KR20200097993A

KR20200097993A - 전자 장치 및 이의 제어 방법

Info

Publication number: KR20200097993A
Application number: KR1020190015516A
Authority: KR
Inventors: 이범석; 김상하; 윤윤진
Original assignee: 삼성전자주식회사
Priority date: 2019-02-11
Filing date: 2019-02-11
Publication date: 2020-08-20
Also published as: US20200258504A1; KR102346026B1; WO2020166896A1; US11631400B2

Abstract

전자 장치 및 이의 제어 방법이 제공된다. 본 전자 장치는, 회로를 포함하는 입력부, 적어도 하나의 인스트럭션(instruction)을 포함하는 메모리, 상기 적어도 하나의 인스트럭션을 실행하는 프로세서를 포함하고, 프로세서는 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시키고, 사용자 음성이 입력되면, 일반 음성 인식 모듈을 통해 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득하며, 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트 중 상기 사용자 음성에 대응되는 텍스트를 판단하며, 사용자 음성의 음성 인식 결과로 판단된 텍스트를 출력할 수 있다.

Description

전자 장치 및 이의 제어 방법{Electronic device and Method for controlling the electronic device thereof}

본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 더욱 상세하게는 음향 모델 및 언어 모델을 이용하여 음성 인식을 수행할 수 있는 전자 장치 및 이의 제어 방법에 관한 것이다.

근래에는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습시키고 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/학습시키는 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. 특히, 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다.

한편, 근래에는 전자 장치(예로, 스마트 폰)을 이용하는 음성 인식의 정확률이 점점 증가하고 있으나, 완벽한 음성 인식 결과를 제공하는 것은 아니다. 특히,사용자마다 자주 사용하는 언어나 발음이 상이하나, 근래에 제공되는 음성 인식은 사용자의 특수성을 반영하여 제공되지 못하는 한계가 존재한다.

따라서, 사용자의 특성에 맞게 더욱 정확한 음성 인식을 제공하기 위한 방안의 모색이 요청된다.

본 개시의 목적은 사용자에 의해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키고, 학습된 개인 언어 모델을 이용하여 사용자 음성에 대응되는 텍스트를 판단할 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.

또한, 본 개시의 다른 목적은 학습된 개인 언어 모델을 이용하여 사용자 음성에 대응되는 텍스트를 판단하고, 판단된 텍스트 및 사용자 음성을 바탕으로 개인음향 모델을 학습시킬 수 있는 전자 장치 및 이의 제어 방법을 제공함에 있다.

본 개시의 일 실시예에 따른, 전자 장치는, 회로를 포함하는 입력부; 적어도 하나의 인스트럭션(instruction)을 포함하는 메모리; 상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고, 상기 프로세서는, 상기 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키고, 사용자 음성이 입력되면, 일반 음성 인식 모듈(General speech recognition module)을 통해 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득하며, 상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트 중 상기 사용자 음성에 대응되는 텍스트를 판단하며, 상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력한다.

본 개시의 일 실시예에 따른, 전자 장치의 제어 방법은, 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키는 단계; 사용자 음성이 입력되면, 일반 음성 인식 모듈(General speech recognition module)을 통해 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득하는 단계; 상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트 중 상기 사용자 음성에 대응되는 텍스트를 판단하는 단계; 및 상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하는 단계;를 포함한다.

본 개시의 다른 실시예에 따른, 전자 장치는, 회로를 포함하는 입력부; 적어도 하나의 인스트럭션(instruction)을 포함하는 메모리; 상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고, 상기 프로세서는, 상기 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키고, 사용자 음성이 입력되면, 개인 음향 모델(personal acoustic model) 및 상기 개인 언어 모델을 통해 상기 사용자 음성에 대응되는 텍스트를 판단하며, 상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하고, 상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 개인 음향 모델을 재학습한다.

본 개시의 다른 실시예에 따른, 전자 장치의 제어 방법은, 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키는 단계; 사용자 음성이 입력되면, 개인 음향 모델(personal acoustic model) 및 상기 개인 언어 모델을 통해 상기 사용자 음성에 대응되는 텍스트를 판단하는 단계; 상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하는 단계; 및 상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 개인 음향 모델을 재학습시키는 단계;를 포함한다.

상술한 바와 같은 본 개시의 다양한 실시예와 같이, 사용자가 자주 사용하는 텍스트에 의해 학습된 개인 언어 모델을 이용함으로써, 전자 장치는 사용자 특성에 맞는 더욱 정확한 음성 인식 결과를 제공할 수 있게 된다.

또한, 학습된 개인 언어 모델을 통해 획득된 음성 인식 결과를 바탕으로 개인 음향 모델을 학습함으로써, 전자 장치는 사용자 특성을 반영하는 언어 모델 및 음향 모델을 구비할 수 있게 된다.

도 1은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하는 음성 인식 시스템을 설명하는 사용도,
도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 설명하기 위한 블록도,
도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 설명하기 위한 블록도,
도 4는 본 개시의 일 실시예에 따른, 사용자 음성을 인식하기 위한 음성 인식 시스템에 포함된 구성을 설명하기 위한 도면,
도 5는 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하는 방법을 설명하기 위한 시퀀스 도,
도 6은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 한글에 대한 음성 인식을 수행하는 방법을 설명하기 위한 도면,
도 7은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 영어에 대한 음성 인식을 수행하는 방법을 설명하기 위한 도면,
도 8은 본 개시의 일 실시예에 따른, 사용자 음성에 대한 재발화를 요구하는 메시지를 도시한 도면,
도 9는 본 개시의 다른 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하고, 인식 결과를 바탕으로 개인 음향 모델을 재학습시키는 실시예를 설명하는 사용도,
도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도, 그리고,
도 11은 본 개시의 다른 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 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 문서에서, "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 문서에서, "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 문서에서 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 문서에서 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 문서의 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 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.

이하에서는 도면을 참조하여 본 발명에 대해 상세히 설명하기로 한다. 도 1은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하는 음성 인식 시스템을 설명하는 사용도이다.

전자 장치(100)는 사용자 음성을 인식하여 인식된 사용자 음성을 바탕으로 다양한 서비스를 제공하는 인공지능 에이전트를 포함할 수 있다. 예로, 인공지능 에이전트는 인식된 사용자 음성을 바탕으로 전자 장치(100)나 전자 장치(100)와 연결된 외부 장치를 제어할 수 제어 서비스를 제공할 수 있으며, 인식된 사용자 음성에 대한 응답을 제공하는 대화형 서비스를 제공할 수 있으며, 인식된 사용자 음성을 바탕으로 검색 서비스를 제공할 수 있으며, 인식된 사용자 음성을 바탕으로 타사용자와 채팅 서비스를 수행할 수 있다.

특히, 전자 장치(100)는 외부 서버(200)와 연동하여 음성 인식을 수행할 수 있다. 이때, 외부 서버(200)는 도 1에서 하나로 도시하였으나, 이는 일 실시예에 불과할 뿐, 복수의 서버로 구현될 수 있음은 물론이다. 특히, 전자 장치(100)는 전자 장치(100) 내에 저장된 개인 음향 모델(Personal acoustic model) 및 개인 언어 모델(Personal language model)과 외부 서버(200) 내에 저장된 일반 음향 모델(General acoustic model) 및 일반 언어 모델(General language model)을 포함하는 일반 음성 인식 모듈(General speech recognition module)을 이용하여 사용자 음성을 인식할 수 있다. 그 밖에 전자 장치(100) 및 외부 서버(200)는 사용자 음성을 인식하기 위한 어휘/발음 사전을 더 포함할 수 잇다. 한편, 외부 서버(200)에 저장된 일반 음성 인식 모듈은 일반 음향 모델 및 일반 언어 모델을 별개로 구비할 수 있으나, 이는 일 실시예에 불과할 뿐, 두 개의 모델이 하나의 인공지능 모델로서 통합된 형태로 구현될 수 있다.

