WO2020235696A1 - 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 - Google Patents
스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 Download PDFInfo
- Publication number
- WO2020235696A1 WO2020235696A1 PCT/KR2019/005899 KR2019005899W WO2020235696A1 WO 2020235696 A1 WO2020235696 A1 WO 2020235696A1 KR 2019005899 W KR2019005899 W KR 2019005899W WO 2020235696 A1 WO2020235696 A1 WO 2020235696A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- text
- style
- voice
- processor
- speech
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims description 66
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 35
- 238000013135 deep learning Methods 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 description 126
- 238000013528 artificial neural network Methods 0.000 description 81
- 238000012549 training Methods 0.000 description 51
- 239000010410 layer Substances 0.000 description 44
- 230000006870 function Effects 0.000 description 27
- 238000004891 communication Methods 0.000 description 25
- 238000013507 mapping Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 17
- 238000000605 extraction Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 206010041349 Somnolence Diseases 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000556720 Manga Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/02—Methods for producing synthetic speech; Speech synthesisers
- G10L13/033—Voice editing, e.g. manipulating the voice of the synthesiser
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L13/00—Speech synthesis; Text to speech systems
- G10L13/08—Text analysis or generation of parameters for speech synthesis out of text, e.g. grapheme to phoneme translation, prosody generation or stress or intonation determination
- G10L13/10—Prosody rules derived from text; Stress or intonation
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
- G10L2015/226—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics
- G10L2015/227—Procedures used during a speech recognition process, e.g. man-machine dialogue using non-speech characteristics of the speaker; Human-factor methodology
Definitions
- the present invention relates to an artificial intelligence apparatus and method for converting text and speech to each other. Specifically, the present invention relates to an artificial intelligence apparatus and method for converting the input text into a speech in consideration of the style of the input text or into a text in consideration of the input speech style.
- the voice-to-text service is used to automatically generate captions in video media, or is used in various services based on voice recognition, and the text-to-speech service is used in voice guidance services.
- the conventional service for converting speech and text to each other only uses a predetermined Speech-To-Text (STT) engine or a Text-To-Speech (TTS) engine, and thus cannot reflect various speech styles and text styles.
- STT Speech-To-Text
- TTS Text-To-Speech
- voices spoken or written by the same user are all converted into texts or voices having the same style.
- An object of the present invention is to provide an artificial intelligence device and method for converting and outputting the acquired text into speech having a corresponding speech style when image data including text is acquired.
- an object of the present invention is to provide an artificial intelligence device and method for converting and outputting the acquired voice into text having a corresponding text style when sound data including voice is acquired.
- the present invention is to provide an artificial intelligence device and method for converting voice and text to each other by classifying a plurality of voice speakers or text creators.
- An embodiment of the present invention is to obtain image data including text, determine a speech style corresponding to the text, and use a text-to-speech (TTS) engine corresponding to the determined speech style. It is intended to provide an artificial intelligence device and method for generating and outputting the generated voice.
- TTS text-to-speech
- an embodiment of the present invention obtains sound data including voice, determines a text style corresponding to the voice, and corresponds to the voice by using a Speech-To-Text (STT) engine corresponding to the determined text style.
- STT Speech-To-Text
- an embodiment of the present invention determines the speaker of the input voice or the creator of the input text, and when the registered user is the speaker of the voice or the author of the text, the voice style or text style of the registered user is
- An artificial intelligence device and method for converting voice and text to each other based on the present invention are provided.
- voice and text are mutually converted in consideration of the style of an input voice or text, thereby providing a user with a voice-to-text conversion service with more unity and realism.
- a personalized voice-to-text conversion service can be provided for each registered user by mutually converting voice and text by reflecting the voice style and text style of each registered user.
- FIG. 1 is a block diagram showing the configuration of a terminal 100 according to an embodiment of the present invention.
- FIG. 2 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
- FIG. 3 is a flowchart illustrating a method of converting text and speech to each other according to an embodiment of the present invention.
- FIG. 4 is an operation flowchart showing an example of a step S303 of determining a speech style corresponding to the text shown in FIG. 3.
- FIG. 5 is an operation flowchart showing an example of a step S303 of determining a speech style corresponding to the text shown in FIG. 3.
- FIG. 6 is a diagram illustrating an example of a mapping relationship between image data and attribute keywords in an embodiment of the present invention.
- FIG. 7 is a diagram illustrating an example of converting text into speech according to an embodiment of the present invention.
- FIG. 8 is a flowchart illustrating a method of converting text and speech to each other according to an embodiment of the present invention.
- FIG. 9 is an operation flowchart showing an example of the step (S803) of determining a text style corresponding to the voice illustrated in FIG. 8.
- FIG. 10 is an operation flowchart showing an example of a step S803 of determining a text style corresponding to the voice shown in FIG. 8.
- FIG. 11 is a diagram illustrating an example of a mapping relationship between sound data and attribute keywords in an embodiment of the present invention.
- FIG. 12 is a diagram illustrating an example of converting speech into text according to an embodiment of the present invention.
- FIG. 13 is a diagram illustrating an example of translating text and voice to each other in consideration of a user according to an embodiment of the present invention.
- FIG. 14 is a diagram illustrating an example of translating text and voice to each other in consideration of a user according to an embodiment of the present invention.
- 15 is a diagram illustrating examples of translating text and speech to each other according to an embodiment of the present invention.
- 16 is a diagram illustrating examples of translating text and speech to each other according to an embodiment of the present invention.
- AI Artificial intelligence
- artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
- attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
- Machine learning is a branch of artificial intelligence, a field of research that gives computers the ability to learn without explicit programming.
- machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, performs prediction, and improves its own performance, and algorithms for it.
- Machine learning algorithms do not execute strictly defined static program instructions, but rather build specific models to derive predictions or decisions based on input data.
- machine learning' can be used interchangeably with the term'machine learning'.
- the decision tree is an analysis method that charts decision rules into a tree structure and performs classification and prediction.
- Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
- the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
- An artificial neural network is an information processing system in which a number of neurons, called nodes or processing elements, are connected in a layer structure by modeling the operation principle of biological neurons and the connection relationship between neurons.
- Artificial neural networks are models used in machine learning, and are statistical learning algorithms inspired by biological neural networks (especially the brain among animals' central nervous systems) in machine learning and cognitive science.
- the artificial neural network may refer to an overall model having problem-solving ability by changing the strength of synaptic bonding through learning by artificial neurons (nodes) that form a network by combining synapses.
- artificial neural network may be used interchangeably with the term neural network.
- the artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons.
- artificial neural networks may include synapses that connect neurons and neurons.
- Artificial neural networks generally have three factors: (1) the connection pattern between neurons in different layers (2) the learning process to update the weight of the connection (3) the output value from the weighted sum of the input received from the previous layer. It can be defined by the activation function it creates.
- the artificial neural network may include network models such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), BRDNN (Bidirectional Recurrent Deep Neural Network), MLP (Multilayer Perceptron), and CNN (Convolutional Neural Network). , Is not limited thereto.
- DNN Deep Neural Network
- RNN Recurrent Neural Network
- BRDNN Bidirectional Recurrent Deep Neural Network
- MLP Multilayer Perceptron
- CNN Convolutional Neural Network
- the term'layer' may be used interchangeably with the term'layer'.
- a general single-layer neural network is composed of an input layer and an output layer.
- a general multilayer neural network is composed of an input layer, one or more hidden layers, and an output layer.
- the input layer is a layer that receives external data
- the number of neurons in the input layer is the same as the number of input variables
- the hidden layer is located between the input layer and the output layer, receives signals from the input layer, extracts characteristics, and transfers them to the output layer. do.
- the output layer receives a signal from the hidden layer and outputs an output value based on the received signal.
- the input signal between neurons is multiplied by each connection strength (weight) and then summed. If the sum is greater than the neuron's threshold, the neuron is activated and the output value obtained through the activation function is output.
- a deep neural network including a plurality of hidden layers between an input layer and an output layer may be a representative artificial neural network implementing deep learning, a type of machine learning technology.
- the term'deep learning' can be used interchangeably with the term'deep learning'.
- the artificial neural network can be trained using training data.
- learning means a process of determining parameters of an artificial neural network using training data in order to achieve the purpose of classifying, regressing, or clustering input data.
- parameters of an artificial neural network include weights applied to synapses or biases applied to neurons.
- the artificial neural network learned by the training data may classify or cluster input data according to patterns of the input data.
- an artificial neural network trained using training data may be referred to as a trained model in this specification.
- the following describes the learning method of artificial neural networks.
- Learning methods of artificial neural networks can be classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
- Supervised learning is a method of machine learning to infer a function from training data.
- outputting a continuous value is called regression, and predicting and outputting the class of an input vector can be called classification.
- an artificial neural network is trained with a label for training data.
- the label may mean a correct answer (or result value) that the artificial neural network must infer when training data is input to the artificial neural network.
- the correct answer (or result value) to be inferred by the artificial neural network is referred to as a label or labeling data.
- labeling setting a label on training data for learning an artificial neural network is referred to as labeling the training data with labeling data.
- the training data and the label corresponding to the training data constitute one training set, and may be input to the artificial neural network in the form of a training set.
- the training data represents a plurality of features
- labeling of the training data may mean that a label is attached to the feature represented by the training data.
- the training data may represent the characteristics of the input object in the form of a vector.
- the artificial neural network can infer a function for the correlation between the training data and the labeling data using the training data and the labeling data.
- parameters of the artificial neural network may be determined (optimized) through evaluation of a function inferred from the artificial neural network.
- Unsupervised learning is a type of machine learning, where no labels are given for training data.
- the unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in the training data itself, rather than an association relationship between training data and a label corresponding to the training data.
- unsupervised learning examples include clustering or independent component analysis.
- Examples of artificial neural networks using unsupervised learning include Generative Adversarial Network (GAN) and Autoencoder (AE).
- GAN Generative Adversarial Network
- AE Autoencoder
- a generative adversarial neural network is a machine learning method in which two different artificial intelligences compete and improve performance, a generator and a discriminator.
- the generator is a model that creates new data and can create new data based on the original data.
- the discriminator is a model that recognizes a pattern of data, and may play a role of discriminating whether input data is original data or fake data generated by a generator.
- the generator learns by receiving data that cannot be deceived by the discriminator, and the discriminator can learn by receiving deceived data from the generator. Accordingly, the generator can evolve to deceive the discriminator as well as possible, and the discriminator can evolve to distinguish between the original data and the data generated by the generator.
- Auto encoders are neural networks that aim to reproduce the input itself as an output.
- the auto encoder includes an input layer, at least one hidden layer and an output layer.
- data output from the hidden layer goes to the output layer.
- the dimension of the data increases, and accordingly, decompression or decoding is performed.
- the auto-encoder controls the connection strength of neurons through learning, so that input data is expressed as hidden layer data.
- information is expressed with fewer neurons than in the input layer, but being able to reproduce the input data as an output may mean that the hidden layer found and expressed a hidden pattern from the input data.
- Semi-supervised learning is a kind of machine learning, and may mean a learning method using both labeled training data and unlabeled training data.
- Reinforcement learning is the theory that, given an environment in which an agent can judge what action to do at every moment, it can find the best way to experience without data.
- Reinforcement learning can be mainly performed by the Markov Decision Process (MDP).
- MDP Markov Decision Process
- the structure of the artificial neural network is specified by the configuration of the model, activation function, loss function or cost function, learning algorithm, optimization algorithm, etc., and hyperparameters are pre-trained. It is set, and then, a model parameter is set through learning, so that the content can be specified.
- factors determining the structure of an artificial neural network may include the number of hidden layers, the number of hidden nodes included in each hidden layer, an input feature vector, a target feature vector, and the like.
- Hyperparameters include several parameters that must be initially set for learning, such as initial values of model parameters. And, the model parameter includes several parameters to be determined through learning.
- the hyperparameter may include an initial weight value between nodes, an initial bias value between nodes, a mini-batch size, a number of learning iterations, and a learning rate.
- the model parameters may include weights between nodes, biases between nodes, and the like.
- the loss function can be used as an index (reference) for determining an optimal model parameter in the learning process of the artificial neural network.
- learning refers to the process of manipulating model parameters to reduce the loss function, and the purpose of learning can be seen as determining model parameters that minimize the loss function.
- the loss function may mainly use a mean squared error (MSE) or a cross entropy error (CEE), but the present invention is not limited thereto.
- MSE mean squared error
- CEE cross entropy error
- the cross entropy error may be used when the correct answer label is one-hot encoded.
- One-hot encoding is an encoding method in which the correct answer label value is set to 1 only for neurons corresponding to the correct answer, and the correct answer label value is set to 0 for non-correct answer neurons.
- learning optimization algorithms can be used to minimize loss functions, and learning optimization algorithms include Gradient Descent (GD), Stochastic Gradient Descent (SGD), and Momentum. ), NAG (Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam, etc.
- Gradient descent is a technique that adjusts model parameters in the direction of reducing the loss function value by considering the slope of the loss function in the current state.
- the direction to adjust the model parameter is called the step direction, and the size to be adjusted is called the step size.
- the step size may mean a learning rate.
- a gradient is obtained by partial differentiation of a loss function into each model parameter, and model parameters are updated by changing the acquired gradient direction by a learning rate.
- the stochastic gradient descent method is a technique that increases the frequency of gradient descent by dividing training data into mini-batch and performing gradient descent for each mini-batch.
- Adagrad, AdaDelta, and RMSProp are techniques that increase optimization accuracy by adjusting the step size in SGD.
- momentum and NAG are techniques to increase optimization accuracy by adjusting the step direction.
- Adam is a technique that improves optimization accuracy by adjusting the step size and step direction by combining momentum and RMSProp.
- Nadam is a technique that increases optimization accuracy by adjusting step size and step direction by combining NAG and RMSProp.
- the learning speed and accuracy of an artificial neural network are highly dependent on hyperparameters as well as the structure of the artificial neural network and the type of learning optimization algorithm. Therefore, in order to obtain a good learning model, it is important not only to determine an appropriate artificial neural network structure and learning algorithm, but also to set appropriate hyperparameters.
- hyperparameters are experimentally set to various values to train an artificial neural network, and as a result of learning, the hyperparameter is set to an optimal value that provides stable learning speed and accuracy.
- FIG. 1 is a block diagram showing the configuration of a terminal 100 according to an embodiment of the present invention.
- the terminal 100 may be referred to as an artificial intelligence device 100.
- the terminal 100 includes a television (TV), a projector, a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, a personal digital assistants (PDA), a portable multimedia player (PMP), a navigation system, and a slate PC.
- PDA personal digital assistants
- PMP portable multimedia player
- slate PC slate PC
- tablet PC ultrabook
- wearable device e.g., smartwatch, smart glass, head mounted display (HMD)
- HMD head mounted display
- STB set-top box
- DMB receiver a radio
- washing machine a refrigerator
- desktop computer a fixed device such as a digital signage
- a movable device a movable device.
- the terminal 100 may be implemented in the form of various home appliances used at home, and may be applied to a fixed or movable robot.
- the terminal 100 may perform the function of a voice agent.
- the voice agent may be a program that recognizes a user's voice and outputs a voice response suitable for the recognized user's voice.
- the terminal 100 includes a wireless communication unit 110, an input unit 120, a learning processor 130, a sensing unit 140, and an output unit. It may include an output unit 150, an interface unit 160, a memory 170, a processor 180, a power supply unit 190, and the like.
- a trained model may be mounted on the terminal 100.
- the learning model may be implemented as hardware, software, or a combination of hardware and software, and when part or all of the learning model is implemented as software, one or more instructions constituting the learning model may be stored in the memory 170. .
- the wireless communication unit 110 includes a broadcast receiving module (111), a mobile communication module (112), a wireless Internet module (113), and a short range communication module (114). , It may include at least one of the location information module (Location Information Module, 115).
- the broadcast reception module 111 receives a broadcast signal and/or broadcast-related information from an external broadcast management server through a broadcast channel.
- the mobile communication module 112 includes technical standards or communication methods for mobile communication (eg, GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000)), EV -DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA), HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.), transmits and receives radio signals with at least one of a base station, an external terminal, and a server.
- GSM Global System for Mobile communication
- CDMA Code Division Multi Access
- CDMA2000 Code Division Multi Access 2000
- EV -DO Enhanced Voice-Data Optimized or Enhanced Voice-Data Only
- WCDMA Wideband CDMA
- HSDPA High Speed Downlink Packet Access
- HSUPA High Speed Uplink Packet Access
- LTE Long Term Evolution
- the wireless Internet module 113 refers to a module for wireless Internet access, and may be built-in or external to the terminal 100.
- the wireless Internet module 113 is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
- wireless Internet technologies include WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World Interoperability for Microwave Access), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), and Long Term Evolution-Advanced (LTE-A).
- WLAN Wireless LAN
- Wi-Fi Wireless-Fidelity
- Wi-Fi Wireless Fidelity
- Direct wireless Internet technologies
- DLNA Digital Living Network Alliance
- WiBro Wireless Broadband
- WiMAX Worldwide Interoperability for Microwave Access
- HSDPA High Speed Downlink Packet Access
- HSUPA High Speed Uplink Packet Access
- LTE Long Term Evolution
- LTE-A Long Term Evolution-Advanced
- the short range communication module 114 is for short range communication, and includes BluetoothTM, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, and NFC.
- RFID Radio Frequency Identification
- IrDA Infrared Data Association
- UWB Ultra Wideband
- ZigBee ZigBee
- NFC Near field communication may be supported by using at least one of (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, and Wireless USB (Wireless Universal Serial Bus) technologies.
- the location information module 115 is a module for obtaining a location (or current location) of a terminal, and representative examples thereof include a GPS (Global Positioning System) module or a WiFi (Wireless Fidelity) module. For example, if the terminal utilizes the GPS module, the terminal can acquire the location of the terminal using a signal transmitted from a GPS satellite.
- GPS Global Positioning System
- WiFi Wireless Fidelity
- the input unit 120 may include a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit 123 for receiving information from a user. have.
- the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
- the input unit 120 may obtain training data for model training and input data to be used when obtaining an output using the learned model.
- the input unit 120 may obtain unprocessed input data, in which case the processor 180 or the learning processor 130 preprocesses the acquired data to generate training data or preprocessed input data that can be input to model training. can do.
- the preprocessing of the input data may mean extracting an input feature from the input data.
- the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user, and for inputting image information, the terminal 100 is one or more cameras. (121) can be provided.
- the camera 121 processes an image frame such as a still image or a video obtained by an image sensor in a video call mode or a photographing mode.
- the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
- the microphone 122 processes an external sound signal into electrical voice data.
- the processed voice data may be used in various ways according to a function (or an application program being executed) being executed by the terminal 100. Meanwhile, the microphone 122 may be implemented with various noise removal algorithms for removing noise generated in a process of receiving an external sound signal.
- the user input unit 123 is for receiving information from a user.
- the processor 180 may control the operation of the terminal 100 to correspond to the input information.
- the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the terminal 100, a dome switch, a jog wheel, a jog switch, etc. ) And touch-type input means.
- the touch-type input means comprises a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) disposed on.
- the learning processor 130 learns a model composed of an artificial neural network using training data.
- the learning processor 130 may determine optimized model parameters of the artificial neural network by repeatedly learning the artificial neural network using various learning techniques described above.
- an artificial neural network whose parameters are determined by being trained using training data may be referred to as a learning model or a trained model.
- the learning model may be used to infer a result value for new input data other than training data.
- the learning processor 130 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms.
- the learning processor 130 may include one or more memory units configured to store data received, detected, sensed, generated, predefined, or output by another component, device, terminal, or device that communicates with the terminal.
- the learning processor 130 may include a memory integrated or implemented in a terminal. In some embodiments, the learning processor 130 may be implemented using the memory 170.
- the learning processor 130 may be implemented using a memory associated with the terminal, such as an external memory directly coupled to the terminal or a memory maintained in a server communicating with the terminal.
- the learning processor 130 may be implemented using a memory maintained in a cloud computing environment, or another remote memory location accessible by the terminal through a communication method such as a network.
- the learning processor 130 typically stores data in one or more databases to identify, index, categorize, manipulate, store, retrieve and output data for use in supervised or unsupervised learning, data mining, predictive analytics, or other machines. Can be configured to store in.
