KR20210008788A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20210008788A
KR20210008788A KR1020190110352A KR20190110352A KR20210008788A KR 20210008788 A KR20210008788 A KR 20210008788A KR 1020190110352 A KR1020190110352 A KR 1020190110352A KR 20190110352 A KR20190110352 A KR 20190110352A KR 20210008788 A KR20210008788 A KR 20210008788A
Authority
KR
South Korea
Prior art keywords
audio data
information
user
electronic device
artificial intelligence
Prior art date
Application number
KR1020190110352A
Other languages
English (en)
Inventor
이승호
김양욱
남우현
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to PCT/KR2020/002513 priority Critical patent/WO2021010562A1/en
Priority to US16/847,947 priority patent/US11412341B2/en
Publication of KR20210008788A publication Critical patent/KR20210008788A/ko
Priority to US17/851,795 priority patent/US20220329966A1/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H04R3/005—Circuits for transducers, loudspeakers or microphones for combining the signals of two or more microphones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/002—Specific input/output arrangements not covered by G06F3/01 - G06F3/16
    • G06F3/005—Input arrangements through a video camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/165—Management of the audio stream, e.g. setting of volume, audio stream path
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R5/00—Stereophonic arrangements
    • H04R5/033—Headphones for stereophonic communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04S—STEREOPHONIC SYSTEMS 
    • H04S7/00—Indicating arrangements; Control arrangements, e.g. balance control
    • H04S7/30—Control circuits for electronic adaptation of the sound field
    • H04S7/302—Electronic adaptation of stereophonic sound system to listener position or orientation
    • H04S7/303—Tracking of listener position or orientation
    • H04S7/304—For headphones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R3/00—Circuits for transducers, loudspeakers or microphones
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04S—STEREOPHONIC SYSTEMS 
    • H04S2420/00—Techniques used stereophonic systems covered by H04S but not provided for in its groups
    • H04S2420/01—Enhancing the perception of the sound image or of the spatial distribution using head related transfer functions [HRTF's] or equivalents thereof, e.g. interaural time difference [ITD] or interaural level difference [ILD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Signal Processing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Robotics (AREA)
  • Otolaryngology (AREA)
  • Stereophonic System (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는 카메라, 적어도 하나의 인스트럭션을 저장하는 메모리 및 인스트럭션을 실행함으로써, 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하고, 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 프로세서를 포함하며, 인공 지능 모델은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다.