음향 모델은 해당 언어의 음운 환경별 발음의 음향적 특성을 확률 모델로 대표 패턴을 저장하고 있는 모델을 말한다. 이때, 음향 모델은 확률 통계 방식인 HMM(Hidden Markov Model) 기반으로 이루어져 있으나, 이는 일 실시예에 불과할 뿐, HMM/DNN(Hidden Markov Model/Deep Neural Network) 방식 등과 같은 다양한 유형이 존재할 수 있다. 개인 음향 모델은 전자 장치(100) 내에 저장되어 전자 장치(100)를 사용하는 사용자의 개인적 특성을 고려한 음향 패턴을 저장하는 음향 모델이며, 일반 음향 모델은 외부 서버(200)에 저장되어 일반 음향 패턴을 저장하는 모델일 수 있다.

언어 모델은 사용자가 발성한 문장이 올바른 문장으로 인식되도록 단어들 간의 연결성을 텍스트 코퍼스(Text corpus)로부터 통계적인 방법으로 수집하여 구축한 모델을 말한다. 이때, 언어 모델은 N-Gram 언어 모델, Neural 언어 모델, 사용자 피드백을 기반하는 Rule based 언어 모델 중 하나일 수 있다. 특히, 개인 언어 모델은 전자 장치(100) 내에 저장되어 사용자가 자주 사용하는 언어들 간의 관계에 대한 통계적인 정보를 저장하고 있으며, 일반 언어 모델은 외부 서버(200)에 저장되어 일반적으로 사용하는 언어들 간의 관계에 대한 통계적인 정보를 저장하고 있다. 이때, 개인 언어 모델은 사용자에 따라 구비될 수 있다. 즉, 전자 장치(100)가 AI 스피커 등으로 구현되어 전자 장치(100)를 사용하는 사용자가 복수인 경우, 개인 언어 모델은 복수의 사용자에 대응되는 복수의 개인 언어 모델을 가질 수 있다. 뿐만 아니라, 개인 언어 모델은 1명의 사용자에게도 복수 개 존재할 수 있다. 예로, 개인 언어 모델은 언어 유형, 어플리케이션 유형 등에 따라 1명의 사용자에게 복수 개 존재할 수 있다.

한편, 전자 장치(100)는 사용자가 입력한 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 구체적으로, 전자 장치(100)는 사용자가 다른 사용자와 채팅하기 위해 입력한 텍스트, 사용자가 정보를 검색하기 위해 입력한 텍스트, 사용자가 메일, 메시지, SMS를 작성하기 위해 입력한 텍스트, 사용자 터치를 통해 입력된 필기를 인식한 텍스트, copy & paste를 통해 입력된 텍스트 등과 같이 사용자가 전자 장치(100)를 사용하는 동안 입력한 텍스트에 대한 정보를 획득할 수 있다. 그리고,전자 장치(100)는 사용자에 의해 입력된 텍스트에 대한 정보를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자가 자주 사용하는 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다. 이때, 전자 장치(100)는 해당 텍스트에 대한 사용자의 사용 횟수를 바탕으로 개인 언어 모델을 학습시킬 수 있다.

또한, 전자 장치(100)는 사용자가 입력한 텍스트 이외에 사용자 정보를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 구체적으로, 전자 장치(100)는 사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 등과 같은 사용자 정보를 획득하고, 획득된 사용자 정보에 대한 텍스트를 판단하며, 판단된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자 정보를 바탕으로 획득된 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다. 예를 들어, 사용자 프로파일 정보에 "자녀"가 존재하는 것으로 판단되면, 전자 장치(100)는 육아와 관련된 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다. 또 다른 예로, 사용자 선호 정보에 "축구"가 존재하는 것으로 판단되면, 전자 장치(100)는 축구와 관련된 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다. 또 다른 예로, 사용자 위치 정보에 "우면동"이 임계값 이상 감지되면, 전자 장치(100)는 "우면동"이라는 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다.

사용자에 의해 입력된 텍스트 또는 사용자 정보를 바탕으로 개인 언어 모델이 학습된 후, 전자 장치(100)는 사용자가 발화한 사용자 음성을 획득할 수 있다. 이때, 전자 장치(100)는 전자 장치(100) 내에 존재하는 마이크를 통해 사용자 음성을 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 전기적으로 연결된 외부 마이크를 통해 사용자 음성을 획득할 수 있다.

전자 장치(100)는 사용자 음성을 외부 서버(200)로 전송할 수 있다.

외부 서버(200)는 일반 음향 모델 및 일반 언어 모델을 포함하는 일반 음성 인식 모듈을 이용하여 사용자 음성에 대응되는 복수의 후보 텍스트를 결정할 수 있다. 이때, 외부 서버(200)는 일반 음향 모델 및 일반 언어 모델을 통해 사용자 음성에 대응되는 복수의 후보 텍스트들에 대한 스코어에 대한 정보를 획득할 수 있다. 이때, 스코어는 후보 텍스트가 사용자 음성에 대응되는 최종 텍스트일 확률에 대한 정보를 나타내는 스코어일 수 있다.

외부 서버(200)는 결정된 복수의 후보 텍스트들에 대한 정보를 전자 장치(100)로 결정할 수 있다. 구체적으로, 외부 서버(200)는 결정된 복수의 후보 텍스트 및 복수의 후보 텍스트들 각각에 대한 스코어 정보를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)는 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트 중 사용자 음성에 대응되는 텍스트를 판단할 수 있다. 구체적으로, 전자 장치(100)는 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트들의 스코어들을 보정할 수 있다. 예로, 전자 장치(100)는 복수의 후보 텍스트들 중 사용자가 자주 사용하는 텍스트가 포함된 후보 텍스트의 스코어에 대한 점수를 높이도록 복수의 후보 텍스트들에 대한 스코어를 보정할 수 있다.

전자 장치(100)는 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다. 이때, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 이상인지 여부를 판단할 수 있다. 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 이상이면, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다.

그리고, 전자 장치(100)는 사용자 음성에 대한 인식 결과로서 판단된 텍스트를 출력할 수 있다. 이때, 전자 장치(100)는 판단된 텍스트를 디스플레이를 통해 출력할 수 있다. 또는, 전자 장치(100)는 대화형 서비스를 수행하기 위하여, 자연어 이해(Natural Language Understanding)를 위한 모듈에 출력할 수 있다. 이때, 자연어 이해를 위한 모듈이 외부 서버에 존재하는 경우, 전자 장치(100)는 외부 서버로 판단된 텍스트를 전송할 수 있다.

그러나, 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 미만이면, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 후보 텍스트가 사용자 음성에 대응되는 텍스트인지 여부를 문의하거나 사용자의 재발화를 요구하는 메시지를 출력할 수 있다. 또한, 외부 서버(200)로부터 수신된 복수의 후보 텍스트들 중 가장 높은 스코어를 가지는 후보 텍스트와 가장 높은 보정된 스코어를 가지는 후보 텍스트가 상이하면, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 후보 텍스트가 사용자 음성에 대응되는 텍스트인지 여부를 문의하는 메시지를 출력할 수 있다.

