수(640)를 구성하는 과정에서 제거될 수 있다. 트레이닝 장치는 시퀀스 레벨의 음향 점수(640)에 기초하여 시퀀스 레벨의 에러를 계산할 수 있다.

도 7은 일 실시예에 따른 시퀀스 레벨의 에러를 계산하는 과정을 나타낸 도면이다. 도 7을 참조하면, 트레이닝 장치는 시퀀스 레벨의 음향 점수와 음성 시퀀스에 관한 참조 문장에 기초하여 시퀀스 레벨의 에러(740)를 계산한다. 트레이닝 장치는 언어 모델 및 디코더를 이용하여 시퀀스 레벨의 음향 점수에 대응하는 점수(710) 및 참조 문장의 발음 확률에 대응하는 점수들(720, 730)을 획득할 수 있다. 트레이닝 장치는 점수(710) 및 점수(720)를 비교하거나, 점수(710) 및 점수(730)를 비교하여, 시퀀스 레벨의 에러(740)를 계산할 수 있다. 언어 모델은 특정한 단어나 특정한 문장이 얼마나 자주 사용되는지에 관한 정보를 제공할 수 있다. 디코더는 음향 모델이 제공하는 정보와 언어 모델이 제공하는 정보에 기초하여, 입력된 음성이 어떤 단어에 가까운지, 혹은 어떤 문장에 가까운지 계산할 수 있다. 점수들(710, 720, 730)은 이러한 디코더 및 언어 모델에 기반한 특정한 음성 시퀀스의 인식 확률을 나타낼 수 있다.

참조 문장은 음성 시퀀스에 관한 정답 문장 및 음성 시퀀스에 관한 오답 문장 중 적어도 하나를 포함할 수 있다. 예를 들어, 도 7에는 정답 문장에 관한 발음 확률에 대응하는 점수(720), 오답 문장에 관한 발음 확률에 대응하는 점수(730)가 도시되어 있다. 오답 문장에 관한 발음 확률에 대응하는 점수(730)는 제1 오답 문장에 관한 발음 확률에 대응하는 점수(733), 제2 오답 문장에 관한 발음 확률에 대응하는 점수(733) 및 제3 오답 문장에 관한 발음 확률에 대응하는 점수(733)를 포함할 수 있다. 트레이닝 장치는 디코더 및 언어 모델을 이용하여 점수들(720, 730)을 획득할 수 있다.

오답 문장은 미리 정해진 수만큼 존재할 수 있다. 오답 문장은 미리 정해진 기준에 따라 선정될 수 있다. 예를 들어, 오답 문장은 정답 문장에 근접한 문장들로 선정될 수 있다. 트레이닝 장치는 정답 문장을 제외한 문장 중에 디코더에 의해 높은 점수가 부여된 문장을 추출할 수 있고, 추출된 문장에서 오답 문장을 선정할 수 있다. 트레이닝 장치는 추출된 문장에서 점수가 높은 순으로 미리 정해진 수만큼 오답 문장을 결정할 수 있다.

점수(710)와 점수(720), 또는 점수(710)와 점수(730)는 성분 별로 비교될 수 있다. 예를 들어, 점수(710)의 [m n]에 포함된 성분은 점수(720)의 [m n]에 포함된 성분과 비교될 수 있다. 여기서, [m n]은 m행 n열을 의미할 수 있다. 트레이닝 장치는 점수(710)와 점수(720)를 성분 별로 비교하여 시퀀스 레벨의 에러(740)를 계산할 수 있다. 또한, 트레이닝 장치는 점수(710)와 점수(720)의 차이가 클수록 시퀀스 레벨의 에러(740)를 크게 결정할 수 있다. 또한, 트레이닝 장치는 점수(710)와 점수(730)의 차이가 작을수록, 시퀀스 레벨의 에러(740)를 크게 결정할 수 있다.

도 8은 일 실시예에 따른 음향 모델의 갱신 과정을 나타낸 도면이다. 도 8을 참조하면, 트레이닝 장치는 시퀀스 레벨의 에러(810)를 분할하여 윈도우 레벨의 에러(820)를 획득하고, 윈도우 레벨의 에러(820)를 이용하여 음향 모델(840)을 갱신할 수 있다. 트레이닝 장치는 윈도우 레벨의 에러(820)가 작아지는 방향으로 음향 모델(840)을 갱신할 수 있다.