Description

전자 장치 및 그 제어 방법{ELECTRONIC APPARATUS AND CONTROLLING METHOD THEREOF}
본 개시는 전자 장치 및 그 제어 방법에 관한 것으로, 더욱 상세하게는 인공 지능 모델을 이용하여 오디오 신호를 변환하는 전자 장치 및 그 제어 방법에 대한 것이다.
더미헤드 마이크(Dummy Head Microphone)는 사람의 머리 모형에 부착된 마이크를 포함하는 녹음 장치이며, 더미헤드를 간소화한 양이 마이크(Binaural Microphone)는 귀 모형에 마이크를 부착한 녹음 장치이다. 통상적인 표현으로는 양이 마이크에 더미헤드 마이크를 포함한다. 더미헤드 마이크 또는 양이 마이크를 이용하여 음원을 녹음하는 것을 양이 녹음(Binaural Recording)이라고 하며, 이렇게 녹음된 오디오 데이터를 바이노럴 오디오 데이터라고 할 수 있다. 양이 녹음은 사람의 실제 신체 기관과 유사한 모형을 이용하여 소리를 녹음하는 것이므로 양이 녹음은 실제 사람이 듣는 소리와 유사한 오디오 데이터를 획득하는 방법일 수 있다. 이렇게 획득된 오디오 데이터를 고막에 근접한 스피커(예를 들면, 이어폰과 같은 장치)에서 재생한다면, 청취자는 녹음된 소리가 아닌 원래의 소리를 듣는 듯한 실감을 체험할 수 있다.
양이 녹음에 이용되는 모조 머리 또는 모조 귀는 크기가 고정되어 있다. 반면에, 오디오 데이터를 듣는 사람의 머리 및 귀의 크기는 사람에 따라 다양하다. 따라서, 실제 사용자의 머리 크기(또는 귀 크기)와 모조 머리 크기(또는 모조 귀 크기)에는 차이가 있으므로 사용자마다 청취하는 소리가 다르게 인식되는 문제점이 있다. 즉, 더미헤드 마이크를 이용하여 음원을 녹음하더라도, 상술한 문제점으로 개개인의 사용자들에게 적합한 오디오 신호를 생성하기 어려울 수 있다.
또한, 더미헤드 마이크를 이용하여 녹음한 바이노럴 오디오 데이터를 기초로 학습된 인공 지능 모델은 어떠한 오디오 데이터라도 바이노럴 오디오 데이터처럼 변환할 수 있다. 그런데 이러한 인공 지능 모델은 바이노럴 녹음 장치의 모조 머리 크기 또는 모조 귀의 크기가 고정된 상태에서 학습된 것이므로, 오디오 데이터를 청취할 사용자의 머리 크기 또는 귀 크기와 차이가 있을 수 있다. 따라서, 인공 지능 모델에 의하여 변환된 오디오 데이터가 사용자에게 적합하지 않을 수 있다.
본 개시는 상술한 문제를 개선하기 위해 고안된 것으로, 본 개시의 목적은 사운드 신호를 변환함에 있어 카메라를 통해 사용자 정보를 획득하여 획득된 사용자 정보에 대응되는 인공 지능 모델을 이용하는 전자 장치 및 그의 제어 방법을 제공함에 있다.
상술한 목적을 달성하기 위한 본 실시 예에 따른 전자 장치는 적어도 하나의 인스트럭션을 저장하는 메모리 및 상기 인스트럭션을 실행함으로써, 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하고, 상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 프로세서를 포함하며, 상기 인공 지능 모델은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다.
상기 전자 장치는 카메라, 출력부 및 디스플레이를 더 포함하며, 상기 프로세서는 상기 카메라를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득할 수 있고, 상기 출력부에 사운드 출력 기기가 연결되었는지 여부를 식별할 수 있고, 상기 사운드 출력 기기가 연결되지 않은 것으로 식별되면, 상기 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이하도록 상기 디스플레이를 제어할 수 있고, 상기 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나일 수 있다.
또한, 상기 프로세서는 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나가 획득되면, 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있으며, 상기 인공 지능 모델은 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델일 수 있다.
여기서, 상기 전자 장치의 컨텍스트 정보는 상기 전자 장치에서 실행되는 어플리케이션에 대한 정보 또는 상기 전자 장치에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함할 수 있다.
또한, 전자 장치는 디스플레이를 더 포함하며, 상기 전자 장치의 컨텍스트 정보는 상기 전자 장치에서 실행되는 어플리케이션에 대한 정보이고, 상기 프로세서는 상기 전자 장치에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 상기 인공 지능 모델로부터 상기 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하도록 상기 디스플레이를 제어할 수 있다.
또한, 상기 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함하며, 상기 사용자 신체 정보는 사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양(사용자 귀의 형상) 또는 사용자 귀의 크기 중 적어도 하나를 포함하며, 상기 사용자 식별 정보는 사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함할 수 있다.
또한, 상기 녹음 장치는 사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함하며, 상기 제2 학습 오디오 데이터를 획득하기 위한 상기 녹음 장치에 대한 정보는 상기 사람의 머리 모형 크기, 상기 사람의 머리 모형 형상, 상기 사람의 귀 모형 크기, 또는 상기 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함할 수 있다.
또한, 상기 인공 지능 모델은 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 상기 제1 학습 오디오 데이터 및 상기 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고, 상기 녹음 상황에 대한 정보는 음원 거리 정보(또는 녹음 거리 정보) 또는 녹음 공간 정보 중 적어도 하나를 포함할 수 있다. 그리고, 상기 프로세서는 상기 전자 장치에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득하고, 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있다.
또한, 상기 인공 지능 모델이 학습되는 신경망 네트워크는 복수의 레이어를 포함하며, 상기 제1 학습 오디오 데이터를 입력 받고, 상기 복수의 레이어를 통한 연산에 기초하여 예상 오디오 데이터를 시간 도메인으로 출력하며, 상기 복수의 레이어에서 이용되는 파라미터는 상기 시간 도메인으로 출력된 상기 예상 오디오 데이터 및 상기 제1 학습 오디오 데이터에 대응되는 제2 학습 오디오 데이터를 각각 주파수 도메인에서 비교하는 비용 함수에 기초하여 학습될 수 있다. 만약, 상기 예측 오디오 데이터를 주파수 도메인으로 출력한다면, 상기 파라미터는 상기 주파수 도메인으로 출력된 상기 예측 오디오 데이터 및 상기 제1 학습 오디오 데이터에 대응되는 제2 학습 오디오 데이터를 시간 도메인에서 비교하는 비용 함수에 기초하여 학습될 수 있다.
여기서, 상기 비용함수는 상기 예상 오디오 데이터의 신호 세기 및 상기 제2 학습 오디오 데이터의 신호 세기에 기초하여 획득된 제1 손실값, 상기 예상 오디오 데이터의 각 주파수 별 세기 및 상기 제2 학습 오디오 데이터의 주파수 별 세기에 기초하여 획득된 제2 손실값, 또는 상기 예상 오디오 데이터의 노이즈 정보 및 상기 제2 학습 오디오 데이터의 노이즈 정보에 기초하여 획득된 제3 손실값 중 적어도 하나를 이용할 수 있다.
여기서, 상기 예상 오디오 데이터의 제1 주파수 세기 및 상기 제2 학습 오디오 데이터의 상기 제1 주파수 세기의 차이에 적용되는 제1 가중치는 상기 예상 오디오 데이터의 제2 주파수 세기 및 상기 제2 학습 오디오 데이터의 상기 제2 주파수 세기의 차이에 적용되는 제2 가중치와 상이할 수 있다.
한편, 본 개시의 일 실시 예에 따른 적어도 하나의 인스트럭션을 저장하는 전자 장치의 제어 방법은 상기 인스트럭션을 실행함으로써, 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하는 단계 및 상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 단계를 포함하고, 상기 인공 지능 모델은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다.
여기서, 상기 제어 방법은 카메라를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하는 단계, 출력부에 사운드 출력 기기가 연결되었는지 여부를 식별하는 단계 및 상기 사운드 출력 기기가 연결되지 않은 것으로 식별되면, 상기 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이하는 단계를 더 포함할 수 있고, 상기 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나일 수 있으며, 상기 연결은 유선 또는 무선 중 하나일 수 있다.
또한, 상기 입력 오디오 데이터를 입력하는 단계는 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나가 획득되면, 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있으며, 상기 인공 지능 모델은 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델일 수 있다.
여기서, 상기 전자 장치의 컨텍스트 정보는 상기 전자 장치에서 실행되는 어플리케이션에 대한 정보 또는 상기 전자 장치에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함할 수 있다.
또한, 상기 전자 장치의 컨텍스트 정보는 상기 전자 장치에서 실행되는 어플리케이션에 대한 정보이고, 상기 제어 방법은 상기 전자 장치에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 상기 인공 지능 모델로부터 상기 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하는 단계를 더 포함할 수 있다.
한편, 상기 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함하며, 상기 사용자 신체 정보는 사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양 또는 사용자 귀의 크기 중 적어도 하나를 포함하며, 상기 사용자 식별 정보는 사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함할 수 있다.
또한, 상기 녹음 장치는 사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함하며, 상기 제2 학습 오디오 데이터를 획득하기 위한 상기 녹음 장치에 대한 정보는 상기 사람의 머리 모형 크기, 상기 사람의 머리 모형 형상, 상기 사람의 귀 모형 크기, 또는 상기 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함할 수 있다.
또한, 상기 인공 지능 모델은 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 상기 제1 학습 오디오 데이터 및 상기 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고, 상기 녹음 상황에 대한 정보는 음원 거리 정보(또는 녹음 거리 정보) 또는 녹음 공간 정보 중 적어도 하나를 포함할 수 있다. 그리고, 상기 제어 방법은 상기 전자 장치에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득하고, 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있다.
한편, 적어도 하나의 인스트럭션을 저장하는 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은 상기 인스트럭션을 실행함으로써, 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하는 단계 및 상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 단계를 포함하고 상기 인공 지능 모델은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다.
도 1은 오디오 데이터를 변환하는 인공 지능 모델을 설명하기 위한 도면이다.
도 2는 일반 마이크와 바이노럴 마이크를 이용하여 녹음된 오디오 데이터에 기초하여 학습하는 신경망 네트워크를 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 블록도이다.
도 4는 도 3의 전자 장치의 구체적인 구성을 설명하기 위한 세부 블록도이다.
도 5는 카메라를 이용하여 촬상된 이미지에 기초하여 사용자 신체 정보를 분석하는 실시 예를 설명하기 위한 도면이다.
도 6은 일반 마이크와 바이노럴 마이크를 이용하여 녹음된 오디오 데이터 및 녹음 장치에 대한 정보에 기초하여 학습하는 신경망 네트워크를 설명하기 위한 도면이다.
도 7은 사용자 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 8은 공간 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 9는 전자 장치에서 실행 중인 어플리케이션 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 10은 입력 데이터의 녹음 공간 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 11은 입력 데이터의 음원 거리 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 12는 현실 공간의 움직임에 따라 오디오 데이터의 출력이 다르게 되도록 제어하는 실시 예를 설명하기 위한 도면이다.
도 13은 전자 장치 내부에 저장된 인공 지능 모델을 이용하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 14는 외부 서버에 저장된 인공 지능 모델을 이용하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 15는 사운드 출력 장치를 연결하도록 가이드하는 가이드 UI를 설명하기 위한 도면이다.
도 16은 일 실시 예에 따른 오디오 데이터 변환 동작과 관련된 UI를 설명하기 위한 도면이다.
도 17은 다른 실시 예에 따른 오디오 데이터 변환 동작과 관련된 UI를 설명하기 위한 도면이다.
도 18은 일 실시 예에 따른 오디오 데이터 변환 동작과 관련된 설정 화면을 설명하기 위한 도면이다.
도 19는 다른 실시 예에 따른 오디오 데이터 변환 동작과 관련된 설정 화면을 설명하기 위한 도면이다.
도 20은 이미지 데이터 및 오디오 데이터가 모두 포함된 입력 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 21은 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 일 실시 예를 설명하기 위한 도면이다.
도 22는 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 다른 실시 예를 설명하기 위한 도면이다.
도 23은 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 24는 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 25는 오디오 데이터를 변환하기 위한 인공 지능 모델이 생성적 적대 신경망에 의하여 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 26은 노멀 오디오 데이터를 반영한 스펙트로그램을 설명하기 위한 도면이다.
도 27은 노멀 오디오 데이터 및 바이노럴 오디오 데이터 각각를 반영한 스펙트로그램을 설명하기 위한 도면이다.
도 28은 노멀 오디오 데이터 및 바이노럴 오디오 데이터를 주파수 도면에서 비교하여 손실값을 획득하는 과정을 설명하기 위한 도면이다.
도 29는 종래 모델과 본원 모델의 효과를 비교하기 위한 일 실시 예에 따른 도면이다.
도 30은 종래 모델과 본원 모델의 효과를 비교하기 위한 다른 실시 예에 따른 도면이다.
도 31은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 도면이다.
이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 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 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서, "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.
A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.
본 명세서에서 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, 어떤 구성요소가 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "모듈" 혹은 "부"는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈" 혹은 복수의 "부"는 특정한 하드웨어로 구현될 필요가 있는 "모듈" 혹은 "부"를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서(미도시)로 구현될 수 있다.
본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
이하 첨부된 도면들을 참조하여 본 개시의 일 실시예를 보다 상세하게 설명한다.
도 1은 오디오 데이터를 변환하는 인공 지능 모델을 설명하기 위한 도면이다.
도 1을 참조하면, 인공 지능 모델(1000)은 오디오 데이터를 변환시키는 모델일 수 있다. 일 실시 예에 따라, 오디오 데이터를 변환시킨다는 것은 저음질의 오디오 신호를 고음질의 오디오 신호로 변환시키는 것을 의미할 수 있다. 다른 실시 예에 따라, 오디오 데이터를 변환시킨다는 것은 모노 오디오 데이터를 스테레오 오디오 데이터로 변환시키는 것을 의미할 수 있다. 또 다른 실시 예에 따라, 오디오 데이터를 변환시킨다는 것은 오디오 데이터를 바이노럴 오디오 데이터와 유사한 오디오 데이터로 변환하는 것을 의미할 수 있다. 여기서, 바이노럴 오디오 데이터는 바이노럴 마이크를 통해 녹음된 오디오 데이터를 의미할 수 있다. 바이노럴 마이크에 대해서는 도 2에서 구체적으로 후술한다.
한편, 바이노럴 오디오 데이터와 유사한 오디오 데이터(이후 바이노럴 오디오 데이터로 기술)로 변환하는 동작은 바이노럴 렌더링을 의미할 수 있다. 바이노럴 렌더링은 바이노럴 마이크에 의하여 녹음되지 않은 노멀 오디오 데이터라 할지라도 마치 바이노럴 마이크에 의하여 녹음된 것처럼 인지되도록 오디오 신호를 변환하는 것을 의미할 수 있다. 인공 지능 모델(1000)은 입력 오디오 데이터를 수신하고 입력 오디오 데이터가 바이노럴 오디오 데이터와 유사하도록 바이노럴 렌더링을 수행할 수 있다. 그리고, 인공 지능 모델(1000)이 렌더링한(또는 변환한) 오디오 데이터는 인공 지능 모델(1000)의 출력 오디오 데이터라고 표현할 수도 있다.
여기서, 인공 지능 모델(1000)은 바이노럴 렌더링 동작을 수행하기 위하여 학습된 모델일 수 있다. 인공 지능 모델(1000)은 노멀 오디오 데이터(일반 마이크로 녹음된)와 노멀 오디오 데이터를 반영한 바이노럴 오디오 데이터(바이노럴 마이크로 녹음된)에 기초하여 학습된 모델일 수 있으며, 구체적인 학습 과정은 도2에서 후술한다. 여기서, 노멀 오디오 데이터에 대응된다는 것은 노멀 오디오 데이터와 바이노럴 오디오 데이터가 동일한 음원(예를 들어, 동일한 환경에서 발생한 동일한 음원 또는 동일한 환경에서 동일한 시간에 발생한 음원)으로부터 녹음되었다는 것을 의미할 수 있다.
한편, 인공 지능 모델(1000)에 의하여 출력된 출력 오디오 데이터는 사운드 출력 기기(200)를 통해 사용자에게 제공될 수 있다. 출력 오디오 데이터가 사운드 출력 기기(200)에 의하여 출력되면, 사용자는 바이노럴 오디오 데이터(바이노럴 오디오 신호)를 청취할 수 있다. 여기서, 사운드 출력 기기(200)는 적어도 2개 이상의 스피커(또는 사운드 출력 구동(Driver) 유닛)를 포함할 수 있다. 바이노럴 오디오 데이터는 좌(Left)신호 및 우(Right)신호로 구성될 수 있으며, 사운드 출력 기기(200)는 바이노럴 오디오 데이터를 출력하기 위해서 좌신호 및 우신호를 각각 출력할 수 있는 복수의 스피커(또는 사운드 출력 구동(Driver) 유닛)를 포함할 수 있다.
여기서, 일 실시 예에 따른 사운드 출력 기기(200)는, 사용자의 몸체와 접촉되는 다양한 종류의 스피커를 의미할 수 있다. 예를 들어, 이어폰(유선 또는 무선), 헤드폰(유선 또는 무선)을 의미할 수 있다. 여기서, 이어폰 및 헤드폰은 하나의 실시 예일 뿐이며 다양한 스피커를 통하여 출력 오디오 데이터가 출력될 수 있다.
한편, 다른 실시 예에 따른 사운드 출력 기기(200)는, 사용자의 몸체와 접촉되지 않은 다양한 종류의 스피커를 의미할 수 있다. 예를 들어, 복수의 채널(2채널 이상)로 구성된 스피커를 의미할 수 있다. 다만, 인공 지능 모델(1000)은 바이노럴 오디오 데이터를 이용하여 학습되었기 때문에, 사용자의 몸체와 접촉되지 않는 사운드 출력 기기(200)는 바이노럴 렌더링 이외에 추가적인 신호 처리 동작이 필요할 수 있다.
도 2는 일반 마이크와 바이노럴 마이크를 이용하여 녹음된 오디오 데이터에 기초하여 학습하는 신경망 네트워크를 설명하기 위한 도면이다.
도 1에서 설명하는 인공 지능 모델(1000)은 입력 오디오 데이터에 기초하여 바이노럴 렌더링을 수행하는 모델을 의미하며, 바이노럴 렌더링을 수행하는 인공 지능 모델(1000)을 획득 하기 위하여 별도의 학습 동작을 수행하는 것은 신경망 네트워크(2000)일 수 있다.
도 2를 참조하면, 신경망 네트워크(2000)는 머신 러닝(딥 러닝 포함)에 따른 학습 방법을 이용할 수 있다. 구체적으로, 신경망 네트워크(2000)는 노멀 데이터와 참조 데이터를 미리 수신하고, 노멀 데이터와 참조 데이터 사이의 관계를 학습할 수 있다. 여기서, 노멀 데이터와 참조 데이터는 하나의 샘플 데이터로서 학습의 대상이 되는 데이터를 의미할 수 있다. 노멀 데이터는 인공 지능 모델(1000)의 입력 데이터를 의미할 수 있고 참조 데이터는 인공 지능 모델(1000)의 타겟 데이터(목표 데이터)를 의미할 수 있다. 신경망 네트워크(2000)는 노멀 데이터와 참조 데이터를 학습하여 노멀 데이터를 변환하여 참조 데이터와 유사한 오디오 데이터를 생성하는 인공 지능 모델을 생성할 수 있다.
본 개시의 일 실시 예에 따른 신경망 네트워크(2000)는 샘플 데이터를 기초로 학습할 수 있다. 여기서, 샘플 데이터는 동일한 음원이 출력되는 동안 서로 다른 마이크를 통해 녹음된 적어도 하나의 녹음 데이터일 수 있다. (실시 예에 따라, 동일한 음원이 출력되는 동안 서로 다른 마이크를 통해 동일한 음원을 동시에 녹음할 수 있다.) 구체적으로, 샘플 데이터를 얻기 위하여 음원이 출력될 수 있다 (S205). 여기서, 음원이 출력된다는 것은 가청 주파수 범위의 사운드 신호가 출력되는 것을 의미할 수 있다. 예를 들어, 음원 출력 동작은 사람이 직접 목소리를 내는 행위, 사람이 직접 도구를 이용하여 소리를 내는 행위(연주를 포함), 녹음된 오디오 데이터를 스피커를 통해 출력하는 행위를 의미할 수 있다. 한편, 음원 출력 동작 이외에 자연음을 그대로 녹음하여 샘플 데이터로 이용될 수 있다.
그리고, 일반 마이크(206)는 S205 단계에서 출력된 음원을 녹음할 수 있다(S210). 일반 마이크는 적어도 하나의 마이크를 구비하고 있는 마이크를 의미할 수 있다. 일반 마이크(206)는 바이노럴 마이크가 아닌 마이크를 의미할 수 있다. 일반 마이크(206)는 S210 단계에서 녹음된 음원 신호에 기초하여 노멀 오디오 데이터를 획득할 수 있다 (S215). 여기서, 노멀 오디오 데이터는 제1 학습 오디오 데이터 (노멀 데이터)일 수 있다.
바이노럴 마이크(207)는 S205 단계에서 출력된 음원을 녹음할 수 있다(S220). 여기서, 일반 마이크(206) 및 바이노럴 마이크(207)가 수신하는 음원은 동일할 수 있다.
바이노럴 마이크(207)는 바이노럴 오디오 데이터를 획득하는데 이용되는 다양한 형태의 녹음 장치를 의미할 수 있다.
일 실시 예에 따라, 바이노럴 마이크(207)는 인간의 머리 모양 또는 머리에 흉부를 결합한 모양을 갖는 모형(이후 인체 모형으로 기재한다)에서 귀 부분에 부착된 마이크를 포함하는 녹음 장치를 의미할 수 있다. 인간의 머리 모양 또는 머리에 흉부를 결합한 모양을 갖는 모형은 모조 머리(dummy head)일 수 있다. 그리고, 모조 머리에는 좌측 귀 모형과 우측 귀 모형이 존재 할 수 있으며, 좌측 귀 모형과 우측 귀 모형에 각각 좌 마이크와 우 마이크가 배치될 수 있다. 구체적으로, 좌 마이크는 인체 모형의 좌측 외이도(또는 좌측 고막)에 부착될 수 있으며, 우 마이크는 인체 모형의 우측 외이도(또는 우측 고막)에 부착될 수 있다. 모조 머리, 좌 마이크, 우 마이크를 포함하는 녹음 장치는 또는 더미 헤드 마이크로 호칭 될 수 있다.
다른 실시 예에 따라, 바이노럴 마이크(207)는 모조 머리가 없는 형태로 구현될 수 있다. 예를 들어, 바이노럴 마이크(207)는 모조 머리 없이 모조 귀를 포함할 수 있으며, 모조 귀에 마이크를 포함할 수 있다.
바이노럴 마이크(207)는 인간이 실제로 듣는 소리와 유사한 오디오 데이터를 획득할 수 있다. 인간은 머리, 귓바퀴, 외이도를 거쳐 소리를 듣게 되는데, 인간의 신체 구조와 유사한 모형을 포함하는 녹음 장치를 이용하면 인간이 실제로 듣는 소리와 유사한 오디오 데이터를 획득할 수 있다.
바이노럴 마이크(207)는 S220 단계에서 녹음된 음원 신호에 기초하여 바이노럴 오디오 데이터(좌측 오디오 데이터 및 우측 오디오 데이터를 포함)를 획득할 수 있다 (S225). 여기서, 획득된 바이노럴 오디오 데이터는 제2 학습 오디오 데이터(참조 데이터) 일 수 있다.
신경망 네트워크(2000)는 노멀 오디오 데이터(제1 학습 오디오 데이터) 및 바이노럴 오디오 데이터(제2 학습 오디오 데이터)를 비교 학습할 수 있다 (S230). 구체적으로, 신경망 네트워크(2000)는 노멀 오디오 데이터와 바이노럴 오디오 데이터와의 관계를 분석하여 기계 학습 동작을 수행할 수 있다. 그리고, 최종적으로 신경망 네트워크(2000)는 노멀 오디오 데이터를 바이노럴 오디오 데이터와 유사한 오디오 데이터로 변환하는 인공 지능 모델(1000)을 획득할 수 있다 (S235). 여기서, 노멀 오디오 데이터를 바이노럴 오디오 데이터와 유사한 오디오 데이터로 변환한다는 것은 바이노럴 렌더링을 수행하는 것을 의미할 수 있다.
한편, 학습 데이터는 일반 마이크(206) 및 바이노럴 마이크(207)가 동일한 시간에 녹음을 수행하여 오디오 데이터를 획득할 수 있다.
인공 지능 모델(1000)이 학습 되는 과정의 구체적인 실시 예는 도 6 및 도 21 내지 도 28에서 후술한다.
