KR20200051462A

KR20200051462A - 전자 장치 및 그 동작방법

Info

Publication number: KR20200051462A
Application number: KR1020190081529A
Authority: KR
Inventors: 고현목
Original assignee: 삼성전자주식회사
Priority date: 2018-11-05
Filing date: 2019-07-05
Publication date: 2020-05-13

Abstract

사용자의 발화에 대한 응답을 제공할 수 있는 전자 장치 및 그 동작방법에에 관한 것으로, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 프로세서를 포함하고, 프로세서는, 전자 장치의 상황 정보를 획득하며, 상황 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 전자 장치에서 수행할 지 여부를 결정하고, 음성 인식이 수행된 결과에 기초하여, 사용자의 발화에 대한 응답(response)을 제공하는, 전자 장치가 개시된다.

Description

전자 장치 및 그 동작방법{Electronic apparatus and operating method for the same}

다양한 실시예들은 전자 장치 및 그 동작방법에 관한 것으로서, 더욱 상세하게는 사용자의 발화에 대한 응답을 제공할 수 있는 전자 장치 및 그 동작방법에 관한 것이다.

가상비서는, 오디오 신호에 음성 인식(ASR: Automated Speech Recognition) 처리, 자연어 이해(NLU: Natural Language Understanding) 처리, 대화 관리(DM: Dialogue Manager) 처리, 자연어 생성(NLG: Natural Language generation) 처리 및 텍스트 투 스피치(TTS: Text To Speech) 처리를 통해, 사용자 발화에 대한 응답을 제공하는 서비스이다,

종래에는 가상비서의 대부분 처리가 서버에서 수행되고, 사용자 기기는 사용자의 발화를 수신하고 서버에서 처리 결과를 받아 출력하는 동작을 수행한다. 이 때, 각 단계는 인공지능 外 규칙 기반 알고리즘을 통해 동작될 수 있으며, 가상비서의 성능 향상을 위해 ASR, NLU, DM, NLG, TTS에 인공지능이 접목될 수 있다.

다양한 실시예들은, 전자 장치의 상황 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 어디에서 수행할 지를 결정하고, 음성 인식 결과에 기초하여, 사용자의 발화에 대한 응답을 제공할 수 있는 전자 장치 및 그 동작방법을 제공할 수 있다.

일 실시예에 따른 전자 장치는, 하나 이상의 인스트럭션들을 저장하는 메모리, 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하고, 상기 전자 장치에서 음성 인식을 수행하는 것으로 판단되면, 상기 음성 인식을 수행하고, 상기 음성 인식이 수행된 결과에 기초하여, 상기 사용자의 발화에 대한 응답(response)을 출력할 수 있다.

일 실시예에 따른 음성 인식은, 인공지능 알고리즘을 이용하여 처리될 수 있다.

일 실시예에 따른 프로세서는, 상기 주변 노이즈 정보에 기초하여, 상기 음성 인식에 대한 정확도를 예측하고, 상기 정확도가 기 설정된 값 이상이면, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정할 수 있다.

일 실시예에 따른 프로세서는, 상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 미만이면, 상기 음성 인식을 상기 전자 장치에서 수행하는 것으로 결정할 수 있다.

일 실시예에 따른 전자 장치는, 외부 장치와 데이터를 송수신하는 통신부를 더 포함하고, 상기 프로세서는, 상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 이상이면, 상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하고, 상기 외부 장치로부터 상기 오디오 신호에 대한 음성 인식 결과를 수신하도록 상기 통신부를 제어할 수 있다.

일 실시예에 따른 프로세서는, 상기 주변 노이즈 레벨이 기 설정된 범위의 값을 가지는 경우, 상기 사용자의 발화에 포함된 키워드를 추출하고, 추출된 키워드가 기 설정된 키워드인 경우, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정할 수 있다.

일 실시예에 따른 전자 장치는, 외부 장치와 데이터를 송수신하는 통신부를 더 포함하고, 상기 프로세서는, 상기 사용자의 발화에 대한 음성 인식을 수행하여, 제1 음성 인식 결과를 획득하고, 상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하고, 상기 외부 장치로부터 제2 음성 인식 결과를 수신하도록 상기 통신부를 제어하고, 상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택할 수 있다.

일 실시예에 따른 프로세서는, 상기 전자 장치의 주변 노이즈 정보에 기초하여, 상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택할 수 있다.

일 실시예에 따른 프로세서는, 상기 주변 노이즈 정보 및 상기 음성 인식이 수행된 결과 중 적어도 하나에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 상기 전자 장치에서 수행할 지 여부를 결정할 수 있다.

일 실시예에 따른 프로세서는, 상기 음성 인식이 수행된 결과에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 수행하여, 상기 응답을 결정할 수 있다.

일 실시예에 따른 전자 장치의 동작방법은, 오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계, 상기 전자 장치에서 음성 인식을 수행하는 것으로 판단되면, 상기 음성 인식을 수행하는 단계, 및 상기 음성 인식의 수행된 결과에 기초하여, 상기 사용자의 발화에 대한 응답을 출력하는 단계를 포함할 수 있다.

일 실시예에 따른 음성 인식 시스템은, 사용자 발화를 수신하는 전자 장치, 및 상기 전자 장치로부터 수신한 오디오 신호를 이용하여, 상기 사용자 발화에 대한 음성 인식을 수행하는 서버를 포함하고, 상기 전자 장치는, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 상기 사용자 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하고, 상기 전자 장치에서 음성 인식을 수행하지 않는 것으로 판단되면 상기 사용자 발화에 대한 오디오 신호를 상기 서버로 전송하도록 제어할 수 있다.

일 실시예에 따른 전자 장치는, 주변 노이즈 정보에 기초하여, 음성 인식을 전자 장치에서 수행할 지, 서버에서 수행할 지를 결정하여, 전자 장치에서 처리 가능한 발화들에 대해서는 전자 장치에서 처리함으로써, 자원 낭비, 지연 시간 증가를 방지할 수 있다.

도 1은 일 실시예에 따른 음성 인식 시스템을 나타내는 도면이다.
도 2는 일 실시예에 따른 사용자의 발화에 대한 응답을 결정하여 제공하는 방법을 설명하기 위해 참조되는 도면이다.
도 3은 일 실시예에 따른 전자 장치의 동작 방법을 나타내는 흐름도이다.
도 4는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 6은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 7은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 8은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 9는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 10은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.
도 11은 일 실시예에 따른 전자 장치가 사용자의 발화에 포함된 키워드에 기초하여, 음성 인식을 수행하는 방법을 설명하기 위해 참조되는 도면이다.
도 12는 일 실시예에 따른 전자 장치가 음성 인식 관련 설정을 제공하는 방법을 설명하기 위해 참조되는 도면이다.
도 13은 일 실시예에 따른 전자 장치의 음성 인식 설정 화면을 나타내는 도면이다.
도 14는 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 15는 일 실시예에 따른 프로세서의 구성을 나타내는 블록도이다.
도 16은 다른 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.
도 17은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
도 18은 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.
도 19는 일 실시예에 따른 전자 장치의 동작방법을 나타내는 흐름도이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.

본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

아래에서는 첨부한 도면을 참고하여 실시예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

도 1은 일 실시예에 따른 음성 인식 시스템을 나타내는 도면이다.

일 실시예에 따른 음성 인식 시스템은, 전자 장치(100) 및 서버(2000)를 포함할 수 있다.

일 실시예에 따른 전자 장치(100)는 휴대폰, 태블릿 PC, 디지털 카메라, 캠코더, 노트북 컴퓨터(laptop computer), 태블릿 PC, 데스크탑, 전자책 단말기, 디지털 방송용 단말기, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 캠코더, IPTV(Internet Protocol Television), DTV(Digital Television), 착용형 기기(wearable device) 등과 같은 다양한 전자 장치로 구현될 수 있다.

일 실시예에 따른 서버(2000)는 전자 장치(100)와 네트워크 또는 근거리 통신을 통하여, 서로 연결될 수 있으나, 이에 한정되지 않는다.

본 명세서의 실시예에서 “사용자”라는 용어는 전자 장치의 기능 또는 동작을 제어하는 사람을 의미하며, 관리자 또는 설치 기사를 포함할 수 있다.

일 실시예에 따른 전자 장치(100)는 대화형 인터페이스를 제공하는 장치일 수 있다. 대화형 인터페이스는 사용자로부터의 입력(예를 들어, 음성 입력 또는 텍스트 입력)을 수신하고, 사용자로부터의 입력에 대한 응답을 제공하는 사용자를 위한 인터페이스일 수 있다. 일 실시예에 의하면, 대화형 인터페이스는 가상 비서(Virtual assistant), 인공지능 비서 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 가상 비서 또는 인공지능 비서는 사용자가 요구하는 작업을 처리하고 사용자에게 특화된 서비스를 제공하는 소프트웨어 에이전트일 수 있다.

도 1을 참조하면, 사용자는 전자 장치(100)에 대하여 발화(speech 또는 utterance)할 수 있다. 발화는 전자 장치(100)로 하여금 지정된 기능(예를 들어, 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작 제어, 컨텐츠 검색 등)을 수행하도록 하는 자연어를 포함할 수 있다.

전자 장치(100)는 내장 또는 외장된 오디오 입력 모듈(예를 들어, 마이크로폰)을 이용하여, 사용자의 발화를 전기적 신호인 오디오 신호로 변환할 수 있다. 또는, 외부 장치로부터 사용자의 발화에 대응하는 오디오 신호를 수신할 수 있다. 예를 들어, 사용자가 오디오 입력 모듈을 포함하는 외부 장치에 대하여 발화하는 경우, 외부 장치는 사용자의 발화를 오디오 신호로 변환하며, 변환된 오디오 신호를 전자 장치(100)로 전송할 수도 있다.

또한, 일 실시예에 따른 전자 장치(100)는 전자 장치의 상황(context) 정보를 획득할 수 있다. 상황 정보는, 컴퓨팅 상황 정보, 사용자 상황 정보, 물리적 상황 정보, 시간적 상황 정보 등을 포함할 수 있다. 예를 들어, 컴퓨팅 상황 정보는, 전자 장치(100)와 서버(2000) 사이의 네트워크 연결 상태 정보, 통신 대역폭 정보를 포함할 수 있다. 또한, 사용자 상황 정보는 사용자의 위치 정보, 사용자의 음성 특성 정보 등을 포함할 수 있다. 또한, 물리적 상황 정보는 주변의 노이즈 레벨 정보, 전자 장치의 위치 정보 등을 포함할 수 있으며, 시간적 상황 정보는 전자 장치의 시간 정보 등을 포함할 수 있다.

특히, 일 실시예에 따른 전자 장치(100)는 오디오 신호로부터 노이즈에 대한 정보(예를 들어, 전자 장치의 주변 노이즈 정보)를 획득할 수 있다. 노이즈에 대한 정보는, 신호대 잡음비(SNR: signal noise ratio), 노이즈의 크기, 노이즈의 패턴 등을 포함할 수 있으며, 노이즈에 대한 또 다른 형태의 정보를 포함할 수도 있다. 다만, 이에 한정되지 않는다.

일 실시예에 따른 전자 장치(100)는 다양한 센서 등을 이용하여, 상황 정보를 획득할 수 있다.

전자 장치(100)는 획득된 상황 정보에 기초하여, 사용자의 발화에 대한 음성 인식(ASR)을 전자 장치(100)에서 수행할 지, 서버(2000)에서 수행할 지, 전자 장치(100) 및 서버(2000)에서 동시에 수행할 지를 결정할 수 있다.

예를 들어, 전자 장치(100)는 주변의 노이즈 레벨을 감지하고, 감지된 노이즈 레벨이 기 설정된 값 미만이면, 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다. 반면에, 감지된 노이즈 레벨이 기 설정된 값 이상이면, 사용자의 발화에 대응하는 오디오 신호를 서버(2000)로 전송하고, 서버(2000)에서 음성 인식을 수행하도록 결정할 수 있다. 다만, 이에 한정되지 않는다.