이때, 출력된 메시지를 통해 판단된 텍스트에 대한 사용자 피드백이 입력되면, 전자 장치(100)는 사용자 피드백을 바탕으로 개인 언어 모델을 재학습시킬 수 있다. 예로, 판단된 텍스트에 부정적인 피드백이 입력되면, 전자 장치(100)는 부정적인 사용자 피드백을 바탕으로 판단된 텍스트에 대한 통계적 확률을 낮추도록 개인 언어 모델을 재학습시킬 수 있다.

또한, 전자 장치(100)는 사용자 음성에 대한 음성 인식 결과로서 판단된 텍스트와 사용자 음성을 바탕으로 재개인 음향 모델을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자가 자주 사용하는 텍스트와 이에 대응되는 사용자 음성을 바탕으로 사용자 특성이 반영되도록 개인 음향 모델을 재학습시킬 수 있다.

한편, 상술한 실시예에서는 전자 장치(100)가 외부 서버(200)와 연동하여 사용자 음성을 인식하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)가 개인 음향 모델 및 개인 언어 모델을 이용하여 사용자 음성을 인식할 수 있다. 특히, 통신 기능이 오프되어 외부 서버(200)와 통신 연결이 불가능하거나 개인 음향 모델 및 개인 언어 모델을 임계 기간 동안 학습된 경우, 전자 장치(100)는 개인 음향 모델 및 개인 언어 모델을 이용하여 사용자 음성을 인식할 수 있다.

한편, 전자 장치(100)는 상술한 바와 같은 사용자 음성을 인식하기 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 모듈(예로, 대화 시스템)을 제어할 수 있다.

구체적으로, 기설정된 사용자 음성(예를 들어, "빅스비" 등)가 입력되거나 전자 장치(100)에 구비된 버튼(예를 들어, 인공지능 에이전트를 실행하기 위한 버튼)이 눌러진 경우, 인공지능 에이전트가 동작할 수 있다. 그리고, 인공지능 에이전트는 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다. 한편, 인공지능 에이전트는 후술할 다양한 장치 또는 모듈을 제어할 수 있다. 이에 대해서는 추후 상세히 설명하기로 한다.

도 2는 본 개시의 일 실시예에 따른, 전자 장치의 구성을 간략히 설명하기 위한 블록도이다. 도 2에 도시된 바와 같이, 전자 장치(100)는 입력부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 그러나 상술한 구성에 한정되는 것은 아니며, 전자 장치의 유형에 따라 일부 구성이 추가되거나 생략될 수 있음은 물론이다.

입력부(110)는 회로를 포함하며, 전자 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 특히, 입력부(110)는 다양한 서비스를 수행하기 위하여 텍스트를 입력하는 사용자 입력을 수신할 수 있다. 예로, 입력부(110)는 텍스트를 입력하기 위한 터치 패널을 통해 사용자 터치 입력을 수신할 수 있으나, 이는 일 실시예에 불과할 뿐, 키보드, 마우스 등과 같은 다양한 입력 장치를 통해 텍스트를 입력받을 수 있다.

메모리(120)는 전자 장치(100)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 특히, 메모리(120)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(120), 프로세서(130) 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(120)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.

또한, 메모리(120)는 사용자 음성을 인식하기 위한 인공지능 에이전트를 저장할 수 있다. 이때, 전자 장치(100)는 사용자 발화에 대한 응답으로 자연어를 생성하기 위하여 인공지능 에이전트(Artificial intelligence agent)를 이용할 수 있다. 또한, 메모리(120)는 도 4에 도시되 바와 같은 사용자 음성을 인식하기 위한 복수의 구성(또는 모듈)을 포함할 수 있다. 이에 대해서는 도 4를 참조하여 상세히 설명하기로 한다.

프로세서(130)는 메모리(120)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다. 특히, 프로세서(130)는 메모리(120)에 저장된 적어도 하나의 명령어를 실행함으로써, 입력부(110)를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 사용자 음성이 입력되면, 프로세서(130)는 일반 음성 인식 모듈을 통해 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득할 수 있으며, 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트 중 사용자 음성에 대응되는 텍스트를 판단하고, 사용자 음성의 음성 인식 결과로 판단된 텍스트를 출력할 수 있다.

구체적으로, 프로세서(130)는 입력부(110)를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 이때, 프로세서(130)는 채팅 서비스, 제어 서비스, 검색 서비스 등과 같은 다양한 서비스를 수행하는 동안 입력부(110)를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다.

이때, 프로세서(130)는 텍스트의 빈도수, 입력된 텍스트에 대한 사용자 피드백, 텍스트가 전문적인 용어인지 여부, 텍스트가 고유 명사인지 여부 등을 바탕으로 개인 언어 모델을 학습시킬 수 있다. 구체적으로, 프로세서(130)는 텍스트가 입력된 빈도수가 높을수록, 텍스트에 대한 사용자 피드백이 긍정적인 피드백일수록, 텍스트가 전문적인 용어일수록, 텍스트가 고유 명사 일수록 높은 스코어가 산출되도록 개인 언어 모델을 학습시킬 수 있다. 그 밖에 프로세서(130)는 텍스트의 길이, 크기 등을 바탕으로 개인 언어 모델을 학습시킬 수 있음은 물론이다. 또한, 프로세서(130)는 일반 언어 모델에 탑재된 텍스트에 대해서는 개인 언어 모델에서 학습하지 않을 수 있다.

또 다른 실시예에 의하면, 프로세서(130)는 상술한 바와 같이 사용자에 의해 입력된 텍스트 이외에 사용자 정보를 바탕으로 획득된 텍스트를 이용하여 개인 언어 모델을 학습시킬 수 있다. 즉, 프로세서(130는 사용자 정보에 대응되는 텍스트를 획득하고, 획득된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 이때, 사용자 정보는 사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다.그리고, 프로세서(130)는 마이크를 통해 사용자 음성을 입력받을 수 있다.

사용자 음성이 입력되면, 프로세서(130)는 일반 음향 모델 및 일반 언어 모델을 통해 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득할 수 있다. 구체적으로, 프로세서(130)는 일반 음향 모델 및 일반 언어 모델을 포함하는 일반 음성 인식 모듈을 저장하는 외부 서버(200)로 사용자 음성을 전송하고, 외부 서버(200)로부터 일반 음향 모델 및 일반 언어 모델을 획득된 사용자 음성에 대응되는 복수의 후보 텍스트 및 복수의 후보 텍스트에 대응되는 스코어를 수신할 수 있다.

그리고, 프로세서(130)는 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트에 대응되는 스코어를 보정하며, 복수의 후보 텍스트에 대응되는 보정된 스코어 중 가장 높은 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다. 이때, 프로세서(130)는 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상인지 여부를 판단하며, 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상이면, 프로세서(130)는 가장 높은 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다. 다만, 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 미만이면, 프로세서(130)는 사용자에게 재발화를 요청하는 메시지를 제공할 수 있다.

그리고, 프로세서(130)는 사용자 음성에 대한 인식 결과로 판단된 텍스트를 출력할 수 있다. 이때, 출력된 텍스트에 대한 사용자 피드백이 입력되면, 프로세서(130)는 사용자 피드백을 바탕으로 개인 언어 모델을 재학습시킬 수 있다. 또한, 프로세서(130)는 판단된 텍스트 및 사용자 음성을 바탕으로 전자 장치(200)에 저장된 개인 음향 모델(personal acoustic model)을 학습시킬 수 있다.