도 3은 본 개시의 일 실시 예에 따른 전자 장치의 블록도이다.
도 3을 참조하면, 전자 장치(100)는 메모리(110), 카메라(115) 및 프로세서(120)로 구성될 수 있다.
본 명세서의 다양한 실시 예들에 따른 전자 장치(100)는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 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 장치(100)는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오 중 적어도 하나를 포함할 수 있다.
메모리(110)는 프로세서(120)에 포함된 롬(ROM)(예를 들어, EEPROM(electrically erasable programmable read-only memory)), 램(RAM) 등의 내부 메모리로 구현되거나, 프로세서(120)와 별도의 메모리로 구현될 수도 있다. 이 경우, 메모리(110)는 데이터 저장 용도에 따라 전자 장치(100)에 임베디드된 메모리 형태로 구현되거나, 전자 장치(100)에 탈부착이 가능한 메모리 형태로 구현될 수도 있다. 예를 들어, 전자 장치(100)의 구동을 위한 데이터의 경우 전자 장치(100)에 임베디드된 메모리에 저장되고, 전자 장치(100)의 확장 기능을 위한 데이터의 경우 전자 장치(100)에 탈부착이 가능한 메모리에 저장될 수 있다.
메모리(110)에 적어도 하나의 인스트럭션을 저장할 수 있다. 여기서, 인스트럭션은 사용자의 명령, 사용자의 조작 또는 기 설정된 이벤트 중 적어도 하나를 의미할 수 있다.
본 개시의 일 실시 예에 따른 메모리(110)는 인공 지능 모델(1000)을 저장할 수 있다. 오디오 데이터를 변환 시키기 위한 제어 명령이 식별되면, 전자 장치(100)는 메모리(110)에 저장된 인공 지능 모델(1000)을 이용하여 오디오 데이터를 변환할 수 있다. 한편, 반드시 인공 지능 모델(1000)이 전자 장치(100)의 메모리(110)에 저장되는 것은 아니며, 인공 지능 모델(1000)은 외부 서버에 저장되는 형태로 구현될 수 있다.
한편, 전자 장치(100)에 임베디드된 메모리의 경우 휘발성 메모리(예: DRAM(dynamic RAM), SRAM(static RAM), 또는 SDRAM(synchronous dynamic RAM) 등), 비휘발성 메모리(non-volatile Memory)(예: OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, 플래시 메모리(예: NAND flash 또는 NOR flash 등), 하드 드라이브, 또는 솔리드 스테이트 드라이브(solid state drive(SSD)) 중 적어도 하나로 구현되고, 전자 장치(100)에 탈부착이 가능한 메모리의 경우 메모리 카드(예를 들어, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital), MMC(multi-media card) 등), USB 포트에 연결 가능한 외부 메모리(예를 들어, USB 메모리) 등과 같은 형태로 구현될 수 있다.
카메라(115)는 피사체를 촬상하는 광학 기기일 수 있으며, 가시광선을 이용할 수 있다. 카메라(115)는 빛을 받아 들이는 집광부(렌즈), 집광부에 의하여 받아들인 빛에 의하여 생긴 상이 맺히는 촬상부로 구성될 수 있다. 그리고 카메라(115)는 필요에 따라 셔터, 조리개, 플래쉬 등을 추가적으로 포함할 수 있다.
본 개시의 일 실시 예에 따른 전자 장치(100)는 카메라(115)를 통하여 사용자의 얼굴이 포함된 이미지를 획득할 수 있다. 그리고 전자 장치(100)는 획득된 이미지를 분석하여 사용자 정보를 획득할 수 있다. 사용자 정보는 사용자의 신체 정보 및 사용자의 식별 정보를 의미할 수 있다.
프로세서(120)는 전자 장치(100)의 전반적인 제어 동작을 수행할 수 있다. 구체적으로, 프로세서(120)는 전자 장치(100)의 전반적인 동작을 제어하는 기능을 한다.
프로세서(120)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로 프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), GPU(graphics-processing unit) 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(120)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. 또한, 프로세서(120)는 메모리(110)에 저장된 컴퓨터 실행가능 명령어(computer executable instructions)를 실행함으로써 다양한 기능을 수행할 수 있다.
프로세서(120)는 인스트럭션을 실행함으로써, 카메라(115)를 통해 획득된 사용자 영상 또는 사용자에 의하여 별도로 입력 받은 정보 중 적어도 하나에 기초하여 사용자 정보를 획득할 수 있다. 여기서, 사용자 영상은 사용자의 모습이 포함된 영상을 의미할 수 있다. 그리고, 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함할 수 있으며, 사용자 신체 정보는 사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양(사용자 귀의 형상) 또는 사용자 귀의 크기 중 적어도 하나를 포함할 수 있으며, 사용자 식별 정보는 사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 프로세서(120)는 사용자 영상에 기초하여 사용자의 머리 크기 등의 사용자 신체 정보 또는 사용자 성별 등의 사용자 식별 정보를 획득할 수 있다. 다른 실시 예에 따라, 프로세서(120)는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 별도의 데이터로 수신할 수 있다. 별도의 데이터로 수신하는 것은 사용자가 직접 사용자 정보를 입력하는 것을 의미하는 것을 의미할 수 있다.
프로세서(120)는 획득한 사용자 정보를 메모리(110)에 저장할 수 있으며, 인공 지능 모델(1000)은 메모리에 저장된 사용자 정보를 이용할 수 있다.
프로세서(120)는 사용자 정보에 대응되는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력할 수 있다. 사용자 정보에 대응되는 인공 지능 모델(1000)이란 사용자에게 적합한 인공 지능 모델을 의미할 수 있다. 프로세서(120)는 사용자 정보에 대응되는 인공 지능 모델을 식별하고, 식별된 인공 지능 모델에 입력 오디오 데이터를 입력할 수 있다.
일 실시 예에 따라, 메모리(110)에 저장된 인공 지능 모델은 복수 개 일 수 있다. 프로세서(120)는 사용자 정보에 기초하여 복수 개의 인공 지능 모델 중 사용자에게 적합한 하나의 인공 지능 모델(1000)을 식별할 수 있다. 예를 들어, 10cm 머리 크기에 대응되는 A 인공 지능 모델, 20cm 머리 크기에 대응되는 B 인공 지능 모델, 30cm 머리 크기에 대응되는 C 인공 지능 모델이 메모리(110)에 저장되어 있는 것을 가정한다. 카메라에 의하여 획득된 사용자의 머리 크기가 20cm 인 것으로 식별되면, 프로세서(120)는 B 인공 지능 모델을 식별할 수 있다.
여기서, 사용자 정보와 완벽히 대응하는 인공 지능 모델이 식별되지 않을 수 있다. 이 경우, 프로세서(120)는 사용자 정보에 가장 적합한 인공 지능 모델을 이용하거나 사용자 정보를 기초로 메모리(120)에 저장된 인공 지능 모델을 일부 변경할 수 있다. 인공 지능 모델을 일부 변경하는 실시 예와 관련하여, 인공 지능 모델이 메모리에 하나만 저장되어 있는 경우 프로세서(120)는 사용자 정보에 기초하여 기존 인공 지능 모델의 파라미터 등을 수정할 수 있다.
또 다른 실시 예에 따라, 인공 지능 모델(1000)은 복수 개의 파라미터를 포함하고 있을 수 있다. 복수 개의 파라미터 중 적어도 하나의 파라미터는 사용자 정보와 관련된 파라미터일 수 있다. 그리고, 프로세서(120)는 획득된 사용자 정보에 기초하여 사용자 정보와 관련된 파라미터의 설정값을 결정할 수 있다. 예를 들어, 카메라에 의하여 획득된 사용자의 머리 크기가 20cm 인 것으로 식별하면, 프로세서(120)는 사용자 정보와 관련된 파라미터의 설정값을 20(cm)에 대응되는 값(20)으로 결정할 수 있다.
한편, 카메라를 통해 사용자 영상을 획득하는 구체적인 설명은 도 5에서 후술한다.
한편, 본 명세서에서는 복수의 인공 지능 모델 중 사용자 정보에 대응되는 하나의 인공 지능 모델을 식별하는 실시 예로 기재하였다. 하지만, 구현 예에 따라, 본 명세서에서 기재되는 모든 동작은 복수의 파라미터 값 중 사용자 정보에 대응되는 파라미터 값을 식별하는 실시 예로 구현될 수 있다.
프로세서(120)는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력할 수 있으며, 인공 지능 모델(1000)은 입력 받은 입력 오디오 데이터 및 획득한 사용자 정보에 기초하여 바이노럴 렌더링을 수행할 수 있다. 그리고, 인공 지능 모델(1000)은 바이노럴 렌더링을 수행한 결과로서 출력 오디오 데이터를 생성할 수 있다. 프로세서(120)는 인공 지능 모델(1000)로부터 출력 오디오 데이터를 획득하는 프로세서(120)를 포함할 수 있다. 그리고, 인공 지능 모델(1000)이 사용자 정보에 기초하여 바이노럴 렌더링을 수행하는 동작에 대해서 도 7에서 구체적으로 후술한다.
한편, 인공 지능 모델(1000)은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다. 여기서, 제1 녹음 장치는 일반 마이크를 포함하는 녹음 장치를 의미할 수 있다. 그리고, 제2 녹음 장치는 바이노럴 마이크를 포함하는 녹음 장치를 의미할 수 있다. 제1 녹음 장치 및 제2 녹음 장치는 동일한 음원을 녹음할 수 있다. 도2 에서 구체적인 동작을 설명하였으며, 도2의 206이 제1 녹음 장치일 수 있고, 도2의 207이 제2 녹음 장치에 해당할 수 있다.
여기서, 제1 학습 오디오 데이터에 대응되는 제2 학습 오디오 데이터라는 것은 제1 학습 오디오 데이터 및 제2 학습 오디오 데이터가 동일한 음원을 녹음한 오디오 데이터라는 것을 의미할 수 있다. 예를 들어, 제1 학습 오디오 데이터는 바이노럴 마이크가 아닌 일반 마이크에서 'A' 음원이 녹음된 오디오 데이터일 수 있다. 그리고, 제2 학습 오디오 데이터는 'A'음원을 바이노럴 마이크를 통해 녹음한 오디오 데이터일 수 있다.
여기서, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보는 바이노럴 녹음 장치를 의미할 수 있다. 바이노럴 녹음 장치는 도 2에서 설명한 바이노럴 마이크(207)를 의미할 수 있다. 바이노럴 마이크(207)는 단순히 소리를 획득하는 마이크 자체만을 포함하는 것이 아니며 인체의 일부분을 형상화한 모조 모형을 추가적으로 포함할 수 있다. 구체적으로, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치(바이노럴 녹음 장치 또는 바이노럴 마이크)는 사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함할 수 있으며, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보는 사람의 머리 모형 크기, 사람의 머리 모형 형상, 사람의 귀 모형 크기, 또는 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함할 수 있다.
인공 지능 모델(1000)을 획득하기 위한 학습 과정은 도 2 및 도6에서 설명한다. 그리고, 인공 지능 모델(1000)이 학습되는 구체적인 계산 과정은 도 21 내지 도 28에서 후술한다.
한편, 프로세서(120)는 출력부에 외부 사운드 출력 기기가 연결되었는지 여부를 식별할 수 있다. 여기서, 출력부는 외부 사운드 출력 기기에 오디오 신호를 출력하는 구성을 의미할 수 있으며, 출력부는 통신 인터페이스의 일부 칩 또는 입출력 인터페이스일 수 있다. 일 실시 예에 따라, 외부 사운드 출력 기기가 유선으로 통신을 수행하는 장치라면, 출력부는 사운드 단자 또는 사운드 잭을 의미할 수 있다. 다른 실시 예에 따라, 외부 사운드 출력 기기가 무선으로 통신을 수행하는 장치라면, 출력부는 무선 통신 신호를 전송하는 통신 인터페이스를 의미할 수 있다.
프로세서(120)는 사운드 출력 기기가 전자 장치(100)와 연결되지 않은 것으로 식별하면, 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이하도록 디스플레이(160)를 제어할 수 있다. 전자 장치(100)에 외부 사운드 출력 기기가 연결되어 있지 않은 경우, 인공 지능 모델(1000)에 의하여 출력된 출력 오디오 데이터를 재생하는 것이 바이노럴 효과 측면에서 의미가 적을 수 있다. 출력 오디오 데이터에서 포함하고 있는 바이노럴 효과를 사용자가 청취하기 위해선 외부 사운드 출력 기기가 필요할 수 있다. 따라서, 프로세서(120)는 외부 사운드 출력 기기가 전자 장치(100)와 연결되지 않은 경우, 사용자에게 외부 사운드 출력 기기를 연결하도록 가이드하기 위한 가이드 UI를 생성하여 디스플레이에 표시할 수 있다. 가이드 UI와 관련된 구체적인 설명은 도 15에서 후술한다.
한편, 일 실시 예에 따른 외부 사운드 출력 기기는 사용자 신체와 접촉되어 이용되는 사운드 출력 기기일 수 있다. 사용자 신체와 접촉되어 이용되는 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나일 수 있다. 바이노럴 효과는 오디오 신호가 녹음 소리가 아닌 현장에서 소리를 듣고 있는 것처럼 느끼게 하는 효과를 의미할 수 있다. 바이노럴 효과는 바이노럴 녹음 장치(바이노럴 마이크)를 통해 녹음된 바이노럴 오디오 데이터 또는 인공 지능 모델(1000)에 의하여 바이노럴 렌더링이 된 출력 오디오 데이터에 의하여 제공될 수 있다. 이어폰 또는 헤드폰과 같이 사용자 신체(특히, 귀)에 접촉되어 있는 사운드 출력 기기에서 바이노럴 효과가 더 높게 느껴질 수 있다.
다만, 사용자 신체와 접촉되지 않고 이용되는 사운드 출력 기기도 인공 지능 모델(1000)에 의하여 출력된 출력 오디오 데이터를 출력할 수 있다. 인공 지능 모델(1000)은 사용자 신체와 접촉되어 이용되는 것을 가정하여 학습된 모델이므로, 사용자 신체와 접촉되지 않고 이용되는 사운드 출력 기기가 출력 오디오 데이터를 생성하는 경우 바이노럴 효과가 낮아질 수 있다.
따라서, 프로세서(120)는 외부 사운드 출력 기기의 종류를 식별하고, 사운드 출력 기기가 사용자 신체와 접촉되지 않고 이용되는 사운드 출력 기기라고 식별되면, 출력 오디오 데이터를 식별된 사운드 출력 기기에 대응하는 오디오 신호로 변환할 수 있다. 또는 사용자 신체와 접촉되지 않고 이용되는 것을 가정하여 학습된 별도의 인공 지능 모델에 의하여 사전에 변환하여 출력할 수도 있다. 식별된 사운드 출력 기기에 대응하는 오디오 신호란 이어폰 또는 헤드폰이 아닌 사용자 신체와 접촉되지 않고 이용되는 사운드 출력 기기에서도 바이노럴 효과가 자연스럽게 출력될 수 있도록 오디오 신호를 변환하는 것을 의미할 수 있다.
한편, 프로세서(120)는 전자 장치(100)의 컨텍스트 정보 사용자가 위치한 공간에 대한 정보 중 적어도 하나를 획득할 수 있다. 여기서, 전자 장치(100)의 컨텍스트 정보는 전자 장치(100)에서 실행되는 어플리케이션에 대한 정보 또는 전자 장치(100)에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함할 수 있다.
프로세서(120)는 전자 장치(100)의 컨텍스트 정보, 사용자가 위치한 공간 또는 사용자가 원하는 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력할 수 있다. 전자 장치(100)의 컨텍스트 정보, 사용자가 위치한 공간 또는 사용자가 원하는 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델(1000)이란 프로세서(120)가 획득한 정보에 기초하여 사용자에게 가장 적합한 출력 오디오 데이터를 생성할 수 있는 인공 지능 모델을 의미할 수 있다.
일 실시 예에 따라, 프로세서(120)는 전자 장치(100)에서 실행되고 있는 어플리케이션을 고려하여 인공 지능 모델(1000)을 식별할 수 있다. 예를 들어, 현재 통화 어플리케이션이 전자 장치(100)에서 실행되고 있는 경우, 통화와 관련된 복수의 인공 지능 모델 중 통화 어플리케이션에 대응되는 인공 지능 모델을 식별할 수 있다.
한편, 사용자가 위치한 공간 정보 또는 사용자가 원하는 공간 정보를 이용하는 실시 예는 도8에서 후술한다. 그리고, 컨텍스트 정보(실행 중인 어플리케이션 정보)를 이용하는 실시 예는 도 9에서 후술한다.
또한, 오디오 볼륨 정보는 전자 장치(100)에서 출력되는 오디오 신호의 출력 세기와 관련된 정보 또는 외부 사운드 출력 기기(200)에서 출력되는 오디오 신호의 출력 세기와 관련된 정보(정보는 전자 장치(100)에 저장되어 있음)를 의미할 수 있다. 예를 들어, 오디오 신호의 출력 세기가 최소0부터 최대100이라고 가정한다. 현재 전자 장치(100)에서 오디오 신호를 출력하는 세기가 50이라고 가정한다. 인공 지능 모델(1000)은 바이노럴 렌더링을 수행하면서 오디오 신호 출력 세기가 50이라는 점을 반영할 수 있다. 즉, 인공 지능 모델(1000)은 오디오 신호 출력 세기에 따라 출력 오디오 데이터를 다르게 생성할 수 있다. 인공 지능 모델(1000)은 사용자가 출력 크기를 조절하지 않아도 사용자에게 적합한 출력 크기로 출력 오디오 데이터를 생성할 수 있다. 인공 지능 모델(1000)이 출력 크기를 고려하여 출력 오디오 데이터를 생성하면, 사용자는 전자 장치(100)에 설정된 출력 크기와 관계 없이 적절한 크기로 출력 오디오 데이터를 청취할 수 있다.
한편, 컨텍스트 정보 또는 사용자가 위치한 공간에 대한 정보에 기초하여 출력 오디오 데이터를 생성하는 인공 지능 모델(1000)은 전자 장치(100)의 컨텍스트 정보 또는 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 제1 학습 오디오 데이터, 제2 학습 오디오 데이터, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델일 수 있다.
한편, 프로세서(120)는 전자 장치(100)에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 인공 지능 모델(1000)로부터 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하도록 디스플레이(160)를 제어할 수 있다. 여기서, 오디오 관련 어플리케이션이란 전자 장치(100)에서 오디오 신호를 출력하는 기능을 주요 기능으로 갖는 어플리케이션을 의미할 수 있다. 오디오 신호를 출력하는 기능을 주요 기능을 갖는다는 것은 어플리케이션의 주요 목적 중 하나가 오디오 신호 출력인 것을 의미할 수 있다. 예를 들어, 음악 실행 어플리케이션, 통화 어플리케이션, 게임 어플리케이션, TV 시청 어플리케이션, 동영상 스트리밍 어플리케이션 등은 오디오 신호를 출력하는 것을 주요 목적으로 갖는 오디오 관련 어플리케이션일 수 있다. 하지만, 알람 어플리케이션, 금융 관련 어플리케이션, 스케쥴 어플리케이션, 구매 어플리케이션 등은 오디오 관련 어플리케이션이 아닐 수 있다. 오디오 관련 어플리케이션은 기 설정된 기준에 의하여 자동으로 결정되거나 사용자의 입력에 의하여 결정될 수 있다. 한편, 오디오 관련 어플리케이션은 상술한 예들에 한정되는 것이 아니며, 오디오 신호를 출력하는 다양한 어플리케이션이 있을 수 있다.
프로세서(120)는 현재 전자 장치(100)가 실행하고 있는 어플리케이션이 오디오 신호를 출력하는 기능을 포함하고 있는지 여부를 식별할 수 있다. 그리고, 현재 전자 장치(100)가 실행하고 있는 어플리케이션이 오디오 신호를 출력하는 기능을 포함하는 것으로 식별하면, 바이노럴 렌더링을 수행할지 여부를 묻는 UI를 디스플레이에 표시하도록 디스플레이(160)를 제어할 수 있다. 프로세서(120)는 바이노럴 렌더링을 수행하는 제어 명령을 사용자로부터 수신하면, 바이노럴 렌더링을 수행하여 오디오 신호를 출력할 수 있다.
또한, 프로세서(120)는 A 어플리케이션에서 사용자가 바이노럴 렌더링을 수행하는 제어 명령을 입력 받는 경우, A 어플리케이션의 화면에 바이노럴 렌더링의 수행 여부를 표시하는 UI를 추가적으로 표시할 수 있다. 바이노럴 렌더링의 수행 여부를 표시하는 UI는 오디오 신호가 출력되는 동안 표시될 수 있다. 또한, 바이노럴 렌더링의 수행 여부를 표시하는 UI는 오디오 신호가 출력되지 않지만 A 어플리케이션을 수행하는 도중에 계속 표시될 수 있다.
또한, 프로세서(120)는 사운드 설정 화면을 통해 사용자의 설정값을 입력 받을 수 있다. 사운드 설정 화면은 오디오 관련 어플리케이션이 전자 장치(100)에서 실행되는 경우 바이노럴 렌더링을 수행할지 여부를 문의하는 UI를 표시하는 기능에 관한 설정을 포함할 수 있다.
한편, 사운드 설정 화면은 오디오 신호와 관련된 모든 어플리케이션에서 바이노럴 렌더링을 수행하는 기능에 관한 설정을 포함할 수 있다. 여기서, 오디오 신호와 관련된 모든 어플리케이션이란, 오디오 신호를 출력하는 기능을 포함하는 모든 어플리케이션을 의미할 수 있다. 프로세서(120)는 사운드 설정 화면을 통하여 오디오 신호와 관련된 모든 어플리케이션에서 바이노럴 렌더링을 수행하는 제어 명령을 입력 받은 경우, 별도의 사용자 입력 없이도 모든 어플리케이션에서 바이노럴 렌더링을 수행할 수 있다.
바이노럴 렌더링과 관련된 UI 및 설정 화면과 관련된 내용은 도 16 내지 도 19에서 구체적으로 후술한다.
또한, 인공 지능 모델(1000)은 제1 학습 오디오 데이터, 제2 학습 오디오 데이터, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 제1 학습 오디오 데이터 및 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고, 녹음 상황에 대한 정보는 음원 거리 정보(또는 녹음 거리 정보) 또는 녹음 공간 정보 중 적어도 하나를 포함할 수 있다.
여기서, 녹음 상황에 대한 정보는 학습 과정에서 이용되는 학습 데이터와 관련된 정보를 의미할 수 있다. 신경망 네트워크(2000)는 동일한 음원을 녹음한 일반 오디오 데이터(제1 학습 오디오 데이터) 및 바이노럴 오디오 데이터(제2 학습 오디오 데이터)를 이용하여 인공 지능 모델(1000)을 학습할 수 있다.
여기서, 음원 거리 정보는 음원이 출력되고 있는 위치와 마이크가 설치된 위치의 거리 정보를 의미할 수 있다. 신경망 네트워크(2000)가 음원 거리 정보를 추가적으로 고려하여 학습하면, 음원 거리에 따라 사용자가 청취하는 오디오 신호가 어떻게 달라지는지 여부를 분석할 수 있다. 그리고, 인공 지능 모델(1000)이 음원 거리를 고려하여 출력 오디오 데이터를 생성하는 경우, 학습된 결과를 바탕으로 음원 거리에 기초하여 출력 오디오 데이터를 생성할 수 있다.
또한, 녹음 공간 정보는 음원을 출력 또는 녹음될 자연음이 발생하고 녹음하는 공간을 의미할 수 있다. 신경망 네트워크(2000)가 녹음 공간 정보를 추가적으로 고려하여 학습하면, 녹음 공간에 따라 사용자가 청취하는 오디오 신호가 어떻게 달라지는지 여부를 분석할 수 있다. 그리고, 인공 지능 모델(1000)이 녹음 공간을 고려하여 출력 오디오 데이터를 생성하는 경우, 학습된 결과를 바탕으로 녹음 공간에 기초하여 출력 오디오 데이터를 생성할 수 있다.
한편, 프로세서(120)는 전자 장치(100)에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득할 수 있다. 여기서, 가상 공간 컨텐츠의 음원 정보는 가상 공간에서 출력되는 오디오 데이터가 어느 정도 거리에서 출력되는 것인지에 대한 정보를 포함할 수 있다. 그리고, 가상 공간 컨텐츠의 공간 정보는 가상 공간이 장소 정보(실내, 실외, 또는 특정 장소) 또는 공간 복잡도 정보 중 적어도 하나를 의미할 수 있다. 그리고, 프로세서(120)는 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있다. 구체적으로, 프로세서(120)는 가상 공간 컨텐츠에 포함된 음원 정보 또는 공간 정보에 기초하여 가장 적합한(가상 컨텐츠에 대응되는) 인공 지능 모델에 입력 데이터를 입력할 수 있다.
한편, 프로세서(120)는 입력 오디오 데이터와 함께 입력 비디오 데이터를 함께 수신할 수 있다. 여기서, 입력 비디오 데이터는 입력 오디오 데이터와 대응될 수 있으며 시간 정보에 기초하여 동기화된 데이터일 수 있다. 프로세서(120)가 입력 비디오 데이터를 수신하면, 프로세서(120)는 입력 비디오 데이터에 포함된 이미지 정보를 분석하여 입력 비디오 데이터의 공간 정보를 획득할 수 있다. 여기서, 입력 비디오 데이터의 공간 정보는 입력 비디오 데이터에 포함된 장소 정보 또는 공간 복잡도 정보 중 적어도 하나를 포함할 수 있다. 여기서, 공간 복잡도 정보는 공간에 얼마나 많은 사람이 있는지 수치화한 정보를 의미할 수 있다. 예를 들어, 입력 오디오 데이터에 대응되는 입력 비디오 데이터가 공연장 이미지 및 공연장에 사람이 100명이 있는 이미지를 포함하고 있는 것으로 가정한다. 프로세서(120)는 공연장에 알맞은 바이노럴 렌더링을 수행하거나, 100명의 관중의 함성 소리를 고려하여 바이노럴 렌더링을 수행할 수 있는 인공 지능 모델(1000)을 식별할 수 있다.
인공 지능 모델(1000)이 학습되는 구체적인 과정은 도 6에서 후술한다.
한편, 인공 지능 모델(1000)이 학습되는 신경망 네트워크(2000)는 복수의 레이어를 포함할 수 있으며, 제1 학습 오디오 데이터(노멀 오디오 데이터)를 입력 받고, 복수의 레이어를 통한 연산에 기초하여 예상 오디오 데이터를 시간 도메인으로 출력하며, 복수의 레이어에서 이용되는 파라미터는 시간 도메인으로 출력된 예상 오디오 데이터 및 제1 학습 오디오 데이터에 대응되는 제2 학습 오디오 데이터(바이노럴 오디오 데이터)를 각각 주파수 도메인에서 비교하는 비용 함수(Cost Function)에 기초하여 학습될 수 있다. 여기서, 비용 함수는 예측 데이터(predicted data, 제2 학습 데이터)와 예상 데이터(expected data, 예상 오디오 데이터) 사이의 차이(또는 오류)를 수량화하는(quantify) 함수를 의미할 수 있습니다. 인공 지능 모델은 비용 함수는 손실 함수로 명명될 수 있다. 인공 지능 모델은 비용 함수 또는 손실 함수에 기초하여 손실값을 획득할 수 있다. 여기서, 손실값은 예측 데이터와 예상 데이터의 차이값과 관련된 값을 의미할 수 있다. 비용 함수의 목적은 비용, 손실, 오류 등이 최소가 되는 파라미터를 갖도록 하는 것일 수 있다. 또한, 비용 함수의 목적은 원하는 결과값이 최대가 되는 파라미터를 갖도록 하는 것일 수 있다. 여기서, 비용 함수는 경사 하강법(Gradient Descent Algorithm)을 이용할 수 있다.
한편, 다른 실시 예에 따라, 비용 함수 및 손실 함수가 별개의 개념으로 이용될 수 있다. 구체적으로, 손실 함수는 예측 데이터(싱글 데이터)와 예상 데이터(싱글 데이터)의 차이값을 계산하고, 비용 함수는 손실 함수에 의해 획득된 복수의 차이값에 대한 합 또는 평균을 계산할 수 있다. 본 명세서에서 말하는 손실값은 싱글 데이터 세트(single data set)에 관련된 값을 의미할 수 있으며, 경우에 따라서 전체 데이터 세트(entire data set)에 관련된 값들의 합 또는 평균을 의미할 수 있다.