또한, 일 실시예에 따른 전자 장치(100)는 음성 인식 이외에도 음성 인식된 결과에 따른 자연어 이해 (NLU) 처리 및 대화 관리(DM) 처리를 전자 장치(100)에서 수행할 지, 서버(2000)에서 수행할 지, 전자 장치(100) 및 서버(2000)에서 동시에 수행할 지 여부를 결정할 수 있다.

도 2는 일 실시예에 따른 사용자의 발화에 대한 응답을 결정하여 제공하는 방법을 설명하기 위해 참조되는 도면이다.

도 2를 참조하면, 사용자는 일 실시예에 따른 전자 장치(100)에 대하여 발화할 수 있다. 전자 장치(100)는 오디오 입력 모듈을 이용하여, 사용자의 발화를 전기적 신호인 오디오 신호로 변환할 수 있다.

일 실시예에 따른 전자 장치(100) 또는 서버(2000)는 변환된 오디오 신호에 대한 전처리(201), 음성 인식(ASR: Automated Speech Recognition) 처리(210), 자연어 이해(NLU: Natural Language Understanding) 처리(220), 대화 관리(Dialogue Manager) 처리(230), 자연어 생성(NLG: Natural Language generation) 처리(240) 및 텍스트 투 스피치(TTS: Text To Speech) 처리(250) 중 적어도 하나를 수행할 수 있으며, 이에 따라, 사용자의 발화에 대한 응답이 결정될 수 있으며, 전자 장치(100)는 결정된 응답을 사용자에게 제공할 수 있다.

일 실시예에 따른 전자 장치(100) 또는 서버(2000)는, 오디오 신호에 대한 음성 인식 처리(210)를 하기 이전에 전처리(201)를 수행할 수 있다.

전처리(201)는, 오디오 신호에서 노이즈와 사용자의 발화를 구분하여 노이즈를 감쇄하거나 제거하는 처리를 포함할 수 있다. 또한, 오디오 신호에서 사용자 음성이 포함된 발화 구간과 사용자 음성이 포함되지 않은 비발화 구간을 구분하여 비발화 구간을 제거하는 처리를 포함할 수 있다. 비발화 구간을 구분하여 제거하는 처리는 노이즈를 감쇄하거나 제거하는 처리를 완료한 이후 수행될 수 있다.

일 실시예에 따른 전자 장치(100)는 전처리(201) 단계에서 전자 장치(100) 주변의 노이즈 정보를 획득할 수 있다. 전자 장치(100)는 노이즈 정보로써, 신호대 잡음비(SNR: signal noise ratio)를 획득할 수 있다.

예를 들어, 노이즈를 감쇄하거나 제거하는 처리를 수행할 때, 전자 장치(100)는 신호대 잡음비를 획득할 수 있으며, 이때, 신호대 잡음비는 노이즈에 대응하는 신호에 대한 사용자 발화에 대응하는 신호의 상대적인 크기로 정의할 수 있다. 신호대 잡음비는 보통 데시벨(dB) 단위로 측정된다.

신호대 잡음비는 발화 구간과 비발화 구간을 구분하여 제거하는 처리를 수행할 때 획득될 수도 있다. 발화 구간과 비발화 구간을 구분하기 위해서 음성 활동 검출(VAD: Voice Activity Detectors) 기술이 사용될 수 있으며, 이 과정에서 발화 구간 동안 신호대 잡음비가 획득될 수 있다. 또한 비발화 구간 동안 노이즈의 크기에 대한 정보를 획득하여 신호대 잡음비 대신 사용할 수 있다.

또한, 일 실시예에 따른 전자 장치(100)는 전처리(201) 단계에서 입력된 전체 오디오 신호를 이용하여, 노이즈 정보를 획득할 수 있으며, 오디오 신호 중 기 설정된 일부 구간에 대한 신호를 이용하여, 노이즈 정보를 획득하거나 오디오 신호 중 기 설정된 특정 시점에 대응하는 신호를 이용하여, 노이즈 정보를 획득할 수 있다.

전처리(201) 단계는 키워드 스팟팅 등과 같은 기술을 이용하여 기동어(wakeup word)가 감지되거나 미리 정해진 입력이 수신되면 개시될 수 있다. 미리 정해진 입력은, 물리적인 버튼을 누르는 입력이거나 전자 장치(100)의 디스플레이에 표시된 아이콘을 선택하는 입력일 수 있다. 전자 장치(100)는 전처리(201) 단계가 개시되면, 그 이후 입력된 오디오 신호에 대한 노이즈 정보를 획득한다. 이 때, 종말점 검출(Endpoint Detection) 기술을 이용하여 전처리(201) 단계가 개시된 시점부터 종말점에 대응하는 시점까지의 오디오 신호로부터 노이즈 정보를 획득할 수 있다.

또한, 전자 장치(100)는 전처리(201) 단계가 개시된 시점부터 기 설정된 시간 구간 동안 입력된 오디오 신호로부터 노이즈 정보를 획득할 수 있다. 다른 예로, 전자 장치(100)는 전처리(201) 단계가 개시된 시점부터 기 설정된 시간이 경과된 시점에 입력된 오디오 신호로부터 노이즈 정보를 획득할 수 있다.

특히, 전처리(201) 단계 중 발화 구간과 비발화 구간을 구분하여 제거하는 처리를 수행할 때 노이즈 정보를 획득하는 방법으로는, 오디오 신호로부터 비발화 구간이 제거된 신호 전체에 대한 노이즈 정보를 획득할 수 있다. 또한, 비발화 구간 중 기 설정된 일부 구간 동안의 신호로부터 노이즈 정보를 획득할 수 있으며, 비발화 구간 중 기 설정된 시점의 신호로부터 노이즈 정보를 획득할 수 있다.

일정 시간 구간 동안의 신호로부터 노이즈 정보를 획득하는 경우, 그 일정 시간 구간 동안의 신호 내 노이즈 크기와 사용자 발화 크기의 최대값, 중간값, 평균값 중 적어도 하나를 이용하여 노이즈 정보를 획득할 수 있다. 입력된 오디오 신호로부터 노이즈 정보를 획득하는 경우, 및 발화 구간에 대응하는 신호로부터 노이즈 정보를 획득하는 경우에도 위와 같이 노이즈 정보를 획득할 수 있다. 또한, 비발화 구간에 대응하는 신호로부터 노이즈 정보를 획득하는 경우에도 노이즈 크기의 최대값, 중간값, 평균값 중 적어도 하나를 이용하여 노이즈 정보를 획득할 수 있다.

또 다른 실시예에서, 노이즈 정보는 노이즈의 패턴에 대한 정보를 포함할 수 있다. 노이즈의 패턴은 노이즈가 분포되는 형태를 의미하며, 그 예는 오디오 신호에 고르게 분포되는 형태 또는 특정 구간에만 일정 크기 이상의 노이즈가 분포되는 형태일 수 있다. 예를 들어, 노이즈가 분포되는 형태에 따라, 음성 인식 처리의 정확도가 달라질 수 있다.

음성 인식(ASR) 처리(210)는, 오디오 신호에 대응하는 텍스트 데이터를 획득하는 처리일 수 있다. 예를 들어, 음성 인식 처리는, 사용자가 발화한 음성 신호를 문자열로 인식하는 처리를 포함할 수 있다. 음성 인식 결과 획득된 텍스트는 자연어 형태의 문장 형태, 워드 형태, 또는 구 형태를 가질 수 있다. 다만, 이에 한정되지 않는다.

자연어 이해(NLU) 처리(220)는, 음성 인식을 통해 변환된 텍스트 데이터에서 사용자 발화의 의미를 인식하는 처리일 수 있다. 예를 들어, 자연어 이해 처리는, 음성 인식에서 변환된, 텍스트 데이터에 포함된 문자열을 가지고, 사용자의 발화에 대한 언어적 구조를 생성하는 처리일 수 있다. 또한, 자연어 이해 처리는, 사용자가 발화를 통해, 원하는 행동이 무엇인지 의도를 파악하고, 핵심 단어를 이해하는 처리일 수 있다.

대화 관리(Dialogue management) 처리(230)는, 자연어 이해 처리 결과, 추출된 사용자의 의도에 따라 정보를 검색하거나, 기기를 제어하는 등의 행동을 규정하는 처리일 수 있다. 예를 들어, 대화 관리 처리는, 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작을 제어하는 등의 대응 행동을 결정하는 처리를 포함할 수 있다. 또한, 사용자의 발화에 대한 응답으로, 복수의 행동들이 결정되었을 때, 행동들의 순서를 결정하는 처리를 포함할 수 있다.

자연어 생성(NLG) 처리(240)는, 대화 관리 결과에 대응하는 텍스트 표현(예를 들어, 문장)을 생성하는 처리일 수 있다.

텍스트 투 스피치(TTS) 처리(250)는, 생성된 텍스트 표현을 발화(speech)를 통해 사용자에게 전달하는 처리일 수 있다.

도 3은 일 실시예에 따른 전자 장치의 동작 방법을 나타내는 흐름도이다.

도 3을 참조하면, 일 실시예에 따른 전자 장치(100)는 상황 정보를 획득할 수 있다(S310). 예를 들어, 상황 정보는 일 실시예에 따른 서버(2000)와의 네트워크 연결 상태 정보, 전자 장치(100)의 위치 정보, 전자 장치(100)의 시간 정보, 전자 장치(100) 주변의 노이즈 정보, 사용자의 음성 특성 정보, 사용자의 위치 정보 등을 포함할 수 있다.

일 실시예에 따른 전자 장치(100)는 사용자의 발화를 수신하여, 오디오 신호로 변환할 수 있다. 전자 장치(100)는 310 단계(S310)에서 획득된 상황 정보에 기초하여, 사용자의 발화에 대한 음성 인식 처리를 어디에서 수행할 지 결정할 수 있다(S320). 예를 들어, 전자 장치(100)는 주변 노이즈의 크기나 신호대 잡음비 등 노이즈 정보에 기초하여, 음성 인식 처리를 전자 장치(100)에서 수행할 지 여부를 결정할 수 있다. 전자 장치(100)는 주변의 노이즈 크기가 기 설정된 값 미만이면, 음성 인식을 전자 장치(100)에서 수행하고, 주변의 노이즈 크기가 기 설정된 값 이상이면, 음성 인식을 외부 장치(예를 들어, 서버(2000))에서 수행하도록 결정할 수 있다. 또는, 전자 장치(100)가 외부 장치로 네트워크 연결이 되어 있지 않은 경우, 전자 장치(100)는 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다. 또는, 전자 장치(100)는 발화하는 사용자가 전자 장치(100)로부터, 기 설정된 거리 이상으로 떨어져 있는 경우, 음성 인식을 서버(2000)에서 수행하도록 결정할 수 있다. 또는, 전자 장치(100)는 주변 노이즈의 크기가 기 설정된 값 이하이거나 사용자의 발화에 대한 오디오 신호의 신호대 잡음비(SNR)가 기 설정된 값 이상인 경우, 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다. 반면에, 오디오 신호의 노이즈 크기가 기 설정된 값 초과이거나 신호대 잡음비가 기 설정된 값 미만인 경우, 음성 인식을 서버(2000)에서 수행하도록 결정할 수 있다.

또한, 전자 장치(100)는 전자 장치의 위치 정보가 기 설정된 위치이거나 전자 장치의 시간 정보가 기 설정된 시간인 경우, 음성 인식을 서버(2000)에서 수행하도록 결정할 수 있다. 다만, 이에 한정되지 않는다.

전자 장치(100)는 음성 인식을 외부 장치에서 수행하도록 결정한 경우, 사용자의 발화에 대한 오디오 신호를 외부 장치로 전송할 수 있다(S340).

전자 장치(100)는 외부 장치로부터 음성 인식 결과를 수신할 수 있다(S350).

반면에, 전자 장치(100)는 음성 인식을 전자 장치(100)에서 수행하도록 결정한 경우, 오디오 신호에 대한 음성 인식 처리를 수행할 수 있다(S330).