- the database may be implemented using the memory 170, the memory 230 of the learning device 200, a memory maintained in a cloud computing environment, or another remote memory location accessible by the terminal through a communication method such as a network. I can.
- the information stored in the learning processor 130 may be used by the processor 180 or one or more other controllers of the terminal using any of a variety of different types of data analysis algorithms and machine learning algorithms.
- Examples of such algorithms include k-recent adjacency systems, fuzzy logic (e.g. probability theory), neural networks, Boltzmann machines, vector quantization, pulsed neural networks, support vector machines, maximum margin classifiers, hill climbing, guided logic systems Bayesian networks. , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), readout models and systems, artificial It includes fusion, sensor fusion, image fusion, reinforcement learning, augmented reality, pattern recognition, and automated planning.
- fuzzy logic e.g. probability theory
- neural networks e.g. probability theory
- Boltzmann machines e.g. probability theory
- vector quantization e.g. probability theory
- pulsed neural networks e.g., pulsed neural networks
- support vector machines e.g., maximum margin classifiers
- hill climbing guided logic systems Bayesian networks.
- Peritnet e.g
- the processor 180 may determine or predict at least one executable operation of the terminal based on information that is determined or generated using data analysis and machine learning algorithms. To this end, the processor 180 may request, search, receive, or utilize data of the learning processor 130, and configure the terminal to execute a predicted operation or an operation determined to be desirable among the at least one executable operation. Can be controlled.
- the processor 180 may perform various functions for implementing intelligent emulation (ie, a knowledge-based system, an inference system, and a knowledge acquisition system). This can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
- intelligent emulation ie, a knowledge-based system, an inference system, and a knowledge acquisition system.
- systems eg, fuzzy logic systems
- adaptive systems e.g, machine learning systems, artificial neural networks, and the like.
- the processor 180 also includes voice and natural language speech, such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable operations involving processing.
- voice and natural language speech such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable operations involving processing.
- Each of these submodules may have access to one or more systems or data and models in the terminal, or a subset or superset thereof.
- each of these submodules may provide various functions, including vocabulary index, user data, work flow model, service model, and automatic speech recognition (ASR) system.
- ASR automatic speech recognition
- processor 180 or the terminal may be implemented as the sub-module, system, or data and model.
- the processor 180 may be configured to detect and detect a requirement based on a user's intention or a context condition expressed as a user input or natural language input.
- the processor 180 may actively derive and acquire information necessary to completely determine a requirement based on a context condition or a user's intention. For example, the processor 180 may actively derive necessary information to determine requirements by analyzing past data including input and output records, pattern matching, unambiguous words, and input intentions.
- the processor 180 may determine a task flow for executing a function in response to a requirement based on a context condition or a user's intention.
- the processor 180 collects, detects, extracts, and detects signals or data used in data analysis and machine learning tasks through one or more sensing components in the terminal in order to collect information for processing and storage in the learning processor 130 And/or may be configured to receive.
- Information collection may include sensing information through a sensor, extracting information stored in the memory 170, or receiving information from another terminal, entity, or external storage device through a communication means.
- the processor 180 may collect usage history information from the terminal and store it in the memory 170.
- the processor 180 may use the stored usage history information and predictive modeling to determine the best match to perform a particular function.
- the processor 180 may receive or detect surrounding environment information or other information through the sensing unit 140.
- the processor 180 may receive a broadcast signal and/or broadcast related information, a wireless signal, and wireless data through the wireless communication unit 110.
- the processor 180 may receive image information (or a corresponding signal), audio information (or a corresponding signal), data, or user input information from the input unit 120.
- the processor 180 collects information in real time, processes or classifies information (eg, knowledge graph, command policy, personalization database, conversation engine, etc.), and stores the processed information in the memory 170 or the learning processor 130 ).
- information eg, knowledge graph, command policy, personalization database, conversation engine, etc.
- the processor 180 may control components of the terminal to execute the determined operation. Further, the processor 180 may perform the determined operation by controlling the terminal according to the control command.
- the processor 180 analyzes historical information indicating execution of a specific operation through data analysis and machine learning algorithms and techniques, and performs an update of previously learned information based on the analyzed information. I can.
- the processor 180 may improve accuracy of future performance of data analysis and machine learning algorithms and techniques based on the updated information.
- the sensing unit 140 may include one or more sensors for sensing at least one of information in the terminal, information on surrounding environments surrounding the terminal, and user information.
- the sensing unit 140 includes a proximity sensor, an illumination sensor, a touch sensor, an acceleration sensor, a magnetic sensor, and a gravity sensor (G- sensor), gyroscope sensor, motion sensor, RGB sensor, infrared sensor (IR sensor), fingerprint recognition sensor, ultrasonic sensor, optical sensor ( optical sensors, e.g. cameras (see 121)), microphones (see 122), battery gauges, environmental sensors (e.g., barometers, hygrometers, thermometers, radiation sensors, heat sensors, Gas detection sensor, etc.), may include at least one of a chemical sensor (for example, an electronic nose, a healthcare sensor, a biometric sensor, etc.). Meanwhile, the terminal disclosed in the present specification may combine and utilize information sensed by at least two or more of these sensors.
- the output unit 150 is for generating an output related to visual, auditory or tactile sense, and the like, a display unit (151), a sound output unit (152), a haptic module (153), a light It may include at least one of the optical output units 154.
- the display unit 151 displays (outputs) information processed by the terminal 100.
- the display unit 151 may display execution screen information of an application program driven in the terminal 100, or UI (User Interface) and GUI (Graphic User Interface) information according to such execution screen information.
- UI User Interface
- GUI Graphic User Interface
- the display unit 151 may implement a touch screen by forming a layer structure or integrally with the touch sensor.
- a touch screen may function as a user input unit 123 that provides an input interface between the terminal 100 and a user, and may provide an output interface between the terminal 100 and a user.
- the sound output unit 152 may output audio data received from the wireless communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
- the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
- the haptic module 153 generates various tactile effects that a user can feel.
- a typical example of the tactile effect generated by the haptic module 153 may be vibration.
- the light output unit 154 outputs a signal for notifying the occurrence of an event using light from a light source of the terminal 100.
- Examples of events occurring in the terminal 100 may be message reception, call signal reception, missed call, alarm, schedule notification, e-mail reception, and information reception through an application.
- the interface unit 160 serves as a passage between various types of external devices connected to the terminal 100.
- the interface unit 160 connects a wired/wireless headset port, an external charger port, a wired/wireless data port, a memory card port, and a device equipped with an identification module. It may include at least one of a port, an audio input/output (I/O) port, an input/output (video I/O) port, and an earphone port.
- the terminal 100 may perform appropriate control related to the connected external device.
- the identification module is a chip that stores various types of information for authenticating the right to use the terminal 100, and includes a user identification module (UIM), a subscriber identity module (SIM), and a universal user authentication module. (universal subscriber identity module; USIM), etc. may be included.
- a device equipped with an identification module hereinafter,'identification device' may be manufactured in the form of a smart card. Accordingly, the identification device may be connected to the terminal 100 through the interface unit 160.
- the memory 170 stores data supporting various functions of the terminal 100.
- the memory 170 includes a plurality of application programs (application programs or applications) driven by the terminal 100, data for the operation of the terminal 100, instructions, and data for the operation of the learning processor 130. Can be stored (for example, at least one algorithm information for machine learning).
- the memory 170 may store the model learned by the learning processor 130 or the learning device 200.
- the memory 170 may divide and store the model trained as necessary into a plurality of versions according to a learning time point or a learning progress.
- the memory 170 may store input data obtained from the input unit 120, training data (or training data) used for model training, a model learning history, and the like.
- the input data stored in the memory 170 may be not only processed data suitable for model learning, but also raw input data itself.
- the processor 180 In addition to the operation related to the application program, the processor 180 generally controls the overall operation of the terminal 100.
- the processor 180 may provide or process appropriate information or functions to a user by processing signals, data, information, etc. input or output through the above-described components or by driving an application program stored in the memory 170.
- the processor 180 may control at least some of the constituent elements described with reference to FIG. 1 in order to drive the application program stored in the memory 170. Further, the processor 180 may operate by combining at least two or more of the components included in the terminal 100 to drive the application program.
- the processor 180 controls an operation related to an application program and, in general, an overall operation of the terminal 100. For example, when the state of the terminal satisfies a set condition, the processor 180 may execute or release a lock state that restricts the user's input of a control command for applications.
- the power supply unit 190 receives external power and internal power under the control of the processor 180 and supplies power to each component included in the terminal 100.
- the power supply unit 190 includes a battery, and the battery may be a built-in battery or a replaceable battery.
- FIG. 2 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
- the learning device 200 is a device or server separately configured outside the terminal 100 and may perform the same function as the learning processor 130 of the terminal 100.
- the learning device 200 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms.
- the machine learning algorithm may include a deep learning algorithm.
- the learning device 200 may communicate with at least one terminal 100, and may derive a result by analyzing or learning data on behalf of or on behalf of the terminal 100.
- the meaning of helping other devices may mean distribution of computing power through distributed processing.
- the learning device 200 of an artificial neural network is various devices for learning an artificial neural network, and may generally mean a server, and may be referred to as a learning device or a learning server.
- the learning device 200 may be implemented as a single server as well as a plurality of server sets, cloud servers, or a combination thereof.
- the learning device 200 may be configured in plural to form a learning device set (or cloud server), and at least one or more learning devices 200 included in the learning device set may analyze or learn data through distributed processing. Results can be derived.
- the learning device 200 may transmit the model learned by machine learning or deep learning to the terminal 100 periodically or upon request.
- the learning device 200 includes a communication unit 210, an input unit 220, a memory 230, a learning processor 240, and a power supply unit. , 250), and a processor 260.
- the communication unit 210 may correspond to a configuration including the wireless communication unit 110 and the interface unit 160 of FIG. 1. That is, data can be transmitted and received with other devices through wired or wireless communication or an interface.
- the input unit 220 is a component corresponding to the input unit 120 of FIG. 1, and may obtain data by receiving data through the communication unit 210.
- the input unit 220 may obtain training data for model training and input data for obtaining an output using a trained model.
- the input unit 220 may obtain unprocessed input data.
- the processor 260 may pre-process the obtained data to generate training data or pre-processed input data that can be input to model training.
- the pre-processing of input data performed by the input unit 220 may mean extracting an input feature from the input data.
- the memory 230 is a component corresponding to the memory 170 of FIG. 1.
- the memory 230 may include a model storage unit 231 and a database 232.
- the model storage unit 231 stores the model being trained or trained through the learning processor 240 (or artificial neural network 231a), and stores the updated model when the model is updated through training.
- the model storage unit 231 may divide and store the learned model as a plurality of versions according to a learning time point or a learning progress, if necessary.
- the artificial neural network 231a shown in FIG. 2 is only an example of an artificial neural network including a plurality of hidden layers, and the artificial neural network of the present invention is not limited thereto.
- the artificial neural network 231a may be implemented in hardware, software, or a combination of hardware and software. When some or all of the artificial neural network 231a is implemented in software, one or more instructions constituting the artificial neural network 231a may be stored in the memory 230.
- the database 232 stores input data obtained from the input unit 220, training data (or training data) used for model training, and a model learning history.
- the input data stored in the database 232 may be not only processed data suitable for model learning, but also raw input data itself.
- the running processor 240 is a component corresponding to the running processor 130 of FIG. 1.
- the learning processor 240 may train (train, or learn) the artificial neural network 231a using training data or a training set.
- the learning processor 240 learns the artificial neural network 231a by immediately acquiring preprocessed data of the input data acquired by the processor 260 through the input unit 220 or acquires preprocessed input data stored in the database 232 Thus, the artificial neural network 231a can be trained.
- the learning processor 240 may determine optimized model parameters of the artificial neural network 231a by repeatedly learning the artificial neural network 231a using various learning techniques described above.
- an artificial neural network whose parameters are determined by being trained using training data may be referred to as a learning model or a trained model.
- the learning model may infer the result value while being mounted on the training device 200 of the artificial neural network, or may be transmitted and mounted to another device such as the terminal 100 through the communication unit 210.
- the updated learning model may be transmitted and mounted to another device such as the terminal 100 through the communication unit 210.
- the power supply unit 250 is a component corresponding to the power supply unit 190 of FIG. 1.
- FIG. 3 is a flowchart illustrating a method of converting text and speech to each other according to an embodiment of the present invention.
- FIG. 3 illustrates a method of determining a speech style corresponding to the text when a text is input, converting the text into speech based on the determined speech style, and outputting the speech.
- the processor 180 of the artificial intelligence device 100 acquires image data including text (S301).
- the processor 180 may acquire image data through the camera 121 of the input unit 120.
- the processor 180 may obtain image data from an external terminal (not shown) through the wireless communication unit 110.
- the image data may be obtained by a camera (not shown) of an external terminal (not shown).
- Image data may be photographed by a camera or may be generated by being scanned by a scanner.
- Image data may have various formats.
- the format of image data may include jpg, jpeg, png, bmp, tif, tiff, and the like.
- the image data includes text, and the text may include handwritten text, printed text, text output through a display device, and the like. That is, the image data may include image data generated by photographing an image output from an electronic device including a display unit such as a TV, a monitor, and a smartphone, or image data itself output from the electronic device.
- a display unit such as a TV, a monitor, and a smartphone
- the processor 180 of the artificial intelligence device 100 determines a speech style corresponding to the text (S303).
- the processor 180 may adjust the size, resolution, color, format, etc. of the image data through pre-processing.
- the processor 180 can handle the size, resolution, color, format, etc. according to the format of the image data it can handle. Pretreatment to control can be performed.
- the image data may mean image data that has been pre-processed and can be handled by the processor 180.
- the processor 180 may determine a text style for text included in the image data, and may determine a speech style based on the determined text style.
- the voice style may mean a voice speech style. Using such a voice style, language information, nationality information, country of origin information, emotion information, acoustic environment information, age group information, gender information, and the like can be obtained.
- the voice style may include a news style of an announcer, a fairy tale style of a voice actor, an entertainment style of a celebrity, and the like, and the listings are only examples, and the present invention is not limited thereto.
- the processor 180 may extract at least one text style feature from the image data, and determine a text style or a speech style based on the extracted text style feature.
- the processor 180 may determine a text style based on the text style feature, and may determine a speech style based on the determined text style.
- the text style can be specified as a text style feature. Here, if there is a difference in even one text style characteristic, it can be regarded as indicating different text styles.
- Text style features may include at least one of language, text size, initial letter size, initial size, font, color, pen pressure, writing speed, angle, regularity, horizontality, line spacing, or letter spacing.
- the voice style can be characterized by a voice style feature.
- voice style feature when there is a difference in even one voice style feature, it can be regarded as indicating different voice styles.
- Voice style characteristics may include at least one of tone, pitch, speed, accent, size, or pronunciation.
- Each voice style may consist of preset voice style features.
- each preset voice style can be viewed as a preset for voice style features.
- the processor 180 may determine a text author based on a text style characteristic and determine a speech style corresponding to the determined author.
- the text creator may refer to a specific person such as a registered user, but may refer to a user classification group such as a specific age group or people with specific characteristics.
- the user classification group may also be referred to as a style group.
- the user classification group may be configured in various ways according to the criteria.
- the user classification group configured according to the first criterion may be divided into a child group and an adult group
- the user classification group configured according to the second criterion may be divided into a male group and a female group.
- the user classification group configured according to the first criterion and the second criterion may be divided into a male&child group, a male&adult group, a female&child group, and a female&adult group.
- the processor 180 may select one user from among the three registered users for handwriting to determine the text creator, but determine whether the person who wrote the handwriting is a child or an adult, and select a text user classification group. You can also decide the author.
- the memory 170 may store a speech style corresponding to each text creator.
- the speech style corresponding to each text author can be viewed as a preset for speech style features.
- the processor 180 may determine the text author using the text author determination model.
- the text author determination model may mean a model for determining a text author corresponding to the text style feature when a text style feature is input.
- the text author decision model may be composed of an artificial neural network, and in this case, it may be learned using a machine learning algorithm or a deep learning algorithm.
- the text author determination model may be learned by the learning processor 130 of the artificial intelligence device 100 or the learning processor 240 of the learning device 200.
- the text author determination model may be a model that selects an author corresponding to the input text style characteristic among pre-registered authors (users), or corresponds to the input text style characteristic among pre-divided user classification groups. It may be a model for selecting a user classification group.
- the processor 180 may adjust the speech style characteristic in consideration of the text style characteristic.
- the processor 180 may adjust the speech style characteristic in consideration of the text style characteristic.
- the processor may adjust the voice style characteristic so that the voice style corresponding to the user can be synthesized as a sleepy voice.
- the processor 180 may determine a speech style for each preset unit, such as a sentence unit or a word unit, for text included in image data.
- the processor 180 may determine a speech style for the word different from that of other words.
- the processor 180 of the artificial intelligence device 100 generates a speech corresponding to the text using a text-to-speech (TTS) engine corresponding to the determined speech style (S305).
- TTS text-to-speech
- the TTS engine may mean an engine that converts text data into voice data.
- the TTS engine may be composed of an artificial neural network, and may be learned using a machine learning algorithm or a deep learning algorithm.
- the TTS engine may be directly learned by the learning processor 130, or may be learned and received by the learning processor 240 of the learning device 200.
- the memory 170 may store TTS engines corresponding to each of a plurality of voice styles.
- each of the TTS engines stored in the memory 170 is a TTS engine that converts text into speech having a predetermined speech style characteristic, and can be viewed as a TTS engine preset.
- the memory 170 may store a TTS engine corresponding to a news style of a male/female announcer, a TTS engine corresponding to a fairy tale style of a voice actor, a TTS engine corresponding to an entertainment style of a celebrity, and the like.
- the processor 180 may generate a voice corresponding to the text by using the TTS engine stored in the memory 170.
- the processor 180 selects one of the TTS engines stored in the memory 170 based on the determined voice style, adjusts the voice style characteristics for the selected TTS engine, and uses the adjusted TTS engine to correspond to the text. Can generate voice.
- the processor 180 determines the news style of the male announcer as the voice style corresponding to the text, but it is determined that the degree of inclination among the text style features is larger than the preset standard and the writing speed is faster than the preset standard 180) can make adjustments to increase the (speech) speed in the TTS engine corresponding to the male announcer news style, and generate a voice corresponding to the text using the TTS engine that has increased the speed.
- the processor 180 determines the entertainment style of the entertainer as a voice style corresponding to the text, but if it is determined that the font size among the text style characteristics is larger than the preset standard, the processor 180 You can adjust the size of (speech) in the TTS engine corresponding to the style, and generate a voice corresponding to the text by using the TTS engine that has increased the size.
- the processor 180 adjusts the speech style characteristics for the default TTS engine based on the determined speech style with respect to the default TTS engine stored in the memory 170, and uses the adjusted default TTS engine to adjust the speech style corresponding to the text. Can be created.
- the processor 180 may generate a voice corresponding to the text using a TTS engine corresponding to the determined voice style without a separate text recognition process.
- the processor 180 can recognize text from the image data using a text recognition engine or a text recognition model, and recognize the text using a TTS engine corresponding to the determined speech style. You can create a voice corresponding to the text.
- the text recognition model or text recognition engine refers to a model that recognizes characters from image data.
- the text recognition model may be composed of an artificial neural network, and may be trained using a machine learning algorithm or a deep learning algorithm.
- the text recognition model may be directly trained by the learning processor 130 or may be trained and received by the learning processor 240 of the learning device 200.
- the processor 180 of the artificial intelligence device 100 outputs the generated voice (S307).
- the processor 180 may output the sound generated through the sound output unit 152 of the output unit 150 or a speaker.
- the processor 180 may output the generated voice through a speaker of the external terminal (not shown) by transmitting the generated voice to the external terminal (not shown) through the wireless communication unit 110.
- FIG. 4 is an operation flowchart showing an example of a step S303 of determining a speech style corresponding to the text shown in FIG. 3.
- the processor 180 of the artificial intelligence device 100 determines whether a matching user exists among registered users for image data (S401).
- the processor 180 may determine whether a text included in the image data is written by one of the two couples.
- Determining the author of the text may be viewed as determining the author according to the handwriting emotion, but the present invention is not limited thereto.
- the processor 180 may determine whether a matching user exists among registered users for image data using the text author determination model.
- the probability that each registered user is the author or a matching degree may be output.
- the matching degree may mean a distance to each registered user.