도 3은 본 개시의 일 실시예에 따른, 전자 장치의 구성을 상세히 설명하기 위한 블록도이다. 도 3에 도시된 바와 같이, 전자 장치(100)는 입력부(110), 메모리(120), 통신부(140), 디스플레이(150), 스피커(160), 센서(170) 및 프로세서(130)를 포함할 수 있다. 한편, 도 3에 도시된 입력부(110), 메모리(120) 및 프로세서(130)는 도 2에서 설명하였으므로, 중복되는 설명은 생략하기로 한다.

입력부(110)는 전자 장치(100)를 제어하기 위한 사용자 입력을 수신할 수 있다. 특히, 입력부(110)는 텍스트를 입력하기 위한 사용자 입력을 수신할 수 있다. 입력부(110)는 도 3에 도시된 바와 같이, 사용자 음성을 입력받기 위한 마이크(111), 사용자 손 또는 스타일러스 펜 등을 이용한 사용자 터치를 입력받기 위한 터치 패널(113), 사용자 조작을 입력받기 위한 버튼(115) 등이 포함될 수 있다. 그러나, 도 3에 도시된 입력부(110)의 예는 일 실시예에 불과할 뿐, 다른 입력 장치(예로, 키보드, 마우스, 모션 입력부 등)로 구현될 수 있다.

통신부(140)는 회로를 포함하며, 외부 전자 장치와 통신을 수행할 수 있다. 한편, 통신부(140)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 엑세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다. 무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 일 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 무선 통신 또는 유선 통신이 수행되는 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.

또한, 통신부(140)는 외부의 서버와 통신을 수행하여 음성 인식 서비스를 제공할 수 있다. 특히, 통신부(140)는 외부 서버로 사용자 음성을 전송할 수 있으며, 외부 서버로부터 사용자 음성에 대응되는 복수의 후보 텍스트를 수신할 수 있다.

디스플레이(150)는 프로세서(130)의 제어에 따라 다양한 정보를 표시할 수 있다. 특히, 디스플레이(150)는 사용자 음성에 대한 인식 결과로서 텍스트를 디스플레이할 수 있다. 사용자 음성에 대응되는 텍스트를 확인하거나 사용자의 재발화를 요구하기 위한 메시지를 표시할 수 있다. 디스플레이(150)는 터치 패널(113)과 함께 터치 스크린으로 구현될 수 있다.

스피커(160)는 디코딩이나 증폭, 노이즈 필터링과 같은 다양한 처리 작업이 수행된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지를 출력하는 구성이다. 특히, 스피커(160)는 사용자 음성에 대한 응답을 자연어 형태의 음성 메시지로 출력할 수 있다. 한편, 오디오를 출력하기 위한 구성은 스피커로 구현될 수 있으나, 이는 일 실시 예에 불과할 뿐, 오디오 데이터를 출력할 수 있는 출력 단자로 구현될 수 있다.

센서(170)는 전자 장치(100)의 다양한 상태 정보를 감지할 수 있다. 예로, 센서(170)는 전자 장치(100)의 움직임 정보를 감지할 수 있는 움직임 센서(예로, 자이로 센서, 가속도 센서 등)를 포함할 수 있으며, 위치 정보를 감지할 수 있는 센서(예로, GPS(Global Positioning System) 센서), 전자 장치(100) 주위의 환경 정보를 감지할 수 있는 센서(예로, 온도 센서, 습도 센서, 기압 센서 등), 전자 장치(100)의 사용자 정보를 감지할 수 있는 센서(예로, 혈압 센서, 혈당 센서, 맥박수 센서 등) 등을 포함할 수 있다. 그 밖에, 센서(170)는 전자 장치(100)의 외부를 촬영하기 위한 이미지 센서(즉, 카메라) 등을 더 포함할 수 있다.

프로세서(130)는 디지털 신호를 처리하는 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(130)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다. 프로세서(130)는 메모리(120)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다. 뿐만 아니라, 프로세서(130)는 인공지능 기능을 수행하기 위하여, 별도의 AI 전용 프로세서인 GPU(graphics-processing unit), NPU(Neural Processing Unit), VPU(Visual Processing UniT) 중 적어도 하나를 포함할 수 있다.

도 4는 본 개시의 일 실시예에 따른, 사용자 음성을 인식하기 위한 음성 인식 시스템에 포함된 구성을 설명하기 위한 도면이다. 도 4에 도시된 바와 같이, 전자 장치(100)는 제1 자동 음성 인식(automatic speech recognition)(ASR) 디코더(410), 개인 음향 모델(personal acoustic model)(PAM)(420), 개인 언어 모델(personal language model)(PLM)(430)을 포함할 수 있으며, 외부 서버(200)는 제2 ASR 디코더(440), 일반 음향 모델(general acoustic model)(GAM)(450), 일반 언어 모델(general language model)(GLM)(460)을 포함할 수 있다. 그밖에, 전자 장치(100) 및 외부 서버(200) 각각은 어휘/발음 사전을 더 포함할 수 있다. 이때, 제1 자동 음성 인식(automatic speech recognition)(ASR) 디코더(410), 개인 음향 모델(personal acoustic model)(PAM)(420), 개인 언어 모델(personal language model)(PLM)(430)는 개인 음성 인식 모듈(Personal speech recognition module)에 포함될 수 있으며, 제2 ASR 디코더(440), 일반 음향 모델(general acoustic model)(GAM)(450), 일반 언어 모델(general language model)(GLM)(460)은 일반 음성 인식 모듈(General speech recognition module)에 포함될 수 있다.

제1 ASR 디코더(410)는 PAM(420) 및 PLM(430)를 이용하여 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다. 이때, PLM(430)은 사용자에 의해 입력된 텍스트, 사용자 정보에 대응되는 텍스트를 바탕으로 학습된 모델일 수 있으며, PAM(420)은 사용자에 의해 입력된 텍스트 및 사용자 정보에 대응되는 텍스트 각각에 대응되는 사용자 음성을 바탕으로 학습된 모델일 수 있다

특히, 통신 기능이 오프되어 외부 서버(200)와 통신이 불가능한 경우, 제1 ASR 디코더(410)는 PAM(420) 및 PLM(430)을 이용하여 사용자 음성에 대한 음성 인식을 수행할 수 있다. 또한, PAM(420) 및 PLM(430)이 단독으로 음성 인식을 수행할 수 있을 정도로 임계 기간 동안 학습된 경우, 제1 ASR 디코더(410)는 PAM(420) 및 PLM(430)을 이용하여 사용자 음성에 대한 음성 인식을 수행할 수 있다.

제2 ASR 디코더(440)는 GAM(450) 및 GLM(460)을 이용하여 입력된 사용자 음성에 대한 음성 인식을 수행할 수 있다. 이때, GAM(450)은 일반 사용자들의 음성에 의해 학습된 음향 모델일 수 있으며, GLM(460)은 언어 사전에 정의된 단어들에 의해 학습된 언어 모델일 수 있다. 특히, GAM(450) 및 GLM(460)은 PAM(420) 및 PLM(430)에 비해 많은 양의 음성 데이터 및 언어 데이터를 바탕으로 학습된 모델일 수 있다.