한편, 상기 연산에 기초한 예측 오디오 데이터를 주파수 도메인으로 출력했다면, 예측 오디오 데이터 및 제 1 학습 오디오 데이터에 대응되는 제 2 학습 오디오 데이터를 시간 도메인에서 비교하여 획득된 손실값에 기초하여 학습될 수도 있다.
여기서, 제1 학습 오디오 데이터는 노멀 오디오 데이터이고 제2 학습 오디오 데이터는 바이노럴 오디오 데이터일 수 있다.
학습 데이터 입력, 학습 데이터(예상 오디오 데이터) 생성, 손실값 계산을 모두 시간 영역에서 수행하는 경우, 학습 동작이 랜덤에 가까워 인공 지능 모델에 관한 학습이 제대로 수행되지 않을 수 있다. 이러한 문제점을 해결하기 위하여 학습 데이터 입력, 학습 데이터(예상 오디오 데이터) 생성, 손실값 계산을 모두 주파수 영역에서 수행할 수 있다. 하지만, 주파수 영역에서 모든 동작을 수행하는 경우, 위상 정보의 정확도가 낮아져서 인공 지능 모델에 관한 학습이 제대로 수행되지 않을 수 있다.
따라서, 본 개시의 일 실시 예에 따른 신경망 네트워크(2000)는 학습 과정에서 생성되는 예상 오디오 데이터를 시간 도메인에서 생성하고, 손실값 계산은 주파수 도메인에서 수행할 수 있다. 신경망 네트워크(2000)는 손실값 계산시에만 주파수 도메인을 이용하고, 시간 도메인에서 입력 오디오 데이터를 변형(역전파(back propagation)에 따른 변형 포함)하며 인공 지능 모델(1000)을 학습할 수 있다. 신경망 네트워크(2000)는 위상 정보를 시간 도메인에서 고려하되 주파수 도메인에서 단순화된 손실값 계산을 수행하므로 성능이 좋은 인공 지능 모델(1000)을 생성할 수 있다. 여기서, 신경망 네트워크(2000)가 손실값 계산을 수행하는 동작에서 특정 주파수 대역을 제한하거나 강조하는 경우 단순화 동작이 추가되어 더 좋은 성능의 인공 지능 모델(1000)을 생성할 수 있다. 여기서, 특정 주파수 대역은 0~22kHz가 될 수 있다. 다만 특정 주파수 대역은 사용자의 설정에 따라 달라질 수 있다.
만약, 상기 예측 오디오 데이터를 주파수 도메인으로 출력한다면, 상기 파라미터는 상기 주파수 도메인으로 출력된 상기 예측 오디오 데이터 및 상기 제1 학습 오디오 데이터에 대응되는 제2 학습 오디오 데이터를 시간 도메인에서 비교하는 비용 함수에 기초하여 학습될 수 있다.
여기서, 비용 함수는 코스트 계산을 의미할 수 있으며, 손실값은 예상 오디오 데이터의 신호 세기 및 제2 학습 오디오 데이터의 신호 세기에 기초하여 획득된 제1 손실값, 예상 오디오 데이터의 각 주파수 별 세기 및 제2 학습 오디오 데이터의 주파수 별 세기에 기초하여 획득된 제2 손실값, 또는 예상 오디오 데이터의 노이즈 정보 및 제2 학습 오디오 데이터의 노이즈 정보에 기초하여 획득된 제3 손실값 중 적어도 하나를 이용할 수 있다.
여기서, 예상 오디오 데이터의 제1 주파수 세기 및 제2 학습 오디오 데이터의 제1 주파수 세기의 차이에 적용되는 제1 가중치는 예상 오디오 데이터의 제2 주파수 세기 및 제2 학습 오디오 데이터의 제2 주파수 세기의 차이에 적용되는 제2 가중치와 상이할 수 있다.
한편, 손실값은 예상 오디오 데이터를 생성하는 네트워크(제1 네트워크)와 별개의 네트워크(제2 네트워크)를 통해 획득될 수 있고, 별개의 네트워크(제2 네트워크)는 예상 오디오 데이터 및 제2 학습 오디오 데이터를 주파수 도메인에서 비교하여 손실값을 획득하도록 학습할 수 있다.
또한, 복수의 레이어에서 이용되는 파라미터는 예상 오디오 데이터에서 특정 주파수 대역을 제외한 나머지 주파수 대역의 데이터 및 제2 학습 오디오 데이터에서 특정 주파수 대역을 제외한 나머지 주파수 대역의 데이터를 비교하여 획득된 손실값에 기초하여 학습될 수 있다. 구체적인 내용은 도 23에서 후술한다.
여기서, 신경망 네트워크는 복수의 레이어 중 적어도 하나의 중간 레이어에서 제1 학습 오디오 데이터(노멀 오디오 데이터)에 대응되는 중간 예상 오디오 데이터를 시간 도메인으로 출력할 수 있다. 그리고, 복수의 레이어에서 이용되는 파라미터는 예상 오디오 데이터 및 제2 학습 오디오 데이터를 주파수 도메인에서 비교하여 획득된 제1 손실값 및 중간 예상 오디오 데이터 및 제2 학습 오디오 데이터를 주파수 도메인에서 비교하여 획득된 제2 손실값에 기초하여 학습될 수 있다. 구체적인 내용은 도 24에서 후술한다.
한편, 제1 손실값은 예상 오디오 데이터의 특정 프레임에 대응되는 모든 주파수 신호의 평균 세기 및 제2 학습 오디오 데이터의 특정 프레임에 대응되는 모든 주파수 신호의 평균 세기의 차이값에 기초하여 획득될 수 있다. 구체적인 내용은 도 28에서 후술한다.
한편, 복수의 레이어에서 이용되는 파라미터는 가짜 오디오 데이터 (fake audio data) 및 제2 학습 오디오 데이터(진짜 오디오 데이터)를 주파수 도메인에서 비교하여 획득된 판별값에 기초하여 학습될 수 있다. 여기서, 판별값은 가짜 오디오 데이터가 제2 학습 오디오 데이터와 동일한지 여부를 나타내는 정도일 수 있다. 여기서, 가짜 오디오 데이터는 예상 오디오 데이터와 동일하거나 예상 오디오 데이터에 기초하여 변환된 데이터일 수 있다. 또한, 가짜 오디오 데이터 또는 판별값은 GAN(Generative Adversarial Network) 모델에 의하여 획득될 수 있다. 구체적인 내용은 도 25에서 후술한다.
신경망 네트워크(2000)는 시간 도메인에서 일반 오디오 데이터 및 바이노럴 오디오 데이터를 수신할 수 있다. 그리고, 신경망 네트워크(2000)는 시간 도메인에서 DNN(Deep Neural Network)을 이용하여 일반 오디오 데이터 및 바이노럴 오디오 데이터의 변환 관계를 학습할 수 있다. 신경망 네트워크(2000)는 노멀 오디오 데이터에 기초하여 생성된 예상 오디오 데이터와 바이노럴 오디오 데이터의 손실값 계산을 주파수 영역에서 수행할 수 있다. 그리고, 신경망 네트워크(2000)는 획득된 손실값에 기초하여 손실값이 낮은 방향으로 역전파 동작을 수행할 수 있다. 구체적으로, 신경망 네트워크(2000)는 손실값이 낮게 나오도록 가중치를 수정하고 손실값 계산 및 역전파 동작을 반복 수행하여 학습할 수 있다. 신경망 네트워크(2000)는 최종적으로, 가장 낮은 손실값을 갖는 가중치를 결정하고 최종 인공 지능 모델(1000)을 생성할 수 있다.
한편, 예상 오디오 데이터, 손실값과 관련된 구체적인 인공 지능 모델(1000) 학습 동작은 도 21 내지 도 29에서 후술한다.
한편, 본 개시의 일 실시 예에 따른 전자 장치(100)는 인공 지능 모델(1000)을 이용하여 바이노럴 렌더링을 수행할 수 있다. 여기서, 전자 장치(100)는 사용자 정보를 고려하여 사용자에게 적합한 인공 지능 모델(1000)을 식별할 수 있다. 사용자 정보에 대응되는 인공 지능 모델(1000)을 식별하면, 사용자 정보에 알맞은 인공 지능 모델(1000)에 의하여 바이노럴 렌더링이 수행될 수 있다. 사용자 정보에 적합한 인공 지능 모델(1000)을 생성하기 위하여 신경망 네트워크(2000)는 사용자 정보를 고려하여 인공 지능 모델(1000)을 학습할 수 있다.
또한, 신경망 네트워크(2000)는 성능이 좋은 인공 지능 모델(1000)을 생성하기 위하여 학습 데이터를 수신하는 동작, 예상 데이터를 생성하는 동작, 역전파 동작을 시간 도메인에서 수행하고 손실값 계산을 주파수 도메인에서 수행할 수 있다. 시간 도메인에서 위상 정보를 고려하고 주파수 도메인에서 단순화된 손실값 계산을 수행하므로, 모든 동작을 주파수 도메인에서 수행하는 모델 또는 모든 동작을 시간 도메인에서 학습하는 모델보다 더 높은 성능을 갖는 인공 지능 모델(1000)이 생성될 수 있다.
한편, 이상에서는 전자 장치(100)를 구성하는 간단한 구성에 대해서만 도시하고 설명하였지만, 구현 시에는 다양한 구성이 추가로 구비될 수 있다. 이에 대해서는 도 4를 참조하여 이하에서 설명한다.
도 4는 도 3의 전자 장치의 구체적인 구성을 설명하기 위한 세부 블록도이다.
도 4를 참조하면, 전자 장치(100)는 메모리(110), 카메라(115), 프로세서(120), 통신 인터페이스(130), 사용자 인터페이스(140), 입출력 인터페이스(150), 디스플레이(160)로 구성될 수 있다.
이 중 메모리(110), 카메라(115) 및 프로세서(120)에 대한 간략한 내용은 도2에서 서술하였는 바, 중복되는 내용은 생략한다.
프로세서(120)는 메모리(110)에 저장된 각종 프로그램을 이용하여 전자 장치(100)의 동작을 전반적으로 제어할 수 있다.
한편, 프로세서(120)는 그래픽 처리 기능(비디오 처리 기능)을 수행할 수 있다. 예를 들어, 프로세서(120)는 연산부(미도시) 및 렌더링부(미도시)를 이용하여 아이콘, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 화면을 생성할 수 있다. 여기서, 연산부(미도시)는 수신된 제어 명령에 기초하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표 값, 형태, 크기, 컬러 등과 같은 속성값을 연산할 수 있다. 그리고, 렌더링부(미도시)는 연산부(미도시)에서 연산한 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 화면을 생성할 수 있다. 또한, 프로세서(120)는 비디오 데이터에 대한 디코딩, 스케일링, 노이즈 필터링, 프레임 레이트 변환, 해상도 변환 등과 같은 다양한 이미지 처리를 수행할 수 있다.
한편, 프로세서(120)는 오디오 데이터에 대한 처리를 수행할 수 있다. 구체적으로, 프로세서(120)는 오디오 데이터에 대한 디코딩이나 증폭, 노이즈 필터링 등과 같은 다양한 처리가 수행될 수 있다.
한편, 프로세서(120)는 그래픽 처리 기능을 위한 부분이 별도로 존재할 수도 있다. (예: GPU)
통신 인터페이스(130)는　오디오 신호를 포함하는 오디오 컨텐츠를 입력 받을 수 있다. 예를 들어 통신 인터페이스(130)는 AP 기반의 Wi-Fi(와이파이, Wireless LAN 네트워크), 블루투스(Bluetooth), 지그비(Zigbee), 유/무선 LAN(Local Area Network), WAN, 이더넷, IEEE S1394, HDMI, USB, MHL, AES/EBU, 옵티컬(Optical), 코액셜(Coaxial) 등과 같은 통신 방식을 통해 외부　장치(예를 들어, 소스　장치), 외부 저장 매체(예를 들어, USB), 외부 서버(예를 들어 웹 하드) 등으로부터 스트리밍 또는 다운로드 방식으로　오디오 신호를 포함하는 오디오 컨텐츠를 입력 받을 수 있다.
여기서,　오디오 신호는 디지털　오디오 신호가 될 수 있다. 디지털　오디오 신호는 아날로그 신호를 데이터화 한 것이고, 이 데이터는 통신규약(protocol)에 의해서 일정한 전송 포맷(format)을 사용하도록 정해져 있을 수 있다. 한편, 오디오 신호는 반드시 디지털 오디오 신호에 한정되는 것은 아니며 다양한 형태의 오디오 신호로 구현될 수 있다.
통신 인터페이스(130)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 통신 인터페이스(130)는 와이파이 모듈(131), 블루투스 모듈(132), 적외선 통신 모듈(133) 및 무선 통신 모듈(134) 등을 포함한다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있으며, 또는 하나의 하드웨어 칩 형태가 복수 개의 통신 모듈 역할을 할 수도 있다.
와이파이 모듈(131), 블루투스(BT) 모듈(132)은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈(131)이나 블루투스 모듈(132)을 이용하는 경우에는SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다.
적외선 통신 모듈(133)은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.
무선 통신 모듈(134)은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.
그 밖에 통신 인터페이스(130)는LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수 있다.
일 예에 따라 통신 인터페이스(130)는 리모컨과 같은 외부 장치 및 외부 서버와 통신하기 위해 동일한 통신 모듈(예를 들어, Wi-Fi 모듈)을 이용할 수 있다.
다른 예에 따라 통신 인터페이스(130)는 리모컨과 같은 외부 장치 및 외부 서버와 통신하기 위해 상이한 통신 모듈(예를 들어, Wi-Fi 모듈)을 이용할 수 있다. 예를 들어, 통신 인터페이스(130)는 외부 서버와 통신하기 위해 이더넷 모듈 또는 WiFi 모듈 중 적어도 하나를 이용할 수 있고, 리모컨과 같은 외부 장치와 통신하기 위해 BT 모듈을 이용할 수도 있다. 다만 이는 일 실시 예에 불과하며 통신 인터페이스(130)는 복수의 외부 장치 또는 외부 서버와 통신하는 경우 다양한 통신 모듈 중 적어도 하나의 통신 모듈을 이용할 수 있다.
한편, 전자 장치(100)는 구현 예에 따라 튜너(미도시) 및 복조부(미도시)를 추가적으로 포함할 수 있다.
튜너(미도시)는 안테나를 통해 수신되는 RF(Radio Frequency) 방송 신호 중 사용자에 의해 선택된 채널 또는 기 저장된 모든 채널을 튜닝하여 RF 방송 신호를 수신할 수 있다.
복조부(미도시)는 튜너에서 변환된 디지털 IF 신호(DIF)를 수신하여 복조하고, 채널 복호화 등을 수행할 수도 있다.
사용자 인터페이스(140)는 버튼, 터치 패드, 마우스 및 키보드와 같은 장치로 구현되거나, 상술한 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 전자 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.
입출력 인터페이스(150)는 HDMI(High Definition Multimedia Interface), MHL (Mobile High-Definition Link), USB (Universal Serial Bus), DP(Display Port), 썬더볼트(Thunderbolt), VGA(Video Graphics Array)포트, RGB 포트, D-SUB(D-subminiature), DVI(Digital Visual Interface) 중 어느 하나의 인터페이스일 수 있다.
입출력 인터페이스(150)는 오디오 및 비디오 신호 중 적어도 하나를 입출력 할 수 있다.
구현 예에 따라, 입출력 인터페이스(150)는 오디오 신호만을 입출력하는 포트와 비디오 신호만을 입출력하는 포트를 별개의 포트로 포함하거나, 오디오 신호 및 비디오 신호를 모두 입출력하는 하나의 포트로 구현될 수 있다.
디스플레이(160)는 LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(160)내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(160)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.
또한, 본 개시의 일 실시 예에 따른, 디스플레이(160)는 영상을 출력하는 디스플레이 패널뿐만 아니라, 디스플레이 패널을 하우징하는 베젤을 포함할 수 있다. 특히, 본 개시의 일 실시 예에 따른, 베젤은 사용자 인터렉션을 감지하기 위한 터치 센서(미도시)를 포함할 수 있다.
한편, 전자 장치(100)는 마이크를 포함하는 외부 장치로부터 사용자 음성 신호를 수신할 수 있다. 이 경우, 수신된 사용자 음성 신호는 디지털 음성 신호일 수 있으나, 구현 예에 따라 아날로그 음성 신호일 수 있다. 일 예로, 전자 장치(100)는 Bluetooth 또는 Wi-Fi 등의 무선 통신 방법을 통해 사용자 음성 신호를 수신할 수 있다. 여기서, 외부 장치는 원격 제어 장치 또는 스마트폰으로 구현될 수 있다.
전자 장치(100)는 외부 장치로부터 수신된 음성 신호의 음성 인식을 위해, 외부 서버로 해당 음성 신호를 전송할 수 있다.
이 경우, 외부 장치 및 외부 서버와의 통신을 위한 통신 모듈은 하나로 구현되거나, 별개로 구현될 수 있다. 예를 들어, 외부 장치와는 Bluetooth 모듈을 이용하여 통신하고, 외부 서버와는 이더넷 모뎀 또는 Wi-Fi모듈을 이용하여 통신할 수 있다.
스피커(미도시)는 입출력 인터페이스(150)에서 처리된 각종 오디오 데이터뿐만 아니라 각종 알림 음이나 음성 메시지 등을 출력하는 구성요소일 수 있다.
한편, 전자 장치(100)는 마이크(미도시)를 더 포함할 수 있다. 마이크는 사용자 음성이나 기타 소리를 입력 받아 오디오 데이터로 변환하기 위한 구성이다.
마이크(미도시)는 활성화 상태에서 사용자의 음성을 수신할 수 있다. 예를 들어, 마이크는 전자 장치(100)의 상측이나 전면 방향, 측면 방향 등에 일체화된 일체형으로 형성될 수 있다. 마이크는 아날로그 형태의 사용자 음성을 수집하는 마이크, 수집된 사용자 음성을 증폭하는 앰프 회로, 증폭된 사용자 음성을 샘플링하여 디지털 신호로 변환하는 A/D 변환 회로, 변환된 디지털 신호로부터 노이즈 성분을 제거하는 필터 회로 등과 같은 다양한 구성을 포함할 수 있다. 한 편, 전자 장치(100)는 마이크를 복수개 포함할 수 있으며, 복수개의 마이크를 통해 스테레오 녹음을 수행할 수 있다.
도 5는 카메라를 이용하여 촬상된 이미지에 기초하여 사용자 신체 정보를 분석하는 실시 예를 설명하기 위한 도면이다.
도 5를 참조하면, 본 개시의 일 실시 예에 따른 전자 장치(100)는 카메라(115)를 통해 사용자 이미지를 촬상할 수 있다. 그리고, 전자 장치(100)는 촬상된 사용자 이미지에 기초하여 사용자 정보를 분석할 수 있다. 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함할 수 있다. 전자 장치(100)는 촬상된 이미지에서 사용자의 얼굴 또는 사용자의 얼굴을 포함한 흉부를 식별하고, 사용자의 얼굴 크기, 얼굴 모양, 머리 둘레, 귀의 위치와 같은 사용자의 신체 정보를 식별할 수 있다. 예를 들어, 전자 장치(100)는 촬상된 이미지에 기초하여 사용자의 머리 크기의 수치 정보(505)를 획득할 수 있다. 그리고, 전자 장치(100)는 획득된 머리 크기의 수치 정보(505) 및 귀의 위치에 기초하여 사용자의 얼굴 모양을 결정할 수 있다. 또한, 전자 장치(100)는 촬상된 이미지에 기초하여 사용자의 성별, 나이 등을 판단할 수 있다.
그리고, 전자 장치(100)는 획득된 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나에 기초하여 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나에 대응되는 인공 지능 모델(1000)을 식별할 수 있다.
한편, 전자 장치(100)는 카메라(115)를 통하여 사용자 정보뿐만 아니라 공간 정보를 획득할 수 있다. 예를 들어, 전자 장치(100)는 촬상된 이미지의 공간 정보를 분석하여 현재 사용자가 어느 공간에 있는지 여부를 식별할 수 있다. 그리고, 전자 장치(100)는 획득된 공간 정보에 대응되는 인공 지능 모델(1000)을 식별할 수 있다.
도 6은 일반 마이크와 바이노럴 마이크를 이용하여 녹음된 오디오 데이터 및 녹음 장치에 대한 정보에 기초하여 학습하는 신경망 네트워크를 설명하기 위한 도면이다.
신경망 네트워크(2000)는 도2에서 설명한 바와 같이 노멀 오디오 데이터 및 바이노럴 오디오 데이터를 비교 학습할 수 있으며, 최종적으로 인공 지능 모델(1000)을 획득할 수 있다. 여기서, 신경망 네트워크(2000)는 노멀 오디오 데이터 및 바이노럴 오디오 데이터 이외에 녹음 장치에 대한 정보, 어플리케이션 정보, 녹음 공간 정보, 음원 거리 정보 또는 기타 컨텍스트 정보 중 적어도 하나를 고려하여 학습할 수 있다.
여기서, 녹음 장치에 대한 정보는 바이노럴 마이크(207)와 관련된 정보를 의미할 수 있다. 예를 들어, 바이노럴 마이크(207)에 포함된 인체 모형의 크기 정보를 의미할 수 있다. 바이노럴 마이크(207)가 모조 머리를 포함하는 경우, 녹음 장치에 대한 정보는 머리 모양, 머리 크기, 머리 둘레 중 적어도 하나를 의미할 수 있다. 바이노럴 마이크(207)가 모조 귀를 포함하는 경우, 녹음 장치에 대한 정보는 귀 모양, 귀 크기, 귀에 부착된 마이크의 위치 중 적어도 하나를 의미할 수 있다. 여기서, 귀에 부착된 마이크의 위치는 모조 외이도 중 마이크가 부착된 위치를 의미할 수 있다. 신경망 네트워크(2000)는 녹음 장치에 대한 정보를 추가적으로 고려하여 노멀 오디오 데이터와 바이노럴 오디오 데이터의 관계를 학습할 수 있다.
여기서, 어플리케이션 정보는 녹음의 대상인 음원이 이용되는 어플리케이션의 종류를 의미할 수 있다. 예를 들어, 녹음의 대상이 제1 음악인 경우 제1 음악을 음악 재생 어플리케이션이 이용할 수 있으며, 녹음의 대상이 제2 음악인 경우 제2음악을 게임 어플리케이션이 이용할 수 있다. 여기서, 음원의 종류가 음악으로 동일하지만 이용되는 어플리케이션에 따라 일부 출력 설정이 달라질 수 있다. 신경망 네트워크(2000)는 음원이 이용되는 어플리케이션의 종류를 추가적으로 고려하여 노멀 오디오 데이터와 바이노럴 오디오 데이터의 관계를 학습할 수 있다.
여기서, 녹음 공간 정보는 노멀 오디오 데이터와 바이노럴 오디오 데이터가 녹음된 공간에 대한 정보를 의미할 수 있다. 예를 들어, 녹음 공간 정보는 실내 또는 실외일 수 있다. 신경망 네트워크(2000)는 녹음이 이루어지는 공간에 대한 정보를 추가적으로 고려하여 노멀 오디오 데이터와 바이노럴 오디오 데이터의 관계를 학습할 수 있다.
여기서, 음원 거리 정보는 출력되는 음원과 마이크의 거리를 의미할 수 있다. 음원이 출력되는 위치와 마이크의 위치의 차이를 고려하면, 신경망 네트워크(2000)는 음원 거리 정보에 따라 녹음되는 오디오 신호가 얼마나 달라지는지 식별할 수 있다. 신경망 네트워크(2000)는 음원 거리 정보를 추가적으로 고려하여 노멀 오디오 데이터와 바이노럴 오디오 데이터의 관계를 학습할 수 있다.
여기서, 기타 컨텍스트 정보는 녹음 동작을 수행하는 과정에서 오디오 데이터에 영향을 줄 수 있는 다양한 정보를 의미할 수 있다. 기타 컨텍스트 정보는 마이크의 종류, 마이크의 설정 상태, 음원 출력 종류(사람이 직접 목소리를 내는 행위, 사람이 직접 도구를 이용하여 소리를 내는 행위(연주를 포함), 녹음된 오디오 데이터를 스피커를 통해 출력하는 행위) 또는 음원 출력 설정 중 적어도 하나를 포함할 수 있다. 한편, 기타 컨텍스트 정보는 상술한 실시 예 이외에 다양한 정보를 포함할 수 있다.
도 7은 사용자 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 7을 참조하면, 인공 지능 모델(1000)은 입력 오디오 데이터를 수신하고, 수신된 입력 오디오 데이터를 변환하여 출력 오디오 데이터를 출력할 수 있다. 여기서, 인공 지능 모델(1000)은 사용자 정보를 반영하여 변환 동작을 수행할 수 있다. 여기서, 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함할 수 있다. 사용자 신체 정보는 사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀 위치 또는 사용자 귀 크기 중 적어도 하나를 포함할 수 있으며, 사용자 식별 정보는 사용자 성별, 사용자 연령, 사용자 청력 정보 중 적어도 하나를 포함할 수 있다.
인공 지능 모델(1000)은 사용자의 성별, 사용자 연령, 사용자의 청력 정보에 기초하여 바이노럴 렌더링을 수행할 수 있다. 특히, 사용자의 연령이 높을 경우 청력 정보를 고려하여 사용자에게 알맞은 출력 오디오 데이터를 생성할 수 있다.
일 실시 예에 따라, 사용자 정보를 반영한다는 것은 복수의 인공 지능 모델 중 사용자 정보에 대응되는 인공 지능 모델(1000)을 식별하는 것을 의미할 수 있다. 그리고, 전자 장치(100)는 식별된 인공 지능 모델(1000)에 기초하여 입력 오디오 데이터를 출력 오디오 데이터로 변환할 수 있다.
다른 실시 예에 따라, 사용자 정보를 반영한다는 것은 사용자 정보에 대응되는 인공 지능 모델(1000)의 파라미터 값을 식별하는 것을 의미할 수 있다. 그리고, 전자 장치(100)는 식별된 파라미터 값에 기초하여 입력 오디오 데이터를 출력 오디오 데이터로 변환할 수 있다.
인공 지능 모델(1000)이 사용자 정보를 고려하여 출력 오디오 데이터를 출력하면, 사용자는 자신에게 적합한 오디오 데이터를 제공 받을 수 있다.
도 8은 공간 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 8을 참조하면, 인공 지능 모델(1000)은 공간 정보를 반영하여 변환 동작을 수행할 수 있다. 여기서, 공간 정보는 사용자가 현재 위치하는 공간 내지 사용자 원하는 공간을 의미할 수 있다. 예를 들어, 공간 정보는 공연장(805), 실내공간(810), 실외공간(815)을 의미할 수 있다.
인공 지능 모델(1000)이 공간 정보가 공연장(805)인 것으로 식별하면, 인공 지능 모델(1000)은 공간 정보에 기초하여 입력 오디오 데이터를 공연장에서 들리는 것과 같은 바이노럴 효과를 갖는 출력 오디오 데이터를 출력할 수 있다. 사용자가 공연장에서 공연이 시작되기 전 음악을 듣고 있다고 가정한다. 인공 지능 모델(1000)에 의하여 출력된 출력 오디오 데이터는 공간 정보에 기초한 것이므로, 사용자는 실제 공연장에서 청취하고 있다고 느낄 수 있다.
또한, 인공 지능 모델(1000)이 공간 정보가 실내공간(810)인 것으로 식별하면, 인공 지능 모델(1000)은 공간 정보에 기초하여 입력 오디오 데이터를 실내공간(810)에서 들리는 것과 같은 바이노럴 효과를 갖는 출력 오디오 데이터를 출력할 수 있다. 또한, 인공 지능 모델(1000)이 공간 정보가 실외공간(815)인 것으로 식별하면, 인공 지능 모델(1000)은 공간 정보에 기초하여 입력 오디오 데이터를 실외공간(815)에서 들리는 것과 같은 바이노럴 효과를 갖는 출력 오디오 데이터를 출력할 수 있다.
한편, 도 8에서는 공간 정보가 공연장(805), 실내공간(810), 실외공간(815)이라고 기재하였지만, 설정에 따라 구체적인 공간 정보가 포함될 수 있으며 반드시 상술한 예시들에 한정되는 것은 아니다.
도 9는 전자 장치에서 실행 중인 어플리케이션 정보에 대응되는 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 9를 참조하면, 인공 지능 모델(1000)은 전자 장치(100)가 실행 중인 어플리케이션 정보를 반영하여 변환 동작을 수행할 수 있다. 여기서, 전자 장치(100)에서 실행 중인 어플리케이션 정보는 현재 실행 중인 복수의 어플리케이션 중 현재 전자 장치(100)의 디스플레이에 표시되고 있는 어플리케이션을 의미할 수 있다. 실행 중인 어플리케이션이 하나인 경우, 인공 지능 모델(1000)은 그 하나의 어플리케이션에 대한 정보에 기초하여 변환 동작을 수행할 수 있다.
일 실시 예(905)에 따라, 전자 장치(100)가 실행 중인 어플리케이션 정보가 통화와 관련된 어플리케이션인 경우, 인공 지능 모델(1000)은 통화와 관련된 어플리케이션에 대응되는 인공 지능 모델(1000) 또는 인공 지능 모델(1000)의 파라미터를 식별할 수 있다. 그리고, 인공 지능 모델(1000)은 옆에서 통화하고 있는 느낌을 주도록 변환한 출력 오디오 데이터를 출력할 수 있다.
다른 실시 예(910)에 따라, 전자 장치(100)가 실행 중인 어플리케이션 정보가 게임과 관련된 어플리케이션인 경우, 인공 지능 모델(1000)은 게임 음향에 특화되어 변화한 음질의 출력 오디오 데이터를 출력할 수 있다.
또 다른 실시 예(915)에 따라, 전자 장치(100)가 실행 중인 어플리케이션 정보가 실시간 스트리밍 기능을 이용하는 어플리케이션과 관련된 경우, 인공 지능 모델(1000)은 실시간으로 전송되는 데이터의 크기 또는 종류 중 적어도 하나를 고려하여 출력 오디오 데이터를 출력할 수 있다.