예를 들어, 전자 장치(100)는 오디오 신호에 대응하는 텍스트 데이터를 획득할 수 있다. 텍스트 데이터는, 사용자가 발화한 음성을 나타내는 적어도 하나의 문자열을 포함할 수 있으나, 이에 한정되지 않는다.

전자 장치(100)는 전자 장치(100)에서 음성 인식이 수행된 음성 인식 결과 또는, 외부 장치(예를 들어, 서버(2000))에서 음성 인식이 수행되어, 외부 장치로부터 수신한 음성 인식 결과에 기초하여, 사용자의 발화에 대한 응답을 제공할 수 있다(S360).

예를 들어, 전자 장치(100)는 음성 인식 결과에 자연어 이해 처리, 대화 관리 처리, 자연어 생성 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있으며, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 전자 장치(100)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다. 다만, 이에 한정되지 않는다.

일 실시예에 따른 전자 장치의 동작 방법은, 프로세서, OS 및 애플리케이션이 연동하여 수행될 수 있다. 310단계(S310)에서 노이즈의 크기나 신호대 잡음비 등 노이즈 정보를 획득하는 것은 프로세서 내 전용 모듈에 의해 처리될 수 있다. 이 경우, 320단계(S320)부터 360단계(S360)는 OS나 애플리케이션 인스트럭션의 실행을 통해 수행될 수도 있다. 다만, 330단계(S330) 중 일부 동작은 프로세서 내 해당 동작의 전용 모듈을 통해 수행될 수 있다. OS나 애플리케이션 인스트럭션의 실행을 통해 수행되는 경우, OS나 애플리케이션은 프로세서로부터 310단계(S310)를 수행한 결과를 제공받아 320단계(S320)부터 360단계(S360)를 수행할 수 있다.

일 실시예에 따른 전자 장치의 동작 방법은, OS 또는 애플리케이션 인스트럭션의 실행을 통해서 수행될 수도 있다. 이 경우, 310단계(S310)부터 360단계(S360) 각각은 각 단계에 대응하는 인스트럭션의 실행을 통해 수행된다. 또한, 310단계(S310)부터 360단계(S360)는 OS와 애플리케이션이 연동하여 수행될 수 있다. 이 경우 310단계(S310) 및 320단계(S320)는 애플리케이션 인스트럭션에 의해 수행되고, 330단계(S330)부터 360단계(S360)는 OS 인스트럭션에 의해 수행될 수 있다. 애플리케이션 인스트럭션에 의해 320단계(S320)를 수행한 결과, 전자 장치(100)에서 음성인식을 수행하는 것으로 결정되면 애플리케이션은 330단계(S330) 수행을 위한 OS 인스트럭션 실행을 제어하기 위한 인스트럭션을 실행한다. 또한, 320단계(S320)를 수행한 결과 음성 인식을 서버에서 하는 것으로 결정되면, 애플리케이션은 340단계(S340) 수행을 위한 OS 인스트럭션 실행을 제어하기 위한 인스트럭션을 실행한다.

도 4는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 4를 참조하면, 음성 인식 시스템은 전자 장치(100) 및 서버(2000)를 포함할 수 있다. 서버(2000)는 전자 장치(100)와 네트워크 또는 근거리 통신을 통하여, 연결될 수 있다.

일 실시예에 따른 전자 장치(100)는 사용자의 발화에 대한 오디오 신호를 획득할 수 있다(S410).

예를 들어, 사용자는 일 실시예에 따른 전자 장치(100)에 대하여 발화할 수 있다. 전자 장치(100)는 오디오 입력 모듈을 이용하여, 사용자의 발화를 전기적 신호인 오디오 신호로 변환할 수 있다. 또는, 사용자는 전자 장치(100)와 네트워크 또는 근거리 통신을 통하여 연결된 외부 장치(예를 들어, 전자 장치와 페어링된 스마트 와치)에 대하여 발화할 수 있다. 외부 장치는 오디오 입력 모듈을 이용하여, 사용자의 발화를 전기적 신호인 오디오 신호로 변환하고, 변환된 오디오 신호를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)는 상황 정보를 획득할 수 있다(S420). 예를 들어, 전자 장치(100)는 주변 환경 정보를 측정할 수 있다. 전자 장치(100)는 노이즈 측정 센서 등을 이용하여, 주변의 노이즈 레벨을 측정할 수 있다. 또는, 전자 장치(100)는 사용자의 발화에 대한 오디오 신호의 신호 대 잡음비를 측정하거나, 발화하는 사용자의 음성 특성 정보를 획득하거나, 사용자가 전자 장치(100)와 떨어져 있는 거리를 획득할 수 있다. 또는 전자 장치(100)의 위치 정보 및 시간 정보를 획득할 수 있다. 다만, 이에 한정되지 않는다.

도 2에서 설명한 바와 같이, 일 실시예에 따른 전자 장치(100)는 오디오 신호의 전처리(201) 단계에서, 전자 장치 주변의 노이즈 정보를 획득할 수 있다.

예를 들어, 전자 장치(100)는 오디오 신호에서 노이즈를 감쇄하거나 제거하는 처리를 수행할 때, 신호대 잡음비(SNR: signal noise ratio)를 획득할 수 있으며, 이때, 신호대 잡음비는 노이즈에 대응하는 신호에 대한 사용자 발화에 대응하는 신호의 상대적인 크기로 정의할 수 있다. 신호대 잡음비는 보통 데시벨(dB) 단위로 측정된다.

신호대 잡음비는 발화 구간과 비발화 구간을 구분하여 제거하는 처리를 수행할 때 획득될 수도 있다. 발화 구간과 비발화 구간을 구분하기 위해서 음성 활동 검출(VAD: Voice Activity Detectors) 기술이 사용될 수 있으며, 이 과정에서 발화 구간 동안 신호대 잡음비가 획득될 수 있다. 또한 비발화 구간 동안 노이즈의 크기에 대한 정보를 획득하여, 신호대 잡음비 대신 사용할 수 있다.

전자 장치(100)는 전처리(201) 단계가 개시된 시점부터 종말점에 대응하는 시점까지의 오디오 신호로부터 노이즈 정보를 획득할 수 있다.

특히, 전자 장치(100)는 전처리(201) 단계 중 발화 구간과 비발화 구간을 구분하여 제거하는 처리를 수행할 때, 오디오 신호로부터 비발화 구간이 제거된 신호 전체에 대한 노이즈 정보를 획득할 수 있다. 또한, 비발화 구간 중 기 설정된 일부 구간 동안의 신호로부터 노이즈 정보를 획득할 수 있으며, 비발화 구간 중 기 설정된 시점의 신호로부터 노이즈 정보를 획득할 수 있다.

일정 시간 구간 동안의 신호로부터 노이즈 정보를 획득하는 경우, 전자 장치(100)는 그 일정 시간 구간 동안의 신호 내 노이즈 크기와 사용자 발화 크기의 최대값, 중간값, 평균값 중 적어도 하나를 이용하여 노이즈 정보를 획득할 수 있다. 입력된 오디오 신호로부터 노이즈 정보를 획득하는 경우, 및 발화 구간에 대응하는 신호로부터 노이즈 정보를 획득하는 경우에도 전자 장치(100)는 위와 같이 노이즈 정보를 획득할 수 있다. 또한, 비발화 구간에 대응하는 신호로부터 노이즈 정보를 획득하는 경우에도 노이즈 크기의 최대값, 중간값, 평균값 중 적어도 하나를 이용하여 노이즈 정보를 획득할 수 있다.

전자 장치(100)는 상황 정보에 기초하여, 전자 장치에서의 음성 인식(ASR)의 정확도를 예측할 수 있다(S430). 예를 들어, 전자 장치(100)는 기 저장된 매칭 테이블(예를 들어, 노이즈 레벨에 따른 음성 인식 정확도 값을 매칭한 테이블) 등을 이용하여, 주변의 노이즈 레벨 값에 대응되는 음성 인식 정확도를 결정할 수 있다. 예를 들어, 전자 장치(100)는 측정된 주변의 노이즈 레벨이 기 설정된 값(예를 들어, 70dB) 이상인 경우, 전자 장치(100)에서 음성 인식을 수행하게 되면, 음성 인식 결과의 정확도가 낮을 것으로 예측할 수 있다(예를 들어, 정확도 60%).

또는, 오디오 신호의 신호 대 잡음비가 기 설정된 값(예를 들어, 10dB) 미만인 경우, 전자 장치(100)에서의 음성 인식의 정확도가 낮을 것으로 예측할 수 있다(예를 들어, 정확도 50%). 다만, 이에 한정되지 않으며, 주변의 노이즈 레벨에 대응하는 음성 인식의 정확도에 대한 값, 또는, 오디오 신호의 신호 대 잡음비에 대응하는 음성 인식의 정확도에 대한 값은 전자 장치(100)의 하드웨어 또는 소프트웨어의 성능에 따라 변경될 수 있다.

매칭 테이블에 의해 음성 인식 결과의 정확도를 예측하는 것 이외에, 전자 장치(100)는 학습 가능한 모델을 통해 음성 인식 결과를 예측할 수 있다. 학습 가능한 모델은, 노이즈 레벨과 음성인식 정확도 예측치를 학습 데이터로 사용하여 학습된 모델로, 인공지능 모델일 수 있다. 또한, 학습 가능한 모델은, 전자 장치(100)에서 실제로 음성 인식을 수행한 결과와 음성 인식을 수행한 오디오 신호의 노이즈 정보를 학습하여 전자 장치(100)의 고유 특징이나 사용자 음성의 고유 특징이 반영된 정확도 예측모델을 포함할 수 있다.

전자 장치(100)는 430 단계(S430)에서 예측된 음성 인식의 정확도가 기 설정된 값 이상인지를 판단할 수 있으며(S440), 예측된 음성 인식의 정확도가 기 설정된 값 이상인 경우, 오디오 신호에 대한 음성 인식(ASR) 처리를 전자 장치(100)에서 수행할 수 있다(S450). 또한, 음성 인식이 수행된 음성 인식 결과에 기초하여, 자연어 이해(NLU) 처리를 수행할 수 있다(S460).

반면에, 전자 장치(100)는 430 단계(S430)에서 음성 인식의 정확도가 기 설정된 값 미만인 경우, 오디오 신호를 서버(2000)로 전송할 수 있다(S470). 서버(2000)는 수신한 오디오 신호에 대한 음성 인식 처리를 수행할 수 있으며(S480), 음성 인식 결과에 기초하여, 자연어 이해 처리를 수행할 수 있다(S490). 또한, 서버(2000)에서 처리된 자연어 이해(NLU) 결과는, 전자 장치(100)로 전송될 수 있다(S495).

전자 장치(100)는 자연어 이해 (NLU) 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다.

예를 들어, 자연어 이해 결과, 추출된 사용자의 의도에 따라 정보를 검색하거나 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작을 제어하는 등의 대응 행동을 결정할 수 있다. 또한, 전자 장치(100)는 사용자의 발화에 대한 응답으로, 복수의 행동들이 결정되었을 때, 행동들의 순서를 결정할 수도 있다. 다만, 이에 한정되지 않는다.

도 5는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 5를 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호에 대한 음성 인식 처리를 수행할 수 있다(S510). 예를 들어, 도 5의 510 단계(S510)는 도 4의 450 단계(S450)에 대응될 수 있다.

전자 장치(100)는 음성 인식 결과의 정확도를 결정할 수 있다. 예를 들어, 음성 인식 결과는, 신뢰도 데이터를 포함할 수 있다. 전자 장치(100)는 신뢰도 데이터에 기초하여, 정확도를 결정할 수 있다.

전자 장치(100)는 음성 인식 결과의 정확도(예를 들어, 신뢰도 데이터)가 기 설정된 값 이상인 경우, 음성 인식 결과(예를 들어, 텍스트 데이터)에 대한 의미를 분석하고, 텍스트 데이터에 포함된 문자열을 가지고, 사용자의 발화에 대한 언어적 구조를 생성하는 자연어 이해 (NLU) 처리를 수행할 수 있다(S530).