시퀀스 레벨의 에러(810)가 N개의 프레임으로 구성된 음성 시퀀스에 대응할 때, 이를 W개의 프레임들을 포함하는 겹치지 않는 연속된 윈도우로 분할하여 윈도우 레벨의 에러(820)를 획득할 수 있다. 이 경우, 첫 번째 윈도우는 1번 프레임에 대한 에러부터 W번 프레임에 대한 에러까지 포함할 수 있고, 두 번째 윈도우는 W+1 번째 프레임에 대한 에러부터 2W 번째 프레임에 대한 에러까지 포함할 수 있다. 따라서, i번째 윈도우는 ((i-1)*W+1) 번째 프레임에 대한 에러부터 ((i-1)*W+W) 번째 프레임에 대한 에러까지 포함할 수 있다.

음향 모델(840)은 음향 점수의 산출 과정에서 입력된 입력 데이터에 따라 펼쳐질 수 있으므로, 해당 입력 데이터의 사이즈에 맞는 데이터로 갱신될 필요가 있다. 따라서, 트레이닝 장치는 윈도우 레벨의 에러(820) 및 패딩 데이터에 기초하여 갱신 데이터(830)를 구성하고, 갱신 데이터(830)를 이용하여 음향 모델을 갱신할 수 있다. 여기서, 패딩 데이터는 0 또는 윈도우 레벨의 에러(820)에 대응하는 윈도우에 이웃한 윈도우의 에러를 포함할 수 있다. 예를 들어, 패딩 데이터(835)는 0으로 채워지거나, 혹은 이웃 윈도우의 에러(825)로 채워질 수 있다. 갱신 데이터(830)에 포함된 패딩 데이터의 사이즈는 상술된 입력 데이터에 포함된 패딩 데이터의 사이즈에 대응될 수 있다.

음향 모델(840)은 갱신 데이터(830)를 통해 순차적으로 갱신될 수 있다. 앞선 예시에서, 음향 모델(840)은 총 N/W번 갱신될 수 있다.

일 실시예에 따르면, 트레이닝 장치는 오류 역전파 학습을 통해, 음향 모델(840)을 트레이닝시킬 수 있다. 예를 들어, 트레이닝 장치는 음향 모델(840)의 연결 가중치, 노드의 상태 파라미터 등을 갱신할 수 있다. 트레이닝 장치는 감독 학습(supervised learning)을 통해 음향 모델(840)을 학습시킬 수 있다. 감독 학습이란 트레이닝 입력과 그에 대응하는 트레이닝 출력을 음향 모델(840)에 입력하고, 트레이닝 입력에 대응하는 트레이닝 출력이 출력되도록 음향 모델(840)의 파라미터를 조절하는 방법이다.

오류 역전파 학습은, 주어진 트레이닝 데이터에 대해 전방 계산(forward computation)으로 오류를 추정한 후, 출력 레이어에서 시작하여 히든 레이어와 입력 레이어로의 역 방향으로 추정한 오류를 전파하고, 오류를 줄이는 방향으로 연결 가중치를 조절하는 방법이다. 음향 모델(840)의 인식을 위한 처리는 입력 레이어, 히든 레이어, 출력 레이어의 순서로 진행되지만, 오류 역전파 학습에서 파라미터의 업데이트 방향은 출력 레이어, 히든 레이어, 입력 레이어의 순서로 진행될 수 있다.

음향 모델(840)은 실시간 인식 과정에 매칭되도록 윈도우 레벨의 입력 데이터에 기초하여 트레이닝될 수 있고, 실시간 음성 인식에서 높은 성능을 나타낼 수 있다. 또한, 음향 모델(840)은 시퀀스 레벨의 에러(810)를 기반으로 트레이닝되므로, 단어나 문장에 대해 강인한 성능을 발휘할 수 있다.

도 9는 일 실시예에 따른 인식 장치를 나타낸 블록도이다. 도 9를 참조하면, 인식 장치(900)는 프로세서(910) 및 메모리(920)를 포함한다. 메모리(920)는 음향 모델(925)을 포함할 수 있다. 프로세서(910)는 메모리(920)에서 음향 모델(925)을 획득할 수 있다. 음향 모델(925)은 상술된 트레이닝 과정에 따라 미리 트레이닝될 수 있다. 프로세서(910)는 음성 신호를 입력 받고, 음성 신호를 샘플링하여 음성 시퀀스를 생성할 수 있다. 프로세서(910)는 음성 시퀀스를 윈도우 레벨로 분할하여 음향 모델(925)에 제공할 수 있다. 메모리(920)는 디코더를 더 포함할 수 있다. 디코더는 음향 모델(925)의 출력에 기초하여 인식 결과를 출력할 수 있다.