도 10은 입력 데이터의 녹음 공간 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도10을 참고하면, 인공 지능 모델(1000)은 입력 오디오 데이터의 녹음 공간 정보를 반영하여 변환 동작을 수행할 수 있다. 입력 오디오 데이터가 어디에서 녹음되었는지 여부에 따라 출력 오디오 데이터가 달라질 수 있다. 예를 들어, 공연장(1005)에서 녹음된 오디오 데이터, 실내공간(1010)에서 녹음된 오디오 데이터 및 실외공간(1015)에서 녹음된 오디오 데이터 각각은 다른 방식으로 변환될 수 있다. 인공 지능 모델(1000)은 입력 오디오 데이터의 녹음 공간 정보에 기초하여, 입력 오디오 데이터의 녹음 공간 정보에 대응되는 인공 지능 모델(1000) 또는 인공 지능 모델(1000)의 파라미터를 식별할 수 있다.
일 실시 예에 따라, 입력 오디오 데이터의 녹음 공간 정보는 수신된 입력 오디오 데이터를 분석하여 획득될 수 있다. 전자 장치(100)는 획득된 입력 오디오 데이터의 주파수 신호(주파수 파형, 주파수 크기, 주파수 패턴)를 고려하여 입력 오디오 데이터의 녹음 공간 정보를 식별할 수 있다.
다른 실시 예에 따라, 입력 오디오 데이터에 녹음 공간 정보가 포함될 수 있다. 입력 오디오 데이터는 오디오 신호 및 녹음 공간 정보를 포함할 수 있으며, 인공 지능 모델(1000)은 입력 오디오 데이터에 포함된 녹음 공간 정보를 이용하여 오디오 신호를 변환할 수 있다.
도 11은 입력 데이터의 음원 거리 정보를 반영한 인공 지능 모델에 기초하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 11을 참조하면, 인공 지능 모델(1000)은 입력 오디오 데이터의 음원 거리 정보를 반영할 수 있다. 여기서, 입력 오디오 데이터의 음원 거리 정보란 음원(1105)과 음원(1105)을 수신한 바이노럴 마이크(1110)까지의 거리를 의미할 수 있다. 인공 지능 모델(1000)은 입력 오디오 데이터의 음원 거리 정보를 고려하여 인공 지능 모델(1000) 또는 인공 지능 모델(1000)의 파라미터를 식별할 수 있다. 음원 거리 정보가 상대적으로 가까운 경우, 인공 지능 모델(1000)은 가까운 곳에서 오디오 신호가 들리는 것처럼 느끼게 하도록 변환한 출력 오디오 데이터를 출력할 수 있다. 음원 거리 정보가 상대적으로 먼 경우, 인공 지능 모델(1000)은 먼 곳에서 소리가 들리는 것처럼 느끼게 하도록 변환한 출력 오디오 데이터를 출력할 수 있다.
한편, 음원 거리 정보는 입력 오디오 데이터의 주파수 신호를 분석하여 획득되거나 입력 오디오 데이터에 포함된 형태로 구현될 수 있다.
도 12는 현실 공간의 움직임에 따라 오디오 데이터의 출력이 다르게 되도록 제어하는 실시 예를 설명하기 위한 도면이다.
도 12를 참조하면, 도 11에서 설명한 입력 오디오 데이터의 음원 거리 정보를 이용하여 오디오 데이터의 출력을 제어할 수 있다. 입력 오디오 데이터의 음원 거리가 d1인 경우, 인공 지능 모델(1000)은 오디오 신호가 d1만큼 떨어진 곳에서 들리는 것처럼 느끼게 하는 출력 오디오 데이터를 출력할 수 있다.
여기서, 사용자가 VR(Virtual Reality) 기기를 이용하는 상황을 가정한다. 설명의 편의를 위하여 입력 오디오 데이터의 음원 거리 정보와 가상 공간에서 가상 스피커(1215)를 통해 사운드가 출력되고 있는 거리 정보(가상 케릭터(1210)와 가상 스피커(1215) 사이의 거리)가 동일하다고 가정한다.
여기서, 현실 공간에서 사용자(1205)가 일정 거리를 이동하면 가상 공간에서 가상 케릭터(1210)가 일정 거리를 이동할 수 있다. 예를 들어, 사용자(1205)가 현실 공간에서 일정 거리를 움직여 가상 공간에서 가상 케릭터(1210)와 가상 스피커(1215)의 거리가 d2로 좁혀진 경우, 인공 지능 모델(1000)은 오디오 신호가 d2만큼 떨어진 곳에서 들리는 것처럼 느끼게 하는 출력 오디오 데이터를 출력할 수 있다.
또한, 사용자(1205)가 소리가 들리는 방향으로 일정 거리를 움직인 경우, 인공 지능 모델(1000)은 사용자의 움직임에 따라 점점 소리가 커지는 것처럼 느끼게 하는 출력 오디오 데이터를 출력할 수 있다.
한편, 도 12를 설명함에 있어 VR 기기 및 가상 공간을 설명하였지만, 인공 지능 모델(1000)은 증강 현실 분야에도 적용될 수 있다.
도 13은 전자 장치 내부에 저장된 인공 지능 모델을 이용하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 13을 참조하면, 전자 장치(100)는 입력 오디오 데이터를 통신 인터페이스(130)를 통해 수신할 수 있다. 그리고, 기 설정된 이벤트(예를 들어, 사용자의 터치 입력)에 따라 전자 장치(100)는 입력 오디오 데이터를 향상(또는 변환)시킬 수 있다. 구체적으로, 전자 장치(100)는 수신된 입력 오디오 데이터를 내부에 저장된 인공 지능 모델을 이용하여 향상(또는 변환)시킬 수 있으며, 출력 오디오 데이터를 획득할 수 있다. 인공 지능 모델(1000)은 전자 장치(100)의 메모리(110)에 저장될 수 있다. 예를 들어, 노모 오디오 데이터인 'music.mp3' 파일을 전자 장치(100)가 수신한 상태를 가정한다. 전자 장치(100)가 사용자가 디스플레이(160)에 표시된 특정 UI를 터치한 것으로 식별하면, 전자 장치(100)는 'music.mp3' 파일을 변환하여 바이노럴 오디오 데이터를 획득할 수 있다. 여기서 파일 변환 동작은 바이노럴 렌더링을 의미할 수 있다. 여기서, 특정 UI는 사용자 인터페이스(140)에 의해 터치 패드 형식으로 구현될 수 있다. 한편, 통신 인터페이스(130)는 변환된 오디오 데이터(출력 오디오 데이터)를 통신 인터페이스(130)를 통해 외부 기기 (또는 외부 서버)에 전송할 수 있다. 여기서, 외부 기기는 외장 스피커를 의미할 수 있다.
한편, 도 13 내지 도 19에서 디스플레이(160)와 사용자 인터페이스(140)가 별개인 것으로 도시하였지만, 전자 장치(100)는 사용자 인터페이스(140)의 한 종류로서 터치 디스플레이 형태로 구현될 수 있다.
도 14는 외부 서버에 저장된 인공 지능 모델을 이용하여 오디오 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 14를 참조하면, 전자 장치(100)는 입력 오디오 데이터를 통신 인터페이스(130)를 통해 수신할 수 있다. 그리고, 전자 장치(100)는 기 설정된 이벤트(예를 들어, 사용자의 터치 입력)에 기초하여 입력 오디오 데이터를 향상(또는 변환)시키기 위하여 입력 오디오 데이터를 외부 서버(1405)에 통신 인터페이스(130)를 통해 전송할 수 있다. 외부 서버(1405)는 인공 지능 모델을 저장할 수 있고, 외부 서버(1405)는 전자 장치(100)로부터 수신한 입력 오디오 데이터를 변환하여 출력 오디오 데이터를 획득할 수 있다. 그리고, 외부 서버(1405)는 획득한 출력 오디오 데이터를 전자 장치(100)에 전송할 수 있다. 그리고, 전자 장치(100)는 외부 서버(1405)에서 전송한 출력 오디오 데이터를 통신 인터페이스(130)를 통해 수신할 수 있다.
도 15는 사운드 출력 장치를 연결하도록 가이드하는 가이드 UI를 설명하기 위한 도면이다.
도 15를 참조하면, 전자 장치(100)가 기 설정된 이벤트를 식별하면, 전자 장치(100)는 사운드 출력 장치가 전자 장치(100)와 연결되어 있는지 여부를 식별할 수 있다. 여기서, 사운드 출력 장치는 전자 장치(100)와 무선 또는 유선으로 연결될 수 있다. 그리고, 전자 장치(100)가 전자 장치(100)에 연결된 사운드 출력장치가 없는 것으로 식별하면, 전자 장치(100)는 사운드 출력 장치가 연결되지 않았음을 지시하는 이미지(1505), 사운드 출력 장치가 연결되지 않았음을 지시하는 텍스트 UI(1510) 또는 사운드 출력 장치의 연결을 유도하는 가이드 UI(1515) 중 적어도 하나를 디스플레이하도록 디스플레이(160)를 제어할 수 있다.
전자 장치(100)의 내부 스피커가 아닌 별도의 사운드 출력 장치의 연결 여부를 확인하는 이유는 인공 지능 모델(1000)에 의하여 변환된 오디오 데이터가 일반 스피커가 아닌 특정 스피커에서 바이노럴 효과가 극대화 될 수 있기 때문이다.
일 실시 예에 따라, 바이노럴 오디오 데이터를 출력하기 위해선 2채널의 스피커가 필요할 수 있으며, 전자 장치(100)는 연결된 사운드 출력 장치가 2채널의 스피커인지 여부를 판단할 수 있다. 따라서, 전자 장치(100)는 2채널의 스피커가 전자 장치(100)에 연결되어 있지 않다고 식별하면, 전자 장치(100)는 사운드 출력 장치가 연결되지 않았음을 지시하는 이미지(1505), 사운드 출력 장치가 연결되지 않았음을 지시하는 텍스트 UI(1510) 또는 사운드 출력 장치의 연결을 유도하는 가이드 UI(1515) 중 적어도 하나를 디스플레이 할 수 있다.
또한, 바이노럴 오디오 데이터는 실제 인체 모형에 부착된 마이크에 의하여 수집된 것이며 바이노럴 오디오 데이터의 효과를 위해서 이어폰 또는 헤드폰을 사용하는 것이 바람직할 수 있다. 따라서, 전자 장치(100)는 전자 장치(100)와 연결된 사운드 출력 장치가 사용자의 귀 부분에 접촉되는 형태의 스피커(예를 들어, 이어폰, 헤드폰)인지 여부를 판단할 수 있다. 따라서, 전자 장치(100)는 이어폰 또는 헤드폰이 전자 장치(100)에 연결되어 있지 않다고 식별하면, 전자 장치(100)는 사운드 출력 장치가 연결되지 않았음을 지시하는 이미지(1505), 사운드 출력 장치가 연결되지 않았음을 지시하는 텍스트 UI(1510) 또는 사운드 출력 장치의 연결을 유도하는 가이드 UI(1515) 중 적어도 하나를 디스플레이 할 수 있다.
도 16은 일 실시 예에 따른 오디오 데이터 변환 동작과 관련된 UI를 설명하기 위한 도면이다.
도 16을 참조하면, 전자 장치(100)는 현재 실행되고 있는 어플리케이션 정보에 기초하여 인공 지능 모델(1000)을 통해 바이노럴 렌더링 동작을 수행할지 여부를 결정할 수 있다. 바이노럴 렌더링은 오디오 신호를 출력하는 동작에서 이용될 수 있다.
일 실시 예에 따라, 전자 장치(100)는 오디오 신호의 출력과 관련된 어플리케이션이 실행되면, 바이노럴 렌더링을 수행할지 여부를 문의하는 UI(1605)를 제공할 수 있다.
그리고, 전자 장치(100)는 바이노럴 렌더링을 수행할지 여부에 대한 사용자의 선택을 수신 받는 UI(1610)를 제공할 수 있다. 전자 장치(100)는 UI(1610)를 통해 사용자의 선택을 수신하면, 사용자의 선택에 대응되도록 어플리케이션을 제어할 수 있다. 실행 중인 어플리케이션에서 바이노럴 렌더링을 수행하는 사용자 선택이 수신되면, 전자 장치(100)는 실행 중인 어플리케이션에서 출력되는 오디오 신호에 바이노럴 렌더링 동작을 수행할 수 있다. 사용자는 현재 실행중인 어플리케이션에서 변환된 오디오 신호를 청취할 수 있다.
도 16에서 도시하고 있는 바이노럴 렌더링의 수행 여부를 묻는 UI가 오디오 관련 어플리케이션이 실행될 때마다 디스플레이(160)에 표시될 수 있다. 다만, UI를 표시하는 동작은 사용자의 설정에 따라 변경될 수 있다. 기 설정된 횟수 이상 바이노럴 렌더링을 수행하는 사용자 선택이 수신되면 전자 장치(100)는 자동으로 바이노럴 렌더링 동작을 수행하고 더 이상 바이노럴 렌더링의 수행 여부를 묻는 UI를 표시하지 않을 수 있다.
한편, 다른 실시 예에 따라, 전자 장치(100)는 오디오 신호의 출력과 관련된 동작이 수행되어야 하는 시점에, 바이노럴 렌더링을 수행할지 여부를 문의하는 UI(1605)를 제공할 수 있다. 전자 장치(100)는 오디오 신호를 출력하는 동작을 수행할지 식별할 수 있다. 그리고, 전자 장치(100)는 오디오 신호를 출력하기로 결정하면, 오디오 신호를 출력하기 전에 바이노럴 렌더링을 수행할지 여부를 문의하는 UI(1605)를 제공할 수 있다.
한편, 또 다른 실시 예에 따라 전자 장치(100)는 바이노럴 렌더링 동작을 수행할 수 있는 어플리케이션 목록을 디스플레이(160)에 표시할 수 있다. 그리고, 디스플레이(160)에 표시된 어플리케이션 목록 중에서 바이노럴 렌더링이 필요한 어플리케이션이 사용자에 의하여 선택될 수 있다. 전자 장치(100)에 저장된 복수의 어플리케이션이 100개라고 가정한다. 100개의 어플리케이션 중 오디오 신호를 출력하는 동작을 수행하는 어플리케이션이 50개라고 가정한다. 전자 장치(100)는 100개의 어플리케이션 중 오디오 신호의 출력과 관련된 50개의 어플리케이션 목록을 디스플레이할 수 있다. 그리고, 바이노럴 렌더링이 필요한 어플리케이션이 사용자에 의하여 선택될 수 있다. 사용자가 바이노럴 렌더링을 수행하도록 결정한 어플리케이션이 10개라고 가정한다. 전자 장치(100)는 사용자가 결정한 10개의 어플리케이션에 대해서 자동으로 바이노럴 렌더링 동작을 수행하고 별도의 UI를 통해 사용자의 의도를 문의하지 않을 수 있다.
도 17은 다른 실시 예에 따른 오디오 데이터 변환 동작과 관련된 UI를 설명하기 위한 도면이다.
도 17을 참조하면, 전자 장치(100)는 현재 어플리케이션에서 바이노럴 렌더링이 수행되고 있는지 여부를 표시하는 UI(1705)를 디스플레이(160)에 표시할 수 있다. 여기서, UI(1705)에 표시된 "B"는 바이노럴을 의미하는 이니셜일 수 있다.
일 실시 예에 따라, 전자 장치(100)는 UI (1705)를 제공함으로써 현재 바이노럴 렌더링이 동작이 실행될 수 있는 상태임을 표시할 수 있다. 도 17에서 도시한 바와 같이 UI (1705)가 표시되는 것은 전자 장치(100)가 오디오 신호 입력시 바이노럴 렌더링이 수행될 수 있는 상태임을 의미할 수 있다.
그리고, 전자 장치(100)는 바이노럴 렌더링 동작을 수행할지 여부를 선택하게 하는 UI (1705) 를 제공할 수 있다. 사용자는 UI (1705)를 통해서 바이노럴 렌더링 동작을 수행하는 모드(제1 설정 상태) 또는 바이노럴 렌더링 동작을 수행하지 않는 모드(제2 설정 상태)로 전환할 수 있다. 전자 장치(100)는 제1 설정 상태에서 입력 오디오 데이터를 변환하여 바이노럴 렌더링 동작을 수행할 수 있다. 그리고, 제2 설정 상태에서 입력 오디오 데이터를 변환하지 않고 그대로 출력할 수 있다.
한편, 다른 실시 예에 따라, 전자 장치(100)는 현재 바이노럴 렌더링이 수행된 오디오 데이터가 출력되고 있는지 여부를 UI(1705)를 통해 표시할 수 있다. 예를 들어, 오디오 신호가 수신되어 사용자가 직접 오디오 신호를 청취하고 있는 경우, UI(1705)의 색 또는 모양을 변경할 수 있다. 전자 장치(100)는 사용자가 변경된 UI(1705)를 통해 지금 듣고 있는 오디오 신호가 변환된 것(바이노럴 렌더링이 수행된 것)이라고 알 수 있도록 UI(1705)를 제공할 수 있다.
도 18은 일 실시 예에 따른 오디오 데이터 변환 동작과 관련된 설정 화면을 설명하기 위한 도면이다.
도 18을 참조하면, 전자 장치(100)는 도 16에서 표시한 UI (1605, 1610)를 디스플레이상에 표시할지 여부를 제어할 수 있는 사운드 설정(또는 오디오 설정) UI (1805)를 별도로 표시할 수 있다. 구체적으로, 전자 장치(100)는 오디오 관련 어플리케이션이 실행되면 입력되는 오디오 신호를 바이노럴 오디오 신호로 변환할지 문의하는 UI를 표시할 수 있다. 여기서, 전자 장치(100)는 사운드와 관련된 설정에서 바이노럴 오디오 신호로 변환할지 문의하는 UI를 디스플레이에 표시할 것인지 표시하지 않을 것인지 선택하도록 UI (1805)를 표시할 수 있다. 전자 장치(100)는 사용자의 선택에 기초하여 도 16에서 표시한 UI (1605, 1610)를 디스플레이에 표시할 것인지 결정할 수 있으며, 사용자의 선택은 메모리에 저장할 수 있다.
도 19는 다른 실시 예에 따른 오디오 데이터 변환 동작과 관련된 설정 화면을 설명하기 위한 도면이다.
도 19를 참고하면, 전자 장치(100)는 모든 어플리케이션(오디오 신호를 출력하는 모든 어플리케이션)에서 출력되는 오디오 신호에 바이노럴 렌더링을 수행할지 결정할 수 있다. 그리고, 전자 장치(100)는 UI (1905)를 통해 사용자의 선택을 수신할 수 있다. 도 18에서 개시한 실시 예와 다르게 전자 장치(100)는 사용자에게 바이노럴 렌더링을 수행할지 문의하는 UI를 표시하지 않을 수 있다. 그리고, 전자 장치(100)는 UI (1905)를 통한 사용자의 선택에 기초하여 오디오 신호를 출력하는 모든 어플리케이션에서 바이노럴 렌더링을 수행할 수 있다. 전자 장치(100)가 UI (1905)에 기초하여 사용자 선택을 메모리에 저장하면, 전자 장치(100)는 메모리에 저장된 사용자의 선택에 기초하여 모든 어플리케이션에서 바이노럴 렌더링을 수행할지 여부를 결정할 수 있다.
한편, 도 18 및 도 19에서 개시한 UI가 병렬적으로 기재되는 것으로 서술하였지만, 전자 장치(100)는 도 18에서 개시한 설정과 도 19에서 개시하는 설정이 동시에 적용되는 형태로 구현될 수 있다. 예를 들어, 사용자가 UI (1905)에서 모든 어플리케이션에서 바이노럴 렌더링을 수행하는 것으로 설정한 경우에는, 도 18에서 개시하는 UI (1805)의 설정 상태와 관련 없이 항상 바이노럴 렌더링이 수행되며 별도의 문의 UI(1605, 1610)가 표시되지 않을 수 있다. 다만, 사용자가 UI (1905)에서 모든 어플리케이션에서 바이노럴 렌더링을 수행하지 않는 것으로 설정한 경우에는, 전자 장치(100)는 도 18에서 개시하는 UI (1805)의 설정 상태에 기초하여 문의 UI(1605, 1610)가 디스플레이(160)에 표시할지 여부를 결정할 수 있다.
도 20은 이미지 데이터 및 오디오 데이터가 모두 포함된 입력 데이터를 변환하는 실시 예를 설명하기 위한 도면이다.
도 20을 참조하면, 신경망 네트워크(2000)는 비디오 영상 (2005)과 일반 오디오 신호 (2015)에 기초하여 학습 동작을 수행할 수 있다. 학습 동작의 결과물은 바이노럴 변환 마스크 생성 및 변환 모듈(2025)일 수 있다.
구체적으로, 신경망 네트워크(2000)는 비디오 영상 (2005)을 수신하고, 수신된 비디오 영상 (2005) 및 visual DNN(Deep Neural Network) 모듈(2010)에 기초하여 학습하고 공간 정보 및 공간 정보에 대응되는 복잡도 정보를 획득할 수 있다. 여기서, 공간 정보는 비디오 영상 (2005)에 포함된 공간이 어디인지 나타내는 정보를 의미할 수 있다. 그리고, 공간 정보에 대응되는 복잡도 정보는 비디오 영상 (2005)속에서 얼마나 많은 사람이 존재하는지 나타내는 정보를 의미할 수 있다.
그리고, 신경망 네트워크(2000)는 일반 오디오 신호(2015)를 수신하고, 수신된 오디오 신호(2015) 및 audio DNN(Deep Neural Network) 모듈 (2020)에 기초하여 바이노럴 특성 모델을 획득할 수 있다. 여기서, 수신된 오디오 신호는 수신된 비디오 영상과 대응될 수 있으며 시간 정보에 기초하여 동기화된 데이터일 수 있다. 구체적으로 신경망 네트워크(2000)는 수신된 일반 오디오 신호(2015) 및 일반 오디오 신호(2015)에 대응되는 바이노럴 오디오 신호 중 적어도 하나에 기초하여 국소 푸리에 변환(STFT, Short-Time Fourier Transform)을 수행할 수 있다. 그리고, 국소 푸리에 변환에 의해 변환된 오디오 신호에 기초하여 audio DNN모듈 (2020)은 바이노럴 특성 모델을 획득할 수 있다. 여기서, audio DNN모듈 (2020)은 개인 특성 정보(두위 등)를 고려하여 바이노럴 특성 모델을 획득할 수 있다. 여기서, 개인 특성 정보란 바이노럴 마이크에 포함된 모조 머리 또는 모조 귀와 관련된 정보를 의미할 수 있다. 그리고, audio DNN모듈 (2020)에서 이루어지는 학습 과정에서 일부 데이터가 바이노럴 변환 마스크 생성 및 변환 모듈(2025)에 이용될 수 있다.
한편, 신경망 네트워크(2000)는 visual DNN 모듈(2010) 및 audio DNN모듈 (2020)에 기초하여 바이노럴 변환 마스크 생성 및 변환 모듈(2025)을 획득할 수 있다. 그리고, 획득된 바이노럴 변환 마스크 생성 및 변환 모듈(2025)은 입력 데이터가 수신되면, 바이노럴 렌더링을 수행하여 바이노럴 오디오 데이터를 생성할 수 있다. 여기서, 입력 데이터는 오디오 신호와 비디오 신호를 함께 포함할 수 있다. 구체적으로, 바이노럴 변환 마스크 생성 및 변환 모듈(2025)은 FC(full-connected) layers들을 포함할 수 있으며, 오디오 신호 및 비디오 신호를 결합(또는 fusion)하여 FC layers을 거치게 할 수 있다. 그리고, 바이노럴 변환 마스크 생성 및 변환 모듈(2025)은 바이노럴 마스크, 바이노럴 스펙트로그램, ISTFT(Inverse short-time Fourier transform)를 이용하여 최종적으로 바이노럴 좌측 오디오 신호(2030)와 바이노럴 우측 오디오 신호(2035)를 생성할 수 있다.
한편, 바이노럴 변환 마스크 생성 및 변환 모듈(2025)은 오디오 신호 및 비디오 신호를 포함하는 입력 데이터를 수신하면, 오디오 신호, 비디오 신호, 비디오 신호에 대응되는 공간 정보, 공간 정보에 대응되는 복잡도 정보, 사용자의 개인 특성 정보(사용자의 머리 크기, 귀 크기 등) 중 적어도 하나를 이용하여 바이노럴 오디오 신호를 생성할 수 있다.
도 21은 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 일 실시 예를 설명하기 위한 도면이다.
도 21을 참조하면, 신경망 네트워크(2000)는 노멀 오디오 데이터 및 노멀 오디오 데이터에 대응되는 바이노럴 오디오 데이터에 기초하여 학습할 수 있으며, 학습 결과는 인공 지능 모델(1000)일 수 있다. 인공 지능 모델(1000)은 바이노럴 렌더링을 수행하는 모델일 수 있다.
신경망 네트워크(2000)는 2개의 입력을 수신할 수 있다. 신경망 네트워크(2000)가 입력 받는 오디오 데이터의 채널 수는 다양할 수 있다. 예를 들어, 신경망 네트워크(2000)는 1채널, 2채널... n채널 등의 오디오 데이터로 학습 오디오 데이터를 수신할 수 있다. 신경망 네트워크(2000)는 노멀 오디오 데이터(input A, 제1 학습 데이터)을 수신할 수 있다. 신경망 네트워크(2000)는 수신된 노멀 오디오 데이터를 U-network에 입력할 수 있고, 노멀 오디오 데이터는 U-network(2105)의 1D-컨벌루션 계층(1차원 컨벌루션 계층)을 거쳐 예상 오디오 데이터(output A')로 변경될 수 있다. 여기서, 컨벌루션 계층(layer)을 1차원으로 기술하였지만 2차원 이상의 컨벌류션 계층도 가능하다.
여기서, U-network(2105)는 축소 경로(contracting path)와 확장 경로(expansive path)를 구성된 U 형태의 아키텍쳐(u-shaped architecture)를 의미할 수 있으며 컨벌루션 신경망(CNN, Convolutional Neural Network)의 한 종류일 수 있다. U-network(2105)에서 이루어지는 노멀 오디오 데이터의 변형 과정은 시간 도메인에서 이루어질 수 있다. 한편, 도 21을 설명함에 있어 일 실시 예에 따른 U-network(2105)가 1D-컨벌루션 계층을 포함하고 있다고 설명하였다. 다른 실시 예에 따른 U-network(2105)는 다차원 컨벌루션 계층을 포함할 수 있다.
신경망 네트워크(2000)는 U-network(2105)를 통해 획득한 예상 오디오 데이터 및 노멀 오디오 데이터에 대응되는 바이노럴 오디오 데이터(input B, 제2 학습 데이터)에 기초하여 손실값을 계산할 수 있다. 손실값 계산 모듈(2110)은 주파수 도메인에서 계산될 수 있다. 손실값 계산 모듈(2110)은 예상 오디오 데이터를 국소 푸리에 변환(STFT, Short-Time Fourier Transform)하며 바이노럴 오디오 데이터(input B, 제2 학습 데이터)를 국소 푸리에 변환하는 동작을 포함할 수 있다. 그리고, 손실값 계산 모듈(2110)은 푸리에 변환된 값들을 비교하여 주파수 도메인에서 손실값을 획득할 수 있다.
신경망 네트워크(2000)는 획득된 손실값에 기초하여 역전파(back propagation)를 수행할 수 있다. 여기서, 역전파(back propagation)는 손실값 계산 모듈(2110)에서 U-network(2105) 방향으로 이루어질 수 있다.
도 22는 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 다른 실시 예를 설명하기 위한 도면이다.
도 22를 참조하면, 신경망 네트워크(2000)는 시간 도메인에서 예상 오디오 데이터(output A')를 생성하고 주파수 도메인에서 손실값을 계산할 수 있다. 여기서, 예상 오디오 데이터를 생성하는 네트워크는 Res-Network(2205)일 수 있다. Res-Network(2205)는 residual network를 의미할 수 있으며 Res-Network(2205)는 스킵 접속을 이용하거나 일부 계층을 점프하여 지름길(short-cuts)을 이용하는 인공 신경망 (ANN, Artificial Neural Network) 일 수 있다.
신경망 네트워크(2000)는 Res-Network(2205)를 통해 획득한 예상 오디오 데이터 및 바이노럴 오디오 데이터에 기초하여 주파수 도메인에서 손실값 계산 모듈(2210)을 수행할 수 있으며, 손실값에 기초하여 역전파 동작을 수행할 수 있다.
도 22에서 개시하는 동작은 U-network(2105)대신에 Res-Network(2205)가 이용된다는 점을 제외하고 도 21에서 설명한 동작이 동일하게 적용될 수 있다. 따라서, 중복되는 설명은 생략한다.
도 23은 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 23을 참조하면, 신경망 네트워크(2000)는 U-network(2305) 및 손실값 계산 모듈(2310)을 이용하여 학습할 수 있다. 여기서, 손실값 계산 모듈(2310)은 주파수 도메인에서 계산 동작이 수행될 수 있으며, 특정 주파수 대역을 한정하여 손실값을 계산할 수 있다. 예를 들어, 손실값 계산 모듈(2310)은 제1 주파수부터 제2 주파수(제1주파수보다 큰)까지의 데이터만을 고려하여 손실값을 계산할 수 있다. 만약, 특정 주파수 대역을 한정하여 손실값을 계산하면, 손실값 계산 모듈(2310)에서 불필요한 처리 동작이 없어질 수 있고 처리 시간이 단축될 수 있다.
손실값 계산 모듈(2310)에서 특정 주파수 대역을 고려하여 손실값을 계산하는 동작 이외의 동작은 도 21에서 설명한 것과 동일할 수 있다. 따라서, 중복되는 설명은 생략한다.
도 24는 오디오 데이터를 변환하기 위한 인공 지능 모델이 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 24를 참조하면, 신경망 네트워크(2000)는 U-network를 통하여 복수의 레이어를 통과할 때마다 복수의 예상 오디오 데이터(A', A1, A2)를 생성할 수 있다. 구체적으로, 신경망 네트워크(2000)는 최종적인 예상 오디오 데이터(A')를 생성하기 이전 계층에서 예상 오디오 데이터(A1)을 생성할 수 있다. 또한, 신경망 네트워크(2000)는 예상 오디오 데이터(A1)를 생성하기 이전 계층에서 예상 오디오 데이터(A2)를 생성할 수 있다. 그리고, 신경망 네트워크(2000)는 예상 오디오 데이터(A1) 및 바이노럴 오디오 데이터(input B)에 기초하여 주파수 도메인에서 제1 손실값을 계산할 수 있다. 그리고, 예상 오디오 데이터(A2) 및 바이노럴 오디오 데이터(input B)에 기초하여 주파수 도메인에서 제2 손실값을 계산할 수 있다. 그리고, 신경망 네트워크(2000)는 제1 손실값 및 제2 손실값에 기초하여 역전파 동작을 수행할 수 있으며, 인공 지능 모델(1000)을 획득하기 위하여 학습할 수 있다.