반면에, 음성 인식 결과의 정확도(예를 들어, 신뢰도 데이터)가 기 설정된 값 미만인 경우, 오디오 신호를 서버(2000)로 전송할 수 있다. 서버(2000)는 수신한 오디오 신호에 대한 음성 인식(ASR) 처리를 수행하여, 오디오 신호를 텍스트 데이터로 변환하고, 텍스트 데이터의 의미를 분석하는 자연어 이해(NLU) 처리를 수행할 수 있다. 전자 장치(100)는 서버(2000)로부터 자연어 이해(NLU) 결과를 수신할 수 있다(S570).

전자 장치(100)는 자연어 이해(NLU) 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다.

도 6은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 6을 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호에 대한 음성 인식 처리를 수행할 수 있다(S610). 예를 들어, 도 6의 610 단계(S610)는 도 4의 450 단계(S450)에 대응될 수 있다.

전자 장치(100)는 음성 인식 결과, 변환된 텍스트 데이터의 의미를 분석하는 자연어 이해(NLU) 처리를 수행할 수 있다(S620).

전자 장치(100)는 자연어 이해(NLU) 결과의 정확도를 결정할 수 있으며, 자연어 이해 결과는 신뢰도 데이터를 포함할 수 있다. 전자 장치(100)는 신뢰도 데이터에 기초하여, 자연어 이해 결과에 대한 정확도를 결정할 수 있다(S630).

전자 장치(100)는 자연어 이해 결과의 정확도(예를 들어, 신뢰도 데이터)가 기 설정된 값 이상인 경우, 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 적어도 하나의 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S640). 예를 들어, 전자 장치(100)는 자연어 이해 결과, 추출된 사용자의 의도에 따라 정보를 검색하거나 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작을 제어하는 등의 대응 행동을 결정하고, 수행할 수 있다. 또한, 전자 장치(100)는 사용자의 발화에 대한 응답으로, 복수의 행동들이 결정되었을 때, 행동들의 순서를 결정할 수도 있다. 다만, 이에 한정되지 않는다.

반면에, 자연어 이해 결과의 정확도(예를 들어, 신뢰도 데이터)가 기 설정된 값 미만인 경우, 오디오 신호를 서버(2000)로 전송할 수 있다(S650). 서버(2000)는 수신한 오디오 신호에 대한 음성 인식 처리를 수행하고(S660), 오디오 신호를 텍스트 데이터로 변환하고, 텍스트 데이터의 의미를 분석하는 자연어 이해(NLU) 처리를 수행할 수 있다(S670).

서버(2000)는 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S680).

또는, 전자 장치(100)는 서버(2000)로부터 자연어 이해 결과를 수신할 수 있으며(S650), 서버(2000)로부터 수신한 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S640).

도 7은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 7을 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호를 서버(2000)로 전송하고(S710), 서버(2000)는 수신한 오디오 신호에 대한 음성 인식 처리를 수행할 수 있다(S720). 예를 들어, 도 7의 720 단계(S720)는 도 4의 480 단계(S480)에 대응될 수 있다.

서버(2000)는 음성 인식 결과, 변환된 텍스트 데이터의 의미를 분석하는 자연어 이해(NLU) 처리를 수행할 수 있다(S730).

서버(2000)는 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 적어도 하나의 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S760). 예를 들어, 전자 장치(100)는 자연어 이해 결과, 추출된 사용자의 의도에 따라 정보를 검색하는 등의 대응 행동을 결정하고, 결정된 대응 행동을 수행하여, 수행된 결과(예를 들어, 정보 검색 결과)를 전자 장치(100)로 전송할 수 있다. 다만, 이에 한정되지 않는다.

또는, 전자 장치(100)는 서버(2000)로부터 자연어 이해 결과를 수신하여(S740), 수신된 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 적어도 하나의 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S750). 예를 들어, 전자 장치(100)는 사용자의 의도에 따라, 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작을 제어하는 등의 대응 행동을 결정하고, 수행할 수 있다.

일 실시예에 따르면, 전자 장치(100) 또는 서버(2000)는 자연어 이해 결과에 기초하여, 대화 관리(DM) 처리를 전자 장치(100)에서 수행할 지, 서버(2000)에서 수행할 지 결정할 수 있다.

대화 관리(DM) 처리가 서버(2000)에서 수행되는 경우(S760), 대화 관리 결과를 전자 장치(100)로 전송할 수 있다(S770).

전자 장치(100)는 대화 관리 결과에 기초하여, 사용자에게 응답을 제공할 수 있다(S780). 예를 들어, 대화 관리 결과에 자연어 생성 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있으며, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 전자 장치(100)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다.

도 8은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 8을 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호를 서버(2000)로 전송할 수 있으며(S810), 오디오 신호에 대한 음성 인식 처리를 수행하여(S820), 제1 음성 인식 결과를 획득할 수 있다. 또한, 서버(2000)도 전자 장치(100)로부터 수신한 오디오 신호에 대한 음성 인식 처리를 수행하여(S830), 제2 음성 인식 결과를 획득할 수 있다. 서버(2000)는 제2 음성 인식 결과를 전자 장치(100)로 전송할 수 있다(S840).

전자 장치(100)는 제1 음성 인식 결과에 기초하여, 음성 인식에 대한 자연어 이해 처리가 전자 장치(100)에서 가능한 지 여부를 결정할 수 있다(S850).

예를 들어, 제1 음성 인식 결과의 정확도가 낮은 경우(정확도가 기 설정된 값 미만인 경우), 제1 음성 인식 결과를 이용하여 자연어 이해 처리를 수행하면, 자연어 이해 처리 결과의 정확도가 낮을 수 있다.

전자 장치는 제1 음성 인식 결과의 정확도가 높은 경우(정확도가 기 설정된 값 이상인 경우), 제1 음성 인식 결과를 이용하여, 자연어 이해 처리를 수행하고(S860), 대화 관리 처리를 수행할 수 있다(S865).

반면에, 제1 음성 인식 결과의 정확도가 낮은 경우, 전자 장치(100)는 서버(2000)로 처리 요청을 전송할 수 있으며(S855), 서버(2000)는 전자 장치(100)로부터 처리 요청을 수신하면, 제2 음성 인식 결과에 기초하여, 자연어 이해 처리를 수행할 수 있다(S870).

서버(2000)는 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 적어도 하나의 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S880). 예를 들어, 서버(2000)는 자연어 이해 결과, 추출된 사용자의 의도에 따라 정보를 검색하는 등의 대응 행동을 결정하고, 결정된 대응 행동을 수행하여, 수행된 결과(예를 들어, 정보 검색 결과)를 전자 장치(100)로 전송할 수 있다(S885). 다만, 이에 한정되지 않는다.

또는, 전자 장치(100)는 서버(2000)로부터 자연어 이해 결과를 수신하여(S875), 수신된 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 적어도 하나의 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S865). 예를 들어, 전자 장치(100)는 사용자의 의도에 따라, 전자 장치(100)에 포함된 하드웨어/소프트웨어 구성들의 동작을 제어하는 등의 대응 행동을 결정하고, 수행할 수 있다.

일 실시예에 따른 전자 장치(100)는 대화 관리 결과에 기초하여, 사용자에게 응답을 제공할 수 있다(S890). 예를 들어, 대화 관리 결과에 자연어 생성(NLG) 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있으며, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 전자 장치(100)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다.

도 9는 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 9를 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호를 서버로 전송할 수 있으며(S910), 오디오 신호에 대한 음성 인식 처리를 수행하여(S920), 제1 음성 인식 결과를 획득할 수 있다. 또한, 서버(2000)도 전자 장치(100)로부터 수신한 오디오 신호에 대한 음성 인식 처리를 수행하여(S930), 제2 음성 인식 결과를 획득할 수 있다. 서버(2000)는 제2 음성 인식 결과를 전자 장치(100)로 전송할 수 있다(S940).

전자 장치(100)는 전자 장치(100)의 상황 정보에 기초하여, 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택할 수 있다(S950). 예를 들어, 전자 장치(100)는 주변의 노이즈 레벨이 기 설정된 값 이상인 경우, 제1 음성 인식 결과에 대한 신뢰도 데이터와 제2 음성 인식 결과에 대한 신뢰도 데이터를 비교하여, 더 높은 신뢰도를 가지는 음성 인식 결과를 선택할 수 있다.

또한, 전자 장치(100)는 주변의 노이즈 레벨이 기 설정된 값 미만인 경우, 더 먼저 획득한 음성 인식 결과를 선택할 수 있다. 예를 들어, 전자 장치(100)에서 서버(2000)로 오디오 신호를 전송하는 데 소요되는 시간, 서버(2000)에서 전자 장치(100)로 제2 음성 인식 결과를 전송하는 데 소요되는 시간 등을 고려하였을 때, 전자 장치(100)는 제2 음성 인식 결과보다 제1 음성 인식 결과를 더 먼저 획득할 수 있다. 다만, 이에 한정되지 않는다.

한편, 전자 장치(100)는 노이즈 레벨 정보뿐만 아니라, 전자 장치의 시간 정보, 위치 정보, 오디오 신호의 신호대 잡음비 정보, 사용자의 발화 위치 정보 등에 기초하여, 제1 음성 인식 결과 및 제2 음성 인식 결과 중 어느 하나를 선택할 수 있다. 예를 들어, 전자 장치의 시간 정보, 위치 정보, 오디오 신호의 신호대 잡음비 정보, 사용자의 발화 위치 정보 등에 따라, 음성 인식 결과의 선택 기준이 결정될 수 있다.

전자 장치(100)는 선택된 음성 인식 결과에 기초하여, 자연어 이해 처리를 수행할 수 있다(S960).

전자 장치(100)는 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S970).

전자 장치(100)는 대화 관리 결과에 기초하여, 사용자에게 응답을 제공할 수 있다(S980). 예를 들어, 대화 관리 결과에 자연어 생성(NLG) 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있으며, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 전자 장치(100)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다.

도 10은 일 실시예에 따른 음성 인식 시스템의 동작방법을 나타내는 흐름도이다.

도 10을 참조하면, 일 실시예에 따른 전자 장치(100)는 오디오 신호를 서버(2000)로 전송할 수 있으며(S1010), 오디오 신호에 대한 음성 인식 처리를 수행하여(S1020), 제1 음성 인식 결과를 획득할 수 있다. 또한, 서버(2000)도 전자 장치(100)로부터 수신한 오디오 신호에 대한 음성 인식 처리를 수행하여(S1030), 제2 음성 인식 결과를 획득할 수 있다. 서버(2000)는 제2 음성 인식 결과를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)는 제1 음성 인식 결과에 기초하여, 자연어 이해 처리를 수행하여(S1040), 제1 자연어 이해 결과를 획득할 수 있다.

서버(2000)는 제2 음성 인식 결과에 기초하여, 자연어 이해 처리를 수행함으로써(S1050), 제2 자연어 이해 결과를 획득할 수 있다. 서버(2000)는 제2 자연어 이해 결과를 전자 장치(100)로 전송할 수 있다(S1055).

전자 장치(100)는 전자 장치(100)의 상황 정보에 기초하여, 제1 자연어 이해 결과 및 제2 자연어 이해 결과 중 하나를 선택할 수 있다. 예를 들어, 전자 장치(100)는 주변의 노이즈 레벨이 기 설정된 값 이상인 경우, 제1 자연어 이해 결과에 대한 신뢰도 데이터와 제2 자연어 이해 결과에 대한 신뢰도 데이터를 비교하여, 더 높은 신뢰도를 가지는 자연어 이해 결과를 선택할 수 있다(신뢰도 데이터를 기준으로 자연어 이해 결과 선택). 반면에, 전자 장치(100)는 주변의 노이즈 레벨이 기 설정된 값 미만인 경우, 더 먼저 획득한 자연어 이해 결과를 선택할 수 있다(획득 시간을 기준으로 자연어 이해 처리 결과 선택). 예를 들어, 전자 장치(100)에서 서버(2000)로 오디오 신호를 전송하는 데 소요되는 시간, 서버(2000)에서 전자 장치(100)로 제2 자연어 이해 결과를 전송하는 데 소요되는 시간 등을 고려하였을 때, 전자 장치(100)는 제2 자연어 이해 결과보다 제1 자연어 이해 결과를 더 먼저 획득할 수 있다. 다만, 이에 한정되지 않는다.