특히, 제1 ASR 디코더(410)는 제2 ASR 디코더(440)와 연동하여 사용자 음성에 대한 음성 인식을 수행할 수 있다. 구체적으로, 제2 ASR 디코더(440)는 GAM(450) 및 GLM(460)을 바탕으로 전자 장치(100)로부터 수신된 사용자 음성에 대응되는 복수의 후보 텍스트를 획득할 수 있다. 이때, 복수의 후보 텍스트는 사용자 음성에 해당될 확률이 임계값 이상인 텍스트일 수 있다. 또한, 제2 ASR 스코어(440)는 획득된 복수의 후보 텍스트에 대한 스코어들을 획득할 수 있으며, 후보 텍스트와 후보 텍스트들의 스코어들을 전자 장치(100)로 전송할 수 있다.

제1 ASR 디코더(410)는 PLM(430)을 이용하여 외부 서버(200)로부터 수신된 복수의 후보 텍스트 중 사용자 음성에 대응되는 텍스트를 판단할 수 있다. 구체적으로, 제1 ASR 디코더(410)는 PLM(430)을 바탕으로 외부 서버(200)로부터 수신된 복수의 후보 텍스트들 각각에 대한 스코어들을 보정할 수 있다. 즉, 제1 ASR 디코더(410)는 PLM(410)을 바탕으로 복수의 후보 텍스트들 중 사용자가 자주 사용하는 텍스트들에 대한 스코어에 가중치를 부가할 수행할 수 있다. 이때, 가중치는 사용자가 텍스트를 사용하는 횟수를 바탕으로 결정될 수 있다.

또한, 제1 ASR 디코더(410)는 복수의 후보 텍스트들 중 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 이상인지 여부를 판단할 수 있다. 이때, 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 이상인 경우, 제1 ASR 디코더(410)는 가장 높은 보정된 스코어를 가지는 후보 텍스트를 사용자 음성에 대한 음성 인식 결과로 출력할 수 있다. 이때, GAM(420)은 가장 높은 보정된 스코어를 가지는 후보 텍스트 및 입력된 사용자 음성을 바탕으로 학습될 수 있다.

또한, 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 미만인 경우, ASR 디코더(410)는 사용자에게 가장 높은 보정된 스코어를 가지는 후보 텍스트가 사용자 음성과 대응되는지 여부를 확인하거나 재발화를 요구하는 메시지를 출력할 수 있다. 다만, 이는 일 실시예에 불과할 뿐, 가장 높은 보정된 스코어를 가지는 후보 텍스트가 임계 스코어 미만이더라도, ASR 디코더(410)는 사용자에게 가장 높은 보정된 스코어를 가지는 후보 텍스트를 출력할 수 있다. 이때, 임계 스코어 미만의 보정된 스코어를 가지는 후보 텍스트는 GAM(420)에 대한 학습에 이용되지 않을 수 있다.

도 5는 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하는 방법을 설명하기 위한 시퀀스도이다.

우선, 전자 장치(100)는 개인 언어 모델(430)을 학습시킬 수 있다(S505). 구체적으로, 전자 장치(100)는 전자 장치(100)를 사용하는 동안 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 또는, 전자 장치(100)는 사용자 정보(예로, 사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 등)를 바탕으로 획득된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자가 자주 사용하는 텍스트 또는 사용자와 관련된 텍스트에 가중치를 부가하여 해당 텍스트에 통계적 확률을 높이도록 개인 언어 모델을 학습시킬 수 있다.

전자 장치(100)는 사용자가 발화한 사용자 음성을 입력받을 수 잇다(S510). 이때, 음성 인식 기능을 활성화시키기 위한 트리거 음성(예로, 빅스비) 또는 전자 장치(100)에 구비된 특정 버튼을 선택하는 사용자 입력이 수신된 후, 전자 장치(100)는 마이크를 통해 사용자 음성을 입력받을 수 있다.

전자 장치(100)는 수신된 사용자 음성을 서버(200)로 전송할 수 있다(S515).

서버(200)는 일반 음향 모델(450) 및 일반 언어 모델(460)을 포함하는 일반 음성 인식 모듈을 바탕으로 수신된 사용자 음성에 대응되는 복수의 후보 텍스트를 판단할 수 있다(S520). 이때, 서버(200)는 임계 스코어 이상의 복수의 후보 텍스트를 획득할 뿐만 아니라 복수의 후보 텍스트들의 스코어를 획득할 수 있다.

서버(200)는 획득된 복수의 후보 텍스트들에 대한 정보를 전자 장치(100)로 전송할 수 있다(S525). 즉, 서버(200)는 획득된 복수의 후보 텍스트들뿐만 아니라 복수의 후보 텍스트들의 스코어에 대한 정보를 함께 전송할 수 있다.

전자 장치(100)는 학습된 개인 언어 모델(430)을 이용하여 복수의 후보 텍스트들의 스코어를 보정할 수 있다(S530). 즉, 전자 장치(100)는 학습된 개인 언어 모델(430)을 이용하여 획득된 복수의 후보 텍스트들 중 사용자가 자주 사용하는 텍스트를 포함하는 후보 텍스트의 통계적 확률을 증가시키도록 후보 텍스트들의 스코어를 보정할 수 있다.

전자 장치(100)는 스코어가 보정된 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 텍스트를 판단할 수 있다(S535).

전자 장치(100)는 판단된 텍스트의 스코어가 임계값 이상인지 여부를 판단할 수 있다(S540). 이때, 임계값은 판단된 텍스트가 사용자 음성에 대응되는 텍스트로서 판단될 신뢰할 만한 확률값(예로, 92% 이상)일 수 있다.

전자 장치(100)는 판단된 텍스트를 출력할 수 있다(S545). 즉, 전자 장치(100)는 판단된 텍스트를 디스플레이(150)상에 출력할 수 있으며, 외부 장치(예로, 대화형 서버)로 출력할 수 있다.

전자 장치(100)는 판단된 텍스트 및 사용자 음성을 이용하여 개인 음향 모델(420)을 학습시킬 수 있다(S550). 이때, 전자 장치(100)는 판단된 텍스트에 입력된 사용자 피드백을 바탕으로 사용자 음성 및 판단된 텍스트를 판단할 수 있다. 즉, 판단된 텍스트에 대한 긍정적인 사용자 피드백이 입력되면, 전자 장치(100)는 해당 텍스트가 사용자 음성에 해당할 확률을 높이도록 개인 음향 모델(420)을 학습시키고, 판단된 텍스트에 대한 부정적인 사용자 피드백이 입력되면, 전자 장치(100)는 해당 텍스트가 사용자 음성에 해당할 확률을 낮추도록 개인 음향 모델(420)을 학습시킬 수 있다.

도 6은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 한글에 대한 음성 인식을 수행하는 방법을 설명하기 위한 도면이다.

우선, 전자 장치(100)는 사용자가 입력한 텍스트를 바탕으로 PLM(430)을 학습시킬 수 있다. 특히, 전자 장치(100)는 사용자가 채팅 서비스를 수행하거나 검색 서비스를 수행하는 동안 기설정된 횟수 이상 입력한 텍스트인 "우리미각면"이라는 텍스트를 바탕으로 PLM(430)을 학습시킬 수 있다. 이때, PLM(430)은 "우리미각면"이라는 텍스트에 대한 입력 횟수가 증가할수록 "우리미각면"에 대한 통계적 확률을 높이도록 학습될 수 있다.

전자 장치(100)는 "우리미각면에서 만나요"라는 사용자 음성을 입력받을 수 있다. 이때, 전자 장치(100)는 음성 데이터(610)를 외부 서버(200)로 전송할 수 있다.