즉, 신경망 네트워크(2000)는 최종 예상 오디오 데이터(A')이외에도 중간 예상 오디오 데이터(A1, A2)에 기초하여 손실값을 계산할 수 있다. 그리고, 신경망 네트워크(2000)는 복수의 예상 오디오 데이터(A', A1, A2)에 기초하여 획득된 복수의 손실값을 모두 고려하여 역전파 동작을 수행하고 학습 과정에서 이용되는 가중치를 변경할 수 있다.
한편, 도 24에서는 바이노럴 오디오 데이터(input B)가 예상 오디오 데이터(A1) 및 예상 오디오 데이터(A2)에 기초하여 손실값은 계산하는 것으로 기재하였지만, 바이노럴 오디오 데이터(input B) 및 예상 오디오 데이터(A')에 기초하여 손실값을 추가적으로 계산할 수 있으며, 필요에 따라 다른 계층에서 추가적으로 예상 오디오 데이터를 생성하여 손실값을 계산할 수 있다.
한편, 도 24에서 추가적으로 설명한 부분 이외의 동작은 도 21과 동일한 바, 구체적인 설명은 생략한다.
도 25는 오디오 데이터를 변환하기 위한 인공 지능 모델이 생성적 적대 신경망에 의하여 학습되는 과정의 또 다른 실시 예를 설명하기 위한 도면이다.
도 25를 참조하면, 신경망 네트워크(2000)는 생성적 적대 신경망(GAN, Generative Adversarial Network)일 수 있다. 그리고, 생성적 적대 신경망은 페이크 데이터를 생성하는 생성적 네트워크(generative network, 2515)와 페이크 데이터에 대한 진위를 판별하는 감별자 네트워크(discriminator network, 2520)로 구성될 수 있다.
생성적 네트워크(2515)는 U-network(2505)와 손실값 계산 모듈(2510)을 포함할 수 있으며 구체적인 동작은 도 21에서 설명과 중복되므로 생략한다. 여기서, 생성적 네트워크(2515)는 예상 오디오 데이터(A')에 기초하여 페이크 데이터(A')를 생성할 수 있다.
감별자 네트워크(2520)는 생성적 네트워크(2515)가 생성한 페이크 데이터(A')가 실제 데이터(real data)인지 페이크 데이터(A')인지 판별할 수 있다. 구체적으로, 감별자 네트워크(2520)는 페이크 데이터(A')를 국소 푸리에 변환(STFT, Short-Time Fourier Transform)하고 바이노럴 오디오 데이터(real data, input B)를 국소 푸리에 변환할 수 있으며, 변환된 페이크 데이터(A') 및 변환된 바이노럴 오디오 데이터에 기초하여 주파수 영역에서 손실값을 획득할 수 있다. 여기서, 일 실시 예에 따른 감별자 네트워크(2520)는 획득된 손실값에 기초하여 생성적 네트워크(2515)에 역전파 동작을 수행할 수 있다. 다른 실시 예에 따른 감별자 네트워크(2520)는 획득된 손실값에 기초하여 감별자 네트워크(2520) 자신에게 역전파 동작을 수행할 수 있다.
그리고, 생성적 네트워크(2515)는 감별자 네트워크(2520)에서 생성된 손실값에 기초하여 새로운 페이크 데이터를 생성할 수 있으며, 신경망 네트워크(2000)는 반복 학습 동작을 통해 최종적으로 인공 지능 모델(1000)을 획득할 수 있다.
도 26 내지 도 28은 손실값 계산 동작을 설명하기 위한 도면이다. 도 26 내지 도 28에서는 스펙트로그램에 관련된 내용을 포함하고 있다. 스펙트로그램은 시간축과 주파수축의 변화에 따른 진폭의 차이를 인쇄 농도(또는 표시 색상)의 차이로 나타내는 그래프 일 수 있다. 스펙트로그램은 도 29 및 도 30에서 개시하는 것처럼 2차원의 연속된 그래프 형식일 수 있다. 다만, 설명의 편의를 위해 기존의 스펙트로그램을 변형하여 도 26 내지 도 28에서 설명한다. 또한, x축은 시간축이며, 설명의 편의를 위해 1초 단위로 구분하여 1초에 하나의 프레임이 수신됨을 가정한다. 그리고, y축은 주파수축이며, 설명의 편의를 위해 저주파, 중주파, 고주파 3개로 구분하는 것을 가정한다. 도 26 내지 도 28에서 설명하는 내용은 실제 스펙트로그램 및 계산 과정을 간소화 시키기 위하여 개념적으로 도식화한 것이다. 따라서, 도 26 내지 도 28은 각각의 데이터들이 불연속적인 것처럼 도시하였지만 실제 스펙트로그램에서는 연속된 형태일 수 있다.
도 26은 노멀 오디오 데이터를 반영한 스펙트로그램을 설명하기 위한 도면이다.
도 26을 참조하면, 노멀 오디오 데이터에 대응되는 변형된 스펙트로그램(2605)이 프레임 및 주파수에 따라 도식화될 수 있다. 여기서, 노멀 오디오 데이터는 인공 지능 모델(1000)을 획득하기 위해 이용되는 학습 데이터일 수 있다.
2차원 그래프(2605)를 참조하면, x축은 구간별로 프레임을 의미할 수 있고 y축은 저주파, 중주파, 고주파에 해당하는 영역을 의미할 수 있다. 그래프 안에 기재된 숫자는 주파수 신호의 크기(또는 강도)를 의미할 수 있다. 여기서, 주파수 신호의 크기는 상대적인 크기일 수 있다. 1프레임의 저주파 신호의 크기는 1, 중주파 신호의 크기는 3, 고주파 신호의 크기는 1일 수 있다. 그리고, 2프레임의 저주파 신호의 크기는 1, 중주파 신호의 크기는 5, 고주파 신호의 크기는 2일 수 있다. 그리고, 3프레임의 저주파 신호의 크기는 1, 중주파 신호의 크기는 4, 고주파 신호의 크기는 1일 수 있다.
주파수 신호의 크기를 z축으로 하면 2차원 그래프(2605)는 3차원 그래프(2610)로 표현될 수 있다. 3차원 그래프(2610)를 참조하면, 노멀 오디오 데이터의 1,2,3 프레임에서는 저주파 영역에 대하여 주파수 신호가 일정한 크기를 갖고 중주파 영역에 대해서 상대적으로 높은 주파수 신호 크기를 가질 수 있다.
도 27은 노멀 오디오 데이터 및 바이노럴 오디오 데이터 각각를 반영한 스펙트로그램을 설명하기 위한 도면이다.
신경망 네트워크(2000)는 도 6에서 도시한 바와 같이 노멀 오디오 데이터 및 바이노럴 오디오 데이터를 이용하여 학습할 수 있다.
도 27을 참조하면 2차원 그래프(2705)는 노멀 오디오 데이터의 주파수 신호를 도식화 한 것이며, 도 26에서 설명한 바와 같이 주파수 신호의 크기를 z축으로 하여 3차원 형태로 도식화함으로써 2차원 그래프(2705)는 3차원 그래프(2710)로 변경될 수 있다.
한편, 노멀 오디오 데이터에 대응되는 바이노럴 오디오 데이터는 2차원 그래프(2715)로 표현될 수 있다. 1프레임의 저주파 신호의 크기는 2, 중주파 신호의 크기는 4, 고주파 신호의 크기는 2일 수 있다. 그리고, 2프레임의 저주파 신호의 크기는 3, 중주파 신호의 크기는 6, 고주파 신호의 크기는 3일 수 있다. 그리고, 3프레임의 저주파 신호의 크기는 2, 중주파 신호의 크기는 4, 고주파 신호의 크기는 2일 수 있다.
그리고, 주파수 신호의 크기를 z축으로 하면 바이노럴 오디오 데이터의 2차원 그래프(2715)는 3차원 그래프(2720)로 표현될 수 있다.
도 27을 참조하면, 동일한 음원이어도 녹음 장치에 따라 주파수 신호의 크기가 다를 수 있다. 신경망 네트워크(2000)는 노멀 오디오 데이터 및 바이노럴 오디오 데이터의 차이에 기초하여 손실값을 계산할 수 있다. 손실값과 관련된 구체적인 동작은 도 28에서 후술한다.
도 28은 노멀 오디오 데이터 및 바이노럴 오디오 데이터를 주파수 도면에서 비교하여 손실값을 획득하는 과정을 설명하기 위한 도면이다.
도 28을 참조하면, 신경망 네트워크(2000)는 손실값 계산을 위하여 노멀 오디오 데이터의 주파수 크기 정보 및 바이노럴 오디오 데이터의 주파수 크기 정보를 이용할 수 있다. 설명의 편의를 위해 1~3프레임만 존재하는 것으로 가정하고 주파수를 저주파, 중주파, 고주파로 구분하는 것을 가정한다.
노멀 오디오 데이터와 관련하여, 1프레임의 저주파 신호의 크기는 a1, 중주파 신호의 크기는 a2, 고주파 신호의 크기는 a3일 수 있다. 그리고, 2프레임의 저주파 신호의 크기는 a4, 중주파 신호의 크기는 a5, 고주파 신호의 크기는 a6 일 수 있다. 그리고, 3프레임의 저주파 신호의 크기는 a7, 중주파 신호의 크기는 a8, 고주파 신호의 크기는 a9 일 수 있다.
바이노럴 오디오 데이터와 관련하여, 1프레임의 저주파 신호의 크기는 b1, 중주파 신호의 크기는 b2, 고주파 신호의 크기는 b3일 수 있다. 그리고, 2프레임의 저주파 신호의 크기는 b4, 중주파 신호의 크기는 b5, 고주파 신호의 크기는 b6 일 수 있다. 그리고, 3프레임의 저주파 신호의 크기는 b7, 중주파 신호의 크기는 b8, 고주파 신호의 크기는 b9 일 수 있다.
신경망 네트워크(2000)는 볼륨 손실값(volume loss value), 스펙트럼 손실값(spectral loss value또는 log-amp-spectral loss value), 변동 손실값(variation loss value)에 기초하여 전체 손실값을 계산할 수 있다. 학습 과정에서 노멀 오디오 데이터 변형과 손실값 계산 과정이 서로 다른 도메인에서 수행되기 때문에 (cross domain), 이로 인하여 발생하는 오차를 줄이고 성능을 높이기 위해, 볼륨 손실값(volume loss value), 스펙트럼 손실값(spectral loss value또는 log-amp-spectral loss value), 변동 손실값(variation loss value)에 기초하여 전체 손실값을 계산할 수 있다.
볼륨 손실값은 특정 시간에서의 주파수 크기를 고려하여 획득되는 손실값을 의미할 수 있다. 여기서, 특정 시간에서의 주파수 크기란 전체 주파수 대역의 크기를 변환하여 하나의 값으로 변환하는 것을 의미할 수 있다. 변환 동작은 크기를 합산하거나, 평균을 구하는 것일 수 있으며 다양한 수학적 방법이 이용될 수 있다.
그리고, 스펙트럼 손실값은 주파수 대역별로 신호의 크기 차이에 기초하여 획득되는 손실값을 의미할 수 있다. 구체적으로, 스펙트럼 손실값은 특정 시간 및 특정 주파수 대역에서의 신호 크기 차이에 기초하여 획득될 수 있다. 여기서, 신경망 네트워크(2000)는 신호의 크기를 파악하기 위하여 오디오 데이터의 진폭(amplitude) 성분을 획득할 수 있으며 신호의 크기값에 log 함수를 적용할 수 있다. 수학식(2815)에 기재한 amp는 amplitude를 의미할 수 있다. 한편, a1~a9 그리고 b1~b9에 대한 값이 신호의 크기 값을 의미하는 것으로 가정하였다. 따라서, 진폭 성분을 획득하는 과정에 대한 설명을 생략한다.
그리고, 변동 손실값은 노이즈 정보를 고려하여 획득되는 손실값을 의미할 수 있다. 구체적으로, 변동 손실값은 주변 주파수의 신호 크기 차이 또는 주변 프레임의 신호 크기 차이 중 적어도 하나를 고려하여 획득될 수 있다.
여기서, 신경망 네트워크(2000)는 볼륨 손실값, 스펙트럼 손실값, 변동 손실값 각각에 대응되는 가중치를 이용할 수 있다. 구체적으로, 볼륨 손실값에는 알파(α), 스펙트럼 손실값에는 베타(β), 변동 손실값에는 감마(γ)가 가중치로 이용될 수 있다. 그리고, 손실값을 계산하는 과정은 도 28에서 개시하는 수학식(2815)으로 표현될 수 있다. 수학식(2815)에서는 볼륨 손실값, 스펙트럼 손실값, 변동 손실값 모두를 이용하여 손실값을 계산하는 것으로 기재하였지만, 구현 예에 따라서 볼륨 손실값, 스펙트럼 손실값 또는 변동 손실값 중 적어도 하나를 이용하여 손실값을 획득하는 형태로 구현될 수 있다.
설명의 편의를 위하여 1프레임에 한정하여 볼륨 손실값, 스펙트럼 손실값, 변동 손실값을 계산하는 과정을 설명한다. 그리고, 도 28에서 개시하는 계산 과정은 개념을 이해하기 위하여 개략적인 계산 과정을 설명하는 것이며, 실제 손실값은 설명한 내용 이외에 다양한 수학적 모델이 적용될 수 있다.
1프레임의 볼륨 손실값은 수학식(2820)에 기초하여 획득될 수 있다. 구체적으로, 신경망 네트워크(2000)는 바이노럴 오디오 데이터의 1프레임의 주파수 대역별 신호의 크기를 모두 합산한 값(b1+b2+b3)과 노멀 오디오 데이터의 1프레임의 주파수 대역별 신호의 크기를 모두 합산한 값(a1+a2+a3)의 차이를 획득하고, 획득된 차이값의 절대값에 볼륨 손실값에 대응되는 가중치 알파(α)를 반영하여 볼륨 손실값을 획득할 수 있다. 신경망 네트워크(2000)는 반복 학습을 통해 볼륨 손실값에 대응되는 가중치 알파(α)를 결정할 수 있다.
1프레임의 스펙트럼 손실값은 수학식(2825)에 기초하여 획득될 수 있다. 구체적으로, 신경망 네트워크(2000)는 바이노럴 오디오 데이터의 1프레임에서 저주파 대역의 신호 크기(b1)를 획득하고 노멀 오디오 데이터의 1프레임에서 저주파 대역의 신호 크기(a1)를 획득할 수 있다. 그리고, 각 신호 크기들(b1, a1)에 log 함수를 이용하여 차이값(logb1-loga1)을 획득할 수 있다. 마찬가지 방법으로, 중주파에 대한 신호 크기 차이값(logb2-loga2) 및 고주파에 대한 신호 크기 차이값(logb3-loga3)을 획득할 수 있다. 여기서, 스펙트럼 손실값은 주파수 대역별로 다른 가중치에 기초하여 획득할 수 있다. 구체적으로, 저주파에서는 베타1 (β1), 중주파에서는 베타2(β2), 고주파에서는 베타3(β3)에 대한 가중치가 이용될 수 있다. 신경망 네트워크(2000)는 반복 학습을 통해 주파수 대역에 따른 가중치 베타(β1, β2, β3..)를 결정할 수 있다. 여기서, 주파수 대역에 따른 가중치를 조절하면 도 23에서 개시한 특정 주파수 대역을 한정하여 손실값을 계산하는 실시 예를 구현할 수 있다. 예를 들어, 중주파 대역만을 고려하여 손실값을 계산하기 위하여 신경망 네트워크(2000)는 베타1 (β1) 및 베타3(β3)를 0으로 하고 베타2(β2)를 1로 설정할 수 있다.
1프레임의 변동 손실값은 저주파 변동, 중주파 변동, 고주파 변동에 대한 값을 반영할 수 있다. 변동 손실값은 동일한 주파수 대역을 기준으로 주변 프레임의 신호 크기 차이를 반영할 수 있다.
저주파 변동에 대한 손실값 계산은 수학식(2830)에 기초하여 획득될 수 있다. 예를 들어, 신경망 네트워크(2000)는 노멀 오디오 데이터와 관련하여, 저주파를 기준으로 1프레임의 신호 크기(a1)와 2프레임의 신호 크기(a4) 차이(a4-a1)를 계산할 수 있다. 그리고, 신경망 네트워크(2000)는 바이노럴 오디오 데이터와 관련하여, 저주파를 기준으로 1프레임의 신호 크기(b1)와 2프레임의 신호 크기(b4) 차이(b4-b1)를 계산할 수 있다. 한편, 변동 손실값은 동일한 프레임을 기준으로 주변 주파수 대역의 신호 차이값을 계산할 수 있다. 예를 들어, 신경망 네트워크(2000)는 노멀 오디오 데이터와 관련하여, 1프레임을 기준으로 저주파 대역의 신호 크기(a1)와 중주파 대역의 신호 크기(a2) 차이(a2-a1)를 계산할 수 있다. 그리고, 신경망 네트워크(2000)는 바이노럴 오디오 데이터와 관련하여, 1프레임을 기준으로 저주파 대역의 신호 크기(b1)와 중주파 대역의 신호 크기(b2) 차이(b2-b1)를 계산할 수 있다. 신경망 네트워크(2000)는 가중치 감마(γ)에 기초하여 저주파 변동에 대한 손실값을 획득할 수 있다. 중주파 변동 손실값 및 고주파 변동 손실값은 저주파 변동 손실값과 유사하게 계산될 수 있으며 자세한 계산 과정에 대한 설명은 생략한다. 그리고, 신경망 네트워크(2000)은 1프레임에 대하여 저주파 변동, 중주파 변동, 고주파 변동에 대한 값을 종합하여 1프레임의 전체 변동 손실값을 획득할 수 있다.
신경망 네트워크(2000)는 전체 프레임의 볼륨 손실값, 스펙트럼 손실값, 변동 손실값 중 적어도 하나의 손실값에 기초하여 전체 손실값을 계산할 수 있다. 그리고, 신경망 네트워크(2000)는 획득된 전체 손실값에 기초하여 역전파 동작을 수행할 수 있으며 반복 학습할 수 있다. 신경망 네트워크(2000)는 반복 학습에 의하여 노멀 오디오 데이터와 바이노럴 오디오 데이터의 관계를 분석할 수 있고, 바이노럴 렌더링를 수행하기 위한 인공 지능 모델(1000)을 생성할 수 있다.
도 29는 종래 모델과 본원 모델의 효과를 비교하기 위한 일 실시 예에 따른 도면이다.
도 29를 참조하면, 2차원 그래프들(2905, 2910, 2915, 2920)은 오디오 데이터의 스펙트로그램일 수 있다. x축은 시간축을 의미하고 y축은 주파수를 의미하고 무채색으로 이루어진 색조의 차이는 주파수별 신호의 크기를 의미할 수 있다. 흰색과 검은색의 색조의 차이는 색조에 따라 주파수 신호의 크기가 다르다는 것을 의미할 수 있다. 여기서, 색조에 따른 주파수 신호의 크기를 0에서 2로 표현한 것은 상대적인 크기를 의미할 수 있으며, 실제 측정 크기가 아닐 수 있다.
본원 발명의 성능을 실험하기 위하여 좌측 마이크 및 우측 마이크를 포함하는 일반 녹음 장치로 녹음 한 노멀 오디오 데이터와 좌측 마이크 및 우측 마이크를 포함하는 바이노럴 녹음 장치로 녹음 한 바이노럴 오디오 데이터가 있다고 가정한다. 여기서, 노멀 오디오 데이터 및 바이노럴 오디오 데이터는 녹음 장치가 다를 뿐 동일한 음원을 녹음한 것으로 가정한다.
노멀 오디오 데이터와 동일한 음원을 녹음한 바이노럴 오디오 데이터의 스펙트로그램(2910)은 노멀 오디오 데이터의 스펙트로그램(2905)과 차이가 있다. 이러한 차이로 인하여 오디오 데이터를 청취하는 사용자는 바이노럴 효과를 느낄 수 있다.
신경망 네트워크(2000)가 생성한 인공 지능 모델(1000)은 노멀 오디오 데이터에 바이노럴 렌더링를 수행하여 바이노럴 오디오 데이터와 유사한 오디오 데이터로 변환하는 것을 목적으로 한다. 따라서, 렌더링 동작을 수행한 일반 오디오 데이터의 스펙트로그램(변환된 오디오 데이터의 스펙트로그램)이 바이노럴 오디오 데이터의 스펙트로그램(2910)과 유사할수록 렌더링 모델의 성능이 좋다고 판단할 수 있다.
노멀 오디오 데이터의 스펙트로그램(2905)을 기준으로 종래 모델(종래 오디오 렌더링 프로그램)을 적용하면 종래 모델에 기초한 출력 오디오 데이터의 스펙트로그램(2915)이 획득될 수 있다.
노멀 오디오 데이터의 스펙트로그램(2905)을 기준으로 본원 인공 지능 모델(1000)을 적용하면 본원 인공 지능 모델(1000)에 기초한 출력 오디오 데이터의 스펙트로그램(2920)이 획득될 수 있다.
종래 모델에 기초한 출력 오디오 데이터의 스펙트로그램(2915)보다 본원 인공 지능 모델(1000)에 기초한 출력 오디오 데이터의 스펙트로그램(2920)이 바이노럴 오디오 데이터의 스펙트로그램(2910)과 유사한 것을 통해, 본원 인공 지능 모델(1000)에 의한 렌더링이 적어도 신호적 측면에서는 더 큰 바이노럴 효과를 가진다고 판단될 수 있다.
도 30은 종래 모델과 본원 모델의 효과를 비교하기 위한 다른 실시 예에 따른 도면이다.
도 30을 참조하면, 종래 모델에 기초한 출력 오디오 데이터와 본원 인공 지능 모델(1000)에 기초한 출력 오디오 데이터의 차이를 통해 효과를 비교할 수 있다.
도 29에서 설명한 바와 같이 테스트를 위해 노멀 오디오 데이터와 바이노럴 오디오 데이터가 동일한 음원에 기초하여 녹음된 것으로 가정한다. 바이노럴 오디오 데이터와 노멀 오디오 데이터의 차이값에 따른 스펙트로그램(3005)은 주파수 신호 크기의 차이를 무채색 색조에 따라 표현될 수 있다. 검은색에 해당하는 부분은 차이가 작은 부분이고 흰색에 해당하는 부분은 차이가 큰 부분일 수 있다. 따라서, 스펙트로그램(3005)에서 흰색 부분이 표시된 영역은 노멀 오디오 데이터와 바이노럴 오디오 데이터의 차이가 발생하는 영역으로 판단할 수 있다.
한편, 종래 모델에 기초한 출력 오디오 데이터와 바이노럴 오디오 데이터의 차이값에 따른 스펙트로그램(3010)은 흰색 영역이 스펙트로그램(3005)보다 더 많을 수 있다. 흰색 영역이 많다는 것은 바이노럴 오디오 데이터와 종래 모델에 기초한 출력 오디오 데이터가 차이가 크다는 것을 의미할 수 있으며, 종래 모델에 기초한 출력 오디오 데이터의 바이노럴 효과가 적음을 의미할 수 있다. 그 이유는 종래 모델이 바이노럴 렌더링을 제대로 수행하지 못하거나 단순히 음질의 향상 또는 스테레오 변환 동작만을 수행하기 때문일 수 있다.
한편, 본원 인공 지능 모델(1000)에 기초한 출력 오디오 데이터와 바이노럴 오디오 데이터의 차이값에 따른 스펙트로그램(3015)은 흰색 영역이 스펙트로그램(3005)보다 적을 수 있다. 흰색 영역이 적다는 것은 인공 지능 모델(1000)에 기초한 출력 오디오 데이터가 바이노럴 오디오 데이터와 유사하다는 것을 의미할 수 있다.
바이노럴 렌더링을 적용하지 않은 데이터들의 차이값에 기초한 스펙트로그램(3005) 및 종래 모델에 기초한 스펙트로그램(3010)에는 흰색 영역이 많아 바이노럴 오디오 데이터와의 차이가 많이 발생할 수 있다. 하지만, 본원 인공 지능 모델(1000)에 기초한 스펙트로그램(3015)에는 흰색 영역이 적어 바이노럴 오디오 데이터와 차이가 거의 발생하지 않으므로, 인공 지능 모델(1000)에 의한 출력 오디오 데이터가 큰 바이노럴 효과를 가진다고 판단할 수 있다.
도 31은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 도면이다.
도 31을 참조하면 본 개시의 일 실시 예에 따른 적어도 하나의 인스트럭션을 저장하는 전자 장치(100)의 제어 방법은 인스트럭션을 실행함으로써, 카메라(115)를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하고 (S3105), 사용자 정보에 대응되는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력하고 (S3110) 인공 지능 모델(1000)로부터 출력 오디오 데이터를 획득할 수 있다 (S3115). 여기서, 인공 지능 모델(1000)은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 제2 학습 오디오 데이터는 바이노럴 오디오 데이터일 수 있다.
여기서, 제어 방법은 출력부에 사운드 출력 기기가 연결되었는지 여부를 식별하는 단계 및 사운드 출력 기기가 연결되지 않은 것으로 식별되면, 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이(160)에 디스플레이하는 단계를 더 포함할 수 있고, 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나일 수 있다.
또한, 입력 오디오 데이터를 입력하는 단계 (S3110)는 전자 장치(100)의 컨텍스트 정보 또는 사용자가 위치한 공간에 대한 정보 중 적어도 하나가 획득되면, 전자 장치(100)의 컨텍스트 정보 또는 사용자가 위치한 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력할 수 있으며, 인공 지능 모델(1000)은 전자 장치(100)의 컨텍스트 정보 또는 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 제1 학습 오디오 데이터, 제2 학습 오디오 데이터, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델일 수 있다.
여기서, 전자 장치(100)의 컨텍스트 정보는 전자 장치(100)에서 실행되는 어플리케이션에 대한 정보 또는 전자 장치(100)에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함할 수 있다.
또한, 전자 장치(100)의 컨텍스트 정보는 전자 장치(100)에서 실행되는 어플리케이션에 대한 정보이고, 제어 방법은 전자 장치(100)에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 인공 지능 모델(1000)로부터 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하는 단계를 더 포함할 수 있다.
한편, 사용자 정보는 사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함할 수 있으며, 사용자 신체 정보는 사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양 또는 사용자 귀의 크기 중 적어도 하나를 포함할 수 있으며, 사용자 식별 정보는 사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함할 수 있다.
또한, 녹음 장치는 사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함할 수 있으며, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보는 사람의 머리 모형 크기, 사람의 머리 모형 형상, 사람의 귀 모형 크기, 또는 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함할 수 있다.
또한, 인공 지능 모델(1000)은 제1 학습 오디오 데이터, 제2 학습 오디오 데이터, 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 제1 학습 오디오 데이터 및 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고, 녹음 상황에 대한 정보는 음원 거리 정보(또는 녹음 거리 정보) 또는 녹음 공간 정보 중 적어도 하나를 포함할 수 있다. 여기서, 제어 방법은 상기 전자 장치에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득하고, 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 설치 가능한 어플리케이션 형태로 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들에 따른 방법들은, 기존 전자 장치에 대한 소프트웨어 업그레이드, 또는 하드웨어 업그레이드 만으로도 구현될 수 있다.
또한, 상술한 본 개시의 다양한 실시 예들은 전자 장치에 구비된 임베디드 서버, 또는 전자 장치 및 디스플레이 장치 중 적어도 하나의 외부 서버를 통해 수행되는 것도 가능하다.
한편, 적어도 하나의 인스트럭션을 저장하는 전자 장치(100)가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 동작은 인스트럭션을 실행함으로써, 카메라(115)를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하는 단계, 사용자 정보에 대응되는 인공 지능 모델(1000)에 입력 오디오 데이터를 입력하는 단계 및 인공 지능 모델(1000)로부터 출력 오디오 데이터를 획득하는 단계를 포함하고 인공 지능 모델(1000)은 제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고, 제2 학습 오디오 데이터는 바이노럴 오디오 데이터이다.
한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 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 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 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.
또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 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.
또한, 상술한 다양한 실시 예들에 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 실시 예에 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 실시 예들에 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.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 전자 장치 110: 메모리
115: 카메라 120: 프로세서