한편, 전자 장치(100)는 노이즈 레벨 정보뿐만 아니라, 전자 장치의 시간 정보, 위치 정보, 오디오 신호의 신호대 잡음비 정보, 사용자의 발화 위치 정보 등에 기초하여, 제1 자연어 이해 결과 및 제2 자연어 이해 결과 중 어느 하나를 선택할 수 있다. 예를 들어, 전자 장치의 시간 정보, 위치 정보, 오디오 신호의 신호대 잡음비 정보, 사용자의 발화 위치 정보 등에 따라, 자연어 이해 결과의 선택 기준이 결정될 수 있다.

전자 장치(100)는 선택된 자연어 이해 결과에 기초하여, 사용자의 발화에 대응하는 행동을 결정하는 대화 관리(DM) 처리를 수행할 수 있다(S1070).

전자 장치(100)는 대화 관리 결과에 기초하여, 사용자에게 응답을 제공할 수 있다(S1080). 예를 들어, 대화 관리 결과에 자연어 생성(NLG) 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있으며, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 전자 장치(100)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다.

도 11은 일 실시예에 따른 전자 장치가 사용자의 발화에 포함된 키워드에 기초하여, 음성 인식을 수행하는 방법을 설명하기 위해 참조되는 도면이다.

일 실시예에 따른 전자 장치(100)는 노이즈 정보 등의 상황 정보와 함께, 사용자의 오디오 신호에서 특정 키워드가 인식되는지 여부에 따라, 음성 인식 처리 또는 자연어 이해 처리를 어디에서 수행할 지를 결정할 수 있다. 예를 들어, 전자 장치(100)의 주변 노이즈 레벨이 기 설정된 범위(예를 들어, 50 내지 70dB)인 경우, 전자 장치(100)는 오디오 신호에서 특정 키워드가 인식되는지를 결정할 수 있다. 이때, 키워드 스팟팅과 같은 기술이 사용될 수 있다.

도 11을 참조하면, 사용자는 전자 장치(100)에 대하여 발화할 수 있다. 전자 장치(100)는 사용자의 발화를 전기적 신호인 오디오 신호(1120)로 변환할 수 있으며, 오디오 신호(1120)에 대하여, 음성 인식을 수행할 수 있다. 예를 들어, 전자 장치(100)는 오디오 신호(1120)를 분석하여, 오디오 신호(1120)에 대한 특징을 추출할 수 있다. 전자 장치(100)는 추출된 특징을 하나 이상의 뉴럴 네트워크들을 이용하여 학습된 뉴럴 네트워크 모델에 입력함으로써, 오디오 신호에 대응하는 키워드를 결정할 수 있다. 예를 들어, 오디오 신호에 대한 특징이 뉴럴 네트워크 모델에 입력되면, 뉴럴 네트워크 모델은, 하나 이상의 키워드들과 키워드들 각각에 대응하는 신뢰도 데이터를 출력할 수 있다. 예를 들어, 도 11에 도시된 바와 같이, 제1 키워드(예를 들어, “Yes”)와 제1 키워드에 대한 제1 신뢰도 데이터(예를 들어, 0.91), 제2 키워드(예를 들어, “No)와 제2 키워드에 대한 제2 신뢰도 데이터(예를 들어, 0.02), 제3 키워드(예를 들어, “On”)와 제3 키워드에 대한 제3 신뢰도 데이터(예를 들어, 0.01), 제4 키워드(예를 들어, “Off”)와 제4 키워드에 대한 제4 신뢰도 데이터(예를 들어, 0.01)가 출력될 수 있다.

전자 장치(100)는 키워드들에 대한 신뢰도 데이터를 비교함으로써, 오디오 신호(1120)에 대응하는 하나의 키워드를 결정할 수 있다. 예를 들어, 제1 내지 제4 키워드들 중 신뢰도 값이 가장 높은 제1 키워드(예를 들어, “Yes”)를 오디오 신호(1120)에 대응하는 키워드로 결정할 수 있다.

전자 장치(100)는 오디오 신호에 대응하는 키워드와 기 설정된 키워드를 비교하여, 오디오 신호에 대응하는 키워드가 기 설정된 키워드에 해당하는 지 판단할 수 있다. 예를 들어, 전자 장치에서 획득된 주변 노이즈 레벨이 기 설정된 범위(예를 들어, 50 내지 70dB)이고, 오디오 신호에 대응하는 키워드가 기 설정된 키워드에 해당하는 경우, 전자 장치(100)는 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다. 다만, 이에 한정되지 않는다.

한편, 주변 노이즈 레벨이 기 설정된 범위 내인지에 따라 전자 장치(100)에서 음성 인식을 수행할지 결정하는 것 이외에, 주변 노이즈 레벨이 기 설정된 레벨 이하인 경우 전자 장치(100)에서 음성 인식을 수행하도록 결정할 수도 있다. 또한, 신호대 잡음비가 기 설정된 수치 이상인 경우 전자 장치(100)에서 음성 인식을 수행하도록 결정할 수도 있다.

기 설정된 키워드가 입력된 것으로 판단되었을 때의 주변 노이즈의 기 설정된 레벨은, 기 설정된 키워드가 입력되지 않았을 때의 주변 노이즈의 기 설정된 레벨보다 높을 수 있다. 노이즈 레벨이 아닌 신호대 잡음비를 기준으로 판단하는 경우에는, 기 설정된 키워드가 입력된 것으로 판단되었을 때의 신호대 잡음비의 기 설정된 수치는, 기 설정된 키워드가 입력되지 않았을 때의 신호대 잡음비의 기 설정된 수치보다 낮을 수 있다. 즉, 기 설정된 키워드가 입력되었을 때는, 그렇지 않을 때보다 주변 노이즈가 큰 경우에도 전자 장치(100)에서 음성 인식 처리를 할 수 있다.

또한 키워드 스팟팅을 이용하여, 사용자 발화에 대한 오디오 신호의 특징과 특정 키워드와 관련된 기 저장된 오디오 신호의 특징을 비교하여, 두 특징의 유사도를 판단하고, 유사도가 기준 값보다 높을 경우 사용자의 발화가 특정 키워드에 대응한다고 결정할 수 있다. 사용자의 발화가 특정 키워드에 대응하면서 주변 노이즈 레벨이 기 설정된 레벨 이하인 경우 전자 장치(100)에서 음성 인식을 수행하도록 결정할 수 있다. 또한, 신호대 잡음비가 기 설정된 수치 이상인 경우 전자 장치(100)에서 음성 인식을 수행하도록 결정할 수도 있다.

도 12는 일 실시예에 따른 전자 장치가 음성 인식 관련 설정을 제공하는 방법을 설명하기 위해 참조되는 도면이다.

도 12를 참조하면, 일 실시예에 따른 전자 장치(100)는 대화형 인터페이스를 제공할 수 있다. 대화형 인터페이스는 사용자로부터 입력(예를 들어, 음성 입력 또는 텍스트 입력)을 수신하고, 사용자로부터의 입력에 대한 응답을 제공하는 인터페이스일 수 있다. 예를 들어, 대화형 인터페이스는 가상 비서(Virtual assistant), 인공지능 비서 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

일 실시예에 따른 전자 장치(100)는 사용자로부터 음성 입력을 수신할 수 있다. 예를 들어, 사용자는 마이크 아이콘(1210)을 선택하는 입력(예를 들어, 터치 입력)과 함께, 전자 장치(100)에 발화할 수 있다. 전자 장치(100)는 음성 입력을 수신하는 동안, 전자 장치(100) 주변의 노이즈 레벨을 측정하고, 측정된 노이즈 레벨을 표시할 수 있다. 예를 들어, 전자 장치(100)는 노이즈 레벨의 정도를 나타내는 인디케이터(1230)를 표시할 수 있다. 다만, 이에 한정되는 것은 아니며, 노이즈 레벨의 정도는 다양한 방법으로 표시될 수 있다.

사용자는 노이즈 레벨 정도에 기초하여, 음성 인식을 어디에서 수행할 지를 결정할 수 있다. 도 12를 참조하면, 사용자는 퀵 패널(1250)에 포함된 음성 인식 아이콘(1260)을 이용하여, 음성 인식을 어디에서 수행할 지를 설정할 수 있다. 퀵 패널(1250)은 전자 장치(100)의 화면의 상단 영역을 터치하거나 드래그함으로써, 나타나는 메뉴 화면일 수 있으나, 이에 한정되지 않는다.

예를 들어, 노이즈 레벨이 큰 경우, 사용자 입력에 기초하여, 퀵 패널(1250)에 포함된 음성 인식 아이콘(1260)을 비활성화시킴으로써, 음성 인식이 서버에서 수행되도록 설정할 수 있다. 반면에, 노이즈 레벨이 작은 경우, 사용자 입력에 기초하여, 퀵 패널(1250)에 포함된 음성 인식 아이콘(1260)을 활성화시킴으로써, 음성 인식이 전자 장치(100)에서 수행되도록 설정할 수 있다. 이때, 음성 인식 아이콘(1260)을 활성화 또는 비활성화시키는 입력은, 음성 인식 아이콘(1260)을 터치하는 입력일 수 있으며, 활성화된 상태의 음성 인식 아이콘(1260)이 터치되는 경우, 비활성화 상태로 전환되고, 비활성화된 상태의 음성 인식 아이콘(1260)이 터치되는 경우, 활성화 상태로 전환될 수 있다. 또한, 활성화된 상태의 음성 인식 아이콘(1260)은 도 12에 도시된 바와 같이, 하이라이트될 수 있으나, 이에 한정되지 않는다.

도 13은 일 실시예에 따른 전자 장치의 음성 인식 설정 화면을 나타내는 도면이다.

도 13을 참조하면, 일 실시예에 따른 전자 장치(100)는 음성 인식과 관련된 설정 메뉴를 제공할 수 있다. 예를 들어, 도 13에 도시된 바와 같이, 설정 메뉴는 음성 인식 설정 메뉴(1310)와 자연어 이해 설정 메뉴(1320)를 포함할 수 있다.

음성 인식 설정 메뉴(1310)는 음성 인식 처리를 전자 장치(100)에서 수행할 지, 서버(2000)에서 수행할 지, 전자 장치(100) 및 서버(2000)에서 동시에 수행할 지를 설정하기 위한 아이템을 포함할 수 있다. 예를 들어, 음성 인식 설정 메뉴(1310)에서, 온 디바이스(On device)를 온(On)으로 설정하고, 온 서버(On server)를 오프(Off)로 설정하는 경우, 음성 인식 처리는 전자 장치(100)에서만 수행될 수 있다.

반면에, 음성 인식 설정 메뉴(1310)에서, 온 디바이스(On device)를 오프(Off)로 설정하고, 온 서버(On server)를 온(On)으로 설정하는 경우, 음성 인식 처리는 서버(2000)에서만 수행될 수 있다. 또는, 음성 인식 설정 메뉴(1310)에서 온 디바이스(On device)를 온(On)으로 설정하고, 온 서버(On server)도 온(On)으로 설정하는 경우, 전자 장치(100)는 전자 장치와 서버에서 동시에 음성 인식 처리를 수행할 수 있다. 또는, 전자 장치(100)는 전자 장치의 상황 정보에 기초하여, 전자 장치 또는 서버에서 음성 인식 처리를 수행할 수 있다. 다만, 이에 한정되지 않는다.