- the text author determination model has a probability that the husband is a text author or a matching degree of 80% (or 0.8) when image data is input, the probability that the wife is a text author, or The matching degree may be output as 20% (or 0.2).
- the processor 180 may determine whether there is a matching user among registered users based on the probability of being a text author for each registered user or whether a matching degree exceeds a preset reference value.
- the processor 180 may determine the corresponding user as a matching user when the probability of the text author or the matching degree is 80% (or 0.8) or higher.
- the processor 180 may determine the user with the highest matching degree as the matched user.
- step S401 if there is a matching text creator among registered users, the processor 180 selects a voice style corresponding to the matched user and determines the voice style (S403).
- the memory 170 stores a voice style corresponding to each of the registered users, and the processor 180 may select a matching creator or a voice style corresponding to the matched user in the memory 170.
- step S401 if there is no matching text creator among registered users, the processor 180 determines whether a matching group exists among the user classification groups (S405).
- User classification groups do not refer to a specific author or a specific user, but may mean groups classified according to certain criteria.
- criteria for classifying user classification groups may include men/women, children/adults, announcers/voice actors/celebrities, and the like.
- the processor 180 may determine whether a matching user classification group exists among pre-registered or preset user classification groups for image data using the text author determination model.
- the text author determination model may be to output a matching degree of each user classification group as a result of determination when image data itself or text style features extracted from image data are input.
- the matching degree may mean a distance to each user classification group.
- the text author decision model sets the matching degree of the announcer group to 85% (or 0.85) when image data is input, and the cartoon character
- the matching degree of the voice actor group may be output as 40% (or 0.4), and the matching degree of the comedian group may be output as 35% (or 0.35).
- the processor 180 may determine whether a matching user classification group exists among the user classification groups based on whether a matching degree with respect to the user classification groups exceeds a preset reference value.
- the processor 180 may determine a user classification group matching the corresponding user classification group.
- the processor 180 may determine the user classification group having the highest matching degree as the matching user classification group.
- the processor 180 may determine the announcer group among the user classification groups as a matched group when the image data includes text having a good readable or hard font that is advantageous for transmitting information such as news or articles.
- step S405 if there is a matching group among the user classification groups, the processor 180 selects a voice style corresponding to the matched group and determines the voice style (S407).
- the memory 170 may store a voice style corresponding to each user classification group, and the processor 180 may select a voice style corresponding to a matched group in the memory 170.
- step S405 if there is no matching group among the user classification groups, the processor 180 selects a default voice style (S409).
- the default voice style may mean a default voice style.
- the default voice style may mean a voice style composed of default voice style features.
- the processor 180 of the artificial intelligence device 100 selects from preset voice styles and determines a voice style, and then adjusts the voice style feature for the voice style determined based on the text style feature extracted from the image data. I can.
- the processor 180 may select the voice style of the user A and determine the voice style by selecting the voice style of the user A when the text author determines that the text author is the user A when image data is input, and the writing speed is preset from the text style characteristics obtained from the image data. When it appears larger than the reference value, the (speech) speed among the voice style characteristics of user A can be increased.
- FIG. 5 is an operation flowchart showing an example of a step S303 of determining a speech style corresponding to the text shown in FIG. 3.
- the processor 180 of the artificial intelligence device 100 extracts at least one attribute keyword from image data (S501).
- the attribute keyword is a keyword that may indicate the attribute of text included in the image data or the voice included in the sound data, and may include a keyword indicating the atmosphere/feel of text or voice, and a keyword indicating the type of medium/purpose.
- attribute keywords may include warnings, information, entertainment magazines, fairy tales, comics, news, current affairs magazines, etc. as keywords indicating the type of medium/purpose, and hard, emphasizing, important, light as keywords indicating atmosphere/feel. It can include, stylish, fashionable, trendy, funny, cute, funny, neat, etc.
- the processor 180 of the artificial intelligence device 100 may extract the attribute keyword from the image data using the attribute keyword extraction model.
- the attribute keyword extraction model may refer to a model for extracting attribute keywords corresponding to image data in consideration of text and images including given image data, and their color or arrangement.
- the attribute keyword extraction model may be a model that is composed of an artificial neural network and supervised by using image data to which attribute keywords are assigned.
- the processor 180 of the artificial intelligence device 100 selects a voice style having an attribute keyword most similar to the extracted attribute keyword (S503).
- the processor 180 of the artificial intelligence device 100 may use a mapping relationship between a voice style and an attribute keyword of the voice style, and this mapping relationship is stored in the memory 170 or the learning server 200 It may be stored in the memory 230 of.
- the mapping relationship between the voice style and the attribute keyword of the voice style may be generated by mapping the attribute keyword extracted from the sound data and the voice style corresponding to the sound data using the attribute keyword extraction model, or the attribute keyword extraction
- the attribute keyword which is used for model learning, may be generated by extracting the attribute keyword from the sound data given and mapping it to the given attribute keyword.
- the processor 180 of the artificial intelligence device 100 selects a voice style group having an attribute keyword most similar to the attribute keyword extracted from the image data, and one of the voice styles included in the selected voice style group. You can also choose
- the processor 180 When image data is input, a news group can be selected as a voice style group, and one of several voice styles belonging to the news group can be selected.
- the processor 180 may randomly select one of a plurality of voice styles included in the voice style group, or may select a voice style including voice style features that are most similar or correlated to the text style features extracted from image data. .
- FIG. 6 is a diagram illustrating an example of a mapping relationship between image data and attribute keywords in an embodiment of the present invention.
- mapping relationship between image data 601, 603, 605 or 607 and attribute keywords 602, 604, 606 or 608 is based on text, image, arrangement, color, etc. included in the image data. Can be determined.
- the mapping relationship between the image data 601, 603, 605 or 607 and the attribute keywords 602, 604, 606 or 608 may be determined in advance by the user. And, the determined mapping relationship can be used to learn the attribute keyword extraction model.
- the attribute keyword extraction model may be trained according to supervised learning using image data 601, 603, 605, or 607 and learning data labeled with the corresponding attribute keywords 602, 604, 606, or 608.
- the attribute keyword extraction model may be used to extract attribute keywords corresponding to image data input.
- the attribute keyword 602, 604, 606, or 608 may be given in advance as a label or may be set by a user.
- the image data 601 corresponding to the warning text may be mapped with attribute keywords 602 such as'warning','guidance','important','hard', and'emphasis'.
- the image data 603 corresponding to the fairy tale book may be mapped with attribute keywords 604 such as'fairy tales','children','light','fun','funny', and'cute'.
- Image data 605 corresponding to an entertainment magazine can be mapped with attribute keywords 606 such as'magazine','fashion','culture','movie','light','fashionable', and'chic'. I can.
- Image data 607 corresponding to a current affairs magazine may be mapped with attribute keywords 608 such as'politics','economy','news','important','hard', and'clean'.
- the processor 180 of the artificial intelligence device 100 uses the attribute keyword corresponding to the'fairy tale','children','light', and ' At least one or more of'funny','funny', and'cute' can be extracted. Further, the processor 180 may determine a voice style as a voice style of a voice actor of a moving picture or a cartoon based on the extracted attribute keyword, and convert the text into voice based on the determined voice style.
- FIG. 7 is a diagram illustrating an example of converting text into speech according to an embodiment of the present invention.
- the artificial intelligence device 100 displays'fairy tale','children', and'light' in the image data 701. , Extracting attribute keywords 702 such as'fun' and'cute', and converting the text included in the image data 701 into the voice 703 of the voice of a fairy tale/cartoon voice actor based on the extracted attribute keyword 702 Can be converted.
- FIG. 8 is a flowchart illustrating a method of converting text and speech to each other according to an embodiment of the present invention.
- FIG. 8 illustrates a method of determining a text style corresponding to a corresponding voice when a voice is input, and converting the voice into text based on the determined text style and outputting it.
- the processor 180 of the artificial intelligence device 100 acquires sound data including voice (S801).
- the processor 180 may acquire sound data through the microphone 122 of the input unit 120.
- the processor 180 may obtain sound data from an external terminal (not shown) through the wireless communication unit 110.
- the sound data may be obtained by a microphone (not shown) of an external terminal (not shown).
- the sound data may have various formats, for example, the format of the sound data may include wav, mp3, mp4, acc, and the like.
- the sound data includes voice
- the voice may include a voice uttered by a user directly, a voice output from a sound output device, and the like. That is, the voice data may include sound data generated by recording a voice output from an electronic device equipped with a sound output unit (speaker) such as a TV, a speaker, a radio, and a smartphone, or the sound data itself output from the electronic device. have.
- a sound output unit such as a TV, a speaker, a radio, and a smartphone
- the processor 180 of the artificial intelligence device 100 determines a text style corresponding to the voice (S803).
- the processor 180 may adjust the size, resolution, and format of the sound data as a pre-processing.
- the processor 180 acquires sound data different from the format of the sound data that it can handle, the processor 180 adjusts the size, resolution, format, etc. according to the format of the sound data it can handle. You can perform the pre-treatment.
- the sound data may mean sound data that has been preprocessed and can be handled by the processor 180.
- the processor 180 may determine a speech style for a speech included in the sound data, and determine a text style based on the determined speech style.
- the processor 180 may extract at least one voice style feature from the sound data and determine a text style or a voice style based on the extracted voice style feature.
- the processor 180 may determine a speech style based on the speech style feature, and determine a text style based on the determined speech style.
- Each text style may consist of preset text style features.
- each preset text style can be viewed as a preset for text style features.
- the processor 180 may determine a spoken speaker based on the speech style feature, and may determine a text style corresponding to the determined speaker.
- the voice talker may refer to a specific person such as a registered user, but may refer to a user classification group such as a specific age group or people with specific characteristics.
- the description of the user classification group is the same as described with reference to FIG. 3.
- the processor 180 may select one user from among the three registered users for the voice to determine the voice speaker, but determines whether the person who uttered the voice is a child or an adult, and determines the voice user classification group. You can also choose to decide who is speaking.
- the memory 170 may store a text style corresponding to each voice speaker.
- the text style corresponding to each voice speaker can be viewed as a preset for text style features.
- the processor 180 may determine a voice speaker using the voice speaker determination model.
- the voice talker determination model may refer to a model for determining a voice talker corresponding to the voice style feature when a voice style feature is input.
- the voice speaker determination model may be composed of an artificial neural network, and in this case, it may be learned using a machine learning algorithm or a deep learning algorithm.
- the voice speaker determination model may be learned by the learning processor 130 of the artificial intelligence device 100 or the learning processor 240 of the learning device 200.
- the voice talker determination model may be a model that selects an author corresponding to the input voice style feature from among pre-registered authors (users), or corresponds to the input voice style feature from among pre-divided user classification groups. It may be a model for selecting a user classification group.
- the processor 180 may adjust the text style feature in consideration of the speech style feature.
- the processor 180 may adjust the text style characteristic in consideration of the speech style characteristic.
- the processor can adjust the text style characteristics so that the text style corresponding to the user can be synthesized into irregular and distorted letters, such as those written in a sleepy state. have.
- the processor 180 may determine a text style for each preset unit, such as a sentence unit or a word unit, for voice included in sound data.
- the processor 180 may determine a text style for the word different from that of other words.
- the processor 180 of the artificial intelligence device 100 generates text corresponding to the voice using a Speech-To-Text (STT) engine corresponding to the determined text style (S805).
- STT Speech-To-Text
- the STT engine may mean an engine that converts voice data into text data.
- the STT engine may be composed of an artificial neural network, and may be learned using a machine learning algorithm or a deep learning algorithm.
- the STT engine may be directly learned by the learning processor 130, or may be learned and received by the learning processor 240 of the learning device 200.
- the memory 170 may store STT engines corresponding to each of a plurality of text styles.
- each of the STT engines stored in the memory 170 is an STT engine that converts speech into text having a predetermined text style characteristic, and may be viewed as an STT engine preset.
- the memory 170 may store an STT engine corresponding to a news style, an STT engine corresponding to a cartoon/fairy tale style, an STT engine corresponding to an entertainment style, and the like.
- the processor 180 may generate a text corresponding to the voice using the STT engine stored in the memory 170.
- the processor 180 selects one of the STT engines stored in the memory 170 based on the determined text style, adjusts the text style characteristics for the selected STT engine, and uses the adjusted STT engine to correspond to the voice. You can create text.
- the processor 180 determines the news style as the speech style corresponding to the text, but it is determined that the speech speed among the speech style characteristics is greater than the preset reference, the processor 180 is the STT engine corresponding to the news style. In order to indicate that it is fast writing, it is possible to adjust the angle of inclination of text to increase, and to generate the text corresponding to the voice using the STT engine with the angle of inclination to be increased.
- the processor 180 determines the entertainment style as a text style corresponding to the voice, but if it is determined that the utterance size among the voice style features is larger than a preset criterion, the processor 180
- the STT engine can adjust the font size to be increased, and the text corresponding to the voice can be generated using the STT engine that has increased the font size.
- the processor 180 adjusts the text style feature for the default STT engine based on the determined text style with respect to the default STT engine stored in the memory 170, and uses the adjusted default STT engine to adjust the text corresponding to the voice. Can be created.
- the processor 180 may convert speech into a form of text handwriting animation as if a human directly writes the converted text.
- the text style attribute may include a style attribute of the text handwriting animation.
- the writing speed or the writing stroke order may be included in the text style property.
- the processor 180 determines the news style as the speech style corresponding to the text, but it is determined that the speech speed among the speech style characteristics is greater than the preset reference, the processor 180 is the STT engine corresponding to the news style. It is possible to make adjustments to increase the writing speed in, and to create a text handwriting animation corresponding to the voice using the STT engine with increased writing speed.
- text may be used as a term including text handwriting animation.
- the processor 180 may generate a text corresponding to the voice using an STT engine corresponding to the determined text style without a separate voice recognition process.
- the processor 180 can recognize the speech from the sound data using a speech recognition engine or a speech recognition model, and recognize the speech using the STT engine corresponding to the determined text style. You can create text corresponding to your voice.
- the speech recognition model or speech recognition engine refers to a model that recognizes speech from sound data.
- the speech recognition model may be composed of an artificial neural network, and may be learned using a machine learning algorithm or a deep learning algorithm.
- the speech recognition model may be directly learned by the learning processor 130 or may be learned and received by the learning processor 240 of the learning device 200.
- the processor 180 of the artificial intelligence device 100 outputs the generated text (S807).
- the processor 180 may output the text generated through the display unit 151 of the output unit 150.
- the processor 180 may transmit the generated text to an external terminal (not shown) through the wireless communication unit 110, thereby outputting the generated text through the display unit of the external terminal (not shown).
- outputting the text may include not only outputting the converted text directly without animation, but also sequentially outputting the generated text including time-series elements such as the text handwriting animation described above.
- the processor 180 when three sentences of text are generated, the processor 180 outputs three sentences at the same time, outputs them sequentially by a certain unit such as a sentence or word, or in the form of a handwriting animation, such as actually writing each letter. Can be printed.
- FIG. 9 is an operation flowchart showing an example of the step (S803) of determining a text style corresponding to the voice illustrated in FIG. 8.
- the processor 180 of the artificial intelligence apparatus 100 determines whether a matching user exists among registered users for sound data (S901).
- the processor 180 may determine whether a voice included in the sound data is uttered by one of the two couples.
- Determining the voice speaker may be regarded as determining the speaker according to the voice emotion, but the present invention is not limited thereto.
- the processor 180 may determine whether a matching user exists among registered users for sound data using the voice talker determination model.
- the voice talker determination model may be to output the probability or matching degree that each registered users are talkers as a result of the determination when the sound data itself or the voice style feature extracted from the sound data is input.
- the matching degree may mean a distance to each registered user.
- the voice talker determination model has a probability that the husband is a voice talker or a matching degree of 80% (or 0.8) when sound data is input, the probability that the wife is a voice talker, or The matching degree may be output as 20% (or 0.2).
- the processor 180 may determine whether there is a matching user among registered users based on a probability of being a voice talker for each registered user or whether a matching degree exceeds a preset reference value.
- the processor 180 may determine the corresponding user as a matching user when the probability or the matching degree of the voice talker is 80% (or 0.8) or higher.
- the processor 180 may determine the user with the highest matching degree as the matched user.
- step S901 if there is a matching voice talker among registered users, the processor 180 determines the text style by selecting a text style corresponding to the matched user (S903).
- the memory 170 stores a text style corresponding to each of the registered users, and the processor 180 may select a matched talker or a text style corresponding to the matched user in the memory 170.
- step S901 if there is no matching voice talker among registered users, the processor 180 determines whether there is a matching group among the user classification groups (S905).
- User classification groups do not refer to a specific author or a specific user, but may mean groups classified according to certain criteria.
- criteria for classifying user classification groups may include men/women, children/adults, news/manga/entertainment, and the like.
- the processor 180 may determine whether a matching user classification group exists among user classification groups previously registered or preset for sound data using the voice talker determination model.
- the voice talker determination model may be to output the matching degree of each user classification group as a result of the determination when the sound data itself or the voice style feature extracted from the sound data is input.
- the matching degree may mean a distance to each user classification group.
- the voice speaker determination model sets the matching degree of the news group to 85% (or 0.85) when sound data is input, and the cartoon group matches.
- the degree may be 40% (or 0.4) and the entertainment group's matching degree may be output as 35% (or 0.35).
- the processor 180 may determine whether a matching user classification group exists among the user classification groups based on whether a matching degree with respect to the user classification groups exceeds a preset reference value.
- the processor 180 may determine a user classification group matching the corresponding user classification group.
- the processor 180 may determine the user classification group having the highest matching degree as the matching user classification group.
- the processor 180 may determine a news group from among the user classification groups as a matching group.
- step S905 if there is a matching group among the user classification groups, the processor 180 determines the text style by selecting a text style corresponding to the matched group (S907).
- the memory 170 stores a text style corresponding to each user classification group, and the processor 180 may select a text style corresponding to a matched group in the memory 170.
- step S905 if there is no matching group among the user classification groups, the processor 180 selects a default text style (S909).
- the default text style may mean the default text style.
- the default text style may mean a text style composed of default text style features.
- the processor 180 of the artificial intelligence device 100 selects from preset text styles and determines the text style, and then adjusts the text style feature for the determined text style based on the voice style feature extracted from the sound data. I can.
- the processor 180 may select the text style of the user A and determine the text style by selecting the text style of the user A when it is determined that the voice talker is the user A when sound data is input, and the speech speed is in advance from the voice style characteristics obtained from the sound data When it appears larger than the set reference value, the writing speed among the text style characteristics of user A can be increased.
- FIG. 10 is an operation flowchart showing an example of a step S803 of determining a text style corresponding to the voice shown in FIG. 8.
- the processor 180 of the artificial intelligence device 100 extracts at least one attribute keyword from sound data (S1001).
- the attribute keyword is a keyword that may indicate the attribute of text included in the image data or the voice included in the sound data, and may include a keyword indicating the atmosphere/feel of text or voice, and a keyword indicating the type of medium/purpose.
- the description of the attribute keyword is the same as that described with reference to FIG. 5.
- the processor 180 of the artificial intelligence device 100 may extract the attribute keyword from the sound data using the attribute keyword extraction model.
- the processor 180 of the artificial intelligence device 100 selects a text style having an attribute keyword most similar to the extracted attribute keyword (S1003).
- the processor 180 of the artificial intelligence device 100 may use a mapping relationship between a text style and an attribute keyword of the text style, and this mapping relationship is stored in the memory 170 or the learning server 200 It may be stored in the memory 230 of.
- the mapping relationship between the text style and the attribute keyword of the text style may be created by mapping the attribute keyword extracted from the image data and the text style corresponding to the image data using the attribute keyword extraction model, or the attribute keyword extraction
- the attribute keyword which is used for model learning, may be generated by extracting the attribute keyword from the given image data and mapping it to the given attribute keyword.
- the processor 180 of the artificial intelligence device 100 selects a text style group having an attribute keyword most similar to the attribute keyword extracted from sound data, and one of the text styles included in the selected text style group. You can also choose
- the processor 180 When sound data is input, a newsgroup can be selected as a text style group, and one of several text styles belonging to the newsgroup can be selected.
- the processor 180 may randomly select one of a plurality of text styles included in the text style group, or select a text style including text style characteristics that are most similar to or related to the speech style characteristics extracted from sound data. .