Claims (20)

  1. 전자 장치에 있어서,
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    상기 인스트럭션을 실행함으로써,
    사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하고,
    상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 프로세서;를 포함하며,
    상기 인공 지능 모델은,
    제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고,
    상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터인, 전자 장치.
  2. 제1항에 있어서,
    카메라;
    출력부; 및
    디스플레이;를 더 포함하며,
    상기 프로세서는,
    상기 카메라를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하고,
    상기 출력부에 사운드 출력 기기가 연결되었는지 여부를 식별하고, 상기 사운드 출력 기기가 연결되지 않은 것으로 식별되면, 상기 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이하도록 상기 디스플레이를 제어하고,
    상기 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나인, 전자 장치.
  3. 제1항에 있어서,
    상기 프로세서는,
    상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나가 획득되면, 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력하며,
    상기 인공 지능 모델은,
    상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델인, 전자 장치.
  4. 제3항에 있어서,
    상기 전자 장치의 컨텍스트 정보는,
    상기 전자 장치에서 실행되는 어플리케이션에 대한 정보 또는 상기 전자 장치에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함하는, 전자 장치.
  5. 제3항에 있어서,
    디스플레이;를 더 포함하며,
    상기 전자 장치의 컨텍스트 정보는,
    상기 전자 장치에서 실행되는 어플리케이션에 대한 정보이고,
    상기 프로세서는,
    상기 전자 장치에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 상기 인공 지능 모델로부터 상기 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하도록 상기 디스플레이를 제어하는, 전자 장치.
  6. 제1항에 있어서,
    상기 사용자 정보는,
    사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함하며,
    상기 사용자 신체 정보는,
    사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양 또는 사용자 귀의 크기 중 적어도 하나를 포함하며,
    상기 사용자 식별 정보는,
    사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함하는, 전자 장치.
  7. 제1항에 있어서,
    상기 녹음 장치는,
    사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함하며,
    상기 제2 학습 오디오 데이터를 획득하기 위한 상기 녹음 장치에 대한 정보는,
    상기 사람의 머리 모형 크기, 상기 사람의 머리 모형 형상, 상기 사람의 귀 모형 크기, 또는 상기 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함하는, 전자 장치.
  8. 제1항에 있어서,
    상기 인공 지능 모델은,
    상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 상기 제1 학습 오디오 데이터 및 상기 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고,
    상기 녹음 상황에 대한 정보는,
    음원 거리 정보 또는 녹음 공간 정보 중 적어도 하나를 포함하며,
    상기 프로세서는,
    상기 전자 장치에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득하고, 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력하는, 전자 장치.
  9. 제1항에 있어서,
    상기 인공 지능 모델이 학습되는 신경망 네트워크는,
    복수의 레이어를 포함하며,
    상기 제1 학습 오디오 데이터를 입력 받고,
    상기 복수의 레이어를 통한 연산에 기초하여 예상 오디오 데이터를 시간 도메인으로 출력하며,
    상기 복수의 레이어에서 이용되는 파라미터는,
    상기 시간 도메인으로 출력된 상기 예상 오디오 데이터 및 제2 학습 오디오 데이터를 각각 주파수 도메인에서 비교하는 비용 함수에 기초하여 학습되는, 전자 장치.
  10. 제9항에 있어서,
    상기 비용 함수는,
    상기 예상 오디오 데이터의 신호 세기 및 상기 제2 학습 오디오 데이터의 신호 세기에 기초하여 획득된 제1 손실값, 상기 예상 오디오 데이터의 각 주파수 별 세기 및 상기 제2 학습 오디오 데이터의 주파수 별 세기에 기초하여 획득된 제2 손실값, 또는 상기 예상 오디오 데이터의 노이즈 정보 및 상기 제2 학습 오디오 데이터의 노이즈 정보에 기초하여 획득된 제3 손실값을 이용하는, 전자 장치.
  11. 제10항에 있어서,
    상기 예상 오디오 데이터의 제1 주파수 세기 및 상기 제2 학습 오디오 데이터의 상기 제1 주파수 세기의 차이에 적용되는 제1 가중치는,
    상기 예상 오디오 데이터의 제2 주파수 세기 및 상기 제2 학습 오디오 데이터의 상기 제2 주파수 세기의 차이에 적용되는 제2 가중치와 상이한, 전자 장치.
  12. 적어도 하나의 인스트럭션을 저장하는 전자 장치의 제어 방법에 있어서,
    상기 인스트럭션을 실행함으로써, 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하는 단계; 및
    상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 단계;를 포함하고,
    상기 인공 지능 모델은,
    제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고,
    상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터인, 제어 방법.
  13. 제12항에 있어서,
    상기 제어 방법은,
    카메라를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하는 단계;
    출력부에 사운드 출력 기기가 연결되었는지 여부를 식별하는 단계; 및
    상기 사운드 출력 기기가 연결되지 않은 것으로 식별되면, 상기 사운드 출력 기기의 연결을 가이드하는 가이드 UI를 디스플레이하는 단계;를 더 포함하고,
    상기 사운드 출력 기기는 이어폰 또는 헤드폰 중 적어도 하나인, 제어 방법.
  14. 제12항에 있어서,
    상기 입력 오디오 데이터를 입력하는 단계는,
    상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나가 획득되면, 상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력하며,
    상기 인공 지능 모델은,
    상기 전자 장치의 컨텍스트 정보 또는 상기 사용자가 위치한 공간에 대한 정보 중 적어도 하나, 상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델인, 제어 방법.
  15. 제14항에 있어서,
    상기 전자 장치의 컨텍스트 정보는,
    상기 전자 장치에서 실행되는 어플리케이션에 대한 정보 또는 상기 전자 장치에 설정된 오디오 볼륨 정보 중 적어도 하나를 포함하는, 제어 방법.
  16. 제14항에 있어서,
    상기 전자 장치의 컨텍스트 정보는,
    상기 전자 장치에서 실행되는 어플리케이션에 대한 정보이고,
    상기 제어 방법은,
    상기 전자 장치에서 실행되는 어플리케이션이 오디오 관련 어플리케이션인 경우, 상기 인공 지능 모델로부터 상기 출력 오디오 데이터를 획득할지 여부를 문의하는 UI를 디스플레이하는 단계;를 더 포함하는, 제어 방법.
  17. 제12항에 있어서,
    상기 사용자 정보는,
    사용자 신체 정보 또는 사용자 식별 정보 중 적어도 하나를 포함하며,
    상기 사용자 신체 정보는,
    사용자 머리 크기, 사용자 머리 모양, 사용자 머리 둘레, 사용자 귀의 위치, 사용자 귀 모양 또는 사용자 귀의 크기 중 적어도 하나를 포함하며,
    상기 사용자 식별 정보는,
    사용자 성별, 사용자 연령, 사용자 청력 중 적어도 하나를 포함하는, 제어 방법.
  18. 제12항에 있어서,
    상기 녹음 장치는,
    사람의 머리 모형, 사람의 귀 모형 또는 복수의 마이크 중 적어도 하나를 포함하며,
    상기 제2 학습 오디오 데이터를 획득하기 위한 상기 녹음 장치에 대한 정보는,
    상기 사람의 머리 모형 크기, 상기 사람의 머리 모형 형상, 상기 사람의 귀 모형 크기, 또는 상기 사람의 귀 모형 형상 중 적어도 하나에 대한 정보를 포함하는, 제어 방법.
  19. 제12항에 있어서,
    상기 인공 지능 모델은,
    상기 제1 학습 오디오 데이터, 상기 제2 학습 오디오 데이터, 상기 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보 및, 상기 제1 학습 오디오 데이터 및 상기 제2 학습 오디오 데이터의 녹음 상황에 대한 정보에 기초하여 학습된 모델이고,
    상기 녹음 상황에 대한 정보는,
    음원 거리 정보 또는 녹음 공간 정보 중 적어도 하나를 포함하고,
    상기 제어 방법은 상기 전자 장치에서 실행되는 어플리케이션이 가상 공간과 관련된 어플리케이션인 경우, 음원 정보 및 공간 정보를 포함하는 가상 공간 컨텐츠를 획득하고, 상기 획득한 가상 공간 컨텐츠에 대응되는 인공 지능 모델에 상기 입력 오디오 데이터를 입력하는, 제어 방법.
  20. 적어도 하나의 인스트럭션을 저장하는 전자 장치의 프로세서에 의해 실행되는 경우 상기 전자 장치가 동작을 수행하도록 하는 컴퓨터 명령을 저장하는 비일시적 컴퓨터 판독 가능 매체에 있어서, 상기 동작은,
    상기 인스트럭션을 실행함으로써, 카메라를 통해 획득된 사용자 영상에 기초하여 사용자 정보를 획득하는 단계;
    상기 사용자 정보에 대응되는 인공 지능 모델에 입력 오디오 데이터를 입력하는 단계; 및
    상기 인공 지능 모델로부터 출력 오디오 데이터를 획득하는 단계;를 포함하고,
    상기 인공 지능 모델은,
    제1 녹음 장치로 음원을 녹음한 제1 학습 오디오 데이터, 제2 녹음 장치로 상기 음원을 녹음한 제2 학습 오디오 데이터 및 제2 학습 오디오 데이터를 획득하기 위한 녹음 장치에 대한 정보에 기초하여 학습된 모델이고,
    상기 제2 학습 오디오 데이터는 바이노럴 오디오 데이터인, 컴퓨터 판독가능 기록매체.