자연어 이해 설정 메뉴(1320)는 자연어 이해 처리를 전자 장치(100)에서 수행할 지, 서버(2000)에서 수행할 지, 전자 장치(100) 및 서버(2000)에서 동시에 수행할 지를 설정하기 위한 아이템을 포함할 수 있다. 예를 들어, 자연어 이해 설정 메뉴(1310)에서, 온 디바이스(On device)를 온(On)으로 설정하고, 온 서버(On server)를 오프(Off)로 설정하는 경우, 자연어 이해 처리는 전자 장치(100)에서만 수행될 수 있다.

반면에, 자연어 이해 설정 메뉴(1320)에서, 온 디바이스(On device)를 오프(Off)로 설정하고, 온 서버(On server)를 온(On)으로 설정하는 경우, 자연어 이해 처리는 서버(2000)에서만 수행될 수 있다. 또는, 자연어 이해 설정 메뉴(1310)에서 온 디바이스(On device)를 온(On)으로 설정하고, 온 서버(On server)도 온(On)으로 설정하는 경우, 전자 장치(100)는 전자 장치와 서버에서 동시에 자연어 이해 처리를 수행할 수 있다. 또는, 전자 장치(100)는 전자 장치의 상황 정보에 기초하여, 전자 장치 또는 서버에서 자연어 이해 처리를 수행할 수 있다. 다만, 이에 한정되지 않는다.

한편, 도 13에 도시된 음성 인식과 관련된 설정 메뉴는 일 예에 불과하며, 다양한 방식으로 구현될 수 있다.

도 14는 일 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다.

도 14를 참조하면, 일 실시예에 따른 전자 장치(100)는 프로세서(130) 및 메모리(120)를 포함할 수 있다.

일 실시예에 따른 프로세서(130)는 메모리(120)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 프로세서(130)는 싱글 코어, 듀얼 코어, 트리플 코어, 쿼드 코어 및 그 배수의 코어를 포함할 수 있다. 또한, 프로세서(130)는 복수의 프로세서를 포함할 수 있다. 예를 들어, 프로세서(130)는 메인 프로세서(main processor, 도시되지 아니함) 및 슬립 모드(sleep mode)에서 동작하는 서브 프로세서(sub processor, 도시되지 아니함)로 구현될 수 있다.

일 실시예에 따른 메모리(120)는 전자 장치(100)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 또한, 메모리(120)는 사용자의 발화에 대한 응답을 제공하기 위한, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델 및 TTS 모델 중 적어도 하나를 저장할 수 있다.

또한, 메모리(120)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있다. 메모리(120)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(130)에 의해 실행될 수 있다.

일 실시예에 따른 프로세서(130)는 메모리(120)에 저장되는 하나 이상의 인스트럭션들을 실행함으로써, 상황 정보를 획득할 수 있다. 예를 들어, 상황 정보는 일 실시예에 따른 서버(2000)와의 네트워크 연결 상태 정보, 전자 장치(100)의 위치 정보, 전자 장치(100)의 시간 정보, 전자 장치(100) 주변의 노이즈 레벨 정보, 사용자의 음성 특성 정보, 사용자의 위치 정보 등을 포함할 수 있다.

프로세서(130)는 획득된 상황 정보에 기초하여, 사용자의 발화에 대한 음성 인식 처리를 어디에서 수행할 지 결정할 수 있다. 예를 들어, 프로세서(130)는 주변의 노이즈 레벨에 기초하여, 음성 인식 처리를 전자 장치(100)에서 수행할 지 여부를 결정할 수 있다. 프로세서(130)는 주변의 노이즈 레벨이 기 설정된 값 미만이면, 음성 인식을 전자 장치(100)에서 수행하고, 주변의 노이즈 레벨이 기 설정된 값 이상이면, 음성 인식을 외부 장치(예를 들어, 서버(2000))에서 수행하도록 결정할 수 있다. 또는, 전자 장치(100)가 외부 장치로 네트워크 연결이 되어 있지 않은 경우, 프로세서(130)는 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다.

또한, 프로세서(130)는, 주변 노이즈 레벨이 기 설정된 범위의 값을 가지는 경우, 사용자의 발화에 포함된 키워드를 추출하고, 추출된 키워드가 기 설정된 키워드인 경우, 전자 장치(100)에서 상기 음성 인식을 수행하도록 결정할 수 있다.

프로세서(130)는 음성 인식을 외부 장치(예를 들어, 서버(2000))에서 수행하도록 결정한 경우, 사용자의 발화에 대한 오디오 신호를 외부 장치로 전송하도록 제어할 수 있으며, 외부 장치로부터 음성 인식 결과를 수신하도록 제어할 수 있다.

반면에, 프로세서(130)는 음성 인식을 전자 장치(100)에서 수행하도록 결정한 경우, 오디오 신호에 대한 음성 인식 처리를 수행할 수 있다.

또한, 프로세서(130)는, 사용자의 발화에 대한 음성 인식을 수행하여, 제1 음성 인식 결과를 획득하고, 외부 장치로부터 제2 음성 인식 결과를 수신하여, 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택할 수 있다.

또한, 프로세서(130)는 음성 인식 결과에 기초하여, 자연어 이해 처리, 대화 관리 처리, 자연어 생성 처리, TTS(Text to Speech) 처리 등을 수행함으로써, 사용자의 발화에 대한 응답을 생성할 수 있다. 프로세서(130)는, 생성된 응답을 텍스트로 표시하거나, 오디오로 출력할 수 있다. 또한, 프로세서(130)는 응답에 대응되는 기능을 수행하도록 동작할 수 있다.

도 15는 일 실시예에 따른 프로세서의 구성을 나타내는 블록도이다.

도 15를 참조하면, 일 실시예에 따른 프로세서(130)는 데이터 학습부(1400) 및 데이터 처리부(1500)를 포함할 수 있다.

데이터 학습부(1400)는 일 실시예에 따른 사용자의 발화에 대응하는 응답을 결정하기 위한 기준을 학습할 수 있다. 예를 들어, 데이터 학습부(1400)는 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델 중 적어도 하나를 학습시키기 위한 기준을 학습할 수 있다. 예를 들어, 데이터 학습부(1400)는 음성 인식 모델을 학습시키기 위하여, 오디오 신호를 텍스트 데이터로 변환하는 기준을 학습할 수 있다. 데이터 학습부(1400)는 자연어 이해 모델을 학습시키기 위하여, 텍스트 데이터로부터 사용자의 의도를 파악하는 기준을 학습할 수 있다. 데이터 학습부(1400)는 대화 관리 모델을 학습시키기 위하여, 사용자의 발화에 대응하는 행동을 결정하는 기준을 학습할 수 있다.

데이터 처리 모델들(예를 들어, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델)은, 데이터 처리 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 데이터 처리 모델들은, 인공 지능 모델일 수 있다.

또한, 데이터 학습부(1400)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 처리 모델들을 학습시킬 수 있다.

또한, 데이터 학습부(1400)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 데이터 처리 모델을 학습시킬 수 있다. 또한, 데이터 학습부(1400)는, 예를 들어, 별다른 지도 없이 데이터 처리를 위해 필요한 데이터의 종류를 스스로 학습함으로써, 데이터 처리를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 데이터 처리 모델을 학습시킬 수 있다. 또한, 데이터 학습부(1400)는, 예를 들어, 학습에 따른 결과값이 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 데이터 처리 모델을 학습시킬 수 있다.

또한, 데이터 처리 모델이 학습되면, 데이터 학습부(1400)는 학습된 데이터 처리 모델을 저장할 수 있다. 이 경우, 데이터 학습부(1400)는 학습된 데이터 처리 모델들을 전자 장치의 메모리에 저장할 수 있다. 또는, 데이터 학습부(1400)는 학습된 데이터 처리 모델을 영상 처리 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.

이 경우, 학습된 데이터 처리 모델이 저장되는 메모리는, 예를 들면, 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.

데이터 처리부(1500)는 학습된 데이터 처리 모델들(예를 들어, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델)을 이용하여, 사용자의 발화에 대한 응답을 제공할 수 있다.

데이터 학습부(1400) 및 데이터 처리부(1500) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(1400) 및 데이터 처리부(15000) 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.

이 경우, 데이터 학습부(1400) 및 데이터 처리부(1500)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(1400) 및 데이터 처리부(1500) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(1400) 및 데이터 처리부(1500)는 유선 또는 무선으로 통하여, 데이터 학습부(1400)가 구축한 모델 정보를 데이터 처리부(1500)로 제공할 수도 있고, 데이터 처리부(1500)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(1400)로 제공될 수도 있다.

한편, 데이터 학습부(1400) 및 데이터 처리부(1500) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(1400) 및 데이터 처리부(1500) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(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. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.

본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.

기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.

도 16은 다른 실시예에 따른 전자 장치의 구성을 나타내는 블록도이다. 도 16의 전자 장치(1600)는 도 1의 전자 장치(100)의 일 실시예일 수 있다.

도 16을 참조하면, 일 실시예에 따른 전자 장치(1600)는 제어부(1630), 센서부(1620), 통신부(1640), 출력부(1650), 사용자 입력부(1660), A/V 입력부(1670) 및 저장부(1680)를 포함할 수도 있다.

도 16의 제어부(1630)는 도 14의 프로세서(130)에, 도 16의 저장부(1680)는 도 14의 메모리(120)에 각각 대응될 수 있다. 도 14에서 설명한 내용과 동일한 내용은 도 16에서 생략하기로 한다.

통신부(1640)는, 전자 장치(1600)와 외부 장치(예를 들어, 서버 등) 간의 통신을 수행하기 위한 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1640)는, 근거리 통신부(1641), 이동 통신부(1642), 방송 수신부(1643)를 포함할 수 있다. 일 실시예에 따른 전자 장치(100)는 통신부(1640)를 이용하여, 서버로 오디오 신호를 전송할 수 있다. 예를 들어, 제어부(1630)는 통신부(1640)를 제어하여 사용자 발화에 대한 오디오 신호를 서버로 전송한다.

근거리 통신부(short-range wireless communication unit)(1641)는, 블루투스 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.

이동 통신부(1642)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.

방송 수신부(1643)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 전자 장치(1600)가 방송 수신부(1643)를 포함하지 않을 수도 있다.

출력부(1650)는, 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부(1651)와 음향 출력부(1652), 진동 모터(1653) 등이 포함될 수 있다. 일 실시예에 따른, 전자 장치(100)는 출력부(1650)를 이용하여, 사용자 발화에 대한 응답을 출력할 수 있다. 예를 들어, 사용자 발화에 대한 응답은 오디오 신호 또는 비디오 신호의 형태로 생성되어 디스플레이부(1651) 또는 음향 출력부(1652)를 통해 출력될 수 있다.

디스플레이부(1651)는 제어부(1630)에서 처리된 영상 신호, 데이터 신호, OSD 신호, 제어 신호 등을 변환하여 구동 신호를 생성한다. 디스플레이부(1651)는 PDP, LCD, OLED, 플렉시블 디스플레이(flexible display)등으로 구현될 수 있으며, 또한, 3차원 디스플레이(3D display)로 구현될 수 있다. 또한, 디스플레이부(1651)는, 터치 스크린으로 구성되어 출력 장치 이외에 입력 장치로 사용되는 것도 가능하다.

음향 출력부(1652)는 통신부(1640)로부터 수신되거나 저장부(1680)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1652)는 전자 장치(1600)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1652)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

진동 모터(1653)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1653)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1653)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.

제어부(1630)는, 전자 장치(1600)의 전반적인 동작을 제어한다. 예를 들어, 제어부(1630)는, 저장부(1680)에 저장된 프로그램들을 실행함으로써, 통신부(1640), 출력부(1650), 사용자 입력부(1660), 센싱부(1620), A/V 입력부(1670) 등을 제어할 수 있다.

사용자 입력부(1660)는, 사용자가 전자 장치(1600)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1660)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다. 일 실시예에 따른 사용자 입력부(1660)는, 도2에서 설명하는 미리 정해진 입력을 수신하는 실시예 중, 디스플레이부(1651)에 표시된 아이콘을 선택하는 입력을 수신하기 위한 터치 패드를 포함할 수 있다. 또한, 사용자 입력부(1660)는 키패드, 돔스위치 등 물리적인 버튼을 포함할 수 있다.