- FIG. 11 is a diagram illustrating an example of a mapping relationship between sound data and attribute keywords in an embodiment of the present invention.
- the mapping relationship between sound data 1101, 1103, 1105 or 1107 and attribute keywords 1102, 1104, 1106, or 1108 is the pronunciation, tone, pitch, size, etc. of the voice included in the sound data. It can be determined on the basis of.
- the mapping relationship between the sound data 1101, 1103, 1105 or 1107 and the attribute keywords 1102, 1104, 1106 or 1108 may be determined in advance by the user. And, the determined mapping relationship can be used to learn the attribute keyword extraction model.
- the attribute keyword extraction model may be trained according to supervised learning using sound data 1101, 1103, 1105, or 1107 and learning data labeled with the corresponding attribute keyword 1102, 1104, 1106, or 1108.
- the attribute keyword extraction model may be used to extract attribute keywords corresponding to sound data input.
- the attribute keyword 1102, 1104, 1106, or 1108 may be given in advance as a label or may be set by a user.
- the sound data 1101 corresponding to the announcement may be mapped to attribute keywords 1102 such as'warning','guidance','important','hard', and'emphasis'.
- the sound data 1103 corresponding to the cartoon may be mapped to attribute keywords 1104 such as'fairytale','children','light','fun','funny', and'cute'.
- the sound data 1105 corresponding to the entertainment broadcast can be mapped with attribute keywords 1106 such as'magazine','fashion','culture','movie','light','fashionable', and'chic'. I can.
- Sound data 1107 corresponding to news may be mapped with attribute keywords 1108 such as'politics','economy','news','important','hard', and'clean'.
- the processor 180 of the artificial intelligence device 100 uses the attribute keyword corresponding to'fairy tale','children','light', and ' At least one or more of'funny','funny', and'cute' can be extracted. Further, the processor 180 may determine a text style as a text style of a moving picture or a cartoon based on the extracted attribute keyword, and convert the speech into text based on the determined text style.
- FIG. 12 is a diagram illustrating an example of converting speech into text according to an embodiment of the present invention.
- the artificial intelligence device 100 displays'politics','economy', and'news' in the sound data 1201. ,'Important','hard','clean', etc. attribute keywords 1202 are extracted, and the text included in the sound data 1201 based on the extracted attribute keywords 1202 is converted into news/newspaper handwriting text ( 1203).
- FIG. 13 is a diagram illustrating an example of translating text and voice to each other in consideration of a user according to an embodiment of the present invention.
- the artificial intelligence device 100 may mutually convert text and voice for a registered user based on the text style and voice style of the registered user.
- the processor 180 of the artificial intelligence device 100 is a voice "I love you, John” spoken by the registered husband 1301's voice.
- sound data including 1302 is obtained, the acquired sound data is matched with the text style of the registered husband 1301, and the text "I love you,” written in handwriting based on the text style of the registered husband 1301 It is possible to create image data including "John” (1303).
- the processor 180 of the artificial intelligence device 100 acquires sound data including the voice "I love you, John” 1305 uttered by the registered wife 1304's voice
- the acquired sound data is Image data including the text "I love you, John” 1306 written in handwriting based on the text style of the registered wife 1304 may be generated by matching with the text style of the registered wife 1304.
- the processor 180 of the artificial intelligence device 100 acquires image data including the text "I love you, John” 1303 written in the handwriting of the registered husband 1301, the acquired image data Is matched with the voice style of the registered husband 1301, and sound data including the voice "I love you, John” 1302 based on the voice style of the registered husband 1301 may be generated.
- the processor 180 of the artificial intelligence device 100 acquires image data including the text "I love you, John” 1306 recorded in the handwriting of the registered wife 1304, the acquired image data is The voice style of the registered wife 1304 is matched, and sound data including the voice "I love you, John” 1305 based on the voice style of the registered wife 1304 may be generated.
- the artificial intelligence device 100 may be used to read a memo written in handwritten with the voice of the creator, or convert the voice memo into the handwriting of the speaker and output it.
- FIG. 14 is a diagram illustrating an example of translating text and voice to each other in consideration of a user according to an embodiment of the present invention.
- the processor 180 of the artificial intelligence device 100 may mutually convert text and voice for each predetermined unit based on a text style and a voice style.
- the artificial intelligence device 100 matches the first voice 1411 with the text style of the first user to generate the first text 1421 in handwriting based on the text style of the first user, and converts the second voice 1412 to a second text style.
- the text 1420 including the first text 1421 and the second text 1422 is generated, and , Image data including text 1420 may be generated.
- the artificial intelligence device 100 generates a first voice 1411 with a voice based on the voice style of the first user by matching the first text 1421 with the voice style of the first user, and converts the second text 1422 to a second voice.
- a second voice 1412 is generated as a voice based on the voice style of the second user by matching with the voice style of the user, and a voice 1410 including the first voice 1411 and the second voice 1412 is generated. , It is possible to generate sound data including the voice 1410.
- the artificial intelligence device 100 divides voice memos, call transcripts, meeting transcripts, etc. by a plurality of speakers for each speaker and outputs them as letters, or prints with different handwritings. It can be used to convert the voice to the speaker uttering.
- the processor 180 of the artificial intelligence device 100 may convert voice and text to each other using the voice style or text style of the registered user, but the voice style or text style for each user classification group is used. You can also convert voice and text to each other.
- the processor 180 of the artificial intelligence device 100 cannot determine the corresponding registered user or user classification group, when the voice of the voice is different for each section or the handwriting of the handwriting is different, it is different for each section. It can be differentiated and converted using a voice style or text style.
- the processor 180 of the artificial intelligence device 100 determines a registered user or user classification group corresponding to the acquired image data or sound data, and then determines the style to be used for conversion based on the style characteristics of the acquired data. Features can be adjusted.
- the processor 180 of the artificial intelligence device 100 acquires image data including text, it determines a registered user matching the acquired image data, selects a voice style corresponding to the determined user, and obtains The selected voice style may be adjusted based on the text style feature of one image data, and text included in the image data obtained based on the adjusted voice style may be converted into voice.
- the processor 180 of the artificial intelligence device 100 may convert the speech into text by adjusting the selected (or determined) text style based on the speech style characteristic of the sound data. Accordingly, a text converted from a speech uttered in a sleepy state may be irregular and distorted in shape compared to a text converted from a speech uttered in a non-sleepy state.
- the processor 180 of the artificial intelligence device 100 acquires sound data including voice, it determines a registered user matching the acquired sound data, selects a text style corresponding to the determined user, and obtains The selected text style may be adjusted based on the voice style characteristic of one sound data, and voice included in the sound data obtained based on the adjusted text style may be converted into text.
- the processor 180 of the artificial intelligence device 100 may convert text into speech by adjusting the selected (or determined) speech style based on the text style characteristics of the image data. Accordingly, a voice converted from a handwritten letter in a sleepy state may have a lowered voice or a poorer pronunciation than a voice converted from a handwritten letter in a non-sleepy state.
- the processor 180 of the artificial intelligence device 100 converts a voice that is quickly uttered even by the same user's voice into text having a shape that is bleeding compared to a voice that does not, and similarly, even the same user's letter is written. Characters with a can be converted into speech that is spoken at a faster rate compared to other texts.
- the artificial intelligence device 100 adjusts the determined user's voice style or the determined user's text style based on the acquired voice style of sound data or the acquired text style of image data.
- the situation at the time of speech or the situation at the time of writing can be reflected.
- the situation at the time of speech or the situation at time of writing may be reflected in the above-described attribute keyword.
- 15 is a diagram illustrating examples of translating text and speech to each other according to an embodiment of the present invention.
- the artificial intelligence device 100 may mutually convert text and voice for each predetermined unit based on a text style and a voice style.
- the processor 180 may mutually convert a clear and hard voice 1501 and a clean and hard style text 1502, such as the voice of a moderator. As described above, a part emphasized in the spoken voice and a part emphasized in the text may be converted to correspond to each other.
- the processor 180 may convert a voice 1503 having a high tone and inaccurate pronunciation, such as a voice of a child, and a text 1504 having an irregular font and a cute style.
- the processor 180 may convert a voice 1505 that speaks quickly and a text 1506 having a sense of speed.
- 16 is a diagram illustrating examples of translating text and speech to each other according to an embodiment of the present invention.
- the artificial intelligence device 100 may convert text and voice to each other by mapping a voice style feature and a text style feature.
- the voice style feature may reflect the situation at the time of speech speech
- the text style feature may reflect the situation at the time of text writing.
- the processor 180 may mutually convert a voice 1601 spoken while not sleeping and a text 1602 having a uniform and clean shape.
- the processor 180 may mutually convert the voice 1603 spoken in the sleepy state and the text 1604 having a non-uniform shape as if written in the sleepy state.
- Embodiments of the present invention may be applied to various terminal devices and may convert voice and text to each other and output them.
- a refrigerator having a touch panel for inputting a user's handwriting, a display for outputting the input handwriting, and a speaker for outputting sound
- the display The input handwriting is output, and the processor converts each handwriting into a voice according to a corresponding voice style, and outputs a voice that has been automatically converted by a user's interaction or through a speaker.
- the processor converts each voice into text according to a corresponding text style.
- Text converted by user interaction or automatically may be output through the display.
- a service for converting voice and text into a state having a similar style can be provided to a user. And, it is possible to provide an STT service or a TTS service including emotion.
- the present invention described above can be implemented as a computer-readable code in a medium on which a program is recorded.
- the computer-readable medium includes all types of recording devices storing data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
Abstract
본 발명의 실시 예는 텍스트와 음성을 상호 변환하는 인공 지능 장치에 있어서, 복수의 TTS(Text-To-Speech) 엔진을 저장하는 메모리; 및 텍스트를 포함하는 이미지 데이터를 획득하고, 상기 텍스트에 상응하는 음성 스타일을 결정하고, 상기 복수의 TTS 엔진들 중 상기 결정된 음성 스타일에 상응하는 TTS 엔진을 이용하여 상기 텍스트에 상응하는 음성을 생성하고, 상기 생성된 음성을 출력하는 프로세서를 포함하는, 인공 지능 장치를 제공한다.
Description
본 발명은 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법에 관한 것이다. 구체적으로, 본 발명은 입력되는 텍스트의 스타일을 고려하여 음성으로 변환하거나, 입력되는 음성의 스타일을 고려하여 텍스트로 변환하는 인공 지능 장치 및 그 방법에 관한 것이다.
종래부터 음성과 텍스트를 서로 변환하는 서비스에 대한 요구가 있어왔다. 음성을 텍스트로 변환하는 서비스는 영상 매체에서 자동으로 자막을 생성하는데 이용되거나, 음성 인식에 기초한 다양한 서비스 등에서 이용되며, 텍스트를 음성으로 변환하는 서비스는 음성 안내 서비스 등에서 이용된다.
그러나, 종래에 음성과 텍스트를 상호 변환하는 서비스는 미리 정해진 STT(Speech-To-Text) 엔진 또는 TTS(Text-To-Speech) 엔진을 이용할 뿐으로, 다양한 음성 스타일과 텍스트 스타일을 반영할 수 없다. 또한, 동일한 사용자에 의하여 발화된 음성 또는 작성된 텍스트는 모두 동일한 스타일을 갖는 텍스트 또는 음성으로 변환될 뿐이었다.
본 발명은 텍스트를 포함하는 이미지 데이터를 획득하면, 획득한 텍스트를 상응하는 음성 스타일을 갖는 음성으로 변환하여 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 음성을 포함하는 소리 데이터를 획득하면, 획득한 음성을 상응하는 텍스트 스타일을 갖는 텍스트로 변환하여 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명은 복수의 음성 발화자 또는 텍스트 작성자를 구분하여 음성과 텍스트를 상호 변환하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 일 실시 예는 텍스트를 포함하는 이미지 데이터를 획득하고, 텍스트에 상응하는 음성 스타일을 결정하고, 결정된 음성 스타일에 상응하는 TTS(Text-To-Speech) 엔진을 이용하여 텍스트에 상응하는 음성을 생성하고, 생성한 음성을 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명의 일 실시 예는 음성을 포함하는 소리 데이터를 획득하고, 음성에 상응하는 텍스트 스타일을 결정하고, 결정된 텍스트 스타일에 상응하는 STT(Speech-To-Text) 엔진을 이용하여 음성에 상응하는 텍스트를 생성하고, 생성된 텍스트를 출력하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명의 일 실시 예는 입력된 음성의 발화자 또는 입력된 텍스트의 작성자를 판단하고, 등록된 사용자가 음성의 발화자 또는 텍스트의 작성자인 경우에는, 해당 등록된 사용자의 음성 스타일 또는 텍스트 스타일에 기초하여 음성과 텍스트를 상호 변환하는 인공 지능 장치 및 그 방법을 제공하고자 한다.
본 발명의 다양한 실시 예에 따르면, 입력되는 음성이나 텍스트의 스타일을 고려하여 음성과 텍스트를 상호 변환함으로써, 사용자에게 보다 일체감 및 현실감 있는 음성과 텍스트 상호 변환 서비스를 제공할 수 있다.
또한, 본 발명의 다양한 실시 예에 따르면, 각 등록된 사용자별의 음성 스타일과 텍스트 스타일을 반영하여 음성과 텍스트를 상호 변환함으로써, 각 등록된 사용자별로 개인화된 음성과 텍스트 상호 변환 서비스를 제공할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 텍스트와 음성을 상호 변환하는 방법을 나타낸 동작 흐름도이다.
도 4는 도 3에 도시된 텍스트에 상응하는 음성 스타일을 결정하는 단계(S303)의 일 예를 나타낸 동작 흐름도이다.
도 5는 도 3에 도시된 텍스트에 상응하는 음성 스타일을 결정하는 단계(S303)의 일 예를 나타낸 동작 흐름도이다.
도 6은 본 발명의 일 실시 예에서 이미지 데이터와 속성 키워드 사이의 매핑 관계의 예시를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 텍스트를 음성으로 변환하는 예시를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 텍스트와 음성을 상호 변환하는 방법을 나타낸 동작 흐름도이다.
도 9는 도 8에 도시된 음성에 상응하는 텍스트 스타일을 결정하는 단계(S803)의 일 예를 나타낸 동작 흐름도이다.
도 10은 도 8에 도시된 음성에 상응하는 텍스트 스타일을 결정하는 단계(S803)의 일 예를 나타낸 동작 흐름도이다.
도 11은 본 발명의 일 실시 예에서 소리 데이터와 속성 키워드 사이의 매핑 관계의 예시를 나타낸 도면이다.
도 12는 본 발명의 일 실시 예에 따른 음성을 텍스트로 변환하는 예시를 나타낸 도면이다.
도 13은 본 발명의 일 실시 예에 따른 사용자를 고려하여 텍스트와 음성을 상호 변환하는 예시를 나타낸 도면이다.
도 14는 본 발명의 일 실시 예에 따른 사용자를 고려하여 텍스트와 음성을 상호 변환하는 예시를 나타낸 도면이다.
도 15은 본 발명의 일 실시 예에 따라 텍스트와 음성을 상호 변환하는 예시들을 나타낸 도면이다.
도 16은 본 발명의 일 실시 예에 따라 텍스트와 음성을 상호 변환하는 예시들을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 '모듈' 및 '부'는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력되는 데이터가 원본 데이터인지 또는 생성기에서 생성한 가짜 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.
이하에서, 단말기(100)는 인공 지능 장치(100)라 칭할 수 있다.
단말기(100)는 텔레비전(TV), 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.
즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.
단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.
도 1을 참조하면, 단말기(100)는 무선 통신부(Wireless Communication Unit, 110), 입력부(Input Unit, 120), 러닝 프로세서(Learning Processor, 130), 센싱부(Sensing Unit, 140), 출력부(Output Unit, 150), 인터페이스부(Interface Unit, 160), 메모리(Memory, 170), 프로세서(Processor, 180) 및 전원 공급부(Power Supply Unit, 190) 등을 포함할 수 있다.
학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.
한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.
무선 통신부(110)는 방송 수신 모듈(Broadcast Receiving Module, 111), 이동통신 모듈(Mobile Communication Unit, 112), 무선 인터넷 모듈(Wireless Internet Module, 113), 근거리 통신 모듈(Short Range Communication Module, 114), 위치정보 모듈(Location Information Module, 115) 중 적어도 하나를 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
위치정보 모듈(115)은 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 단말기의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(Camera, 121), 오디오 신호를 수신하기 위한 마이크로폰(Microphone, 122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(User Input Unit, 123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.
입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(Display Unit, 151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.
구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.
러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.
러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.
러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.
선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.
러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.
러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.
프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.
프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.
이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.
다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현될 수 있다.
일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 입력 기록 및 출력 기록, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함할 수 있다.
프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.
프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지할 수 있다.
프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 단말기 내 정보, 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(Display Unit, 151), 음향 출력부(Sound Output Unit, 152), 햅틱 모듈(Haptic Module, 153), 광 출력부(Optical Output Unit, 154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.
메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.
이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.
이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성 요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.
즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.
특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.
즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.
학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.
도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 도 1의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.
입력부(220)는 도 1의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.
입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.
입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
메모리(230)는 도 1의 메모리(170)에 대응되는 구성이다.
메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.
모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.
데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.
데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.
러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.
러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.
구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.
전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.
서로 대응되는 구성에 대한 중복되는 설명은 생략한다.
도 3은 본 발명의 일 실시 예에 따른 텍스트와 음성을 상호 변환하는 방법을 나타낸 동작 흐름도이다.
구체적으로, 도 3은 텍스트가 입력되면 해당 텍스트에 상응하는 음성 스타일을 결정하고, 결정된 음성 스타일에 기초하여 텍스트를 음성으로 변환하여 출력하는 방법을 도시하고 있다.
도 3을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 텍스트를 포함하는 이미지 데이터를 획득한다(S301).
이때, 프로세서(180)는 입력부(120)의 카메라(121)를 통하여 이미지 데이터를 획득할 수 있다.
이때, 프로세서(180)는 무선 통신부(110)를 통해 외부 단말기(미도시)로부터 이미지 데이터를 획득할 수 있다. 이 경우, 이미지 데이터는 외부 단말기(미도시)의 구비된 카메라(미도시)에 의하여 획득될 수 있다.
이미지 데이터는 카메라에 의하여 촬영되거나 스캐너에 의하여 스캔되어 생성될 수 있다.
이미지 데이터는 다양한 포멧을 가질 수 있으며, 예컨대 이미지 데이터의 포멧에는 jpg, jpeg, png, bmp, tif, tiff 등이 포함될 수 있다.
이미지 데이터는 텍스트를 포함하며, 텍스트는 손으로 작성된 텍스트, 인쇄된 텍스트, 디스플레이 장치를 통하여 출력되는 텍스트 등을 포함할 수 있다. 즉, 이미지 데이터는 TV, 모니터, 스마트폰 등의 디스플레이부를 구비한 전자 기기에서 출력되는 이미지를 촬영하여 생성한 이미지 데이터 또는 상기 전자 기기에서 출력되는 이미지 데이터 자체를 포함할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 텍스트에 상응하는 음성 스타일을 결정한다(S303).
프로세서(180)는 이미지 데이터를 이용하기 위하여 전처리(pre-processing)로써 이미지 데이터에 대하여 크기, 해상도, 색상, 포멧 등을 조절할 수 있다.
만약, 프로세서(180)가 자신이 취급할 수 있는 이미지 데이터의 형식과는 다른 이미지 데이터를 획득한 경우, 프로세서(180)는 취급할 수 있는 이미지 데이터의 형식에 맞추어 크기, 해상도, 색상, 포멧 등을 조절하는 전처리를 수행할 수 있다.
이하에서, 이미지 데이터는 전처리가 이루어져 프로세서(180)가 취급할 수 있는 이미지 데이터를 의미할 수 있다.
프로세서(180)는 이미지 데이터에 포함된 텍스트에 대하여 텍스트 스타일을 결정하고, 결정된 텍스트 스타일에 기초하여 음성 스타일을 결정할 수 있다.
음성 스타일은 음성 발화 스타일을 의미할 수 있다. 이와 같은 음성 스타일을 이용하면 언어 정보, 국적 정보, 출신지 정보, 감정 정보, 음향 환경 정보, 연령대 정보, 성별 정보 등을 획득할 수 있다.