KR1020190110352A 2019-07-15 2019-09-05 전자 장치 및 그 제어 방법 KR20210008788A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2020/002513 WO2021010562A1 (en) 2019-07-15 2020-02-21 Electronic apparatus and controlling method thereof
US16/847,947 US11412341B2 (en) 2019-07-15 2020-04-14 Electronic apparatus and controlling method thereof
US17/851,795 US20220329966A1 (en) 2019-07-15 2022-06-28 Electronic apparatus and controlling method thereof

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962874056P 2019-07-15 2019-07-15
US62/874,056 2019-07-15

Publications (1)

Publication Number Publication Date
KR20210008788A true KR20210008788A (ko) 2021-01-25

Family

ID=74237893

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190110352A KR20210008788A (ko) 2019-07-15 2019-09-05 전자 장치 및 그 제어 방법

Country Status (2)

Country Link
US (1) US11412341B2 (ko)
KR (1) KR20210008788A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022169334A1 (ko) * 2021-02-08 2022-08-11 삼성전자 주식회사 인공지능 모델을 이용한 공간 내 에너지 또는 사운드 파워를 예측하는 방법 및 확성기 시스템
WO2022260450A1 (ko) * 2021-06-09 2022-12-15 주식회사 코클 오디오 음질 변환 장치 및 그의 제어방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11341945B2 (en) * 2019-08-15 2022-05-24 Samsung Electronics Co., Ltd. Techniques for learning effective musical features for generative and retrieval-based applications
US20220365799A1 (en) * 2021-05-17 2022-11-17 Iyo Inc. Using machine learning models to simulate performance of vacuum tube audio hardware

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2880755A1 (fr) 2005-01-10 2006-07-14 France Telecom Procede et dispositif d'individualisation de hrtfs par modelisation
US8194865B2 (en) 2007-02-22 2012-06-05 Personics Holdings Inc. Method and device for sound detection and audio control
US9131305B2 (en) * 2012-01-17 2015-09-08 LI Creative Technologies, Inc. Configurable three-dimensional sound system
US10013975B2 (en) 2014-02-27 2018-07-03 Qualcomm Incorporated Systems and methods for speaker dictionary based speech modeling
KR20150104345A (ko) 2014-03-05 2015-09-15 삼성전자주식회사 음성 합성 장치 및 음성 합성 방법
US9226090B1 (en) * 2014-06-23 2015-12-29 Glen A. Norris Sound localization for an electronic call
KR101844932B1 (ko) 2014-09-16 2018-04-03 한국전자통신연구원 신호처리 알고리즘이 통합된 심층 신경망 기반의 음성인식 장치 및 이의 학습방법
KR101975057B1 (ko) 2015-03-20 2019-05-03 한국전자통신연구원 잡음 환경에서의 음성 인식을 위한 특징 보상 장치 및 방법
US10332509B2 (en) 2015-11-25 2019-06-25 Baidu USA, LLC End-to-end speech recognition
KR102481486B1 (ko) 2015-12-04 2022-12-27 삼성전자주식회사 오디오 제공 방법 및 그 장치
US10492008B2 (en) 2016-04-06 2019-11-26 Starkey Laboratories, Inc. Hearing device with neural network-based microphone signal processing
JP6996501B2 (ja) 2016-05-11 2022-01-17 ソニーグループ株式会社 情報処理装置および方法
US9967693B1 (en) 2016-05-17 2018-05-08 Randy Seamans Advanced binaural sound imaging
US9860636B1 (en) * 2016-07-12 2018-01-02 Google Llc Directional microphone device and signal processing techniques
KR102614577B1 (ko) 2016-09-23 2023-12-18 삼성전자주식회사 전자 장치 및 그 제어 방법
US20180115854A1 (en) 2016-10-26 2018-04-26 Htc Corporation Sound-reproducing method and sound-reproducing system
KR102409303B1 (ko) 2016-12-15 2022-06-15 삼성전자주식회사 음성 인식 방법 및 장치
US11003417B2 (en) 2016-12-15 2021-05-11 Samsung Electronics Co., Ltd. Speech recognition method and apparatus with activation word based on operating environment of the apparatus
US10009690B1 (en) * 2017-12-08 2018-06-26 Glen A. Norris Dummy head for electronic calls
TWI698132B (zh) * 2018-07-16 2020-07-01 宏碁股份有限公司 音效輸出裝置、運算裝置及其音效控制方法
US10817251B2 (en) * 2018-11-29 2020-10-27 Bose Corporation Dynamic capability demonstration in wearable audio device
KR102574477B1 (ko) 2018-12-26 2023-09-04 삼성전자주식회사 사운드 데이터를 변환하는 방법, 단말기 및 이를 위한 단말기 케이스

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022169334A1 (ko) * 2021-02-08 2022-08-11 삼성전자 주식회사 인공지능 모델을 이용한 공간 내 에너지 또는 사운드 파워를 예측하는 방법 및 확성기 시스템
US11553298B2 (en) 2021-02-08 2023-01-10 Samsung Electronics Co., Ltd. Automatic loudspeaker room equalization based on sound field estimation with artificial intelligence models
WO2022260450A1 (ko) * 2021-06-09 2022-12-15 주식회사 코클 오디오 음질 변환 장치 및 그의 제어방법
KR20220166147A (ko) * 2021-06-09 2022-12-16 주식회사 코클 오디오 음질 변환 장치 및 그의 제어방법

Also Published As

Publication number Publication date
US20210021953A1 (en) 2021-01-21
US11412341B2 (en) 2022-08-09

Similar Documents

Publication Publication Date Title
KR102642275B1 (ko) 증강 현실 헤드폰 환경 렌더링
US11412341B2 (en) Electronic apparatus and controlling method thereof
US10123140B2 (en) Dynamic calibration of an audio system
US11432097B2 (en) User interface for controlling audio rendering for extended reality experiences
US20220329966A1 (en) Electronic apparatus and controlling method thereof
CN107168518B (zh) 一种用于头戴显示器的同步方法、装置及头戴显示器
US20200186912A1 (en) Audio headset device
US10649729B2 (en) Audio device with auditory system display and methods for use therewith
EP3097542B1 (en) Creating a realistic color for a virtual object in an augmented reality environment
US9326086B2 (en) Neural induced enhancement of audio signals
US11429340B2 (en) Audio capture and rendering for extended reality experiences
US11937065B2 (en) Adjustment of parameter settings for extended reality experiences
CN111818441B (zh) 音效实现方法、装置、存储介质及电子设备
CN108269460B (zh) 一种电子屏幕的阅读方法、***及终端设备
US20200278832A1 (en) Voice activation for computing devices
US20210019113A1 (en) Display apparatus and controlling method thereof
Cohen et al. Spatial soundscape superposition and multimodal interaction
CN111314553B (zh) 音量调节方法、装置、终端及存储介质
KR20190118906A (ko) 전자 장치 및 그 제어 방법
WO2023173285A1 (zh) 音频处理方法、装置、电子设备及计算机可读存储介质
WO2024032590A1 (zh) 一种音频播放方法及相关装置
KR20240081023A (ko) 사운드를 모드에 따라 상이하게 처리하기 위한 전자 장치 및 그 제어 방법
KR20240054139A (ko) 콘텐트를 제공하는 방법 및 디스플레이 장치
CN113660347A (zh) 数据处理方法、装置、电子设备和可读存储介质