외부 서버(200)의 제2 ASR 디코더(440)는 GAM(450) 및 GLM(460)을 이용하여 복수의 후보 텍스트들(620)을 획득할 수 있다. 구체적으로, 제2 ASR 디코더(440)는 10점 기준에 임계 스코어(예로, 8.5) 이상의 스코어를 가지는 복수의 후보 텍스트(620)로서, "우리 미 강연에서", "우리 미장면에서", "우리미각면에서"를 획득할 수 있다. 특히, 도 6에 도시된 바와 같이, "우리 미 강연에서"의 스코어는 9.2이며, "우리 미장면에서"의 스코어는 8.9이며, "우리미각면에서"의 스코어는 8.5일 수 있다.

외부 서버(200)는 복수의 후보 텍스트(620) 및 복수의 후보 텍스트(620)에 대한 스코어를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)의 제1 ASR 디코더(410)는 학습된 PLM(430)을 바탕으로 복수의 후보 텍스트(620)에 대한 스코어를 보정하여 보정된 스코어를 가지는 복수의 후보 텍스트(630)에 대한 정보를 획득할 수 있다. 이때, 제1 ASR 디코더(410)는 학습된 PLM(430)에 저장된 "우리미각면에서"의 확률적 통계를 바탕으로 "우리미각면에서"의 스코어가 높아지도록 보정힐 수 있다. 즉, 제1 ASR 디코더(410)는 도 6에 도시된 바와 같이, "우리미각면에서"의 스코어를 9.3으로 보정할 수 있다. 한편, 도 6에서는 복수의 후보 텍스트 중 일부 후보 텍스트만을 보정하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 모든 후보 텍스트들에 대한 스코어에 보정을 수행할 수 있다.

전자 장치(100)는 보정 과정을 거친 복수의 후보 텍스트(630) 중 가장 높은 보정된 스코어를 가지는 후보 텍스트를 출력할 수 있다. 즉, 전자 장치(100)는 사용자 음성을 인식한 결과로서, "우리미각면에서 만나요"를 출력할 수 있다.

또한, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 텍스트("우리미각면에서 만나요") 및 음성 데이터(610)를 바탕으로 PAM(420)을 학습(640)시킬 수 있다.

도 7은 본 개시의 일 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 영어에 대한 음성 인식을 수행하는 방법을 설명하기 위한 도면이다.

우선, 전자 장치(100)는 사용자가 입력한 텍스트를 바탕으로 PLM(430)을 학습시킬 수 있다. 특히, 전자 장치(100)는 사용자가 채팅 서비스를 수행하거나 검색 서비스를 수행하는 동안 기설정된 횟수 이상 입력한 텍스트인 "FOMO"라는 텍스트를 바탕으로 PLM(430)을 학습시킬 수 있다. 이때, PLM(430)은 "FOMO"라는 텍스트에 대한 입력 횟수가 증가할수록 "FOMO"에 대한 통계적 확률을 높이도록 학습될 수 있다.

전자 장치(100)는 "I suffer from FOMO"라는 사용자 음성을 입력받을 수 있다. 이때, 전자 장치(100)는 음성 데이터(710)를 외부 서버(200)로 전송할 수 있다.

외부 서버(200)의 제2 ASR 디코더(440)는 GAM(450) 및 GLM(460)을 이용하여 복수의 후보 텍스트들(720)을 획득할 수 있다. 구체적으로, 제2 ASR 디코더(440)는 10점 기준에 임계 스코어(예로, 8.0) 이상의 스코어를 가지는 복수의 후보 텍스트(720)로서, "I suffer from formal", "I suffer from former", "I suffer from phone more", "I suffer from FOMO"를 획득할 수 있다. 특히, 도 7에 도시된 바와 같이, "I suffer from formal"의 스코어는 9.5이며, "I suffer from former"의 스코어는 9.3이며, "I suffer from phone more"의 스코어는 9.1이며, "I suffer from FOMO"의 스코어는 8.1일 수 있다.

외부 서버(200)는 복수의 후보 텍스트(720) 및 복수의 후보 텍스트(720)에 대한 스코어를 전자 장치(100)로 전송할 수 있다.

전자 장치(100)의 제1 ASR 디코더(410)는 학습된 PLM(430)을 바탕으로 복수의 후보 텍스트(720)에 대한 스코어를 보정하여 보정된 스코어를 가지는 복수의 후보 텍스트(730)에 대한 정보를 획득할 수 있다. 이때, 제1 ASR 디코더(410)는 학습된 PLM(430)에 저장된 "I suffer from FOMO"의 확률적 통계를 바탕으로 "I suffer from FOMO"의 스코어가 높아지도록 보정힐 수 있다. 즉, 제1 ASR 디코더(410)는 도 7에 도시된 바와 같이, "I suffer from FOMO"의 스코어를 9.6으로 보정할 수 있다.

전자 장치(100)는 보정 과정을 거친 복수의 후보 텍스트(730) 중 가장 높은 보정된 스코어를 가지는 후보 텍스트를 출력할 수 있다. 즉, 전자 장치(100)는 사용자 음성을 인식한 결과로서, "I suffer from FOMO"를 출력할 수 있다.

또한, 전자 장치(100)는 가장 높은 보정된 스코어를 가지는 텍스트("I suffer from FOMO") 및 음성 데이터(710)를 바탕으로 PAM(420)을 학습(740)시킬 수 있다.

도 8은 본 개시의 일 실시예에 따른, 사용자 음성에 대한 재발화를 요구하는 메시지를 도시한 도면이다.

한편, 외부 서버(200)로부터 수신된 복수의 후보 텍스트 중 가장 높은 스코어를 가지는 후보 텍스트와 보정 과정을 거친 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 후보 텍스트가 상이한 경우, 전자 장치(100)는 사용자에게 가장 높은 보정된 스코어를 가지는 후보 텍스트가 사용자 음성에 대응되는지 여부를 확인하거나 사용자 재발화를 요구하는 메시지를 출력할 수 있다.

예를 들어, 도 6에 도시된 바와 같이, 외부 서버(200)로부터 수신된 복수의 후보 텍스트 중 가장 높은 스코어를 가지는 후보 텍스트인 "우리 미 강연에서 만나요"와 보정 과정을 거친 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 후보 텍스트인 "우리미각면에서 만나요"가 상이한 경우, 전자 장치(100)는 도 8에 도시된 바와 같이, 사용자 음성에 대응되는 텍스트로서, "우리 미각면에서 만나요"가 맞는지 여부를 확인하고, 틀리면 재발화를 요구하는 메시지(810)를 디스플레이할 수 있다.

이때, 긍정적인 피드백(예를 들어, "우리미각면에서 만나요"가 사용자 음성에 대응된다는 피드백 또는 메시지(810)가 표시된 후 임계시간동안 사용자 입력이 없는 피드백)이 입력되면, 전자 장치(100)는 사용자 음성에 대응되는 텍스트가 "우리미각면에서 만나요"일 확률이 높아지도록 PAM(420)을 학습시킬 수 있다. 다만, 긍정적인 피드백(예를 들어, 새로운 발화를 입력하는 피드백)이 입력되면, 전자 장치(100)는 사용자 음성에 대응되는 텍스트가 "우리미각면에서 만나요"일 확률이 낮아지도록 PAM(420)을 학습시킬 수 있다.

한편, 상술한 실시예에서는 외부 서버(200)로부터 수신된 복수의 후보 텍스트 중 가장 높은 스코어를 가지는 후보 텍스트와 보정 과정을 거친 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 후보 텍스트가 상이한 경우, 전자 장치(100)는 메시지(810)를 출력하는 것으로 설명하였으나, 이는 일 실시예에 불과할 뿐, 보정 과정을 거친 복수의 후보 텍스트 중 가장 높은 보정된 스코어가 임계 스코어 이하인 경우, 전자 장치(100)는 도 8에 도시된 바와 같은 메시지(810)를 출력할 수 있다.