예컨대, 음성 스타일에는 아나운서의 뉴스 스타일, 성우의 동화 스타일, 연예인의 엔터테인먼트 스타일 등이 포함될 수 있으며, 여기서 나열한 것은 예시에 불과하며 본 발명이 이에 한정되지는 않는다.
프로세서(180)는 이미지 데이터에서 적어도 하나 이상의 텍스트 스타일 특징(feature)을 추출하고, 추출한 텍스트 스타일 특징에 기초하여 텍스트 스타일 또는 음성 스타일을 결정할 수 있다.
이때, 프로세서(180)는 텍스트 스타일 특징에 기초하여 텍스트 스타일을 결정하고, 결정된 텍스트 스타일에 기초하여 음성 스타일을 결정할 수 있다.
텍스트 스타일은 텍스트 스타일 특징으로 특정될 수 있다. 여기서, 하나의 텍스트 스타일 특징이라도 차이가 있는 경우에는 서로 다른 텍스트 스타일을 가리키는 것으로 볼 수 있다.
텍스트 스타일 특징에는 언어, 텍스트 크기, 첫 글자 크기, 초성 크기, 폰트, 색상, 필압, 필속, 각도, 규칙성, 수평도, 행 간격 또는 글자 간격 중에서 적어도 하나 이상이 포함될 수 있다.
음성 스타일은 음성 스타일 특징으로 특정될 수 있다. 여기서, 하나의 음성 스타일 특징이라도 차이가 있는 경우에는 서로 다른 음성 스타일을 가리키는 것으로 볼 수 있다.
음성 스타일 특징에는 음색, 피치, 속도, 액센트, 크기 또는 발음 중에서 적어도 하나 이상이 포함될 수 있다.
각 음성 스타일은 미리 설정된 음성 스타일 특징들로 구성될 수 있다. 이 경우, 각 미리 설정된 음성 스타일은 음성 스타일 특징들에 대한 프리셋(preset)으로 볼 수 있다.
프로세서(180)는 텍스트가 손글씨인 경우, 텍스트 스타일 특징을 기초로 텍스트 작성자를 결정하고, 결정된 작성자에 상응하는 음성 스타일을 결정할 수 있다.
여기서, 텍스트 작성자는 등록된 사용자와 같이 특정한 사람을 지칭하는 것을 의미할 수도 있지만, 특정 연령층이나 특정 특징을 가진 사람들과 같이 사용자 분류 그룹을 의미할 수 있다. 사용자 분류 그룹은 스타일 그룹이라 칭할 수도 있다.
이때, 사용자 분류 그룹은 기준에 따라 다양하게 구성될 수 있다.
예컨대, 제1 기준에 따라 구성된 사용자 분류 그룹은 어린이 그룹과 어른 그룹으로 구분될 수도 있으며, 제2 기준에 따라 구성된 사용자 분류 그룹은 남성 그룹과 여성 그룹으로 구분될 수도 있다. 그리고, 제1 기준 및 제2 기준에 따라 구성된 사용자 분류 그룹은 남성&어린이 그룹, 남성&어른 그룹, 여성&어린이 그룹 및 여성&어른 그룹으로 구분될 수도 있다. 이러한 기준은 단순한 예시에 불과하며, 남성/여성, 어린이/어른, 아나운서/성우/연예인 등과 같이 다양한 기준 등이 사용될 수 있다.
즉, 프로세서(180)는 손글씨에 대하여 등록된 3명의 사용자들 중에서 한 명의 사용자를 선택하여 텍스트 작성자를 결정할 수도 있지만, 해당 손글씨를 작성한 사람이 어린이인지 또는 어른인지를 판단하여 텍스트 사용자 분류 그룹을 선택하여 작성자를 결정할 수도 있다.
메모리(170)는 각 텍스트 작성자에 상응하는 음성 스타일을 저장할 수 있다. 이 경우, 각 텍스트 작성자에 상응하는 음성 스타일은 음성 스타일 특징들에 대한 프리셋으로 볼 수 있다.
이때, 프로세서(180)는 텍스트 작성자 결정 모델을 이용하여 텍스트 작성자를 결정할 수 있다.
텍스트 작성자 결정 모델은 텍스트 스타일 특징이 입력되었을 때, 텍스트 스타일 특징에 상응하는 텍스트 작성자를 결정하는 모델을 의미할 수 있다.
이때, 텍스트 작성자 결정 모델은 인공 신경망으로 구성될 수 있고, 이러한 경우 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 또한, 텍스트 작성자 결정 모델은 인공 지능 장치(100)의 러닝 프로세서(130) 또는 학습 장치(200)의 러닝 프로세서(240)에서 학습된 것일 수 있다.
상술한 바와 같이, 텍스트 작성자 결정 모델은 미리 등록된 작성자(사용자들) 중에서 입력된 텍스트 스타일 특징에 상응하는 작성자를 선택하는 모델일 수도 있고, 미리 구분된 사용자 분류 그룹 중에서 입력된 텍스트 스타일 특징에 상응하는 사용자 분류 그룹을 선택하는 모델일 수 있다.
또한, 프로세서(180)는 결정된 작성자에 상응하는 음성 스타일을 결정한 이후, 텍스트 스타일 특징을 고려하여 음성 스타일 특징을 조정할 수 있다.
즉, 동일한 사람의 글씨라고 하더라도 상황에 따라서 필속, 필압이나 모양 등이 다르며, 그에 따라서 텍스트 스타일 특징도 다르게 나타난다. 따라서, 프로세서(180)는 작성자를 결정하고 결정된 작성자에 상응하는 음성 스타일을 결정한 이후에, 텍스트 스타일 특징을 고려하여 음성 스타일 특징을 조정할 수 있다.
예컨대, 동일한 사용자의 글씨라고 하더라도 졸면서 작성한 글씨로 판단되는 경우, 프로세서는 해당 사용자에 상응하는 음성 스타일에 있어서 졸린 음성으로 합성될 수 있도록 음성 스타일 특징을 조정할 수 있다.
특히, 프로세서(180)는 이미지 데이터에 포함된 텍스트에 있어서, 문장 단위, 단어 단위 등의 미리 설정된 단위마다 음성 스타일을 결정할 수 있다.
예컨대, 프로세서(180)는 특정 단어가 다른 단어들에 비하여 다른 모양을 갖는 경우, 그 단어에 대한 음성 스타일을 다른 단어들의 음성 스타일과 다르게 결정할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 결정된 음성 스타일에 상응하는 TTS(Text-To-Speech) 엔진을 이용하여 텍스트에 상응하는 음성을 생성한다(S305).
TTS 엔진은 텍스트 데이터를 음성 데이터로 변환하는 엔진을 의미할 수 있다.
TTS 엔진은 인공 신경망으로 구성될 수 있으며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
TTS 엔진은 러닝 프로세서(130)에서 직접 학습된 것일 수도 있고, 학습 장치(200)의 러닝 프로세서(240)에서 학습되어 수신한 것일 수도 있다.
메모리(170)는 복수의 음성 스타일 각각에 상응하는 TTS 엔진들을 저장할 수 있다.
이 경우, 메모리(170)에 저장된 TTS 엔진들 각각은 텍스트를 미리 정해진 음성 스타일 특징을 갖는 음성으로 변환하는 TTS 엔진으로, TTS 엔진 프리셋으로 볼 수 있다.
예컨대, 메모리(170)는 남성/여성 아나운서의 뉴스 스타일에 상응하는 TTS 엔진, 성우의 동화 스타일에 상응하는 TTS 엔진, 연예인의 엔터테인먼트 스타일에 상응하는 TTS 엔진 등을 저장할 수 있다.
그리고, 프로세서(180)는 메모리(170)에 저장된 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
이때, 프로세서(180)는 결정된 음성 스타일에 기초하여 메모리(170)에 저장된 TTS 엔진 중에서 하나를 선택하고, 선택한 TTS 엔진에 대하여 음성 스타일 특징을 조정하고, 조정된 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
예컨대, 프로세서(180)가 텍스트에 상응하는 음성 스타일로써 남성 아나운서의 뉴스 스타일로 결정하였지만, 텍스트 스타일 특징 중에서 기울임 정도가 기설정 기준보다 크고 필속이 기설정된 기준보다 빠른 것으로 판단되는 경우라면, 프로세서(180)는 남성 아나운서 뉴스 스타일에 상응하는 TTS 엔진에서 (발화) 속도를 높이는 조정을 할 수 있고, 속도를 높인 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
또한, 예컨대, 프로세서(180)는 텍스트에 상응하는 음성 스타일로써 연예인의 엔터테인먼트 스타일로 결정하였지만, 텍스트 스타일 특징 중에서 글자 크기가 기설정 기준보다 큰 것으로 판단되는 경우라면, 프로세서(180)는 연예인의 엔터테인먼트 스타일에 상응하는 TTS 엔진에서 (발화) 크기를 높이는 조정을 할 수 있고, 크기를 높인 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
또는, 프로세서(180)는 메모리(170)에 저장된 디폴트 TTS 엔진에 대하여, 결정된 음성 스타일에 기초하여 디폴트 TTS 엔진에 대하여 음성 스타일 특징을 조정하고, 조정된 디폴트 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
만약, 이미지 데이터에 대한 텍스트의 정보가 있는 경우, 프로세서(180)는 별도의 텍스트 인식 과정 없이 결정된 음성 스타일에 상응하는 TTS 엔진을 이용하여 텍스트에 상응하는 음성을 생성할 수 있다.
만약, 이미지 데이터에 대한 텍스트 정보가 없는 경우, 프로세서(180)는 텍스트 인식 엔진 또는 텍스트 인식 모델을 이용하여 이미지 데이터에서 텍스트를 인식할 수 있고, 결정된 음성 스타일에 상응하는 TTS 엔진을 이용하여 인식한 텍스트에 상응하는 음성을 생성할 수 있다.
텍스트 인식 모델 또는 텍스트 인식 엔진은 이미지 데이터에서 글자를 인식하는 모델을 의미한다.
텍스트 인식 모델은 인공 신경망으로 구성될 수 있으며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
텍스트 인식 모델은 러닝 프로세서(130)에서 직접 학습된 것일 수도 있고, 학습 장치(200)의 러닝 프로세서(240)에서 학습되어 수신한 것일 수도 있다.
인공 지능 장치(100)의 프로세서(180)는 생성된 음성을 출력한다(S307).
이때, 프로세서(180)는 출력부(150)의 음향 출력부(152) 또는 스피커를 통해 생성된 음성을 출력할 수 있다.
이때, 프로세서(180)는 무선 통신부(110)를 통해 외부 단말기(미도시)에 생성된 음성을 전송함으로써, 외부 단말기(미도시)의 스피커를 통하여 생성된 음성을 출력할 수 있다.
도 4는 도 3에 도시된 텍스트에 상응하는 음성 스타일을 결정하는 단계(S303)의 일 예를 나타낸 동작 흐름도이다.
도 4를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 이미지 데이터에 대하여 등록된 사용자들 중에서 매칭되는 사용자가 존재하는지 판단한다(S401).
예컨대, 부부가 사용자로 등록된 상황에서, 프로세서(180)는 이미지 데이터에 포함된 텍스트가 두 부부 중에서 한 명에 의하여 작성된 것인지 여부를 판단할 수 있다.
텍스트 작성자를 판단하는 것은 필적 감정에 따른 작성자를 결정하는 것으로 볼 수 있으나, 본 발명이 이에 한정되지는 않는다.
상술한 바와 같이, 프로세서(180)는 텍스트 작성자 결정 모델을 이용하여 이미지 데이터에 대하여 등록된 사용자 중에서 매칭되는 사용자가 존재하는지 판단할 수 있다.
텍스트 작성자 결정 모델은 이미지 데이터 자체 또는 이미지 데이터에서 추출된 텍스트 스타일 특징이 입력되면, 판단 결과로써 각 등록된 사용자들이 작성자일 확률 또는 매칭도를 출력하는 것일 수 있다. 여기서, 매칭도는 각 등록된 사용자까지의 거리를 의미할 수 있다.
예컨대, 부부가 사용자로 등록된 상황의 예시에서, 텍스트 작성자 결정 모델은 이미지 데이터가 입력되었을 때, 남편이 텍스트 작성자일 확률 또는 매칭도를 80% (또는 0.8)로, 아내가 텍스트 작성자일 확률 또는 매칭도를 20% (또는 0.2)로 출력하는 것일 수 있다.
그리고, 프로세서(180)는 각 등록된 사용자들에 대하여 텍스트 작성자일 확률 또는 매칭도가 기설정된 기준값을 초과하는지 여부에 기초하여 등록된 사용자 중에서 매칭되는 사용자가 존재하는지 여부를 판단할 수 있다.
예컨대, 프로세서(180)는 텍스트 작성자일 확률 또는 매칭도가 80% (또는 0.8) 이상인 경우에 해당 사용자를 매칭되는 사용자로 판단할 수 있다.
만약, 복수의 등록된 사용자의 매칭도가 기설정된 기준값을 초과하는 경우, 프로세서(180)는 가장 매칭도가 높은 사용자를 매칭되는 사용자로 판단할 수 있다.
상기 단계(S401)의 판단 결과, 등록된 사용자 중에서 매칭되는 텍스트 작성자가 존재하는 경우, 프로세서(180)는 매칭되는 사용자에 상응하는 음성 스타일을 선택하여 음성 스타일을 결정한다(S403).
메모리(170)는 각 등록된 사용자들에 상응하는 음성 스타일을 저장하고, 프로세서(180)는 메모리(170)에서 매칭되는 작성자 또는 매칭되는 사용자에 상응하는 음성 스타일을 선택할 수 있다.
상기 단계(S401)의 판단 결과, 등록된 사용자 중에서 매칭되는 텍스트 작성자가 존재하지 않는 경우, 프로세서(180)는 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하는지 판단한다(S405).
사용자 분류 그룹들은 특정한 작성자 또는 특정한 사용자를 지칭하지 않고, 어떠한 기준에 따라 구분되는 그룹들을 의미할 수 있다.
예컨대, 사용자 분류 그룹들을 구분하기 위한 기준에는 남성/여성, 어린이/어른, 아나운서/성우/연예인 등이 포함될 수 있다.
상술한 바와 같이, 프로세서(180)는 텍스트 작성자 결정 모델을 이용하여 이미지 데이터에 대하여 미리 등록된 또는 미리 설정된 사용자 분류 그룹들 중에서 매칭되는 사용자 분류 그룹이 존재하는지 판단할 수 있다.
텍스트 작성자 결정 모델은 이미지 데이터 자체 또는 이미지 데이터에서 추출된 텍스트 스타일 특징이 입력되면, 판단 결과로써 각 사용자 분류 그룹의 매칭도를 출력하는 것일 수 있다. 여기서, 매칭도는 각 사용자 분류 그룹까지의 거리를 의미할 수 있다.
예컨대, 사용자 분류 그룹에 아나운서 그룹, 만화 캐릭터 성우 그룹, 코메디언 그룹이 포함되는 상황에서, 텍스트 작성자 결정 모델은 이미지 데이터가 입력되었을 때, 아나운서 그룹의 매칭도를 85% (또는 0.85)로, 만화 캐릭터 성우 그룹의 매칭도를 40% (또는 0.4)로, 코메디언 그룹의 매칭도를 35% (또는 0.35)로 출력하는 것일 수 있다.
그리고, 프로세서(180)는 사용자 분류 그룹들에 대하여 매칭도가 기설정된 기준값을 초과하는지 여부에 기초하여 사용자 분류 그룹들 중에서 매칭되는 사용자 분류 그룹이 존재하는지 여부를 판단할 수 있다.
예컨대, 프로세서(180)는 매칭도가 80% (또는 0.8) 이상인 경우에 해당 사용자 분류 그룹을 매칭되는 사용자 분류 그룹을 판단할 수 있다.
만약, 복수의 사용자 분류 그룹의 매칭도가 기설정된 기준값을 초과하는 경우, 프로세서(180)는 가장 매칭도가 높은 사용자 분류 그룹을 매칭되는 사용자 분류 그룹으로 판단할 수 있다.
예컨대, 프로세서(180)는 이미지 데이터가 뉴스나 기사와 같이 정보를 전달하기에 유리한 가독성 좋거나 딱딱한 폰트의 텍스트를 포함하는 경우에는 사용자 분류 그룹 중에서 아나운서 그룹을 매칭되는 그룹으로 판단할 수 있다.
상기 단계(S405)의 판단 결과, 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하는 경우, 프로세서(180)는 매칭되는 그룹에 상응하는 음성 스타일을 선택하여 음성 스타일을 결정한다(S407).
메모리(170)는 각 사용자 분류 그룹에 상응하는 음성 스타일을 저장하고, 프로세서(180)는 메모리(170)에서 매칭되는 그룹에 상응하는 음성 스타일을 선택할 수 있다.
상기 단계(S405)의 판단 결과, 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하지 않는 경우, 프로세서(180)는 디폴트 음성 스타일을 선택한다(S409).
디폴트 음성 스타일은 음성 스타일 기본값을 의미할 수 있다.
음성 스타일은 음성 스타일 특징들에 의하여 구성될 수 있으므로, 디폴트 음성 스타일은 디폴트 음성 스타일 특징들로 구성된 음성 스타일을 의미할 수 있다.
일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 미리 설정된 음성 스타일 중에서 선택하여 음성 스타일을 결정한 이후, 이미지 데이터에서 추출한 텍스트 스타일 특징에 기초하여 결정한 음성 스타일에 대한 음성 스타일 특징을 조정할 수 있다.
예컨대, 프로세서(180)는 이미지 데이터가 입력되었을 때 텍스트 작성자가 사용자 A라고 판단한 경우에 사용자 A의 음성 스타일을 선택하여 음성 스타일을 결정할 수 있고, 이미지 데이터에서 획득한 텍스트 스타일 특징에서 필속이 미리 설정된 기준값보다 크게 나타나는 경우에는 사용자 A의 음성 스타일 특징 중에서 (발화) 속도를 높일 수 있다.
도 5는 도 3에 도시된 텍스트에 상응하는 음성 스타일을 결정하는 단계(S303)의 일 예를 나타낸 동작 흐름도이다.
도 5를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 이미지 데이터에서 적어도 하나 이상의 속성 키워드를 추출한다(S501).
속성 키워드란 이미지 데이터에 포함된 텍스트나 소리 데이터에 포함된 음성의 속성을 나타낼 수 있는 키워드로, 텍스트나 음성의 분위기/느낌을 나타내는 키워드, 매체/목적의 종류를 나타내는 키워드 등이 포함될 수 있다.
예컨대, 속성 키워드에는 매체/목적의 종류를 나타내는 키워드로써 경고, 안내, 엔터테인먼트 잡지, 동화, 만화책, 뉴스, 시사 잡지 등이 포함될 수 있고, 분위기/느낌을 나타내는 키워드로써 딱딱한, 강조하는, 중요한, 가벼운, 세련된, 패셔너블, 트랜디, 재밌는, 귀여운, 웃긴, 깔끔한 등이 포함될 수 있다.
이때, 인공 지능 장치(100)의 프로세서(180)는 속성 키워드 추출 모델을 이용하여 이미지 데이터에서 속성 키워드를 추출할 수 있다.
속성 키워드 추출 모델은 주어진 이미지 데이터 포함된 텍스트, 이미지, 그리고 이들의 색상이나 배치 등을 고려하여 이미지 데이터에 상응하는 속성 키워드를 추출하는 모델을 의미할 수 있다.
이때, 속성 키워드 추출 모델은 인공 신경망으로 구성되어, 속성 키워드가 부여된 이미지 데이터를 이용하여 지도 학습된 모델일 수 있다.
인공 지능 장치(100)의 프로세서(180)는 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 음성 스타일을 선택한다(S503).
이를 위하여, 인공 지능 장치(100)의 프로세서(180)는 음성 스타일과 그 음성 스타일의 속성 키워드 사이의 매핑 관계를 이용할 수 있으며, 이러한 매핑 관계는 메모리(170)에 저장되거나, 학습 서버(200)의 메모리(230)에 저장될 수 있다.
이때, 음성 스타일과 그 음성 스타일의 속성 키워드 사이의 매핑 관계는 속성 키워드 추출 모델을 이용하여 소리 데이터에서 추출된 속성 키워드와 그 소리 데이터에 상응하는 음성 스타일을 매핑함으로써 생성될 수도 있고, 속성 키워드 추출 모델의 학습을 위하여 이용하는, 속성 키워드가 주어진 소리 데이터에서 속성 키워드를 추출하고 이를 주어진 속성 키워드와 매핑함으로써 생성될 수도 있다.