도 10은 일 실시예에 따른 트레이닝 장치를 나타낸 블록도이다. 도 10을 참조하면, 트레이닝 장치(1000)는 처리부(1010) 및 저장부(1020)를 포함한다. 메모리(1020)는 음향 모델(1021)을 포함할 수 있다. 처리부(1010)는 메모리(1020)에서 음향 모델(1021)을 획득할 수 있다. 메모리(1020)는 컴퓨터에서 읽을 수 있는 명령어를 포함할 수 있다. 메모리(1020)에 저장된 명령어가 처리부(1010)에서 실행되면, 처리부(1010)는 음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성하고, 윈도우 레벨의 입력 데이터를 음향 모델(1021)에 입력하고, 음향 모델(1021)의 출력에 기초하여 시퀀스 레벨의 에러를 계산하고, 시퀀스 레벨의 에러를 분할하여 윈도우 레벨의 에러를 획득하고, 윈도우 레벨의 에러를 이용하여 음향 모델(1021)을 갱신할 수 있다. 저장부(1020)는 트레이닝 과정 동안 순차적으로 업데이트되는 음향 모델(1021) 및 트레이닝 데이터(1001)를 저장할 있다. 그 밖에, 트레이닝 장치에는 상술된 사항이 적용될 수 있으며, 보다 상세한 설명은 생략한다.

도 11은 일 실시예에 따른 트레이닝 방법을 나타낸 동작 흐름도이다. 도 11을 참조하면, 단계(1110)에서, 트레이닝 장치는 음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성한다. 단계(1120)에서, 트레이닝 장치는 윈도우 레벨의 입력 데이터를 음향 모델에 입력한다. 단계(1130)에서, 트레이닝 장치는 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산한다. 단계(1140)에서, 트레이닝 장치는 시퀀스 레벨의 에러를 분할하여 윈도우 레벨의 에러를 획득한다. 단계(1150)에서, 트레이닝 장치는 윈도우 레벨의 에러를 이용하여 음향 모델을 갱신한다. 그 밖에, 트레이닝 방법에는 상술된 사항이 적용될 수 있으며, 보다 상세한 설명은 생략한다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims

음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성하는 단계;
상기 윈도우 레벨의 입력 데이터를 음향 모델에 입력하는 단계;
상기 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산하는 단계;
상기 시퀀스 레벨의 에러를 분할하여 상기 윈도우 레벨의 에러를 획득하는 단계; 및
상기 윈도우 레벨의 에러를 이용하여 상기 음향 모델을 갱신하는 단계
를 포함하는, 트레이닝 방법.
제1항에 있어서,
상기 윈도우 레벨의 입력 데이터를 구성하는 단계는
상기 음성 시퀀스에서 미리 정해진 사이즈의 윈도우에 대응하는 대상 데이터 및 상기 대상 데이터 주변의 패딩 데이터를 추출하는 단계; 및
상기 대상 데이터 및 상기 패딩 데이터에 기초하여 상기 윈도우 레벨의 입력 데이터를 구성하는 단계
를 포함하는, 트레이닝 방법.
제2항에 있어서,
상기 패딩 데이터는 상기 음성 시퀀스에서 상기 대상 데이터의 이전 시간에 위치하는 제1 패딩 데이터 및 상기 음성 시퀀스에서 상기 대상 데이터의 이후 시간에 위치하는 제2 패딩 데이터 중 적어도 하나를 포함하는, 트레이닝 방법.
제1항에 있어서,
상기 시퀀스 레벨의 에러를 계산하는 단계는
상기 음향 모델의 출력에 기초하여 상기 시퀀스 레벨의 음향 점수를 획득하는 단계; 및
상기 시퀀스 레벨의 음향 점수와 상기 음성 시퀀스에 관한 참조 문장의 발음 확률에 기초하여 상기 시퀀스 레벨의 에러를 계산하는 단계
를 포함하는, 트레이닝 방법.
제4항에 있어서,
상기 시퀀스 레벨의 음향 점수를 획득하는 단계는
상기 음향 모델의 출력에 기초하여 상기 윈도우 레벨의 음향 점수들을 획득하는 단계;
상기 음향 점수들에서 패딩 데이터에 대응하는 부분을 제거하여 대상 데이터에 대응하는 음향 점수들을 획득하는 단계; 및
상기 대상 데이터에 대응하는 음향 점수들을 연결하여 상기 시퀀스 레벨의 음향 점수를 획득하는 단계
를 포함하는, 트레이닝 방법.
제4항에 있어서,
상기 참조 문장은 상기 음성 시퀀스에 관한 정답 문장 및 상기 음성 시퀀스에 관한 오답 문장 중 적어도 하나를 포함하는, 트레이닝 방법.
제1항에 있어서,
상기 음향 모델은 상기 윈도우 레벨의 에러가 작아지는 방향으로 갱신되는, 트레이닝 방법.
제1항에 있어서,
상기 음향 모델을 갱신하는 단계는
상기 윈도우 레벨의 에러 및 패딩 데이터에 기초하여 갱신 데이터를 구성하는 단계; 및
상기 갱신 데이터를 이용하여 상기 음향 모델을 갱신하는 단계
를 포함하는, 트레이닝 방법.
제8항에 있어서,
상기 패딩 데이터는 0 또는 상기 윈도우 레벨의 에러에 대응하는 윈도우에 이웃한 윈도우의 에러를 포함하는, 트레이닝 방법.
제8항에 있어서,
상기 패딩 데이터의 사이즈는 상기 입력 데이터에 포함된 패딩 데이터의 사이즈에 대응하는, 트레이닝 방법.
제1항에 있어서,
상기 음향 모델은 순환 딥 뉴럴 네트워크를 포함하고,
상기 순환 딥 뉴럴 네트워크가 펼쳐진(unfolded) 길이는 상기 입력 데이터의 길이에 대응하는, 트레이닝 방법.
제1항 내지 제11항 중 어느 한 항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 프로그램을 저장한 컴퓨터 판독 가능 저장매체.
적어도 하나의 프로세서; 및
상기 프로세서에서 읽을 수 있는 명령어를 포함하는 메모리
를 포함하고,
상기 명령어가 상기 프로세서에서 실행되면, 상기 프로세서는 음성 시퀀스에 기초하여 윈도우 레벨의 입력 데이터를 구성하고, 상기 윈도우 레벨의 입력 데이터를 음향 모델에 입력하며, 상기 음향 모델의 출력에 기초하여 시퀀스 레벨의 에러를 계산하고, 상기 시퀀스 레벨의 에러를 분할하여 상기 윈도우 레벨의 에러를 획득하며, 상기 윈도우 레벨의 에러를 이용하여 상기 음향 모델을 갱신하는, 트레이닝 장치.
제13항에 있어서,
상기 프로세서는
상기 음성 시퀀스에서 미리 정해진 사이즈의 윈도우에 대응하는 대상 데이터 및 상기 대상 데이터 주변의 패딩 데이터를 추출하고, 상기 대상 데이터 및 상기 패딩 데이터에 기초하여 상기 윈도우 레벨의 입력 데이터를 구성하는, 트레이닝 장치.
제14항에 있어서,
상기 패딩 데이터는 상기 음성 시퀀스에서 상기 대상 데이터의 이전 시간에 위치하는 제1 패딩 데이터 및 상기 음성 시퀀스에서 상기 대상 데이터의 이후 시간에 위치하는 제2 패딩 데이터 중 적어도 하나를 포함하는, 트레이닝 장치.
제13항에 있어서,
상기 프로세서는
상기 음향 모델의 출력에 기초하여 상기 시퀀스 레벨의 음향 점수를 획득하고, 상기 시퀀스 레벨의 음향 점수와 상기 음성 시퀀스에 관한 참조 문장에 기초하여 상기 시퀀스 레벨의 에러를 계산하는, 트레이닝 장치.
제16항에 있어서,
상기 프로세서는
상기 음향 모델의 출력에 기초하여 상기 윈도우 레벨의 음향 점수들을 획득하고, 상기 음향 점수들에서 패딩 데이터에 대응하는 부분을 제거하여 대상 데이터에 대응하는 음향 점수들을 획득하며, 상기 대상 데이터에 대응하는 음향 점수들을 연결하여 상기 시퀀스 레벨의 음향 점수를 획득하는, 트레이닝 장치.
제16항에 있어서,
상기 참조 문장은 상기 음성 시퀀스에 관한 정답 문장 및 상기 음성 시퀀스에 관한 오답 문장 중 적어도 하나를 포함하는, 트레이닝 장치.
제13항에 있어서,
상기 음향 모델은 상기 윈도우 레벨의 에러가 작아지는 방향으로 갱신되는, 트레이닝 장치.
제13항에 있어서,
상기 프로세서는
상기 윈도우 레벨의 에러 및 패딩 데이터에 기초하여 갱신 데이터를 구성하고, 상기 갱신 데이터를 이용하여 상기 음향 모델을 갱신하는, 트레이닝 장치.
제20항에 있어서,
상기 패딩 데이터는 0 또는 상기 윈도우 레벨의 에러에 대응하는 윈도우에 이웃한 윈도우의 에러를 포함하는, 트레이닝 장치.
제20항에 있어서,
상기 패딩 데이터의 사이즈는 상기 입력 데이터에 포함된 패딩 데이터의 사이즈에 대응하는, 트레이닝 장치.
제13항에 있어서,
상기 음향 모델은 순환 딥 뉴럴 네트워크를 포함하고,
상기 순환 딥 뉴럴 네트워크가 펼쳐진(unfolded) 길이는 상기 입력 데이터의 길이에 대응하는, 트레이닝 장치.