도 9는 본 개시의 다른 실시예에 따른, 사용자가 입력한 텍스트를 바탕으로 학습된 개인 언어 모델을 이용하여 사용자 음성을 인식하고, 인식 결과를 바탕으로 개인 음향 모델을 재학습시키는 실시예를 설명하는 사용도이다.

우선, 전자 장치(100)는 사용자에 의해 입력된 텍스트를 바탕으로 개인 언어 모델(930)을 학습시킬 수 있다. 구체적으로, 전자 장치(100)는 사용자가 전자 장치(100)를 사용하는 동안 다양한 서비스를 수행하기 위해 입력된 텍스트에 대한 정보를 획득할 수 있다. 그리고, 전자 장치(100)는 사용자에 의해 입력된 텍스트에 대한 정보를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자가 자주 사용하는 텍스트에 대한 통계적 확률을 높이도록 개인 언어 모델(930)을 학습시킬 수 있다. 이때, 전자 장치(100)는 해당 텍스트에 대한 사용자의 사용 횟수를 바탕으로 개인 언어 모델(930)을 학습시킬 수 있다.

또한, 전자 장치(100)는 사용자 정보로부터 획득된 텍스트를 바탕으로 개인 언어 모델(930)을 학습시킬 수 있다. 즉, 전자 장치(100)는 사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 등과 같은 다양한 사용자 정보를 바탕으로 텍스트를 획득하고, 획득된 텍스트를 바탕으로 개인 언어 모델(930)을 학습시킬 수 있다.

사용자에 의해 입력된 텍스트 또는 사용자 정보를 바탕으로 개인 언어 모델(930)이 학습된 후, 전자 장치(100)는 사용자가 발화한 사용자 음성을 획득할 수 있다. 이때, 전자 장치(100)는 전자 장치(100) 내에 존재하는 마이크를 통해 사용자 음성을 획득할 수 있으나, 이는 일 실시예에 불과할 뿐, 전자 장치(100)와 전기적으로 연결된 외부 마이크를 통해 사용자 음성을 획득할 수 있다.

전자 장치(100)는 ASR 디코더(910)에 의해, PAM(920) 및 PLM(930)을 바탕으로 사용자 음성에 대한 음성 인식을 수행할 수 있다. 즉, 전자 장치(100)는 PAM(920) 및 PLM(930)을 바탕으로 사용자 음성에 해당될 확률이 가장 높은 텍스트를 결정하고, 결정된 텍스트를 음성 인식의 결과로 획득할 수 있다.

전자 장치(100)는 결정된 텍스트를 출력할 수 있다. 이때, 전자 장치(100)는 결정된 텍스트를 디스플레이(150) 상에 출력할 수 있으며, 외부 장치로 출력할 수 있다.

전자 장치(100)는 음성 인식 결과를 바탕으로 개인 음향 모델(920)을 재학습시킬 수 있다. 즉, 전자 장치(100)는 사용자 음성과 결정된 텍스트를 바탕으로 개인 음향 모델(920)을 재학습시킬 수 있다. 즉, 전자 장치(100)는 사용자가 자주 사용하는 텍스트와 이에 대응되는 사용자 음성을 바탕으로 사용자 특성이 반영되도록 개인 음향 모델(920)을 재학습시킬 수 있다.

또한, 판단된 텍스트에 대한 사용자 피드백이 입력되면, 전자 장치(100)는 사용자 피드백을 바탕으로 개인 언어 모델(920)을 재학습시킬 수 있다. 예로, 판단된 텍스트에 부정적인 피드백이 입력되면, 전자 장치(100)는 부정적인 사용자 피드백을 바탕으로 판단된 텍스트에 대한 통계적 확률을 낮추도록 개인 언어 모델을 재학습시킬 수 있다.

한편, 상술한 실시예에서는 개인 음향 모델(920) 및 개인 언어 모델(930)이 분리되는 것으로 구현되었으나, 이는 일 실시예에 불과할 뿐, 개인 음향 모델(920) 및 개인 언어 모델(930)이 하나의 신경망 모델로 구현될 수 있다. 즉, 전자 장치(100)는 사용자가 입력한 텍스트를 바탕으로 신경망 모델을 학습시키고, 학습된 신경망 모델을 이용하여 사용자 음성에 대응되는 텍스트를 획득할 수 있으며, 획득된 텍스트와 사용자 음성을 바탕으로 신경망 모델을 재학습시킬 수 있다.

도 10은 본 개시의 일 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

전자 장치(100)는 입력부(110)를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다(S1010). 즉, 전자 장치(100)는 사용자가 전자 장치(100)를 사용하는 동안 입력한 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 또한, 전자 장치(100)는 사용자 정보를 바탕으로 획득된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다.

개인 언어 모델이 학습된 후, 전자 장치(100)는 사용자 음성을 입력받을 수 있다(S1020).

전자 장치(100)는 일반 음향 모델 및 일반 언어 모델을 통해 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득할 수 있다(S1030). 구체적으로, 전자 장치(100)는 일반 음향 모델 및 일반 언어 모델을 저장하는 외부 서버(200)로 사용자 음성을 전송하고, 외부 서버(200)로부터 일반 음향 모델 및 일반 언어 모델을 바탕으로 획득된 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 수신할 수 있다. 이때, 전자 장치(100)는 복수의 후보 텍스트에 대한 스코어 정보 역시 수신할 수 있다.

전자 장치(100)는 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트 중 사용자 음성에 대응되는 텍스트를 판단할 수 있다(S1040). 구체적으로, 전자 장치(100)는 학습된 개인 언어 모델을 이용하여 복수의 후보 텍스트에 대한 스코어를 보정하고, 복수의 후보 텍스트 중 가장 높은 보정된 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다.

전자 장치(100)는 사용자 음성의 음성 인식 결과로 판단되는 텍스트를 출력할 수 있다(S1050). 구체적으로, 전자 장치(100)는 판단된 텍스트를 디스플레이(150)를 통해 출력하거나 외부 장치(예로, 대화형 서버)로 판단된 텍스트를 출력할 수 있다. 또한, 전자 장치(100)는 사용자 음성 밑 판단된 텍스트를 바탕으로 개인 음향 모델을 학습시킬 수 있다.

도 11은 본 개시의 다른 실시예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

우선, 전자 장치(100)는 입력부(110)를 통해 입력된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다(S1110). 즉, 전자 장치(100)는 사용자가 전자 장치(100)를 사용하는 동안 입력한 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다. 또한, 전자 장치(100)는 사용자 정보를 바탕으로 획득된 텍스트를 바탕으로 개인 언어 모델을 학습시킬 수 있다.

개인 언어 모델이 학습된 후, 전자 장치(100)는 사용자 음성을 입력받을 수 있다(S1120).

전자 장치(100)는 개인 음향 모델 및 개인 언어 모델을 통해 사용자 음성에 대응되는 텍스트를 판단할 수 있다(S1130). 즉, 전자 장치(100)는 개인 음향 모델 및 개인 언어 모델을 이용하여 획득된 후보 텍스트들 중 가장 높은 스코어를 가지는 후보 텍스트를 사용자 음성에 대응되는 텍스트로 판단할 수 있다.