선택적 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 이미지 데이터에서 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 음성 스타일 그룹을 선택하고, 선택된 음성 스타일 그룹에 포함된 음성 스타일들 중에서 하나를 선택할 수도 있다.
예컨대, 신문에 대한 이미지 데이터로부터 추출된 속성 키워드가 중요한, 딱딱한, 깔끔한이며, 음성 스타일 그룹 중에서 뉴스 그룹이 중요한, 딱딱한, 깔끔한이라는 속성 키워드를 갖는 경우를 가정한다면, 프로세서(180)는 신문에 대한 이미지 데이터가 입력되면 음성 스타일 그룹으로 뉴스 그룹을 선택하고, 뉴스 그룹에 속하는 여러 음성 스타일들 중에서 하나를 선택할 수 있다.
이때, 프로세서(180)는 음성 스타일 그룹에 포함된 복수의 음성 스타일 중에서 임의로 하나를 선택하거나, 이미지 데이터에서 추출한 텍스트 스타일 특징과 가장 유사한 또는 연관성을 갖는 음성 스타일 특성을 포함하는 음성 스타일을 선택할 수 있다.
도 6은 본 발명의 일 실시 예에서 이미지 데이터와 속성 키워드 사이의 매핑 관계의 예시를 나타낸 도면이다.
도 6을 참조하면, 이미지 데이터(601, 603, 605 또는 607)와 속성 키워드들(602, 604, 606 또는 608) 사이의 매핑 관계는 이미지 데이터에 포함된 텍스트, 이미지, 배치, 색상 등에 기초하여 결정될 수 있다.
이러한 이미지 데이터(601, 603, 605 또는 607)와 속성 키워드들(602, 604, 606 또는 608) 사이의 매핑 관계는 미리 사용자에 의하여 결정될 수 있다. 그리고, 결정된 매핑 관계는 속성 키워드 추출 모델을 학습하는데 이용될 수 있다.
즉, 속성 키워드 추출 모델은 이미지 데이터(601, 603, 605 또는 607)와 그에 상응하는 속성 키워드(602, 604, 606 또는 608)가 라벨링된 학습 데이터를 이용하여 지도 학습에 따라 학습될 수 있다. 그리고, 속성 키워드 추출 모델은 이미지 데이터가 입력되면 그에 상응하는 속성 키워드를 추출하는데 이용될 수 있다. 여기서, 속성 키워드(602, 604, 606 또는 608)는 라벨로써 미리 주어지거나 사용자에 의하여 설정될 수 있다.
예컨대, 경고문에 상응하는 이미지 데이터(601)는 '경고', '안내', '중요한', '딱딱한', '강조' 등의 속성 키워드들(602)과 매핑될 수 있다. 동화책에 상응하는 이미지 데이터(603)는 '동화', '어린이', '가벼운', '재밌는', '웃긴', '귀여운' 등의 속성 키워드들(604)과 매핑될 수 있다. 엔터테인먼트 잡지에 상응하는 이미지 데이터(605)는 '잡지', '패션', '문화', '영화', '가벼운', '패셔너블한', '세련된' 등의 속성 키워드들(606)과 매핑될 수 있다. 시사 잡지에 상응하는 이미지 데이터(607)는 '정치', '경제', '뉴스', '중요한', '딱딱한', '깔끔한' 등의 속성 키워드들(608)과 매핑될 수 있다.
만약, 인공 지능 장치(100)의 프로세서(180)는 속성 키워드 추출 모델을 이용하여 동화책에 상응하는 이미지 데이터가 입력되면, 그에 상응하는 속성 키워드로써 '동화', '어린이', '가벼운', '재밌는', '웃긴', '귀여운' 중에서 적어도 하나 이상을 추출할 수 있다. 그리고, 프로세서(180)는 이와 같이 추출된 속성 키워드에 기초하여 음성 스타일을 동화 또는 만화의 성우의 음성 스타일로 결정하고, 결정된 음성 스타일에 기초하여 텍스트를 음성으로 변환할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 텍스트를 음성으로 변환하는 예시를 나타낸 도면이다.
도 7을 참조하면, 인공 지능 장치(100)에 동화책에 상응하는 이미지 데이터(701)가 입력되면, 인공 지능 장치(100)는 이미지 데이터(701)에서 '동화', '어린이', '가벼운', '재밌는', '귀여운' 등의 속성 키워드(702)를 추출하고, 추출된 속성 키워드(702)에 기초하여 이미지 데이터(701)에 포함된 텍스트를 동화/만화 성우 목소리의 음성(703)으로 변환할 수 있다.
도 8은 본 발명의 일 실시 예에 따른 텍스트와 음성을 상호 변환하는 방법을 나타낸 동작 흐름도이다.
구체적으로, 도 8은 음성이 입력되면 해당 음성에 상응하는 텍스트 스타일을 결정하고, 결정된 텍스트 스타일에 기초하여 음성을 텍스트로 변환하여 출력하는 방법을 도시하고 있다.
도 8을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 음성을 포함하는 소리 데이터를 획득한다(S801).
이때, 프로세서(180)는 입력부(120)의 마이크로폰(122)를 통하여 소리 데이터를 획득할 수 있다.
이때, 프로세서(180)는 무선 통신부(110)를 통해 외부 단말기(미도시)로부터 소리 데이터를 획득할 수 있다. 이 경우, 소리 데이터는 외부 단말기(미도시)의 구비된 마이크로폰(미도시)에 의하여 획득될 수 있다.
소리 데이터는 다양한 포멧을 가질 수 있으며, 예컨대 소리 데이터의 포멧에는 wav, mp3, mp4, acc 등이 포함될 수 있다.
소리 데이터는 음성 포함하며, 음성은 사용자가 직접 발화한 음성, 소리 출력 장치에서 출력되는 음성 등을 포함할 수 있다. 즉, 음성 데이터는 TV, 스피커, 라디오, 스마트폰 등의 음향 출력부(스피커)를 구비한 전자 기기에서 출력되는 음성를 녹음하여 생성한 소리 데이터 또는 상기 전자 기기에서 출력되는 소리 데이터 자체를 포함할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 음성에 상응하는 텍스트 스타일을 결정한다(S803).
프로세서(180)는 소리 데이터를 이용하기 위하여 전처리로써 소리 데이터에 대하여 크기, 해상도, 포멧 등을 조절할 수 있다.
만약, 프로세서(180)가 자신이 취급할 수 있는 소리 데이터의 형식과는 다른 소리 데이터를 획득한 경우, 프로세서(180)는 취급할 수 있는 소리 데이터의 형식에 맞추어 크기, 해상도, 포멧 등을 조절하는 전처리를 수행할 수 있다.
이하에서, 소리데이터는 전처리가 이루어져 프로세서(180)가 취급할 수 있는 소리 데이터를 의미할 수 있다.
프로세서(180)는 소리 데이터에 포함된 음성에 대하여 음성 스타일을 결정하고, 결정된 음성 스타일에 기초하여 텍스트 스타일을 결정할 수 있다.
프로세서(180)는 소리 데이터에서 적어도 하나 이상의 음성 스타일 특징을 추출하고, 추출한 음성 스타일 특징에 기초하여 텍스트 스타일 또는 음성 스타일을 결정할 수 있다.
이때, 프로세서(180)는 음성 스타일 특징에 기초하여 음성 스타일을 결정하고, 결정된 음성 스타일에 기초하여 텍스트 스타일을 결정할 수 있다.
각 텍스트 스타일은 미리 설정된 텍스트 스타일 특징들로 구성될 수 있다. 이 경우, 각 미리 설정된 텍스트 스타일은 텍스트 스타일 특징들에 대한 프리셋으로 볼 수 있다.
프로세서(180)는 음성 스타일 특징을 기초로 음성 발화자를 결정하고, 결정된 발화자에 상응하는 텍스트 스타일을 결정할 수 있다.
여기서, 음성 발화자는 등록된 사용자와 같이 특정한 사람을 지칭하는 것을 의미할 수도 있지만, 특정 연령층이나 특정 특징을 가진 사람들과 같이 사용자 분류 그룹을 의미할 수 있다.
사용자 분류 그룹에 대한 설명은 상기 도 3과 함께 설명한 것과 같다.
즉, 프로세서(180)는 음성에 대하여 등록된 3명의 사용자들 중에서 한 명의 사용자를 선택하여 음성 발화자를 결정할 수도 있지만, 해당 음성을 발화한 사람이 어린이인지 또는 어른인지를 판단하여 음성 사용자 분류 그룹을 선택하여 발화자를 결정할 수도 있다.
메모리(170)는 각 음성 발화자에 상응하는 텍스트 스타일을 저장할 수 있다. 이 경우, 각 음성 발화자에 상응하는 텍스트 스타일은 텍스트 스타일 특징들에 대한 프리셋으로 볼 수 있다.
이때, 프로세서(180)는 음성 발화자 결정 모델을 이용하여 음성 발화자를 결정할 수 있다.
음성 발화자 결정 모델은 음성 스타일 특징이 입력되었을 때, 음성 스타일 특징에 상응하는 음성 발화자를 결정하는 모델을 의미할 수 있다.
이때, 음성 발화자 결정 모델은 인공 신경망으로 구성될 수 있고, 이러한 경우 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다. 또한, 음성 발화자 결정 모델은 인공 지능 장치(100)의 러닝 프로세서(130) 또는 학습 장치(200)의 러닝 프로세서(240)에서 학습된 것일 수 있다.
상술한 바와 같이, 음성 발화자 결정 모델은 미리 등록된 작성자(사용자들) 중에서 입력된 음성 스타일 특징에 상응하는 작성자를 선택하는 모델일 수도 있고, 미리 구분된 사용자 분류 그룹 중에서 입력된 음성 스타일 특징에 상응하는 사용자 분류 그룹을 선택하는 모델일 수 있다.
또한, 프로세서(180)는 결정된 발화자에 상응하는 텍스트 스타일을 결정한 이후, 음성 스타일 특징을 고려하여 텍스트 스타일 특징을 조정할 수 있다.
즉, 동일한 사람의 음성이라고 하더라도 상황에 따라서 발화 속도, 발화 크기나 발음 등이 다르며, 그에 따라서 음성 스타일 특징도 다르게 나타난다. 따라서, 프로세서(180)는 발화자를 결정하고 결정된 발화자에 상응하는 텍스트 스타일을 결정한 이후에, 음성 스타일 특징을 고려하여 텍스트 스타일 특징을 조정할 수 있다.
예컨대, 동일한 사용자의 음성이라고 하더라도 졸면서 발화한 음성으로 판단되는 경우, 프로세서는 해당 사용자에 상응하는 텍스트 스타일에 있어서 졸린 상태에서 작성한 것과 같이 불규칙적이고 일그러진 글씨로 합성될 수 있도록 텍스트 스타일 특징을 조정할 수 있다.
특히, 프로세서(180)는 소리 데이터에 포함된 음성에 있어서, 문장 단위, 단어 단위 등의 미리 설정된 단위마다 텍스트 스타일을 결정할 수 있다.
예컨대, 프로세서(180)는 특정 단어가 다른 단어들에 비하여 다른 발음인 경우, 그 단어에 대한 텍스트 스타일을 다른 단어들의 텍스트 스타일과 다르게 결정할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 결정된 텍스트 스타일에 상응하는 STT(Speech-To-Text) 엔진을 이용하여 음성에 상응하는 텍스트를 생성한다(S805).
STT 엔진은 음성 데이터를 텍스트 데이터로 변환하는 엔진을 의미할 수 있다.
STT 엔진은 인공 신경망으로 구성될 수 있으며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
STT 엔진은 러닝 프로세서(130)에서 직접 학습된 것일 수도 있고, 학습 장치(200)의 러닝 프로세서(240)에서 학습되어 수신한 것일 수도 있다.
메모리(170)는 복수의 텍스트 스타일 각각에 상응하는 STT 엔진들을 저장할 수 있다.
이 경우, 메모리(170)에 저장된 STT 엔진들 각각은 음성을 미리 정해진 텍스트 스타일 특징을 갖는 텍스트로 변환하는 STT 엔진으로, STT 엔진 프리셋으로 볼 수 있다.
예컨대, 메모리(170)는 뉴스 스타일에 상응하는 STT 엔진, 만화/동화 스타일에 상응하는 STT 엔진, 엔터테인먼트 스타일에 상응하는 STT 엔진 등을 저장할 수 있다.
그리고, 프로세서(180)는 메모리(170)에 저장된 STT 엔진을 이용하여 음성에 상응하는 텍스트를 생성할 수 있다.
이때, 프로세서(180)는 결정된 텍스트 스타일에 기초하여 메모리(170)에 저장된 STT 엔진 중에서 하나를 선택하고, 선택한 STT 엔진에 대하여 텍스트 스타일 특징을 조정하고, 조정된 STT 엔진을 이용하여 음성에 상응하는 텍스트를 생성할 수 있다.
예컨대, 프로세서(180)가 텍스트에 상응하는 음성 스타일로써 뉴스 스타일로 결정하였지만, 음성 스타일 특징 중에서 발화 속도가 기설정 기준보다 큰 것으로 판단되는 경우라면, 프로세서(180)는 뉴스 스타일에 상응하는 STT 엔진에서 빠른 필속임을 나타내기 위하여 글씨 기울임 각도를 높이는 조정을 할 수 있고, 글씨 기울임 각도를 높인 STT 엔진을 이용하여 음성에 상응하는 텍스트을 생성할 수 있다.
또한, 예컨대, 프로세서(180)는 음성에 상응하는 텍스트 스타일로써 엔터테인먼트 스타일로 결정하였지만, 음성 스타일 특징 중에서 발화 크기가 기설정 기준보다 큰 것으로 판단되는 경우라면, 프로세서(180)는 엔터테인먼트 스타일에 상응하는 STT 엔진에서 글씨 크기를 높이는 조정을 할 수 있고, 글씨 크기를 높인 STT 엔진을 이용하여 음성에 상응하는 텍스트를 생성할 수 있다.
또는, 프로세서(180)는 메모리(170)에 저장된 디폴트 STT 엔진에 대하여, 결정된 텍스트 스타일에 기초하여 디폴트 STT 엔진에 대하여 텍스트 스타일 특징을 조정하고, 조정된 디폴트 STT 엔진을 이용하여 음성에 상응하는 텍스트를 생성할 수 있다.
특히, 프로세서(180)는 음성을 텍스트로 변환할 때, 변환된 텍스트를 사람이 직접 쓰는 것처럼 음성을 텍스트 필기 애니메이션의 형태로 변환할 수 있다.
이때, 프로세서(180)가 음성을 텍스트 필기 애니메이션의 형태로 변환하는 경우라면, 텍스트 스타일 속성은 텍스트 필기 애니메이션의 스타일 속성이 포함될 수 있다. 이 경우, 필기 속도나 필기 획순이 텍스트 스타일 속성에 포함될 수 있다.
예컨대, 프로세서(180)가 텍스트에 상응하는 음성 스타일로써 뉴스 스타일로 결정하였지만, 음성 스타일 특징 중에서 발화 속도가 기설정 기준보다 큰 것으로 판단되는 경우라면, 프로세서(180)는 뉴스 스타일에 상응하는 STT 엔진에서 필기 속도를 높이는 조정을 할 수 있고, 필기 속도를 높인 STT 엔진을 이용하여 음성에 상응하는 텍스트 필기 애니메이션을 생성할 수 있다.
이하에서, 텍스트는 텍스트 필기 애니메이션을 포함하는 용어로써 사용될 수 있다.
만약, 소리 데이터에 대한 음성의 정보가 있는 경우, 프로세서(180)는 별도의 음성 인식 과정 없이 결정된 텍스트 스타일에 상응하는 STT 엔진을 이용하여 음성에 상응하는 텍스트를 생성할 수 있다.
만약, 텍스트 데이터에 대한 음성 정보가 없는 경우, 프로세서(180)는 음성 인식 엔진 또는 음성 인식 모델을 이용하여 소리 데이터에서 음성을 인식할 수 있고, 결정된 텍스트 스타일에 상응하는 STT 엔진을 이용하여 인식한 음성에 상응하는 텍스트를 생성할 수 있다.
음성 인식 모델 또는 음성 인식 엔진은 소리 데이터에서 음성을 인식하는 모델을 의미한다.
음성 인식 모델은 인공 신경망으로 구성될 수 있으며, 머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습될 수 있다.
음성 인식 모델은 러닝 프로세서(130)에서 직접 학습된 것일 수도 있고, 학습 장치(200)의 러닝 프로세서(240)에서 학습되어 수신한 것일 수도 있다.
인공 지능 장치(100)의 프로세서(180)는 생성된 텍스트를 출력한다(S807).
이때, 프로세서(180)는 출력부(150)의 디스플레이부(151)를 통해 생성된 텍스트를 출력할 수 있다.
이때, 프로세서(180)는 무선 통신부(110)를 통해 외부 단말기(미도시)에 생성된 텍스트를 전송함으로써, 외부 단말기(미도시)의 디스플레이부를 통하여 생성된 텍스트를 출력할 수 있다.
여기서, 텍스트를 출력하는 것은 변환된 텍스트를 애니메이션 없이 바로 출력하는 것뿐만 아니라, 상술한 텍스트 필기 애니메이션과 같이 시계열적인 요소를 포함하여 생성된 텍스트를 순차적으로 출력하는 것을 포함할 수 있다.
예컨대, 프로세서(180)는 3문장의 텍스트가 생성된 경우에, 3문장을 동시에 출력하거나, 문장이나 단어와 같이 일정한 단위별로 순차적으로 출력하거나, 각 글씨를 실제 필기하는 것과 같이 필기 애니메이션의 형태로 출력할 수 있다.
도 9는 도 8에 도시된 음성에 상응하는 텍스트 스타일을 결정하는 단계(S803)의 일 예를 나타낸 동작 흐름도이다.
도 9를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 소리 데이터에 대하여 등록된 사용자들 중에서 매칭되는 사용자가 존재하는지 판단한다(S901).
예컨대, 부부가 사용자로 등록된 상황에서, 프로세서(180)는 소리 데이터에 포함된 음성이 두 부부 중에서 한 명에 의하여 발화된 것인지 여부를 판단할 수 있다.
음성 발화자를 판단하는 것은 목소리 감정에 따른 발화자를 결정하는 것으로 볼 수 있으나, 본 발명이 이에 한정되지는 않는다.
상술한 바와 같이, 프로세서(180)는 음성 발화자 결정 모델을 이용하여 소리 데이터에 대하여 등록된 사용자 중에서 매칭되는 사용자가 존재하는지 판단할 수 있다.
음성 발화자 결정 모델은 소리 데이터 자체 또는 소리 데이터에서 추출된 음성 스타일 특징이 입력되면, 판단 결과로써 각 등록된 사용자들이 발화자일 확률 또는 매칭도를 출력하는 것일 수 있다. 여기서, 매칭도는 각 등록된 사용자까지의 거리를 의미할 수 있다.
예컨대, 부부가 사용자로 등록된 상황의 예시에서, 음성 발화자 결정 모델은 소리 데이터가 입력되었을 때, 남편이 음성 발화자일 확률 또는 매칭도를 80% (또는 0.8)로, 아내가 음성 발화자일 확률 또는 매칭도를 20% (또는 0.2)로 출력하는 것일 수 있다.
그리고, 프로세서(180)는 각 등록된 사용자들에 대하여 음성 발화자일 확률 또는 매칭도가 기설정된 기준값을 초과하는지 여부에 기초하여 등록된 사용자 중에서 매칭되는 사용자가 존재하는지 여부를 판단할 수 있다.
예컨대, 프로세서(180)는 음성 발화자일 확률 또는 매칭도가 80% (또는 0.8) 이상인 경우에 해당 사용자를 매칭되는 사용자로 판단할 수 있다.
만약, 복수의 등록된 사용자의 매칭도가 기설정된 기준값을 초과하는 경우, 프로세서(180)는 가장 매칭도가 높은 사용자를 매칭되는 사용자로 판단할 수 있다.
상기 단계(S901)의 판단 결과, 등록된 사용자 중에서 매칭되는 음성 발화자가 존재하는 경우, 프로세서(180)는 매칭되는 사용자에 상응하는 텍스트 스타일을 선택하여 텍스트 스타일을 결정한다(S903).