센서부(1620)는, 사용자의 생체 정보를 센싱하는 센서뿐만 아니라, 전자 장치(1600)의 상태 또는 전자 장치(1600) 주변의 상태를 감지하는 센서를 포함할 수 있다. 또한, 센서부(1620)는 센서에서 감지된 정보를 제어부(1620)로 전달할 수 있다.

센서부(1620)는, 지자기 센서(Magnetic sensor), 가속도 센서(Acceleration sensor), 온/습도 센서, 적외선 센서, 자이로스코프 센서, 위치 센서(예컨대, GPS)), 기압 센서, 근접 센서, 및 RGB 센서(illuminance sensor) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다. 일 실시예에 따른 센서부(1620)는 노이즈 측정 센서를 포함할 수 있다.

A/V(Audio/Video) 입력부(1670)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1671)와 마이크로폰(1672) 등이 포함될 수 있다. 카메라(1671)은 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(1630) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

카메라(1671)에서 처리된 화상 프레임은 저장부(1680)에 저장되거나 통신부(1640)를 통하여 외부로 전송될 수 있다. 카메라(1671)는 전자 장치(1600)의 구성 태양에 따라 2개 이상이 구비될 수도 있다.

마이크로폰(1672)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1672)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 일 실시예에 따른 마이크로폰(1672)은 사용자 발화에 대한 오디오 신호를 입력 받는 데 이용될 수 있다. 마이크로폰(1672)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)를 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다. 마이크로폰의 잡음 제거 알고리즘은, 일 실시예에 따른 전처리 단계에 이용될 수 있다.

저장부(1680)는, 제어부(1630)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들(예컨대, 애플리케이션, 콘텐트, 외부 디바이스의 시간대 정보, 주소록 등)을 저장할 수도 있다. 일 실시예에 따른 전자 장치의 동작들 중 OS 또는 애플리케이션에 의해 수행되는 동작은, 저장부(1680)에 프로그램의 형태로 저장될 수 있다. 또한, 해당 동작이 수행되기 위해서 프로그램이 저장부(1680)에 로딩될 수 있다. 또한, 저장될 때와 로딩될 때는 서로 다른 타입의 메모리가 이용될 수 있다.

저장부(1680)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 전자 장치(1600)는 인터넷(internet)상에서 저장부(1680)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버를 운영할 수도 있다.

저장부(1680)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, 저장부(1680)는 음성 인식 모듈(1681), 자연어 이해 모듈(1682), 대화 관리 모듈(1683), 자연어 생성 모듈, TTS 모듈을 포함할 수 있다. 음성 인식 처리, 자연어 이해 처리, 대화 관리 처리, 자연어 생성 처리, TTS 처리에 대해서는 도 2에서 설명하였으므로, 모듈에서의 구체적인 동작에 대한 설명은 생략하기로 한다.

한편, 음성 인식 모듈(1681)은 음성 인식 모델을, 자연어 이해 모듈(1682)은 자연어 이해 모델을, 대화 관리 모듈(1683)은 대화 관리 모델을, 자연어 생성 모듈은 자연어 생성 모델을, TTS 모듈은 TTS 모델을 포함할 수 있다. 이때, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델 및 TTS 모델 중 적어도 하나는 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 처리 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

또한, 저장부(1680)는 이외에도, UI 모듈, 터치 스크린 모듈, 알림 모듈 등을 더 포함할 수 있다.

UI 모듈은, 어플리케이션 별로 전자 장치(1600)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(1630)로 전달할 수 있다. 일 실시예에 따른 디스플레이부에 아이콘을 표시하거나 응답을 GUI 형태로 표시할 때, UI 모듈이 이용될 수 있다.

터치 스크린 모듈은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

알림 모듈은 전자 장치(1600)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 전자 장치(1600)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다.

한편, 도 14 및 도 16에 도시된 전자 장치(100, 1600)의 블록도는 일 실시예를 위한 블록도이다. 블록도의 각 구성요소는 실제 구현되는 전자 장치(100, 1600)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나, 혹은 하나의 구성요소가 2 이상의 구성요소로 세분되어 구성될 수 있다. 또한, 각 블록에서 수행하는 기능은 실시예들을 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.

도 17은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.

도 17을 참조하면, 일 실시예에 따른 서버(2000)는 통신부(2010), 프로세서(2030) 및 메모리(2020)를 포함할 수 있다.

통신부(2010)는 프로세서(2030)의 제어에 의해 외부 장치 또는 외부 서버와 데이터 또는 신호를 송수신할 수 있다. 일 실시예에 따른 통신부(2010)는 일 실시예에 따른 전자 장치와 통신을 수행함으로써 데이터 또는 신호를 송수신할 수 있다. 예를 들어, 통신부(2010)는 전자 장치로부터 사용자의 오디오 신호를 수신할 수 있으며, 오디오 신호에 음성 인식을 수행한 결과(ASR 결과), 자연어 이해 처리를 수행한 결과(NLU 결과), 대화 관리 처리를 수행한 결과(DM 결과)등을 전자 장치로 전송할 수 있다.

통신부(2010)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 통하여 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 또한, 통신부(2010)는 외부 장치 또는 외부 서버와 직접 무선랜(예를 들어, 와이-파이(Wi-Fi)) 등을 이용하여 무선으로 데이터 또는 신호를 송수신할 수 있다.

일 실시예에 다른 프로세서(2030)는 서버(2000)를 전반적으로 제어할 수 있다. 일 실시예에 따른 프로세서(2030)는 메모리(2020)에 저장되는 하나 이상의 프로그램들을 실행할 수 있다. 일 실시예에 따른 메모리(2020)는 서버(2000)를 구동하고 제어하기 위한 다양한 데이터, 프로그램 또는 어플리케이션을 저장할 수 있다. 메모리에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있다. 예를 들어, 메모리(2020)는 음성 인식 처리를 수행하는 음성 인식 모듈, 자연어 이해 처리를 수행하는 자연어 이해 모듈, 대화 관리 처리를 수행하는 대화 관리 모듈을 포함할 수 있다. 또한, 음성 인식 모듈은 음성 인식 모델을, 자연어 이해 모듈은 자연어 이해 모델을, 대화 관리 모듈은 대화 관리 모델을 포함할 수 있다. 이때, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델 중 적어도 하나는 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 데이터 처리 모델로서 사용될 수 있으나, 이에 한정되지 않는다.

메모리(2020)에 저장되는 프로그램은 하나 이상의 인스트럭션들을 포함할 수 있으며, 메모리(2020)에 저장된 프로그램(하나 이상의 인스트럭션들) 또는 어플리케이션은 프로세서(2030)에 의해 실행될 수 있다.

일 실시예에 따른 프로세서(2030)는 전자 장치로부터 수신한 오디오 신호에 기초하여, 음성 인식 처리, 자연어 이해 처리, 대화 관리 처리 중 적어도 하나를 수행할 수 있다. 예를 들어, 프로세서(2030)는 메모리(2020)에 저장된 음성 인식 모델을 이용하여, 오디오 신호에 대응하는 텍스트 데이터를 획득할 수 있다. 또한, 프로세서(2030)는 자연어 이해 모델을 이용하여, 텍스트 데이터에서 발화의 의미(예를 들어, 사용자의 의도)를 파악할 수 있다. 또한, 프로세서(2030)는 대화 관리 모델을 이용하여, 자연어 이해 결과에 기초하여, 추출된 사용자의 의도에 따라, 사용자의 발화에 대응하는 행동을 결정할 수 있다.

도 18은 일 실시예에 따른 전자 장치 및 서버가 서로 연동함으로써 데이터를 학습하고 인식하는 예시를 나타내는 도면이다.

도 18을 참조하면, 서버(2000)는 일 실시예에 따른 사용자의 발화에 대응하는 응답을 결정하기 위한 기준을 학습할 수 있다. 예를 들어, 서버(2000)는 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델 중 적어도 하나를 학습시키기 위한 기준을 학습할 수 있다. 이 경우, 서버(2000)는 도 15에 도시된 데이터 학습부(1400)의 기능을 수행할 수 있다.

또한, 서버(2000)는 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델 중 적어도 하나를 학습 데이터를 이용하여 학습시킬 수 있다.

또한, 전자 장치(100)는 데이터(예를 들어, 사용자의 발화에 대한 오디오 신호)를 서버(2000)에게 전송하고, 서버(2000)가 데이터를 데이터 처리 모델들(음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델)에 적용하여 처리할 것을 요청할 수 있다. 예를 들어, 서버(2000)는 데이터 처리 모델들(예를 들어, 음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델)을 이용하여, 기 설정된 목적에 따라 오디오 신호를 처리할 수 있다. 예를 들어, 서버(2000)는 오디오 신호에 대한 음성 인식 처리, 자연어 이해 처리, 대화 관리 처리 등을 수행할 수 있다.

또는, 전자 장치(100)는 서버(2000)에 의해 생성된 데이터 처리 모델들을 서버(2000)로부터 수신하고, 수신된 데이터 처리 모델들을 이용하여, 데이터를 처리할 수 있다. 예를 들어, 영상 처리 장치(100)는 수신된 데이터 처리 모델들(음성 인식 모델, 자연어 이해 모델, 대화 관리 모델, 자연어 생성 모델, TTS 모델)을 이용하여, 기 설정된 목적에 따라 데이터(예를 들어, 사용자의 발화에 대한 오디오 신호)를 처리할 수 있다. 예를 들어, 전자 장치(100)는 오디오 신호에 음성 인식 처리, 자연어 이해 처리, 대화 관리 처리, 자연어 생성 처리, 텍스트 투 스피치 처리 등을 수행하여, 사용자의 발화에 대응하는 응답을 결정하고, 결정된 응답을 사용자에게 제공할 수 있다.

도 19는 일 실시예에 따른 전자 장치의 동작 방법을 나타내는 흐름도이다.

도 19를 참조하면, 일 실시예에 따른 전자 장치(100)는 전자 장치 주변의 노이즈 정보를 획득할 수 있다(S1910).

예를 들어, 전자 장치(100)는 마이크로폰, 노이즈 측정 센서 등을 이용하여, 주변의 노이즈 레벨을 측정할 수 있으며, 노이즈 레벨은 dB로 측정될 수 있다. 노이즈 레벨은 특성에 따라, dB(A), dB(B), dB(C), dB(D)로 측정될 수 있다. dB(A)로 측정되는A 특성은 인간의 귀의 감각량과 비슷한 특성으로, 노이즈 레벨은 주로 A특성을 이용하여, 측정될 수 있으나, 이에 한정되지 않는다.

또한, 전자 장치(100)는 노이즈 정보로써, 사용자의 발화에 대한 오디오 신호의 신호 대 잡음비(SNR)를 측정할 수 있으며, 신호 대 잡음비는 dB로 측정될 수 있다. 또한, 신호 대 잡음 비의 크기가 클수록 노이즈(노이즈)의 크기가 작음을 의미한다.

전자 장치(100)는 전자 장치 주변의 노이즈 정보를 주기적으로 획득하거나, 사용자의 발화를 수신하기 전에 주변의 노이즈 정보를 획득할 수 있다. 또는, 전자 장치(100)는 사용자의 발화를 수신하는 중에 주변의 노이즈 정보를 획득할 수 있다.

예를 들어, 전자 장치(100)는 사용자의 발화를 수신하기 위한 마이크로폰과 별도의 마이크로폰을 이용하여, 주변의 노이즈를 측정할 수 있다. 또는, 전자 장치(100)는 하나의 마이크로폰을 이용하여, 사용자의 발화를 수신하고, 주변의 노이즈를 측정할 수 있다. 이때, 마이크로폰은 사용자의 음성을 인식하기 위한 모드(제1 모드) 또는 노이즈 측정을 위한 모드(제2 모드)로 동작할 수 있다.

전자 장치(100)는 주기적으로 제2 모드로 동작함으로써, 주변의 노이즈를 측정할 수 있다. 이때, 노이즈 측정의 주기는, 사용자에 의해 설정되거나, 전자 장치(100)의 잔여 전력량 등에 기초하여 결정될 수 있다.