전자 장치(100)는 사용자 음성의 음성 인식 결과로 판단되는 텍스트를 출력할 수 있다(S1140). 구체적으로, 전자 장치(100)는 판단된 텍스트를 디스플레이(150)를 통해 출력하거나 외부 장치(예로, 대화형 서버)로 판단된 텍스트를 출력할 수 있다.

전자 장치(100)는 판단된 텍스트 및 사용자 음성을 바탕으로 개인 음향 모델을 재학습시킬 수 있다(S1150).

한편, 본 개시에서 사용된 용어 "부" 또는 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "부" 또는 "모듈"은, 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. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어 하에 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.

일시예에 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: 입력부 120: 메모리
130: 프로세서 140: 통신부
150: 디스플레이 160: 스피커
170: 센서

Claims

전자 장치에 있어서,
회로를 포함하는 입력부;
적어도 하나의 인스트럭션(instruction)을 포함하는 메모리;
상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고,
상기 프로세서는,
상기 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키고,
사용자 음성이 입력되면, 일반 음성 인식 모듈(General speech recognition module)을 통해 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득하며,
상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트 중 상기 사용자 음성에 대응되는 텍스트를 판단하며,
상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하는 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 전자 장치에 저장된 개인 음향 모델(personal acoustic model)을 학습시키는 전자 장치.
제1항에 있어서,
상기 일반 음성 인식 모듈은 일반 음향 모델(General acoustic model) 및 일반 언어 모델(General language model)을 포함하고,
상기 프로세서는,
상기 일반 음향 모델 및 상기 일반 언어 모델을 통해 상기 사용자 음성에 대응되는 상기 복수의 후보 텍스트 및 상기 복수의 후보 텍스트에 대응되는 스코어를 획득하며,
상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트에 대응되는 스코어를 보정하며,
상기 복수의 후보 텍스트에 대응되는 보정된 스코어 중 가장 높은 스코어를 가지는 후보 텍스트를 상기 사용자 음성에 대응되는 텍스트로 판단하는 전자 장치.
제3항에 있어서,
상기 프로세서는,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상인지 여부를 판단하며,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상이면, 상기 후보 텍스트를 상기 사용자 음성에 대응되는 텍스트로 판단하는 전자 장치.
제3항에 있어서,
상기 프로세서는,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 미만이면, 사용자에게 재발화를 요청하는 메시지를 제공하는 전자 장치.
제1항에 있어서,
회로를 포함하는 통신부;를 더 포함하며,
상기 일반 음성 인식 모듈은 외부 서버에 저장되며,
상기 프로세서는,
사용자 음성이 입력되면, 상기 일반 음성 인식 모듈을 저장하는 외부 서버로 상기 사용자 음성을 전송하도록 상기 통신부를 제어하며,
상기 외부 서버로부터 상기 일반 음성 인식 모듈을 통해 획득된 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 수신하는 전자 장치.
제1항에 있어서,
상기 프로세서는,
사용자 정보에 대응되는 텍스트를 획득하고, 상기 획득된 텍스트를 바탕으로 상기 개인 언어 모델을 학습시키며,
상기 사용자 정보는,
사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 중 적어도 하나를 포함하는 전자 장치.
제1항에 있어서,
상기 프로세서는,
상기 출력된 텍스트에 대한 사용자 피드백이 입력되면, 상기 사용자 피드백을 바탕으로 상기 개인 언어 모델을 재학습시키는 전자 장치.
전자 장치의 제어 방법에 있어서,
입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키는 단계;
사용자 음성이 입력되면, 일반 음성 인식 모듈(General speech recognition module)을 통해 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 획득하는 단계;
상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트 중 상기 사용자 음성에 대응되는 텍스트를 판단하는 단계; 및
상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하는 단계;를 포함하는 제어 방법.
제9항에 있어서,
상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 전자 장치에 저장된 개인 음향 모델(personal acoustic model)을 학습시키는 단계;를 포함하는 제어 방법.
제9항에 있어서,
상기 일반 음성 인식 모듈은 일반 음향 모델(General acoustic model) 및 일반 언어 모델(General language model)을 포함하고,
상기 획득하는 단계는,
상기 일반 음향 모델 및 상기 일반 언어 모델을 통해 상기 사용자 음성에 대응되는 상기 복수의 후보 텍스트 및 상기 복수의 후보 텍스트에 대응되는 스코어를 획득하며,
상기 판단하는 단계는,
상기 학습된 개인 언어 모델을 이용하여 상기 복수의 후보 텍스트에 대응되는 스코어를 보정하며,
상기 복수의 후보 텍스트에 대응되는 보정된 스코어 중 가장 높은 스코어를 가지는 후보 텍스트를 상기 사용자 음성에 대응되는 텍스트로 판단하는 제어 방법.
제11항에 있어서,
상기 판단하는 단계는,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상인지 여부를 판단하며,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 이상이면, 상기 후보 텍스트를 상기 사용자 음성에 대응되는 텍스트로 판단하는 제어 방법.
제11항에 있어서,
상기 판단하는 단계는,
상기 가장 높은 스코어를 가지는 후보 텍스트가 임계 스코어 미만이면, 사용자에게 재발화를 요청하는 메시지를 제공하는 제어 방법.
제9항에 있어서,
상기 일반 음성 인식 모듈은 외부 서버에 저장되며,
상기 획득하는 단계는,
상기 사용자 음성이 입력되면, 상기 일반 음성 인식 모듈을 저장하는 외부 서버로 상기 사용자 음성을 전송하는 단계;
상기 외부 서버로부터 상기 일반 음성 인식 모듈을 통해 획득된 상기 사용자 음성에 대응되는 복수의 후보 텍스트에 대한 정보를 수신하는 단계;를 포함하는 제어 방법.
제9항에 있어서,
사용자 정보에 대응되는 텍스트를 획득하는 단계; 및
상기 획득된 텍스트를 바탕으로 상기 개인 언어 모델을 학습시키는 단계;를 더 포함하며,
상기 사용자 정보는,
사용자 프로파일 정보, 사용자 선호 정보, 사용자 위치 정보 중 적어도 하나를 포함하는 제어 방법.
제9항에 있어서,
상기 출력된 텍스트에 대한 사용자 피드백이 입력되면, 상기 사용자 피드백을 바탕으로 상기 개인 언어 모델을 재학습시키는 단계;를 포함하는 제어 방법.
전자 장치에 있어서,
회로를 포함하는 입력부;
적어도 하나의 인스트럭션(instruction)을 포함하는 메모리;
상기 적어도 하나의 인스트럭션을 실행하는 프로세서;를 포함하고,
상기 프로세서는,
상기 입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키고,
사용자 음성이 입력되면, 개인 음향 모델(personal acoustic model) 및 상기 개인 언어 모델을 통해 상기 사용자 음성에 대응되는 텍스트를 판단하며,
상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하고,
상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 개인 음향 모델을 재학습시키는 전자 장치.
전자 장치의 제어 방법에 있어서,
입력부를 통해 입력된 텍스트를 바탕으로 개인 언어 모델(personal language model)을 학습시키는 단계;
사용자 음성이 입력되면, 개인 음향 모델(personal acoustic model) 및 상기 개인 언어 모델을 통해 상기 사용자 음성에 대응되는 텍스트를 판단하는 단계;
상기 사용자 음성의 음성 인식 결과로 상기 판단된 텍스트를 출력하는 단계; 및
상기 판단된 텍스트 및 상기 사용자 음성을 바탕으로 상기 개인 음향 모델을 재학습시키는 단계;를 포함하는 제어 방법.