메모리(170)는 각 등록된 사용자들에 상응하는 텍스트 스타일을 저장하고, 프로세서(180)는 메모리(170)에서 매칭되는 발화자 또는 매칭되는 사용자에 상응하는 텍스트 스타일을 선택할 수 있다.
상기 단계(S901)의 판단 결과, 등록된 사용자 중에서 매칭되는 음성 발화자가 존재하지 않는 경우, 프로세서(180)는 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하는지 판단한다(S905).
사용자 분류 그룹들은 특정한 작성자 또는 특정한 사용자를 지칭하지 않고, 어떠한 기준에 따라 구분되는 그룹들을 의미할 수 있다.
예컨대, 사용자 분류 그룹들을 구분하기 위한 기준에는 남성/여성, 어린이/어른, 뉴스/만화/엔터테인먼트 등이 포함될 수 있다.
상술한 바와 같이, 프로세서(180)는 음성 발화자 결정 모델을 이용하여 소리 데이터에 대하여 미리 등록된 또는 미리 설정된 사용자 분류 그룹들 중에서 매칭되는 사용자 분류 그룹이 존재하는지 판단할 수 있다.
음성 발화자 결정 모델은 소리 데이터 자체 또는 소리 데이터에서 추출된 음성 스타일 특징이 입력되면, 판단 결과로써 각 사용자 분류 그룹의 매칭도를 출력하는 것일 수 있다. 여기서, 매칭도는 각 사용자 분류 그룹까지의 거리를 의미할 수 있다.
예컨대, 사용자 분류 그룹에 뉴스 그룹, 만화 그룹, 엔터테인먼트 그룹이 포함되는 상황에서, 음성 발화자 결정 모델은 소리 데이터가 입력되었을 때, 뉴스 그룹의 매칭도를 85% (또는 0.85)로, 만화 그룹의 매칭도를 40% (또는 0.4)로, 엔터테인먼트 그룹의 매칭도를 35% (또는 0.35)로 출력하는 것일 수 있다.
그리고, 프로세서(180)는 사용자 분류 그룹들에 대하여 매칭도가 기설정된 기준값을 초과하는지 여부에 기초하여 사용자 분류 그룹들 중에서 매칭되는 사용자 분류 그룹이 존재하는지 여부를 판단할 수 있다.
예컨대, 프로세서(180)는 매칭도가 80% (또는 0.8) 이상인 경우에 해당 사용자 분류 그룹을 매칭되는 사용자 분류 그룹을 판단할 수 있다.
만약, 복수의 사용자 분류 그룹의 매칭도가 기설정된 기준값을 초과하는 경우, 프로세서(180)는 가장 매칭도가 높은 사용자 분류 그룹을 매칭되는 사용자 분류 그룹으로 판단할 수 있다.
예컨대, 프로세서(180)는 소리 데이터가 아나운서와 같이 정보를 전달하기에 유리한 딱딱하고 깔끔한 음성을 포함하는 경우에는 사용자 분류 그룹 중에서 뉴스 그룹을 매칭되는 그룹으로 판단할 수 있다.
상기 단계(S905)의 판단 결과, 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하는 경우, 프로세서(180)는 매칭되는 그룹에 상응하는 텍스트 스타일을 선택하여 텍스트 스타일을 결정한다(S907).
메모리(170)는 각 사용자 분류 그룹에 상응하는 텍스트 스타일을 저장하고, 프로세서(180)는 메모리(170)에서 매칭되는 그룹에 상응하는 텍스트 스타일을 선택할 수 있다.
상기 단계(S905)의 판단 결과, 사용자 분류 그룹들 중에서 매칭되는 그룹이 존재하지 않는 경우, 프로세서(180)는 디폴트 텍스트 스타일을 선택한다(S909).
디폴트 텍스트 스타일은 텍스트 스타일 기본값을 의미할 수 있다.
텍스트 스타일은 텍스트 스타일 특징들에 의하여 구성될 수 있으므로, 디폴트 텍스트 스타일은 디폴트 텍스트 스타일 특징들로 구성된 텍스트 스타일을 의미할 수 있다.
일 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 미리 설정된 텍스트 스타일 중에서 선택하여 텍스트 스타일을 결정한 이후, 소리 데이터에서 추출한 음성 스타일 특징에 기초하여 결정한 텍스트 스타일에 대한 텍스트 스타일 특징을 조정할 수 있다.
예컨대, 프로세서(180)는 소리 데이터가 입력되었을 때 음성 발화자가 사용자 A라고 판단한 경우에 사용자 A의 텍스트 스타일을 선택하여 텍스트 스타일을 결정할 수 있고, 소리 데이터에서 획득한 음성 스타일 특징에서 발화 속도가미리 설정된 기준값보다 크게 나타나는 경우에는 사용자 A의 텍스트 스타일 특징 중에서 필기 속도를 높일 수 있다.
도 10은 도 8에 도시된 음성에 상응하는 텍스트 스타일을 결정하는 단계(S803)의 일 예를 나타낸 동작 흐름도이다.
도 10을 참조하면, 인공 지능 장치(100)의 프로세서(180)는 소리 데이터에서 적어도 하나 이상의 속성 키워드를 추출한다(S1001).
속성 키워드란 이미지 데이터에 포함된 텍스트나 소리 데이터에 포함된 음성의 속성을 나타낼 수 있는 키워드로, 텍스트나 음성의 분위기/느낌을 나타내는 키워드, 매체/목적의 종류를 나타내는 키워드 등이 포함될 수 있다.
속성 키워드에 대한 설명은 도 5와 함께 설명한 것과 같다.
이때, 인공 지능 장치(100)의 프로세서(180)는 속성 키워드 추출 모델을 이용하여 소리 데이터에서 속성 키워드를 추출할 수 있다.
인공 지능 장치(100)의 프로세서(180)는 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 텍스트 스타일을 선택한다(S1003).
이를 위하여, 인공 지능 장치(100)의 프로세서(180)는 텍스트 스타일과 그 텍스트 스타일의 속성 키워드 사이의 매핑 관계를 이용할 수 있으며, 이러한 매핑 관계는 메모리(170)에 저장되거나, 학습 서버(200)의 메모리(230)에 저장될 수 있다.
이때, 텍스트 스타일과 그 텍스트 스타일의 속성 키워드 사이의 매핑 관계는 속성 키워드 추출 모델을 이용하여 이미지 데이터에서 추출된 속성 키워드와 그 이미지 데이터에 상응하는 텍스트 스타일을 매핑함으로써 생성될 수도 있고, 속성 키워드 추출 모델의 학습을 위하여 이용하는, 속성 키워드가 주어진 이미지 데이터에서 속성 키워드를 추출하고 이를 주어진 속성 키워드와 매핑함으로써 생성될 수도 있다.
선택적 실시 예에서, 인공 지능 장치(100)의 프로세서(180)는 소리 데이터에서 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 텍스트 스타일 그룹을 선택하고, 선택된 텍스트 스타일 그룹에 포함된 텍스트 스타일들 중에서 하나를 선택할 수도 있다.
예컨대, 뉴스에 대한 소리 데이터로부터 추출된 속성 키워드가 중요한, 딱딱한, 깔끔한이며, 텍스트 스타일 그룹 중에서 뉴스 그룹이 중요한, 딱딱한, 깔끔한이라는 속성 키워드를 갖는 경우를 가정한다면, 프로세서(180)는 신문에 대한 소리 데이터가 입력되면 텍스트 스타일 그룹으로 뉴스 그룹을 선택하고, 뉴스 그룹에 속하는 여러 텍스트 스타일들 중에서 하나를 선택할 수 있다.
이때, 프로세서(180)는 텍스트 스타일 그룹에 포함된 복수의 텍스트 스타일 중에서 임의로 하나를 선택하거나, 소리 데이터에서 추출한 음성 스타일 특징과 가장 유사한 또는 연관성을 갖는 텍스트 스타일 특성을 포함하는 텍스트 스타일을 선택할 수 있다.
도 11은 본 발명의 일 실시 예에서 소리 데이터와 속성 키워드 사이의 매핑 관계의 예시를 나타낸 도면이다.
도 11을 참조하면, 소리 데이터(1101, 1103, 1105 또는 1107)와 속성 키워드들(1102, 1104, 1106 또는 1108) 사이의 매핑 관계는 소리 데이터에 포함된 음성의 발음, 톤, 피치, 크기 등에 기초하여 결정될 수 있다.
이러한 소리 데이터(1101, 1103, 1105 또는 1107)와 속성 키워드들(1102, 1104, 1106 또는 1108) 사이의 매핑 관계는 미리 사용자에 의하여 결정될 수 있다. 그리고, 결정된 매핑 관계는 속성 키워드 추출 모델을 학습하는데 이용될 수 있다.
즉, 속성 키워드 추출 모델은 소리 데이터(1101, 1103, 1105 또는 1107)와 그에 상응하는 속성 키워드(1102, 1104, 1106 또는 1108)가 라벨링된 학습 데이터를 이용하여 지도 학습에 따라 학습될 수 있다. 그리고, 속성 키워드 추출 모델은 소리 데이터가 입력되면 그에 상응하는 속성 키워드를 추출하는데 이용될 수 있다. 여기서, 속성 키워드(1102, 1104, 1106 또는 1108)는 라벨로써 미리 주어지거나 사용자에 의하여 설정될 수 있다.
예컨대, 안내 방송에 상응하는 소리 데이터(1101)는 '경고', '안내', '중요한', '딱딱한', '강조' 등의 속성 키워드들(1102)과 매핑될 수 있다. 만화에 상응하는 소리 데이터(1103)는 '동화', '어린이', '가벼운', '재밌는', '웃긴', '귀여운' 등의 속성 키워드들(1104)과 매핑될 수 있다. 엔터테인먼트 방송에 상응하는 소리 데이터(1105)는 '잡지', '패션', '문화', '영화', '가벼운', '패셔너블한', '세련된' 등의 속성 키워드들(1106)과 매핑될 수 있다. 뉴스에 상응하는 소리 데이터(1107)는 '정치', '경제', '뉴스', '중요한', '딱딱한', '깔끔한' 등의 속성 키워드들(1108)과 매핑될 수 있다.
만약, 인공 지능 장치(100)의 프로세서(180)는 속성 키워드 추출 모델을 이용하여 만화에 상응하는 소리 데이터가 입력되면, 그에 상응하는 속성 키워드로써 '동화', '어린이', '가벼운', '재밌는', '웃긴', '귀여운' 중에서 적어도 하나 이상을 추출할 수 있다. 그리고, 프로세서(180)는 이와 같이 추출된 속성 키워드에 기초하여 텍스트 스타일을 동화 또는 만화의 텍스트 스타일로 결정하고, 결정된 텍스트 스타일에 기초하여 음성을 텍스트로 변환할 수 있다.
도 12는 본 발명의 일 실시 예에 따른 음성을 텍스트로 변환하는 예시를 나타낸 도면이다.
도 12를 참조하면, 인공 지능 장치(100)에 뉴스에 상응하는 소리 데이터(1201)가 입력되면, 인공 지능 장치(100)는 소리 데이터(1201)에서 '정치', '경제', '뉴스', '중요한', '딱딱한', '깔끔한' 등의 속성 키워드(1202)를 추출하고, 추출된 속성 키워드(1202)에 기초하여 소리 데이터(1201)에 포함된 텍스트를 뉴스/신문 필체의 텍스트(1203)로 변환할 수 있다.
도 13은 본 발명의 일 실시 예에 따른 사용자를 고려하여 텍스트와 음성을 상호 변환하는 예시를 나타낸 도면이다.
도 13을 참조하면, 인공 지능 장치(100)는 등록된 사용자의 텍스트 스타일과 음성 스타일을 기초로, 등록된 사용자에 대한 텍스트와 음성을 상호 변환할 수 있다.
부부가 모두 인공 지능 장치(100)에 등록된 사용자인 경우를 가정하면, 인공 지능 장치(100)의 프로세서(180)는 등록된 남편(1301)의 목소리로 발화된 음성 "I love you, John"(1302)를 포함하는 소리 데이터를 획득하면, 획득한 소리 데이터를 등록된 남편(1301)의 텍스트 스타일과 매칭시키고, 등록된 남편(1301)의 텍스트 스타일에 기초한 필체로 작성된 텍스트 "I love you, John"(1303)를 포함하는 이미지 데이터를 생성할 수 있다. 그리고, 인공 지능 장치(100)의 프로세서(180)는 등록된 아내(1304)의 목소리로 발화된 음성 "I love you, John"(1305)를 포함하는 소리 데이터를 획득하면, 획득한 소리 데이터를 등록된 아내(1304)의 텍스트 스타일과 매칭시키고, 등록된 아내(1304)의 텍스트 스타일에 기초한 필체로 작성된 텍스트 "I love you, John"(1306)를 포함하는 이미지 데이터를 생성할 수 있다.
상기 가정에서, 인공 지능 장치(100)의 프로세서(180)는 등록된 남편(1301)의 필체로 작성된 텍스트 "I love you, John"(1303)를 포함하는 이미지 데이터를 획득하면, 획득한 이미지 데이터를 등록된 남편(1301)의 음성 스타일과 매칭시키고, 등록된 남편(1301)의 음성 스타일에 기초한 음성 "I love you, John"(1302)를 포함하는 소리 데이터를 생성할 수 있다. 그리고, 인공 지능 장치(100)의 프로세서(180)는 등록된 아내(1304)의 필체로 기록된 텍스트"I love you, John"(1306)를 포함하는 이미지 데이터를 획득하면, 획득한 이미지 데이터를 등록된 아내(1304)의 음성 스타일과 매칭시키고, 등록된 아내(1304)의 음성 스타일에 기초한 음성 "I love you, John"(1305)를 포함하는 소리 데이터를 생성할 수 있다.
이와 같이, 본 발명의 일 실시 예에 따른 인공 지능 장치(100)는 손글씨로 작성한 메모를 작성자의 음성으로 읽어주거나, 음성 메모를 발화자의 필체로 변환하여 출력하는데 이용될 수 있다.
도 14는 본 발명의 일 실시 예에 따른 사용자를 고려하여 텍스트와 음성을 상호 변환하는 예시를 나타낸 도면이다.
도 14를 참조하면, 인공 지능 장치(100)의 프로세서(180)는 텍스트 스타일과 음성 스타일을 기초로, 일정 단위마다 텍스트와 음성을 상호 변환할 수 있다.
음성(1410)을 포함하는 소리 데이터에 제1 사용자가 발화한 제1 음성(1411)과 제2 사용자가 발화한 제2 음성(1412)이 포함된 경우를 가정하면, 인공 지능 장치(100)의 프로세서(180)는 제1 음성(1411)을 제1 사용자의 텍스트 스타일에 매칭시켜 제1 사용자의 텍스트 스타일에 기초한 필체로 제1 텍스트(1421)를 생성하고, 제2 음성(1412)을 제2 사용자의 텍스트 스타일에 매칭시켜 제2 사용자의 텍스트 스타일에 기초한 필체로 제2 텍스트(1422)를 생성하여, 제1 텍스트(1421)와 제2 텍스트(1422)를 포함하는 텍스트(1420)를 생성하고, 텍스트(1420)를 포함하는 이미지 데이터를 생성할 수 있다.
마찬가지로, 텍스트(1420)를 포함하는 이미지 데이터에 제1 사용자가 기록한 제1 텍스트(1421)과 제2 사용자가 기록한 제2 음성(1422)가 포함된 경우를 가정하면, 인공 지능 장치(100)의 프로세서(180)는 제1 텍스트(1421)를 제1 사용자의 음성 스타일에 매칭시켜 제1 사용자의 음성 스타일에 기초한 목소리로 제1 음성(1411)을 생성하고, 제2 텍스트(1422)를 제2 사용자의 음성 스타일에 매칭시켜 제2 사용자의 음성 스타일에 기초한 목소리로 제2 음성(1412)을 생성하여, 제1 음성(1411)과 제2 음성(1412)을 포함하는 음성(1410)을 생성하고, 음성(1410)을 포함하는 소리 데이터를 생성할 수 있다.
이와 같이, 본 발명의 일 실시 예에 따른 인공 지능 장치(100)는 복수의 화자에 의한 음성 메모, 통화 녹취록, 회의 녹취록 등을 화자별로 구분하여 글씨로 출력하거나, 서로 필체가 다른 글씨를 서로 다른 화자가 발화하는 음성으로 변환하는데 이용될 수 있다.
상술한 바와 같이, 인공 지능 장치(100)의 프로세서(180)는 등록된 사용자의 음성 스타일 또는 텍스트 스타일을 이용하여 음성과 텍스트를 상호 변환할 수도 있지만, 사용자 분류 그룹별 음성 스타일 또는 텍스트 스타일을 이용하여 음성과 텍스트를 상호 변환할 수도 있다.
그러나, 인공 지능 장치(100)의 프로세서(180)는 대응되는 등록된 사용자나 사용자 분류 그룹을 판단하지 못하는 경우라 하더라도, 구간별로 음성의 목소리가 다르거나 글씨의 필체가 다른 경우에는 구간별로 서로 다른 음성 스타일 또는 텍스트 스타일을 이용하여 차별화하여 변환할 수 있다.
또한, 인공 지능 장치(100)의 프로세서(180)는 획득한 이미지 데이터나 소리 데이터에 대응되는 등록된 사용자나 사용자 분류 그룹을 결정한 이후에, 획득한 데이터의 스타일 특징에 기초하여 변환에 이용할 스타일의 특징을 조정할 수 있다.
즉, 인공 지능 장치(100)의 프로세서(180)는 텍스트를 포함하는 이미지 데이터를 획득하면, 획득한 이미지 데이터에 매칭되는 등록된 사용자를 결정하고, 결정된 사용자에 상응하는 음성 스타일을 선택하고, 획득한 이미지 데이터의 텍스트 스타일 특징에 기초하여 선택된 음성 스타일을 조정하고, 조정된 음성 스타일에 기초하여 획득한 이미지 데이터에 포함된 텍스트를 음성으로 변환할 수 있다.
예컨대, 동일한 사용자의 음성이라고 하더라도, 졸린 상태에서 발화한 음성이라면 그렇지 않은 음성과 비교하면 목소리가 가라앉거나 발음이 더 어눌하여 음성 스타일 특징에 차이점이 있다. 따라서, 인공 지능 장치(100)의 프로세서(180)는 소리 데이터의 음성 스타일 특징에 기초하여 선택된(또는 결정된) 텍스트 스타일을 조정하여 음성을 텍스트로 변환할 수 있다. 이에 따라, 졸린 상태에서 발화한 음성을 변환한 텍스트는 그렇지 않은 상태에서 발화한 음성을 변환한 텍스트에 비하여 모양이 불규칙적이고 일그러질 수 있다.
마찬가지로, 인공 지능 장치(100)의 프로세서(180)는 음성을 포함하는 소리 데이터를 획득하면, 획득한 소리 데이터에 매칭되는 등록된 사용자를 결정하고, 결정된 사용자에 상응하는 텍스트 스타일을 선택하고, 획득한 소리 데이터의 음성 스타일 특징에 기초하여 선택된 텍스트 스타일을 조정하고, 조정된 텍스트 스타일에 기초하여 획득한 소리 데이터에 포함된 음성을 텍스트로 변환할 수 있다.
예컨대, 동일한 사용자의 글씨라고 하더라도, 졸린 상태에서 작성한 글씨이라면 그렇지 않은 글씨와 비교하면 모양이 불규칙적이고 일그러져 텍스트 스타일 특징에 차이점이 있다. 따라서, 인공 지능 장치(100)의 프로세서(180)는 이미지 데이터의 텍스트 스타일 특징에 기초하여 선택된(또는 결정된) 음성 스타일을 조정하여 텍스트를 음성으로 변환할 수 있다. 이에 따라, 졸린 상태에서 필기한 글씨를 변환한 음성은 그렇지 않은 상태에서 필기한 글씨를 변환한 음성에 비하여 목소리가 가라앉거나 발음이 더 어눌할 수 있다.
또한, 예컨대, 인공 지능 장치(100)의 프로세서(180)는 동일한 사용자의 음성이라도 빠르게 발화한 음성을 그렇지 않은 음성에 비하여 흘려쓰는 모양을 갖는 텍스트로 변환하고, 마찬가지로 동일한 사용자의 글씨라도 흘려쓰는 모양을 갖는 글씨는 그렇지 않은 글시에 비하여 빠른 속도로 발화되는 음성으로 변환할 수 있다.