또는, 전자 장치(100)는 제1 모드로 동작하기 전에, 제2 모드로 동작하여, 주변의 노이즈를 측정하고, 제1 모드로 동작할 수 있다. 또는, 제1 모드와 제2 모드를 함께 이용하여, 사용자의 발화를 수신하는 중에, 주변의 노이즈를 측정할 수도 있으나, 이에 한정되지 않는다.

일 실시예에 따른 전자 장치(100)는 사용자의 발화를 수신할 수 있다(S1920).

전자 장치(100)는 수신한 사용자의 발화를 오디오 신호로 변환할 수 있다.

전자 장치(100)는 1910 단계(S1910)에서 획득된 전자 장치의 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식 처리를 어디에서 수행할 지 결정할 수 있다(S1930).

예를 들어, 전자 장치(100)는 주변의 노이즈 레벨에 기초하여, 음성 인식 처리를 전자 장치(100)에서 수행할 지 여부를 결정할 수 있다. 전자 장치(100)는 주변의 노이즈 레벨이 기 설정된 값 미만이면, 음성 인식을 전자 장치(100)에서 수행하고, 주변의 노이즈 레벨이 기 설정된 값 이상이면, 음성 인식을 외부 장치(예를 들어, 서버(2000))에서 수행하도록 결정할 수 있다.

또는, 전자 장치(100)는 사용자의 발화에 대한 오디오 신호의 신호대 잡음비(SNR)가 기 설정된 값 이상인 경우, 음성 인식을 전자 장치(100)에서 수행하도록 결정할 수 있다. 반면에, 오디오 신호의 신호 대 잡음비가 기 설정된 값 미만인 경우, 음성 인식을 서버(2000)에서 수행하도록 결정할 수 있다. 다만, 이에 한정되지 않는다.

또한, 전자 장치(100)는 주변 노이즈 정보 이외에, 전자 장치와 서버 사이의 네트워크 연결 상태 정보, 통신 대역폭 정보, 사용자의 위치 정보, 사용자의 음성 특성 정보, 전자 장치의 위치 및 시간 정보 등을 추가적으로 고려하여, 사용자의 발화에 대한 음성 인식을 어디에서 수행할 지 결정할 수 있다.

한편, 도 19에는 전자 장치(100)가, 사용자의 발화를 수신한 후에 음성 인식을 어디에서 수행할 지 결정하는 것으로 도시되어 있으나, 이에 한정되지 않으며, 사용자의 발화를 수신하기 전에, 주변 노이즈 정보를 기초로 음성 인식을 어디에서 수행할 지 결정할 수도 있다.

전자 장치(100)는 음성 인식을 외부 장치에서 수행하도록 결정한 경우, 사용자의 발화에 대한 오디오 신호를 외부 장치로 전송할 수 있다(S1955).

서버(2000)는 수신한 오디오 신호에 기초하여, 음성 인식을 수행할 수 있다(S1960).

전자 장치(100)는 외부 장치로부터 음성 인식 결과를 수신할 수 있다(S1965).

반면에, 전자 장치(100)는 음성 인식을 전자 장치(100)에서 수행하도록 결정한 경우, 오디오 신호에 대한 음성 인식을 수행할 수 있다(S1950).

전자 장치(100)는 전자 장치(100)에서 음성 인식이 수행된 음성 인식 결과 또는, 외부 장치(예를 들어, 서버(2000))에서 음성 인식이 수행되어, 외부 장치로부터 수신한 음성 인식 결과에 기초하여, 사용자의 발화에 대한 응답을 제공할 수 있다(S1970).

일 실시예에 따른 전자 장치의 동작방법은 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 본 발명을 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.

또한, 개시된 실시예들에 따른 전자 장치 또는 전자 장치의 동작방법은 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 S/W 프로그램, S/W 프로그램이 저장된 컴퓨터로 읽을 수 있는 저장 매체를 포함할 수 있다. 예를 들어, 컴퓨터 프로그램 제품은 전자 장치의 제조사 또는 전자 마켓(예, 구글 플레이 스토어, 앱 스토어)을 통해 전자적으로 배포되는 S/W 프로그램 형태의 상품(예, 다운로더블 앱)을 포함할 수 있다. 전자적 배포를 위하여, S/W 프로그램의 적어도 일부는 저장 매체에 저장되거나, 임시적으로 생성될 수 있다. 이 경우, 저장 매체는 제조사의 서버, 전자 마켓의 서버, 또는 SW 프로그램을 임시적으로 저장하는 중계 서버의 저장매체가 될 수 있다.

컴퓨터 프로그램 제품은, 서버 및 클라이언트 장치로 구성되는 시스템에서, 서버의 저장매체 또는 클라이언트 장치의 저장매체를 포함할 수 있다. 또는, 서버 또는 클라이언트 장치와 통신 연결되는 제3 장치(예, 스마트폰)가 존재하는 경우, 컴퓨터 프로그램 제품은 제3 장치의 저장매체를 포함할 수 있다. 또는, 컴퓨터 프로그램 제품은 서버로부터 클라이언트 장치 또는 제3 장치로 전송되거나, 제3 장치로부터 클라이언트 장치로 전송되는 S/W 프로그램 자체를 포함할 수 있다.

이 경우, 서버, 클라이언트 장치 및 제3 장치 중 하나가 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 수행할 수 있다. 또는, 서버, 클라이언트 장치 및 제3 장치 중 둘 이상이 컴퓨터 프로그램 제품을 실행하여 개시된 실시예들에 따른 방법을 분산하여 실시할 수 있다.

예를 들면, 서버(예로, 클라우드 서버 또는 인공 지능 서버 등)가 서버에 저장된 컴퓨터 프로그램 제품을 실행하여, 서버와 통신 연결된 클라이언트 장치가 개시된 실시예들에 따른 방법을 수행하도록 제어할 수 있다.

이상에서 실시예들에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속한다.

Claims

전자 장치에 있어서,
하나 이상의 인스트럭션들을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션들을 실행하는 적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는, 오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하고,
상기 전자 장치에서 음성 인식을 수행하는 것으로 판단되면, 상기 음성 인식을 수행하고,
상기 음성 인식이 수행된 결과에 기초하여, 상기 사용자의 발화에 대한 응답(response)을 출력하는, 전자 장치.
제1항에 있어서,
상기 음성 인식은,
인공지능 알고리즘을 이용하여 처리되는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 주변 노이즈 정보에 기초하여, 상기 음성 인식에 대한 정확도를 예측하고, 상기 정확도가 기 설정된 값 이상이면, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 미만이면, 상기 음성 인식을 상기 전자 장치에서 수행하는 것으로 결정하는, 전자 장치.
제1항에 있어서,
상기 장치는,
외부 장치와 데이터를 송수신하는 통신부를 더 포함하고,
상기 프로세서는,
상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 이상이면, 상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하고, 상기 외부 장치로부터 상기 오디오 신호에 대한 음성 인식 결과를 수신하도록 상기 통신부를 제어하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 주변 노이즈 레벨이 기 설정된 범위의 값을 가지는 경우, 상기 사용자의 발화에 포함된 키워드를 추출하고, 추출된 키워드가 기 설정된 키워드인 경우, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정하는, 전자 장치.
제1항에 있어서,
상기 전자 장치는,
외부 장치와 데이터를 송수신하는 통신부를 더 포함하고,
상기 프로세서는,
상기 사용자의 발화에 대한 음성 인식을 수행하여, 제1 음성 인식 결과를 획득하고, 상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하고, 상기 외부 장치로부터 제2 음성 인식 결과를 수신하도록 상기 통신부를 제어하고, 상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택하는, 전자 장치.
제7항에 있어서,
상기 프로세서는,
상기 전자 장치의 주변 노이즈 정보에 기초하여, 상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 주변 노이즈 정보 및 상기 음성 인식이 수행된 결과 중 적어도 하나에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 상기 전자 장치에서 수행할 지 여부를 결정하는, 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 음성 인식이 수행된 결과에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 수행하여, 상기 응답을 결정하는, 전자 장치.
전자 장치의 동작방법에 있어서,
오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계;
상기 전자 장치에서 음성 인식을 수행하는 것으로 판단되면, 상기 음성 인식을 수행하는 단계; 및
상기 음성 인식의 수행된 결과에 기초하여, 상기 사용자의 발화에 대한 응답을 출력하는 단계;를 포함하는 전자 장치의 동작방법.
제11항에 있어서,
상기 동작방법은,
상기 사용자의 발화를 상기 오디오 신호로 변환하는 단계를 더 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계는,
상기 주변 노이즈 정보에 기초하여, 상기 음성 인식에 대한 정확도를 예측하는 단계; 및
상기 정확도가 기 설정된 값 이상이면, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정하는 단계를 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계는,
상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 미만이면, 상기 음성 인식을 상기 전자 장치에서 수행하는 것으로 결정하는 단계를 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계는,
상기 전자 장치의 주변 노이즈 레벨이 기 설정된 값 이상이면, 상기 음성 인식을 상기 전자 장치에서 수행하지 않는 것으로 결정하는 단계를 포함하고,
상기 동작방법은,
상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하는 단계; 및
상기 외부 장치로부터 상기 오디오 신호에 대한 음성 인식 결과를 수신하는 단계를 더 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 주변 노이즈 정보에 기초하여, 사용자의 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하는 단계는,
상기 주변 노이즈 레벨이 기 설정된 범위의 값을 가지는 경우, 상기 사용자의 발화에 포함된 키워드를 추출하는 단계; 및
상기 추출된 키워드가 기 설정된 키워드인 경우, 상기 전자 장치에서 상기 음성 인식을 수행하도록 결정하는 단계를 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 동작방법은,
상기 사용자의 발화에 대한 음성 인식을 수행하여, 제1 음성 인식 결과를 획득하는 단계;
상기 사용자의 발화에 대응하는 오디오 신호를 상기 외부 장치로 전송하는 단계;
상기 외부 장치로부터 제2 음성 인식 결과를 수신하는 단계; 및
상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택하는 단계;를 더 포함하고,
상기 응답을 출력하는 단계는,
상기 선택된 음성 인식 결과에 기초하여, 상기 사용자의 발화에 대한 응답을 출력하는 단계를 포함하는, 전자 장치의 동작방법.
제17항에 있어서,
상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택하는 단계는,
상기 전자 장치의 주변 노이즈 정보에 기초하여, 상기 제1 음성 인식 결과 및 제2 음성 인식 결과 중 하나를 선택하는 단계를 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 동작방법은,
상기 주변 노이즈 정보 및 상기 음성 인식이 수행된 결과 중 적어도 하나에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 상기 전자 장치에서 수행할 지 여부를 결정하는 단계를 더 포함하는, 전자 장치의 동작방법.
제11항에 있어서,
상기 음성 인식의 수행된 결과에 기초하여, 상기 사용자의 발화에 대한 응답을 출력하는 단계는,
상기 음성 인식이 수행된 결과에 기초하여, 자연어 이해(NLU) 처리 및 대화 관리(DM: Dialogue management) 처리 중 적어도 하나를 수행하여, 상기 응답을 결정하는 단계를 포함하는, 전자 장치의 동작방법.
제11항의 방법을 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체.
음성 인식 시스템에 있어서,
사용자 발화를 수신하는 전자 장치; 및
상기 전자 장치로부터 수신한 오디오 신호를 이용하여, 상기 사용자 발화에 대한 음성 인식을 수행하는 서버를 포함하고
상기 전자 장치는,
적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는, 상기 오디오 신호로부터 획득된 상기 전자 장치의 주변 노이즈 정보에 기초하여, 상기 사용자 발화에 대한 음성 인식을 상기 전자 장치에서 수행할 지 여부를 결정하고, 상기 전자 장치에서 음성 인식을 수행하지 않는 것으로 판단되면 상기 사용자 발화에 대한 오디오 신호를 상기 서버로 전송하도록 제어하는, 음성 인식 시스템.