이와 같이, 본 발명의 일 실시 예에 따른 인공 지능 장치(100)는 획득한 소리 데이터의 음성 스타일 또는 획득한 이미지 데이터의 텍스트 스타일에 기초하여, 결정된 사용자의 음성 스타일 또는 결정된 사용자의 텍스트 스타일을 조정하여 발화시 상황 또는 필기시 상황을 반영할 수 있다.
이때, 발화시 상황 또는 필기시 상황은 상술한 속성 키워드에 반영될 수도 있다.
도 15은 본 발명의 일 실시 예에 따라 텍스트와 음성을 상호 변환하는 예시들을 나타낸 도면이다.
도 15를 참조하면, 인공 지능 장치(100)는 텍스트 스타일과 음성 스타일을 기초로, 일정 단위마다 텍스트와 음성을 상호 변환할 수 있다.
예컨대, 프로세서(180)는 사회자의 음성과 같이 발음이 깨끗하고 딱딱한 음성(1501)과 깨끗하고 딱딱한 스타일의 텍스트(1502)를 상호 변환할 수 있다. 상술한 바와 같이, 발화된 음성에서 강조되는 부분과 텍스트에서 강조되는 부분이 서로 대응되도록 변환할 수 있다.
또한, 프로세서(180)는 어린이의 음성과 같이 톤이 높고 발음이 부정확한 음성(1503)과 글씨체가 불규칙적이고 귀여운 스타일의 텍스트(1504)를 상호 변환할 수 있다.
또한, 프로세서(180)는 빠르게 발화하는 음성(1505)과 속도감이 느껴지는 스타일의 텍스트(1506)를 상호 변환할 수 있다.
도 16은 본 발명의 일 실시 예에 따라 텍스트와 음성을 상호 변환하는 예시들을 나타낸 도면이다.
도 16을 참조하면, 인공 지능 장치(100)는 음성 스타일 특징과 텍스트 스타일 특징을 서로 매핑하여 텍스트와 음성을 상호 변환할 수 있다.
상술한 바와 같이, 음성 스타일 특징은 음성 발화 당시의 상황을 반영하고, 텍스트 스타일 특징은 텍스트 필기 당시의 상황을 반영할 수 있다.
예컨대, 프로세서(180)는 졸리지 않은 상태에서 발화한 음성(1601)과 균일하고 깨끗한 모양의 텍스트(1602)를 상호 변환할 수 있다.
반면, 프로세서(180)는 졸린 상태에서 발화한 음성(1603)과 졸린 상태에서 작성한 듯한 균일하지 않은 모양의 텍스트(1604)를 상호 변환할 수 있다.
본 발명의 실시 예들은 다양한 단말 장치에 적용되어 음성과 텍스트를 상호 변환하여 출력할 수 있다.
예컨대, 사용자의 손글씨를 입력할 수 있는 터치 패널, 입력된 손글씨를 출력하는 디스플레이, 그리고 소리를 출력할 수 있는 스피커를 구비하는 냉장고에 있어서, 복수의 사용자가 터치 패널을 통해 손글씨를 입력하면 디스플레이는 입력된 손글씨를 출력하고, 프로세서는 각 손글씨를 상응하는 음성 스타일에 따라 음성으로 변환하고, 사용자의 상호작용에 의하여 또는 자동으로 변환된 음성을 스피커를 통해 출력할 수 있다.
마찬가지로, 사용자의 목소리를 입력할 수 있는 마이크로폰과 텍스트를 출력하는 디스플레이를 구비하는 냉장고에 있어서, 복수의 사용자가 마이크로폰을 통해 음성을 입력하면 프로세서는 각 음성을 상응하는 텍스트 스타일에 따라 텍스트로 변환하고, 사용자의 상호작용에 의하여 또는 자동으로 변환된 텍스트를 디스플레이를 통해 출력할 수 있다.
이에 따라, 사용자에게 음성과 텍스트를 유사한 스타일을 가진 상태로 상호 변환하는 서비스를 제공할 수 있다. 그리고, 감성을 포함하는 STT 서비스 또는 TTS 서비스를 제공할 수 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다.
Claims (15)
- 텍스트와 음성을 상호 변환하는 인공 지능 장치에 있어서,복수의 TTS(Text-To-Speech) 엔진들을 저장하는 메모리; 및텍스트를 포함하는 이미지 데이터를 획득하고,상기 텍스트에 상응하는 음성 스타일을 결정하고,상기 복수의 TTS 엔진들 중 상기 결정된 음성 스타일에 상응하는 TTS 엔진을 이용하여 상기 텍스트에 상응하는 음성을 생성하고,상기 생성된 음성을 출력하는 프로세서를 포함하는, 인공 지능 장치.
- 청구항 1에 있어서,상기 복수의 TTS 엔진 각각은적어도 하나 이상의 음성 스타일 특징(feature)을 포함하고,상기 음성 스타일 특징은음색, 피치, 속도, 엑센트, 크기 또는 발음 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
- 청구항 1에 있어서,상기 프로세서는상기 이미지 데이터에서 적어도 하나 이상의 텍스트 스타일 특징을 추출하고, 상기 텍스트 스타일 특징에 기초하여 상기 음성 스타일을 결정하고,상기 텍스트 스타일 특징은텍스트 크기, 첫 글자 크기, 초성 크기, 폰트, 색상, 필압, 필속, 각진 정도, 규칙성, 수평도, 행 간격 또는 글자 간격 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
- 청구항 3에 있어서,상기 메모리는하나 이상의 등록 사용자에 대한 TTS 엔진을 저장하고,상기 프로세서는상기 텍스트 스타일 특징에 상응하는 등록 사용자를 결정하고, 상기 결정된 등록 사용자에 상응하는 TTS 엔진을 이용하여 상기 음성을 생성하는, 인공 지능 장치.
- 청구항 3에 있어서,상기 메모리는복수의 스타일 그룹에 대한 TTS 엔진들을 저장하고,상기 프로세서는상기 텍스트 스타일 특징에 상응하는 스타일 그룹을 결정하고, 상기 결정된 스타일 그룹에 상응하는 TTS 엔진을 이용하여 상기 음성을 생성하는, 인공 지능 장치.
- 청구항 1에 있어서,상기 프로세서는상기 이미지 데이터에서 적어도 하나 이상의 속성 키워드를 추출하고, 상기 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 음성 스타일을 선택하는, 인공 지능 장치.
- 청구항 1에 있어서,상기 복수의 TTS 엔진 중에서 적어도 하나 이상은머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
- 텍스트와 음성을 상호 변환하는 인공 지능 장치에 있어서,복수의 STT(Speech-To-Text) 엔진들을 저장하는 메모리; 및음성을 포함하는 소리 데이터를 획득하고,상기 음성에 상응하는 텍스트 스타일을 결정하고,상기 복수의 STT 엔진들 중 상기 결정된 텍스트 스타일에 상응하는 STT 엔진을 이용하여 상기 음성에 상응하는 텍스트를 생성하고,상기 생성된 텍스트를 출력하는 프로세서를 포함하는, 인공 지능 장치.
- 청구항 8에 있어서,상기 복수의 STT 엔진 각각은적어도 하나 이상의 텍스트 스타일 특징(feature)을 포함하고,상기 텍스트 스타일 특징은텍스트 크기, 첫 글자 크기, 초성 크기, 폰트, 색상, 필압, 필속, 각진 정도, 규칙성, 수평도, 행 간격 또는 글자 간격 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
- 청구항 8에 있어서,상기 프로세서는상기 소리 데이터에서 적어도 하나 이상의 음성 스타일 특징을 추출하고, 상기 음성 스타일 특징에 기초하여 상기 텍스트 스타일을 결정하고,상기 음성 스타일 특징은음색, 피치, 속도, 엑센트, 크기 또는 발음 중에서 적어도 하나 이상을 포함하는, 인공 지능 장치.
- 청구항 10에 있어서,상기 메모리는하나 이상의 등록 사용자에 대한 STT 엔진을 저장하고,상기 프로세서는상기 음성 스타일 특징에 상응하는 등록 사용자를 결정하고, 상기 결정된 등록 사용자에 상응하는 STT 엔진을 이용하여 상기 텍스트를 생성하는, 인공 지능 장치.
- 청구항 10에 있어서,상기 메모리는복수의 스타일 그룹에 대한 STT 엔진들을 저장하고,상기 프로세서는상기 음성 스타일 특징에 상응하는 스타일 그룹을 결정하고, 상기 결정된 스타일 그룹에 상응하는 STT 엔진을 이용하여 상기 텍스트를 생성하는, 인공 지능 장치.
- 청구항 8에 있어서,상기 프로세서는상기 소리 데이터에서 적어도 하나 이상의 속성 키워드를 추출하고, 상기 추출된 속성 키워드와 가장 유사한 속성 키워드를 갖는 텍스트 스타일을 선택하는, 인공 지능 장치.
- 청구항 8에 있어서,상기 복수의 STT 엔진 중에서 적어도 하나 이상은머신 러닝 알고리즘 또는 딥 러닝 알고리즘을 이용하여 학습되는, 인공 지능 장치.
- 텍스트와 음성을 상호 변환하는 방법에 있어서,텍스트를 포함하는 이미지 데이터를 획득하는 단계;상기 텍스트에 상응하는 음성 스타일을 결정하는 단계;상기 결정된 음성 스타일에 상응하는 TTS 엔진을 이용하여 상기 텍스트에 상응하는 음성을 생성하는 단계; 및상기 생성된 음성을 출력하는 단계를 포함하는, 방법.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2019/005899 WO2020235696A1 (ko) | 2019-05-17 | 2019-05-17 | 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 |
US16/490,316 US11715485B2 (en) | 2019-05-17 | 2019-05-17 | Artificial intelligence apparatus for converting text and speech in consideration of style and method for the same |
KR1020190089895A KR20190094315A (ko) | 2019-05-17 | 2019-07-24 | 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2019/005899 WO2020235696A1 (ko) | 2019-05-17 | 2019-05-17 | 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2020235696A1 true WO2020235696A1 (ko) | 2020-11-26 |
Family
ID=67624345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2019/005899 WO2020235696A1 (ko) | 2019-05-17 | 2019-05-17 | 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11715485B2 (ko) |
KR (1) | KR20190094315A (ko) |
WO (1) | WO2020235696A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023022206A1 (ja) * | 2021-08-18 | 2023-02-23 | 日本電信電話株式会社 | 音声合成装置、音声合成方法及び音声合成プログラム |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11243746B2 (en) * | 2019-07-01 | 2022-02-08 | X Development Llc | Learning and using programming styles |
US11501787B2 (en) * | 2019-08-22 | 2022-11-15 | Google Llc | Self-supervised audio representation learning for mobile devices |
KR20210033167A (ko) * | 2019-09-18 | 2021-03-26 | 삼성전자주식회사 | 전자장치 및 그 음성인식 제어방법 |
US11295721B2 (en) * | 2019-11-15 | 2022-04-05 | Electronic Arts Inc. | Generating expressive speech audio from text data |
CN110827799B (zh) * | 2019-11-21 | 2022-06-10 | 百度在线网络技术(北京)有限公司 | 用于处理语音信号的方法、装置、设备和介质 |
ES2964322T3 (es) * | 2019-12-30 | 2024-04-05 | Tmrw Found Ip Sarl | Sistema y método de conversión de voz multilingüe |
KR20210101374A (ko) * | 2020-02-07 | 2021-08-19 | 삼성전자주식회사 | 오디오 신호 제공 방법 및 장치 |
CN110991455B (zh) * | 2020-02-11 | 2023-05-05 | 上海肇观电子科技有限公司 | 图像文本播报方法及其设备、电子电路和存储介质 |
US11776286B2 (en) | 2020-02-11 | 2023-10-03 | NextVPU (Shanghai) Co., Ltd. | Image text broadcasting |
KR20210121812A (ko) | 2020-03-31 | 2021-10-08 | (주)에듀윌 | 텍스트 편집기 프로그램, 및 이와 개인화된 tts 서버를 이용한 학습 서비스 제공 방법 |
US11763809B1 (en) * | 2020-12-07 | 2023-09-19 | Amazon Technologies, Inc. | Access to multiple virtual assistants |
US20220189463A1 (en) * | 2020-12-16 | 2022-06-16 | Samsung Electronics Co., Ltd. | Electronic device and operation method thereof |
US11977813B2 (en) * | 2021-01-12 | 2024-05-07 | International Business Machines Corporation | Dynamically managing sounds in a chatbot environment |
KR20220132189A (ko) | 2021-03-23 | 2022-09-30 | 한국전자통신연구원 | 자동 도메인 레이블 추정 네트워크를 이용한 비지도 음성신호 변환 방법 및 시스템 |
US20220382964A1 (en) * | 2021-05-26 | 2022-12-01 | Mitomo MAEDA | Display apparatus, display system, and display method |
CN114333762B (zh) * | 2022-03-08 | 2022-11-18 | 天津大学 | 基于表现力的语音合成方法、***、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130062099A (ko) * | 2011-12-02 | 2013-06-12 | 엘지전자 주식회사 | 이동 단말기 및 이의 제어방법 |
KR101509196B1 (ko) * | 2013-04-15 | 2015-04-10 | 한국과학기술원 | 감정 전달이 가능한 라이브 텍스트 및 라이브 텍스트를 이용한 라이브 보이스를 제공하기 위한 텍스트 편집 및 보이스 변환 시스템 및 방법 |
JP2015180966A (ja) * | 2012-07-18 | 2015-10-15 | 株式会社東芝 | 音声処理システム |
US20160379623A1 (en) * | 2014-02-26 | 2016-12-29 | Microsoft Technology Licensing, Llc | Voice font speaker and prosody interpolation |
KR20180038318A (ko) * | 2016-10-06 | 2018-04-16 | 주식회사 카카오 | 자막 생성 시스템, 자막 생성 방법, 그리고 콘텐트 생성 프로그램 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7092870B1 (en) * | 2000-09-15 | 2006-08-15 | International Business Machines Corporation | System and method for managing a textual archive using semantic units |
US20050096909A1 (en) * | 2003-10-29 | 2005-05-05 | Raimo Bakis | Systems and methods for expressive text-to-speech |
US7720316B2 (en) * | 2006-09-05 | 2010-05-18 | Microsoft Corporation | Constraint-based correction of handwriting recognition errors |
WO2009125710A1 (ja) * | 2008-04-08 | 2009-10-15 | 株式会社エヌ・ティ・ティ・ドコモ | メディア処理サーバ装置およびメディア処理方法 |
WO2010096192A1 (en) * | 2009-02-18 | 2010-08-26 | Exbiblio B.V. | Interacting with rendered documents using a multi-function mobile device, such as a mobile phone |
KR101594057B1 (ko) * | 2009-08-19 | 2016-02-15 | 삼성전자주식회사 | 텍스트 데이터의 처리 방법 및 장치 |
US9236045B2 (en) * | 2011-05-23 | 2016-01-12 | Nuance Communications, Inc. | Methods and apparatus for proofing of a text input |
US8930301B2 (en) * | 2013-05-31 | 2015-01-06 | Linkedin Corporation | Systems and methods for content response prediction |
US10192541B2 (en) * | 2014-06-05 | 2019-01-29 | Nuance Communications, Inc. | Systems and methods for generating speech of multiple styles from text |
US9570065B2 (en) * | 2014-09-29 | 2017-02-14 | Nuance Communications, Inc. | Systems and methods for multi-style speech synthesis |
JP6483578B2 (ja) * | 2015-09-14 | 2019-03-13 | 株式会社東芝 | 音声合成装置、音声合成方法およびプログラム |
US20170193533A1 (en) * | 2015-12-31 | 2017-07-06 | International Business Machines Corporation | Automatic detection of user personality traits based on social media image posts |
US10643182B2 (en) * | 2016-03-16 | 2020-05-05 | Oracle International Corporation | Resume extraction based on a resume type |
WO2018151770A1 (en) * | 2017-02-16 | 2018-08-23 | Neosensory, Inc. | Method and system for transforming language inputs into haptic outputs |
CN107464554B (zh) * | 2017-09-28 | 2020-08-25 | 百度在线网络技术(北京)有限公司 | 语音合成模型生成方法和装置 |
US10706837B1 (en) * | 2018-06-13 | 2020-07-07 | Amazon Technologies, Inc. | Text-to-speech (TTS) processing |
-
2019
- 2019-05-17 US US16/490,316 patent/US11715485B2/en active Active
- 2019-05-17 WO PCT/KR2019/005899 patent/WO2020235696A1/ko active Application Filing
- 2019-07-24 KR KR1020190089895A patent/KR20190094315A/ko active Search and Examination
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130062099A (ko) * | 2011-12-02 | 2013-06-12 | 엘지전자 주식회사 | 이동 단말기 및 이의 제어방법 |
JP2015180966A (ja) * | 2012-07-18 | 2015-10-15 | 株式会社東芝 | 音声処理システム |
KR101509196B1 (ko) * | 2013-04-15 | 2015-04-10 | 한국과학기술원 | 감정 전달이 가능한 라이브 텍스트 및 라이브 텍스트를 이용한 라이브 보이스를 제공하기 위한 텍스트 편집 및 보이스 변환 시스템 및 방법 |
US20160379623A1 (en) * | 2014-02-26 | 2016-12-29 | Microsoft Technology Licensing, Llc | Voice font speaker and prosody interpolation |
KR20180038318A (ko) * | 2016-10-06 | 2018-04-16 | 주식회사 카카오 | 자막 생성 시스템, 자막 생성 방법, 그리고 콘텐트 생성 프로그램 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023022206A1 (ja) * | 2021-08-18 | 2023-02-23 | 日本電信電話株式会社 | 音声合成装置、音声合成方法及び音声合成プログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20190094315A (ko) | 2019-08-13 |
US20210335381A1 (en) | 2021-10-28 |
US11715485B2 (en) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020235696A1 (ko) | 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법 | |
WO2020235712A1 (ko) | 콘텐츠 기반의 스타일을 갖는 텍스트 또는 음성을 생성하는 인공 지능 장치 및 그 방법 | |
WO2020138624A1 (en) | Apparatus for noise canceling and method for the same | |
WO2020213758A1 (ko) | 음성으로 상호작용하는 인공 지능 장치 및 그 방법 | |
WO2020213750A1 (ko) | 객체를 인식하는 인공 지능 장치 및 그 방법 | |
WO2020230933A1 (ko) | 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법 | |
WO2020246634A1 (ko) | 다른 기기의 동작을 제어할 수 있는 인공 지능 기기 및 그의 동작 방법 | |
WO2019182265A1 (ko) | 인공 지능 기기 및 그의 동작 방법 | |
WO2018088794A2 (ko) | 디바이스가 이미지를 보정하는 방법 및 그 디바이스 | |
WO2020218632A1 (ko) | 인공지능 장치 | |
WO2020184748A1 (ko) | 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법 | |
WO2020138564A1 (ko) | 전자 장치 | |
WO2020196955A1 (ko) | 인공 지능 기기 및 인공 지능 기기의 동작 방법 | |
WO2019194451A1 (ko) | 인공지능을 이용한 음성 대화 분석 방법 및 장치 | |
WO2020184746A1 (ko) | 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법 | |
WO2020204221A1 (ko) | 공기 조화기 | |
WO2020184747A1 (ko) | 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법 | |
WO2020184753A1 (ko) | 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법 | |
WO2021006405A1 (ko) | 인공지능 서버 | |
WO2020230926A1 (ko) | 인공 지능을 이용하여, 합성 음성의 품질을 평가하는 음성 합성 장치 및 그의 동작 방법 | |
WO2019225961A1 (en) | Electronic device for outputting response to speech input by using application and operation method thereof | |
WO2021006404A1 (ko) | 인공지능 서버 | |
WO2021025217A1 (ko) | 인공지능 서버 | |
WO2020218635A1 (ko) | 인공 지능을 이용한 음성 합성 장치, 음성 합성 장치의 동작 방법 및 컴퓨터로 판독 가능한 기록 매체 | |
WO2020218650A1 (ko) | 전자기기 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19929344 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19929344 Country of ref document: EP Kind code of ref document: A1 |